OpenAccess Yoneyama

Takashi Yoneyama
YONEYAMA
ENGENHARIA DE CONTROLE
Teoria e prática
fe
Esta obra busca oferecer aos estudantes e profissionais da área de Sistemas e
Controle uma visão ampla, moderna e integrada do tema de modo simples, po-
rém sem prescindir de rigor formal. São apresentados os aspectos práticos rele-
vantes na prática com uma sólida base teórica que permite aprofundar o domínio
dos conceitos envolvidos. Cada tópico é ilustrado com exemplos numéricos e
complementados com exercícios de variadas dificuldades. Alguns detalhes mais
intrincados das ferramentas utilizadas nos projetos de controladores podem ser
encontrados na forma de apêndices.
fe
openaccess.blucher.com.br
Engenharia de controle
Teoria e prática
Takashi Yoneyama
CONSELHO EDITORIAL
André Costa e Silva
Cecilia Consolo
Dijon de Moraes
Jarbas Vargas Nascimento
Luis Barbosa Cortez
Marco Aurélio Cremasco
Rogerio Lerner
Takashi Yoneyama
Teoria e prática
Engenharia de controle: teoria e prática
© 2022 Takashi Yoneyama
Editora Edgard Blücher Ltda.
Publisher Edgard Blücher

Editor Eduardo Blücher
Coordenação editorial Jonatas Eliakim
Produção editorial Aline Fernandes
Diagramação Autor
Revisão de texto Maurı́cio Katayama
Capa Laércio Flenic
Imagem da capa iStockphoto
Editora Blucher
Rua Pedroso Alvarenga, 1245, 4º andar
CEP 04531-934 – São Paulo – SP – Brasil
Tel.: 55 11 3078-5366
contato@blucher.com.br
www.blucher.com.br
Segundo o Novo Acordo Ortográfico, conforme 5. ed. do Vocabulário Ortográfico da Lı́ngua

Portuguesa, Academia Brasileira de Letras, março de 2009. É proibida a reprodução total
ou parcial por quaisquer meios sem autorização escrita da editora.
Todos os direitos reservados pela Editora Edgard Blücher Ltda.
Dados Internacionais de Catalogação na Publicação (CIP)

Angélica Ilacqua CRB-8/7057
Yoneyama, Takashi
Engenharia de controle : teoria e prática / Takashi Yoneyama. – São Paulo : Blucher,
2022.
413 p.: il.
ISBN 978-65-5550-227-5 (impresso)
ISBN 978-65-5550-223-7 (eletrônico)
1. Engenharia 2. Controle automático 3. Máquinas automáticas 4. Automação indus-
trial I. Tı́tulo
22-5438 CDD 629.8
Índices para catálogo sistemático:
1. Engenharia de controle
Ao Prof. Wladimir Borgest
pelos valiosos ensinamentos
sobre Sistemas e Controle.
Conteúdo
I Introdução 7
1 Conceitos e definições 9
1.1 Conceitos, definições e notação . . . . . . . . . . . . . . . . . . 9
1.2 Um exemplo intuitivo de projeto . . . . . . . . . . . . . . . . . 12
1.3 Público-alvo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Panorama histórico 19
2.1 IFAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Livros-textos pioneiros . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Controle no Brasil . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Medalhistas IEEE . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
II Modelos de sistemas dinâmicos 39
3 Modelos dinâmicos 41
3.1 Modelos de tempo contı́nuo . . . . . . . . . . . . . . . . . . . . 43
3.2 Modelagem usando leis fı́sicas . . . . . . . . . . . . . . . . . . . 46
3.3 Validação de modelos . . . . . . . . . . . . . . . . . . . . . . . 59
3.4 Incertezas em modelos . . . . . . . . . . . . . . . . . . . . . . . 59
3.5 Solução de EDOs lineares . . . . . . . . . . . . . . . . . . . . . 60
3.6 Método da média (averaging) . . . . . . . . . . . . . . . . . . . 68
3.7 Linearização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.8 Estabilidade de sistemas LTI . . . . . . . . . . . . . . . . . . . 78
3.9 Controlabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.10 Observabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.11 Simulação de sistemas dinâmicos . . . . . . . . . . . . . . . . . 89
3.12 Sistemas de segunda ordem . . . . . . . . . . . . . . . . . . . . 98
vii
viii Engenharia de controle
3.13 Resposta em frequência . . . . . . . . . . . . . . . . . . . . . . 106

3.14 Realizações simples . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.15 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4 Modelos de tempo discreto 139

4.1 Equações a diferenças . . . . . . . . . . . . . . . . . . . . . . . 139
4.2 Transformadas Z . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.3 Modelo no domı́nio z . . . . . . . . . . . . . . . . . . . . . . . . 147
4.4 Transformada inversa de Z. . . . . . . . . . . . . . . . . . . . . 148
4.5 Alguns textos históricos . . . . . . . . . . . . . . . . . . . . . . 149
4.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5 Identificação de modelos 153

5.1 Métodos elementares . . . . . . . . . . . . . . . . . . . . . . . . 153
5.2 Identificação de modelos de tempo discreto . . . . . . . . . . . 154
5.3 Identificação pelo método do subespaço . . . . . . . . . . . . . 163
5.4 Algumas notas históricas . . . . . . . . . . . . . . . . . . . . . . 165
5.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
III Estabilidade 171
6 Critérios de estabilidade para modelos LTI 173

6.1 BIBO - Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . 185
6.2 Algumas personalidades ilustres . . . . . . . . . . . . . . . . . . 186
6.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
7 Métodos de Lyapunov 193

7.1 Primeiro método de Lyapunov . . . . . . . . . . . . . . . . . . 193
7.2 Segundo método de Lyapunov . . . . . . . . . . . . . . . . . . . 195
7.3 Identificação de modelos de tempo contı́nuo . . . . . . . . . . . 202
7.4 Backstepping . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
7.5 Observações Complementares . . . . . . . . . . . . . . . . . . . 218
7.6 Observações sobre pontos de equilı́brio . . . . . . . . . . . . . . 219
7.7 Notas históricas sobre o critério de Lyapunov . . . . . . . . . . 219
7.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
8 Métodos no domı́nio transformado 225

8.1 Vantagens do controle em malha fechada . . . . . . . . . . . . . 225
8.2 Compromissos entre requisitos . . . . . . . . . . . . . . . . . . 230
8.3 Controladores liga-desliga . . . . . . . . . . . . . . . . . . . . . 234
8.4 Controladores no domı́nio transformado . . . . . . . . . . . . . 245
ix
8.5 Lugar geométrico das raı́zes (LGR) . . . . . . . . . . . . . . . . 250

8.6 Controlador PID . . . . . . . . . . . . . . . . . . . . . . . . . . 259
8.7 Escalonamento de ganhos . . . . . . . . . . . . . . . . . . . . . 271
8.8 Controladores cascata . . . . . . . . . . . . . . . . . . . . . . . 274
8.9 Compensadores avançadores/atrasadores de fase . . . . . . . . 278
8.10 Curvas de terceira ordem . . . . . . . . . . . . . . . . . . . . . 288
8.11 Otimização de controladores . . . . . . . . . . . . . . . . . . . . 291
8.12 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
9 Métodos no Domı́nio do Tempo 311

9.1 Realimentação de estado . . . . . . . . . . . . . . . . . . . . . . 311
9.2 Observador de estados . . . . . . . . . . . . . . . . . . . . . . . 319
9.3 Observadores de ordem reduzida . . . . . . . . . . . . . . . . . 320
9.4 Filtro de Kalman: tempo contı́nuo . . . . . . . . . . . . . . . . 321
9.5 Observador de Perturbações . . . . . . . . . . . . . . . . . . . . 323
9.6 Observadores de estado: tempo discreto . . . . . . . . . . . . . 324
9.7 Filtro de Kalman: tempo discreto . . . . . . . . . . . . . . . . . 325
9.8 Regulador linear quadrático (LQR) . . . . . . . . . . . . . . . . 329
9.9 Margens de ganho e fase do controlador LQR . . . . . . . . . . 332
9.10 Método LQG/LTR . . . . . . . . . . . . . . . . . . . . . . . . . 334
9.11 Desigualdades matriciais lineares (LMI) . . . . . . . . . . . . . 338
9.12 Algumas personalidades ilustres . . . . . . . . . . . . . . . . . . 347
9.13 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
10 Controle por computador 353

10.1 Amostrador-segurador . . . . . . . . . . . . . . . . . . . . . . . 354
10.2 Discretização de modelos de tempo contı́nuo . . . . . . . . . . . 355
10.3 Escolha do perı́odo de amostragem . . . . . . . . . . . . . . . . 365
10.4 Erros de Quantização . . . . . . . . . . . . . . . . . . . . . . . 366
10.5 Vantagens do controle por computador . . . . . . . . . . . . . . 367
10.6 Script tı́pico de controlador . . . . . . . . . . . . . . . . . . . . 370
10.7 Mini-histórico de DDC . . . . . . . . . . . . . . . . . . . . . . . 370
10.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
IV Métodos adicionais 375
11 Alguns Métodos Adicionais 377

11.1 Linearização via realimentação de estados . . . . . . . . . . . . 378
11.2 Linearização por realimentação da saı́da . . . . . . . . . . . . . 384
11.3 Controle utilizando movimentos deslizantes . . . . . . . . . . . 388
x Engenharia de controle
11.4 Controle adaptativo . . . . . . . . . . . . . . . . . . . . . . . . 394

11.5 Controle baseado em planicidade . . . . . . . . . . . . . . . . . 401
11.6 Controle preditivo MPC . . . . . . . . . . . . . . . . . . . . . . 407
11.7 Controladores inteligentes . . . . . . . . . . . . . . . . . . . . . 410
11.8 Algumas personalidades famosas . . . . . . . . . . . . . . . . . 415
11.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
V Uma visão sistêmica de projeto 427
12 Alguns aspectos relevantes em projetos 429

12.1 Coleta de Informações . . . . . . . . . . . . . . . . . . . . . . . 430
12.2 Estudo do processo a ser controlado . . . . . . . . . . . . . . . 430
12.3 Definição dos objetivos . . . . . . . . . . . . . . . . . . . . . . . 431
12.4 Caracterização das restrições . . . . . . . . . . . . . . . . . . . 432
12.5 Especificação dos requisitos . . . . . . . . . . . . . . . . . . . . 432
12.6 Revisão crı́tica . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
12.7 Modelagem matemática . . . . . . . . . . . . . . . . . . . . . . 433
12.8 Escolha do Enfoque . . . . . . . . . . . . . . . . . . . . . . . . 434
12.9 Seleção de componentes . . . . . . . . . . . . . . . . . . . . . . 435
12.10Ajuste dos parâmetros . . . . . . . . . . . . . . . . . . . . . . . 440
12.11Simulações e testes . . . . . . . . . . . . . . . . . . . . . . . . . 440
12.12Documentação . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
12.13Implementação . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
12.14Entrega . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 442
12.15Sintonização fina e otimização . . . . . . . . . . . . . . . . . . . 442
12.16Operação assistida . . . . . . . . . . . . . . . . . . . . . . . . . 443
12.17Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
12.18Desativação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 444
12.19Mitigação do efeito de falhas . . . . . . . . . . . . . . . . . . . 444
12.20Condições operacionais de sistemas de controle . . . . . . . . . 448
12.21Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
12.22Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 450
VI Apêndices 453
13 Apêndices 455
13.1 Apêndice A - Equação de Euler-Lagrange . . . . . . . . . . . . 455
13.2 Apêndice B - Iteração de Picard . . . . . . . . . . . . . . . . . 459
13.3 Apêndice C - Exponencial de matriz . . . . . . . . . . . . . . . 462
xi
13.4 Apêndice D - Estabilidade de sistemas LTI . . . . . . . . . . . 469

13.5 Apêndice E - Equação de Hamilton-Jacobi-Bellman . . . . . . . 478
13.6 Apêndice F - Lema de Barbalat . . . . . . . . . . . . . . . . . . 481
13.7 Apêndice G - Linearização harmônica . . . . . . . . . . . . . . 484
13.8 Apêndice H - Margens de estabilidade LQR/MIMO . . . . . . . 497
13.9 Apêndice I - Dinâmica zero . . . . . . . . . . . . . . . . . . . . 501
13.10Apêndice J - Não linearidades setoriais . . . . . . . . . . . . . . 504
13.11Apêndice K - Otimização numérica . . . . . . . . . . . . . . . . 509
Prefácio
Dizia Monteiro Lobato que um paı́s se faz com homens e livros. Com essas
palavras em mente, foi para mim um privilégio ter sido convidado para redi-
gir o prefácio desta obra, redigida por dois colegas de destacada atuação na
prática da Engenharia de Controle e na formação continuada de novos profis-
sionais para o paı́s. O texto é de agradável leitura, com riqueza de exemplos,
ilustrações claras e exposição didática apoiada por rigor matemático. Notas
históricas também são incluı́das de forma muito oportuna. O conteúdo abarca
o uso de modelos lineares e também diversas ferramentas para tratamento de
não linearidades, percorrendo com elegância tanto o controle a tempo contı́nuo
quanto o controle empregando amostragem. Também são discutidos vários as-
pectos de relevância para um projeto de engenharia, desde as análises iniciais
até o comissionamento. Nesse sentido, será de valia para profissionais e estu-
dantes, de graduação e pós-graduação, nos diversos campos que se relacionam
com esta transversal área de controle. Como um todo, trata-se de excelente
livro, certamente uma valiosa contribuição para a literatura nacional.
São José dos Campos, 15 de agosto de 2022
Prof. Dr. Roberto Kawakami Harrop Galvão
1
Apresentação
Esta obra foi concebida com vistas a propiciar uma visão integrada do pro-
blema de projeto de sistemas de controle, eficazes na prática e solidamente
respaldada por princı́pios fundamentais.
Busca-se apresentar primordialmente os variados enfoques amplamente utili-
zados na prática rotineira de projeto de controladores, atentando-se, porém,
a aspectos tecnológicos que permeiam o meio industrial e também sem negli-
genciar o rigor formal.
O texto inclui resultados relativamente modernos da área de Sistemas e Con-
trole, tais como os esquemas de controle adaptativo e de controle robusto que
são métodos usuais para mitigar incertezas, sem descuidar, no entanto, dos
chamados clássicos.
Um capı́tulo próprio foi preparado para prover uma visão holı́stica de projeto
de controladores seguindo preceitos da Engenharia de Sistemas.
Em vista da atualidade, são cobertos alguns aspectos relativos a controle por
computador, bem como de uso de sistemas baseados em conhecimento em pro-
blemas de controle.
A apresentação dos diversos métodos de análise e projeto requer apenas fer-
ramentas estudados nos cursos básicos de Engenharia, ou seja, Cálculo Dife-
rencial e Integral, Álgebra Linear e Funções de Variável Complexa.
Uma porção significativa do material desse livro foi concebido e utilizado em
um número de disciplinas da área de Sistemas e Controle do ITA e de outras
Instituições.
Takashi Yoneyama
3
Agradecimentos
Apresento os meus sinceros agradecimentos ao Dr. Eng. Cleverson Maranhão

Porto Marinho, amigo pessoal de longa data e com quem tenho a honra e satis-
fação de ter compartilhado amplos esforços para o aprimoramento de Técnicas
de Controle, tanto pela inspiração para escrever esta obra como pelas valiosas
contribuições para aprimorar o seu conteúdo.
Apresento ainda um agradecimento especial aos ex-alunos, colegas professores
e pesquisadores, membros do corpo técnico e administrativo do Instituto Tec-
nológico de Aeronáutica, que me acolheu como aluno em 1971 e onde tive o
privilégio de atuar como professor desde 1976 até os dias de hoje.
Foram também inúmeros os apoios que recebi do CNPq, Capes, Fapesp, BN-
DES, FCMF, SBA e outras instituições que, enfim, possibilitaram desenvolver
o material deste livro.
Takashi Yoneyama
5
Parte I
Introdução
7
1
Conceitos e definições
“The important thing in Science is not so much to obtain new facts

as to discover new ways of thinking about them. ”
– William Lawrence Bragg
O conceito de controle pode ser compreendido como um procedimento ou um

mecanismo, dependendo do contexto, para tornar adequado o comportamento
de uma entidade fı́sica natural ou artificial, de acordo com alguma funcionali-
dade especı́fica.
Por exemplo, em humanos, o mecanismo de controle da pressão arterial atua
sobre o fenômeno da circulação sanguı́nea para mantê-la em uma faixa ade-
quada de valores.
Um outro exemplo é o mecanismo de regulação da glicose plasmática envol-
vendo a participação da insulina.
O equilı́brio ecológico, no contexto de predador-presa, é também uma manifes-
tação de regulação da população no âmbito de controle dos recursos disponı́veis
no habitat.
Essa obra foca primordialmente os sistemas artificiais, concebidos e construı́-
dos por humanos. São inúmeros os exemplos de sistemas tecnológicos que
utilizam o conceito de controle: regulação de temperatura de uma estufa, ma-
nutenção do nı́vel de água em um tanque de armazenamento, rastreamento de
uma trajetória de um avião, ventilação pulmonar mecânica para oxigenação
sanguı́nea, etc.
1.1 Conceitos, definições e notação

Nesta seção são apresentados os conceitos básicos para a compreensão dos
métodos para a realização de projetos envolvendo controle, bem como algumas
9
10 Engenharia de controle
definições e a notação utilizada neste texto.
• Sistema é um conjunto de elementos interdependentes, concretos ou abs-

tratos, que formam um todo organizado. Do ponto de vista prático, o
sistema é a parte do universo que foi isolada para estudo. O sistema
Figura 1.1: Um sistema com as suas entradas e saı́das.
interage com o meio ambiente através de entradas e saı́das. Em vista de

este texto tratar de sistemas primordialmente tecnológicos, as entradas
são as variáveis manipuladas u que são assumidas bem caracterizadas e
w que são ruı́dos aleatórios ou perturbações indesejadas. As saı́das de
interesse são denotadas por z e as grandezas monitoradas (medidas) são
representadas por y. Por exemplo, em um navio, pode-se manipular a
posição do leme u, para se ajustar a direção de movimentação z, por sua
vez indicada por uma bússola que fornece a leitura y, mas sofrendo per-
turbações w devidas às ondas do mar. O conceito de sistema é arbitrário,
de modo que, no contexto de tráfego urbano, o sistema compreende ruas,
semáforos, veı́culos, pedestres etc. Mas um veı́culo, por exemplo, um au-
tomóvel, é um sistema para efeito de estudo da suas caracterı́sticas e as
ruas, semáforos e pedestres constituem o meio ambiente. Por sua vez,
no estudo de motores, os demais constituintes do automóvel, tais como
a embreagem, a suspensão e a bateria, constituem o meio ambiente.
• Modelo é uma representação das caracterı́sticas essenciais de um sistema.

São exemplos tı́picos a maquete para estudos arquitetônicos, os bonecos
para a composição de pinturas e o camundongo para estudos farmacoló-
gicos. Neste texto, por focar métodos quantitativos, os modelos são do
tipo matemático. Especificações de desempenho são descrições formais
do comportamento que se deseja que o sistema apresente. Por exemplo,
se um forno deve apresentar uma temperatura adequada para assar um
bolo, a especificação de desempenho poderia ser a regulação da tempe-
ratura em 180o ± 5o apesar de perturbações como a abertura frequente
Conceitos e definições 11
da porta.
• Muitas vezes é utilizado o termo automático quando se refere a sistemas
de controle. Em princı́pio, automático é aquele que requer reduzida in-
tervenção do operador humano, em contraposição ao termo manual. Por
exemplo, um sistema de ar condicionado mantém regulada a temperatura
do recinto, apesar de mudanças climáticas ou alterações do número de
pessoas presentes na sala. Por outro lado, um ventilador simples requer
que o usuário ajuste a velocidade (baixa, média, baixa) através de uma
chave seletora. Com o advento de ferramentas de inteligência artificial
e desenvolvimento de sistemas sofisticados de decisão, tem-se hoje em
dia os sistemas autônomos que realizam tarefas complexas sem a interfe-
rência direta do operador humano. Um exemplo clássico é o de veı́culos
autônomos que dispõem de mecanismos de localização, planejamento de
rotas, desvio de obstáculos imprevistos e pedestres.
Genericamente, um problema de controle consiste de dois ingredientes prin-
cipais:
1. o sistema a ser controlado; e o
2. o comportamento desejado a ser obtido mediante as ações de controle.
Figura 1.2: Formulações qualitativa e quantitativa do problema de controle.
A figura 1.2 mostra como os requisitos de natureza qualitativa podem ser

transformados em especificações quantitativas no enfoque utilizado neste livro.
Exemplos de sistemas de controle:

• o ferro elétrico moderno é um sistema controlado e o comportamento
desejado é que a sua temperatura seja mantida próxima a um valor
ajustado a priori, mesmo quando se passam tecidos de diferentes tipos.
• o automóvel é um sistema controlado e o comportamento desejado é que

o veı́culo chegue ao destino programado transportando os passageiros de
modo seguro e eficiente.
• o coração artificial é um sistema fı́sico controlado e o comportamento de-

sejado é que o fluxo sanguı́neo seja ajustado de modo compatı́vel com as
necessidades do paciente e sem provocar efeitos colaterais como hemólise.
• o gerador de energia elétrica acionado por um motor diesel, comum

em alguns condomı́nios residenciais, é um sistema fı́sico controlado e
o comportamento desejado é que a eletricidade seja suprida com tensão
e frequência em uma faixa adequada, apesar da variação da demanda.
A importância de sistemas de controle é clara, tanto em sistemas naturais como

os construı́dos artificialmente. Um exemplo de controle automático natural é
a homeostasia, que é a capacidade dos organismos de manter em equilı́brio
as suas funções, mesmo quando ocorrem mudanças no meio (regulação da
frequência cardı́aca, da quantidade de glicose plasmática e fluxo urinário, en-
tre vários outros).
Exemplo de sistemas tecnológicos são variados e propiciam várias funções rele-
vantes à humanidade. Utilizando-se da teoria de controle automático, podem
ser concebidos equipamentos que evitam a necessidade de operadores humanos
em ambientes hostis, como aqueles em que há radiação ionizante, temperatu-
ras elevadas, gases tóxicos e animais agressivos, entre outros. Os sistemas de
controle automático podem substituir os humanos em tarefas árduas, como as
que envolvem forças musculares grandes que podem ocasionar lesões, exigem
ações repetitivas que podem levar à desatenção e acidentes, envolvem risco
como o combate a incêndios etc.
1.2 Um exemplo intuitivo de projeto

Nesta seção é desenvolvido um controlador simples para um veı́culo propulsi-
onado a uma hélice com velocidade de rotação ajustável, utilizando apenas o
bom senso e alguns conhecimentos elementares de cálculo.
A ideia é apresentar a sequência básica de etapas de um projeto simples de
um sistema de controle.
Considere um veı́culo propulsionado por hé-

lice, como visto na figura 1.3. O sistema fı́-
sico é o veı́culo e o comportamento desejado
será a regulação da velocidade em um va-
lor preestabelecido, apesar de incertezas tais
como rajadas de vento, irregularidades no
solo e outras perturbações.
Necessita-se, inicialmente, obter um modelo
matemático. As grandezas envolvidas no mo- Figura 1.3: Exemplo de sis-
delo são a massa m, a força F devido à rota- tema translacional linear: veı́-
ção da hélice com velocidade angular U e o culo propulsionado a hélice.
arrasto aerodinâmico D.
Por simplicidade, não será incluı́do o efeito do atrito mecânico nos eixos das
rodas.
Nesse exemplo, o modelo matemático é obtido utilizando-se a lei de Newton,
d2 X
F −D =m (1.1)
dt2
e, assumindo que as forças F e D podem ser aproximadas na condição de
operação pretendida por
F = αU 2 (1.2)
!2
dX
D = β (1.3)
dt
o modelo matemático que descreve o movimento do veı́culo é expresso por

!2
d2 X dX
m 2 = αU 2 − β (1.4)
dt dt
Equações diferenciais ordinárias lineares são, em geral, fáceis de serem resol-

vidas. Porém, como a equação diferencial 1.4 não é linear, propõe-se fazer
uma aproximação linear em torno do ponto de operação para simplificar os
cálculos.
Adote-se como o comportamento desejado a ser apresentado pelo veı́culo a
regulação da velocidade em valor constante de Vnom = dX
dt , através da mani-
pulação da rotação em torno de U = Unom da hélice.
Como a velocidade é, por definição, V = dX
dt , tem-se no ponto de operação
d2 X dVnom
Vnom que dt2 = dt = 0 e a equação 1.4 permite escrever
!2
dX 2
β = αUnom (1.5)
dt
ou
α
r
Vnom = Unom (1.6)
β
Adicionando-se um pequeno sinal u a Unom (ou seja, |u| ≪ |Unom | ), o carrinho
responde com uma alteração x(t) em relação a X(t) e, definindo v = dx dt , a
equação 1.4 pode ser reescrita como
d2
m (X + x) = α (Unom + u)2 − β (Vnom + v)2 (1.7)
dt2
Notando que u2 é um termo de segunda ordem, u2 ≪ Unom
2 + 2Unom u, e
pode-se escrever
(Unom + u)2 = Unom

2
+ 2Unom u + u2 (1.8)
2
≈ Unom + 2Unom u (1.9)
2
Analogamente, faz-se a aproximação (Vnom + v) ≈ Vnom + 2Vnom v.
Substituindo-se essas expressões em 1.7, tem-se que
d2
X d2 x 2 2

m 2 + m 2 =
αU
nom + 2αUnom u − nom − 2βVnom v
βV (1.10)
dt dt
em que os cancelamentos ocorrem em vista de 1.4.
Logo, o modelo linearizado do carrinho é
d2 x
m = −2βVnom v + 2αUnom u (1.11)
dt2
d2 x dv
Lembrando que dt2
= dt e adotando a notação agrupada
·
2β X nom
a = − (1.12)
m
2α (Unom )
b = (1.13)
m
obtém-se o modelo para a dinâmica da velocidade do veı́culo em função de
pequenas alterações na velocidade de rotação da hélice, dado por
dv
= av + bu (1.14)
dt
Para se manter a velocidade do veı́culo próximo ao valor nominal Vnom apesar

de perturbações tais como rajadas de vento e irregularidades na pista, deseja-
se projetar um controlador (regulador).
Para produzir uma ação u, sempre que v ̸= 0, uma proposta é adotar a estra-
tégia representada por
u = −K(Vnom − V ) (1.15)
= −Kv (1.16)
que corresponde a aumentar linearmente a rotação u da hélice quando a ve-

locidade está abaixo do valor nominal, ou seja, v < 0, e diminuir no caso
contrário.
O valor v do veı́culo pode ser medido com o auxı́lio de um tacômetro acoplado
a uma das rodas (supondo que não há derrapagem).
Substituindo a expressão 1.16 em 1.14, resulta que
dv
= av − Kv (1.17)
dt
= (a − K)v (1.18)
para a qual se sabe que a solução é (basta substituir em 1.18)
v(t) = e(a−K)t v(0) (1.19)
A figura 1.4 apresenta uma simulação em que v(0) é o erro Vnom − V no

instante t = 0 (quando o cronômetro foi disparado).
Para ilustrar a vantagem da utilização da realimentação, injetou-se no instante
t = 1.5 s uma perturbação (representando, por exemplo, passagem por um
desnı́vel do solo).
Simulando-se o sistema veı́culo + controlador utilizando o modelo não linear
original, constata-se que a velocidade Vnom é recuperada após a perturbação.
Tendo-se projetado o controlador, pode-se, ainda, fazer um estudo adicional
sobre o efeito do ganho K no desempenho do sistema.
Embora o erro tenda mais rapidamente a 0 quando o ganho K assume valores
maiores, conforme indicado pela expressão 1.19 é importante ressaltar que
o incremento na rotação da hélice u pode ser inconveniente, por exemplo,
em vista do aumento do consumo de combustı́vel ou de limitações como a
saturação do motor que aciona a hélice.
Um outro exemplo de um estudo suplementar poderia ser a análise do efeito
de fenômenos aleatórios, tais como aqueles devidos às irregularidades no solo
e turbulência do ar, fatores esses que afetam o conforto dos passageiros.
Figura 1.4: Exemplo de projeto de um controlador para regulação da veloci-

dade em que o efeito de uma perturbação é rejeitada.
Nota-se na 1.4 que, embora o carro responda à perturbação que foi aplicada,
este retorna ao valor de referência pela ação do controlador. Neste contexto,
diz-se que se tem um sistema automático de controle, ou seja, sem a intervenção
de um operador humano.
1.3 Público-alvo
Esta obra busca explorar os conceitos e os métodos utilizados em aplicações
práticas da teoria de controle, eventualmente expandindo o conteúdo visto em
cursos tradicionais da área.
Embora o domı́nio das noções básicas da teoria de controle facilite a leitura do
presente texto, tomou-se o cuidado para limitar os pre-requisitos para uma boa
compreensão do material a assuntos vistos, em geral, nos primeiros anos dos
cursos de Ciências Exatas, tais como Cálculo Diferencial e Integral, Equações
Diferenciais Ordinárias, Álgebra Linear e Cálculo em uma Variável Complexa.
Noções de programação de computador são também muito úteis.
O enfoque básico neste livro para abordar os problemas de controle é buscar
um tratamento inicial com modelos simplificados (tipicamente modelos linea-
res e invariantes no tempo) e complementar, posteriormente, com mecanismos

tais como escalonamento de ganhos, estruturas anti-windup, filtros condicio-
nador de sinais, compensadores, ferramentas de inteligência artificial etc.
Na apresentação de conceitos mais avançados, como controle adaptativo, con-
trole robusto, estabilidade de sistemas não lineares e outros, buscou-se utilizar
exemplos simples, porém com tratamento formal rigoroso, sempre que não
extrapole o escopo do livro. Por exemplo, sabe-se que a solução da equação
diferencial ordinária ẋ = Ax a partir de x(0) dado é x(t) = eAt x(0). Assim, é
fácil substituir essa expressão na equação diferencial e verificar que é, de fato,
uma solução. Porém, um procedimento construtivo que permite obter essa
solução de modo sistemático é deixado para o Apêndice.
Embora seja recomendado que os exercı́cios sejam resolvidos preferencialmente
à mão, podem ser usados recursos computacionais tais como MATLAB, Sci-
Lab e Python Control Systems Library para conferir as soluções. Além disso,
alguns exercı́cios possuem múltiplas soluções em função da escolha do método
utilizado e dos parâmetros adotados, principalmente quando se trata de proje-
tos. É interessante, nesses casos, fazer comparações entre os resultados obtidos
com diferentes métodos e buscar compreender os fenômenos envolvidos.
1.4 Exercı́cios
1.4.1 Exercı́cio
Cite 10 sistemas de controle que estão presentes no âmbito domiciliar (por
exemplo, controle de temperatura do forno elétrico, velocidade de rotação do
seu toca-discos, regulador de tensão do no-break, dimmer etc.)
1.4.2 Exercı́cio
Cite 10 sistemas de controle que estão presentes no âmbito social (por exem-
plo, pesca não predatória, plano de previdência social, dinâmica populacional,
controle de tráfego urbano, controle do câmbio etc.)
1.4.3 Exercı́cio
Escolha um sistema industrial com o qual está familiarizado e proponha que
variáveis seriam interessantes como entradas, como saı́das e quais são as po-
tenciais perturbações. Procure estabelecer alguns comportamentos que seriam
buscados desse sistema, mediante ações de controle.
2
Panorama histórico
Com o intuito de contextualizar a importância dos sistemas de controle, bem

como para proporcionar uma visão macroscópica de como ocorreu o seu de-
senvolvimento, apresenta-se aqui uma linha de tempo simplificada.
São destacados alguns dos eventos marcantes na história da ciência e da tec-
nologia, bem como as suas consequências.
Por exemplo, o advento da máquina a vapor de James Watt é um evento
marcante que promoveu uma série de avanços cientı́ficos, tecnológicos, sociais,
econômicos e culturais. Mesmo considerando apenas uma aplicação da má-
quina a vapor, mais especificamente o transporte ferroviário, as implicações
foram globais em termos de geopolı́tica, economia e adaptações culturais.
O desenvolvimento de sistemas de novas tecnologias, incluindo os sistemas de
controle, está fortemente ancorado na necessidade de buscar soluções para os
vários problemas da sociedade (demand pull ). Por outro lado, a curiosidade e
a busca de maior conhecimento da natureza também impulsionam as realiza-
ções cientı́fico-tecnológicas (science push). Em verdade, os dois movimentos
demand pull e science push interagem entre si e, por exemplo, a demanda por
um bom manejo do fornecimento de água à população levou ao desenvolvi-
mento de novos sistemas de bombeamento, purificação, distribuição, incluindo
sistemas de controle. Por outro lado, os trabalhos para o problema da água
levou à concepção de bombas mais eficientes, medidores de vazão mais preci-
sos, métodos de purificação mais baratos e muitas outras inovações utilizáveis
em uma variedade de aplicações.
Assim, de um lado os sistemas de controle foram fruto da necessidade de ob-
ter soluções especı́ficas de certos problemas. Por outro lado, os avanços nos
conhecimentos sobre sistemas de controle têm proporcionado a concepção de
novos produtos inovadores.
As principais fontes de informações contidas nesta seção são:
19
1. A coleção de livros editados por David C. Lindberg e Ronald L. Numbers,

Cambridge History of Science, 8 volumes, Cambridge University Press,
2013.
2. Coleções dos artigos seminais incluı́dos em (MAYR, 1970), (THALER,

1974) e (BASAR, 2001).
3. Os livros do Prof. Stuart Bennett. A história da Teoria de Controle

entre 1.800 e 1930 é apresentada em (BENNETT, 1979). A evolução
entre 1930 a 1955 é tratada em (BENNETT, 1993).
4. A obra editada por Luiz Antonio Aguirre, Enciclopédia de Automática:

Controle e Automação, 3 volumes, Editora Blücher, 2007, e também
William S. Levine, The Control Handbook, CRC Press Handbook/IEEE
Press, 1996.
5. Quanto às biografias, os dados foram obtidos através de buscas na In-

ternet.
Dispositivos antigos
Os dispositivos antigos eram construı́dos, em geral, de modo artı́stico e arte-
sanal, baseado na capacidade inventiva de quem os concebeu. Um exemplo
clássico é o Sistema Automático de Abertura de Portas atribuı́do ao matemá-
tico Heron de Alexandria (c.10-c.70 AD). Consistia de um vaso de pressão,
conectado ao altar da chama. Quando se acendia a chama, a variação de
pressão devido à queima movimentava água de um compartimento a outro, de
modo a obter uma tração mecânica para abrir o portão. Por curiosidade, em
1931, Horace H. Raymond e Sheldon S. Roby projetaram e obtiveram uma
patente de uma porta automática (Apparatus for Operating Doors, 23 out
1934, n. US1978093A). Essa porta foi instalada em um restaurante de West
Haven para facilitar os garçons no atendimento aos clientes. Hoje em dia, as
portas automáticas são largamente difundidas.
Observação: Atribui-se a Heron a invenção do aeolipile, que, em princı́pio,
poderia ser considerado como uma turbina a vapor ou máquina a vapor. A
invenção de máquinas a vapor constitui um importante marco na história da
teoria de controle, mas que se tornou efetivo no século XVIII. Esse detalhe
ilustra a dificuldade de se organizar uma linha de tempo.
Panorama histórico 21
Regulação de temperatura
O termostato bimetálico, utilizado ainda nos dias de
hoje, foi inventado em 1830 por Andrew Ure (1778-
1857). Consiste de duas lâminas de metal com co-
eficientes de dilatação diferentes coladas. Quando a
temperatura aumenta, a dilatação maior de uma das
lâminas faz o conjunto envergar e esse movimento
pode ser utilizado, por exemplo, para ligar ou des-
ligar o circuito de aquecimento. Em 1609, Cornelis
Jacobszoon Drebbel (1572-1633) concebeu uma in-
cubadora de ovos com termostato baseado na dila- Figura 2.1: Ex-
tação do mercúrio para regular a temperatura. A traı́do da wikipe-
estratégia de controle liga-desliga é encontrada em dia.org/wiki/Aeolipile.
um grande número de aplicações, sendo que termos-
tatos bimetálicos continuam ainda em uso, apesar de chaves mais modernas
baseadas em relés e componentes semicondutores.
Atualmente, o controle de temperatura está presente na estufa, no fogão, no
ar-condicionado, no ferro elétrico, na geladeira, no arrefecimento de moto-
res de carros, no cooler de microprocessadores e muitos outros dispositivos e
equipamentos.
Fontes de energia
Para se atuar sobre um sistema fı́sico para
que esse apresente o comportamento desejado,
necessita-se de fontes de energia. Antes do
advento de máquinas a vapor, a energia me-
cânica para bombeamento de água e moenda
de grãos, por exemplo, era obtida através de
cataventos e rodas d’água. Mecanismos enge-
nhosos como a hélice de Edmund Lee (1745)
permitiam que os cataventos ficassem alinha- Máquina a Vapor. Ex-
dos com a direção do vento. traı́do de www.deutsches-
museum.de/en/exhibitions/.
Thomas Newcomen (1664-1729) projetou, em
1712, a primeira máquina prática que quei-
mava combustı́vel para produzir movimento mecânico utilizado no aciona-
mento de bombas hidráulicas (cilindro-pistão), melhorando o projeto idea-
lizado por Thomas Savery (c.1650-1715). As bombas eram utilizadas para
drenagem de minas.
Denis Papin (1647-1713) inventou em 1681 um mecanismo de segurança para
regulação de pressão em máquinas a vapor.

James Brindley (1716- 1772) patenteou em 1758 um sistema de boia e válvula
para regular o nı́vel de água em caldeiras a vapor.
James Watt (1736-1819) inventa em 1769 uma máquina a vapor automatizada,
mais eficiente que a máquina de Newcomen, cujas válvulas eram controladas
manualmente. Além de utilização para bombeamento de água, inventou me-
canismos para obter movimentos rotativos de eixos. Em 1788 Watt completa
o desenvolvimento do mecanismo de regulação de velocidade de rotação de
máquinas a vapor utilizando esferas suspensas por haste e submetidas a força
centrı́fuga. O problema de hunting (oscilações na velocidade de rotação) levou
ao desenvolvimento da teoria de estabilidade de Maxwell.
A invenção de máquinas a vapor contribuiu significativamente para a Revolu-
ção Industrial (meados do século XVIII a meados do XIX), em um processo
que levou à substituição de artesão por máquinas, a produção doméstica por
estabelecimentos fabris e a lenha por cavão.
A Revolução Industrial impulsionou o desenvolvimento tecnológico e trans-
formou o estilo de vida da humanidade. Um exemplo notável no campo da
automação é o Tear de Jacquard, inventado em 1801 por Joseph Marie Jac-
quard (1752-1834). Um outro exemplo é o desenvolvimento de estradas de
ferro. A construção (1804) da primeira locomotiva empregando uma máquina
a vapor é atribuı́da a Richard Trevithick (1771-1833).
Medida do tempo
A medida do tempo é de grande importância no con-
trole do plantio e da colheita, na navegação marı́tima,
no monitoramento de processos quı́micos, no estudo da
evolução clı́nica de doenças, no controle de processos cu-
linários e muitas outras atividades.
Acredita-se que um dos primeiros relógios era solar base-
ado no movimento da sombra de algum obelisco ou uma
haste, ao longo do dia.
A medida de intervalos maiores de tempo era baseadas
em mapas estrelares. Por exemplo, no Brasil, vê-se a
constelação de Órion no verão e a de Escorpião no in-
verno. Os relógios de água (clepsydras) apareceram em
torno de 1.500 BC e relacionavam o tempo decorrido com
o nı́vel de água de um vaso em que se despejava água a Figura 2.2: Clepsi-
um fluxo constante. As ampulhetas forneciam uma me- dra.
dida do tempo baseado na passagem de areia de um compartimento a outro,
devido à ação da gravidade.

Gerbert de Aurillac (c.946-1003), Papa Sylvester II, é creditado como o inven-
tor do primeiro relógio totalmente mecânico em 996.
Em torno de 1500, Peter Henlein (1485-1542) construiu os primeiros relógios
pequenos e portáteis de bronze e usando mecanismos de mola. Em geral eram
relógios ornamentais usados pela alta sociedade e alguns eram pomandros
(porta perfumes, do francês, pomme d’ambre, maçã de âmbar).
Christiaan Huygens (1629-1695) constrói, em 1656, um relógio preciso baseado
no perı́odo de oscilação de um pêndulo.
O relojoeiro William Clement (1657-1709) melhorou significativamente o fun-
cionamento dos relógios introduzindo o mecanismo de escape (ou âncora de
escape).
Em 1927 o primeiro relógio baseado em oscilações do cristal de quartzo foi
construı́do por W.A. Marrison e J. W. Horton no Laboratório da Bell Te-
lephone (detalhes em Marrison, W.A. The Crystal Clock, Proc. Nat. Acad.
Sci. USA, v. 16, n. 7, 1930 pp. 496-507).
O primeiro relógio atômico, baseado em caesium-133, foi construı́do por Louis
Essen em 1955 no National Physical Laboratory (Reino Unido), alcançando
precisões da ordem de ±10−9 s/dia.
Avanços da Matemática
No enfoque quantitativo da Teoria de Controle, a Matemática desempenha um
papel primordial.
Aqui são mencionados apenas três exemplos de
ferramentas amplamente utilizadas nos projetos de
controladores para ilustrar a importância da mate-
mática:
• funções de transferência
• equação de Euler-Lagrange
• critérios para verificação de estabilidade

Figura 2.3: Governador
Como será visto à frente, um conceito muito
de Watt. Obtido de wi-
importante na Teoria de Controle é o de Função
kipedia.org.
de Transferência, formalizado por Thomas John
I’Anson Bromwich (1875-1929) a partir do cál-
culo operacional de Oliver Heaviside (1850-1925),
utilizando a transformada de Laplace (Bronwich,
T.J.I’A., Normal Coordinates in Dynamical Systems, Proc. London Math.

Soc, 1917).
A equação de Euler-Lagrange apresentada é uma poderosa ferramenta para
a modelagem de sistemas que se deve a Leonhard Paul Euler (1707-1783) e
Joseph Louis Lagrange (Giuseppe Lodovico Lagrangia, 1736-1813). A equação
de Euler-Lagrange permite a obtenção de equações diferenciais que descrevem
o comportamento fı́sico de sistemas com base no princı́pio da estacionaridade
da ação de William Rowan Hamilton (1805-1865).
A garantia de estabilidade é um dos principais desafios encontrados no projeto
de sistemas de controle.
Em 1840, o astrônomo Sir George Biddell Airy (1801-1892) desenvolveu um
mecanismo para apontar o seu telescópio para objeto celestes de modo a com-
pensar automaticamente a rotação da Terra. Foi constatado por Airy que um
projeto inadequado da lei de controle utilizado para apontar o telescópio re-
sultava em oscilações sustentadas. Ao estudar esse fenômeno, Airy se tornou
um dos primeiros cientistas a discutir o fenômeno de oscilações.
Em 1868, James Clerk Maxwell (1831-1879) apresentou um artigo com uma
análise matemática rigorosa da estabilidade de um sistema de controle re-
alimentado, utilizado para manter regulada a velocidade de rotação de uma
máquina a vapor, usando esferas que se deslocavam com a força centrı́fuga. Tal
mecanismo foi chamado, na época, de governors (Maxwell, J.C. On Governors,
Proceedings of the Royal Society of London, 1867-1868, v.16, pp. 270-283.
Em 1876, Ivan Alekseyevich Vyshnegradskii (1832-1895) também logrou obter,
independentemente de Maxwell, um critério de estabilidade para governadores
utilizados em máquinas a vapor (Vishnegradskii, I.A. On controllers of direct
action (em russo). IIzvestiya St. Petersburg Technological Inst., v. 1, 1877 pp.
21-62.
Em 12 de setembro de 1892, Aleksandr Mikhailovich Lyapunov (1857-1918)
defendeu a sua tese de doutorado The general problem of the stability of mo-
tion junto à Universidade de Kharkov e publicado inicialmente pela Kharkov
Mathematical Society. A tese foi traduzida para o francês, Davaux, E. Pro-
blème général de la stabilité du mouvement (Annales de la Faculté des Sciences
de Toulouse, v.2, n.9, 1907, pp. 203-474 e para o inglês (a partir do texto em
francês), Fuller, A.T. The general problem of the stability of motion. Int. J.
Control, v. 55, n.3, 1992, pp. 531-773.
Eletricidade
Ányos István Jedlik (1800-1895) é considerado o inventor de motores DC e em
1827, construiu o que ele chamou de auto-rotor eletromagnético. Um motor
realmente operacional foi construı́do por Moritz Hermann (ou Boris Semyo-
novich von Jacobi, 1801-1874) em 1834. O hoje em dia onipresente motor
de indução com gaiola de esquilo foi inventado por Mikhail Osipovich Dolivo-
Dobrovolsky (1861-1919) em 1889.
Thomas Alva Edison (1847-1931) era um inventor e empresário. Entre as

suas contribuições estão o sistema de energia elétrica, fonógrafo, lâmpada elé-
trica, filmadora (Kinetograph), bateria etc. Charles Proteus Steinmetz ([Karl
August Rudolph Steinmetz, 1865-1923) era um matemático e engenheiro ele-
tricista que fomentou o uso de AC que permitiu a expansão da indústria de
energia elétrica nos EUA.
Antes do advento da energia elétrica, a transmissão de energia era um grande

problema. No inı́cio da revolução industrial utilizavam-se polias e correias
para a distribuição de energia.
Em 1938, Otto Hahn (1879-1968) e Fritz Straß-

mann (1902-1980) descobriram o fenômeno da fissão
nuclear. Logo depois, em 1942, a equipe liderada
por Enrico Fermi construiu, em Chicago, o reator
nuclear Chicago Pile-1. Iniciava-se então a era nu-
clear, com grandes potenciais de geração de energia
elétrica, além de produção de radioisótopos para tra-
tamento médico, artefatos bélicos e propulsão de na- Figura 2.4: Jedlik’s
vios, entre outras aplicações. Porém, acidentes como “electromagnetic self-
os de Three Mile Island, Chernobil e Fukushima têm rotor”, 1828, Museu
sensibilizado a população em termos de segurança. de Artes Aplicadas,
Budapeste.
A menos do problema de descarte do combustı́vel ra-
dioativo exaurido, usinas nucleares são consideradas
limpas em termos de emissão de gases que provocam o efeito estufa. Outras
modalidades de geração de energia elétrica limpa são a hidroelétrica, fotovol-
taica e eólica.
Observação: Embora a transmissão de energia elétrica seja hegemônica, par-

ticularmente quando se envolvem distâncias longas, é interessante notar que
o calor de vaporização da água é 2.27 MJ/kg. Sem contar o calor devido ao
superaquecimento do vapor, um fluxo de 1kg/s transporta 2.27 MJ/s, corres-
pondendo à potência de 2.270.000 W, razão pela qual ainda se utilizam muitas
caldeiras. Por exemplo, uma caldeira de 15 ton/h = 15.000/; kg/3.600s ≈
4.2 kg/s.
Motor de combustão interna

O primeiro motor de combustão interna que atingiu sucesso comercial foi
aquele desenvolvido por Jean Joseph Étienne Lenoir (1822-1900) em 1858,
embora já existissem outros projetos, como o de François Isaac de Rivaz (1752-
1828), baseado em hidrogênio. O primeiro motor de quatro tempos e utilizando
combustı́vel lı́quido foi desenvolvido por Nikolaus August Otto (1832-1891) em
1876.
O ferro, o carvão e a energia a vapor são icôni-
cos da primeira revolução industrial, do século
XVIII a meados de XIX. A segunda revolução
industrial, de meados do século XIX a meados
do século XX, pode ser caracterizada pela in-
tensa utilização do aço, da eletricidade e do pe-
tróleo (caldeiras e motores) em um sem número
de novas aplicações e produtos, incluindo o trans-
porte em massa e desenvolvimento de aeroplanos.
O processo desenvolvido em 1856 por Sir

Henry Bessemer FRS (1813-1898) para reduzir
o teor de carbono de ferro gusa fundido ha-
via tornado eficaz a produção barata de aço.
Figura 2.5: Arnott’s fac-
tory at North Strathfi-
São caracterı́sticas da época a produção em
eld, Sydney, in the 1920s
massa, estabelecimento de padrões, dissemina-
MAAS Collection, Photo:
ção do conceito de peças de reposição e métodos
Milton Kent.
de linha de produção, introduzido em 1913 por
Henry Ford (1863-1947) para a produção do au-
tomóvel Model T.
Aplicações navais
Os desafios trazidos pela indústria naval contribuı́ram significativamente para
o desenvolvimento da Teoria de Controle. Cornelis Jacobszoon Drebbel (1572-
1633) já havia projetado, em torno de 1620, o que é considerado o primeiro
submarino do mundo.
Jean Joseph Léon Farcot (1824-1908) é considerado um dos pioneiros no pro-
jeto de servomecanismos, tendo desenvolvido mecanismos para movimentar
lemes de navio de várias toneladas a partir do comando do timoneiro. (Far-
cot, J.J.L. Le servo-moteur ou Moteur Asservi, J. Baudry, 1873).
Em 1866 Robert Whitehead inventou o primeiro torpedo autopropulsionado

utilizando ar comprimido e iniciou a primeira fábrica desse tipo de artefato.
Em 1890 os torpedos foram dotados de giroscópio para melhorar o seu con-
trole direcional. Em 1877, Louis Brennan patenteou um sistema para regular
a profundidade de navegação do torpedo em 12 pés.
Nikolai (Nicolas) Fyodorovich Minorsky (1885-1970) introduziu o controlador
de 3 termos para posicionar lemes de navios, sendo considerado o inventor do
controle PID (Proporcional, Integral e Derivativo). Minorsky, N. Directional
stability of automatically steered bodies. Journal of the American Society of
Naval Engineers, v.42, n.2, 1922, pp. 280-309.
O termo servomecanismo foi popularizado por Harold Locke Hazen (1901-
1980) através da publicação: Hazen, H. L. Theory of servomechanisms. J.
Franklin Institute, v. 218, 1934, pp.209-331. Notar, porém, que em 1873 Jean
Joseph Léon Farcot (1824-1908) havia publicado o livro Le Servo-Moteur. Far-
cot era engenheiro e empresário e concebeu servomecanismos para movimentar
pesados lemes de navios. (Farcot, J. Le servo-moteur: ou, moteur-asservi, ses
principes constitutifs - variantes diverses application à la manoeuvre des gou-
vernails. J. Baudry, 1873. Reimpressão Forgotten Books, 2018).
Aeronáutica
Em 8 de agosto de 1709, o balão de ar quente construı́do por Bartolomeu de
Gusmão, alçou na corte de Dom João V de Portugal, em Lisboa.
Em 24 de setembro de 1852, Baptiste Jules Henri Jacques Giffard (1825-1882)
voou 27 km entre Paris e Elancourt no seu dirigı́vel propelido por uma máquina
a vapor.
Júlio César Ribeiro de Souza
(1843-1887) concebeu o dirigı́vel Le
Victoria (homenagem à esposa, Vic-
toria Hippolita do Valle), que pos-
suı́a um formato dissimétrico favorá-
vel para avançar contra o vento.
Em 1890, Clément Ader (1841-
1925), construiu Eole, um averoplano
equipado com um motor a vapor.
Ader conseguiu decolar, mas não
conseguiu controlar a Eole.
Alberto Santos Dumont (1873-1932), Figura 2.6: Voo do Santos Dumont
no seu dirigı́vel No. 5, ganhou o prê- no seu 14-bis. Extraı́do de wikipe-
mio Deutsch de la Meurthe do Aero dia.org/wiki /Voo do 14 bis.jpg.
Clube da França por ter voado de

Saint-Cloud ao Torre Eiffel Tower e retornado em 30 minutos.
Em 17 de dezembro de 1903, os irmãos Orville (1871-1948) e Wilbur (1867-
1912) conseguiram voar, de modo controlado, por 6 km em uma área de Kitty
Hawk, North Carolina, após ser lançado por uma catapulta. O Wright Flyer
possuı́a um mecanismo de controle em 3 eixos.
Em 23 de outubro de 1906, Alberto Santos-Dumont (1873-1932) decolou e
pousou com sucesso o seu aeroplano 14-bis, voando por 60m a uma altura de
5m no Château de Bagatelle, Bois de Boulogne, Paris, ganhando o prêmio
Deutsch-Archdeacon.
A estabilidade é um tema de extrema relevância em aeronáutica e, em 1911,
George Hartley Bryan (1864-1928) publicou um livro abrangendo esse tema
(Bryan, G.H. Stability in Aviation: an Introduction to Dynamical Stability as
Applied to the Motions of Aroplanes. Macmillan, London, 1911.
Entre 1952 e 1956, Heinrich Focke (1890-1979) foi contratado pelo Centro
Técnico Aeroespacial (CTA), onde desenvolveu, em 1951, o aeroplano de de-
colagem vertical chamado de Convertiplano e, em 1956, o Helicóptero BF-1
batizado de Beija-Flor.
A Turbina a Jato foi inventada por Sir Frank Whittle (1907-1996) e por Hans
J. P. von Ohain (1911-1998). O primeiro aeroplano a jato foi o He 178, que
voou em 1939 com uma turbina von Ohain produzindo 4.9 kN de empuxo.
O Laboratório de Radiação (Radiation Laboratory) foi construı́do no cam-
pus do Massachusetts Institute of Technology (MIT), em 1940, para resolver
problemas de processamento de sinais e controle relacionado com o o posicio-
namento de canhões e processamento de dados de Radar.
Um grande número de resultados importantes relacionados com métodos no
domı́nio da frequência foi desenvolvido nesse laboratório, como descrito em
James, Nichols, and Phillips. Theory of Servomechanisms, 1947.
Enquanto trabalhava no projeto cooperativo MIT/Corporação Sperry, em
1941, Albert C. Hall (1914-1992) percebeu a importância dos efeitos deletérios
do ruı́do em sistemas de controle e de processamento de sinais. Utilizando
técnicas no domı́nio da frequência, Hall projetou um efetivo sistema de radar.
Em 1911, Elmer Ambrose Sperry (1860-1930), fundou a Sperry Gyroscope

Company. Ainda durante a Primeira Guerra Mundial, a Sperry Gyroscope
Company desenvolveu o primeiro sistema de controle de navios, denominado
de Metal Mike. Os esforços militares impulsionaram significativos desenvolvi-
mento em uma mirı́ade de áreas estratégicas, incluindo a Teoria de Controle.
Foguetes e satélites
Em 1960, Charles Stark “Doc” Draper (2 de outubro de 1901-25 de julho
de 1987) inventou o sistema de navegação inercial utilizando giroscópios e
acelerômetros, muito utilizados ainda hoje em navegação, apesar do advento
de dispositivos como giro-LASER, GPS e outras invenções modernas. Em
1953, Draper e sua equipe puderam testar o sistema de navegação inercial
Space Inertial Reference Equiment (SPIRE) em um bombardeiro B-29.
Assume-se que o foguete foi inventado por volta de
1000 DC, na forma de flechas propulsionados por pól-
vora. Em torno de 1405 DC, Konrad Kyeser (1366-?)
escreveu o livro Bellifortis, sobre a tecnologia mili-
tar, e incluiu descrições de foguetes.
Várias variantes de foguetes e pirotécnicos foram
descritas em Artis Magnae Artilleriae pars prima
(Grande arte de artilharia, parte I), de Kazimierz
Siemienowicz (c. 1600-c. 1651), impresso em Ams-
terdam em 1650.
Em 16 de março de 1926 foi lançado o primeiro fo-
guete de combustı́vel lı́quido projetado por Robert Figura 2.7: Satélite
Hutchings Goddard (1882-1945). In 1943, iniciou-se Sputnik 1, obtido de
a produção do famoso foguete V-2 (Vergeltungswaffe wikipedia.org/wiki.
2 ou arma de vingança 2) pela equipe coordenada
por Wernher Magnus Maximilian Freiherr von Braun
(1912-1977), que permitia atingir alvos a 300 km carregando 1.000 kg de ex-
plosivos.
O primeiro satélite artificial, o Sputnik 1, foi lançado do cosmódromo de Bai-
konur no Cazaquistão, pela União Soviética, em 4 de outubro de 1957. Era
uma esfera de 58 cm de diâmetro e 83.6 kg de massa.
Em 12 de abril de 1961 foi lançado o Vostok I, levando o cosmonauta Yuri
Alekseyevich Gagarin (1934-1968) para um voo orbital de 48 min ao redor da
Terra.
No Natal de 1968, Frank Frederick Borman II (1928-), James Arthur Lovell
Jr. (1928-) e William Alison Anders (1933-) circum-navegaram a Lua a bordo
do Apollo 8. Em 20 de julho de 1969, Neil Alden Armstrong (1930-2012) pisou
no solo lunar, durante a missão do Apollo 11, cunhando a famosa frase: “Um
pequeno passo para um homem, um salto gigantesco para a humanidade”.
O primeiro astronauta brasileiro é Marcos Cesar Pontes (1963-), que partiu
para a Estação Espacial Internacional (ISS) em 30 de março de 2006, a bordo
da nave russa Soyuz TMA-8, e retornou no dia 8 de abril, a bordo da nave
Soyuz TMA-7.
Eletrônica
Os engenheiros que trabalham hoje em dia com Sistemas de Controle estão
familiarizados com notações tais como 1 mH, 5 Ω, 2 A, 5 V, 3 C, 10 µF, 100
Hz, 3 G, 7 Oe e 9 Wb, relacionados com alguns dos precursores de eletricidade
e magnetismo (Henry, Ohm, Ampère, Volta, Coulomb, Faraday, Hertz, Gauss,
Oersted e Weber, respectivamente).
Em 1799, Alessandro Giuseppe Antonio Anastasio Volta (1745-1827) demons-
tra a sua bateria (pilha de discos intercalados de zinco, cobre e água salgada).
Hoje em dia baterias empregando outros compostos são usadas em pilhas mais
compactas e eficientes.
Em 1845, Gustav Robert Kirchhoff (1824-1887) for-
mulou as conhecidas leis que levam o seu nome quando
ainda era estudante na Universidade de Königsberg.
Em 1906, Lee de Forest (26 de agosto de 1873-30 de
junho de 1961) concebe “Audion”, que é uma válvula
termoiônica tipo triodo. Com o advento da válvula
termoiônica a eletrônica tem uma rápida expansão em
termos de novos produtos, incluindo equipamentos de
áudio e de rádio.
No campo de receptores de rádio, em 1914, Edwin
Howard Armstrong (1890[2]-1954) solicitou uma pa-
tente sobre circuitos regenerativos (ou seja, com reali-
mentação negativa), concedida em 1906 (Wireless Re- Figura 2.8: Válvula
ceiving System, n. US 1113149A). Em 1931, Armstrong Termoiônica Audion,
obteve a patente do sistema receptor superheterodino, obtido de wikipe-
Radio Signaling System, n. US 1941066A. Em 1933, dia.org/wiki/Audion.
recebeu também a patente do FM de banda larga.
Telecomunicações
A era dos semicondutores inicia-se em 1947 com os trabalhos de William Brad-
ford Shockley (1910-1989), John Bardeen (1908-1991) e Walter Houser Brat-
tain (1902-1987), que desenvolveram o primeiro transistor efetivo nas depen-
dência dos laboratórios Bell. Julius Edgar Lilienfeld (1882-1963) depositou
uma solicitação de patente de um transistor de efeito de campo (FET) em
1925, no Canadá, mas um dispositivo operacional ainda não havia sido apre-
sentado.
Em 1971, a Intel introduziu o primeiro microprocessador comercial, 4004 de
4 bits, desenvolvido por Federico Faggin (1941-), Marcian Edward “Ted” Hoff
Jr. (1937-), Stanley Mazor (1941-) e Masatoshi Shima (1943-).
A transmissão, recepção, armazenamento, recuperação, processamento e pro-
teção de informações é muito relevante no projeto de controladores. Um exem-
plo óbvio é o controle remoto, mas, mesmo para um sistema simples de con-
trole, o sensor deve “comunicar” com o módulo de controle de modo a ter
pouca distorção, sofrer pouca interferência de ruı́dos, ter velocidade adequada
de transmissão etc.
Em 1876, Alexander Graham Bell (1847-1922) obteve a patente do telefone.
Porém, em 11 de junho de 2002, o Congresso dos Estados Unidos, através da
resolução N°. 269, reconheceu Antonio Santi Giuseppe Meucci (1808-1889)
como o verdadeiro inventor, uma vez que Meucci havia vendido o protótipo
a Bell por volta de 1870. Em 1875, registrou a patente de um telégrafo.
Em 1837, Sir William Fothergill Cooke (1806-1879) e
Charles Wheatstone (1802-1875) obtiveram uma pa-
tente conjunta, após uma acirrada disputa sobre a pri-
mazia da invenção do telégrafo de 5 agulhas. As agu-
lhas eram movidas eletromagneticamente. A letra se-
lecionada era a que ficava na intersecção da direção
apontada por 2 das agulhas (as demais agulhas perma-
neciam em uma posição neutra).
In 1835, Samuel Finley Breese Morse (1791-1872), con-
cebeu um método de representar letras e números atra-
vés de pontos e traços (código Morse: ·− = a, −· · · =
b, − · −· = c, etc). Utilizando esse método, Morse ob-
teve uma patente de telégrafo eletromagnético em 1873. Figura 2.9: Transis-
Em comunicações telefônicas a longas distâncias, existe tor. Obtido de com-
a necessidade de amplificação do sinal de voz, mas que puterhistory.com.
também amplifica o ruı́do. Para resolver esse problema
em amplificadores repetidores, Harold Stephen Black
(1898-1983) mostrou a efetividade da realimentação negativa em 1927. A rea-
limentação negativa é um conceito de fundamental importância na Teoria de
Controle.
Em 14 de agosto de 1894, Oliver Joseph Lodge (1851-1940) transmitiu sinais
de rádio em um encontro da Associação Britânica para o Avanço da Ciência
na Universidade de Oxford e obteve a patente US 609.154 de 1898, Electric
Telegraphy.
Em 1896, Guglielmo Giovanni Maria Marconi, Marquis of Marconi (1874-1937)
requereu a patente britânica No. 12,039, concedida em 1897, Improvements
in Transmitting Electrical Impulses and Signals, and in Apparatus therefor.
Computador digital
Em 1854, George Boole (1815-1864) desenvolveu a Teoria da Álgebra de Boole

(Boole, G. An Investigation of the Laws of Thought. Walton e Maberly, 1854)
e em 1822, Charles Babbage (1791-1871) apresentou um modelo funcional do
Difference Engine, que era uma máquina mecânica para produção automática
de tabelas matemáticas. Em 1837, Babbage descreveu, mas não construiu, o
Analytical Engine, um sucessor para o Difference Engine que possuı́a unidade
lógico-aritmética, controle de fluxo de execução e memória.
Em 1936, Turing concebeu uma máquina digital abstrata que utilizava instru-
ções armazenadas na memória para sequenciar as suas operações.
Em 1941, Konrad Zuse (1910-1995) logrou construir um computador digital
controlado por programa, chamado Z3.
Em 21 de junho de 1949, foi utilizado com
sucesso o computador de programa arma-
zenado Small-Scale Experimental Machine
(SSEM), construı́do pela Universidade de
Manchester e apelidado de “Baby”.
Em 1944, John William Mauchly (1907-
1980) e John Adam Presper Eckert Jr (1919-
1995) propuseram a construção do Electronic
Discrete Variable Automatic Computer (ED-
VAC), utilizando a arquitetura de John von Figura 2.10: Computador
Neumann (Margittai Neumann János Lajos, digital Zezinho, obtido de
1903-1957). Foi entreque em 1949 ao Ballis- http://www.aeitaonline.com.br.
tic Research Laboratory. Era um computa-
dor eletrônico de uso geral utilizando o con-
ceito de programa armazenado. O EDVAC utilizava aproximadamente 6.000
tubos de vácuo e 12.000 diodos, consumia 56 kW de potência, ocupava 45.5 m2
de área e pesava 7.850 kg.
Em 1960, no IME, é apresentado um computador hı́brido desenvolvido como
o trabalho final do curso de engenharia eletrônica, construı́do por José A.
M. Mendonça, Jorge M. Barreto, Herbert B. Fiuza, Edison Dytz, Mário M.
Alencastro e Walter M. Lace, sob a orientação dos professores Antônio M.
M. Chaves, Antônio J. D. Amarante, Danilo Marcondes, Rubens T. Carrilho,
Werther A. Vervloet e Dr. Helmut T. Schreyer.
Em 1961, no ITA, é apresentado o Zezinho, um computador digital desen-
volvido como o trabalho final do curso de engenharia eletrônica, construı́do
pelos formandos Alfred Volkmer, András G. Vásárhelyi, Fernando V. Souza e
José E. Ripper Filho, orientado pelos professores Tien Wei Chu e Richard R.
Wallauschek.
No dia 29 de outubro de 1969, ARPAnet enviou a primeira mensagem de um
computador na UCLA para um outro em Stanford. A tecnologia de rede de
computadores evoluiu rapidamente e, em 1970, Robert Elliot Kahn (1938-) e
Vinton Gray Cerf (1943-) propuseram o Transmission Control Protocol and
Internet Protocol, or TCP/IP. Em 1 de janeiro de 1983, a ARPANET adotou
a TCP/IP e a rede de redes evoluiu para a Internet.
A terceira revolução industrial, de meados do século XX a inı́cio do século
XXI, é um efeito conjunto de vários fatores, incluindo a disseminação de equi-
pamentos eletrônicos, avanços na tecnologia de semicondutores, a energia nu-
clear, a disseminação do computador digital e efeitos decorrentes disso, como
a robótica, Internet, além da descoberta de novos fenômenos fı́sicos, como a
supercondutividade e light amplification by stimulated emission of radiation
(LASER), que impulsionaram o desenvolvimento de novos processos e produ-
tos. Trata-se de uma época muito criativa, com inovações na indústria far-
macêutica, imagiologia médica, explorações espaciais, mecanização agrı́cola,
automação bancária, controle de tráfego e de cargas, armamentos inteligentes
etc.
Indústria 4.0
A indústria 4.0 é a quarta revolução industrial, resultado da amalgamação de
várias tecnologias avançadas, tais como a inteligência artificial, aprendizado
de máquina, a computação em nuvem, big data, internet das coisas, robótica
autônoma, realidade virtual, realidade aumentada, manufatura aditiva, proto-
tipação rápida, energia limpa, sustentabilidade etc.
2.1 IFAC
O primeiro evento na área de Controle Automático foi realizado na Univer-
sidade de Heidelberg entre os dias 25 e 29 de setembro de 1956 sob o tı́tulo
Regelungstechnik – Moderne Theorien und ihre Verwendbarkeit. Neste evento
os participantes assinaram um acordo para a criação de uma organização in-
ternacional e foi estruturado um Comitê Provisório sob a presidência de Victor
Broida, responsável por fundar a International Federation of Automatic Con-
trol (IFAC).
Em 12 de setembro de 1957 foi realizada a Primeira Assembleia Geral, em
Paris, no Conservatoire National des Arts et Métiers, com a participação de
delegados de 18 paı́ses. A Primeira Assembleia Geral convocou a reunião
constituinte em Paris. Nessa assembleia foram votados os Estatutos e eleito o
primeiro presidente, Harold Chestnut.

O primeiro Congresso Mundial da IFAC ocorreu em Moscou entre os dias 27
de junho e 7 de julho de 1960.
A Sociedade Brasileira de Automática (SBA) foi fundada em 1975 e é uma
National Member Organization (NMO) da IFAC no Brasil.
2.2 Livros-textos pioneiros

O Prof. Dr. Luis Antonio Aguirre (AGUIRRE, 2015a) oferece uma análise
aprofundada e contextualizada dos livros pioneiros da área de sistemas de
controle.
Alguns livros publicados antes de 1950 são:
• Tolle, M. Die Regelung der Kraftmaschinen, Springer Verlag, Berlin,

1909.
• Oldenbourg, R. C. and Sartorius, H. The dynamics of automatic controls.

The American Society of Mechanical Engineers, 1948.
• Smith, E. S. Automatic control engineering. New York: McGraw Hill,

1944.
• Bode, H. W. Network analysis and feedback amplifier design. D. Van

Nostrand Company, 1945.
• Hall, A. C. The Analysis and synthesis of linear servomechanisms. The

MIT Press, 1943.
• James, H. M., Nichols, N. B., Phillips, R. S. Theory of servomechanisms.

McGraw Hill, 1947.
• Eckman, D. P. Principles of industrial process control. John Wiley and

Sons, 1945.
• Lauer, H., Lesnick, R., Matson, L. Servomechanism fundamentals. Mc-

Graw Hill, 1947.
• Leonhard, A. Die selbsttätige regelung. Springer Verlag, 1940.
• MacColl, L. A. Fundamental theory of servomechanisms. D. Van Nos-

trand, 1945.
2.3 Controle no Brasil

O ensino de Controle Automático no Brasil iniciou-se, possivelmente, em 1953,
no Instituto Tecnológico de Aeronáutica (ITA), quando foi oferecida a disci-
plina Controle Automático, ministrada pelo professor americano Edward Wil-
son Kimbark, que foi o primeiro Chefe da Divisão de Engenharia Eletrônica.
Em 1957, o professor Luiz Valente Boffi organizou o primeiro grupo para edu-
cação e pesquisa em Controle Automático do Brasil, no Departamento de
Engenharia Eletrônica do ITA.
Posteriormente, na Escola Politécnica da USP, os primeiros cursos de controle
automático foram lecionados em 1970, pelos professores Plı́nio Benedito de
Lauro Castrucci e Luı́s Augusto Góes Calmon de Barros Barreto.
Também em 1970, foi lecionado o primeiro curso de controle automático na
Unicamp, pelo professor Manoel Sobral, que foi o primeiro diretor da então
Faculdade de Engenharia de Campinas, da Unicamp, e foi também o primeiro
a criar um Departamento de Automação em uma universidade brasileira.
Na Universidade do Brasil, em 1963, hoje Universidade Federal do Rio de Ja-
neiro (UFRJ), foi criada a Coordenação dos Programas de Pós-Graduação em
Engenharia (COPPE).
Alguns livros de autores do Brasil Embora não se analise detalhadamente como
apresentado em (AGUIRRE, 2015a), acredita-se que a lista cronológica dos li-
vros escritos por autores brasileiros, apesar de várias omissões, possa prover
um retrato de como se desenvolveu o ensino de Sistemas, Controle e Automa-
ção.
No âmbito do tema Sistemas Dinâmicos, o excelente texto de autoria de autoria
de Jacob Palis Jr. e Welington de Melo, editado pelo Instituto de Matemática
Pura e Aplicada (IMPA), proporciona uma base sólida, incluindo os célebres
resultados de Maurı́cio Matos Peixoto e Stephen Smale, entre outros.
• Boffi, L. V. e Coutinho, J. A. M. Elementos de Análise de Sistemas

Lineares. ETEGIL, 1966.
• Castrucci, P. B. L. Controle automático: teoria e projeto. Edgar Blücher,

1969.
• Sighieri, L. e Nishinari, A. Controle automático de processo industriais

- Instrumentação. Edgar Blücher, 1973.
• Castrucci, P. B. L. e Batista, L. Controle linear método básico. Edgar

Blücher, 1980.
• Bottura, C. P. Princı́pios de controle e servomecanismos. Guanabara

Dois, 1982.
• Bottura, C. P. Análise linear de sistemas. Guanabara Dois, 1982.
• Castrucci, P. B. L. e Sales, R. M. Controle digital. Edgar Blücher, 1990.
• Castrucci, P. B. L. e Curti, R. Sistemas não lineares. Edgar Blücher,

1991
• Barczak, C. L. Controle digital de sistemas dinâmicos projeto e análise.

Edgar Blücher, 1995.
• Hemerly, E. M. Controle por computador de sistemas dinâmicos. Edgar

Blücher,1996.
• Cruz, J. J. Controle robusto multivariável. Edusp, 1996.
• Miyagi, P. E. Controle programável. Edgar Blücher, 1996.
• Nascimento Jr, C. L. e Yoneyama, T. Inteligência artificial em controle

e automação. Edgar Blücher, 2000.
• Aguirre, L.A. Introdução à Identificação de Sistemas: Técnicas Lineares

e não Lineares Aplicadas a Sistemas. Teoria e Aplicação. Editora da
UFMG, 2000.
• Faleiros, A. C. e Yoneyama, T. Teoria matemática de sistemas. Arte e

Ciência, 2002.
• Kienitz, K. H. Análise de circuitos – um enfoque de sistemas. Manole,

2002.
• Coelho, A. A. R. e Coelho, L. S. Identificação de sistemas dinâmicos

lineares. Editora da UFSC, 2004.
• Geromel, J. C. e Palhares, A. G. B. Análise linear de sistemas dinâmicos.

• Alves, J. L. L. Instrumentação, controle e automação de processos. LTC,

2005.
• Bazanella, A. S. e Silva Jr., J. M. G. -Sistemas de controle: princı́pios e

métodos de projeto. Editora da UFRGS, 2005.
• Campos, M. C. M. e Teixeira, H. C. G. - Controles tı́picos de equipamen-

tos e processos industriais. Edgar Blücher, 2006.
• Aguirre, L. A. (ed.). Enciclopédia de automática, coleção de 3 volumes.

Edgar Blücher, 2007, publicado com os apoios da SBA e FAPESP.
• Geromel, J. C. e Korogui, R. H. Controle linear de sistemas dinâmicos.

• Baumaister, J. e Leitão, A. C. G. Introdução à teoria de controle e pro-

gramação dinâmica. IMPA, 2014.
• Palis Jr., J. e Melo, W.C. Introdução aos sistemas dinâmicos. IMPA,

1978.
• Bonatti, I. S., Lopes, A. e Peres, P. L. D. Linearidade em sinais e siste-

mas. Edgar Blücher, 2015.
• Rios Neto, A. Controle ótimo de sistemas dinâmicos. Clube dos Autores,

2017.
• Garcia, C. Controle de processos industriais - Vol. 1: Estratégias Con-

vencionais. Edgar Blücher, 2017 e Controle de processos industriais -
Vol. 2: Estratégias modernas. Edgar Blücher, 2019.
• Coelho, A. A. R., Jeronymo, D. C. e Araújo, R.J. Sistemas dinâmicos:

controle clássico e preditivo discreto. Editora da UFSC, 2019.
• Geromel, J. C. e Deaecto, G. S. Análise linear de sinais. Edgar Blücher,

2019.
• Aguirre, L. A. Sistemas realimentados: uma abordagem histórica. Edgar

Blücher, 2020.
2.4 Medalhistas IEEE

Ao longo deste livro serão mencionados vários cientistas destacados que con-
tribuı́ram para a “arte e ciência” de controle e que foram agraciados com
a medalha IEEE Control Systems Science and Engineering Award, chamado
após 1991 de IEEE Control Systems Award.
1982: H. H. Rosenbrock 1987: Walter M. Wo- 1991: R. W. Brockett

1983: No award nham 1992: Harold J. Kushner
1984: A. E. Bryson, Jr. 1988: Dante C. Youla 1993: Moshe M. Zakai
1985: George Zames 1989: Yu-Chi Ho 1994: Elmer G. Gilbert
1986: Charles A. Desoer 1990: Karl J. Åström 1995: P. V. Kokotovic
1996: V. A. Yakubovich 2005: Manfred Morari 2014: Tamer Başar

1997: B. D. O. Anderson 2006: P. R. Kumar 2015: Bruce Francis
1998: Jan C. Willems 2007: Lennart Ljung 2016: Arthur J. Krener
1999: A. Stephen Morse 2008: M. Vidyasagar 2017: R. M. Murray
2000: Sanjoy K. Mitter 2009: David Q. Mayne 2018: John N. Tsitsiklis
2001: Keith Glover 2010: G. C. Goodwin 2019: P. Khargonekar
2002: Pravin Varaiya 2011: E. D. Sontag 2020: Anders Lindquist
2003: N. N. Krasovski 2012: Alberto Isidori 2021: Hidenori Kimura
2004: John C. Doyle 2013: Stephen P. Boyd 2022: Dimitri Bertsekas
2.5 Exercı́cios
2.5.1 Exercı́cio
Este capı́tulo apresentou alguns dos marcos relevantes no desenvolvimento de
sistemas de controle. Comente sobre os possı́veis impactos de sistemas de
controle nos seguintes campos
1. Novas fontes de energia
2. Sustentabilidade
3. Mão de obra especializada
4. Comunicação digital
5. Qualidade da vida
6. Exploração espacial
7. Robótica
8. Veı́culos autônomos
2.5.2 Exercı́cio
Liste 5 novas tecnologias que tem recebido atenção nos últimos anos e comente
sobre o potencial impacto na sociedade do futuro, incluindo considerações
sobre a Teoria de Controle Automático.
Parte II
Modelos de sistemas dinâmicos
39
3
Modelos dinâmicos
“All models are wrong, but some are useful.”

– George Box
Modelos são representações das caracterı́sticas essenciais do fenômeno em es-

tudo. Por exemplo, maquetes podem ser utilizadas por arquitetos para estudar
uma nova obra. Um farmacologista pode usar o camundongo como modelo
para estudar os efeitos de um novo medicamento. Um pintor pode utilizar
bonecos articulados como modelo para compor um novo quadro.
Considerando o objetivo deste livro de tratar a análise e o projeto de sistemas
de controle de modo quantitativo, os modelos requeridos são do tipo matemá-
tico.
Os modelos matemáticos utilizados aqui são predominantemente aqueles cons-
tituı́dos por equações diferenciais ordinárias determinı́sticas de dimensão finita
e invariantes com o tempo.
Porém, na prática, os sistemas fı́sicos podem apresentar fenômenos tais como
não linearidades, variações espacialmente distribuı́das, atrasos nas respostas,
perturbações aleatórias e parâmetros que variam com o tempo, entre outras
possibilidades.
Logo, algumas simplificações podem ser necessárias:
1. Sistemas em que as grandezas de interesse dependem simultaneamente

do tempo e a posição no espaço, modeladas por equações diferenciais
parciais, são aproximados por modelos com parâmetros concentrados.
Por exemplo, as tensões v(t, x) e correntes i(t, x) para cada posição x ao
41
longo de uma linha de transmissão em cada instante t são dadas por

∂ ∂
v(t, x) = −L i(t, x) − Ri(t, x) (3.1)
∂x ∂t
∂ ∂
i(t, x) = −C v(t, x) − Gv(t, x) (3.2)
∂x ∂t
em que R [Ω/km], L [mH/km], C [nF/km], e G [µS/km] são res-
pectivamente a resistência, indutância, capacitância e condutância por
comprimento do segmento da linha. Uma aproximação seria cascatear
vários módulos (R, L, C, G) de parâmetros concentrados, cada uma mo-
delando, por exemplo, 1 km da linha.
Quando as frequências envolvidas de v e i são baixas, o comprimento de
onda pode ser muito maior que o comprimento da linha, caso em que v
e i seriam iguais em qualquer trecho da linha.
Figura 3.1: Aproximação por um modelo de parâmetros concentrados.
Em casos de processos que envolvem vibração, é frequente o uso do

método de decomposição em modos.
No caso mais simples de uma viga homogênea engastada em um extremo
e livre no outro, o movimento é descrito por
∂ 4 y(t, x) ∂ 2 y(t, x)
EI = −ρA (3.3)
∂x4 ∂t2
em que E é o módulo de elasticidade, I o momento de inércia, ρ a
densidade do material da viga e A a área da secção transversal. Os
modos de vibração, nesse caso, podem ser vistos na figura 3.2.
2. Quando o modelo do sistema varia com o tempo, os parâmetros da equa-

ção diferencial também variam com o tempo. Se a variação é periódica e
de frequência elevada, poderá ser utilizado o modelo médio. Um exem-
plo é o caso de fontes chaveadas, em que a frequência de chaveamento
é muito maior do que as constantes de tempo do restante do circuito.
Em um outro processo, a variação pode ser muito lenta em comparação
Modelos dinâmicos 43
Figura 3.2: Estudo de modelos a parâmetros distribuı́dos mediante decompo-

sição de modos. No caso, modos de vibração de uma viga engastada
com a dinâmica das variáveis de interesse, podendo-se utilizar um mo-

delo congelado. Por exemplo, o atrito em mancais de máquinas rotativas
tende a crescer com o tempo, mas esse processo é, em geral, muito mais
lento do que a dinâmica do eixo do rotor.
3. Atrasos no tempo levam a equações diferenciais do tipo
ẋ = f (x(t), x(t − T )) (3.4)
x(τ ) = x0 (τ ) τ ∈ [−T, 0] (3.5)
que significa dimensão infinita (deve-se fornecer x0 (τ ) em infinitos valo-
res de τ ). Quando for possı́vel utilizar a transformada de Laplace (siste-
mas lineares invariantes no tempo), tem-se que L[f (t − T ] = e−sT F (s),
que pode ser tratado de modo relativamente simples.
3.1 Modelos de tempo contı́nuo

Uma vez que os sistemas fı́sicos de interesse envolvem grandezas que variam
com o tempo, os modelos buscam expressar essa caracterı́stica de modo direto
ou indireto através da utilização de parâmetros que representam o tempo.
Na prática são utilizadas as equações diferenciais no caso de modelos de tempo
contı́nuo (y(t), t ∈ R) e equações a diferenças no caso de tempo discreto
(y[k], k ∈ N) em que y = h(x).
3.1.1 Equações diferenciais ordinárias

Os modelos de tempo contı́nuo estudados neste livro são representações ba-
seadas em equações diferenciais ordinárias (EDO), ou seja, as grandezas de
interesse evoluem no tempo t conforme
dn y dy
F( n
, ..., , y, u, t) = 0, (3.6)
dt dt
em que y é a saı́da, u é a entrada, t é o tempo e F alguma função que busca
descrever o comportamento do sistema. (OBS: Para simplificar a notação, y e
u são assumidas pertencerem a R) nesta Seção.
O sistema é dito ser linear se a função F assume a forma particular
dn y dn−1 y dy
n
+ a 1 (t) n−1
+ ... + an−1 (t) + an (t)y − b0 (t)u(t) = 0 (3.7)
dt dt dt
ou seja, dk y/dtk , k = 0, 1, ..., n não estão multiplicados entre si e nem partici-

pam como argumento de funções que não sejam da forma f (ξ) = αξ + β, com
α e β ∈ R. Por exemplo f (ξ) = sin(ξ), f (ξ) = log(ξ) e f (ξ) = ξ q com q ̸= 1.
Caso os parâmetros ak (t), k = 1, 2, ..., n não dependam explicitamente de t,
ou seja, a1 , ..., an são números reais, os sistemas são denominados LTI (Linear
Time Invariant).
Às vezes, sistemas invariantes no tempo são referidos como sendo sistemas
autônomos.
dn y dn−1 y dy
n
+ a1 n−1
+ ... + an−1 + an y = u(t) (3.8)
dt dt dt
m
Ressalta-se que a equação 3.8 poderia incluir também termos do tipo du d u
dt , ..., dtm ,
caso em que se teria um novo u(t) constituı́do da combinação desses.
dy
Uma notação muito usada para simplificar a escrita é usar ẏ no lugar de dt ,
2 n
ÿ no lugar de ddt2y e y (n) no lugar de ddtny , ou seja,
dy d2 y dn−1 y dn y
ẏ = ; ÿ = ; ··· ; y (n−1) = ; y (n) = (3.9)
dt dt2 dtn−1 dtn
de modo que a expressão 3.8 pode ser reescrita mais compactamente
y (n) + a1 y (n−1) + · · · + an−3 y (3) + an−2 ÿ + an−1 ẏ + an y = u (3.10)
Os modelos, tanto os de tempo contı́nuo quanto os de tempo discreto, podem

ser obtidos através de dois enfoques principais:
• o de caixa branca (ou transparente); e
• o de caixa preta (ou caixa opaca).

No caso de enfoque caixa branca, admite-se que são conhecidas as leis fı́sicas
que regem o comportamento do sistema que se encontra no seu interior (por
exemplo, Leis de Kirchhoff, Lei de Newton, princı́pio da mı́nima ação, equação
de continuidade, conservação da energia etc.)
No caso de enfoque caixa preta, busca-se obter o modelo a partir dos registros
dos sinais de entrada e da saı́da do sistema (caixa) (por exemplo, uma sequên-
cia de pares entrada-saı́da {u[k], y[k]}k=1,2,... obtidas com a utilização de um
equipamento digital para aquisição de dados).
O procedimento para obter modelos utilizando o enfoque caixa preta é cha-
mado, usualmente, de identificação. Na prática é comum o emprego de méto-
Figura 3.3: Enfoques para obtenção de modelos matemáticos.
dos hı́bridos, em que se combinam os enfoques de caixa preta e de caixa preta,

às vezes chamado de caixa cinza (ou translúcida). Por exemplo, à luz dos co-
nhecimentos das leis fı́sicas, pode-se conhecer a estrutura do modelo buscado,
mas os seus parâmetros são determinados a partir de registros de entrada e
saı́da (no caso, mediante identificação paramétrica).
Antes de apresentar alguns métodos de modelagem, é interessante mencionar
duas frases encontradas no livro Luyben, W.L. Process Modeling, Simulation
and Control for Chemical Engineers. McGraw Hill, 1989:
1. The simplest control system that will do the job is the best.
2. You must understand the process before you can control it.
Este livro busca tratar o problema de projeto de controlados utilizando

métodos quantitativos, de modo que é imprescindı́vel a disponibilidade de
modelos matemáticos. Os modelos matemáticos predominantes nesta obra
são do tipo Equações Diferenciais Ordinárias lineares e invariantes no tempo,
obtidos eventualmente por aproximações de modelos mais gerais.
3.2 Modelagem usando leis fı́sicas

Nessa seção serão explorados alguns métodos de modelagem utilizando o en-
foque “caixa branca” utilizando leis fı́sicas bem conhecidas.
3.2.1 Leis de Kirchhoff

Exemplo: Circuito de Sallen-Key
Considere o circuito apresentado na figura 3.4, que possui dois armazenadores
de energia (2 capacitores) e cujo modelo pode ser obtido utilizando-se as Leis
de Kirchhoff (vide, por exemplo, (DESOER, 1969)).
Figura 3.4: Circuito de Sallen-Key.
Segundo a Lei de Kirchoff para correntes, tem-se que
i1 − i2 − i3 = 0 (3.11)
Pela Lei de Kirchoff para tensões, e lembrando que a entrada de corrente em

um OpAmp (Amplificador Operacional) é quase zero, em face ddesua impe-
dância elevada de entrada, e também que a diferença de potencial entre os
seus terminais + e - é negligenciável em face do seu elevado ganho, obtém-se
o conjunto de equações
1
−u + Ri1 + Ri3 + y = 0 (3.12)
2
−v2 + v1 + y = 0 (3.13)
1
−v2 + Ri3 + y = 0 (3.14)
2
O comportamento tensão-corrente dos elementos do circuito é descrito por
i2 = C v̇1 (3.15)
ẏ
i3 = C (3.16)
2
e, portanto, combinando as equações 3.12 e 3.11, obtém-se
1
Ri1 + Ri3 + y = u (3.17)
2
1
R (i2 + i3 ) + Ri3 + y = u (3.18)
2
1
RC v̇1 + RC ẏ + y = u (3.19)
2
Combinando-se as equações 3.11 a 3.19, pode-se escrever
!
ÿ C 1
R CRC − ẏ + RC ẏ + y = u (3.20)
2 2 2
e a equação diferencial que descreve o circuito da figura 3.4 pode ser colocada
na forma padrão
R2 C 2 ÿ + RC ẏ + y = 2u (3.21)
Esse circuito é um filtro de segunda ordem muito utilizado na prática e cujo
comportamento poderá ser mais bem estudado após o capı́tulo sobre resposta
em frequência.
Um fato importante na obtenção desse modelo é que não foi considerada a
possı́vel saturação do OpAmp. Por exemplo, se a alimentação do OpAmp for
de ±15 V , não é conveniente que a saı́da y se aproxime desses valores.
3.2.2 Modelagem usando o conceito de Lagrangiano

A modelagem baseada no conceito de Lagrangiano é muito frequente em várias
áreas da Engenharia e tratamentos formais do método podem ser encontrados
em livros como (GOLDSTEIN, 1980).
Esse método de modelagem é baseado no princı́pio da mı́nima ação ou de
Hamilton, segundo o qual fenômenos fı́sicos cuja evolução é representada por
coordenadas q minimizam a expressão
Z tf
A[q] = L(q(t), q̇(t), t) dt (3.22)
t0
em que o Lagrangiano L é a diferença entre as energias cinética T e potencial

U,
L=T −U (3.23)
Uma condição necessária para que uma função q(t) seja solução do problema
de minimização de A(q) é que satisfaça a equação de Euler-Lagrange (no
sentido estendido em relação ao Apêndice A)
!
d ∂L ∂L ∂R
− + =Q (3.24)
dt ∂ q̇ ∂q ∂ q̇
O termo R (termo de Rayleigh ) estará presente se houver dissipação de energia

para o meio ambiente, usualmente como metade da potência dissipada e Q são
forças externas (forças, torques, tensão, corrente, pressão, vazão etc.).
Observação: Apresenta-se no Apêndice A uma condição necessária para que
uma função x(t) seja um ponto estacionário para o problema de minimização
de Z tf
J[x] = c x (t) , ẋ (t) , t dt (3.25)
t0
A condição necessária para otimalidade de x∗ é conhecida como a equação de

Euler-Lagrange
!
d ∂c ∂c
− =0 (3.26)
dt ∂ ẋ ∂x
x=x∗
Para a modelagem de sistemas, faz-se a associação
x ⇝ q (3.27)
c ⇝ L (3.28)
J(x) ⇝ A(q) (3.29)
Um tratamento mais rigoroso desse problema pode ser encontrado, por exem-
plo, em (BLISS, 1980), (GOLDSTEIN, 1980), (YOUNG, 1969), entre outros.
A formulação mais geral que inclui os termos R e Q pode ser encontrado em

(WELLSTEAD, 1979).
Exemplo: Máquina de Atwood

Para ilustrar o procedimento, considere o sistema de polias ilustrado na figura
3.5, em que a corda que une as massas m1 e m2 possui comprimento L.
Utilizando-se conceitos básicos de fı́sica, pode-se escrever as expressões para

as energias cinética T e potencial U para esse sistema:
1 1
T = m1 q̇ 2 + m2 q̇ 2 (3.30)
2 2
U = −m1 gq − m2 g (L − q) (3.31)
em que q é o deslocamento e q̇ é a velocidade.
Figura 3.5: Máquina de Atwood.
A expressão do Lagrangiano para a máquina de Atwood é
L = T −U (3.32)
1 1
= m1 q̇ 2 + m2 q̇ 2 +
2 2
+m1 gq + m2 g (L − q) (3.33)
e, portanto, fazendo-se !
d ∂L ∂L
− =0 (3.34)
dt ∂ q̇ ∂q
em que
∂L
= m1 g − m2 g (3.35)
∂q
∂L
= m1 q̇ − m2 q̇ (3.36)
∂ q̇
!
d ∂L
= m1 q̈ + m2 q̈ (3.37)
dt ∂ q̇
obtém-se a equação diferencial que descreve o seu comportamento
(m1 + m2 ) q̈ − m1 g + m2 g = 0 (3.38)
m1 − m2
q̈ = g (3.39)
m1 + m2
Exemplo: Pêndulo Simples
Seja um pêndulo simples com haste rı́gida, conforme ilustrado na figura 3.6.
Figura 3.6: Pêndulo simples.
Verifica-se pela figura 3.6 que
x = L sin(θ) (3.40)
y = −L cos(θ) (3.41)
em que L é o comprimento da haste, m é a massa da esfera, g é a aceleração

da gravidade e θ é o ângulo da haste com a vertical.
As expressões para a energia cinética T e a potencial U são
1 1
T = m(ẋ2 + ẏ 2 ) = mL2 θ̇2 (3.42)
2 2
U = −mgL cos(θ) (3.43)
Logo o Lagrangiano é dado por
1
L = mL2 θ̇2 + mgL cos(θ) (3.44)
2
Os termos necessários para aplicar a condição de Euler-Lagrange são
∂L
= −mgL sin(θ) (3.45)
∂θ
∂L
= mL2 θ̇ (3.46)
∂ θ̇
!
d ∂L
= mL2 θ̈ (3.47)
dt ∂ θ̇
Tem-se, portanto, que o modelo do pêndulo simples é
mL2 θ̈ + mgL sin(θ) = 0 (3.48)

g
θ̈ = − sin(θ) (3.49)
L
subsubsectionExemplo: Pêndulo com Haste Elástica De modo análogo ao
exemplo anterior (Pêndulo Simples), seja agora o caso em que a haste é elástica
Figura 3.7: Pêndulo com haste elástica.
As expressões para T e U são

1 2
T = m ė + (L + e)2 θ̇2 (3.50)
2
1
U = −mg(L + e) cos(θ) + ke2 (3.51)
2
Logo, o Lagrangiano é dado por
1 1
L = m ė2 + (L + e)2 θ̇2 + mg(L + e) cos(θ) − ke2 (3.52)
2 2
Os termos necessários para aplicar a condição de Euler-Lagrange são
∂L
= mg cos(θ) − ke + m(L + e)θ̇2 (3.53)
∂e
∂L
= −mg(L + e) sin(θ) (3.54)
∂θ
∂L
= mė (3.55)
∂ ė
∂L
= m(L + e)2 θ̇ (3.56)
∂ θ̇
!
d ∂L
= më (3.57)
dt ∂ ė
!
d ∂L
= m(L + e)ėθ̇ + m(L + e)2 θ̈ (3.58)
dt ∂ θ̇
Substituindo-se esses termos na equação de Euler-Lagrange, obtém-se que
më − mg cos(θ) + ke − m(L + e)θ̇2 = 0 (3.59)

2
m(L + e)ėθ̇ + m(L + e) θ̈ + mg(L + e) sin(θ) = 0 (3.60)
O modelo pode ser colocado na forma de espaço de estados definindo-se, por

exemplo, x = [ e ė θ θ̇ ].
Exemplo: Pêndulo Duplo

Considere agora um pêndulo duplo como a ilustrada na figura 3.8 Considere
Figura 3.8: Pêndulo duplo.

o pêndulo duplo ilustrado na figura 3.8, em que se verifica que
x1 = L1 sin(θ1 ) (3.61)
x2 = L1 sin(θ1 ) + L2 sin(θ2 ) (3.62)
y1 = −L1 cos(θ1 ) (3.63)
y2 = −L1 cos(θ1 ) − L2 cos(θ2 ) (3.64)
1 1
T = m1 (x˙1 2 + y˙1 2 ) + m2 (x˙2 2 + y˙2 2 ) (3.65)
2 2
1 2 ˙ 21
= 2 2
m1 L1 θ1 m2 [L1 θ̇1 + L22 θ̇22 (3.66)
2 2
+2L1 L2 θ1 θ˙2 cos(θ1 − θ2 )]
˙ (3.67)
U = m1 gy1 + m2 gy2 (3.68)
= −(m1 + m2 )gL1 cos(θ1 ) (3.69)
−m2 gL2 cos(θ2 ) (3.70)
Calculando-se os termos
! !
∂L ∂L ∂L ∂L d ∂L d ∂L
; ; ; ; ; (3.71)
∂θ1 ∂θ2 ∂ θ̇‘1 ∂ θ̇2 dt ∂ θ˙1 dt ∂ θ˙2
e utilizando-se as equações de Euler-Lagrange, obtém-se o modelo do pêndulo

duplo
0 = (m1 + m2 )L1 θ̈1 + m2 L2 cos(θ1 − θ2 ) + (3.72)

+m2 L2 θ̇22 sin(θ1 − θ2 ) + (m1 + m2 )g sin(θ1 ) (3.73)
0 = L2 θ̈2 + L1 θ̈1 cos(θ1 − θ2 ) − L1 θ̇21 sin(θ1 − θ2 ) + g sin(θ2 ) (3.74)
Exemplo: Massa + Mola + Amortecedor

Embora o modelo para um sistema massa+mola+amortecedor possa ser ob-
tido facilmente pela utilização das Leis de Newton, apresenta-se aqui a versão
baseada no Lagrangiano.
1 2
T = mq̇ (3.75)
2
1 2
U = kq (3.76)
2
Figura 3.9: Sistema massa, mola e amortecedor.
Como existe um amortecedor, há dissipação de energia e

1
R = bq̇ 2 (3.77)
2
1 1
L = mq̇ 2 − kq 2 (3.78)
2 2
Aplicando-se a condição de Euler-Lagrange
!
d ∂L ∂L ∂R
− + =Q (3.79)
dt ∂ q̇ ∂q ∂ q̇
em que
∂L
= −kq (3.80)
∂q
∂L
= mq̇ (3.81)
∂ q̇
!
d ∂L
= mq̈ (3.82)
dt ∂ q̇
∂R
= bq̇ (3.83)
∂ q̇
obtém-se o modelo para o sistema massa + mola + amortecedor (Q = f )
mq̈ + bq̇ + kq = f (3.84)
Exemplo: Circuito RLC

O método do Lagrangiano é aplicável também para o caso de circuitos elétricos
Nesse exemplo adota-se como a grandeza básica a carga q.
As expressões T e U são
1 2
T = Lq̇ (3.85)
2
1 2
U = q (3.86)
2C
Figura 3.10: Circuito RLC Série.

1 1 2
L = Lq̇ 2 − q (3.87)
2 2C
Aplicando-se a fórmula de Euler-Lagrange com Q = v obtém-se o modelo do
circuito RLC série
1
Lq̈ + Rq̇ + q = v (3.88)
C
Exemplo: Um Sistema Eletro-Mecânico

A utilização do conceito de Lagrangiano é particularmente interessante para
modelagem de sistemas que envolvem simultaneamente componentes de dife-
rentes naturezas (elétrica, pneumática, hidráulica, mecânica).
Considere o sistema eletromecânico ilustrado na figura 3.11 e que envolve gran-
dezas eletromagnéticas e mecânicas.
Figura 3.11: Um sistema eletromecânico acoplado.
Notar que movimento da massa m devido à atração magnética afeta o valor

da indutância L(z).
O Lagrangiano é da forma
Elétrica M ecânica
1 z }| { z }| {
L = [ L (z) q̇ 2 + mż 2 − kz 2 ] (3.89)
2
Os elementos dissipadores de energia são o resistor e o amortecedor

1 1
R = Rq̇ 2 + bż 2 (3.90)
2 2
Pela fórmula de Euler-Lagrange, tem-se
!
d ∂L ∂L ∂R
− + = v → L(z)q̈ + Rq̇ = v (3.91)
dt ∂ q̇ ∂q ∂ q̇
!
d ∂L ∂L ∂R 1 dL 2
− + = 0 → mz̈ + bż + kz − q̇ = 0 (3.92)
dt ∂ ż ∂z ∂ ż 2 dz
O modelo do sistema eletro-mecânico obtido das equações 3.91 e 3.92 é dado

por
L(z)q̈ + Rq̇ = v (3.93)

1 dL 2
mz̈ + bż + kz − q̇ = 0 (3.94)
2 dz
3.2.3 Modelagem utilizando analogia

Diferentes sistemas podem ser descritos por
equações diferenciais com a mesma estrutura, po-
rém com parâmetros (coeficientes) distintos.
Como exemplos, considere os três sistemas ilus-
trados na figura 3.12, descritos pelas equações:
2
1. L ddtv2C + R dvdtC + 1
C vc = 1
Cv
2
2. C ddti2L + 1 diL
R dt + L1 iL = 1
Li
2
3. m dd2xt + bẋ + kx = f
Nota-se nessas equações que a estrutura é idên-
tica, mas os parâmetros (coeficientes das equa- Figura 3.12: Três siste-
ções diferenciais) são distintos. mas: Circuito Série, Cir-
Logo, ajustando-se os valores numéricos dos coe- cuito Paralelo e Massa-
ficientes, a solução da EDO seria numericamente Mola-Amortecedor.
idêntica.
Esse conceito pode ser usado para utilizar circuitos elétricos para simular dis-
positivos mecânicos, hidráulicos e pneumáticos.
No passado era comum o uso de computadores analógicos que eram capa-
zes de traçar a respostas de equações diferenciais mediante a interconexão de
integradores, somadores, inversores e outros dispositivos.
Analogia eletromecânica
1. Analogia força-tensão: Se a grandeza f for associada a v (com correção
1
C ) as soluções das EDO’s 1 e 3 serão as mesmas se, numericamente,
L = m, R = b e C1 = k.
2. Analogia força-corrente: Se a grandeza f for associada a v (com correção

1
L ) as soluções das EDO’s 1 e 2 serão as mesmas se, numericamente,
C = m, R−1 = b e L1 = k.
Variáveis de esforço e de fluxo

De modo generalizado, dado um componente, podem ser definidas variáveis
de esforço e de fluxo (ou across e through), por exemplo, tensão × corrente ou
força × velocidade.
Em alguns textos, as variáveis de esforço são referidas como variáveis “entre”
(effort, across), denotadas e(t), como a diferença de tensão, de pressão e de
temperatura). As variáveis de fluxo são referidas como de “através” (flow,
through), denotadas f (t), como a corrente, o fluxo de fluido e o fluxo de calor).
Além de e(t) e de f (t), são importantes as seguintes grandezas:
• Potência Instantânea: P (t) = e(t)f (t)

Rt
• Energia Transferida: E(t) = 0 P (τ )dτ
Rt
• Fluxo Acumulado: q(t) = 0 f (τ )dτ
Rt
• Esforço Acumulado: p(t) = 0 e(τ )dτ
Exemplo
Se a grandeza f for associada a i (com correção L1 ) as soluções das EDO’s 1 e
2 serão as mesmas se, numericamente, C = m, R1 = b e L1 = k e, além disso,
• Potência Instantânea: P (t) = v(t)i(t)

Rt
• Energia Transferida: E(t) = 0 P (τ )dτ
Rt dq
• Fluxo Acumulado (carga elétrica): q(t) = 0 f (τ )dτ ou i = dt
Rt dϕ
• Esforço Acumulado (fluxo magnético): ϕ(t) = 0 e(τ )dτ ou v = dt
O método pode ser adaptado a sistemas térmicos (resistência térmica R,

capacitância térmica C, variável entre = T , temperatura, variável através =
i, fluxo de calor Q):
T = Ri (3.95)
dT
i = C (3.96)
dt
e a sistemas hidráulicos (resistência R, capacidade volumétrica C, variável
entre = p, pressão, variável através = q, vazão, como já visto anteriormente
no exemplo de tanques.
3.2.4 Atraso de transporte

Um importante fenômeno encontrado, por vezes, na prática é o de atraso puro
ou de transporte.
Um exemplo de situação em que ocorre o atraso de transporte encontra-se
ilustrado na figura 3.13, em que, com periodicidade T , um corante é injetado
no fluxo de água. Um sensor baseado na absorbância de um feixe luz detecta
a presença da água colorida como o sinal u(t). Quando o plugue de água
colorida atinge o sensor na saı́da da tubulação é gerado o sinal y(t). Nota-se
Figura 3.13: Devido ao tempo para o plugue de água corada percorrer a tubu-
lação, a leitura do segundo sensor (em verde) é atrasada em relação ao primeiro
(em vermelho).
pelo gráfico da figura 3.13 que o pico do sinal y(t) ocorre com atraso de θ
unidades de tempo, em relação ao sinal u(t). Nesse exemplo, a forma de onda
de y(t) é mais “alargada” do que u(t) em vista de a tinta ter se difundido para
a vizinhança do plugue.
Caso a forma de onda de y(t − θ) seja a mesma que de u(t), ter-se-á o caso de
atraso puro, ou seja,
y(t) = u(t − θ) (3.97)
3.3 Validação de modelos

Os modelos devem caracterizar “adequadamente” o fenômeno fı́sico sob estudo.
Porém o qualificativo “adequadamente” necessita ser tornado mais preciso.
• O modelo deve ser o mais simples possı́vel, conforme preconizado pelo

princı́pio da Navalha de Ockham (William of Ockham, 1287–1347). Mo-
delos complexos e que levam em consideração efeitos negligenciáveis di-
ficultam o projeto sem o devido benefı́cio.
• É prudente estabelecer figuras de mérito para uma análise da adequação

do modelo escolhido. Por exemplo, calculando a diferença entre as res-
postas do modelo e do processo para uma mesma excitação. Quando se
utiliza simulação como em casos em que não há acesso a todo o processo,
pelo menos alguns sensores, atuadores ou processadores reais podem ser
incorporados para que os resultados seja mais próximos àqueles a serem
observados no campo.
• O modelo pode ser considerado validado, de fato, quando o projeto é

incorporado ao processo fı́sico e o resultado atende às especificações téc-
nicas preestabelecidas.
3.4 Incertezas em modelos

As leis de controle determinadas com o uso de modelos inadequados podem
apresentar desempenho aquém do esperado quando utilizado com os processos
reais.
Entre os diversos exemplos de fatores que contribuem para a degradação do
desempenho estão
• Sinais que se afastam muito do ponto de operação. É exemplo uma mola

que obedece à lei de Hooke para pequenos tracionamentos
(f = kx) mas
3
tende a ficar mais dura se for muito solicitada f = kx e, eventual-
mente, pode se romper. Um outro exemplo é o fato de que intensidades
muito grandes de campo magnético tendem a produzir saturação do nú-
cleo ferromagnético, alterando a indutância de reatores.
• Ruı́dos desconsiderados. São exemplos as vibrações da plataforma onde

está instalado o equipamento, interferências devidas a campos eletro-
magnéticos geradas por centelhamento em máquina de solda a ponto,
rajadas de vento, entre outros.
• Valores nominais discrepantes. São exemplos os componentes eletrôni-

cos comerciais que podem apresentar tolerâncias grandes, por exemplo,
capacitor com C = 1.0 µF ± 20 % ou utilização de insumos com baixa
pureza.
• Fenômenos não modelados. São exemplos folga de engrenagem, atrito

seco, modos de flexão de vigas, anisotropia do meio, entre outros.
• Variações lentas com o tempo. São exemplos o envelhecimento de com-

ponentes, o deslocamento do centro de massa devido ao consumo de
combustı́vel, oscilações climáticas, entre outras possibilidades.
• Desconsideração dos atrasos de transporte. São exemplos a demora na

recepção de sinais devido à localização remota do sensor, utilização de
rede internet para transmissão de dados, tempo de processamento para
cálculo do sinal de controle, entre outras possibilidades.
• Utilização inadequada. São exemplos a operação de veı́culos com excesso

de passageiros, ausência de proteção em ambientes hostis, manutenção
de baixa qualidade, entre outros, levando a variações incertas e desco-
nhecidas dos parâmetros do modelo.
A modelagem de sistemas pode ser auxiliada por ferramentas tais como os

grafos de ligação (bond graphs), analogia e fluxografo (flowgraph). Exis-
tem, ainda, ambientes de software especı́ficos para modelagem de sistemas,
muitos dos quais gratuitos, que já possuem vários componentes prontos que
podem ser interligados graficamente.
3.5 Solução de EDOs lineares

O comportamento de sistemas dinâmicos de tempo contı́nuo são frequente-
mente descritos por equações diferenciais ordinárias (EDOs).
A solução de uma EDO tı́pica (representando sistemas LTI)
y (n) + a1 y (n−1) + ... + an−1 ẏ + an y = u (3.98)
pode ser obtida através de vários métodos.

Neste texto serão apresentados apenas dois métodos, em vista da importância
destes no contexto de problemas de controle:
• via formulação no espaço de estados; e

• através da utilização da transformada de Laplace.
Ambos os métodos são detalhadamente estudados em obras tais como (CHEN,

1970), (OGATA, 1970), (SHINNERS, 1972), (KUO, 1980), (FRANKLIN;
POWELL; EMAMI-NAEINI, 1986) (DORF; BISHOP, 1995) e (HESPANHA,
2009), entre outros.
3.5.1 Espaço de estados

Embora a equação diferencial ordinária de n-ésima ordem 3.98 possa ser tra-
tada diretamente, aqui optou-se por transformá-la em n equações de primeira
ordem, mediante o artifı́cio de se fazer
x1 = y (3.99)
x2 = ẏ (3.100)
···
xn = y (n−1) (3.101)
dy d2 y
em que ẏ = dt , ÿ = dt2
e, a partir de n = 3, é usual utilizar a notação
n
y (n) = ddtny .
Nessas condições, tomando-se derivadas em t nas equações 3.99, obtém-se o
sistema de equações diferenciais
ẋ1 = ẏ = x2 (3.102)
ẋ2 = ÿ = x3 (3.103)
···
ẋ1 = y (n) = −a1 y (n−1) − ... − an−1 ẏ − an y + u (3.104)
= −a1 xn − ... − an−1 x2 − an x1 + u (3.105)
O vetor x = [x1 x2 ... xn ]T , será chamado de estado. No contexto de Enge-

nharia de Controle, estado é um conjunto de grandezas de um sistema que,
se conhecidas em um instante, permite que se determine o valor futuro dessas
grandezas, caso sejam fornecidas os sinais de entrada).
Intuitivamente, estado é aquele conjunto de grandezas que, se for conhecido
em um certo instante t, os valores futuros x(τ ), τ ≥ t podem ser determinados
caso conheça as entradas u(σ), σ ∈ [t, τ ]
Utilizando-se a notação matricial, as expressões 3.102 a 3.105 podem ser agru-
padas na forma
   
0 1 0 ··· 0 0
···
   
 0 0 1 0   0 
.. .. .. .. ..
   
ẋ = 
 .. x + 
 
u

(3.106)
 . . . . .   . 

 0 0 0 ··· 1 

 0



−an −an−1 −an−2 · · · −a1 1
| {z } | {z }
A B
De 3.102 a 3.105 , depreende-se também que
h i
y= 1 0 ··· 0 0 x (3.107)
| {z }
C
Será visto mais adiante que a representação no espaço de estados ẋ = Ax+Bu
não é única (por exemplo, uma representação diferente pode ser obtida fazendo
se uma transformação similar z = Px em que P é não singular).
A solução do sistema de equações diferenciais ordinárias 3.106 pode ser deter-
minada, por exemplo, pelo método construtivo utilizando a iteração de Picard
apresentado no Apêndice B.
Aqui, será apenas verificado através de substituição que a expressão
Z t
x (t) = eAt x (0) + eA(t−τ ) Bu(τ )dτ (3.108)
0
satisfaz
ẋ = Ax + Bu (3.109)
com a condição inicial x(0).
De fato, notando que a variável de integração é τ e não t, a equação 3.108 é
reescrita como
Z t
x (t) = eAt x (0) + eAt e−Aτ Bu(τ )dτ (3.110)
0
Z t !
At −Aτ
= e x (0) + e Bu(τ )dτ (3.111)
0
Diferenciando-se a expressão 3.110 em t, obtém-se

Z t !
−Aτ
ẋ = Ae At
x (0) + e Bu(τ )dτ + eAt e−At Bu (3.112)
0
| {z }
x
ẋ = Ax + Bu (3.113)
Portanto, de fato, a expressão 3.108 é a solução de 3.109.
Necessita-se, agora, de um método eficiente para caracterizar e( At)
3.5.2 Exponencial de matriz

Na expressão 3.108 está presente um termo denotado eAt .
É conveniente mencionar que, por definição (BARNETT, 1990),
∆ 1 2 2 1
eAt = I + At + A t + A3 t3 + · · · (3.114)
2! 3!
e que o polinômio caracterı́stico ∆(λ) de uma matriz An×n é dado por
∆(λ) = det(λI − A) (3.115)

n n−1
= λ + a1 λ + ... + an−1 λ + an (3.116)
Seja agora ∆(M) definido por
∆(M) = Mn + a1 Mn−1 + ... + an−1 M + an In×n (3.117)
em que M é uma matriz quadrada n × n. (Note que ∆ : C → C, enquanto

∆ : Rn×n → Rn×n , mas os coeficientes ai , i = 1, 2, ..., n são os mesmos.)
O teorema de Cayley-Hamilton (vide Apêndice C) afirma que
∆(A) = 0 (3.118)
Para P (M) um polinômio matricial de ordem qualquer, pode-se escrever a

identidade
P (M) = Q(M)∆(M) + R(M) (3.119)
em que a maior potência de R(M) em 3.119 é (n − 1).

Nota-se, agora, que para o caso M = A
*0

P (A) = Q(A)
∆(A)
+ R(A) (3.120)
= R(A) (3.121)
ou seja, um polinômio P (A) de ordem arbitrária, por exemplo, eA ou A100 ,

pode ser escrito com potências de A até grau n − 1.
Portanto a exponencial de matriz eAt pode ser expressa como uma soma pon-
derada por pesos αk (t) de potências Ak de A para k = 1, 2, ..., n − 1, ou
seja,
eAt = α0 (t)I + α1 (t)A + α2 (t)A2 + · · · + αn−1 (t)An−1 (3.122)

Os coeficientes αk (t), k = 0, 1, ..., n − 1 podem ser determinados resolvendo-se

o sistema de n equações com o mesmo formato que a expressão 3.122
eλ1 t = α0 (t) + α1 (t)λ1 + α2 (t)λ21 + · · · + αn−1 (t)λn−1
1 (3.123)
e λ2 t
= α0 (t) + α1 (t)λ2 + α2 (t)λ22 + ··· + αn−1 (t)λn−1
2 (3.124)
···
λn t
e = α0 (t) + α1 (t)λn + α2 (t)λ2n + · · · + αn−1 (t)λnn−1 (3.125)
em que λk , k = 1, ..., n são os autovalores de An×n .
Caso os autovalores sejam distintos, i ̸= j → λi ̸= λj , o sistema em 3.125 será
de n equações a n incógnitas.
Resolvendo-se o sistema de equações 3.123 obtém-se as expressões para ak (t)
em função de eλ1 t , ..., eλn t e colecionando-se os termos em eλk t obtém-se
n
eAt =
X
Mk eλk t (3.126)
k=1
em que Mk são matrizes com entradas reais.
Se houver auto-valores com multiplicidades maiores que 1, então, deve-se uti-
lizar as expressões derivadas.
Por exemplo, se λi possui multiplicidade 3 (< n), então deriva-se 2 vezes em
λi a expressão eλi t para se obter 3 equações.
eλi t = α0 (t) + α1 (t)λi + α2 (t)λ2i + · · · + αn−1 (t)λin−1 (3.127)
te λi t
= α1 (t) + 2α2 (t)λi + · · · + (n − 1) αn−1 (t)λn−2
i (3.128)
2 λi t
t e = 2α2 (t) + 6α3 (t)λi · · · + (n − 2) (n − 1) αn−1 (t)λin−3 (3.129)
Exemplo: Motor DC de ı́mã permanente

Considere um motor DC controlado pela ar-
madura e tendo como carga o seu rotor.
O circuito de armadura apresenta resistência
R e indutância L, o momento de inércia do
rotor é J, a velocidade angular de rotação do
eixo é ω e o torque é τ . A corrente de ar-
madura é ia , a tensão é va e a força contra
eletromotriz induzida é ea . Nesse exemplo, o
Figura 3.14: Motor DC aci-
coeficiente de atrito B é considerado nulo.
onado pelo circuito de arma-
A lei de Newton, aplicada à parte mecânica, dura.
permite escrever
dω
J =τ (3.130)
dt
e, notando que em motores DC,
τ = K2 ia (3.131)
obtém-se
dω
= K2 ia J (3.132)
dt
Por outro lado, a lei de Kirchoff aplicada à parte elétrica leva a
dia
va − ea = Ria + L (3.133)
dt
em que a força contraeletromotriz induzida é
ea = K1 ω (3.134)
Em não havendo perdas no motor, a potência elétrica deve ser igual à potência
mecânica,
p = ea ia = τ ω (3.135)
K1 ωia = K2 ia ω (3.136)
K1 = K2 = K (3.137)
e, portanto, combinando e rearranjando as equações 3.132 a 3.137, obtém-se

o modelo do motor DC controlado pela tensão de armadura va ,
dω K
= ia (3.138)
dt J
dia R K 1
= − ia − ω + va (3.139)
dt L L L
ou, na forma matricial,
A B
" # z
" }| #{ " # z" }| #{
d K
ω 0 J ω 0
= + 1 va (3.140)
dt ia −K
L −R
L
ia L
Utilizando-se os valores numéricos L = 1 H, K = 2 N m A−1 , R = 3 Ω,

J = 2 kg m2 e va (t) = 1 V para ∀t, além da condição inicial ω(0) = 1 s−1 e
ia (0) = 0 A, a equação diferencial a ser resolvida é dada por
A B
" # z" }| #{ " # z }| #{
" " # " #
d ω 0 1 ω 0 ω(0) 1
= + ; = (3.141)
dt ia −2 −3 ia 1 ia (0) 0
A saı́da de interesse é a velocidade de rotação do motor, ω,

" #
h i ω(t)
ω(t) = 1 0 ; t≥0 (3.142)
ia (t)
Para obter a expressão fechada de eAt , necessita-se, inicialmente, determinar

os autovalores de A, ou seja, as raı́zes do polinômio
∆(λ) = det(λI − A) (3.143)
" # 
λ−0 −1
= det  t (3.144)
2 λ+3
= λ2 + 3λ + 2 (3.145)
que são λ = −1 e −2.
Pela metodologia proposta, a expressão para eAt é

0 1 " # " #
t
−2 −3 1 0 0 1
e = α0 (t) + α1 (t) (3.146)
0 1 −2 −3
em que os coeficientes αi (t), i = 0, 1 são obtidos resolvendo-se

e−1t = α0 (t) + α1 (t) (−1) (3.147)
−2t
e = α0 (t) + α1 (t) (−2) (3.148)
ou
" # " #−1 " #
α0 (t) 1 −1 e−1t
= (3.149)
α1 (t) 1 −2 e−2t
" #" #
2 −1 e−1t
= (3.150)
1 −1 e−2t
" #
2e−1t − e−2t
= (3.151)
e−1t − e−2t
Logo, a exponencial de matriz desejada é dada por

0 1 " #
t
−2 −3
1 0
e = 2e−1t − e−2t +
0 1
" #

−1t −2t
0 1
+ e −e (3.152)
−2 −3
" # " #
2 1 −1 −1
= e−1t + e−2t (3.153)
−2 −1 2 2
e a solução do problema de contorno 3.141 é

" # 0 1 " # 0 1 " #
t Z t (t−τ )
ω(t) −2 −3 ω(0) −2 −3 0
=e + e dτ (3.154)
ia (t) ia (0) 0 1
O segundo termo da solução é facilmente calculada notando que

Z t − 0 1
t
" #
−2 −3 2et − 12 e2t − 32 et − 12 e2t − 21
e τ dτ = (3.155)
0 e2t − 2et + 1 e2t − et
Portanto, retomando a solução da equação de estados,

" # 0 1 " #
t
ω −2 −3 1
= e +
ia 0

0 1 " #" #
t
−2 −3 2et − 12 e2t − 32 et − 12 e2t − 1
2 0
+e (3.156)
e2t − 2et + 1 e2t − et 1

0 1
 2 
− 21 et − 1
" #
t 
−2 −3
 1 
= e + (3.157)
 
0


 et et − 1 

" #
− 12 e−2t + e−t + 1
2
= (3.158)
e−2t − 1e−t
A figura 3.15 apresenta uma comparação entre a resposta do Motor DC obtida
por simulação da equação diferencial 3.141 e a solução analı́tica 3.158. Note
que a velocidade angular tende ao valor 0.5 que corresponde ao ponto de
equilı́brio
" # " #" # " #
d ω 0 1 ω 0
= 0 =⇒ + =0 (3.159)
dt ia −2 −3 ia 1
" # " #−1 " # " #
ω 0 1 0 0.5
= − = (3.160)
ia −2 −3 1 0
eq
Pausa para relembrar conceitos importantes: Uma EDO linear e invariante

no tempo de ordem n pode ser transformado em um sistema de n equações
de primeira ordem, para o qual é fácil obter a solução explı́cita. Essa solução
está relacionada com Equações de Estado, Teorema de Cayley-Hamilton,
Polinômios de Matrizes, Polinômio Caracterı́stico, Exponencial de Matriz e
Autovalores.
Figura 3.15: Comparação entre a resposta do Motor DC obtida por simulação

e pela expressão analı́tica.
3.6 Método da média (averaging )

Considere um sistema descrito por
ẋ = εf (x, t) (3.161)
em que ε é um escalar pequeno (a solução aproximada que se obtém deve

atender as especificações quanto à acurácia exigida) e f é periódico em t, com
perı́odo T :
f (x, t + T ) = f (x, t) (3.162)
A ideia no método da média é obter uma solução aproximada utilizando o fato
que x varia muito mais lentamente do que a variação periódica de f ao longo
de t.

ẋ = ε f (x) (3.163)
em que
Z T

∆ 1
f (x) = f (x, τ ) dτ (3.164)
T 0
Exemplo
Seja um sistema descrito por

ẋ = ε −0.5x2 + x sin2 (t) (3.165)
em que x(t) ∈ R para cada t fixo. Neste caso, como f (x, t) é de perı́odo π,
Z π
1
−0.5x2 + x sin2 (τ ) dτ

f (x) = (3.166)
π 0

= 0.5 x − x2 (3.167)
Constata-se que o modelo médio é

ẋ = 0.5 x − x2 . (3.168)
Pêndulo de Kapitsa
Um exemplo interessante é o pêndulo cujo fulcro é submetido a uma vibração

na direção vertical de pequena amplitude, mas de frequência muito elevada.
Figura 3.16: Pêndulo de Kapitsa.
Sejam L o comprimento da haste e A a amplitude da vibração da base na

direção vertical, a (t) = A sin (ωt) de modo que A << L.
Denotando-se g a aceleração da gravidade local, a frequência natural é ω0 =
q
g
L.
A frequência de vibração ω do ponto de fixação é suposto ser tal que
ω >> ω0 . O movimento do pêndulo é então descrito por
Lθ̈ = Aω 2 sin (ωt) sin θ − g sin (θ) (3.169)

k h i
− Lθ̇ − Aω cos (ωt) sin θ (3.170)
m
em que m é a massa, k a constante de atrito viscoso e θ o ângulo entre a haste
e a vertical.
Para simplificar a notação, definem-se algumas variáveis auxiliares

ω0 k A
α = , β= , ε= , τ = ωt
ωA mω0 ℓ
1 dθ
x1 = θx2 = + cos (τ ) sin (θ) (3.171)
ε dτ
O modelo do pêndulo de Kapitsa é reescrito como
" # " #
ẋ1 x2 − cos (τ ) sin (x1)
=ε 2

ẋ2 −αβx2 − α sin (x1 ) + cos (x1 ) cos (τ ) x2 − cos (τ ) sin (x1 )
(3.172)
Uma vez que τ = ωt com ω >> ω0 , pode-se obter o modelo médio calculando
Z 2π " #

1 f1 (τ, x)
f (x) = dτ (3.173)
2π 0 f2 (τ, x)
" #
x2
= (3.174)
−αβx2 − α sin (x1 ) − 41 sin (2x1 )
2
de modo que se chega a

" # " #
ẋ1 x2
=
ẋ2 −αβx2 − α2 sin (x1 ) − 41 sin (2x1 )
é interessante observar que o pêndulo pode ser mantido na posição invertida

(x1 = θ = π), através da vibração vertical do ponto de fixação da haste.
De fato, o modelo linearizado, para o ponto de equilı́brio (x1 = θ = π), é
" #
∂ ⟨f ⟩ 0 1
= 1 . (3.175)
α2 − −αβ

∂x (π,0) 2
O polinômio caracterı́stico é dado por

1
∆(λ) = λ(λ + αβ) + − α2 . (3.176)
2
Observe que o sistema é estável para 0 < α < √1 e β > 0.
2
Exemplo: Conversor elevador de tensão

O conversor elevador de tensão (conversor boost) possui um elemento comu-
tador (tiristor ou transistor) que pode estar ligado (ON: u = 1) ou desligado
(OFF: u = 0).
Figura 3.17: Conversor boost.
O circuito varia estruturalmente de acordo com cada estado do elemento

comutador. O modelo quando u=1 (chave CH fechada) é dado por
" # " #" # " #
d iL −RL 0 iL 1
L
= + VB (3.177)
dt vC 0 − R01C vC 0
Por outro lado, o modelo quando u = 0 (chave CH aberta) é dado por

" # " #" # " #
d iL −R
L − L1 iL 1
L
= 1 + VB (3.178)
dt vC C − R01C vC 0
Se a chave CH é comutada com perı́odo T muito menor do que as cons-

tantes de tempo do circuito, ficando DT ligado e (1 − D)T desligado, o modelo
médio é
" #  " # " # " #
d iL −R
L 0 −RL − L1 iL
= D + (1 − D) +
− R01C 1
− R01C

dt vC 0 C vC
" #
1
+ L VB (3.179)
0
" #" # " #
−R
L − 1−D
L iL 1
L
= 1−D + VB (3.180)
C − R01C vC 0
A figura 3.18 foi obtida mediante simulação numérica e representa a res-

posta do modelo médio e dos modelos chaveados com frequências de 25 rd/s
e 50 rad/s para o circuito com R = 5 Ω, L = 1 H, C = 0.1 F e R0 = 10 Ω.
Assumindo que a saı́da de interesse é VC , a função de transferência é
1−D
G(s) = (3.181)
(1−D)2

1 R
LC s2 + R0 C + L s+ LC
Figura 3.18: Comparação entre a resposta do modelo médio e o modelo cha-

veado com diferentes frequências.
O conversor boost é controlado pela manipulação do duty cycle D. Quando

D = 1 (chave ON) a energia é armazenada no indutor L (o conjunto R + L
constitui uma bomba de corrente). Quando D = 0 (chave OFF) a energia
armazenada em L é passada para o conjunto Ro + C. Usualmente a ideia é
medir a tensão de saı́da VC = VO e utilizar uma controlador para ajustar D
para manter a saı́da regulada.
O valor de VC para uma entrada constante VB e D fixo, em regime estacionário,
é dado por
(1 − D)R0
G(0) = (3.182)
R + (1 − D)2 R0
Portanto, pode-se conceber uma lei de controle em que D é ajustado conforme
a tensão VC desejada.
Nota-se, porém, que VC possui uma dependência não linear com relação a D.
3.7 Linearização
Quando o modelo do sistema fı́sico é linear, são disponı́veis vários métodos
efetivos para o projeto do controlador.
Um enfoque para projetar de controladores é, portanto, obter inicialmente um
modelo linearizado para o sistema fı́sico.
Embora existam vários métodos para obter uma aproximação linear para um
modelo não linear, apresenta-se neste capı́tulo apenas o método do trunca-
mento da série de Taylor. Posteriormente serão mostrados outros métodos.
Figura 3.19: Caracterı́sticas de variação da tensão em regime permanente,

sobre variadas cargas (diferentes cores), em função o duty cycle D.
Considere um sistema descrito pela EDO da forma
ẋ = f (x, u) , x(t0 ) = x0 (3.183)
em que x(t) ∈ Rn e u(t) ∈ Rm para t fixo.

Se u(t) = uE é uma entrada constante, então a resposta xE é dada por
ẋE = f (xE , uE ) (3.184)
Adicionando-se uma perturbação ∆u(t), ou u(t) = uE + ∆u(t), a resposta

perturbada
(xE +˙ ∆x) = f (xE + ∆x, uE + ∆u(t)) (3.185)
que, pela fórmula de Taylor e desprezando os termos superiores, permite es-

crever
˙ = f (xE , uE ) + ∇T f (xE , uE ) ∆x + ∇T f (xE , uE ) ∆u + o(∥∆x, ∆u∥2 )

ẋE + ∆x x u
(3.186)
Notando que ẋE = f (xE , uE ),
˙ ≃ ∇T f (xE , uE ) ∆x + ∇T f (xE , uE ) ∆u
∆x (3.187)
x u
para pequenos perturbações {∆u, ∆x} ou
˙ ≃ A(xE , uE ) ∆x + B(xE , uE ) ∆u
∆x (3.188)
em que A e B são dadas por

   
∂f1 ∂f1 ∂f1 ∂f1
∂x1 ··· ∂xn ∂u1 ··· ∂um
.. .. .. ..
   
A=
 .. 
; B=
 .. 
(3.189)
 . . . 
  . . . 

∂fn ∂fn ∂fn ∂fn
∂x1 ··· ∂xn ∂u1 ··· ∂um
(xE ,uE ) (xE ,uE )
Tendo-se projetado um controlador com base no modelo linearizado, a sua uti-

lização com o processo original requer que o valor nominal de uE seja somado
com ∆u e xE subtraı́do de x.
No caso de se ter y = h(x), procede-se de modo análogo, fazendo-se ∆y =
∇Tx h(xE ) ∆x e subtraindo y de y conforme indicado na figura 3.20.
Figura 3.20: Estrutura para utilização do modelo linearizado usando a expan-

são em série de Taylor.
Estabilidade estrutural
Alguns modelos não lineares podem ser sensı́veis a incertezas paramétricas,

ainda que estas sejam pequenas.
Considere o modelo escalar
ẋ = x2 − 2x + 1 + µ (3.190)
em que µ > 0 é uma perturbação, por exemplo, µ = 10−10 .

O ponto de equilı́brio é dado para o valor nominal µ = 0 por
x2 − 2x + 1 = 0 ou (3.191)
√
2± 4−4×1
x = (3.192)
2
= 1 (3.193)
Mas, com a incerteza µ = 10−10 , resulta que
x2 − 2x + 1 = 0 ou (3.194)
p
2 ± 4 − 4 × (1 + 10−10 )
x = (3.195)
2
= 1 ± j10− 5 [complexos) (3.196)
Neste exemplo, o comportamento do modelo é alterado drasticamente quando

o parâmetro sofre uma pequena alteração, o que se conhece como o fenômeno
da bifurcação.
Mais especificamente, nesse modelo, uma pequena variação de µ afeta a exis-
tência ou não do ponto de equilı́brio.
O fenômeno apresentado é conhecido na literatura como bifurcação sela-nó
(saddle-node, fold ou tangencial bifurcation).
˙ = ∇T f (x, u) ∆x + ∇T f (x, u) ∆u
∆x (3.197)
x u

= 0 ∆x + 3 u2 ∆u (3.198)

u=0
= 0 (3.199)
3.7.1 Validade dos modelos linearizados

Sistemas topologicamente conjugados
Em muitas aplicações, o modelo linearizado aproxima bem o comportamento
do modelo não linear em uma vizinhança suficientemente pequena do ponto
de equilı́brio.
Porém, nem sempre isso é verdadeiro.
Para estudar de forma mais aprofundada o tema, introduz-se o conceito de
modelos topologicamente conjugados.
Considere 2 modelos, cada qual descrito por
ẋ(t) = f (x(t)) (3.200)

ż(t) = g(z(t)) (3.201)
em que x(t) ∈ Rn e z(t) ∈ Rn para t ∈ R.

Assuma que ambos, 3.200 e 3.201, possuem soluções x(τ ) e z(τ ) para τ ∈ [t0 , t)
com t > 0.
Os sistemas 3.200 e 3.201 são ditos topologicamente semiconjugados se para
algum X ⊂ Rn e Z ⊂ Rn abertos, existe uma aplicação bijetora h : X → Z tal
que
h◦f =g◦h (3.202)
ou h(f (x)) = g(h(x)).

De modo intuitivo, as soluções de 3.200 podem ser obtidas a partir daquelas
de 3.201 por “deformações” caracterizadas por h e vice-versa.
Uma função contı́nua h com a inversa h−1 também contı́nua é chamada de
homeomorfismo. No caso de h ser homeomórfica, diz se que os modelos 3.200
e 3.201 são topologicamente conjugados.
Exemplo: Sistemas lineares
Considere os sistemas lineares
ẋ = Fx (3.203)
ż = Gz (3.204)
em que F e G são matrizes n × n.

Os modelos 3.203 e 3.204 são topologicamente conjugados se, para Fn×n ,
F = H−1 GH (3.205)
ou seja, são relacionados por uma transformação similar (mudança de base).

Para se estudar um sistema utilizando um modelo linearizado, deseja-se que
ẋ = f (x) (3.206)
˙ = A(xE ) ∆x
∆x (3.207)
sejam topologicamente conjugados em uma vizinhança do ponto de operação

xE .
Antes de apresentar o teorema de Hartman-Grobman, é necessário definir o
que é um ponto de equilı́brio hiperbólico.
Um ponto de equilı́brio xE em torno do qual se fez a linearização é dito ser
hiperbólico se nenhum autovalor de A(xE ) possuir parte real nula (ou não
esteja sobre o eixo imaginário).
Teorema de Hartman-Grobman
O teorema de Hartman–Grobman (1959/1960), também conhecido como o te-
orema da linearização, permite caracterizar o comportamento local de sistemas
dinâmicos na vizinhança de pontos de equilı́brio hiperbólicos.
Seja x(t) ∈ Rn a solução de ẋ = f (x) para um mapa suave (smooth) f :
Rn → Rn e xE um ponto de equilı́brio hiperbólico. Então existem vizinhanças
X(xE ) ⊂ Rn e Z(0) ⊂ Rn e um homeomorfismo h : X → Z tais que
1. h(xE ) = 0,
˙ = A∆x.
2. h ◦ f = A ◦ h em que ẋ = f (x) e ∆x
˙ = A∆x) são topologi-
Logo o modelo original (ẋ = f (x)) e o linearizado (∆x
camente conjugados.
Um resultado imediato é que se todos os autovalores da matriz Jacobiana
A(xE ) = ∇Tx f (xE ) possuem a parte real negativa, esse ponto de equilı́brio
hiperbólico xE é estável.
Esse procedimento para verificação da estabilidade é conhecido como o “pri-
meiro método de Lyapunov” (ou o “método indireto de Lyapunov”).
Em problemas de controle existem, em geral, variáveis manipuladas (aqui de-
notadas u e v).
Considere 2 modelos descritos por
ẋ(t) = f (x(t), u(t)) (3.208)

ż(t) = g(z(t), v(t)) (3.209)
em que x(t) ∈ Rn , u(t) ∈ Rm , z(t) ∈ Rn e v(t) ∈ Rm para t ∈ R.

Assuma que dado u(t), 3.208 e 3.209 possuem solução (x, u) ∈ X ⊂ Rn × Rm
e (z, v) ∈ Z ⊂ Rn × Rm .
Novamente, deseja-se fazer a associação
˙ ≃ A(xE , uE ) ∆x + B(xE , uE ) ∆u,

ż(t) = g(z(t), v(t)) ↭ ∆x (3.210)
com o intuito de projetar leis de controle utilizando modelos linearizados.
Caso de controle realimentado (u(x), v(z))

Se as leis de controle são do tipo realimentação de estado u(x) ou de saı́da
dada por y = l(x) que leva a u(y) = u(l(x)), recai-se no caso anterior e o
teorema de Hartman-Grobman é aplicável.
Caso de u(t) gerado por uma EDO

Considere um processo modelado por
ẋ(t) = f (x(t), u(t)) (3.211)
em que a lei de controle u(t) é gerada por
u̇(t) = g(x(t), u(t)) (3.212)
Tomando-se o estado aumentado xa = [xT uT ]T , pode-se colocar 3.211 e 3.212

na forma
ẋa (t) = fa (xa (t)) (3.213)
e o teorema de Hartman-Grobman pode ser utilizado.
Contraexemplo
Considere o sistema escalar
ẋ = f (x, u) (3.214)
3
= u (3.215)
O modelo linearizado no ponto (xE , xE ) = (0, 0) é
˙ = ∇T f (xE , uE ) ∆x + ∇T f (xE , uE ) ∆u
∆x (3.216)
x u

= 0 ∆x + 3 u2E ∆u (3.217)

uE =0
= 0 (3.218)
Aqui, a partir de um modelo controlável obteve-se um modelo linearizado não

controlável.
3.8 Estabilidade de sistemas LTI

Um estado xE é dito ser ponto de equilı́brio de
ẋ(t) = f (x(t), t) (3.219)
se x(t0 ) = xE implica que, para ∀t ≥ t0 , tem-se que x(t) = xE .

Intuitivamente, o ponto de equilı́brio é aquele em que ẋ = 0 ou, em outras
palavras, f (xE , t) = 0.
Para o caso particular de sistemas LTI SISO com a representação
ẋ = Ax + Bu (3.220)
y = Cx (3.221)
e entrada nula u(t) = 0, tem-se um único ponto de equilı́brio xE = 0 se A for

não singular.
Os estudos dos casos de u(t) ̸= 0 ou de quando A é singular são deixados como
exercı́cio.
Um ponto de equilı́brio xE é dito ser estável se, dado ε > 0 arbitrário, ∃ δ(ε) >
0 tal que

x(t0 ) − xE < δ(ε) ⇒ x(t) − xE < ε, ∀t ≥ t0 . (3.222)
Um ponto de equilı́brio xE é dito ser assintoticamente estável se é estável e
existe δ > 0 tal que

x(t0 ) − xE < δ ⇒ x(t) − xE ↓ 0 para t ↑ ∞ (3.223)
Um ponto de equilı́brio xE é dito ser globalmente exponencialmente estável se

∃ α, λ > 0 tal que para ∀x(t0 )
x(t) − xE ≤ α x(t0 ) − xE e−λt

; ∀t ≥ t0 (3.224)
Sistemas LTI SISO são ditos globalmente assintoticamente estáveis (com certo
abuso de linguagem, pois estabilidade é propriedade de pontos de equilı́brio) se
todos os autovalores da matriz de sistemas An×n (ou, equivalentemente, todas
as raı́zes λk do polinômio caracterı́stico ∆(λ)) possuem parte real negativa,
pois
n
X
x(t) = Mk eλk t (3.225)
k=1
y = Cx(t) (3.226)
se u(t) = 0.
No domı́nio transformado, tal fato se traduz na condição de que todos os
polos da função de transferência estão localizados estritamente no semiplano
esquerdo.
Existem vários critérios que permitem verificar se todos os polos da função
de transferência estão localizados estritamente no semiplano esquerdo, sem a
necessidade de calculá-los. Alguns desses critérios serão apresentados em um
capı́tulo próprio adiante.
3.9 Controlabilidade
Considere um sistema LTI de dimensão n descrito por
ẋ = Ax + Bu (3.227)
com a condição inicial x(0) = x0 conhecida.

A representação 3.227 é dita ser controlável
h i se, dado um ponto qualquer xf
no espaço de estados, existe u(t), t ∈ 0, tf , tf > 0, tal que
xf = x(tf ) (3.228)
ou seja, existe uma lei de controle u(t) que leva um estado x0 a um outro xf ,
ambos arbitrários.
Levando-se em conta a expressão da solução da equação diferencial 3.227, a
fórmula que expressa a transferência de x(0) = x0 para x(tf ) = xf é
Z tf
xf = e Atf
x0 + eA(tf −τ ) Bu(τ ) dτ
0
Z tf !
Atf −Aτ
= e x0 − e Bu(τ ) dτ (3.229)
0
ou, introduzindo a notação ∆x = e−Atf xf − x0 , a equação 3.229 é reescrita

como
∆x = e−Atf xf − x0 (3.230)
Z tf
= e−Aτ Bu(τ ) dτ (3.231)
0
A tarefa é obter u(t) de modo que a equação 3.231 seja satisfeita. Ressalta-
se que a solução não é única, pois pode-se transitar de x0 a xf percorrendo
caminhos diferentes e que correspondem a u(t) distintos.
Propõe-se a seguinte lei de controle
T
u(t) = BT e−A t WC (0, tf )−1 ∆x (3.232)
em que a matriz W(0, tf ) é definida por

Z t2
∆ Tτ
WC (t1 , t2 ) = e−Aτ BBT eA dτ (3.233)
t1
Assuma que WC (t1 , t2 ), chamada de gramiano de controlabilidade, é inversı́-

vel.
Substituindo-se a lei de controle proposta, a expressão à direita de 3.231 se
torna
Z tf Z tf
Tτ
e−Aτ Bu(τ )dτ = e−Aτ BBT e−A WC (0, tf )−1 ∆x dτ(3.234)
0 0
Z tf
Tτ
= e−Aτ BBT e−A dτ WC (0, tf )−1 ∆x(3.235)
0
| {z }
WC (0,tf )
= ∆x (3.236)

que é o resultado desejado, notando que WC (0, tf )−1 e−Atf xf − x0 foi posto
para fora da integral por este não depender de τ .
Portanto, caso WC (t1 , t2 ) definido em 3.233 seja uma matriz invertı́vel para
t1 ̸= t2 , é possı́vel transitar de x0 a xf e, consequentemente, o sistema é
controlável. Resta verificar se há uma forma simples de verificar se WC (t1 , t2 )
é invertı́vel.
Ao invés de uma prova formal, será mostrado que um critério simples para
verificar a controlabilidade é testar se
h i
n−1
ρ B : AB : ... : A B =n (3.237)
em que ρ(M) denota o posto da matriz.

De fato, substituindo-se a expressão da exponencial 3.122.
e−Aτ = a0 (τ )I + a1 (τ )A + ... + an−1 (τ )An−1 (3.238)
na expressão da gramiano de controlabilidade em 3.233, tem-se que

Z t2
Tτ
WC (t1 , t2 ) = e| −Aτ T −A
{z B}B e dτ (3.239)
t1
Φ
Z t2
= ΦΦT dτ (3.240)
t1
em que
Φ = a0 (τ )B + a1 (τ )AB + ... + an−1 (τ )An−1 B (3.241)
Logo, a não singularidade de WC (t1 , t2 ) está relacionada
h com a não-singularidade
i
de Φ que, por sua vez, depende do posto de U = B : AB : ... : An−1 B .
Detalhes de uma prova completa podem ser encontrados em (CHEN, 1970),
(HESPANHA, 2009) e (KAILATH, 1980), entre outros.
O caso de WC (0, ∞)
Para o cálculo de WC quando o processo é estável e invariante no tempo, note,
inicialmente, que
d At
e = AeAt (3.242)
dt
que permite escrever
d At T
T T
e BBT eA t = AeAt BBT eA t + eAt BBT eA t AT (3.243)
dt
Integrando esta expressão, e lembrando da hipótese de que A é estável
−BBT WC WC
z }| { zZ }| {
∞ ∞
z }| ∞{ Z
At T AT t At T AT t At T AT t
e BB e =A e BB e dt + e BB e dt AT (3.244)
0 0 0
constata-se que
AWC + WC AT + BBT = 0 (3.245)
Exemplos de verificação da controlabilidade

Considere o exemplo do motor DC, representado por um modelo no espaço de
estado com dimensão n = 2
" # " #
0 1 0
ẋ = x+ u (3.246)
−2 −3 1
| {z } | {z }
A B
h i
y = 0 0 1 x (3.247)
| {z }
C
e que corresponde à função de transferência

Y (s)
= C(sI − A)−1 B (3.248)
U (s)
" #−1 " #
h i s −1 0
= 1 0 (3.249)
2 s+3 1
1
= (3.250)
s2 + 3s + 2
A matriz U calculada a partir de {A, B} é
h i
U = B AB (3.251)
" #
0 1
= (3.252)
1 −3
e esta representação do motor DC é controlável uma vez que ρ(U) = 2.

Considere uma outra representação do mesmo motor DC, agora com o espaço
de estados de dimensão n = 3.
   
0 0 −6 3
ẋ =  1 0 −11 x +  1 u (3.253)
   
0 1 −6 0
| {z } | {z }
A B
h i
y = 0 0 1 x (3.254)
| {z }
C
que resulta na mesma função de transferência que 3.250, mas agora empre-
gando {A, B, C} em 3.253 e 3.254
 −1  
s 0 6 3
Y (s) h i
= 0 0 1  −1 s 11   1  (3.255)
   
U (s)
0 −1 s + 6 0
s+3 1
= = 2 (3.256)
(s + 1)(s + 2)(s + 3) s + 3s + 2
O fato de uma representação no espaço de estados de dimensão 3 resultar

em uma função de transferência de ordem 2 está relacionado com o fato de
existirem componentes que ou não recebem entradas, ou não produzem saı́das.
No caso da representação {A, B, C}, tendo-se em vista que

 
h i  3 0 −6 
2
ρ B : AB : A B = ρ
 1 3 −11 
=2<3=n (3.257)

0 1 −3
conclui-se que ela não é controlável. Mais detalhadamente, o cancelamento de

(s + 3) na expressão 3.256 indica que o modo e−3t não é afetado por u(t).
3.10 Observabilidade
Por outro lado, seja um sistema LTI de dimensão n descrito por
ẋ = Ax + Bu, (3.258)
y = Cx, (3.259)
com a condição inicial x(0) = x0 desconhecida.

A representação é dita ser observável se as entradas u(t) e saı́das y(t) são
conhecidas em um intervalo [t1 , t2 ], t1 ̸= t2 , então é possı́vel estimar o valor de
x0 .
Sabendo-se que a solução do sistema de equações 3.258,
Z t
y(t) = CeAt x0 + CeA(t−τ ) Bu(τ )dτ (3.260)
0
ou seja,
Z t
CeAt x0 = y(t) − CeA(t−τ ) Bu(τ )dτ (3.261)
0
| {z }
γ(t)
em que o termo γ(t) é conhecido.

Infelizmente, CeAt não é, em geral, invertı́vel mesmo em casos em que a matriz
−1
C é quadrada n × n, o que não permite escrever x0 = CeAt γ(t), para
algum t.
T
Multiplicando-se a equação 3.261 pela esquerda pelo termo eA t CT , obtém-se
que
T T
eA t CT CeAt x0 = eA t CT γ (3.262)
que, integrado entre 0 e t > 0, leva a
Z t
Tτ T
eA CT CeAτ dτ x0 = eA t CT γ (3.263)
0
Definindo-se a matriz gramiana de observabilidade WO (t1 , t2 ) , no caso geral,

por
Z t2
∆ Tτ
WO (t1 , t2 ) = eA CT CeAτ dτ (3.264)
t1
a expressão 3.263 se torna

T
WO (0, t)x0 = eA t CT γ (3.265)
e, se WO (t1 , t2 ) for inversı́vel para t1 ̸= t2 ,

T
x0 = WO (0, t)eA t CT γ (3.266)
A invertibilidade de WO (t1 , t2 ) pode ser verificada se
ρ (V) = n (3.267)
em que  
C
 
 CA 
V= (3.268)
 
.. 

 . 

CAn−1
conforme argumento análoga utilizado no caso de controlabilidade, ou seja,

Z t2
Tτ
WO (t1 , t2 ) = eA CT Ce Aτ
| {z }dτ (3.269)
t1
Ψ
Z t2
= ΨT Ψdτ (3.270)
t1
Exemplo de verificação da observabilidade

Considere o exemplo do motor DC, representado por
" # " #
0 1 0
ẋ = x+ u (3.271)
−2 −3 1
| {z } | {z }
A B
h i
y = 1 0 x (3.272)
| {z }
C
para o qual
" #
C
V = (3.273)
CA
" #
1 0
= (3.274)
0 1
cujo posto é 2. Logo, esta representação do motor DC é observável.
Os critérios para a verificação de controlabilidade e de observabilidade são

essenciais em um projeto, uma vez que, no projeto de controladores de ma-
lha fechada, a variável manipulada u pode depender direta ou indiretamente
da saı́da y. Na literatura podem ser encontrados outros critérios de contro-
labilidade e de observabilidade (vide, por exemplo, (HESPANHA, 2009)).
3.10.1 Decomposição de Kalman

O modelo de um sistema
ẋ = Ax + Bu (3.275)
y = Cx + Du (3.276)
pode ser reescrito, através de uma transformaçâo similar apropriada x = Px,

na forma
      
x A A12 A13 x B
d  CO   CO   CO   CO 
 xCO  =  0 ACO A23   xCO  +  BCO  u
dt
xCO 0 0 ACO xCO 0
h i
y= 0 CCO CCO x + Du (3.277)
A decomposição de Kalman leva a 4 blocos indicados por: CO = controlável e

observável, CO = controlável mas não observável, CO = não controlável mas
observável, CO = não controlável nem observável.
O bloco CO não é representado em 3.277 porque não recebe entradas nem
produz saı́das, de forma que, se for estável, não afeta o projeto do controlador.
3.10.2 Redução de modelos

Nesse módulo é tratado apenas o método de redução de modelos utilizando
balanceamento dos gramianos de controlabilidade e de observabilidade.
Modelos balanceados são aqueles em que os gramianos de controlabilidade e
observabilidade são iguais e diagonais.
Transformações similares podem tornar modelos não balanceados em balance-
ados.
O balanceamento é útil, por exemplo, na redução de modelos, pois fornece
informações sobre os ganhos relativos de um canal em relação a outro.
Considere um processo descrito por
ẋ = Ax + Bu (3.278)
y = Cx + Du (3.279)
e seja a transformaçâo similar

x = Tz (3.280)
Notando que ẋ = Tż e que z = T−1 x,
A
b B
b
z }| { z }| {
−1
ż = T AT z + T−1 B u (3.281)
C
b
z}|{
y = CT z + Du (3.282)
Usando a expressão 3.245, e multiplicando por T pela esquerda e por T−T

pela direita, obtém-se que
A
bWc +W
cAbT +B
bBbT = 0 (3.283)
−1 T T −T −1 T −T
T c + WT
ATW c A T +T BB T = 0 (3.284)
W W
z }| { z }| {
c T + TWT
A TWT c T AT + BBT = 0 (3.285)
Logo, T transforma W segundo

c = T−1 WT
W (3.286)
Analogamente, para o gramiano de observabilidade, tem-se

bTV
A b +V
bA bTC
b +C b = 0 (3.287)
T T −T −1 T T
T A T b + VT
V b AT + T C CT = 0 (3.288)
V V
z }| { z }| {
T −T −1 −T b −1
A T VT + T VT A + CT C
b = 0 (3.289)
e, portanto,
b = TT VT
V (3.290)
O objetivo é buscar T de modo que
b =W
V c =Λ (3.291)
em que Λ é diagonal  
σ1
Λ=
 .. 
(3.292)
 . 

σn
Uma forma de obter T é através da decomposição em valores singulares (SVD
- Singular Value Decomposition).
1 1
Sejam as matrizes raiz quadrada W 2 e V 2 de W e V, respectivamente, que
pode ser obtida via decomposição de Cholesky (vide, por exemplo, (BERNS-
TEIN, 2009)).
1 T
W = W2 W 2 (3.293)
1 T
V = V V 2 2 (3.294)
T 1
Através da Decomposição em Valores Singulares (SVD) da matriz V 2 W 2 ,
obtém-se N e M
T 1
V 2 W 2 = MΛNT (3.295)
em que MT M = I e NT N = I (ou seja, M−1 = MT e N−1 = NT ).
T 1
Observando em 3.295 que Λ = MT V 2 W 2 N a transformaçâo buscada é
1 1 T 1
T = W 2 NΛ− 2 = V− 2 MΛ 2
−1 −1
De fato, notando que (XY)−T = (YT XT )−1 = XT YT
c = T−1 WT−T
W (3.296)
T
− 21 1
− 12
= Λ MT V WV MΛ
2 2 (3.297)
MΛNT NΛMT
z }| {z }| {
T T
− 21 1 1 1
= Λ M V 2 W 2 W 2 V 2 MΛ− 2
T
(3.298)
− 21 T T T − 12
= Λ M MΛN NΛM MΛ =Λ (3.299)
Analogamente para V,
b
Vb = TT VT (3.300)
T
− 21 1
− 12
= Λ NT W VW NΛ
2 2 (3.301)
NΛMT MΛNT
z }| {z }| {
T T
− 21 1 1 1
= Λ N W 2 V 2 V 2 W 2 NΛ− 2
T
(3.302)
− 21 T T T − 12
= Λ N NΛM MΛN NΛ =Λ (3.303)
Os passos para balancear um modelo no espaço de estados são
• determinar W e V (AW + WAT + BBT = 0 ou AT V + VA + CT C = 0

T 1
• por SVD obter M e N tal que V 2 W 2 = MΛNT
1 1 T 1
• a transformação similar buscada é T = W 2 NΛ− 2 = V− 2 MΛ 2
Uma vez que o sistema está balanceado, ordena-se o conjunto {λ1 , λ2 , ...λn }
e os estados associados a λi menores (informalmente, mais “fracamente” con-
troláveis e observáveis) são descartados.
3.11 Simulação de sistemas dinâmicos

Conforme foi visto, EDOs lineares admitem solução fechada. Porém, em geral,
esse não é o caso de modelos não lineares. Nesses caso, a simulação pode ser
um enfoque útil. Em uma primeira avaliação de se um modelo linearizado e
eventualmente reduzido se aproxima do processo fı́sico real, pode-se fazer uma
comparação com um modelo mais completo, eventualmente não linear.
No passado eram utilizados computadores analógicos, hoje superados pelos di-
gitais. Na simulação analógica, a integração era realizada por amplificadores
operacionais, enquanto na simulação digital a integração é realizada numerica-
mente, utilizando, por exemplo, o algoritmo Runge-Kutta (vide, por exemplo,
(BLUM, 1972)).
A ideia básica é simples e consiste em representar ẋ(t) através de blocos mate-
máticos e de roteamento de sinais, de modo que na saı́da do bloco integrador
seja obtido x(t).
Com o intuito de apresentar uma forma de realizar uma simulação digital de
sistema dinâmico representado por uma equação ordinária, considere a equação
de Van der Pol controlada
ẍ − µ(1 − x2 )ẋ + x = v (3.304)

A equação 3.304 pode ser reescrita de modo que seja expressa em termos de 2
integradores independentes, fazendo-se x1 = x e x2 = ẋ, obtendo-se
x˙1 = x2 (3.305)
x˙2 = µ(1 − x21 )x2 − x1 + v (3.306)
Como pode ser visto na figura 3.21, para o caso particular da equação de Van
der Pol controlada, basta que se alimente cada bloco integrador com sinais ẋ
apropriados.
3.11.1 Solução utilizando transformada de Laplace

Os sistemas do tipo LTI podem ser estudados mediante o emprego da trans-
formadas de Laplace, visto que são representados por equações diferenciais
ordinárias lineares com coeficientes que não variam com o tempo.
A transformada de Laplace é definida por
F (s) = L[f (t)] (3.307)

Z ∞
≜ e−sτ f (τ )dτ (3.308)
−∞
Figura 3.21: Exemplo de diagrama de simulação: equação de Van der Pol.
possui a propriedade
df
L[ (t)] = sF (s) − f (0) (3.309)
dt
Aplicando-se a transformada de Laplace aos dois lados da equação de estados
ẋ = Ax + Bu (3.310)
obtém-se que
L [ẋ] = L [Ax + Bu] (3.311)

sX(s) − x(0) = AX(s) + BU(s) (3.312)
(sI − A) X(s) = x(0) + BU(s) (3.313)
−1 −1
X(s) = (sI − A) x(0) + (sI − A) BU(s) (3.314)
Notando que y(t) = Cx(t) + Du(t), a versão transformada da saı́da Y(s) =

L[y(t)] é dada por
Y(s) = C (sI − A)−1 x(0) + (C (sI − A)−1 B + D)U(s) (3.315)

| {z }
G(s)
A expressão
Y(s)
G(s) = = C(sI − A)−1 B + D (3.316)
U(s)
é denominada de função de transferência do sistema e representa, no domı́nio
transformado “s”, uma relação entre as grandezas de entrada e a saı́da.
A função de transferência é dita ser uma representação externa de um sistema
(ou seja, envolve apenas u e y), enquanto as equações de estado são ditas
serem representações internas (envolvem também x).

Para simplificar a notação, considera-se a partir desse ponto, sistemas SISO,
de modo que G(s) é 1 × 1.
No caso de x(0) = 0, a relação entrada-saı́da é um mero “ganho”
Y (s) = G(s)U (s) (3.317)
e, portanto, no domı́nio transformado, podem-se empregar representações tipo

grafos como o fluxograma ou fluxografo (MASON, 1956) .
A função de transferência é uma razão de polinômios (ou uma matriz com
razões de polinômios Gij (s) no caso multivariável, da forma
N (s)
G(s) = (3.318)
D(s)
K (sm + b1 sm−1 + · · · + bm)
= (3.319)
sn + b1 sn−1 + · · · + bn
K (s − ζ1 ) · · · (s − ζm )
= (3.320)
(s − π1 ) · · · (s − πn )
em que ζi são chamados de zeros e πj de polos do modelo.

De posse de Y (s), a função de saı́da y(t) pode ser recuperada através da
transformada inversa de Laplace
y(t) = L−1 [Y (s)] (3.321)
A ideia é expressar Y (s) como uma soma de parcelas tı́picas
1. L−1 δ(t) = 1 (delta de Dirac)

2. L−1 u(t) = 1

s (degrau unitário)
h i
3. L−1 e−at = 1
s+a
h i
4. L−1 te−at = 1
(s+a)2
5. L−1 cos(ωt) = s

s2 +ω 2
6. L−1 sin(ωt) = ω

s2 +ω 2
3.11.2 Exemplo de transformada inversa de Laplace

Seja um processo cujo modelo é descrito no domı́nio transformado por
2s + 1
G(s) = (3.322)
s2 + 5s + 6
e a excitação é um degrau unitário U (s) = 1/s.

A saı́da Y(s) é dada por

y(t) = L Y (s) (3.323)

= L G(s)U (s) (3.324)
2s + 1 1

= L 2 (3.325)
s + 5s + 6 s
Para obter a expressão da transformada inversa, utiliza-se a expansão em

frações parciais,
2s + 1 1 r1 r2 r3

L 2
= L + + (3.326)
s + 5s + 6 s s+2 s+3 s
em que r1 , r2 e r3 devem satisfazer a identidade
2s + 1 1 r1 r2 r3
= + + (3.327)
s2 + 5s + 6 s s+2 s+3 s
Existem métodos práticos para obter r1 , r2 e r3 , sem necessitar a solução de

um sistema de equações.
Um tal método é multiplicar o denominador associado a ri em ambos os lados
da equação 3.327.
Para o caso particular de obter r2 , multiplicam-se ambos os lados de 3.327 por
(s + 3)
2s + 1 1
(s
+ = r1 (s + 3) + r2 (s
3) + r3 (s + 3) (3.328)
+
3)
+ 3) s

(s + 2)
(s
s+2 s+3
s
Fazendo a substituição s = −3, tem-se que
5 r1 :0
r3 :0
− = (s
+ 3) + r2 + (s
+ 3) (3.329)
3 s+2
s
Usando o mesmo procedimento para obter r1 e r3 , pode-se expressar a saı́da

como
2s + 1 1

y(t) = L 2 (3.330)
s + 5s + 6 s
"
− 35 3 1
#
= L + 2 + 6 (3.331)
s+2 s+3 s
"
− 35
# " #
1
1.5

= L +L +L 6 (3.332)
s+2 s+3 s
5 3 1
= − e−2t + e−3t + 1(t) (3.333)
3 2 6
Relações entre os Domı́nios t e Transformado s

Retomando o exemplo do motor DC, tinha-se que
" # " #
0 1 0 h i
A= ; B= ; C= 1 0 (3.334)
−2 −3 1
Da expressão 3.315,
Y (s) = C (sI − A)−1 x (0) + C (sI − A)−1 B U (s) (3.335)
em que
" #−1
−1
h i s −1
C (sI − A) = 1 0 (3.336)
2 s+3
h i
s+3 1
= s2 +3s+2 s2 +3s+2 (3.337)
e
" #−1
−1
h i s −1
C (sI − A) B = 1 0 (3.338)
2 s+3
" #
h
s+3 1
i 0
= s2 +3s+2 s2 +3s+2 (3.339)
1
1
= (3.340)
s2 + 3s + 2
Portanto, para o motor DC, a relação entrada-saı́da é dada por
h
s+3 1
i 1
Y (s) = s2 +3s+2 s2 +3s+2 x (0) + U (s) (3.341)
s2 + 3s + 2
Seja agora uma entrada do tipo degrau unitário

(
1 t≥0
u(t) = (3.342)
0 t<0
cuja representação no domı́nio transformado é
U (s) = L[u(t)] (3.343)

Z ∞
= e−sτ u(τ )dτ (3.344)
0
Z ∞
= e−sτ dτ (3.345)
0
1 ∞

= − (3.346)
s 0
1
= (3.347)
s
h iT h iT
No caso particular de condição inicial ω(0) ia (0) = 1 0 e entrada
degrau unitário, U (s) = 1/s, a expressão 3.341 permite escrever a resposta
Y (s) como sendo
" #
h
s+3 1
i 1 1 1
Y (s) = s2 +3s+2 s2 +3s+2 + (3.348)
0 s2 + 3s + 2 s
s2 + 3s + 1
= (3.349)
s(s + 1)(s + 2)
e, portanto, y(t) pode ser obtido pela transformada inversa de Laplace
" #
−1 s2 + 3s + 1
y(t) = L (3.350)
s(s + 1)(s + 2)
Expandindo Y (s) da expressão 3.349, tem-se que
s2 + 3s + 1 r1 r2 r3
= + + (3.351)
s(s + 1)(s + 2) s s+1 s+2
(r1 + r2 + r3 ) s2 + (3r1 + 2r2 + r3 ) s + 2r1
= (3.352)
s(s + 1)(s + 2)
Igualando-se os numeradores em 3.351-3.352,
r1 + r2 + r3 = 1 (3.353)
3r1 + 2r2 + r3 = 3 (3.354)
2r1 = 1 (3.355)
ou r1 = 1/2 , r2 = 1 e r3 = −0.5, de modo que

"
1
− 12
#
−1 2 1
y(t) = L + + (3.356)
s s+1 s+2
Consultando uma tabela de transformadas inversas de Laplace (disponı́vel,

por exemplo, em (DORF; BISHOP, 1995), (OGATA, 1970), (FRANKLIN;
POWELL; EMAMI-NAEINI, 1986), (KUO, 1980)), constata-se que
r

−1
L = re−at (3.357)
s+a
e, pela linearidade aplicada à expressão 3.356
1 1
y(t) = ω(t) = + e−t − e−2t (3.358)
2 2
que coincide com o resultado obtido anteriormente (primeiro componente da
expressão 3.158).
Observação 1: Em casos em que há atrasos puros de T unidades de tempo dos
sinais, a função de transferência pode apresentar termos tipo exp(−T s), visto
que
L[f (t − T )] = e−T s (3.359)
que é também do tipo polinomial, caso se interprete como
1 2 2 1
e−T s = 1 − T s + T s − T 3 s3 + ... (3.360)
2! 3!
Observação 2: Considere a função f (t) = e−at em que a > 0. A transformada

de Laplace de f (t), pela definição, é dada por
Z ∞
F (s) = e−st f (t) dt (3.361)
0
Z ∞
= e−st e−at dt (3.362)
Z0∞
= e−(s+a)t dt (3.363)
0
Na região em que (Re{s} + a) > 0, ou seja, Re{s} > −a , a integral converge

e
1
F (s) = (3.364)
s+a
O semiplano caracterizado por Re{s} > −a é chamado de região de conver-
gência (Region of Convergence - ROC).
Logo, para obter a transformada inversa, o caminho da integração (σ −j∞) →

(σ + j∞) em
Z σ+jω
1
L−1 [F (s)] = lim e−st F (s) ds (3.365)
2πj ω→∞ σ−jω
deve ser tal que σ > −a.
A expressão em 3.365 é chamada de Integral de Bromwich ou Fórmula de
Mellin (DOETSCH, 1974).
A transformada de Laplace permite representar a relação entre a entrada

u(t) e a saı́da y(t) que envolve uma integral de convolução como um simples
ganho G(s) no domı́nio transformado, Y(s) = G(s)U(s). A função de
transferência G(s) pode ser calculada de modo muito simples, G(s) = C(sI−
A)−1 B+D, bem como a sua inversa através da expansão em frações parciais.
3.11.3 Resposta a Impuslo t e s

Tanto as soluções obtidas no domı́nio t quanto no domı́nio transformado s são
representações do mesmo sistema e devem estar estreitamente relacionadas. De
fato, considere uma entrada u do tipo impulsivo, ou seja, u(t) = δ(t) (função
delta de Dirac ou, mais rigorosamente, função generalizada ou distribuição de
Dirac).
Considerando o fato (vide, por exemplo (ZEMANIAN, 1965))
Z ∞
f (τ )δ(τ )dτ = f (0) (3.366)
−∞
obtém-se de 3.108 para o caso x(0) = 0 e u(t) = δ(t) que
y(t) = Cx(t) (3.367)

Z t
= CeAt x (0) + CeA(t−τ ) Bu(τ )dτ (3.368)
0
Z t
= CeA(t−τ ) Bδ(τ )dτ (3.369)
0
= CeA(t−τ ) B (3.370)

τ =0
= CeAt B (3.371)
A resposta a uma entrada impulso é denotada por

∆
g(t) = y(t)u=δ = CeAt B

(3.372)
para t ≥ 0, supondo o sistema inicialmente em repouso.

Uma outra maneira de expressar compactamente a resposta impulso é
g(t) = CeAt B × 1(t) (3.373)
em que o sinal degrau unitário é definido por
(
1 ; t≥0
1(t) = (3.374)
0 ; t<0
Essa necessidade de incluir a condição t ≥ 0 decorre do princı́pio da cau-
salidade, ou seja, para indicar a ausência da resposta antes da aplicação da
excitação de entrada, que no caso ocorre em t = 0.
Assumindo-se que u(t) = 0, para t < 0 pode-se notar que
Z t
y (t) = CeA(t−τ ) B u(τ )dτ (3.375)
0
Z ∞
= g(t − τ ) u(τ )dτ (3.376)
−∞
= [g ∗ u](t) (3.377)
em que [f ∗ g](t) denota a convolução entre as funções f e g, de modo que,
usando a propriedade L[[f ∗ g](t)] = F (s)G(s), permite escrever
Y (s) = G(s)U (s) (3.378)
Portanto, G(s) é a transformada de Laplace da resposta a impulso g(t).
É interessante lembrar, ainda, que o polinômio caracterı́stico da matriz An×n
é o polinômio de grau n dado por
∆(s) = det(sI − A) (3.379)
e que coincide com o denominador da função de transferência
G(s) = C(sI − A)−1 B (3.380)
" #
1
= C adj(sI − A) B (3.381)
det(sI − A)
1
= C adj(sI − A)B (3.382)
∆(s)
Portanto, os polos de um sistema são números complexos que anulam o deno-
minador de G(s) e coincidem com os autovalores de A. Além disso, constata-se
que, na ausência de entradas (u(t) = 0), a saı́da do sistema é uma soma ponde-
rada de exponenciais eΛ1 t , ..., eΛn t , chamados de modos. Lembrar que, quando
há autovalores com multiplicidade maior que 1, por exemplo, se Λi possui
multiplicidade k, então surgem termos tk eΛi t
Os autovalores da matriz A são também raı́zes do polinômio caracterı́sticos e

polos da função de transferência. A função de transferência é a transformada
de Laplace da resposta impulso. Para entrada nula, a saı́da de um sistema
LTI é uma soma de exponenciais com pesos dependentes da condição inicial.
Em suma, equações de estado e funções de transferência se relacionam pelo
conjunto de números complexos que são os autovalores da matriz A ou os
polos do G(s).
3.12 Sistemas de segunda ordem

Um sistema de grande importância prática é o de segunda ordem (ou grau).
A função de transferência de um sistema de segunda ordem LTI genérico é da
forma
b
G(s) = 2 (3.383)
s + as + b
Porém, é muito conveniente reescrever 3.383 na forma
ωn2
G(s) = (3.384)
s2 + 2ξωn s + ωn2
pois os polos ficam descritos por
p
2 −2ξωn ± 4ξ 2 ωn2 − 4ωn2
s + 2ξωn s + ωn2 = 0 =⇒ s = (3.385)
2
e no caso de 0 < ξ < 1 os polos são complexos conjugados e dados por
q
s = −ξωn ± jωn 1 − ξ 2 (3.386)
sendo denotados frequentemente na forma
s = −σ ± jωd (3.387)
σ = ξωn (3.388)
q
ωd = ωn 1 − ξ 2 (3.389)
Os parâmetros ξ e ωn possuem interpretação fı́sica imediata e são chamados,

respectivamente, de coeficiente de amortecimento e frequência natural.
A obtenção de ξ e de ωn , a partir de a e b em 3.383, é imediata notando que
√
b = ωn2 =⇒ ωn = b (3.390)
a a
a = 2ξωn =⇒ ξ = = √ (3.391)
2ωn 2 b
Figura 3.22: Relação entre as partes real e imaginária de polos complexos

conjugados de um sistema de segunda ordem.
Como foi visto anteriormente, a resposta de um sistema LTI que possui um
polo em p apresenta termos (modos) tipo ept na saı́da.
Como a matriz A em ẋ = Ax + Bu é real, o polinômio caracterı́stico ∆(s)
possui coeficientes reais, de modo que, se um número complexo s é raiz de
∆(s) = 0, então o seu complexo conjugado s também o é.
Portanto, a saı́da apresenta termos e−σt±jωd t , ou seja, um componente oscila-
tório sin(ωd t + ϕ) com envoltória e−σt .
Graficamente, a resposta de um sistema de segundo grau a uma excitação do
tipo degrau unitário (3.374), quando 0 < ξ < 1, apresenta a forma vista na
figura 3.23.
A resposta a um entrada degrau de um sistema linear de segunda ordem pode
ser bem caracterizada através de dois parâmetros, mais especificamente, ξ e
ωn .
Introduzindo a notação β = cos−1 (ξ) tem-se que a resposta degrau apresenta
como grandezas notáveis o tempo de subida (rise time)
(π − β)
tr = (3.392)
ωd
e o sobressinal (overshoot, sobressinal, sobrepasso, ultrapassagem)
ξ
Mp = exp(− p π) (3.393)
1 − ξ2
Dadas as especificações de sobressinal (Mp ) e tempo de subida (tr ), os valores
de ξ e ωn podem ser obtidas aplicando-se as expressões 3.393 e 3.392, ou por
inspeção dos gráficos 3.24.
Além de tr e Mp , podem ser definidos o tempo de pico tp e o tempo de
acomodação ts . O tempo de acomodação (settling time) ts é aquele que corres-
ponde ao instante em que a saı́da entra em uma faixa de tolerância (no caso)
Figura 3.23: Resposta tı́pica de um sistema de segunda ordem. Nesse exemplo,

ξ = 0.456 e ωn = 2
de 2% em relação ao valor de regime.
Observação importante
Notar que o sobressinal Mp depende somente do coeficiente de amortecimento
ξ, enquanto o tempo de subida tr depende de ξ e de ωn .
Embora ainda não tenha sido definido formalmente, a margem de fase de um
sistema de segunda ordem é calculada a partir da malha aberta
ωn2
L(s) = (3.394)
s2 + 2ξωn
e a sua fórmula é
2ξ
γ = tan−1 qp (3.395)
1 + 4ξ 4 − 2ξ 2
também depende apenas de ξ.
Exemplo: Sistema massa + mola + amortecedor

Retomando o sistema massa+mola+amortecedor, seja fmola = ky) e famortecedor =
bẏ, de modo que
mÿ = f − bẏ − ky (3.396)
em que f é uma força de tração externa.
Figura 3.24: Gráficos Mp × ξ e tr wn × ξ.
·
Assumindo que o corpo está inicialmente em repouso (y = 0, y = 0) e a força
f é aplicada a partir de t = 0, a transformada de Laplace permite escrever

ms2 + bs + k Y (s) = F (s) (3.397)
ou
1
Y (s) m
= 2 b k
(3.398)
F (s) s + ms + m
Logo os parâmetros ξ e ωn são
s
k
ωn = (3.399)
m
b
2ξωn = (3.400)
m
A figura 3.25 apresenta as respostas de sistemas de segunda ordem com ωn = 1

e com valores de ξ = 0.0, 0.2, 0.4, 0.6, 0.8, 1.0, evidenciando o efeito do coefici-
ente de amortecimento.
Vê-se, também, na figura 3.25, o significado do conceito de frequência natural,
no caso, ωn = 1, que corresponde ao perı́odo de oscilação de P = 2 ∗ π/ωn ≃
6.28 s.
Enfim, sistemas de segunda ordem podem ser facilmente especificados me-
diante duas de suas caracterı́sticas: percentagem de sobressinal + tempo de
subida, razão de decaimento + tempo de acomodação, margem de fase + lar-
gura de banda, entre outras combinações, uma vez que são necessários apenas
dois parâmetros ξ e ωn para determinar a posição dos polos.
Figura 3.25: Respostas de sistemas de segunda ordem com ωn = 1 mas com

variados valores de ξ.
3.12.1 Polos dominantes
Os modelos de segunda ordem são, muitas vezes, úteis para o estudo de siste-
mas de ordem maior, pois muitas vezes estes podem ser aproximados, valendo-
se do conceito de polos dominantes.
Seja um sistema que possui polos p1 = −σ + jω, p2 = −σ − jω (σ > 0, ω ≥ 0)
além de polos pi , i = 3, ..., n de modo que Re {pi } ≪ −σ, i = 3, ..., n. Lem-
brando que eRe{pi }t decai muito mais rapidamente que e−σt , constata-se qu,e
após um breve transitório, os modos que predominam são ep1 t e ep2 t .
Considere a função de transferência
106
G(s) = (3.401)
(s + 1)(s + 2)(s + 100)(s + 200)
em que há 2 polos afastados −100 e −200.

A saı́da Y (s) correspondente a uma entrada degrau R(s) = 1/s é dada por
Y (s) = G(s)R(s) (3.402)

106
= (3.403)
s(s + 1)(s + 2)(s + 100)(s + 200)
25 −50.759 25.768 −0.010 0.001
= + + + + (3.404)
s s+1 s+2 s + 100 s + 200
A saı́da y(t) para t ≥ 0 é dada, portanto, por

y(t) = |25 − 50.76 e−t
{z
+ 25.77 e−2t} |−0.01 e−100t {z
+ 0.001 e−200t} (3.405)
dominante negligenciavel
−t −2t
≈ 25 − 50.76 e + 25.77 e ;t≥0 (3.406)
uma vez que os termos −0.010 e−100t +0.001 e−200t são de pequenos coeficientes
e decaem mais rapidamente quando comparado aos termos dominantes.
O cancelamento pode ser realizado diretamente na função de transferência,
levando-se em consideração que, para frequências de interesse (ω ≈ 1, 2), tem-
se que jω << 100, ou seja, (jω + 100) ≈ 100
106
G(s) = (3.407)
(s + 1)(s + 2) × 100 × 200
50
= (3.408)
(s + 1)(s + 2)
Deve-se ter cuidado para não cometer o erro de meramente excluir os termos
com polos afastados ((s + 100) e (s + 200) no exemplo).
106
G(s) = (s (3.409)
(s + 1)(s + 2)(s
+100) +
200

106
= ← ERRADO! (3.410)
(s + 1)(s + 2)
Exemplo: Polos dominantes

Com o intuito de ilustrar a utilização do conceito de polos dominantes, consi-
dere o diagrama de blocos visto na figura 3.26.
Figura 3.26: Exemplo de utilização do conceito de polos dominantes em pro-

jetos de controladores
O problema consiste em ajustar a posição do parâmetro a, na função de trans-

ferência
Y (s) 1 s+a
= (3.411)
E(s) 2 s (s + 1) (s + 2)
1 s+a
= (3.412)
2 s + 3s2 + 2s
3
de modo que, em malha fechada com ganho negativo unitário, a resposta

degrau apresente um sobressinal de 16.3%. Se a hipótese de polos dominantes
for válida, o que deve ser verificado a posteriori, esse sobressinal corresponde
a fazer ξ = 0.5.
A função de transferência de malha fechada é
Y (s) s+a
= (3.413)
R(s) 2s3 + 6s2 + 5s + a
e a expressão 3.413 deve assumir, mediante ajuste de a, o formato desejado
Td (s) com um par de polos complexos dominantes e mais um polo afastado p,
ou seja,
s+a
Td (s) = (3.414)
(s − p) s2 + 2ξωn s + ωn2
s+a
= (3.415)
2(s − p) s2 + 2ξωn s + ωn2
s+a
= (3.416)
2s3 + (4ξω − 2p) s2 + 2ω 2 − 4pξω s − 2pω 2
Igualando-se os denominadores de 3.413 e 3.416, tem-se que

2s3 + 6s2 + 5s + a = 2s3 + (4ξω − 2p) s2 + 2ω 2 − 4pξω s − 2pω 2 (3.417)
e, portanto, deve-se ter
6 = 4ξω − 2p (3.418)
2
5 = 2ω − 4pξω (3.419)
2
a = −2pω (3.420)
Impondo a condição de projeto, ξ = 0.5, resulta um sistema de 3 equações a
3 incógnitas
3 = ω−p (3.421)
2
5 = 2ω − 2pω (3.422)
2
a = −2pω (3.423)
que leva a ω = 5/6, p = −13/6 e a ≃ 3. A parte real dos polos dominantes é

dada por −ωn cos(60o ) = −5/12 = −0.416 67 ≫ −13/6 = −2. 166 7, valendo
a aproximação por polos dominantes. Sempre que se adota uma metodologia
de projeto que envolve aproximações, é importante fazer uma verificação do
resultado obtido.
3.12.2 Efeitos do zero
Quando se projeta um controlador utilizando conceito de polos dominantes, é

imprescindı́vel verificar o resultado, visto que envolve uma aproximação.
Em particular, quando há zeros na função de transferência, o cuidado deve ser
redobrado, como visto na figura 3.27.
Figura 3.27: Exemplo de utilização do conceito de polos dominantes em pro-

jetos de controladores.
As funções de transferência utilizadas na figura 3.27 são
1 −s + α
G1 (s) = (3.424)
α s2 + s + 1
1 s+β
G2 (s) = (3.425)
β s2 + s + 1
em que α = 0.25; 0.35; 0.45 e β = 1.0; 2.0.
Na prática, sistemas de primeira e segunda ordem aproximam adequada-

mente um grande número de processos de interesse. Além disso, o compor-
tamento desses sistemas é facilmente caracterizado por um pequeno número
de parâmetros intuitivos. Em particular, sistemas de segunda ordem podem
ser especificados por ξ e ωn , coeficiente de amortecimento e frequência na-
tural, respectivamente.
3.13 Resposta em frequência

O sinal senoidal tem propriedades especiais com referência a sistemas LTI tanto
pela facilidade que proporciona na análise teórica, quanto em procedimentos
experimentais.
Dado um sistema linear representado pela função de transferência G(s) com
todos os seus polos com parte real negativa, se a entrada é senoidal
u(t) = U sin(ωt) (3.426)
então a resposta y(t) em regime permanente do sistema é também senoidal de

mesma frequência e dada por

y(t) = G (jω) U sin ωt + ∠G (jω) (3.427)
Considere um sistema representado por G(s) = N (s)

D(s) e seja uma entrada se-
noidal u(t) = U sin (ωt) cuja transformada de Laplace é
Uω
U (s) = (3.428)
s2 + ω2
A saı́da do sistema para esta entrada é então
N (s) Uω
Y (s) = G(s)U (s) = (3.429)
D(s) s + ω 2
2
N (s) U ω
= (3.430)
(s + p1 ) ... (s + pn ) (s − jω) (s + jω)
cuja expansão em frações parciais, assumindo que o conjunto de polos é cons-
tituı́do de polos reais distintos, polos reais com multiplicidade maior que 1 e
polos complexos conjugados, resulta em
A1 An Bk1 Bk2
Y (s) = + ··· + + + +
(s + p1 ) (s + pn ) (s + pk ) (s + pk )2
C1 s + D 1 E E∗
+··· + + · · · + + (3.431)
(s + σ1 )2 + ω12 (s − jω) (s + jω)
em que os coeficientes Ai , Bk e C e D correspondem aos polos do sistema e

os coeficientes E e E ∗ aos polos do sinal de entrada e são dados por
U
E = G(jω) (3.432)
2j
U
E∗ = G(−jω) (3.433)
−2j
Invertendo a transformada de Laplace, obtém-se
y(t) = A1 e−p1 t + · · · + An e−pn t +

+Bk1 e−pk t + Bk2 te−pk t + · · · +
+K1 e−σ1 t cos (ω1 t + ϕ1 ) + · · · + Ee+jωt + E ∗ e−jωt (3.434)
Como por hipótese todos os polos do sistema têm parte real negativa, a saı́da
em regime permanente (t → ∞) será
yrp (t) = 0 + · · · + 0 + Ee+jωt + E ∗ e−jωt (3.435)
Portanto, substituindo os valores de E e E ∗ das equações 3.432 e 3.433,

U U
yrp (t) = G (jω) ejωt + G (−jω) e−jωt (3.436)
2j −j2
que, após simplificação, resulta em

yrp (t) = G (jω) U sin ωt + ∠G (jω) (3.437)
Conclui-se que para modelos LTI estáveis, o cálculo da resposta a uma

entrada
senoidal, em regime permanente, requer apenas o ganho de amplitude
G (jω) e a defasagem ∠G (jω).
Como os sinais periódicos podem ser decompostos em uma soma de senoides
(harmônicas nas séries de Fourier) e os sistemas
lineares
satisfazem o princı́pio
da superposição, os valores numéricos de G (jω) e ∠G (jω) para frequências
variando de 0 a ∞ constituem uma representação da dinâmica do sistema.
3.13.1 Curvas de Bode

Em geral, quando a representação gráfica G (jω) e apresentada na forma de
módulo e fase, são utilizados dois sistemas de coordenadas:

Curva de Magnitude: 20 log(G (jω)) × log ω
Curva de Fase: ∠G (jω) × log ω
Tais gráficos são chamados de curvas de Bode e a de magnitude é representada

em dB e, usualmente, a de fase em graus.
As curvas são traçadas em papel monolog e a leitura do eixo das abscissas é
realizada em rad/s.
K (s − z1 ) ... (s − zm )
G(s) = (3.438)
(s − p1 ) ... (s − pn )
e note que
G(jω) = K |jω − z1 | ... |jω − zm |

(3.439)
|jω − p1 | ... |jω − pn |
Para fazer esboços gráficos, é mais conveniente que se tenha somas de termos
ao invés de multiplicações. Assim, aplicando-se 20 log(.) em ambos os lados
da expressão 3.439 tem-se que

20 log G(jω) = 20 log K + 20 log |jω − z1 | + ... + 20 log |jω − zm |
−20 log |jω − p1 | + ... + 20 log |jω − pn | (3.440)
O gráfico de 20 log K é simplesmente uma constante.

O gráfico dos ganhos, compostos pela soma de curvas associadas a termos do
tipo 20 log |jω − a|, cada quais aproximáveis pelas assı́ntotas
• Se ω << a, então 20 log |jω − a| ≃ 20 log |a| que é uma constante.
• Se ω >> a, então 20 log |jω − a| ≃ 20 log ω que é uma reta usando escala
[dB] na ordenada e log ω.
Para a fase, tem-se que

!
K (jω − z1 ) ... (jω − zm )
∡G(jω) = ∡ (3.441)
(jω − p1 ) ... (jω − pn )
= ∡ (jω − z1 ) + ... + ∡ (jω − zm )
−∡ (jω − p1 ) − ... − ∡ (jω − pn ) (3.442)
em que cada termo do tipo ∡ (jω − a) possui a aproximação vista na figura

3.28 traçada para a = 10. A aproximação da curva de fase pode utilizar os
pontos notáveis 0.2a e 5a.
3.13.2 Resposta em frequência de um sistema de segunda ordem

Como mencionado anteriormente, os sistemas de segunda ordem desempenham
um papel muito importante na prática e, consequentemente, são relevantes os
conhecimentos quanto à sua caracterização no domı́nio da frequência.
Os pontos notáveis nas curvas de Bode de sistemas de segunda ordem são a
frequência de ressonância q
ωr = ωn 1 − 2ξ 2 (3.443)
e o pico na resposta em frequência (usualmente apresenta-se em dB)
1
Mr = p (3.444)
2ξ 1 − ξ 2
Figura 3.28: Parcela das curvas de Bode correspondentes a um termo 1/(s+a).
A figura 3.29 apresenta uma resposta em frequência tı́pica de um sistema de

2a ordem subamortecida, além de indicar o significado do pico em ressonância
Mr e a frequência de ressonância ωr .
Se o sobressinal desejado é Mp , tem-se a partir da equação 3.393 que o coefi-
ciente de amortecimento requerido é
ln Mp
ξ = −q (3.445)
π 2 + ln2 Mp
que corresponde ao pico na resposta em frequência Mr fornecido pela expres-

são 3.444. Estando de posse do valor de ξ e uma outra especificação, como o do
tempo de subida, pode-se determinar ωn e, portanto, ωr , segundo a expressão
3.443.
3.13.3 Resposta em frequência de um atraso de transporte

Conforme visto em 3.97, o modelo do atraso de transporte é da forma
y(t) = u(t − T ) (3.446)

e, portanto, a função de transferência correspondente é
Y (s) = L(u(t − T )) = U (s)e−T s (3.447)
Para efeito da resposta em frequência e traçado das curvas de Bode, nota-

se que |e−jωT | = 1, constante, ou 0 dB = 20 log(1). Porém, a fase é dada
Figura 3.29: Curvas de Bode de um processo de 2a ordem em que se indica o

significado do pico em ressonância Mr e a frequência de ressonância ωr .
por ∡e−jωT = −ωT e, portanto, cresce indefinidamente com o aumento da

frequência ω.
Uma visualização gráfica e intuitiva é apresentada na figura 3.30, em que se
observa que um mesmo atraso de transporte de T = 0.785 s corresponde a
diferentes valores de atraso de fase. No caso, atrasos de fase de π/4 rad para o
sinal sin(t + T ) em relação ao sinal sin(t) e de π/2 rad para o sinal sin(2t + T )
em relação ao sin(2T ).
Figura 3.30: Influência da frequência no valor do atraso de fase

As curvas de Bode representam, graficamente e de modo com-

pleto, o comportamento de um sistema. Logo, as curvas de Bode
desempenham um papel muito importante em projeto de controla-
dores, uma vez que várias caracterı́sticas importantes do sistema,
como a ressonância, a margem de fase e a banda passante, podem
ser facilmente visualizadas e modificadas.
3.13.4 Filtro complementar

Quando se tem dois sensores medindo uma mesma grandeza e a faixa de
frequência dos ruı́dos é diferente, existe um exemplo muito ilustrativo da im-
portância do conceito de resposta em frequência. Na figura 3.31 são apresen-
Figura 3.31: Filtro complementar
tadas duas alternativas para implementação do filtro complementar.

O sinal v1 é uma medida da grandeza y perturbado com um ruı́do aditivo de
alta frequência, enquanto v2 é a medida de y perturbada com um ruı́do de
baixa frequência.
Um exemplo é a estimação da velocidade baseada em dois sensores diferen-
tes: um acelerômetro e um sensor de posição. Os sinais v1 e v2 poderiam
corresponder à integral das medidas do acelerômetro e derivadas do sensor de
posição. Nesse caso, a integração possui efeito de filtro passa baixas enquanto
o derivador exacerba os ruı́dos.
3.13.5 Cartas de Nichols

A carta de Nichols, às vezes chamada de carta de Nichols-Black, é uma ferra-
menta gráfica (ábaco) que permite a visualização simultânea de caracterı́sticas
de malhas aberta e fechada de controle.
Seja GM A (s) uma função de transferência de malha aberta. Dados os valores
numéricos do módulo |GM A (jω)| e da fase ∡GM A (jω) para uma dada frequên-
cia ω, a Carta de Nichols permite ler graficamente o módulo |GM F (jω)| e a
fase de ∡GM F (jω) de malha fechada
GM A
GM F = (3.448)
1 + GM A
em um gráfico módulo × fase. É usual utilizar a escala dB no eixo da ordenada,
Exemplo: Carta de Nichols

A figura 3.32 ilustra o aspecto de uma Carta de Nichols para a função de
transferência
s+3
GM A = (3.449)
s(s + 1)(s + 5)
Figura 3.32: Carta de Nichols para a função de transferência de malha aberta

1/s(s + 1)(s + 2).
É interessante ressaltar que curvas de Bode podem ser obtidas experimen-

talmente no laboratório, utilizando-se um gerador de sinais senoidais e um
osciloscópio, ou de um sistema digital de geração e aquisição digital de sinais.
3.13.6 Largura de banda

Intuitivamente, sistemas que possuem respostas rápidas são aqueles que ate-
nuam pouco os componentes de frequências mais elevadas. O grau de atenu-
ação das altas frequências em relação às baixas pode ser expresso quantitati-
vamente pela largura de banda.
Dada uma função de transferência G (s), a largura de banda é a faixa (0, ωc ),
sendo que a frequência de corte ωc é caracterizada por

G (jω) < G (jωc ) − 3 dB ∀ω > ωc . (3.450)
O conceito de largura de banda é importante uma vez que, quanto maior,

a resposta do sistema tende a ser mais rápida. Intuitivamente, tal fato está
relacionado com a proporcionalidade inversa entre ω e t.
3.14 Realizações simples

Dadas as matrizes {A, B, C, D} de uma representação no espaço de estados,
a função de transferência é obtida facilmente aplicando-se a fórmula
G(s) = C(sI − A)−1 B + D (3.451)
como foi visto em 3.315.

Por uma questão de simplicidade, vamos assumir que D = [0] e que G(s) é
escalar.
O problema de realização consistem em obter {A, B, C} a partir de um G(s)
dado.
Forma canônica controlável
Considere uma função de transferência G(s) dada por
Y (s)
= G(s) (3.452)
U (s)
c0
= (3.453)
sn + a1 sn−1 + ... + an−1 s + an
e, note que, para condições iniciais nulas e utilizand0 a notação y (α) = dα y/dtα ,
tem-se
y (n) + a1 y (n−1) + ... + an−1 ẏ + a0 y = c0 u (3.454)
ou
y (n) = −a1 y (n−1) − ... − an−1 ẏ − a0 y + c0 u (3.455)
Fazendo-se a associação
x1 = y (3.456)
x2 = ẏ (3.457)
..
.
xn−1 = y (n−2) (3.458)
(n−1)
xn = y (3.459)
segue imediatamente que
ẋ1 = ẏ = x2 (3.460)
ẋ2 = ÿ = x3 (3.461)
..
.
ẋn−1 = y (n−1) = xn−2 (3.462)
(n)
ẋn = y = −a1 xn − ... − an−1 x2 − an x1 + c0 u (3.463)
Substituindo a expressão 3.455 em 3.463 e utilizando a notação

h iT
x= x1 x2 · · · xn−1 xn (3.464)
tem-se
   
0 1 0 ··· 0 0
···
   
 0 0 1 0   0

.. .. .. .. ..
   
ẋ = 
 .. x + 
 
u

(3.465)
 . . . . .   .

 0 0 0 ··· 1 

 0 
 
−an −an−1 −an−2 · · · −a1 1
| {z } | {z }
A B
e h i
y= c0 0 0 0 0 x (3.466)
| {z }
C
ou seja,
ẋ = Ax + Bu (3.467)
y = Cx (3.468)
Quando a matriz C possui a forma especial

h i
C= c0 c1 · · · cm−1 cm 0 · · · 0 (3.469)
tem-se da expressão para G(s)

  
∗ ∗ ··· ∗ 1 0
∗ ∗ ··· ∗
  
 s  0 
1 h i
.. .. . . .. ..

..

G(s) = c0 c1 · · · cn−2 cn−1 
  
. . . . .  . 
∆(s) 
n−2
 

 ∗ ∗ ··· ∗ s  0



∗ ∗ ··· ∗ sn−1 1
com ck = 0 para m + 1 ≤ k ≤ n − 1 que resulta em
cm sm + cm−1 sm−1 + ... + c1 s + c0
G(s) = (3.470)
sn + an−1 sn−1 + ... + a1 s + a0
A realização obtida é controlável, pois
U = [ B ; AB ; ...; An−1 B ] (3.471)
 
0 0 ··· 0 1
0 0 ···
 
 1 0 
.. .. .. .. 
 
= (3.472)


 . . ⧸ . . 

 0 1 ··· ∗ ∗  
1 ∗ ··· ∗ ∗
que tem posto n.
3.14.1 Forma canônica observável

Para sistemas de 1 entrada e 1 saı́da, G(s) é 1 × 1, tem-se que
G(s) = GT (s) (3.473)
−1 T T −1 T
C(sI − A) B = B (sI − A ) C (3.474)
b = BT e B
e chamando C b = CT de modo que G(s) = C(sI
b − AT )−1 B,
b tem-se
que    
C
b BT
b T BT AT
   
 CA   
..
   
V = ..  =  (3.475)
 . 
  . 

n−1  n−1 
BT A T
 
b AT
C
e, portanto,
VT = [B; AB; ...; An−1 B] (3.476)
= U (3.477)
Como a transposição não altera o posto, V possui posto n e, portanto, a
representação é observável.
3.14.2 Realização diagonal

A função de transferência pode ser expandida em frações parciais
cm sm + cm−1 sm−1 + ... + c1 s + c0

G(s) = (3.478)
sn + an−1 sn−1 + ... + a1 s + a0
r1 rn
= + ... + (3.479)
s − p1 s − pn
Assumindo que pi ̸= pj , para i ̸= j, para evitar a necessidade de recorrer à

forma completa da representação de Jordan, tem-se que
Y (s) r1 rn
= + ... + (3.480)
U (s) s − p1 s − pn
ou seja,
Y (s) = Y1 (s) + ... + Yn (s) (3.481)

r1 rn
= U (s) + ... + (U s) (3.482)
s − p1 s − pn
A realização de
ri
Gi (s) = ; i = 1, ...n (3.483)
s − pi
é imediata,
ẋi = −pxi + ri u ; i = 1, ...n (3.484)
h iT
Assim, para x = x1 x2 · · · xn−1 xn pode-se escrever
   
−p1 0 0 ··· 0 r1
−p2 ···
   
 0 0 0   r2 
.. .. ..
   
ẋ = 
 .. x + 
 
u

(3.485)
 . . . ··· 0   . 

 0 0 0 −pn−1 0 

 r
 n−1


0 0 0 ··· −pn rn
| {z } | {z }
A B
e, para a saı́da, de 3.481,

h i
y= 1 1 ··· 1 1 x (3.486)
| {z }
C
Quando o estado x está disponı́vel, pode-se conceber uma estratégia de con-

trole baseado em modos, utilizando mudança de base.
Note que se P ∈ Rn×n é não singular, então a transformação
e = Px
x (3.487)
permite escrever
ė = Pẋ
x (3.488)
= P (Ax + Bu) (3.489)
−1
= PAP PBu
e + |{z}
| {z } x (3.490)
A
e B
e
Esse tipo de transformação é dita ser similar e os autovalores são preservados,

ou seja,
det(λI − A)
e = det(λPP−1 − PAP−1 ) (3.491)
= det(P(λI − A)P) (3.492)
XXX−1
= X det(λI − A) det(P
det(P) ) (3.493)
X XX XX
= det(λI − A) (3.494)
3.14.3 Utilização dos parâmetros de Markov

Considere inicialmente a função de transferência
β0 sn + β1 sn−1 + · · · + βn
G(s) = (3.495)
sn + α1 sn−1 + · · · + αn
Através de divisão longa, G(s) pode ser escrita em termos de polinômio em si ,
β0 sn + β1 sn−1 + · · · + βn
= β0 + (β1 − α1 β0 )s−1 + · · · (3.496)
sn + α1 sn−1 + · · · + αn h0 h1
−1
= h0 + h1 s + h2 s−2 + · · · (3.497)
em que hi são introduzidos para simplificar a notação.

Inspecionando-se os coeficientes de si , obtém-se que
h0 = β 0 (3.498)
h1 = −α1 h0 + β1 (3.499)
h2 = −α1 h1 − α2 h0 + β2 (3.500)
..
.
hk = −α1 hk−1 − α2 hk−2 − · · · − αk h0 + βk (3.501)
Portanto, a função de transferência pode ser escrita como uma soma de po-
tências de s com os coeficientes dados pelos parâmetros de Markov:
G(s) = h0 + h1 s−1 + h2 s−2 + · · · (3.502)
A matriz de Hankel, denotado H(m, n), é definida por

 
h1 h2 ··· hn
···
 

 h2 h3 hn+1 

H(m, n) = 
 h3 h4 ··· hn+2 
 (3.503)
 .. .. .. .. 

 . . . . 

hm hm+1 · · · hm+n−1
Por outro lado, considere a representação no espaço de estados
ẋ = Ax + Bu y = Cx
cuja representação no domı́nio transformado é
G(s) = C(sI − A)−1 B (3.504)
Sabendo-se que
(sI − A)−1 = I + As−1 + A2 s−2 + · · · (3.505)
a função de transferência pode ser reescrita como

G(s) = C I + As−1 + A2 s−2 + · · · B (3.506)
= CB + CABs−1 + CA2 Bs−2 + · · · (3.507)
Comparando-se os termos desse polinômio em s com o que envolvia os

parâmetros de Markov hi , obtido anteriormente, constata-se que
hk = CAk−1 B
Os passos para utilizar o conceito de parâmetros de Markov para realizar G(s)

são:
• A partir do G(s) de ordem n, efetuar a divisão longa e obter os parâme-

tros de Markov {h1 , ..., h2n }
• Construir a matriz de Hankel

 
h1 h2 ··· hn
···
 
 h2 h3 hn+1 
.. .. ..
 
H(n + 1, n) = 
 .. 
(3.508)
 . . . . 


 hn hn+1 · · · h2n−1 

hn+1 hn+2 · · · h2n
• Determinar o posto de H(n + 1, n)
n∗ = ρ H(n + 1, n)

(3.509)

• Obter α1 α2 · · · αn∗ ∗
1 ∗
0 ··· 0 tal que
n +1 n +2 n+1
h i
α1 α2 · · · αn∗ 1 0 ··· 0 H(n + 1, n) = 0 (3.510)
• Construir as matrizes A, B e C
 
0 1  

.. ..
 h1

. .
  . 
A = ; B =  ..  (3.511)
  
 
 0 1 
  hn∗
−α1 −α2 · · · −αn∗
h i
C = 1 0 ··· 0 (3.512)
Pode-se verificar que

h ∗ −1
i
U = B AB · · · An B = H(n∗ , n∗ ) (3.513)
 
C
 
 CA 
V = .. =I (3.514)
 

 . 
∗ −1
 
CAn
possuem rank n∗ .
Portanto, a representação é completamente controlável e observável, ou seja,
a realização é mı́nima.
Teorema de Silverman
Uma sequência infinita de parâmetros de Markov é realizável por um modelo
LTI, se e somente se existirem inteiros n e m tal que ρ(H(n, m)) = ρ(H(n +
1, m + i)) = n∗ para i = 1, 2, .... Nesse caso, n∗ é a ordem da realização
mı́nima.
3.14.4 Realização de Gilbert

Seja G(s)p×m uma função de transferência estritamente própria (D = 0p×m )

G(s) = gij (s) ; i = 1, ..., p ; j = 1, ..., m (3.515)
e
∆ (s) = sr + ar−1 sr−1 + · · · + a1 s + a0 (3.516)
o mı́nimo múltiplo comum dos denominadores de gij (s).
Assumindo-se que as raı́zes λi , i = 1..., r do polinômio caracterı́stico são dis-
tintas, pode-se escrever
r
Y
∆ (s) = (s − λi ) (3.517)
i=1
e permitem obter as matrizes Ri , i = 0, ..., r − 1, tais que

r
X 1
G(s) = Ri (3.518)
i=1
s − λi
Os resı́duos são obtidos fazendo-se
Ri = lim (s − λi ) G(s) (3.519)

s→λi
Denote-se
ρi := rank (Ri ) (3.520)
e sejam matrizes Ci e Bi escolhidos de modo que
Ri = Ci Bi (3.521)
Nessas condições, uma realização controlável {A, B, C, 0} é dada por

   
λ1 Iρ1 ×ρ1 B1
..  ; B =  ..  ; C = C1 · · · Cr
    h i
A=
 .   . 
λr Iρr ×ρr Br
(3.522)
Exemplo
1 2
" #
s+1 s+1
G(s) = 1 1 (3.523)
− (s+1)(s+2) s+2
e seja ∆ (s) = (s + 1) (s + 2).

A expansão em frações parciais leva a identidade
" #
1 s + 2 2s + 4
G(s) = (3.524)
(s + 1) (s + 2) −1 s+1
1 1
= R1 + R2 (3.525)
s+1 s+2
em que
" # " #
1 2 0 0
R1 = ; R2 = (3.526)
−1 0 1 1
Portanto,
ρ1 = 2 (3.527)
ρ2 = 1 (3.528)
e uma possibilidade de escolha de Ci e Bi seria

" # " #" #
1 2 1 0 1 2
R1 = = (3.529)
−1 0 0 1 −1 0
C1 B1
e " # " #
0 0 0 h i
R2 = = 1 1 (3.530)
1 1 1
B2
C2
A realização diagonal de Gilbert obtida é dada por

 " # " #   " # 
 −1 0   1 2 
ẋ =

 h −1 0  x +  h −1 0 i
 
u

(3.531)
 i   
0 0 [−2] 1 1
   
−1 1 2
=  −1  x +  −1 0  u (3.532)
   
−2 1 1
e  " # " #  " #

1 0 0 1 0 0
y= x = x (3.533)
0 1 1 0 1 1
Para verificação, basta calcular C (sI − A)−1 B. Além disso, pode-se verificar
que a representação é completamente controlável e observável, ou seja, é mı́-
nima.
Para sistemas de 1 entrada e 1 saı́da, G(s) é 1 × 1, tem-se que
G(s) = GT (s) (3.534)

−1 T T −1 T
C(sI − A) B = B (sI − A ) C (3.535)
b = BT e B
e, chamando C b = CT de modo que G(s) = C(sI
b − AT )−1 B,
b tem-se
que    
C
b BT
b T BT AT
   
 CA   
.
   
V=  .
.. =
 
.. 
 (3.536)
 n−1   n−1 
BT AT
   
C A
b T
e, portanto, como esperado,
VT = [ B ; AB ; ...; An−1 B ] (3.537)

= U. (3.538)
Como a transposição não altera o posto, V possui posto n e, portanto, a re-

presentação é observável.
Mais detalhes no artigo original:
Gilbert, E. G. Controllability and Observability in Multivariable Control Sys-
tems. S.I.A.M. Control, Ser. A, 1, p. 128-151, 1963.
É importante a habilidade de transitar entre as diferentes representações

no espaço de estados e através das funções de transferência, visto que es-
pecificações diferentes se adaptam melhor a uma ferramenta em um certo
domı́nio do que em outro. Além disso, funções de transferência podem ser
obtidas em ensaios laboratoriais, injetando-se sinais senoidais u e observando
a relação entre y e u (ganho e defasagem).
Em 1756, Euler Leonhard Euler (1707-1783), um dos maiores matemáticos da

história, escreveu Elementa Calculi Variationum, em que apresenta a equa-
ção de Euler-Lagrange. No entanto, a primeira solução para um problema de
cálculo de variações é atribuı́do a Sir Isaac Newton PRS (1642-1727) por ter
resolvido o problema de obter o perfil de uma figura geométrica de revolução
que oferecesse a mı́nima resistência ao movimento em um fluido, em 1687.
Em 12 de agosto de 1755, Joseph-Louis Lagrange (Giuseppe Luigi Lagrangia,
1736-1813) escreveu uma carta a Euler, apresentando um novo método para
resolver os problemas na obra Methodus inveniendi lineas curvas maximi mi-
nimive proprietate gaudentes sive solutio problematis isoperimetrici latissimo
sensu accepti de Euler, escrito em 1744 e editado por Marcum-Michaelem
Bousquet.
Em 1898, Oliver Heaviside FRS (1850-1925) apresenta o cálculo operacional

e estuda o comportamento transitório de sistemas, introduzindo o conceito
análogo ao de função de transferência.
O cálculo operacional de Heaviside foi colocado em alicerces robustos por Tho-
mas John I’Anson Bromwich (1875-1929) e, em particular, a integral de con-
torno utilizada na transformada inversa é chamada de integral de Bromwich.
3.15 Exercı́cios
3.15.1 Exercı́cio: Sistema eletromecânico
Os sistemas micromecânicos (MEMS) são, em geral, baseados em efeitos elé-
tricos ao invés de dispositivos maiores que se valem de efeitos magnéticos.
Se o dielétrico é o ar, a rigidez dielétrica é da ordem de 3E6V /m resultando
E e = 12 ε0 E 2 ∼ 40 J.m−3 .
Por outro lado, utilizando indutores com núcleo de ferro, considerando satu-
ração a 1.6 W b.m−2 , tem-se Em = 2µ1 0 b2 850 J.m−3 .
Assim, dispositivos baseados em efeitos elétricos são interessantes para dispo-
sitivos de pequenas dimensões, como os manufacturados com tecnologia mi-
croeletrônica. Neste exercı́cio, busca-se obter um matemático na forma de um
sistema de equações diferenciais ordinárias para o sistema ilustrado em 3.33
Figura 3.33: Um sistema fı́sico envolvendo elementos elétricos e mecânicos.
sabendo-se que as expressões para T , V e R elétricos, respectivamente, Tele ,

Vele e Rele , são
1 1 1
Tele = Lq̇ ; Vele = (q̇)2 ; Rele = R (q̇)2 (3.539)
2 2C(x) 2
3.15.2 Exercı́cio: Modelos de pêndulos

Utilizando a formulação Lagrangiana, obter modelos para as duas modalidades
de pêndulos da figura 3.34.
Figura 3.34: (a) Modelo simplificado de uma ponte rolante; (b) modelo sim-
plificado para um objeto suspenso por uma fixação elástica.
3.15.3 Exercı́cios: Solução de equações diferenciais ordinárias

Obter as soluções das seguintes equações diferenciais ordinárias lineares e in-
variantes no tempo.
Observação: É interessante resolver as equações no domı́nio do tempo (t) e no
domı́nio transformado (s) e verificar que os resultados são compatı́veis.
1.
d2 y
2 + 7ẏ + 3y = 0 (3.540)
dt2
y (0) = 1 (3.541)
ẏ (0) = 0 (3.542)
2.
ẏ + 3y = δ (t) (3.543)
y (0) = 0 (3.544)
3.
ẏ + 3y = u (t) (3.545)
y (0) = 0 (3.546)
4.
ẏ + 3y = sin (10t) (3.547)

y (0) = 0 (3.548)
5.
1

ẏ + 3y = sin t (3.549)
10
y (0) = 0 (3.550)
6.
ẏ + 3y = e−3 (3.551)
y (0) = 0 (3.552)
Figura 3.35: Sistema de 2 tanques acoplados.
3.15.4 Exercı́cio: Sistema de tanques acoplados

Obter um modelo na forma de equação de estados para o sistema de vasos
comunicantes da figura 3.35.
As entradas são as variações incrementais das bombas (q1 e q2 ) e as saı́das são
as variações incrementais do nı́vel de lı́quido (h1 e h2 ).
3.15.5 Exercı́cio: Modelo de um circuito envolvendo transformador

Considere o circuito da figura 3.36. Calcular V2 /I, sabendo-se que, para o
Figura 3.36: Um circuito elétrico com transformador.
transformador, tem-se
v1 = sL11 i1 + sM i2 (3.553)
v2 = sM i1 + sL22 i2 (3.554)
e os pontos indicam a sua polaridade.

3.15.6 Exercı́cio: Modelo de um girômetro

Considere um giroscópio montado em um sistema de eixos como ilustrado na
figura 3.37.
Figura 3.37: Um sistema girômetro.
Obter a equação de estado, considerando x1 = θ e θ̇ e, caso resulte em um

modelo não linear, linearize-o.
3.15.7 Exercı́cio: Erros em regime permanente

Calcular os erros em regime para entradas degrau e rampa, supondo que as
funções de transferência fornecidas são de malha aberta e a realimentação a
ser utilizada é unitária.
1.
s+2
G (s) = (3.555)
(s + 1)2
2.
s+2
G (s) = (3.556)
s (s + 1)
3.
s+2
G (s) = (3.557)
s2 (s
+ 1)
4.
s+2
G (s) = (3.558)
+ 1)2
s2 (s
3.15.8 Exercı́cio: Ampliadores operacionais (OpAmps)

Obter a função de transferência Y (s) /U (s) para cada circuito da figura 3.38.
Figura 3.38: Circuitos de relevância prática utilizando OpAmps.
3.15.9 Exercı́cio: Traçado de curvas de Bode

Esboçar as curvas de Bode:
1.
s+1
G (s) = (3.559)
(s + 0.1) (s + 10)
2.
9
G (s) = (3.560)
s2 + 0.6s + 9
3.
1
G (s) = (3.561)
s (s + 1)
4.
1
G (s) = (3.562)
s (s − 1)
5.
10
G (s) = (3.563)
s2 + s + 1 (s + 10)
6.
10
G (s) = (3.564)
(s + 1) (s + 10)
7.
10 (s + 1)
G (s) = (3.565)
(s + 2) (s + 5)
8.
2 (s + 1)
G (s) = (3.566)
(s + 2)
9.
(s + 2)
G (s) = (3.567)
(s + 1)
10.
(1 − s)
G (s) = (3.568)
(s + 1)
11.
9 s2 + 0.2s + 1
G (s) = (3.569)
s s2 + 1.2s + 9
12.
s (s − 1)
G (s) = (3.570)
(s + 2)2 (s + 5)
13.
10(1 − s)
G(s) = (3.571)
s2 (s + 5)
14.
ẋ = Ax + Bu (3.572)
y = x1 (3.573)
" #
0 1
A = (3.574)
−25 −4
" #
1
B = (3.575)
1
15.
100e−0.5s
G(s) = (3.576)
s (s + 1)
3.15.10 Exercı́cio: Traçado manual de curvas de Bode

Esboce manualmente, utilizando lápis e papel monolog, as curvas de Bode

9 s2 + 0.2s + 1
G(s) = (3.577)
s s2 + 1.2s + 9
3.15.11 Exercı́cio: Resposta em frequência de um filtro

Esboçar as curvas de Bode (Vout (s) é a saı́da e Vin (s) a entrada) do circuito
da figura 3.39.
Figura 3.39: Um circuito utilizando amplificador operacional ideal.
3.15.12 Exercı́cio: Margens de ganho e de fase

Determinar M F e M G:
(a)
1
G (s) = (3.578)
(s + 1)3
(b)
(s + 2)
G (s) = (3.579)
(s + 1) (s − 3)
(c)
1
G (s) = e−s (3.580)
2
3.15.13 Exercı́cio: Especificações no domı́nio da frequência

Um servomecanismo possui função de transferência
500A
G (s) = (3.581)
s (s + 10) (s + 20)
em que A é o ganho ajustável do amplificador. Qual deve ser o valor de A de

modo que, ao se fechar a malha com uma realimentação unitária, o sistema
possua um pico de ressonância Mr de 8 dB? Em que frequência ocorre a
ressonância?
3.15.14 Exercı́cio: Solução de EDO utilizando a transformada de La-

place
Obter a transformada inversa de Laplace, utilizando o método da expansão
em frações parciais
a)
s2 + 2s + 3
G (s) = (3.582)
(s + 1)3
b)
90 (s + 2)
G (s) = (3.583)
s2 (s + 1) (s + 3)
3.15.15 Exercı́cio: Transformação de representação no espaço de es-

tado para função de transferência
Determine a função de transferência Y (s) /U (s) e discuta o resultado:
   
0 1 0 1
ẋ =  0 0 2  x +  −1  u (3.584)
   
−15 −23 −9 1
h i
y = 5 6 1 x (3.585)
3.15.16 Exercı́cio: Função de matriz

Considere uma matriz da forma
 
a 1 0
A= 0 a 0  (3.586)
 
0 0 a
em que a ∈ R e a ̸= 0. Obter uma matriz B, tal que eB = A.

Lembrar que
∞
(−1)n+1
(x − 1)n
X
ln(x) = (3.587)
i=1
n
3.15.17 Exercı́cio: Resposta degrau a partir do repouso

Esboçar a resposta a uma entrada tipo degrau unitário u(t) para o sistema
descrito por:
" # " #
0 1 0
ẋ = x+ u (3.588)
−3 −4 1
h iT
x (0) = 0 0 (3.589)
h i
y = 1 0 x (3.590)
3.15.18 Exercı́cio: Resposta à condição inicial

Esboçar a resposta y(t) para entrada nula u(t) = 0, ∀t ≥ 0, sabendo-se que:
" # " #
0 1 0
ẋ = x+ u (3.591)
−3 −4 1
h iT
x (0) = 1 1 (3.592)
h i
y = 1 0 x (3.593)
3.15.19 Exercı́cio: Resposta impulso

Esboçar a resposta impulso do sistema descrito pelas equações de estado
" # " #
0 1 0
ẋ = x+ u (3.594)
−3 −4 1
h iT
x (0) = 0 0 (3.595)
h i
y = 1 0 x (3.596)
3.15.20 Exercı́cio: Resposta degrau com condição inicial não nula

Esboçar a resposta y(t) para entrada degrau unitário u(t), sabendo-se que
" # " #
0 1 0
ẋ = x+ u (3.597)
−3 −4 1
h iT
x (0) = 1 1 (3.598)
h i
y = 1 0 x (3.599)
3.15.21 Exercı́cio: Propriedade da matriz companheira

Dada uma matriz quadrada Anxn do tipo
 
0 1 0 ··· 0
···
 
 0 0 1 0 
.. .. .. ..
 
A=
 .. 
(3.600)
 . . . . . 


 0 0 0 ··· 1 

−an −an−1 −an−2 · · · −a1
(a) mostrar que o seu polinômio caracterı́stico é
det (sI − A) = sn + a1 sn−1 + ... + an−1 s + an (3.601)

(b) e os autovalores são da forma
 
1
 
 λ 
λ2
 
(3.602)
 
 
 .. 

 . 

λn−1
3.15.22 Exercı́cio: Matriz de Vandermonde

(a) Mostrar que o determinante de uma matriz de Vandermonde V
 
1 ··· 1
λ1 ··· λn
 
 
λ21 λ2n
 
Vn×n = 
 ··· 
 (3.603)
 .. .. 

 . . 

λn−1
1 · · · λn−1
n
é dado por Y
det (V) = λj − λi (3.604)
1≤i<j≤n
(b) Apresentar uma aplicação desse resultado em problemas de sistemas de
controle.
3.15.23 Exercı́cio: Propriedade de autovalores

Mostrar que se Λi , i = 1, ..., n são os autovalores de uma matriz An×n , então
n
Y
det (A) = λi (3.605)
i=1
3.15.24 Exercı́cio: Realizações

Obter uma representação do tipo
ẋ = Ax + Bu (3.606)
y = Cx (3.607)
para o sistema cuja função de transferência é
Y (s) s+2
G (s) = = 2 (3.608)
U (s) s + 5s + 6
e verificar a controlabilidade e a observabilidade.
3.15.25 Exercı́cio: Cancelamentos em funções de transferência

Determine a função de transferência Y (s) /U (s) e discuta o resultado obtido:
   
0 1 0 1
ẋ =  0 0 2  x +  −1  u (3.609)
   
−15 −23 −9 1
h i
y = 5 6 1 x (3.610)
3.15.26 Exercı́cio: Controlabilidade e observabilidade

Considere um processo representado no espaço de estados por
   
1 1 0 1
ẋ =  0 1 0  x +  0  u (3.611)
   
0 0 2 0
h i
y = 0 1 0 x (3.612)
1. Verificar se o sistema é controlável. Caso não seja, determinar o modo

não controlável.
2. Verificar se o sistema é observável. Caso não seja, determinar o modo
não observável.
3.15.27 Exercı́cio: Seleção de sensores

Considere o processo representado no espaço de estado por
" # " #
0 −2 0
ẋ = x+ u (3.613)
1 −3 1
y = Cx (3.614)
Assumindo que no mercado existem 4 sensores compatı́veis com esse pro-

cesso,
h i
C1 = 2 −2 (3.615)
h i
C2 = −1 2 (3.616)
h i
C3 = −1 1 (3.617)
h i
C4 = 0 1 (3.618)
qual o dispêndio mı́nimo para se conseguir monitorar todos os componentes de
x, sabendo-se que os custos dos sensores C1 , C2 , C2 e C4 são, respectivamente,
R$ 100,00, R$ 150,00, R$ 120,00 e R$ 240,00?
3.15.28 Exercı́cio: Isolação de falhas

Um método simples para isolar falhas de sensores é utilizar observadores de
estado. Considere um sistema que possui 3 sensores associados a matrizes C1 ,
C2 e C3 .
ẋ = Ax + Bu (3.619)
y1 = C1 x (3.620)
y2 = C2 x (3.621)
y3 = C3 x (3.622)
Assume-se que o estado é observável a partir de quaisquer dos sensores C1 ,
C2 e C3 . Denotando por x b o estado estimado e ybi , i = 1, 2, 3, as saı́das de
cada estimador, ou seja,
b + Bu + L (y3 − yb3 )
b = Ax
x (3.623)
yb1 = C1 x
b (3.624)
yb2 = C2 x
b (3.625)
yb3 = C3 x
b (3.626)
qual o comportamento dos sinais ei = yi − ybi , i = 1, 2, 3, se houver falha, uma
de cada vez, nos sensores 1, 2 e 3?
3.15.29 Exercı́cio: Inserção de integrador na malha

Considere o processo representado no espaço de estado por
" # " #
0 1 0
ẋ = x+ u (3.627)
0 0 1
h i
y = 1 0 x (3.628)
Deseja-se utilizar uma lei de controle da forma

Z t

u(t) = −Kx(t) + ρ r(τ ) − y(τ ) dτ (3.629)
0
em que r(t) é o sinal de referência a ser rastreada.

Obter os valores de K e de ρ, de modo que os polos dominantes correspondam
a uma resposta degrau com sobressinal de 16.3% e tempo de subida de 1 s.
3.15.30 Exercı́cio: Realizações

Obter uma representação no espaço de estados na forma canônica observável
e também a função de transferência Y (s)/U (s)
d3 y d2 y dy dyu
3
+6 2 +8 = 2u + (3.630)
dt dt dt dt
3.15.31 Exercı́cio: Realimentação de estados

Considere um processo cuja função de transferência é
s + 10
G(s) = 100 (3.631)
s3 + 30s2 + 300s + 1000
1. Obter uma realização {A3×3 , B3×1 , C1×3 , D1×1 } com a propriedade de

que seja observável mas não controlável.
2. Verificar se seria possı́vel utilizar uma lei de controle tipo realimentação

de estados u = −Kx + r, de modo que para r(t) do tipo unitário, a res-
posta apresente sobressinal de aproximadamente 16% e tempo de subida
de aproximadamente 1 s.
3.15.32 Exercı́cio: Resposta temporal à condição inicial não nula

Esboçar o gráfico x2 (t) × x1 (t) para t ≥ 0 do processo descrito por
" #
0 1
ẋ = x (3.632)
−1 0
h iT
sabendo-se que x(0) = 0 1 .
3.15.33 Exercı́cio: Manutenção da controlabilidade sob realimentação

de estados
Considere as matrizes A e b de dimensões n × n e n × 1, respectivamente.
Denotando por ρ(M) o posto (rank ) da matriz M, mostrar que
h i h i
ρ b | Ab |...| An−1 b = ρ b | (A − bk) b |...| (A − bk)n−1 b (3.633)
para qualquer k de dimensão 1 × n. Qual a relevância dessa propriedade no

contexto de sistemas de controle?
3.15.34 Exercı́cio: Magnitude de sinais de controle

Considere o processo descrito por
" # " #
0 1 0
ẋ = x+ u (3.634)
−6 −5 1
h i
y = 1 0 x (3.635)
h iT
1. Obtenha uma lei de controle u(t) que a partir de x(0) = 1 0 em
h iT
t = 0 atinja x(1) = −1 0
h iT
2. Obtenha uma lei de controle u(t) que a partir de x(0) = 1 0 em
h iT
t = 0 atinja x(10−10 ) = −1 0 .
3.15.35 Exercı́cio: Incertezas nos sensores

" # " #
0 1 0
ẋ = x+ u (3.636)
−3 −4 1
h i
y = c1 c2 x (3.637)
em que c1 e c2 são ganhos associados aos sensores que monitoram os compo-

nentes x1 e x2 do estado, respectivamente.
Os sensores apresentam incertezas, de modo que
ci = cnom
i + ∆ci ; i = 1, 2 (3.638)
sendo cnom
i o valor nominal informado pelo fabricante e ∆ci a incerteza devida
à fabricação.
Escolher a melhor opção em termos de precisão do observador de estados a

ser implementado, considerando que há várias opções de sensores comerciais,
conforme a tabela abaixo, porém com a restrição de que c1 e c2 devem ser do
mesmo fabricante.
Marca cnom
1 ∆c1 cnom
2 ∆c2
Alfasense 10 0.1 1 0.2

Betasense 5 0.2 5 0.2
Gamasense 1 0.3 10 0.2
4
Modelos de tempo discreto
“The events in our lives happen in a sequence in time, but in their sig-
nificance to ourselves they find their own order the continuous thread
of revelation.”
– Eudora Welty
Um exemplo tı́pico de sistemas de tempo discreto, doravante referido apenas

como sistemas discretos, é a caderneta de poupança.
Seja p[k] o recurso que um poupador possui em um certo banco, no mês k.
A dinâmica de p[k] pode ser representada por
p[k + 1] = (1 + ρ) p[k] + d[k] − r[k]
em que ρ é a taxa de juros + correção monetária, d[k] são os depósitos e r[k]

os resgates.
Ainda que os sistemas discretos sejam utilizados em uma ampla gama de apli-
cações, aqui o foco será o controle por computador.
4.1 Equações a diferenças

Um sistema discreto pode ser modelado por uma equação a diferenças com
recorrência, ou seja, os valores presentes da grandeza de interesse (y[k]) de-
pendem dos seus valores anteriores e das excitações (entradas) u[k]
y[k] = f ( y[k − 1], y[k − 2], ..., y[k − n], u[k], u[k − 1], u[k − 2], ..., u[k − m], k )
(4.1)
O maior atraso em y é a ordem da equação a diferenças, no caso, n.
139
Um exemplo de um sistema discreto (não linear) é
y[k] = y[k − 1]3 y[k − 2] + k sin(2π y[k − 1]) (4.2)
Assim como no caso de EDO, o modelo é dito linear e invariante no tempo

(LTI) se f é linear e não depende de k, ou seja, é da forma
y[k] = −a1 y[k − 1] − a2 y[k − 2] − ... − an y[k − n] +

| {z }
AR
+b0 u[k] + b1 u[k − 1] + b2 u[k − 2] + ... + bm u[k − m] (4.3)
| {z }
MA
em que ai ∈ R e bj ∈ R são constantes, i = 1, 2, ..., n e j = 0, 1, 2, ..., m.
Na expressão do modelo, uma parte do valor de y[k] é a combinação dos valores

anteriores de y[.] (autorregressão, auto-regression - AR), enquanto uma outra
é a combinação dos valores recentes de u[.] em uma janela de tempo (média
móvel dos últimos valores de u[i], moving-average - MA).
Modelos nessa forma são muitas vezes referidas como ARM A (Auto-Regressive
Moving Average).
Denotando o operador atrasador por q −1 , o modelo pode ser escrito na forma
y[k] + a1 q −1 y[k] + a2 q −2 y[k] + ... + an q −n y[k]

= b0 u[k] + b1 q −1 u[k] + ... + bm q −m u[k] (4.4)
Definindo-se os polinômios
A(q −1 ) = 1 + a1 q −1 + a2 q −2 + ... + an q −n (4.5)

−1 −1 −2 −m
B(q ) = b0 + b1 q + b2 q + ... + bm q (4.6)
o modelo de um sistema discreto pode ser expresso de modo compacto
A(q −1 )y[k] = B(q −1 )u[k] (4.7)
4.1.1 Modelos no espaço de estados

Uma equação a diferenças de ordem n pode ser reescrita como n equações de
ordem 1.
Para ilustrar o processo, considere o caso particular de n = 4 e b0 = 0
y[k] = −a1 y[k − 1] − a2 y[k − 2] − a3 y[k − 3] − a4 y[k − 4] +

+b1 u[k − 1] (4.8)
Modelos de tempo discreto 141
A condição b0 = 0 significa que não há resposta instantânea y[k] a uma exci-
tação u[k].
h iT
Seja o vetor xk = x1 [k] x2 [k] x3 [k] x4 [k] , obtido mediante a associa-
ção
x1 [k] = y[k − 3] ; x2 [k] = y[k − 2] ; x3 [k] = y[k − 1] ; x4 [k] = y[k] (4.9)
Por inspeção, constata-se que
x1 [k] = y[k − 3] = x2 [k − 1] (4.10)

x2 [k] = y[k − 2] = x3 [k − 1] (4.11)
x3 [k] = y[k − 1] = x4 [k − 1] (4.12)
x4 [k] = y[k] (4.13)
= −a1 y[k − 1] − a2 y[k − 2] − a3 y[k − 3] − a4 y[k − 4] +
+b1 u[k − 1] (4.14)
em que a última linha pode ser reescrita substituindo-se y por x ou
x4 [k] = −a1 x4 [k − 1] − a2 x3 [k − 1] − a3 x2 [k − 1] − a4 x1 [k − 1] +
+b1 u[k − 1] (4.15)
Em notação matricial, tem-se que

   
0 1 0 0 0
   
 0 0 1 0  
 x[k − 1] +  0 
u[k − 1] (4.16)
x[k] = 

 0 0 0 1 


 0 

−a4 −a3 −a2 −a1 b1
| {z } | {z }
A B
h i
y[k] = 0 0 0 1 x[k] (4.17)
| {z }
C
Observação: Caso b0 ̸= 0, adiciona-se b0 u[k] na expressão da saı́da y[k] =

Cx[k] + b0 u[k] ou y[k] = Cx[k] + Du[k].
A equação de estado é de recorrência,
x[k + 1] = Ax[k] + Bu[k] (4.18)
e dadas
1. a condição inicial x[0] = x0 e

2. a sequência de entradas {u[0], ..., u[k − 1]}

é imediato obter a expressão para um termo genérico x[k] na forma fechada
x[1] = Ax0 + Bu[0] (4.19)

2
x[2] = Ax[1] + Bu[1] = A x0 + ABu[0] + Bu[1] (4.20)
3 2
x[3] = Ax[2] + Bu[2] = A x0 + A Bu[0] + ABu[1] + Bu[2] (4.21)
..
.
k−1
X
k
x[4] = A x0 + Ak−1−i Bu[i] (4.22)
i=0
Exemplo de resposta a uma sequência degrau

Considere o modelo de tempo discreto
" # " #
0 1 0
x[k + 1] = x[k] + u[k] (4.23)
−0.6 1 1
h i
y[k] = 1 0 u[k] (4.24)
A resposta à sequência u[k] = 1 ∀k encontra-se ilustrada na figura 4.1.
Figura 4.1: Exemplo de resposta degrau de um sistema discreto. O Eixo da

abscissa é o conjunto de números naturais.
4.1.2 Estabilidade de modelos discretos

Em vista de se ter
x[k] = Ak x0 (4.25)
o modelo será estável se |λi (An×n ) | < 1 ; i = 1, 2, ..., n ou, em outras palavras,
se todos os autovalores de A estiverem contidos no cı́rculo unitário no plano
complexo.
Se a saı́da de interesse é dada por y[k] = Cx[k], então
k−1
X
y[k] = CAk x0 + CAk−1−i Bu[i] (4.26)
i=0
e, para x0 = 0 e entrada tipo pulso unitário (delta de Kronecker),

(
1 k=0
u[k] = (4.27)
0 k ̸= 0
tem-se que a resposta é

y[k] = CAk−1 B (4.28)

u[k]
Pode-se verificar que o modelo é BIBO estável se a resposta a pulso é limitada.
Seja entrada limitada | u[k] | < M1 , 0 < M1 < ∞. A saı́da correspondente é

k−1
X
CAk−1−i Bui

y[k] = (4.29)

i=0
k−1
X
≤ CAk−1−i B M1 (4.30)

i=0
Se a resposta impulso é limitada, | CAk−1−i B | < M2 , 0 < M2 < ∞, então
k−1
X
y[k] ≤ M2 M1 = k M 2 M1 < ∞ (4.31)

i=0
4.1.3 Controlabilidade de modelos discretos

A verificação da controlabilidade é imediata, pois se a ordem do modelo é n e
são dados x0 e xf , respectivamente o ponto inicial e o final desejados,
xf − An x0 = An−1 Bu[0] + An−2 Bu[1] + ... + ABu[n − 2] + Bu[n − 1] (4.32)
de modo que se
h i
ρ B AB · · · An−2 B An−1 B =n (4.33)

pode-se determinar a lei de controle desejada u[0], u[1], ..., u[n − 1] .
Porém, deve se ter cuidado, pois, por definição, controlabilidade se refere
à capacidade de levar qualquer estado x0 à origem.
O modelo, x[k + 1] = 0n×n x[k] + Bn×1 u[k], segundo essa definição é contro-
lável (logo, o termo atingibilidade é preferı́vel em alguns casos).
4.1.4 Observabilidade
A verificação da observabilidade (capacidade de determinar x0 a partir de
medidas y[i], i = 1, 2, ..., n) também é imediata.
Por simplicidade, seja {u[i]} ≡ 0 e assuma que são fornecidas n medições,
y[0] = Cx0 (4.34)

y[1] = Cx[1] = CAx0 (4.35)
..
.
y[n] = Cx[n] = CAn−1 x0 (4.36)
Assuma que o posto

 
C
 
 CA 
ρ  =n
 
..

 . 

CAn−1
Nesse caso, imediatamente,

 −1  
C y[0]
   
 CA   y[1] 
x0 = 
   
..   .. 

 . 


 . 

CAn−1 y[n − 1]
Em princı́pio, para obter o valor de x[k] de um modelo de ordem n, observável,

basta que se disponha de n medições da saı́da, {y[k], ..., y[k + n − 1]}.
Porém, uma forma mais prática de se obter uma estimativa do estado é através
do uso de observadores de estados.
Observadores de estados são também conhecidos como Estimadores de Estado
ou ainda como Observadores de Luenberger.
Nota-se que os modelos de estados no tempo contı́nuo e no tempo discreto

são muito semelhantes. Enquanto no tempo contı́nuo tem-se eA t, no caso
discreto tem-se RAk . O efeito da excitação u continua sendo via convolução
P
com integração no caso contı́nuo e somatória no caso discreto. A região
de estabilidade é o semiplano esquerdo no caso contı́nuo e o cı́rculo unitário
no caso discreto. Os testes de controlabilidade e de observabilidade são
idênticos.
4.2 Transformadas Z
A solução de equações diferenciais ordinárias invariantes no tempo que mode-
lam processos LTI pode ser estudada com o uso de transformada de Laplace.
No caso de processos de tempo discreto, modelado por equações a diferenças,
utiliza-se a transformada Z.
Dada uma sequência

{ f[k] }k=0,1,2,... a transformada Z (convenciona-se, usual-
mente, denotar Z f [k] por F (z)) é definida por
∞
f [k]z −k
X
Z f [k] = (4.37)
k=0
O conceito de funções geradoras era conhecido há longa data (de Moivre, 1730)
e foi reintroduzido em 1947 por Witold Hurewicz, sendo batizado de transfor-
mada Z por Ragazzini, J.R. e Zadeh, L.A. da Universidade de Columbia em
1952.
Exemplo: Transformada de degrau discreto

(
1 k≥0
u[k] = (4.38)
0 k<0
Diretamente da definição de transformada Z
U (z) = 1z 0 + 1z −1 + 1z −2 + ... (4.39)

1
= (4.40)
1 − z −1
z
= (4.41)
z−1
Os modos mais simples para obter a transformada inversa de F (z) é a divisão
longa e expansão em frações parciais, embora exista a fórmula de inversão.
4.2.1 Propriedades da transformada Z

Embora existam muitas propriedades da transformada Z, restringe-se aqui
àquelas mais utilizadas na Teoria de Controle.
• Linearidade: Z[ αf [k] + βg[k] ] = αF (z) + βG(z)
• Deslocamento no tempo: Z[ f [k + 1]u[k] ] = zF (z) − zf [0].

Em geral, propriedades de transformada Z são facilmente verificadas
diretamente.
No caso, considere as sequências
f [k] = f [0], f [1], f [2], ... (4.42)

fb[k] = f [1], f [2], f [3], ... (4.43)
Constata-se imediatamente que
F (z) = Z[f [k]] (4.44)

−1 −2 −3
= f [0] + f [1]z + f [2]z + f [3]z ... (4.45)
−1 −2
zF (z) = zf [0] + f [1] + f [2]z + f [3]z ... (4.46)
Fb (z) = Z[fb[k]] (4.47)
−1 −2
= f [1] + f [2]z + f [3]z ... (4.48)
e, logo por inspeção, Fb (z) = zF (z) − zf [0].
• Transformada da potenciação:
Z[ak ] = a0 z −0 + a1 z −1 + a2 z −2 + ... (4.49)

−1 −1 2
= 1 + (az ) + (az ) + ... (4.50)
z
= (4.51)
z−a
• Teorema do valor final:
f∞ = lim (z − 1)F (z)

z→1
• Transformada da convolução: (f ∗ g)[k] = F (z)G(z)
Mais detalhes, outras propriedades e tabela de transformadas Z podem ser

encontradas, por exemplo, em (HEMERLY, 1996), (CADZOW; MARTENS,
1970), (FRANKLIN; POWELL; EMAMI-NAEINI, 1986) e muitos outros tex-
tos.
4.3 Modelo no domı́nio z

Considere um modelo no espaço de estados
x[k + 1] = Ax[k] + Bu[k] ; y[k] = Cx[k] (4.52)
Aplicando-se a transformada Z, tem-se que
Z[ x[k] ] = Z[ Ax[k] + Bu[k] ] (4.53)

zX(z) − zx0 = AX(z) + BU (z) (4.54)
ou seja,
X(z) = (zI − A)−1 x0 + (zI − A)−1 BU (z) (4.55)
Lembrando que y = Cx, tem-se que Y (z) = CX(z) e o modelo é descrito no
domı́nio transformado por
Y (z) = C (zI − A)−1 x0 + C (zI − A)−1 BU (z) (4.56)

| {z }
G(z)
obtendo-se, como no caso de tempo contı́nuo, a função de transferência G(z)
G(z) = C (zI − A)−1 B (4.57)
Exemplo de função de transferência

" # " #
0 1 0
x[k + 1] = x[k] + u[k] (4.58)
−0.2 0.9 1
| {z } | {z }
A B
h i
y[k] = 1 0 x[k] (4.59)
| {z }
C
Tem-se imediatamente que
Y (z)
G(z) = (4.60)
U (z)
= C (zI − A)−1 B (4.61)
z+1
= 2
(4.62)
z − 0.9 z + 0.2
4.4 Transformada inversa de Z

Dadas a função de transferência G(z) e uma entrada U (z), tem-se imediata-
mente que a saı́da, no domı́nio transformado, é dada por
Y (z) = G(z)U (z) (4.63)
assumindo condições iniciais nulas.

Para obter a sequência de saı́da y[k] = Z −1 [Y (z)], pode-se utilizar o mesmo
método apresentado no caso de tempo contı́nuo, ou seja, expansão em frações
parciais com termos tı́picos:
• Z −1 δ[k] = 1

(delta de Kronecker)
• Z −1 u[k] = 1

1−z −1
(degrau unitário)
h i
• Z −1 ak u[k] = 1
1−az −1
h i
az −1
• Z −1 kak u[k] = (1−az −1 )2
1−z −1 cos(w)
• Z −1 cos(kω)u[k] =

1−2z −1 cos(w)+z −2
z −1 sin(w)
• Z −1 sin(kω)u[k] =

1−2z −1 cos(w)+z −2
Exemplo
1
Seja um processo cuja função de transferência é G(z) = z 2 −0.3z−0.1
e a entrada
u[k] é um degrau unitário.
z
Lembrando que Z[u[k]] = z−1 , tem-se que
1 z
Y (z) = (4.64)
z 2 − 0.3z − 0.1 z − 1
z
= (4.65)
(z − 0.5)(z + 0.2)(z − 1)
−1.4286 −0.2381 1.6667
= + + (4.66)
z − 0.5 z + 0.2 z−1
z
Pela tabela, Z[ak ] = z−a , de modo que
y[k] = Z −1 [Y (z)] (4.67)

−1 −1.4286 −0.2381 1.6667

= Z + + (4.68)
z − 0.5 z + 0.2 z−1
k−1
= −1.4286z(0.5) − 0.2381z(−0.2)k−1 + 1.6667 k ≥ 1 (4.69)
Pausa para relembrar conceitos importantes: No caso contı́nuo, utilizava-se

a transformada Rde Laplace e no caso discreto a transformada z. Nota-se
que L{ f (t) } = 0∞ f (τ )e−sτ dτ enquanto Z{ f [k] } = ∞ i
P
1=0 f [i]z , de modo
que se observa, novamente, exponenciação e integração no caso contı́nuo e
potenciação e somatória no caso discreto.
4.5 Alguns textos históricos

John Ralph Ragazzini (1912-1988) é considerado o
pioneiro na área de sistemas de controle para mode-
los de tempo discreto.
Junto com Lotfi Aliasker Zadeh (1921-2017), apre-
sentado mais à frente na seção que trata de conjun-
tos nebulosos, propôs, em 1952, a transformada Z.
Entre os livros mas antigos sobre controle de mode-

los discretos estão: Figura 4.2: J. R. Ra-
gazzini.
• Ragazzini, J. R. e Zadeh, L. A. The analysis of

sampled-data system. Transactions of the American Institute of Elec-
trical Engineers, Part II: Applications and Industry, v. 71, n. 5, p.
225-234, 1952.
• Jury E. I. Theory and Application of the Z-

Transform Method. John Wiley and Sons, 1964.
4.6 Exercı́cios
4.6.1 Exercı́cio: Sequência de Fibonacci
Considere a equação a diferenças (que gera a sequência de Fibonacci)
u[k] = u[k − 1] + u[k − 2] (4.70)

u[0] = 0 (4.71)
u[1] = 1 (4.72)
Escrever o termo geral na forma
u[k] = α1 λk1 + α2 λk2 (4.73)


Obter uma expressão para o termo genérico y[k]
y[k] + 0.3y[k − 1] − 0.4y[k − 2] = 0 (4.74)

y[0] = 1 (4.75)
y[1] = −1 (4.76)
4.6.3 Exercı́cio: Resposta à entrada delta de Kronecker

Obter uma expressão para o termo genérico y[k] de
y[k] + 0.3y[k − 1] − 0.4y[k − 2] = u[k − 1] (4.77)

y[0] = 0 (4.78)
y[1] = 0 (4.79)
sabendo-se que a excitação é caracterizada por

(
1 k=0
u[k] = (4.80)
̸ 0
0 k=
4.6.4 Exercı́cio: Resposta à excitação degrau

Obter uma expressão para o termo genérico y[k], sabendo-se que u[k] =
1, ∀k ≥ 0
y[k] + 0.3y[k − 1] − 0.4y[k − 2] = u[k − 1] (4.81)

y[0] = 0 (4.82)
y[1] = −0 (4.83)
4.6.5 Exercı́cio: Resposta à excitação rampa

Obter uma expressão para o termo genérico y[k], sabendo-se que u[k] =
k, ∀k ≥ 0 (Entrada u tipo rampa)
y[k] + 0.3y[k − 1] − 0.4y[k − 2] = u[k − 1] (4.84)

y[0] = 1 (4.85)
y[1] = −1 (4.86)

Obter uma expressão para o termo genérico y[k]
y[k] + y[k − 1] + 0.5y[k − 2] = 0 (4.87)

y[0] = 1 (4.88)
y[1] = −1 (4.89)
4.6.7 Exercı́cio: Transformada inversa em Z

Obter e[k] aplicando a transformada inversa em Z
1.
z(z − 1)
E(z) =
z2 − 1.25z + 0.25
2.
z
E(z) =
z 2 − 2z + 1
3.
z
E(z) =
(z − 1)(z + 1)
4.
0.5z
E(z) =
(z − 1)(z − 0.5)
5.
0.5
E(z) =
(z − 1)(z − 0.5)
6.
0.5(z + 2)
E(z) =
(z − 1)(z − 0.5)
7.
0.5
E(z) =
(z + 0.5)(z − 0.5)2
8.
0.5(z + 0.5)
E(z) =
(z − 0.5)3
4.6.8 Exercı́cio: Espaço de estados

Colocar na forma de espaço de estados,
x[k + 1] = Ax[k] + Bu[k] (4.90)

y[k] = Cx (4.91)
as seguintes equações a diferenças
1. y[k] − 1.5 y[k − 1] + 0.56 y[k − 2] = u[k − 1]
2. y[k] + y[k − 1] + y[k − 2] + y[k − 3] = 5 u[k − 1]
3. y[k] − 1.5 y[k − 1] + 0.56 y[k − 2] = u[k − 1] + 0.2 u[k − 2]
4.6.9 Exercı́cio: Função de transferência discreta

Obter a função de transferência Y(z)/U(z) a partir da equação a diferenças
1. y[k] − 3y[k − 1] + 2 y[k − 2] = 2 u[k − 1]
2. y[k] − 1.5 y[k − 1] − 0.56 y[k − 2] = 2 u[k − 1] − 1.12 u[k − 2]
4.6.10 Exercı́cio: Função de transferência discreta

Y (z)
Obter a função de transferência T (z) = U (z) :
   
0 1 0 0 0
   
 0 0 1 0  
 x[k − 1] +  0 
 u[k − 1] (4.92)
x[k] = 

 0 0 0 1 


 0 

−0.2 −0.4 0.1 0.8 0.1
h i
y[k] = 0 0 1 1 x[k] (4.93)
4.6.11 Exercı́cio: Estabilidade

Indicar para que valores de α os seguintes modelos são estáveis:
z
1. G(z) = z 2 −α2
z−α
2. G(z) = z+α
3. y[k] − 0.7y[k − 1] + α y[k − 2] = u[k − 1]
4. y[k] − 0.7y[k − 1] + α y[k − 2] = u[k − 1] − 2u[k − 2]

5
Identificação de modelos
“All identification is for control and ownership..”

– Bryant McGill
Identificação, no contexto desta obra, é o processo de construir um modelo para

um dado sistema a partir dos registros de pares entrada-saı́da, { u(t), y(t) }t0 ≤t≤tf
ou { u[k], y[k] }0≤k0 ≤kf .
Em geral, podem ser agrupadas em duas categorias.
1. Identificação paramétrica: tendo-se escolhido a estrutura do modelo,
os seus parâmetros são estimados a partir dos dados disponı́veis. Por
exemplo, se a estrutura escolhida é um sistema LTI de segunda ordem,
busca-se estimar ξ e ωn .
2. Identificação não paramétrica: a partir dos pares entrada-saı́da, busca-se
diretamente um mapa que os relacione. Por exemplo, um algoritmo de
aprendizado pode ser utilizado para ajustar uma rede neural artificial
que represente esse mapa entrada-saı́da.
5.1 Métodos elementares

Sistemas simples, por exemplo, do tipo LTI de uma entrada e uma saı́da,
podem ser identificados por experimentos simples, como:
• Excitar o processo com sinais u(t) do tipo degrau e observar a resposta.
Caso a resposta se aproxime àquela caracterı́stica de 2a ordem, o so-
bressinal, o tempo de subida e o erro em regime permanente permite
determinar K, ξ e ωn de
K
T (s) = (5.1)
s2 + 2ξωn s + ωn2
153
• Excitar o processo com sinais senoidais em uma ampla faixa de frequên-

cias e ajustar assı́ntotas às curvas de Bode.
• Excitar o processo com um ruı́do branco e obter o gráfico da função

de correlação cruzada entrada-saı́da. Estando u(t) e y(t) na condi-
ção de estacionaridade no sentido amplo, a resposta impulso do pro-
cesso é dada por h(t) = Ruy (t), em que Ruy (t) = E[u(τ )y(τ − t)] ≈
1 RT
T 0 u(τ )y(τ − t) dτ para T suficientemente grande. O detalhamento
deste método foge ao escopo deste livro e os interessados são referidos aos
textos (AGUIRRE, 2015b), (EYKOFF, 1974), (GOODWIN; PAYNE,
2012) e (LJUNG, 1998).
5.2 Identificação de modelos de tempo discreto

Neste capı́tulo são tratados apenas os métodos paramétricos, ou seja, a es-
trutura do modelo é assumida conhecida e os seus parâmetros são estimados
através das medidas das entradas e as correspondentes saı́das.
Com a intensificação do uso de equipamentos digitais em controle, a identifica-
ção de modelos de tempo discreto tem ganhado cada vez mais espaço na teoria
e aplicação de sistemas de controle, competindo com métodos de discretização
de modelos obtidos invocando leis fı́sicas.
A leitura deste capı́tulo requer alguns conhecimentos básicos da teoria de pro-
babilidade e de processos estocásticos que pode ser encontrado em livros textos
tais como (PAPOULIS, 1984), (GNEDENKO; KHINCHIN, 2013) e (DUR-
RETT, 2019)
1. Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória real

é uma função X : Ω → R ou X(ω) com ω ∈ Ω. Porém, aqui e como em
muitos textos, o argumento ω é omitido.
2. O valor esperado de uma variável aleatória X é definido como

Z
E[X] = X(ω)P (dω) (5.2)
ZΩ
= ξfX (ξ)dξ (5.3)
R
em que fX é a função densidade de probabilidade de X (ξ é apenas uma

variável de integração).
3. Variáveis aleatórias X normalmente distribuı́das, denotadas por X ∼

N (µ, σ 2 ), são as que possuem densidade de probabilidade fX expressa
Identificação de modelos 155
por
1 1 x−µ 2

fX (x) = √ e− 2 σ (5.4)
σ 2π
4. Uma sequência i.i.d. de variáveis aleatórias { X[0], X[1], . . . } é aquela
em que X[i] e X[j] possuem distribuições idênticas e, além disso, X[i] e
X[j] são variáveis aleatórias independentes, ∀i ̸= j.
5. Quando as variáveis X e Y possuem distribuição normal, a não correla-

ção ( corr(X, Y ) = 0 ) implica independência.
6. A notação utilizada para a matriz de covariança é cov(X) = E[ (X −

E[X])(X − E[X])T ]
7. Quando duas variáveis aleatórias X e Y são correlacionadas, o conheci-

mento de Y afeta a probabilidade de X. Assim, a esperança condicional
de X dado Y é denotada E[X|Y ] (que é uma nova variável aleatória).
5.2.1 Estimador de mı́nimos quadrados

Neste módulo será apresentado apenas o caso de estimação de parâmetros de
uma classe de modelos lineares utilizando o método dos mı́nimos quadrados.
Considere um sistema SISO descrito por

A q −1 y[k] = B q −1 u[k] + w[k] (5.5)
em que A e B são polinômios em q −1

A q −1 = 1 + a1 q −1 + ... + an q −n (5.6)

B q −1 = b0 + b1 q −1 + ... + bm q −m (5.7)
e q −1 representa o operador atrasador unitário, y[k] é a saı́da, u[k] é o sinal de

entrada e w[k] ∼ N (0, 1) são ruı́dos independentes identicamente distribuı́dos
( i.i.d.).
Essa expressão pode ser colocada em uma forma mais conveniente
 
a1
 . 
 . 
 . 
h i
 an


y[k] = y[k − 1] · · · y[k − n] u[k] · · · u[k − m]   + w[k] (5.8)

 b0 

 .. 

 . 

bm
Suponha

que os registros

dos sinais

de saı́da e da entrada, respectivamente,
y[0], ..., y[N ] e u[0], ..., u[N ] com N ≫ n são fornecidos.
Então, empilhando-se as expressões 5.8 com y[N ] no topo e decrescendo até
y[n], tem-se que
h iT
Y= y[N ] y[N − 1] · · · y[n]
h iT
θ= a1 · · · an b0 · · · bm (5.9)
h iT
W= w[N ] w[N − 1] · · · w[n] (5.10)
 
−y[N − 1] · · · −y[N − n] u[N ] · · · u[N − m]
 
 −y[N − 2] · · · −y[N − n − 1] u[N − 1] · · · u[N − m − 1] 
A=
 
.. .. .. .. 

 . . . . 

−y[n − 1] · · · −y[0] u[n] · · · u[n − m]
(5.11)
tem-se a representação compacta
Y = Aθ + W. (5.12)
A matriz A é (N − n + 1) × (n + m + 1) com N − n + 1 ≫ n + m + 1, ou seja,

o sistema possui muito mais equações do que incógnitas e não haveria como
satisfazer todas elas simultaneamente.
As inconsistências são, em geral, devidas aos ruı́dos w[k] desconhecidos.
A ideia, portanto, é utilizar o método dos mı́nimos quadrados, de modo que,
quando o comprimento dos registros N é grande, o efeito do ruı́do é reduzido.
O valor de θ que minimiza ∥Y − Aθ∥2 , denotado θ,

b deve satisfazer a condição

d
∥Y − Aθ∥2 =0 (5.13)

dθ
θ=b
θ
Desenvolvendo o lado esquerdo dessa condição, obtém-se que

d
(Y − Aθ)T (Y − Aθ) = 0 (5.14)

dθ
θ=b
θ
d T
Y Y − 2YT Aθ + θT AT Aθ = 0 (5.15)

dθ
θ=θ
b

−2AT Y + 2AT Aθ = 0 (5.16)
θ=b
θ
A expressão de θ
b que minimiza o erro quadrático é, portanto,
−1
b = AT A
θ AT Y (5.17)
Essa é a expressão do EMQ (Estimador de Mı́nimos Quadrados ou Least Squa-

−1
res Estimator - LSE) e a matriz A† = AT A AT é conhecida como a
pseudoinversa de Moore-Penrose de A.
Algumas propriedades do EMQ (LSE):
h i
• Uma estimativa θ
b de θ é dita ser não polarizada se E θ
b = θ.
h i −1
E θ
b = E AT A AT Y (5.18)
−1
= E AT A AT Aθ + W (5.19)
−1 −1
= E AT A AT A θ + AT A W (5.20)
−1 −1
: 0 (5.21)

= E AT A AT A θ + AT A E[W]

= θ (5.22)
• cov(θ̂) = (AT A)−1

−1
b = AT A
Lembrando que θ AT Y e Y = Aθ + W, pode-se escrever
E[(θ̂ − E[θ̂])(θ̂ − E[θ̂])T ] = E[(AT A)−1 AT WWT A(AT A)−1 ]

= (AT A)−1 AT E[WWT ]AAT A)−1
= (AT A)−1 AT A(AT A)−1
= (AT A)−1 (5.23)
• Teorema de Gauss-Markov:
A estimativa obtida pelo MQE, θ, b é ótima na classe de estimadores
lineares não polarizados (ou se θ̌ = ǍY tal que E[θ̌] = θ, ∀θ, então
b ≤ cov(θ̌)).
cov(θ)
Note, inicialmente, que
θ = E[θ̌] = E[ǍY] (5.24)

= E[Ǎ(Aθ + W)] (5.25)
= ǍAθ + E[W] (5.26)
= ǍAθ (5.27)
Em vista de θ = ǍAθ, conclui-se que ǍA = I e, por outro lado,

cov(Ǎ) = E[(θ̌ − E[θ̌])(θ̌ − E[θ̌])T ] (5.28)
T
= E[(ǍY − θ)(ǍY − θ) ] (5.29)
T T
= E[ǍWW Ǎ ] (5.30)
T
= ǍǍ (5.31)
uma vez que
ǍY − θ = Ǎ(Aθ + W) − θ (5.32)
= (ǍA)θ + ǍW − θ (5.33)
= θ + ǍW − θ (usando ǍA = I) (5.34)
= ǍW. (5.35)
e definido por Ã = Ǎ − (AT A)−1 AT e note que ÃA = 0
Seja agora A
pois ǍA = I.
Lembrando que havia sido mostrado que cov(Ǎ) = ǍǍT , tem-se que
cov(Ǎ) = ǍǍT (5.36)
T −1 T T −1 T T
= [Ã + (A A) A ][Ã + (A A) A ] (5.37)
T T −1
= ÃÃ + (A A) (5.38)
T
= ÃÃ + cov(θ)
b (5.39)
b pois ÃÃT ≥ 0.
Logo, cov(θ̌) ≥ cov(θ),
• O teorema de Gauss-Markov permite concluir que a estimativa θ
b é BLUE
- Best Linear Unbiased Estimator.
5.2.2 Regiões de confiança para EMQ

A identificação paramétrica de modelos resulta em incertezas quando há pre-
sença de ruı́do.
Assim, é importante que se estime a região de confiança das estimativas com
algum grau de significância.
Por exemplo, saber que um parâmetro possui dispersão de 10.0 ± 0.1 permite
a realização de um projeto melhor do que no caso de 10.0 ± 1.0.
Assuma que se está utilizando o método do EMQ, caracterizado por
Y = Aθ + W (5.40)
T −1 T
θ
b = (A A) A Y (5.41)
c = Y − Aθ
W b (5.42)
em que W ∼ N (0, σ 2 I).
Caso com σ conhecido

b = (AT A)−1 , tem-se
Sabendo-se que cov(θ)
b − θ) ∼ N (0, σ 2 (AT A)−1 )
(θ (5.43)
Logo, adotando se a faixa de significância de 0.95, e denotando P = (AT A)−1 ,

tem-se
θi ∈ ( θ bi − 2σ √pii )
bi − 2σ √pii , θ (5.44)
Caso com σ desconhecido

Agora, não somente o θ, mas também σ 2 deve ser estimado:
N −m+1
1 X
b2 =
σ b 2
w[k] (5.45)
N − m k=1
Necessita-se, ainda, dos seguintes resultados auxiliares (WITTE; WITTE,

2017):
• “Se {u[k]}k=1,2,...,N̄ é tal que u[k] ∼ N (0, 1), então

PN̄
k=1 u[k] ∼ χ2N̄ ”
• “Se u ∼ N (0, 1) e v ∼ χ2N̄ , então

u
q (5.46)
v
N̄
tem distribuição t de estudante com N graus de liberdade (tN )”
Faça-se a associação
bi − θi N −m+1
θ 1 X
u= √ e v= 2 b 2
w[k] (5.47)
pii σ k=1
Nessas condições, u ∼ N (0, 1) e v ∼ χ2N −n e
u bi − θi
θ 1
q = √ r (5.48)
v σ pii 1
PN −m+1
b 2
w[k]
N −m σ2 k=1
N −m
bi − θi
θ 1
= √ rP (5.49)
pii N −m+1
b 2
w[k]
k=1
N −m
bi − θi
θ
= √ ∼ tN −m (5.50)
pii σ
b
Consultando-se tabelas estatı́sticas, pode-se obter kα correspondente à região

de confiança com nı́vel de significância alpha da distribuição tN −m .
O valor verdadeiro estaria com significância α em
p p
bi − kα pii σ
θi = θ b, θ
bi + kα pii σ
b (5.51)
Observação: Existem outros métodos de estimação de parâmetros, tais como

o da máxima verosimilhança (maximum likelihood ) e MAP (máximo a priori).
5.2.3 Mı́nimos quadrados recursivos

A expressão (AT A)−1 AT não é conveniente pois a estimativa θ
b no instante
k + 1 teria que ser recalculada usando todos os pares (y[i], u[i]) para i =
0, ..., k + 1.

Se θ[k]
b é a estimativa com as informações y[0], ..., y[k] e u[0], ..., u[k] , a
ideia é obter θ[k
b + 1] a partir de θ[k],
b y[k + 1], u[k + 1].
Seja a matriz Pk definida por
−1
Pk = ATk Ak (5.52)

em que Ak é construı́da a partir de y[0], ..., y[k] e u[0], ..., u[k] .
A matriz Ak+1 possui uma linha a mais do que Ak , ou seja,
" #
Ak
Ak+1 = T (5.53)
ak+1
Analogamente, agrega-se a nova medida y[k + 1] ao vetor Yk

" #
Yk
Yk+1 = (5.54)
y[k + 1]
Lema de inversão de matrizes:

Sejam Mn×n , bn×1 e cn×1 tais que det M + bcT ̸= 0 e 1 + cT A−1 b ̸= 0.
Nestas condições pode-se mostrar que
−1 −1
M + bcT = M−1 − 1 + cT M−1 b M−1 bcT M−1 (5.55)
−1
A ideia é utilizar esse lema para reescrever ATk+1 Ak+1
A matriz de covariança do erro é dada por

−1
Pk+1 = ATk+1 Ak+1 (5.56)
 " #−1
h
 AT
i Ak
= k ak+1 T
 (5.57)
ak+1
−1
= ATk Ak + ak+1 ak+1
T
(5.58)
 
T
Pk ak+1 ak+1
= I −  Pk (5.59)
 
1+ T P a
ak+1 k k+1
T P a
uma vez que ak+1 k k+1 é um escalar.
Por outro lado,
−1
θ[k
b + 1] = ATk+1 Ak+1 ATk+1 Yk+1 (5.60)
" #
−1 h i Yk
= ATk+1 Ak+1 ATk ak+1 (5.61)
y[k + 1]
" #
−1 h i Yk
= ATk Ak + T
ak+1 ak+1 ATk ak+1 (5.62)
y[k + 1]
 
T
Pk ak+1 ak+1
= I −  Pk ATk Yk + ak+1 y[k + 1] (5.63)
 
1 T
+ ak+1 Pk ak+1
 
T
Pk ak+1 ak+1
= I −  θ[k] + Pk ak+1 y[k + 1] (5.64)
  b
1 T
+ ak+1 Pk ak+1
Pk ak+1
T b

= θ[k]
b + y[k + 1] − ak+1 θ[k] (5.65)
T P a
1 + ak+1 k k+1
Para a última passagem, usou-se a seguinte simplificação

 
T
Pk ak+1 ak+1
I −  Pk ak+1 y[k + 1] = Pk ak+1 y[k + 1] (5.66)
 
1+ T P a
ak+1 k k+1
já que
escalar escalar
z }| { z }| {
T T
ak+1 Pk ak+1 Pk ak+1 y[k + 1] = Pk ak+1 ak+1 Pk ak+1 y[k + 1] (5.67)
Definindo-se
−1
T
Kk+1 = Pk Ak+1 1 + ak+1 Pk ak+1 (5.68)
nota-se que a expressão do EMQ recursivo é a mesma do filtro de Kalman.
inovação
z }| {
T b
θ[k
b + 1] = θ[k]
b +K
k+1 y[k + 1] − ak+1 θ[k] (5.69)
A matriz de covariança do erro é dada recursivamente por

h i
Pk+1 = I − Kk+1 ATk+1 Pk (5.70)
Observação:
• Modelos tendem a variar com o tempo, mesmo que lentamente, de modo

que dados “antigos” podem não contribuir para melhorar a estimação.
• Uma solução é “esquecer” as medidas antigas utilizando o forgetting fac-

tor 0 < λ < 1:
Pk ak+1
T b

θ[k
b + 1] = θ[k]
b + y[k + 1] − ak+1 θ[k] (5.71)
T P a
1 + λ ak+1 k k+1
Exemplo

   
0 0 0.12 1
x[k + 1] =  1 0 −0.74  x[k] +  0  u (5.72)
   
0 1 1.5 0
h i
y[k] = 0 0 1 x[k] (5.73)
cuja representação na forma ARMA é
y[k + 1] = −1.50y[k] + 0.74y[k − 1] − 0.12y[k − 2] + 1.00u[k − 2] (5.74)
Aplicando-se o método de identificação por mı́nimos quadrados recursivos,

obtém-se o gráfico da figura 5.1.
Figura 5.1: Identificação pelo método de mı́nimos quadrados recursivos.
5.3 Identificação pelo método do subespaço
A partir de medidas de sinais de entrada u[k] e de saı́da y[k], deseja-se estimar

o modelo SISO no espaço de estados {A, B, C, D}
x[k + 1] = Ax[k] + Bu[k] (5.75)

y[k] = Cx[k] + Du[k] (5.76)
em que x[k] é n × 1.
Supondo x[k] e {u[k]} conhecidos, pode-se escrever
x[k + 1] = Ax[k] + Bu[k] (5.77)

x[k + 2] = Ax[k + 1] + Bu[k + 1]
= A2 x[k] + ABu[k] + Bu[k + 1] (5.78)
x[k + 3] = Ax[k + 2] + Bu[k + 2]
= A3 x[k] + A2 Bu[k] + ABu[k + 1] + Bu[k + 2] (5.79)
..
.
N −1
AN −1−i Bu[k + i]
X
x[k + N ] = AN x[k] + (5.80)
i=0
Portanto, multiplicando-se por C à esquerda, tem-se que
y[k] = Cx[k] + Du[k] (5.81)

y[k + 1] = CAx[k] + CBu[k] + Du[k + 1] (5.82)
2
y[k + 2] = CA x[k] + CABu[k] + CBu[k + 1] + Du[k + 2] (5.83)
3 2
y[k + 3] = CA x[k] + CA Bu[k] + CABu[k + 1] + CBu[k + 2] +
+Du[k + 3] (5.84)
..
.
N −1
CAN −1−i Bu[k + i] + Du[k + N ]
X
y[k + N ] = CAN x[k] + (5.85)
i=0
Para simplificar a notação definem-se YN , VN , HN e UN

   
y[k] C
   
 y[k + 1]   CA 
CA2
   

 y[k + 2]  =
 
 x[k]

 ..   .. 

 . 


 . 

y[k + N ] CAN
| {z } | {z }
YN VN
  
D 0 0 ··· 0 u[k]
···
  

 CB D 0 0 
 u[k + 1] 

+

 CAB CB D ··· 0 
 u[k + 2] 

 .. .. .. .. ..  .. 

 . . . . . 
 . 

CAN −1 B CAN −2 B CAN −3 B · · · D u[k + N ]
| {z }| {z }
HN UN
(5.86)
de modo que em notação compacta, para cada instante k, tem-se
YN = VN x[k] + HN UN (5.87)
A matriz VN possui uma estrutura que lembra a matriz de observabilidade e

os elementos da matriz HN contém respostas impulso CAB.
Os parâmetros a serem estimados são VN e HN .
A ideia é coletar dados desde o instante k até k + N , com N suficientemente
grande para que se possa aplicar, por exemplo, o método dos mı́nimos qua-
drados.
Agrupando-se lado a lado os YN correspondentes a x[k] e UN para vários

instantes k, podem ser construı́das as matrizes de dados Y e U, na forma
 
y[k] y[k + 1] ··· y[k + M ]
···
 

 y[k + 1] y[k + 2] y[k + M + 1] 

Y = 
 y[k + 2] y[k + 3] ··· y[k + M + 2] 
 (5.88)
 .. .. .. .. 

 . . . . 

y[k + N ] y[k + N + 1] · · · y[k + M + N ]
 
u[k] u[k + 1] ··· u[k + M ]
···
 

 u[k + 1] u[k + 2] u[k + M + 1] 

U = 
 u[k + 2] u[k + 3] ··· u[k + M + 2] 
 (5.89)
 .. .. .. .. 

 . . . . 

u[k + N ] u[k + N + 1] · · · u[k + M + N ]
Definindo-se h i
X= x[k] x[k + 1] · · · x[k + M ] (5.90)
pode-se escrever utilizando-se as definições de Y e U
Y = VN x + HN U (5.91)
Se x é medido, então a obtenção de VN e HN a partir de 5.91 poderia ser
feita diretamente pelo método de mı́nimos quadrados.
Porém, se x não é disponı́vel, então o problema de estimar VN e HN a partir
de 5.91 é mais intricado e foge ao escopo deste livro.
Um tratamento sistemático desse caso pode ser encontrado em Qin, S. J. An
Overview of Subspace Identification. Comp. and Chemical Engineering., v.
30, 2006, p. 1502-1513.
Embora existam métodos não paramétricos, como o dos casos que empregam
redes neurais artificiais, que permitem casar modelos (model matching )
à relação entre os registros de entradas e saı́das, esta seção buscou a iden-
tificação de parâmetros de modelos na forma de equações a diferenças. É
importante ressaltar que uma identificação acurada e precisa requer ade-
quada quantidade de informações também acuradas e precisas.
5.4 Algumas notas históricas

Em 1809, Johann Carl Friedrich Gauss (1777-1855) publicou um trabalho que
apresentava um tratamento sobre o método dos mı́nimos quadrados sob a hipó-
tese de erros normalmente distribuı́dos. (Gauss, J. C. F. Teoria de movimento

de corpos celestres movendo em secções cônicas ao redor do sol (em latim).
Friedrich Perthes e I. H. Besser, Hamburgo, 1809).
Porém, em 1805, Adrien-Marie Legendre (1752-1833) já tinha publicado um

livro em que o método de ajustar curvas a uma série de dados era apresentado
no apêndice (Legendre, A. M. Novos métodos para a determinação de órbitas
de cometas (em francês). F. Didot, 1805.
Um fato curioso é que o retrato de Legendre que tem circulado em variados

meios de publicação é, em verdade, do polı́tico Louis Legendre (1752-1797),
não sendo do matemático Adrien-Marie Legendre.
Em 1821, Gauss apresentou uma prova do teorema de Gauss-Markov que mos-

tra a otimalidade do método de mı́nimos quadrados, conforme a primeira parte
da sua obra: Gauss, C. F. A teoria da combinação menos afetada por erros de
observação (em latim). Societas Regia Scientiarum Gottingensis, 1821.
O teorema foi redescoberto em 1900 por Andrey Andreyevich Markov (1856-

1922), famoso pelos processos de Markov (Markov, A .A. Extensão da lei dos
grandes números para quantidades dependentes (em russo). Izvestiya Fiziko-
matematicheskogo obschestva pri Kazanskom universitete, v.15, 1906, pp. 135-
156.
Em 1933, Andrey Nikolaevich Kolmogorov (1903-1987) publicou o livro que

estabeleceu uma formulação axiomática para a Teoria de Probabilidades (Kol-
mogorov, A. Foundations of the probability theory (em alemão). Julius Sprin-
ger, 1933).
Uma excelente referência na lı́ngua portuguesa é (AGUIRRE, 2015b) e, na

lı́ngua inglesa, (LJUNG; SÖDERSTROM, 1984).
5.5 Exercı́cios
5.5.1 Exercı́cio: Ajuste de retas usando o método de mı́nimos qua-
drados
Assuma que em algum experimento de laboratório é sabido que
y = ax + b (5.92)
em que x ∈ R e y ∈ R.
Repetindo-se o experimento N vezes, obtém-se um conjunto de pares entrada-
saı́da
C = {(x1 , y1 ), (x2 , y2 ), ..., (xN , yN )} (5.93)
Devido a erros de medida, cada par (xi , yi ) possui uma incerteza aditiva wi .
Ao invés de marcar os pontos em um papel milimetrado e ajustar a reta que
mais aproxima esses pontos usando uma régua, mostrar como o método dos
mı́nimos quadrados pode ser utilizado para obter as estimativas a
beb
b.
Observação: O conjunto de medidas satisfaz:
     
y x w
 1  1 " #  1
 y2   x2  a  w2 
 . = .  + .  (5.94)
     
 ..   ..  b  .. 
     
yN xN wN
| {z } | {z }
Y A
5.5.2 Exercı́cio: Identificação paramétrica pela resposta degrau

Um certo sistema linear invariante no tempo, de 2a ordem, sem zeros, foi
ensaiado no laboratório injetando-se na entrada um sinal u(t) do tipo degrau
unitário. A saı́da y(t) correspondente encontra-se na figura 5.2. Esboçar a
saı́da y(t), em regime permanente (t ↑ ∞), quando o sinal de excitação u(t) é
agora de forma senoidal, u(t) = 5 sin(2t).
5.5.3 Exercı́cio: Identificação paramétrica pelas curvas de Bode

Excitou-se um sistema LTI de segunda ordem com um gerador de sinais se-
noidais e com o auxı́lio de um osciloscópio, e traçaram-se as curvas de Bode
da figura 5.3. Apresentar modelos desses sistemas na forma de uma função de
transferência.
Figura 5.2: Resposta degrau de um sistema de segunda ordem.
5.5.4 Exercı́cio: Método dos mı́nimos quadrados

Aplicou-se um sinal u[k] em um sistema de tempo discreto LTI de segunda
ordem e registrou-se o sinal de saı́da y[k]. O registro dos sinais encontra-se na
tabela a seguir.
Tabela 5.1: Registros de pares entrada-saı́da de um sistema LTI de segunda

ordem
k u[k] y[k]
0 1.000000 0.700000
1 0.830258 -0.439742
2 0.933023 0.791610
3 1.110557 -0.094803
4 1.207818 0.519340
5 0.776472 -0.370270
6 1.252132 1.115390
7 1.132029 -0.609886
8 0.986427 0.756670
9 0.960956 -0.181629
10 0.956479 0.448792
11 0.939378 0.021957
12 1.004609 0.376130
Identificar os parâmetros do modelo na forma ARMAX utilizando o método

da batelada (usando a pseudoinversa de Moore-Penrose).
Figura 5.3: Curvas de Bode - Sistema LTI de 2a ordem.
5.5.5 Exercı́cio: Identificação

Excitou-se um sistema LTI de segunda ordem com um gerador de sinais se-
noidais e com o auxı́lio de um osciloscópio, traçou-se as curvas de Bode da
figura 5.4. Apresentar modelos desses sistemas na forma de uma função de
transferência.
5.5.6 Exercı́cio: Método do EMQ recursivo

Repetir o exercı́cio anterior, utilizando-se, porém, o método dos mı́nimos qua-
drados recursivo.
5.5.7 Exercı́cio: Região de confiança da estimativa

Estimar a região de confiança das estimativas obtidas no exercı́cio anterior.
5.5.8 Algumas observações

O campo de estudos de métodos de identificação é extenso e vários conceitos
e técnicas importantes estão omitidas neste capı́tulo.
Por outro lado é comum que, na prática, a modelagem e identificação ocupem
recursos e esforços substanciais em um projeto de sistema de controle.
Em alguns projetos de maior porte, o dispêndio na obtenção de um modelo
Figura 5.4: Curvas de Bode - Sistema LTI de 2a ordem.
confiável pode vir a significar uma fatia substancial do orçamento.

Por exemplo, no projeto de aeronaves, há eventuais gastos com testes em túneis
de vento ou CFD estensivo, construção de ironbirds, construção de modelos
em escala, construção de protótipos instrumentados e ensaios em voo, entre
outras possibilidades.
Recomenda-se, portanto, àqueles que se interessam por esse tópico, a leitura
de obras tais como (AGUIRRE, 2015b), (COELHO; COELHO, 2016), (GO-
ODWIN; PAYNE, 2012) e (LJUNG, 1998).
Parte III
Estabilidade
171
6
Critérios de estabilidade para

modelos LTI
“The cost of stability is often diminished opportunities for growth.”

– Sheryl Sandberg
Conforme visto anteriormente no Capı́tulo 3, um ponto de equilı́brio xE de

ẋ = f (x) é dito ser estável se, dado δ ∈ R arbitrário, existe ε(δ) ∈ R tal que
se || x(t0 ) − xE || < δ, então || x(t) − xE || < ε(δ) para ∀t ≥ t0 .
Sistemas lineares invariantes no tempo
ẋ = Ax (6.1)
possuem um único ponto de equilı́brio xE = 0 se A é não singular, mas

infinitos pontos {xE ∈ Ker(A)} se det(A) = 0 e constituem um subespaço do
espaço de estados.
Observação:
Sistemas não lineares podem ter múltiplos pontos de equilı́brio isolados.
Por exemplo, o sistema escalar
ẋ = x − x3 (6.2)
possui três pontos de equilı́brio: 0, −1 e +1.

A solução de modelos LTI
ẋ = Ax ; x(t0 ) = x0 (6.3)
y = Cx (6.4)
173
é da forma n
X
y(t) = µk eλk t (6.5)
k=1
e são estáveis se os todos os autovalores λk possuem parte real negativa.
No domı́nio transformado, tal fato se traduz na condição que todos os polos
da função de transferência estão localizados no semiplano esquerdo (SPE).
Uma vez que a obtenção das raı́zes de ∆(s) pode ser trabalhosa, principalmente
quando são envolvidos parâmetros literais, é interessante que se disponha de
métodos para verificar se todas as raı́zes do polinômio caracterı́stico ∆(λ) =
0 estão localizados no semiplano esquerdo (nesse caso, ∆(λ) é dito ser de
Hurwitz).
Neste capı́tulo é tratado apenas o caso SISO (single input single output).
Observação
A pertinência das raı́zes de ∆(s) ao SPE não garante a estabilidade de sistemas
variantes no tempo (sistemas não autônomos).
Considere o sistema cujo modelo é
ẋ1 = −x1 − e2t x2 (6.6)

ẋ2 = −x2 (6.7)
com a condição inicial x = [ 0 1 ]T

A solução de ẋ2 = −x2 é x2 (t) = e−t x2 (0), ou substituindo x2 (0) = 1
x2 (t) = e−t (6.8)
Portanto, usando esse resultado em 6.7,
ẋ1 = −x1 − e2t x2 (6.9)

2t −t
= −x1 − e e (6.10)
t
= −x1 − e ↑ ∞ (6.11)
6.0.1 Critério de estabilidade de Routh-Hurwitz

O critério de Routh-Hurwitz permite verificar se todas as raı́zes de um polinô-
mio caracterı́stico (ou os polos de uma função de transferência)
∆(s) = a0 sn + a1 sn−1 + ... + an−1 s + a + n (6.12)

com ai > 0, ∀i = 0, ..., n estão no semiplano esquerdo sem resolver a equação
∆(s) = 0, bastando examinar uma tabela construı́da de modo sistemático.
Critérios de estabilidade para modelos LTI 175
Mais especificamente, basta verificar se não há troca de sinais na primeira

coluna de
sn : a0 a2 a4 ··· an−4 an−2 an

sn−1 : a1 a3 a5 ··· an−3 an−1 0
sn−2 : b1 b2 b3 ··· b n2 −1 b n2
sn−3 : c1 c2 c3 ··· c n2 −1
.. .. .. .. (6.13)
. . . .
s3 : p1 p2 p3
s2 : q1 q2
s1 : r1
s0 : s1
em que
a1 a2 −a0 a3 a1 a4 −a0 a5
b1 = a1 b2 = a1 ··· (6.14)
b1 a3 −a1 b2 b1 a5 −a1 b3
c1 = b1 c2 = b1 ··· (6.15)
e assim por diante. (6.16)
Este critério é conhecido como o de Routh-Hurwitz e demonstrações rigorosas

do critério de Routh-Hurwitz podem ser encontradas em (SCHWARZ; FRI-
EDLAND, 1965), (CHAPELLAT; MANSUR; BHATTACHARYYA, 1990).
Uma demonstração simples é apresentada no Apêndice D.
6.0.2 Exemplo
Seja um processo cuja relação entrada-saı́da é dada, no domı́nio transformado,
por
K
T (s) = 4 (6.17)
s + 2s3 + 6s2 + 4s + K
Para determinar para quais os valores K o sistema é estável, deve-se verificar
quando o polinômio ∆(s) = s4 + 2s3 + 6s2 + 4s + K = 0 tem todas as raı́zes
no semiplano esquerdo (SPE), montando-se o arranjo de Routh-Hurwitz
s4 : 1 6 K
s3 : 2 4
s2 : 4 = 2×6−1×4
2 K = 2×K−1×0
2 (6.18)
s1 : 4 − 12 K = 4×4−2×K
4
s0 : K
Logo, o processo é estável se 0 < K < 8.

6.0.3 Critério de Kharitonov

Este resultado é útil quando os coeficientes do polinômio caracterı́stico ∆(s)
possui incertezas.
Considere, então, uma famı́lia de polinômios caracterı́sticos de grau n
P I
z }| { z }| {
∆[ a0 , a2, ... , a1 , a3, ... ](s) = a0 sn + a1 sn−1 + a2 sn−2 + ... + an

(6.19)
em que cada coeficiente ai pode assumir valores constantes entre amin
i e amax
i
0 < amin
i ≤ ai ≤ amax
i (6.20)
para i = 1, ..., n.
Sejam ainda os conjuntos de coeficientes organizados como a seguir
n o
P = amax
0 , amin max min
2 , a4 , a6 , ... (6.21)
n o
P = amin max min max
0 , a2 , a4 , a6 , ... (6.22)
n o
I = amax
1 , amin max min
3 , a5 , a7 , ... (6.23)
n o
I = amin max min max
1 , a3 , a5 , a7 , ... (6.24)

Critério de Kharitonov Todos os polinômios ∆[ a0 , a2, ... , a1 , a3, ... ](s) serão
Hurwitz se os seguintes quatro polinômios forem Hurwitz
∆[P , I](s), ∆[P , I](s), ∆[P , I](s), ∆[P , I](s) (6.25)
A prova desse resultado pode ser encontrado no artigo original de (KHARI-
TONOV, 1978), ou em (YEUNG; WANG, 1987).
6.0.4 Exemplo
Suponha que, em vista de incertezas nos valores dos componentes utilizados,
tem-se que
∆(s) = (1 ± 0.05)s4 + (2 ± 0.2)s3 + (6 ± 0.3)s2 + (4 ± 0.1)s + (5 ± 0.4) (6.26)
ou seja,
a0 ∈ [0.95, 1.05] (6.27)
a1 ∈ [1.8, 2.2] (6.28)
a2 ∈ [5.7, 6.3] (6.29)
a3 ∈ [3.9, 4.1] (6.30)
a4 ∈ [4.6, 5.4] (6.31)
Nesse caso, as raı́zes de ∆(s) = 0 estarão todos no semiplano esquerdo se todos

os polinômios
P = 1.05s2 + 5.7s + 5.4 (6.32)

2
P = 0.95s + 6.3s + 4.6 (6.33)
I = 2.2s + 3.9 (6.34)
I = 1.8s + 4.1 (6.35)
(6.36)
forem Hurwitz.
6.0.5 Caso de tempo discreto

O modelo é estável se os autovalores (Raı́zes de ∆(z) = det(zI − A) = 0)
estiverem no cı́rculo unitário (Re[z]2 + Im[z]2 < 1), já que | λ(A) | < 1 ⇒
Ak → 0, k → ∞.
Existem testes análogos ao de Routh-Hurwitz no caso contı́nuo, porém signi-
ficativamente mais trabalhosos de aplicar, por exemplo:
1. Jury, E. I. Inners and stability of dynamic system. Wiley, 1974.
2. Liénard, A. e Chipart, M. H. Sobre o sinal da parte real das raı́zes de

uma equação algébrica (em francês). J. Math. Pures Appl, v.10, n.6,
1914, pp. 291-346.
Outra possibilidade é utilizar a transformação
z−1
w= (6.37)
z+1
para mapear o cı́rculo unitário para o semiplano esquerdo (SPE) e utilizar o
critério de Routh-Hurwitz.
6.0.6 Exemplo
Considere o problema de determinar o valor de ganhos K de modo que o
processo do diagrama de blocos da figura 6.1 seja estável.
Figura 6.1: Estudo da estabilidade em função do ganho K.

em que
z
G(z) =
z2 + 0.7z + 0.1
Fazendo-se a substituição
1+w
z= (6.38)
1−w
obtém-se no plano W que
5K(1 − w2 )
G(w) = (6.39)
(2 − 5K) w2 + 9w + 5K + 9
Utilizando-se o critério de Routh-Hurwitz, obtém-se que há estabilidade se

−1.8 < K < 0.4.
6.0.7 Critério de Nyquist

O critério de Nyquist é muito utilizado por permitir interpretação gráfica di-
reta, por levar a definições importantes como a margem de fase e margem de
ganho, bem como pela possibilidade de extensão ao caso multivariável.
Seja Ga (s) uma função de transferência em malha aberta com P polos no se-
miplano direito e Γ o contorno de Nyquist, a ser percorrido por s no sentido
horário ⟳.
Nessas condições e de acordo com o critério de Nyquist, o número de polos
Ga (s)
da função de transferência de malha fechada Gf (s) = 1+G a (s)
, resultante da
realimentação unitária de Ga (s), é Z, dado por
Z = N [−1, ⟳] + P (6.40)
em que N [−1, ⟳] é o número de enlaçamentos do ponto −1 pela curva Λ =

Ga (Γ).
Este resultado encontra-se apresentado de modo mais rigoroso no apêndice D.
Verificação intuitiva do critério de Nyquist

Considere uma função f (s) mapeando um contorno fechado Γ que contém P
polos (se p é polo f (p̂) → ∞, p̂ → p) e Z zeros (se z é um zero, f (z) = 0),
conforme ilustrado na figura 6.2.
À medida que s percorre o contorno fechado Γ em que há Z zeros e P polos
no seu interior, a sua imagem f (Γ) circunda a origem N = Z − P vezes, em
que N é contado + se os sentido de percurso forem coincidentes − e no caso
contrário.
Figura 6.2: Verificação intuitiva do Critério de Nyquist
Uma vez que a função de transferência de malha fechada Gf é dada por
Ga (s)
Gf (s) = (6.41)
1 + Ga (s)
a condição a ser testada é se o denominador de
f (s) = 1 + Ga (s) (6.42)
possui zeros no SPE (lembrando que zeros de 1 + Ga (s) são os polos de Gf (s)).
Na condição representada por 6.40, verifica-se o enlaçamento do ponto −1 e
tomando f (s) = Ga (s) ao invés de se fazer f (s) = 1 + Ga (s), que, em verdade,
é uma simples translação de 1.
Como s tais que 1+Ga (s) = 0 são os polos de malha fechada Gf , Z é associado
ao polo de malha fechada, enquanto P é associado a polos de Ga , pois, se
G(s) → ∞, então f (s) → ∞.
Como se deseja verificar se há polos de Gf no SPE, busca-se demarcar o SPD
usando o contorno de Nyquist, ilustrado na figura 6.3.
Figura 6.3: Mapeamento do contorno de Nyquist pela função de transferência

de malha aberta Ga (s), ilustrando os enlaces do ponto crı́tico (−1, 0).
No exemplo da figura 6.3, P = 1 (há um polo de malha aberta no SPD)

e a imagem Ga (Γ) está circundando o ponto crı́tico −1 uma vez no sentido
concordante àquele do percurso do contorno de Nyquist.
Logo, N [−1, ⟳] = 1.
Tem-se, portanto,
N = Z −P (6.43)
1 = Z −1 (6.44)
e, conclui-se que Z (numero de polos de malha fechada) é 2 (ou, instável para

ganhos K pequenos em KGa (s)).
Por outro lado, se o ganho de malha (K) for aumentado, o ponto −1 será
circundado 1 vez no sentido anti-horário, caso em que
N = Z −P (6.45)
1 = Z − (−1) (6.46)
resultando em Z = 0. (Fazendo-se uso das regras do método lugar geométrico

das raı́zes, nota-se que, à medida de K aumenta, os zeros que estão no SPE
atraem os ramos).
Caso a função de transferência de malha aberta possua polos imaginários pu-
ros ou polo na origem, o contorno deve ser acrescido de desvios infinitesimais,
pois o contorno Γ não deve passar por singularidades.
Um método para o traçado da curva de Nyquist é esboçar antes as curvas
de Bode, embora muitos prefiram um procedimento direto a partir das con-
figurações de polos e zeros do processo. Além disso, é recomendável também
verificar se o critério de estabilidade baseado na curva de Nyquist está compa-
tı́vel com o LGR (ou seja, o número de polos no semiplano direito informado
pelo LGR é o mesmo daquele determinado pelo critério de Nyquist).
A seguir são apresentados alguns casos didáticos de aplicação do critério de
Nyquist.
Exemplo - Caso simples de primeira ordem

A função de transferência, nesse caso, é da forma
1
G(s) = K (6.47)
s+a
e, portanto, considerando s = jω, um ramo começa para ω = 0 no ponto a1 e
tende para a origem à medida que ω → ∞, aproximando com ângulo de −90o
1
(intuitivamente jM ≃ −jϵ, se M for muito grande, já que jM + a ≃ jM ).
Note-se que, para qualquer valor de K > 0, a imagem do contorno de Nyquist
não enlaça o ponto crı́tico −1, sendo, portanto, estável.
Figura 6.4: Curva de Nyquist correspondendo a um sistema de primeira ordem.
Exemplo - Polo na origem

Se a função de transferência possui um polo na origem s = 0, então o contorno
de Nyquist deve incluir um pequeno desvio de modo que não inclua singula-
ridades, já que na apresentação formal que utiliza o teorema de Cauchy não
deve haver singularidades no contorno.
O contorno adaptado pode ser visto à esquerda da figura 6.5. No exemplo, a
função de transferência é
1
G(s) = K (6.48)
s(s + 1)(s + 2)
e, portanto, se s = jω = jϵ, então G(jω) tem como seu denominador,
jϵ(jϵ + 1)(jϵ + 2) ≃ 2jϵ.
Ou seja, |G(jω)| ≃ −jM com M “muito grande”.
Na figura à direita de 6.5, esse fato é representado pelo inı́cio do ramo no ponto
A.
Para ω → ∞ tem-se que |G(jω)| → 0 aproximando-se da origem pelo ângulo
de −270o , correspondendo a j13 .
Note-se que se o ganho K for aumentado, vai haver, eventualmente, o enlaça-
mento do ponto crı́tico −1, significando que a partir de um certo valor de K
o sistema será instável.
Figura 6.5: Curva de Nyquist correspondendo a um sistema de terceira ordem

com um polo na origem.
Exemplo - Polo no semiplano direito

Considere o processo cuja função de transferência é
1
G(s) = K (6.49)
s−1
que possui um polo no SPD em malha fechada para ganhos K pequenos.
Figura 6.6: Curva de Nyquist correspondendo a um sistema com um polo no

SPD.
Exemplo - Polos imaginários puros

Como o contorno de Nyquist não deve conter singularidades, é necessário que
sejam introduzidos desvios em torno dos polos imaginários puros, conforme
visto à esquerda da figura 6.7.
Uma das caracterı́sticas desse tipo de sistema é que a imagem do contorno de
Nyquist pode apresentar assı́ntotas com ângulos diferentes de k 90o , como é o

caso na 6.7.
As letras A, B, C e D indicam a associação entre os pontos notáveis no
plano s e no plano G(jω) Nota-se na figura 6.7 que o contorno de Nyquist foi
Figura 6.7: Curva de Nyquist correspondendo a um sistema que possui um

par de polos no eixo imaginário.
modificado de modo a não conter singularidades.
Exemplo - Polo duplo na origem

Como visto anteriormente, quando se percorre k vezes um contorno Γ ao redor
de p polos, a sua imagem através de G(jω), às vezes denotado G(Γ), percorre
a origem de kp vezes (no sentido contrário).
Portanto, ao se percorrer o desvio com a forma de semicı́rculo (180o ) em torno
do polo duplo na origem, verifica-se que a sua imagem deve descrever 360o .
Tal situação é ilustrada na figura 6.8, em que o semicı́rculo D → A é mapeado
no cı́rculo D → A.
6.0.8 Margens de fase e de ganho

Considerando-se a conveniência de trabalhar com a resposta em frequência,
pode-se invocar o critério de Nyquist para incorporar especificações de robustez
quanto à perda de estabilidade, expresso por dois indicadores: margem de fase
e margem de ganho.
Margem de ganho: é o inverso da magnitude do número complexo GM A (jω0 )
quando ω0 é tal que ∡G (jω0 ) = −1800 .
A margem de ganho representa o ganho adicional que ainda mantém o sistema
estável, quando a malha for fechada com realimentação unitária.
Margem de fase: é a quantidade de atraso de fase que pode ser introduzido na
Figura 6.8: Curva de Nyquist correspondendo a um sistema que possui polo

na origem de multiplicidade 2.

situação GM A (jω0 ) = 1, de modo que o sistema continua estável, quando a
malha for fechada com realimentação unitária.
As margens de ganho e de fase podem ser obtidas graficamente das curvas de
Nyquist, Bode e na carta de Nichols, como visto na figura 6.9.
Figura 6.9: Leitura direta das margens de ganho e de fase das curvas de
Nyquist, Bode e da carta de Nichols.
No
caso de um sistema de segunda ordem caracterizado por (ξ, ωn ), a condição
GM A (jω0 ) = 1 ocorre para
rq
ω0 = ωn 1 + 4ξ 4 − 2ξ 2 (6.50)
e a margem de fase γ é dada por

2ξ
γ = tan−1 qp (6.51)
1 + 4ξ 4 − 2ξ 2
Uma aproximação útil para γ (em graus) que vale para ξ pequeno é
γ = 100 × ξ (6.52)
6.1 BIBO - Estabilidade

Por simplicidade, admite-se aqui que o sistema é SISO (Single Input, Single
Output), ou seja, C é 1 × n e B é n × 1, na equação de estados
ẋ = Ax + Bu (6.53)
y = Cx (6.54)
Como visto anteriormente, a solução do sistema de equações diferenciais 6.54,

para a condição x(0) = 0, é dada por
Z t
y(t) = CeAt x(0) + CeA(t−τ ) Bu(τ )dτ (6.55)
0
No caso de ser ter uma entrada não nula mas limitada, ou seja,

u(t) ≤ Umax < ∞ (6.56)
tem-se que Z t
y(t) = CeA(t−τ ) Bu(τ )dτ (6.57)
0
Em cada instante de tempo t, nota-se que
Z
t
A(t−τ )

y(t) =
Ce Bu(τ )dτ

(6.58)
0
Z t
A(t−τ )
≤ Ce Bu(τ ) dτ (6.59)

0
Z t
A(t−τ )
≤ Ce BUmax dτ (6.60)

0
Z t
A(t−τ )
≤ Ce B dτ Umax (6.61)
0
e, portanto, se
Z t
A(t−τ )
Ce B dτ < M ; ∀t ≥ 0 (6.62)
0
a saı́da y será limitada

y(t) ≤ M Umax < ∞ ; ∀t ≥ 0 (6.63)
Diz-se, nesse caso, que o sistema é BIBO estável (Bounded Input Bounded
Output).
Lembrando que a resposta impulso é dada por y(t) = CeAt B, depreende-se
de 6.62 que o sistema é BIBO estável se a resposta impulso é limitada, o que
acontece se todos os autovalores de A estiverem no semiplano esquerdo.
A pertinência dos polos da função de transferência (ou os autovalores da

matriz de sistema A) ao SPE é critério de estabilidade apenas para modelos
LTI.
Se o sistema é linear mas variante no tempo (ou seja, não autônomo), esse
critério não é aplicável. Embora seja simples obter através de métodos
numéricos as raı́zes de um polinômio cujos coeficientes são numéricos, tal
não acontece quando estes são literais.
Os métodos baseados em resposta em frequência (curvas de Bode, critério
de Nyquist e cartas de Nichols) permitem a determinação das margens de
ganho e de fase que se relacionam com o “grau” de estabilidade.
6.2 Algumas personalidades ilustres

1868 James Clerk Maxwell FRSE FRS (1831 Edimburgo-1879 Cambridge)
apresenta o primeiro artigo com uma análise matemática rigorosa de um sis-
tema de controle realimentado.
1877 Ivan Alekseevich Vyshnegradsky (1831-1895) publicou “O regulyatorakh
pryamogo deystiva” (“On Direct-Action Regulators”), envolvendo condições de
estabilidade para uma máquina a vapor com regulador centrı́fugo. A sua aná-
lise da estabilidade de reguladores utiliza enfoque de equações diferenciais e
foi realizada independentemente de J. C. Maxwell.
1877 Edward John Routh (1831-1907) recebeu o Prêmio Adams pelo seu tra-
balho A treatise on the stability of a given state of motion, particularly steady
motion, editado pela McMillan, London. Routh foi Senior Wrangler no Mathe-
matical Tripos em que Maxwell ficou em segundo lugar. Routh orientou cerca
de 700 alunos, dos quais 480 foram Wranglers dentre os 900 Wranglers dos 30
anos de sua carreira.
1895 Adolf Hurwitz (1859-1919) publica a obra Über die Bedingungen, un-
ter welchen eine Gleichung nur Wurzeln mit negativen reellen Theilen besitzt.
Mathematische Annalen, v. 46, 1895, pp. 273-284.
1922 Nikolai Fyodorovich Minorsky (1885-1970) introduz o controlador de três
termos, mais tarde popularizados como controladores PID. Resultados sobre
controle não linear estão contidos em Introduction to non-linear mechanics:

Topological methods, analytical methods, non-linear resonance, relaxation os-
cillations, J.W. Edwards, 1947.
Aurel Boleslaw Stodola (1859-1942) estudou o problema de regulação de tur-
binas de água em Stodola, A. B. Üeber die Regulierung von Turbinen. Schwei-
zerische Bauzeitung, v. 2, n. 17, 1893, pp. 113-117.
1932 Harry Nyquist (1889-1976) propõe a teoria da regeneração e apresenta o
critério de estabilidade de Nyquist. Os conceitos de margem de fase de ganho
decorrem desse critério de estabilidade.
6.3 Exercı́cios
6.3.1 Exercı́cio: Critério de Routh-Hurwitz
Estudar o comportamento quanto à estabilidade, em função do parâmetro
K ∈ (0, ∞):
1.
Ks
G (s) = (6.64)
s2 − 2s + 2
2. √
(s + 1) s + 3
G (s) = K (6.65)
(s − 1) s2 + 1
3.
(s + 1) (s + 2)
G (s) = K (6.66)
s (s − 1) (s + 3)
4.
s+2
G (s) = K (6.67)
s2 − 1
5.
Ks
G (s) = (6.68)
s2 + 2s + 2
6.
s+1
G (s) = K (6.69)
s2 + 1
7. h i
(s + 1) (s + 1)2 + 1
G (s) = K (6.70)
s (s − 1) s2 + 1
8.
(s + 1) (s + 2)
G (s) = K (6.71)
(s − 1) s2 + 2
9.
(s + a)
G (s) = K (6.72)
s2 (s+ b)
para os casos a > b > 0, b > a > 0 e ab < 0
10.
(s + 1) (s + 2) (s + 3)
G (s) = K 2 (6.73)
s2 + 1
11.
(s + 2)2
G (s) = K (6.74)
s (s − 1)
12.
(s + 1)2
G (s) = K (6.75)
s4
13.
(s + 1)2
G (s) = K (6.76)
s3
14.
(1 − s)
G (s) = K (6.77)
(s + 1) (s + 10)
15.
(s + 1)2
G (s) = K (6.78)
s s2 − 2s + 2
16.
(s + 5) (s + 40)
G (s) = K (6.79)
s3 (s + 100) (s + 200)
17.
s2 + 2s + 5
G (s) = K (6.80)
s (s + 4) (s + 5) (s + 1)2
18.
K (s + 1)2
(6.81)
s3 (s + 6)2
19.
(5 − s)
G (s) = K (6.82)
(s + 1) (0.2s + 1)
20.
K (s + 1)2
G (s) = (6.83)
s3
21.
K (1 − s)
G (s) = (6.84)
(s + 1) (s + 2)
22.
K (s + 1)
G (s) = (6.85)
s s3 + 3s2 + 12s − 16
23.
K
G (s) = (6.86)
s (s − 1)
24.
K (1 − s) e−0.1s
G (s) = (6.87)
s (s + 1)
6.3.2 Exercı́cio: Polinômios de Hurwitz

Determinar os valores de K para que as equações possuam raı́zes com a parte
real negativa
a)
s4 + s3 + 3s2 + 2s + K = 0 (6.88)
b)
s3 + (5 + K) s2 + 7s + 18 + 9K = 0 (6.89)
c)
s3 + 3Ks2 + (K + 2) s + 4 = 0 (6.90)
6.3.3 Exercı́cio: Sistema realimentado PD

Considere um sistema descrito pela equação diferencial ordinária
d3 y d2 y dy
3
+ 3 2
+2 = u (6.91)
dt dt dt
a ser controlado segundo
dy
u = −KP y − KD (6.92)
dt
Usando o critério de Routh-Hurwitz, indicar graficamente a região Ω ⊂ R2 de

modo que o sistema realimentado seja estável para (KP , KT ) ∈ Ω. Observa-
ção: Esse sistema se refere a uma estrutura de controle de uma planta com
realimentação tacométrica)
6.3.4 Exercı́cio: Estudo de estabilidade

Verificar se a função de transferência em malha aberta dada em 6.93 é estável,
em malha fechada com realimentação unitária, para algum valor de K ∈ R e
N ∈ Z.
Q2N
ℓ=1 (s + ℓ)
G (s) = K Q h i (6.93)
s k=1 (s + k)2 + k 2
N
6.3.5 Exercı́cio: Estabilidade em malha fechada

Determinar quais são os valores do ganho K > 0 tais que o processo descrito
por G(s) seja estável quando operado em malha fechada com ganho unitário
na realimentação:
(a)
Y (s) K
= 3 2
(6.94)
R (s) s + Ks + 2Ks + K
(b)
Y (s) 5 (1 − s)
= 4 (6.95)
R (s) s + 2s3 + Ks2 + 4Ks − 5K
(c)

s2 + 2s + 5
G(s) = K (6.96)
s (s + 4) (s + 5) (s + 1)2
6.3.6 Exercı́cio: Critério de Nyquist

Assumindo que o sistema

será operado em malha fechada com realimentação
unitária H(s) = 1 , analisar a estabilidade utilizando o critério de Nyquist:
1.
K(s − 1)
G(s) = (6.97)
s (s + 1)
2.
K(s + 2)
G(s) = (6.98)
s3 + 3s2 + 10
3.
K
G(s) = (6.99)
(s + 2) s2 + 4
4.
K(s + 2)
G(s) = (6.100)
s (s − 1)
5.
K(s + 1)2
G(s) = (6.101)
s3 (s + 4)2
6.
K(s + 1)
G(s) = (6.102)
s2 (s + 2) s2 + 4
7.
K(s2 + 1)
G(s) = (6.103)
s (s + 1) (s + 2)
6.3.7 Exercı́cio: Critério de Kharitonov

Considere a famı́lia de modelos descritos por
∆(s) = s5 + a1 s4 + a2 s3 + a3 s2 + a4 s + a5 (6.104)
Verificar se todos os membros dessa famı́lia de modelos incertos são estáveis:
1. ∆(s) = s5 + a1 s4 + a2 s3 + a3 s2 + a4 s + a5 em que
a1 = [1 ; 1.1] (6.105)
a2 = [8 ; 8] (6.106)
a3 = [24 ; 24] (6.107)
a4 = [32 ; 32] (6.108)
a5 = [20 ; 20] (6.109)
a6 = [4] ; 4] (6.110)
6.3.8 Exercı́cio: Critério de Kharitonov

Considere a famı́lia de modelos descritos por
∆(s) = s3 + a1 s2 + a2 s + a3 (6.111)
Qual o maior valor da incerteza α admissı́vel para que essa famı́lia de modelos
permaneça estável?
a1 = 6 (6.112)
a2 = 11 (6.113)
a3 = 6 ± α (6.114)
(6.115)
6.3.9 Exercı́cio: Margens de Fase e de Ganho

Determinar os valores das margens de ganho e de fase:
1.
1
G(s) = 12
(s + 1)(s + 2)(s + 3)
2.
1
G(s) = 12
s(s + 2)(s + 3)
3.
s+3
G(s) = 12
(s + 1)(s + 2)(s + 4)(s + 5)
6.3.10 Exercı́cio: Estabilidade de sistema com atraso

Considere um sistema com atraso de transporte descrito por
e−T s
G (s) = (6.116)
s+1
Qual é o máximo valor admissı́vel para T de modo que o sistema, ao ser
realimentado unitariamente, ainda seja estável?
7
Métodos de Lyapunov
“It is a truth universally acknowledged that stability requires far more

effort to restore than to disrupt..”
– Simon Spurrier
Esta seção busca apresentar duas classes de métodos para análise da estabili-
dade proposta por Alexandr Mikhailovich Lyapunov, cujo trabalho foi publi-
cado em 1892 e possui diversas traduções (LYAPUNOV, 1992).
Aqui serão tratados apenas os casos de sistemas de tempo contı́nuo, embora
existam adaptações para os casos de tempo discreto.
Os métodos de Lyapunov permitem a investigação da estabilidade de sistemas
não lineares não autônomos (invariantes no tempo) ou não.
Em particular, sistemas lineares não autônomos são também tratáveis pelos
métodos de Lyapunov, o que não é possı́vel com métodos baseados na locali-
zação dos polos.
Os métodos de Lyapunov são também úteis para mitigar os problemas de in-
certezas na modelagem, mesmo quando o processo controlado é modelado por
sistemas LTI, como o caso da utilização de controle adaptativo.
Um aspecto teórico interessante, nesse enfoque, é a validade do método de
aproximação utilizando a expansão em série de Taylor de f (x, u) para o es-
tudo da estabilidade, bem como para o projeto de controladores.
7.1 Primeiro método de Lyapunov

O primeiro método de Lyapunov, também conhecido como o método indireto
ou método da linearização, permite investigar a estabilidade local de um sis-
tema não linear através do seu modelo linearizado obtido pelo truncamento
193
da expansão em série de Taylor.

Como visto anteriormente, sob adequadas condições sobre f de ẋ = f (x), o te-
orema de Hartman-Grobman garante que algumas conclusões obtidas usando
o modelo linearizado pode ser transferido para o modelo não linear original.
Trata-se de um resultado de grande relevância prática, pois serve de base para
projetos de controladores, utilizando modelos linearizados em torno do ponto
de operação nominal.
Considere um sistema do tipo
ẋ = f (x, u) (7.1)
f (xE , uE ) = 0 (7.2)
em que uE é uma função constante, ou seja, um sistema com ponto de equilı́-

brio em (xE , uE ).
O modelo linearizado em torno deste ponto de equilı́brio (xE , uE ), em termos
de perturbações ∆x e ∆u, é dado por

˙ = ∂f ∂f

∆x ∆x + ∆u + o ∥∆x∥ , ∥∆u∥ (7.3)
∂x (x ∂u (x
E ,uE ) E ,uE )
| {z } | {z }
A B
conforme visto anteriormente, fazendo-se u = uE + ∆u e x = xE + ∆x.

Tendo-se obtido o modelo linearizado do sistema representado por 7.1 em torno
do ponto de equilı́brio (xE , uE ),
1. Se o modelo linearizado 7.3 é assintoticamente estável (os autovalores de

A estão no interior do semiplano esquerdo), então o sistema original 7.1
é assintoticamente estável na vizinhança de (xE , uE ).
2. Se o modelo linearizado 7.3 é instável (os autovalores de A estão no

interior do semiplano direito), então o sistema original 7.1 é instável na
vizinhança de (xE , uE ).
3. Se algum autovalor de A está localizado sobre o eixo imaginário, nada se

pode afirmar sobre a estabilidade do sistema original 7.1 usando esse mé-
todo. Nesse caso, pode-se tentar utilizar o conceito de variedade central
(vide, por exemplo, (KHALIL, 1992) ou (SAASTRY, 1999)).
A prova do primeiro método de Lyapunov é um corolário imediato do

teorema de Hartman-Grobman (ver, por exemplo, (KREYSZIG, 1978), (AR-
NOLD, 1973), (BALAKRISHNAN, 1981)).
Métodos de Lyapunov 195
Exemplo: Pêndulo simples

Seja um pêndulo com haste rı́gida, massa m e comprimento L, sob efeito de
aceleração de gravidade g, uniforme na direção vertical, ilustrado na figura
7.1 e descrito, na ausência de atrito, pelo sistema de equações diferenciais não
lineares
ẋ1 = x2 (7.4)
g
ẋ2 = − sin (x1 ) (7.5)
L
Os pontos de equilı́brio são da forma (kπ, 0), k =
0, 1, 2, ... e a matriz A indicado em 7.3 é dada por
" #
0 1
A= (7.6)
− Lg cos (x1 ) 0
x1 =kπ
Em torno de xE = (0, 0) tem-se que os autovalo-

res são
" #

0 1 = λ2 + g = 0 (7.7)

λI −

− Lg 0
L Figura 7.1: Um pêndulo
simples de haste rı́gida.
q
g
Logo os autovalores são λ = ±j L e a parte real
é nula (não hiperbólica).
Portanto, o primeiro método de Lyapunov não permite garantir a estabilidade
do sistema original.
Em torno do outro ponto de equilı́brio (correspondendo ao pêndulo invertido),
xE = (π, 0), tem-se que
" #
r
λI − 0g
1 2 g g
= λ − = 0 =⇒ λ = ± (7.8)

L 0 L L
e, portanto, há um autovalor no semiplano direito e, de fato, o ponto de

equilı́brio (π, 0) é instável (pêndulo invertido).
7.2 Segundo método de Lyapunov

O segundo método de Lyapunov, também conhecido como o Método Direto,
é baseado em um conceito análogo ao de “energia”.
Exemplo preliminar
Considere, para efeito de ilustração preliminar, o mesmo pêndulo visto ante-
riormente, mas agora com um coeficiente de atrito viscoso b > 0,
d2 θ dθ
mL +b + mg sin θ = 0 (7.9)
dt2 dt
em que θ é o ângulo entre a haste do pêndulo e a vertical.
As energias cinética e potencial são dadas, respectivamente, por
!2
1 dθ
Ec = mL2 (7.10)
2 dt
Ep = mgh (7.11)
= mgL(1 − cos θ) (7.12)
A energia total é a soma das energias potencial e cinética,
ET = Ec + Ep (7.13)
e se verifica por cálculos simples que a sua variação no tempo é

!2
dET dθ
= −L b≤0 (7.14)
dt dt
e, se o atrito é nulo,
!2
dθ dθ
−L b=0⇒ =0 (7.15)
dt dt
Portanto, a energia do pêndulo decresce

sempre que dθ
dt ̸= 0, tendendo a ET
mı́nimo que, no caso ocorre para θ, dt = (0, 0), e também dE
dθ
dt = 0.
T
Pode-se verificar, utilizando o 1o método, que os autovalores estarão localiza-

dos no semiplano esquerdo, se b > 0
7.2.1 Funções positivo definidas

Para que se apresente o Segundo Método de Lyapunov de modo mais rigoroso,
são necessárias algumas definições sobre propriedades das funções que serão
utilizadas para realizar a analogia com a expressão de energia (embora não seja
sempre adequado fazer tal associação, por exemplo, em sistemas econômicos
e populacionais).
• Uma função V : Rn → R é dita ser positivo definida em uma vizinhança

B(0, ρ) da origem com raio ρ se ∀x ∈ B(0, ρ), V (x) ≥ 0 e V (x) = 0 ⇒
x = 0.
• Uma função V : Rn → R é dita ser positivo semidefinida em uma vizi-

nhança B(0, ρ) da origem com raio ρ se ∀x ∈ B(0, ρ), V (x) ≥ 0 mas
V (x) = 0 ⇏ x = 0.
• Uma função V : Rn → R é dita ser globalmente positivo definida se é

positivo definida em B(0, ρ) com ρ ↑ ∞.
• Uma função V : Rn → R é dita ser negativo definida em uma vizinhança

B(0, ρ) da origem com raio ρ se −V é positivo definida.
em que a ou vizinhança (ou bola) de raio ρ em torno de um ponto x é carac-

terizado formalmente por B(x, ρ) = {z ∈ Rn | ∥z − x∥ < ρ}.
Uma das escolhas mais populares para V na utilização do critério de Lyapunov
é a forma quadrática
V (x) = xT Qx (7.16)
em que Qn×n é uma matriz simétrica.
Se essa expressão resultar em uma função V positivo definida, então Q é dita
ser positivo definida e denotada Q ≻ 0.
Um teste útil para verificar a positividade de uma matriz é que todos os
menores principais de Q sejam positivos (critério!de Sylvester )
q11 > 0 (7.17)

q q12
11
>0 (7.18)

q12 q22

q11 q12 q13

q12 q22 q23 >0 (7.19)

q13 q23 q33
···
Outras definições podem ser obtidas combinando os qualificativos positivo,

negativo, globalmente e prefixo semi, por exemplo, a matriz Q é globalmente
negativo definida " #
−1 0
Q= (7.20)
0 −1
uma vez que xT Qx = −(x21 + x22 ) < 0 para ∀x ∈ R2 − {0}.

A notação M ≻ 0 é usada para indicar que uma matriz M ∈ Rn×n é positivo

definida, ao invés de M > 0, uma vez que Rn×n é apenas parcialmente orde-
nado, diferentemente de xT Mx ∈ R.
A notação M ≻ N é usada para indicar que M − N ≻ 0.
7.2.2 Caso de sistemas autônomos (invariantes no tempo)

Considere um sistema de ordem n (ou seja, x(t) ∈ Rn ), descrito pela EDO
ẋ = f (x) (7.21)
f (0) = 0 (7.22)
Não há perda de generalidade em assumir f (0) = 0 porque é possı́vel reali-

zar uma translação dos eixos do sistema de coordenadas obtendo-se a função
f̂ (x) ≜ f (x + xE ) com a propriedade que f̂ (0) = f (xE ) = 0.
Segundo método de Lyapunov

A origem do sistema representado por 7.22 é
estável em uma vizinhança B(0, ρ), se existe
uma função contı́nua V : Rn → R tal que
• V é positivo definida em B(0, ρ)
• contı́nua em relação a t
dV (x(t))
• dt = Vx ẋ é negativo semidefinida
em B(0, ρ) Figura 7.2: Relação entre a
curva de nı́vel de V e as vizi-
Esboço da prova nhanças envolvidas na prova do
o
Por definição, um ponto de equilı́brio 0 é es- 2 método de Lyapunov.
tável se dado ε > 0 arbitrário, ∃ δ(ε) > 0 tal
que x(t0 ) ∈ B(0, δ) ⇒ x(t) ∈ B(0, ε).
Assuma que é dado um ε > 0 e seja ∂B(0, ε)
a fronteira de B(0, ε), como ilustrada na figura 7.2.
Seja Vmin o mı́nimo de V (x) para x ∈ ∂B(0, ε) e note que V (x) < Vmin ⇒ x ∈
B(0, ε).
Seja δ tal que ∀x ∈ B(0, δ), V (x) < Vmin . Se x(t0 ) ∈ B(0, δ), então
V (x(t)) < Vmin para t ≥ t0 , pois dV (x(t))
dt ≤ 0 e V (x(t0 )) ≤ V (x(t)) para
t ≥ t0 .
Portanto x(t) ∈ B(0, ε), ∀t ≥ t0 .
Observações
• Uma função V que satisfaz as condições (i) a (iii) é chamada de função
de Lyapunov.
• Se na condição em 7.2.2 a função V̇ (x(t)) é negativo definida em B(0, ρ),

então a estabilidade é assintótica. Às vezes, quando V̇ (x(t)) é apenas
semidefinida, o resultado pode ser aprimorado mediante o uso do lema
de Barbalat, Apêndice F.
• Se a função V é radialmente ilimitada (radially unbounded ), ou seja, se

V (x) → ∞ para x → ∞, então a origem é globalmente estável.
• Situações em que V (x) = 0 em uma certa região podem, às vezes, serem
tratadas pelo princı́pio de La Salle (vide, por exemplo, (SLOTINE; LI,
1991), (KHALIL, 1992)).
Exemplo: Sistema unidimensional

Considere o sistema unidimensional (x ∈ R)
ẋ = −σ(x) (7.23)
em que a função σ : R → R é tal que ξ σ(ξ) > 0, ∀ξ ̸= 0

Utilizando como a função candidata de Lyapunov,
V (x) = x2 (7.24)
que é positivo definida, obtém-se que
dV (x(t)) dx
= 2x(t) (7.25)
dt dt
= −2 x(t) c x(t) ≤ 0 (7.26)
ou seja, o sistema é assintoticamente estável.
Exemplo: Sistema massa + mola não linear + amortecedor não linear

Considere o modelo de sistema massa + mola + amortecedor e, ao invés de
uma caracterı́stica linear da mola, seja fm = kx e do amortecedor fa = bẋ,
em que ambas são funções não necessariamente lineares
fm = g(x) (7.27)
fa = h(ẋ) (7.28)
tais que h e g são contı́nuas, h(0) = 0, g(0) = 0, x h(x) ≥ 0 e xg(x) ≥ 0.

O movimento da massa é descrito por
ẍ + h(ẋ) + g(x) = 0 (7.29)
Usando a notação x1 = x e x2 = ẋ, obtém-se a representação no espaço de
estados
x˙1 = x2 (7.30)
x˙2 = −g(x1 ) − h (x2 ) (7.31)
Lembrando que a expressão da energia total (cinética+potencial) pode ser
usada como a função candidata de Lyapunov, seja
Z x1
1
V (x1 , x2 ) = x22 + g(ξ)dξ (7.32)
2 0
Pode-se verificar que V assim definida é positivo definida e, também, constata-

se que (0, 0) é ponto de equilı́brio.
Aplicando-se o segundo método de Lyapunov, tem-se que
V̇ = x2 x˙2 + g(x1 )x˙1 (7.33)

= x2 −g(x1 ) − h (x2 ) + g(x1 ) (x2 ) (7.34)
= −x2 h (x2 ) (7.35)
que é negativo semidefinida.

A expressão 7.35 indica que V x1 (t), x2 (t) diminui, sempre que componente
x2 não for nulo, ou seja, o amortecedor está dissipando energia para o meio
ambiente.
Exemplo: Utilização do primeiro e segundo métodos de Lyapunov
x˙1 = −x31 − x32 (7.36)

x˙2 = x1 − x32 (7.37)
O ponto (0, 0) é de equilı́brio e o problema é verificar se este é estável.
Pelo primeiro método de Lyapunov, tem-se que o modelo linearizado é
" #
˙ −3x21 −3x22
∆x = ∆x (7.38)
1 −3x21
(x1 ,x2 )=(0,0)
" #
0 0
= ∆x (7.39)
1 0
| {z }
A
Os autovalores de A são obtidos de det(λI − A) = 0 ou seja, λ = 0 multipli-

cidade 2.
Como os autovalores de A estão sobre o eixo imaginário no plano s, nada se
pode afirmar sobre a estabilidade do ponto (0, 0) baseado no primeiro método
de Lyapunov.
Porém, a expressão 7.39 pode ser reescrita como
˙ 1 = 0
∆x (7.40)
˙ 2 = ∆x1
∆x (7.41)

e, se a condição inicial for ∆x1 (0), ∆x2 (0) = (1, 0), resulta de 7.40 que
∆x1 = 1 para ∀t ≥ 0.
Logo, de 7.41, tem-se que
∆x2 (t) = t (7.42)
que tende a ∞ à medida que t → ∞.
Em outras palavras, usando o modelo linearizado, concluir-se-ia (esquecendo
que há um autovalor em cima do eixo imaginário) que a origem é instável.
Porém, pelo segundo método de Lyapunov, utilizando as equações de estado
originais (não lineares) 7.36 e 7.37 e propondo a função candidata
V (x1 , x2 ) = 2x21 + x42 (7.43)
tem-se que
V̇ = 4x1 x˙1 + 4x32 x˙2 (7.44)

= 4x1 −x31 − x32 + 4x32 x1 − x32 (7.45)
= −4x41 − 4x1 x32 + 4x1 x32 − 4x62 (7.46)

= −4 x41 − x62 (7.47)
que é negativo definida.

Logo, o ponto de equilı́brio é, de fato, assintoticamente estável, contrastando
com o comportamento do modelo linearizado.
Sistemas não lineares podem apresentar vários pontos de equilı́brio isolados

um do outro e frases do tipo “o sistema é estável ” devem ser reservadas
apenas para os casos em que todos os seus pontos de equilı́brio são estáveis.
É conveniente lembrar que é necessário fazer translações de modo que o ponto
de equilı́brio esteja em 0 no novo sistema de coordenadas. O insucesso em
encontrar uma função candidata V não significa que o sistema é instável, pois
o critério de Lyapunov, se satisfeito, é condição suficiente para a estabilidade
7.2.3 Estabilidade de sistemas não autônomos (variantes com o tempo)

A seleção do instante inicial t0 pode influenciar a resposta de sistemas variantes
no tempo e, consequentemente, fazem-se necessárias definições adicionais.
Um ponto de equilı́brio xE é dito ser uniformemente estável se dado ε > 0
arbitrário, ∃δ(ε) > 0 (independente de t0 ) tal que, para qualquer t0 ∈ R

x(t0 ) − xE < δ ⇒ x(t) − xE < ε, ∀t ≥ t0 (7.48)
Novamente é possı́vel admitir xE = 0

Uma função V : Rn × R+ → R é dita ser localmente positivo definida se
V (0, t) = 0 e ∃VL : Rn → R positivo definida, de modo que
V (x, t) ≥ VL (x), ∀t ≥ t0 (7.49)
Uma função V : Rn × R+ → R é dita ser decrescente se V (0, t) = 0 e ∃VH :

Rn → R positivo definida, de modo que
V (x, t) ≤ VH (x), ∀t ≥ 0 (7.50)
Nessas condições, o sistema de ordem n (ou seja, x(t) ∈ Rn )
ẋ = f (x(t), t) (7.51)
f (0, 0) = 0 (7.52)
é uniformemente estável em uma vizinhança B(0, ρ) se existe uma função

contı́nua V : Rn × R+ → R tal que
• V é localmente positivo definida em B(0, ρ)
• V é decrescente
• V (x(t)) possui derivadas contı́nuas em relação a t
• d
dt V (x(t)) é negativo semidefinida em B(0, ρ)
A demonstração no caso de sistemas não autônomos é bastante intricada e

pode ser encontrada em livros tais como (KHALIL, 1992), (SLOTINE; LI,
1991), (VIDYASAGAR, 1985) e (SAASTRY, 1999), entre outras obras.
7.3 Identificação de modelos de tempo contı́nuo

O segundo método de Lyapunov pode ser utilizado para identificação de sis-
temas de tempo contı́nuo no espaço de estados.
7.3.1 Mı́nimos quadrados de tempo contı́nuo

Identificação de sistemas estáticos
Considere o sistema estático linear, escalar (y ∈ R) descrito por
y(t) = θu(t) (7.53)

h i
em que θ ∈ R é uma constante e t ∈ t0 , tf .
O problema é obter uma estimativa θ
b de θ, minimizando o erro quadrático
Z tf
1 2
J(θ) = y(t) − θu(t) dt (7.54)
2 t0
Uma condição necessária para que θ

b seja um ponto estacionário é

dJ
= 0. (7.55)
dθ bθ
Essa condição se torna, no presente problema,
dJ d tf 1
Z
2
= y(t) − θu(t) dt (7.56)
dθ dθ t0 2
1 tf d h 2
Z i
= y (t) − 2θy(t)u(t) + θ2 u2 (t) dt (7.57)
2 t0 dθ
1 tf h
Z i
= −2y(t)u(t) + 2θu2 (t) dt (7.58)
2 t0
= 0 (7.59)
e a estimativa de θ é dada por

R tf
y(τ )u(τ )dτ
θ = tR0 tf
b (7.60)
t0 u2 (τ )dτ
Identificação recursiva
Técnicas de estimação que utilizam todos os dados {u(τ ), y(τ )}τ ∈ [ t0 ,tf ] de
uma vez só são conhecidas como de “batelada”, em contraste as “recursivas”que
utilizam em cada instante t ≥ 0, os dados {u(τ ), y(τ )}τ ≤t .
Se o instante presente é t = tf , em vista de 7.60, tem-se que θ(t)
b é dado por
Z t Z t
θ
b (t) u2 (τ )dτ = y(τ )u(τ )dτ (7.61)
t0 t0
que derivado em t, leva à EDO que descreve a dinâmica de θ(t)

b :
Z t ! Z t !
d b 2 d
θ (t) u (τ )dτ = y(τ )u(τ )dτ (7.62)
dt t0 dt t0
Z t !−1
db 2

b (t) u2 (t) + y(t)u(t)

θ (t) = u (τ )dτ −θ (7.63)
dt t0
Persistência da excitação
Se o sinal u(t) for identicamente nulo, tem-se na equação que descreve a dinâ-
mica de θ(t)
b a situação 00 , o que não é permitido.
Logo, a entrada u(t) deve afetar suficientemente o sistema de forma que pos-
sam ser estabelecidas relações entre as entradas u e as saı́das y.
Uma entrada u com tais caracterı́sticas é chamada de persistentemente exci-
tante.
Um exemplo de sinal persistentemente excitante é, u(t) = δ(t − t0 ),
Z t Z t
u2 (τ )dτ = δ 2 (τ − t0 )dτ = 1 (7.64)
t0 t0
e a equação para θ(t)

b se torna
db b (t) u2 (t) + y(t)u(t)
θ (t) = −θ (7.65)
dt
Conceito de consistência
b é obtido de
O ponto de equilı́brio da equação para θ
−u2 (t)θ(t)
b + y(t)u(t) = 0 (7.66)
2
−u (t)θ(t)
b + θu(t)u(t) = 0 (7.67)
θ(t)
b = θ (7.68)
Em vista de θ ser constante, se ϕ(t) é definido como ϕ(t) = θ(t)
b − θ, tem-se
que
ϕ̇ = θḃ (7.69)
e, lembrando que y = θu, obtém-se uma EDO para ϕ
ϕ̇ = θ
ḃ (7.70)
b 2 + yu
= −θu (7.71)
b 2 + θu2
= −θu (7.72)
2
= −ϕu (7.73)
Convergência da estimativa
˙ = −ϕu2 , adote a função candidata de
Para estudar a estabilidade de ϕ(t)
Lyapunov
V = ϕ2 (7.74)
Derivando-se V em relação a t, resulta
d 2
V̇ = ϕ (7.75)
dt
= 2ϕϕ̇ (7.76)
2 2
= −2ϕ u (7.77)
Constata-se pelo lema de Barbalat que (neste caso) ϕ(t) → 0, ou θ(t)

b → θ
(valor verdadeiro) para t → ∞.
Como θ̂ converge para o valor verdadeiro θ, diz-se que a identificação (estima-
ção) é consistente. Mas, em princı́pio, convergência ̸= consistência.
Identificação de sistemas dinâmicos: caso escalar

Considere um processo com modelo escalar linear, x ∈ R, u ∈ R, |u(t| < M
para ∀t,
ẋ = ax + bu (7.78)
em que a < 0 e b são constantes desconhecidas.
Tanto o estado x quanto a entrada u são assumidos disponı́veis (medidos).
Seja a proposta de dinâmica para a estimativa
x
ḃ = a
bx bu
b+b (7.79)
b(t) → a e b
e tome-se como meta fazer a b(t) → b, para t → ∞.
Nessas condições, o erro e(t) = x(t) − x
b(t) satisfaz

ė = (ax + bu) − a
bx bu
b+b (7.80)
Somando e subtraindo o termo ax

b na equação de e, obtém-se

ė = a (x − x
b) + (a − a b+ b−b
b) x b u (7.81)
Por conveniência, sejam as variáveis auxiliares
ϕ(t) = a − a
b(t) (7.82)
ψ(t) = b − bb(t) (7.83)

ė = ae + ϕ(t)x
b + ψ(t)u (7.84)
A partir dos sinais conhecidos e(t), x
b(t) e u(t), deseja-se obter as leis de adap-
tação (Fa e Fb ):
a
ḃ = ϕ̇ = Fa (e, x
b, u, a
b) (7.85)
b = ψ̇ = Fb (e, x
ḃ b, u, b
b) (7.86)
O sistema de equações descrevendo (e, ϕ, ψ) se torna
ė = ae + ϕx
b + ψu (7.87)
ϕ̇ = Fa (e, x
b, u, a
b) (7.88)
ψ̇ = Fb (e, x
b, u, b
b) (7.89)
Para que o ponto (e, ϕ, ψ) = (0, 0, 0) seja de equilı́brio, Fa e Fb devem se anular
para e = 0 (a ser verificado a posteriori ).
Seja a função candidata de Lyapunov
1 2
V (e, ϕ, ψ) =e + ϕ2 + ψ 2 (7.90)
2
Derivando-se V em relação a t, tem-se que
V̇ ˙
= eė + ϕϕ̇ + ψ psi (7.91)
= e (ae + ϕx
b + ψu) + ϕFa (e, x
b, u, a
b) + ψFb (e, x
b, u, b
b) (7.92)

= ae2 + ϕ( ex
b + Fa (e, x
b, u, a
b) ) + ψ( eu + Fb (e, x
b, u, b
b) ) (7.93)
Propondo Fa (.) e Fa (.) da forma

Fa (e, x b) = −e(t)x
b, u, a b(t) (7.94)
Fb (e, x b) = −e(t)u(t)
b, u, b (7.95)
tem-se que
V̇ = ae2 ≤ 0 (7.96)
Com a utilização do lema de Barbalat é possı́vel estabelecer que
t↑∞
e −→ 0 (7.97)
De fato, derivando-se V̇ , obtém-se
V̈ = 2aeė (7.98)
= 2ae(ae + ϕx
b + ψu) (7.99)
que é limitado, pois
1. No instante inicial, V (e(0), ϕ(0), ψ(0)) < N para algum N > 0. Como
V̇ ≤ 0, decorre que as funções e(t), ϕ(t) e ψ(t) são limitadas.
2. |u(t)| < M por hipótese.
3. e = x − xb é limitada e, como a < 0, x é também limitada, permitindo

concluir que x̂ é limitada.
Uma vez que V̈ é limitada, V̇ é uniformemente contı́nua e, pelo lema de Bar-
balat, V̇ = −ae2 → 0, ou e(t) → 0.
Identificação de sistemas dinâmicos: caso vetorial

Considere o sistema linear
ẋ = Ax + Bu (7.100)
em que A e B são matrizes constantes desconhecidas e |u| < M .
Assume-se, ainda, que Re{λ{A}} < 0
Como no caso escalar, seja a proposta de dinâmica para a estimativa
ḃ = A
x bxb + Bu
b (7.101)
com a meta de fazer A(t)

b → A e B(t)
b → B, para t → ∞.
Como antes, defina o erro
e(t) = x(t) − x
b (t) (7.102)
A equação da dinâmica de e(t) é

ė = (Ax + Bu) − A
bxb + Bu
b (7.103)

= A (x − x
b) + A − A b+ B−B
b x b u (7.104)
Por conveniência, são introduzidas as notações
Φ(t) = A − A
b (7.105)
Ψ(t) = B−B
b (7.106)
A equação do erro é reescrita, portanto, na forma
ė = Ae + Φ(t)x
b + Ψ(t)u (7.107)
Analogamente ao caso escalar, são buscadas as leis de adaptação
Ȧ = Φ̇ (7.108)
Ḃ = Ψ̇ (7.109)
Propõe-se como a função candidata de Lyapunov
V (e, Φ, Ψ) = eT Pe + tr{ΦT Φ + ΨT Ψ} (7.110)
com P ≻ 0, sendo que deve ser feita, a posteriori, a verificação de que 0 é

ponto de equilı́brio.
A derivada temporal de V é dada por
V̇ = ėT Pe + eT Pė + 2tr{Φ̇T Φ + Ψ̇T Ψ} (7.111)

T T
= (Ae + Φx
b + Ψu) Pe + e P(Ae + Φx
b + Ψu) +
+2tr{Φ̇T Φ + Ψ̇T Ψ} (7.112)
T T
= e (A P + PA)e +
| {z }
−Q
b + Ψu)T Pe + 2tr{Φ̇T Φ + Ψ̇T Ψ}

+2(Φx (7.113)
h i
T T T T T
= −e Qe + 2 e PΦx
b + tr{Φ̇ Φ} + e PΨu + tr{Ψ̇ Ψ} (7.114)
A matriz P pode ser obtida resolvendo-se
AT P + PA = −Q (7.115)
para algum Q ≺ 0.
A solução P de 7.115 é única e positivo definida pois, por hipótese, A possui
todos os autovalores no semiplano esquerdo.
Os termos indesejados em 7.114 são eliminados adotando-se as leis de adapta-
ção
bT
Φ̇ = −Pex (7.116)
T
Ψ̇ = −Peu (7.117)
uma vez que

T
tr{Φ̇T Φ} = −tr{ Pex
bT Φ} (7.118)
b eT PΦ}
= −tr{x (7.119)
e, notando que para α e β em Rn ,
tr{αn×1 β1×n } = βα (7.120)
pode-se escrever que

b )n×1 eT PΦ
tr{(x } = eT PΦx
b (7.121)
1×n
Analogamente, obtém-se que tr{Ψ̇T Ψ} = eT PΨu.

Substituindo-se tr{Φ̇T Φ} = −eT PΦx e tr{Ψ̇T Ψ} = eT PΨu na expressão de
V̇ em 7.114,
h i
V̇ = −eT Qe + 2 eT PΦx + tr{Φ̇T Φ} + eT PΨu + tr{Ψ̇T Ψ} (7.122)
h i
= −eT Qe + 2 eT PΦx − eT PΦx + eT PΨu − eT PΨu} (7.123)
= −eT Qe (7.124)
que é negativo semidefinida.
Considerando, ainda, que (e, Φ, Ψ) = (0, 0, 0) é ponto de equilı́brio, pelo
critério de Lyapunov, o sistema é estável, utilizando a lei de adaptação 7.116
e 7.117.
Exemplo de identificação paramétrica

Seja o modelo
" # " #
0 1 1
ẋ = x+ u (7.125)
−2 −3 1
(7.126)
considerado desconhecido a menos do fato de que é linear de segunda ordem,
invariante no tempo, com uma entrada u1×1 e o estado x é mensurado a todo
o instante.
Utilizando-se a lei de adaptação 7.116 e 7.117, obteve-se o resultado apre-
sentado graficamente em 7.3.
De fato, as estimativas da matriz A = [aij ] tendem para os valores verdadeiros
a11 = 0, a12 = 1, a21 = −2 e a22 = −3, bem como as da matriz B = [bi ] para
os valores b1 = b2 = 1.
7.4 Backstepping
Embora o backstepping tenha sido estudado de modo implı́cito em alguns
artigos anteriores, a formulação tı́pica vista hoje em dia é devida a
• Sussmann, H. J. e Kokotovic, P. V. The peakingphenomenon and the
global stabilization of nonlinear systems. IEEE Transactions on Auto-
matic Control, v. 36, n. 4, p. 424-440, 1991.
Para se ter uma boa perspectiva sobre o tema, recomenda-se o artigo
• Kokotovic, P. V. (1992). The joy of feedback: nonlinear and adaptive.
IEEE Control Systems Magazine, v. 12, n. 3, p. 7-17, 1992.
Figura 7.3: Exemplo de Identificação de um sistema LTI.
7.4.1 Exemplo tntrodutório de backstepping

Considere o modelo não linear de dimensão 2 descrito por
ẋ1 = x31 x2 (7.127)

ẋ2 = u (7.128)
No caso de sistemas de segunda ordem são necessárias duas fases.

Em uma primeira fase, um pseudocontrole v é utilizado no lugar de x2 da
primeira equação.
O pseudocontrole v é escolhido de modo que o ponto de equilı́brio da primeira
equação modificada (com v noi lugar de x2 ) seja estabilizada.
Fase 1:
Assume nesta fase que x2 pode ser visto como um controle virtual v, ou seja,
ẋ1 = x31 v
Com o intuito de estudar a estabilidade, adote-se a função candidata de Lya-

punov
x2
V1 (x1 ) = 1
2
Derivando-se V ◦ x1 (t) em relação a t, resulta que

d
V1 x1 (t) = x1 ẋ1 (7.129)
dt
= x41 v (7.130)
Escolhendo v = −x21 , obtém-se que

d
V1 x1 (t) = −x61 ≺ 0

dt
Fase 2:
Pela Fase 1, sabe-se que, se v = −x21 , então o sistema representado pela
primeira linha de 7.127 seria estável.
Idealmente deseja-se que, através da manipulação de u, x2 se aproxime de v,
cuja expressão será denotada por q(x1 ) = −x21 .
Em outras palavras, deseja-se fazer x2 tender a q(x1 ) através da escolha de u.
Defina o erro e como a diferença e = x2 − q(x1 ) e note que
e = x2 − q(x1 ) (7.131)
x2 = e + q(x1 ) (7.132)
O modelo original é, portanto,
ẋ1 = x31 x2 (7.133)

x31

= e + q(x1 ) (7.134)
ẋ2 = u (7.135)
Por outro lado, como ẋ2 = u, pode-se escre3ver a partir de 7.131 que
ė = u − q̇(x1 ) (7.136)
Nas variáveis {x1 , e} a dinâmica é descrita por
ẋ1 = x31 e + q(x1 )

(7.137)
ė = u − q̇(x1 ) (7.138)
A função candidata de Lyapunov é escolhida de modo que aproveita a parte

referente a x1 já obtida anteriormente (V1 (x1 )), ou seja,
e2
V2 (x1 , e) = V1 (x1 ) + (7.139)
2
x21 e2
= + >0 (7.140)
2 2
e a sua derivada é dada por

d
V2 (x1 , e) = x1 ẋ1 + eė (7.141)
dt
Substituindo-se ẋ1 e ė, tem-se
d
V2 (x1 , e) = x1 x31 e + q(x1 ) + e u − q̇(x1 )

(7.142)
dt
= x41 e + x41 q(x1 ) + eu − eq̇(x1 ) (7.143)
Da Fase 1, q(x1 ) = −x21 , de modo que
d
V2 (x1 , e) = x41 e + x41 −x21 + eu − eq̇(x1 ) (7.144)
dt
= −x61 + x41 + u − q̇(x1 ) e (7.145)
Fazendo-se
u = q̇(x1 ) − x41 − e
obtém-se que
d
V2 (x1 , e) = −x61 + x41 + u − q̇(x1 ) e (7.146)
dt
= −x61 − e2 < 0 (7.147)
e o modelo original foi estabilizado com o controle
u = q̇(x1 ) − x41 − e (7.148)
= q̇(x1 ) − x41 − x2 + q(x1 ) (7.149)
= −2x1 ẋ1 − x41 − x2 − x21 (7.150)
= −x41 − 2x41 x2 − x21 − x2 (7.151)
7.4.2 Caso geral

Considere um modelo na forma
ẋ1 = f (x1 ) + g(x1 )x2 (7.152)
ẋ2 = u (7.153)
Assuma que existe q(x1 ) tal que q(0) = 0 e para algum V1 (x1 ) > 0, diferenciá-
vel e radialmente ilimitada, é satisfeita a condição
dV1 (x1 (t)) dV1
= ẋ1 (7.154)
dt dx1
dV1
= f (x1 ) + g(x1 )q(x1 ) < 0 (7.155)
dx1
Assim como no Exemplo Introdutório, deseja-se usar x2 como um controle

virtual, ou seja, manipular u de modo que x2 → q(x1 ).
Definindo e = x2 −q(x1 ), obtém-se a mesma equação do Exemplo Introdutório,

ẋ1 = f (x1 ) + g(x1 ) e + q(x1 ) (7.156)
ė = u − q̇(x1 ) (7.157)
e2
Aproveitando a função V1 fornecida, seja V2 (x1 , e) = V1 (x1 ) + 2, e note que
d dV1
V2 (x1 , e) = ẋ1 + eė (7.158)
dt dx1
dV1 h i
= f (x1 ) + g(x1 ) e + q(x1 ) + e u − q̇(x1 ) (7.159)
dx1
dV1 dV1
= f (x1 ) + g(x1 )q(x1 ) +
dx1 dx1
| {z }
V˙1 <0
" #
dV1
+ g(x1 ) + u − q̇(x1 ) e (7.160)
dt
| {z }
B
Fazendo-se
dV1
u=− g(x1 ) + q̇(x1 ) − e
dx1
obtém-se que
V2 (x1 , e) = V˙1 − e2 < 0
Expandindo o controle estabilizante u, obtém-se a fórmula
dV1
u = − g(x1 ) + q̇(x1 ) − e (7.161)
dx1
dV1 dq
= − g(x1 ) + ẋ1 − x2 + q(x1 ) (7.162)
dx1 dx1
dV1 dq
= − g(x1 ) + f (x1 ) + g(x1 )x2 − x2 + q(x1 ) (7.163)
dx1 dx1
dV1 dq dq
= − g(x1 ) + f (x1 ) + g(x1 )x2 − x2 + q(x1 ) (7.164)
dx1 dx1 dx1
Exemplo: Considere o mesmo modelo utilizado anteriormente
ẋ1 = x31 x2 (7.165)

ẋ2 = u (7.166)
ou seja, f (x1 ) = 0 e g(x1 ) = x31 , e tome-se a mesma função candidata de

Lyapunov,
1
V1 = x21
2
2
Verifica-se que q(x1 ) = −x1 é adequado e pela fórmula obtida anteriormente
dV1 dq dq
u = − g(x1 ) + f (x1 ) + g(x1 )x2 − x2 + q(x1 ) (7.167)
dx1 dx1 dx1
= −x1 x1 3 − 2x1 × x1 x31 x2 − x2 − x21 (7.168)
= −x41 − 2x41 x2 − x21 − x2 (7.169)
que é igual ao obtido anteriormente em 7.151.
7.4.3 Caso de realimentação estrita

O método do backstepping é também aplicável a sistemas da forma
ẋ1 = f1 (x1 ) + g1 (x1 )x2 (7.170)

ẋ2 = f2 (x1 , x2 ) + g2 (x1 , x2 )x3 (7.171)
..
. (7.172)
ẋn−1 = fn−1 (x1 , x2 , ..., xn−1 ) + gn−1 (x1 , x2 , ..., xn−1 )xn (7.173)
ẋn = fn (x1 , x2 , ..., xn−1 , xn ) + gn (x1 , x2 , ..., xn−1 , xn )u (7.174)
Os termos gk (x1 , ..., xk ) não devem se anular pois a solução envolve termos
gk−1 (x1 , ..., xk ).
Exemplo de ordem 2
Considere o problema de estabilizar o sistema modelado por
ẋ1 = f1 (x1 ) + g1 (x1 )x2 (7.175)

ẋ2 = f2 (x1 , x2 ) + g2 (x1 , x2 )u (7.176)
Pela Fase 1, assuma que existe q(x1 ) e V1 (x1 ), tal que

dV1
f1 (x1 ) + g(x1 )q1 (x1 ) < 0
dx1
Definindo e = x2 −q(x1 ) obtém-se uma equação similar ao dos casos anteriores,
com a única diferença do termo entre colchetes.

ẋ1 = f (x1 ) + g(x1 ) e + q(x1 ) (7.177)

ė = f2 (x1 , x2 ) + g2 (x1 , x2 )u − q̇(x1 ) (7.178)
Tomando-se como a função candidata de Lyapunov, novamente aproveitando

a disponibilidade de V1 (x1 )
e2
V2 (x1 , e) = V1 (x1 ) + (7.179)
2
obtém-se que (omitindo-se os argumentos de f1 , f2 , g1 e g2 )
d dV1
V2 (x1 , e) = ẋ1 + eė (7.180)
dt dx1
dV1 h i
= f1 + g1 e + q(x1 ) + e f2 + g2 u − q̇(x1 ) (7.181)
dx1
dV1
= f1 + g1 )q(x1 ) +
dx1
| {z }
V̇1 <0
dV1
+e[ g1 + f2 + g2 u − q̇(x1 )] (7.182)
dx1
De modo similar aos casos anteriores, propõe-se a lei de controle
!
1 dV1
u = − g1 + f2 − q̇(x1 ) + e (7.183)
g2 dx1
!
1 dV1 dq1 dq1
= − g1 + f2 − f1 − g1 x2 + x2 − q(x1 ) (7.184)
g2 dx1 dx1 dx1
que, substituı́do na equação de V˙2 , leva a

d
V2 (x1 , e) = V̇1 − e2 < 0
dt
e o modelo é estabilizado.
OBS: Note que a lei de controle 7.184 apresenta certa complexidade.
7.4.4 Controle adaptativo com backstepping

O método backstepping pode ser utilizado para projeto de controladores adap-
tativos.
Aqui, um procedimento simples é ilustrado através de um exemplo.
Considere o modelo
x˙1 = θf (x1 ) + x2 (7.185)

x˙2 = u (7.186)
em que f : R → R é diferenciável e θ é um parâmetro real desconhecido.

A mesma metodologia anterior é aplicável e toma-se inicialmente um pseudo-
controle v no lugar de x2 .
x˙1 = θf (x1 ) + v
Seja agora uma função candidata de Lyapunov
1
V1 = x21
2
Derivando-se V no tempo e propondo v = −θf (x1 ) − x1 , tem-se que
V̇1 = x1 ẋ21 (7.187)

= x1 θf (x1 ) + v (7.188)
= −x21 ≤0 (7.189)
Deseja-se agora que x2 se aproxime de v mediante manipulação de u (já que

v foi usado como um pseudocontrole no lugar de x2 .
Denotando v = q1 (x1 ), pode-se definir o erro
e = x2 − q1 (x1 ) (7.190)
x2 = e + q1 (x1 ) (7.191)
e obtém-se o sistema
x˙1 = θf (x1 ) + e + q1 (x1 ) (7.192)

ė = u − q̇1 (x1 ) (7.193)
lembrando que ẋ2 = u.

Propondo-se a função candidata de Lyapunov
1 1
V2 = x21 + e2
2 2
e derivando-se V2 em relação a t,
V̇2 = x1 ẋ1 + eė (7.194)

= x1 θf (x1 ) + e + q1 (x1 ) + e u − q̇1 (x1 ) (7.195)

= x1 θf (x1 ) + q1 (x1 ) + e x1 + u − q̇1 (x1 ) (7.196)
Substituindo-se q(x1 ) = −x1 − θf (x1 ) e adotando-se u = −x1 + q̇(x1 ) − e

resulta que
V̇2 = −x21 − e2 ≤ 0 (7.197)

Porém, θ não é conhecido e, portanto, pelo princı́pio da equivalência à certeza,

substitui-se θ por uma estimativa θ b na expressão q(x1 ) = −x1 − θf (x1 )
qb1 (x1 ) = −x1 − θf

b (x1 )
A nova expressão para (ẋ1 ) é

ẋ1 = θf (x1 ) + x2 (7.198)
= θf (x1 ) + e + qb1 (x1 ) (7.199)
e para (ė) é
ė = u − qḃ1 (x1 )
e=θ−θ
Seja, θ b e note que θ ḃ já que θ é constante.
ė = θ,
Uma expressão para θė será obtida através do critério de Lyapunov.

Para analisar a estabilidade de
ẋ1 = θf (x1 ) + e + qb1 (x1 ) (7.200)
ė = u − qḃ1 (x1 ) (7.201)
ė = a ser definido
θ (7.202)
adote-se a função candidata de Lyapunov
1 2
V = x1 + e2 + θ
e2
2
Calculando-se a derivada de V em relação ao tempo,
V̇ = x1 ẋ1 + eė + θ
eθė (7.203)
tem-se que

V̇ = x1 θf (x1 ) + e + qb1 (x1 ) + e u − qḃ1 (x1 ) + θ
eθė (7.204)

b (x1 ) + e u − qḃ (x1 ) + θ
= x1 θf (x1 ) + e − x1 − θf 1
eθė (7.205)
 
h i
= −x21 + 
 
(θ − θ)f (x1 ) + θθ + e x1 + u − qḃ1 (x1 ) (7.206)
b e ė
| {z }
eθ
h i
= −x21 − (f (x1 ) + θ) e + e x1 + u − qḃ (x1 )
ė θ
1 (7.207)
Seja
ė = −f (x1 )
θ (7.208)
u = −x1 + qḃ1 (x1 ) − e (7.209)
Com essas escolhas para θ

ė e u, resulta que
V̇ = −x21 − e2 ≤ 0
Portanto, com a lei de adaptação
ė = −f (x1 )
θ
e com o controle
u = −x1 + qḃ1 (x1 ) − e (7.210)

(7.211)
e a estabilidade é verificada, uma vez que (0, 0, 0) é ponto de equilı́brio.
Nesta seção, o critério de Lyapunov foi utilizado para obter uma lei de adap-
tação tal que V̇ ≤ 0. Ou seja, a função candidata V envolvia funções ainda
não determinadas (no exemplo, P hi e P si, respectivamente) que, posterior-
mente, foram escolhidas de modo que tornassem V semidefinida negativa.
7.5 Observações Complementares

1. Existem alguns métodos sistemáticos para construir funções candidatas
de Lyapunov, tais como o método de Zubov e o de Gradiente Variável
(vide (CASTRUCCI; CURTI, 1981)).
2. Segundo o Teorema Recı́proco de Lyapunov, se um modelo é sabidamente

estável, então é possı́vel construir uma função candidata de Lyapunov.l
3. Embora existam critérios de instabilidade como a de Četaev, são pouco

utilizados em projeto de controladores.
4. Quando a função V̇ é apenas semi-definida negativa, pode-se, às vezes,

utilizar o princı́pio de conjuntos invariantes de LaSalle (LaSalle, J.P.
Some extensions of Liapunov’s second method, IRE Transactions on
Circuit Theory, CT-7, pp. 520–527, 1960).
5. Mais adiante é apresentado o Lema de Barbalat que permite concluir

que V̇ → 0 se V̈ é limitada.
6. Quando ocorrem autovalores no eixo imaginário ao se aplicar o primeiro

método de Lyapunov (pontos fixos não hiperbólicos), pode-se, às vezes,
utilizar o Teorema da Variedade Central.
7.6 Observações sobre pontos de equilı́brio

Em se tratando de sistemas não lineares, um ponto de equilı́brio xE para o
qual as trajetórias convergem pode não satisfazer a definição de estabilidade,
ou seja, a trajetória x(t) não deve “sair” da vizinhança Bε (xE ) (em termos
formais, dado ε > 0 existe δ > 0 tal que |x(t) − xE | ≤ ε se |x(t0 ) − xE | ≤ δ).
Considere o sistema descrito por
 
x1
ẋ1 = x1 1 − x21 − x22 − x2 1 − q (7.212)
 

2 2
x1 + x2
 
x1
ẋ2 = x2 1 − x21 − x22 + x1 1 − q (7.213)
 

x21 + x22
O ponto (1, 0) é um ponto de equilı́brio para o qual as trajetórias convergem,

mas após percorrer trechos de uma circunferência de raio 1, como visto no
plano de fase A da figura 7.4.
O plano de fase B da figura 7.4 apresenta trajetórias tı́picas percorridas pela
solução da equação de Vinograd (Vinograd, R. E. Inapplicability of the method
of characteristic exponents to the study of non-linear differential equations.
Matematicheskii Sbornik, v. 41, n. 4, p. 431-438, 1957)
x21 (x2 − x1 ) + x52

ẋ1 = (7.214)
(x21 + x22 )(1 + (x21 + x22 ))2
x22 (x2 − 2x1 )
ẋ1 = (7.215)
(x21 + x22 )(1 + (x21 + x22 ))2
Aqui, embora o ponto (0, 0) seja atrator, esse não é um ponto de equilı́brio.
Existem várias extensões do critério de Lyapunov que permitem analisar

processos hı́bridos, processos com atraso puro, processos com ordem fracio-
nária e muitos outros. Sob uma perspectiva diferente o método de Lyapunov
é utilizado para projeto de controladores adaptativos e para identificação de
sistemas.
7.7 Notas históricas sobre o critério de Lyapunov

Alguns resultados notáveis que estendem o critério de Lyapunov.
Figura 7.4: Planos de fase de modelos que apresentam dificuldades na definição

de pontos de equilı́brio estáveis.
• Vasile Mihai Popov (1928-) estudou o problema de Lur’e-Postnikov (Lur’e,

A. I. e Postnikov, V. N. On the theory of stability of control systems
(em russo). Prikladnaya Matematika I Mekhanika, v. 8, n. 3, p.246-248,
1944) e propôs, mais tarde em 1966, a teoria de hiperestabilidade de
sistemas dinâmicos.
• Em 1945, Mark Aronovich Aizerman (1913-1992) e Felix Ruvimovich

Gantmacher (1908- –1964) analisam o problema de estabilidade abso-
luta. (Aizerman, M. A. e Gantmacher, F. R. Die absolute Stabilität von
Regelsystemen (republicado como suplemento: Die absolute Stabilität
von Regelsystemen. Beiheft zur Zeitschrift Regelungstechnik, 1965).
• O princı́pio de Barbashin-Krasovskii-LaSalle foi proposto, de modo in-

dependente, por Nikolay Nikolayevich Krasovsky (1924-2012) e Joseph
Pierre (Joe) LaSalle (1916-1983), respectivamente em 1959 e 1960. Um
caso especial já havia sido apresentado em 1952 por Barbashin e Kra-
sovskii. Barbashin, E. A. e Krasovskii, N. N. On the stability of motion
as a whole (em russo). Doklady Akademii Nauk SSSR, v. 86, p. 453-
445, 19526. LaSalle, J. P. Some extensions of Liapunov’s second method.
IRE Transactions on Circuit Theory, v. 7, p. 520-527, 1960. Krasovskii,
N. N. Problems of the Theory of Stability of Motion (em russo), 1959.
Tradução para o inglês: Stanford University Press, Stanford, CA, 1963.
(2))
• Em torno de 1990, vários autores, incluindo Petar V. Kokotovic (1934-),

desenvolvem a teoria de backstepping control, que permite, entre outras
possibilidades, um projeto recursivo sistemático de controladores não

lineares.
7.8 Exercı́cios
7.8.1 Exercı́cio: Estabilidade de pontos de equilı́brio
Investigar a estabilidade dos pontos de equilı́brio da equação de Van der Pol
ẋ1 = −x2 (7.216)

ẋ2 = x1 + x21 − 1 x2 (7.217)
7.8.2 Primeiro método de Lyapunov

Investigar a estabilidade dos pontos de equilı́brio utilizando o primeiro método
de Lyapunov.
1.
ẋ1 = x2 (1 + x1 − x22 ) (7.218)
ẋ2 = x1 (1 + x2 − x21 ) (7.219)
2.
ẋ1 = x31 − x2 (7.220)
ẋ2 = (x21 + x22 − 2) x2 (7.221)
3.
ẋ1 = x21 − x32 (7.222)
ẋ2 = 2x1 (x21 − x2 ) (7.223)
4. Assumindo que α > 0.

ẋ1 = x1 − x21 − αx1 x2 (7.224)
ẋ2 = 2x2 − x22 − αx1 x2 (7.225)
7.8.3 Exercı́cio: Segundo método de Lyapunov

ẋ1 = x2 (7.226)
1
ẋ2 = −x1 + x31 − x2 (7.227)
3
(i) Investigar a estabilidade da origem utilizando o primeiro método de
Lyapunov.
(ii) Investigar a estabilidade da origem utilizando o segundo método de
Lyapunov.
Observação: Uma função candidata de Lyapunov pode ser encontrada
escolhendo-se convenientemente os coeficientes de um polinômio.
7.8.4 Exercı́cio: Segundo método de Lyapunov

Investigar a estabilidade do ponto de equilı́brio do sistema descrito por
x1 = x2 (7.228)
x2 = −g(x1 ) − h(x2 ) (7.229)
em que
g(0) = 0 (7.230)
h(0) = 0 (7.231)
ξg(ξ) > 0 ; −1 < ξ < 1 ; ∀ξ ̸= 0 (7.232)
ξh(ξ) > 0 ; −1 < ξ < 1 ; ∀ξ ̸= 0 (7.233)
Observação: Uma função candidata de Lyapunov é

Z x1
1
V (x1 , x2 ) = g(ξ)dξ + x22 (7.234)
0 2
7.8.5 Exercı́cio: Critérios de estabilidade de Lyapunov

Considere o processo
ẋ1 = x2 (7.235)
ẋ2 = − sin(x1 ) − x2 (7.236)
Estudar a estabilidade desse processo utilizando:

(i) o primeiro método de Lyapunov
1
V (x1 , x2 ) = [1 − cos(x1 )] + x22 (7.237)
2
(ii) o segundo método de Lyapunov com a função candidata
1
V (x) = xT Px (7.238)
2
para uma escolha adequada de P.
7.8.6 Exercı́cio: Polos do eixo imaginário
x˙1 = −x31 − x32 (7.239)

x˙2 = x1 − x32 (7.240)
(i) Estudar a estabilidade da origem pelo primeiro método de Lyapunov

(ii) Obter a solução fechada da equação linearizada para uma condição
inicial não nula
(iii)Estudar a estabilidade da origem pelo primeiro método de Lyapunov
(iv) Comentar os resultados obtidos.
7.8.7 Exercı́cio: Estabilidade de sistemas não autônomos

O coeficiente de atrito viscoso de um sistema mecânico pode variar devido às
alterações no lubrificante. Considere, então, um pêndulo em que o sistema de
pivo é lubrificado com uma graxa que degrada com o tempo segundo descrito
pelo coeficiente g(t), tal que
0 < a < α < g(t) < β < ∞ ; ∀t ∈ [0, ∞) (7.241)

dg
(t) < γ < 2 (7.242)
dt
em que a, α, β e γ são constantes positivas. Investigar a estabilidade desse
pêndulo, modelado por
ẋ1 = x2 (7.243)
ẋ2 = − sin(x1 ) − g(t)x2 (7.244)
utilizando a função candidata de Lyapunov
1
V (t, x) = (a sin(x1 ) + x2 )2 + (1 + ag(t) − a2 )(1 − cos (x1 ) (7.245)
2
7.8.8 Exercı́cio: Lema de Barbalat

Sabendo-se que a > 0, mostrar, se for o caso, que e(t) → 0 para t → ∞
θ̇ = w (7.246)
ẇ = − sin(θ) − aw (7.247)
e as condições iniciais são
θ(0) = 1 (7.248)
w(0) = 1 (7.249)
Observação: Sugere-se como a função candidata de Lyapunov

1
V (θ, w) = (1 − cos θ) + w2 (7.250)
2
7.8.9 Exercı́cio: Utilização do lema de Barbalat

ẋ1 = −sign(k) x2 (t) r(t) (7.251)

ẋ2 = −α x2 (t) + k x1 (t) r(t) (7.252)

em que α > 0, k é uma constante real e r(t) < M < ∞ para ∀t ∈ R. Verificar
se é possı́vel concluir que x2 (t) → 0 à medida que t → ∞, utilizando a função
candidata
1 2
V (x1 , x2 ) = x2 + k sign(k) x21 (7.253)
2
7.8.10 Exercı́cio: Identificação com termos não lineares

ẋ = ax + αf (x) + βg(u) (7.254)
em que a < 0 e os parâmetros α e β são constantes mas desconhecidos.

Assume-se que as funções f : R → R e g : R → R são conhecidas e dife-
renciáveis, com f (0) = 0 e g(0) = 0. Como mostrado no texto, obter uma lei
de adaptação para ab, α
b e βb usando a proposta
x
ḃ = a
bxb + αf
b (x) + βg(u)
b (7.255)
Definir e = x − x
b ϕ = a−a
b, ψ = α − α,
b χ = β − βb e utilizar a função candidata
1 2
V = e + ϕ 2 + ψ 2 + χ2 (7.256)
2
8
Métodos no domı́nio
transformado
“You can’t control what you can’t measure.”

– Tom DeMarco
Este capı́tulo busca focar alguns métodos de projeto de controladores no domı́-

nio transformado (ou domı́nio da frequência) em que o modelo está na forma
de funções de transferência.
Exceto quando especificado em contrário, admite-se que o modelo tratado é
SISO, embora muitos dos resultados possam ser estendidos para o caso multi-
variável.
8.1 Vantagens do controle em malha fechada

O controle em malha aberta, além de ser estruturalmente mais simples, pode
ser economicamente vantajoso em termos de custo, já que não se incorre em
gastos com sensores e o processamento de suas medidas.
Um exemplo prático é o caso de dispositivos acionados por motor de passos, em
que a rotação do eixo é proporcional ao número de passos comandados, desde
que não haja stall (o motor recebe o pulso mas não possui torque suficiente
para movimentar o eixo).
Porém, a estrutura de controle em malha fechada apresenta várias vantagens
decorrentes do fato de que o resultado das ações de controle é monitorado
pelos sensores, como se apresenta a seguir.
225
8.1.1 Robustez a incertezas no modelo

Um modelo sempre apresenta que podem advir de uma série de fatores tais
como o desconhecimento de alguns fenômenos que afetam os processos, apro-
ximações para simplificar o modelo, variações no processo devido a alterações
do ponto de operação ou envelhecimento de componentes, entre muitas outras
possibilidades.
Figura 8.1: Amplificador com incerteza no ganho.
Considere um amplificador de ganho A e incerteza ∆A, conectado em malha

aberta como no lado esquerdo da figura 8.1.
A saı́da y é dada, em função da entrada u, pela equação
y = (A + ∆A) u (8.1)
= Au + ∆Au (8.2)
e, quando não há incertezas, o seu valor é
ynom = y|∆A=0 = Au (8.3)
Supondo agora que a incerteza do modelo é de 10%,

∆A
× 100% = 10% (8.4)
A
tem-se que a saı́da possui um erro percentual de
y − ynom Au + ∆Au − Au
× 100% = × 100% (8.5)
ynom Au
∆A
= × 100% (8.6)
A
= 10% (8.7)
Portanto, sem realimentação, a incerteza sobre o modelo é diretamente trans-

ferida para a saı́da.
Considere agora o mesmo amplificador de ganho A e incerteza ∆A, conectado
em malha fechada como no lado direito da figura 8.1.
Métodos no domı́nio transformado 227
Observando-se a figura 8.1, é imediato verificar que
e = u−y (8.8)
y = (A + ∆A) e (8.9)
ou seja,
y = (A + ∆A) (u − y) (8.10)
y (1 + A + ∆A) = (A + ∆A) u (8.11)
A + ∆A
y = u (8.12)
1 + A + ∆A
Quando não há incertezas, a saı́da é dada por
A
ynom = u (8.13)
1+A
e, supondo novamente que a incerteza do modelo é de 10%,
∆A
× 100% = 10% (8.14)
A
tem-se que a saı́da possui um erro percentual de
A+∆A A
y − ynom 1+A+∆A u − 1+A u
× 100% = A
× 100% (8.15)
ynom 1+A u
1 ∆A
= × 100% (8.16)
(1 + A + ∆A) A
1
= 10% (8.17)
1 + A + ∆A
Supondo que foi escolhido o valor A = 100, a equação 8.17 permite escrever
y − ynom 1
× 100% = 10% (8.18)
ynom 1 + 100 ± 10
de modo que o erro percentual da saı́da se situa na faixa
y − ynom
× 100% ∈ [0.9, 1.1] % (8.19)
ynom
8.1.2 Rejeição de distúrbios

Um sistema está sempre sujeito a ruı́dos que podem ser de diversas naturezas
(viés, ruı́do de banda larga, spikes etc).
Figura 8.2: Efeito do ruı́do de saı́da n em um sistema de malha aberta (à

esquerda) e em um sistema de malha fechada (à direita).
Considere a saı́da de um amplificador de ganho A, sujeito a um ruı́do aditivo

n (lembrando noise) e conectado em malha aberta, como ilustrado no lado
esquerdo da figura 8.2.
Diretamente da figura 8.2, tem-se que
y = Au + n (8.20)
ou seja, se ynom é a saı́da quando não há ruı́do,
ynom = Au (8.21)
observa-se, em vista da equação 8.20 e da figura 8.2, que
y = ynom + n (8.22)
Logo, o ruı́do está se superpondo diretamente ao sinal de saı́da.

Considere, agora, o caso realimentado, ilustrado na parte direita da figura 8.2.
Novamente, por inspeção,
e = u−y (8.23)
y = n + Ae (8.24)
que, rearranjando, fornece
y = n + A(u − y) (8.25)
= n + Au + Ay (8.26)
Explicitando-se y a partir da equação 8.26, tem-se

A 1
y= u+ n (8.27)
1+A 1+A
e chamando de ynom o caso sem ruı́do,
A
ynom = u (8.28)
1+A
resulta que
1
y = ynom + n (8.29)
1+A
Fazendo-se A = 100 na expressão 8.29, verifica-se que o ruı́do é atenuado em
aproximadamente 100 vezes,
y = ynom + 0.01 n (8.30)
8.1.3 Modificação das caracterı́sticas de estabilidade

Considere um integrador puro (ideal) operando em malha aberta, como ilus-
trado no lado esquerdo da figura 8.3.
Figura 8.3: Um sistema para ilustrar o efeito da realimentação sobre a estabi-

lidade.
Se o sinal de entrada u é do tipo degrau unitário,


 0
 t<0
u (t) = (8.31)
t≥0

 1
a saı́da correspondente, a partir de y (0) = 0, é

Z t
y (t) = u (τ ) dτ (8.32)
0
Z t
= 1 dτ (8.33)
0
= t (8.34)
que é um sinal que cresce indefinidamente (até violar as condições para a va-
lidade do modelo).
De fato, este sistema é instável no sentido “saı́da limitada para entradas
limitadas” (bounded input bounded output - BIBO).
Fazendo-se uma realimentação como ilustrado na parte direita da figura 8.3 e
admitindo que y (0) = 0, tem-se que

Z t
y (t) = e (τ ) dτ (8.35)
0
e (t) = u (t) − y (t) (8.36)
Diferenciando-se ambos os lados de 8.35 e substituindo-se a expressão do erro

8.36, obtém-se que
ẏ = e (t) (8.37)
= u(t) − y(t) (8.38)
cuja solução para caso de u(t) do tipo degrau unitário

(
0 set < 0
u(t) = (8.39)
1 set ≥ 0
é
y (t) = 1 − e−t (8.40)
como pode ser verificado por substituição de 8.40 em 8.38.

Logo, com a realimentação, y(t) → 0 à medida que t → ∞ para u(t) degrau
unitário.
8.2 Compromissos entre requisitos

Considere uma malha de controle em que há ruı́dos de processo D(s) e de
medida N (s), conforme ilustrado na figura 8.4.
Figura 8.4: Uma configuração básica de malha de controle evidenciando as

entradas de perturbações exógenas D(s) e ruı́do de medida N (s).
Os sinais de excitação de interesse são D(s), N (s) e R(s) enquanto as gran-

dezas notáveis são Y (s), E(s) e U (s) (argumento s omitido para efeito de
simplicidade).
GP GP GC GP G C
Y = D− N+ R (8.41)
1 + GP G C 1 + GP GC 1 + GP G C
GP 1 1
E = − D− N+ R (8.42)
1 + GP GC 1 + G P GC 1 + GP GC
GP GC GC GC
U = − D− N+ R (8.43)
1 + GP GC 1 + G P GC 1 + GP GC
Para facilitar a notação é conveniente definir o ganho de malha aberta L(s)
L(s) = GP (s)GC (s) (8.44)
As seguintes funções de transferência recebem denominações especiais de sen-

sitividade S(s) e de sensitividade complementar T (s), em vista da importância
desses em projetos de controladores.
1
S = (8.45)
1 + L(s)
L(s)
T = (8.46)
1 + L(s)
É também usual que sejam definidas, ainda,
GP (s)
Q = (8.47)
1 + L(s)
GC (s)
P = (8.48)
1 + L(s)
e reescrever as equações 8.41, 8.42 e 8.43 na forma
Y (s) = Q(s)D(s) − T (s)N (s) + T (s)R(s) (8.49)

E(s) = −Q(s)D(s) − S(s)N (s) + S(s)R(s) (8.50)
U (s) = −T (s)D(s) − R(s)N (s) + P (s)R(s) (8.51)
A condição para estabilidade da malha fechada é que as raı́zes da equação
1 + L(s) = 0 (8.52)
estejam todos no semiplano esquerdo (SPE).

Para que a saı́da y(t) restreie bem a referência r(t), o erro e(t) = y(t) − r(t)
deve ser pequeno em algum sentido, ou seja, ∥e∥ deve ser pequeno em relação
a ∥y∥.
Tendo-se em vista que

E(s) = S(s)R(s) (8.53)
a condição de bom rastreamento da referência requer que a sensitividade S
seja pequena em algum sentido, ou seja, ∥S(s)∥ pequena.
Por outro lado, para se ter uma boa rejeição do ruı́do de medida n(t) na saı́da
y(t), deve-se ter, analogamente, ∥T (s)∥ pequena, já que
Y (s) = T (s)N (s) (8.54)
Uma forma de se definir ∥S(s)∥ (ou ∥T (s)∥) é
∥S(s)∥∞ = sup |S(jω)| (8.55)

ω
Observação: No caso de modelos multivariáveis, utiliza-se

∥S(s)∥∞ = sup σmax [S(jω)] (8.56)
ω
em que σmax [S(jω)] denota o maior valor singular de S(jω).

Uma dificuldade fundamental é que, para cada s,
1 L(s)
S(s) + T (s) = + (8.57)
1 + L(s) 1 + L(s)
1 + L(s)
= (8.58)
1 + L(s)
= 1 (8.59)

e não se pode ter, para um dado s = jω, S(jω) e T (jω) simultaneamente
pequenos.
Felizmente, o bom
rastreamento
está relacionado com sinais de baixa frequên-
cia e basta ter S(jω) pequeno em baixas frequências.
Por outro lado, ruı́dos na saı́da
são, em geral, relacionadas com frequências
elevadas, de modo que T (jω) deve ser pequeno.
Assuma, agora que o modelo G(s) possui incertezas aditivas de modelagem,
representado por um modelo nominal Gnom P com incerteza ∆GP (s)
G(s) = Gnom
P (s) + ∆GP (s) (8.60)
e se deseja baixa sensibilidade da saı́da com respeito à incertezas no modelo

ao se utilizar um controlador GC (s).
Se y (t) é a saı́da do modelo nominal correspondente a uma referência r (t)
Gnom
P (s) GC (s)
Y (s) = nom R (s) (8.61)
1 + GP (s) GC (s)
a saı́da real é dada por (omitindo os argumentos s)

nom
GP + ∆GP GC
Y + ∆Y = h i R (8.62)
1 + Gnom
P + ∆GP GC
Gnom
P GC ∆GP GC
≃ nom R+ 2 R (8.63)
1 + GP GC 1 + Gnom G
P C
em que é utilizada uma aproximação de primeira ordem.

Observando-se a equação 8.63, tem-se a aproximação
∆GP GC
∆Y = 2 R (8.64)
1 + Gnom
P GC
donde, em termos relativos,

∥∆Y ∥ ∆GP GC 1 + Gnom
P GC
= ∥ 2 nom ∥ (8.65)
∥Y ∥ 1 + Gnom G GP GC
P C
1 ∆GP
= ∥ ∥ (8.66)
1+ Gnom
P GC Gnom
P
e, portanto, de um modo não rigoroso,

∥∆y∥
∥y∥ 1
= ∥ = ∥S∥ (8.67)
∥∆GP ∥ ∥ 1 + Gnom
P GC
∥Gnom
P ∥
que representa o “percentual” de erro na saı́da y em relação ao “percentual”

de erro no modelo (multiplicando o numerador e o denominador por 100%).
Logo,
a baixa sensibilidade da saı́da a incertezas aditivas no modelo requer
S(jω) pequeno, em algum sentido, para a frequência de interesse.
De modo geral, o rastreamento e a robustez a incertezas aditivas no modelo
requerem ∥S∥ pequeno, porém a rejeição de ruı́dos na saı́da necessita ∥T ∥
pequeno, o que é conflitante, lembrando que S(s) + T (s) = 1.
Em aplicações em que existem incertezas, é fundamental a utilização do

conceito de realimentação. Como visto nesta seção, a realimentação permite
alterar as caracterı́sticas de estabilidade, de reduzir o efeito de perturbações
exógenas e ruı́dos, bem como diminuir o efeitos do erro de modelagem. É
também importante ressaltar que muitos objetivos no projeto de controla-
dores são conflitantes entre si, o que possui reflexos na escolha das especifi-
cações de desempenho.
8.3 Controladores liga-desliga

A análise de controladores que envolvem chaveamentos pode não ser trivial
devido à sua natureza não linear.
Por outro lado, no caso especı́fico em que o processo a ser controlado é linear e
apenas o atuador é do tipo liga-desliga, a análise do comportamento do sistema
pode ser relativamente simples.
Para modelos de primeira e segunda ordens, pode-se projetar controladores
liga-desliga, frequentemente, usando métodos gráficos.
Ainda, para modelos que apresentam oscilações sustentadas, as amplitudes e
as frequências podem ser estimadas usando uma aproximação pela primeira
harmônica do eventual sinal periódico mais complexo.
O controle de modelos SISO-LTI utilizando dispositivos não lineares como
relés, amplificadores com saturação, caixas de engrenagens com folga, juntas
com atrito seco e outros mecanismos são apresentados em textos clássicos
tais como (MIRA, 1969; VEGTE, 1990; GIBSON, 1963; NETUSHIL, 1976;
SHINNERS, 1972), entre outros.
8.3.1 Sistemas de primeira ordem

Considere um processo de primeira ordem descrito por
ẋ = a(u)x + bu (8.68)
n o
em que a variável entrada u pode assumir apenas dois valores uof f , uon e
(
aon se u = uon
a(u) = (8.69)
aof f se u = uof f
A utilização de a(u) distinto para u = uon e u = uof f é interessante quando

há dinâmicas diferentes, como no caso do ferro elétrico. O seu aquecimento
se deve ao elemento resistor, enquanto o esfriamento se deve à dissipação de
calor nas roupas sendo passadas e ao meio ambiente.
A notação é simplificada, sem perda de generalidade, se o valor xm para o qual
tende a saı́da seja assumido ser 0, conforme visto na figura 8.5.
Necessita-se agora, para efeito de projeto, obter expressões para os cálculos de
tr e de T , dados xon e xof f .
Sabendo-se que a solução de 8.68 é dada por
Z t
a(u)t
x(t) = e x(0) + ea(u)(t−τ ) bu(τ ) dτ (8.70)
0
Figura 8.5: Comportamento tı́pico do sinal de saı́da de um modelo de primeira

ordem controlado por um dispositivo liga-desliga.
a expressão para tr pode ser obtida a partir de

Z tr
x(tr ) = eaon (tr −τ ) dτ buon (8.71)
0
buon
= (1 − eaon tr ) (8.72)
aon
Para obter T = ton + tof f , utiliza-se um o procedimento análogo ou, mais

especificamente,
Z ton
xof f = eaon (ton ) xon + eaon (ton −τ ) dτ b uon (8.73)
0
Z tof f
xon = eaof f (tof f ) xof f + eaof f (tof f −τ ) dτ b uof f (8.74)
0
8.3.2 Plano ou retrato de fase

Para processos de segunda ordem é possı́vel representar as soluções da equação
diferencial (trajetórias) a partir de condições iniciais dadas, mediante o uso de
métodos gráficos no plano (2D).
Considere um processo genérico descrito pelo sistema de duas equações dife-
renciais ordinárias
ẋ1 = f1 (x1 , x2 ) (8.75)

ẋ2 = f2 (x1 , x2 ) (8.76)
Tome-se um ponto genérico (x1 , x2 ) pertencente ao plano { x1 , x2 }.

A inclinação da trajetória (x1 (t), x2 (t)), quando passa por esse ponto, é dada
por

dx2
dt
m = dx1
(8.77)
dt (x ,x )
1 2

f2 (x1 , x2 )
= (8.78)
f1 (x1 , x2 ) (x
1 ,x2 )

∆x2
≃ (8.79)
∆x1 (x
1 ,x2 )
levando em consideração que
dxi xi (t + ∆t) − xi (t)

= lim ; i = 1, 2 (8.80)
dt ∆t→0 ∆t
∆xi (t)
= lim ; i = 1, 2 (8.81)
∆t→0 ∆t
O conjunto de segmentos (ou setas) indicando a inclinação das trajetórias no

plano {x1 , x2 } será referido como o campo de vetores (embora esse conceito
seja mais geral).
Exemplo de plano de fase
Considere um modelo LTI de segunda ordem na forma de espaço de estados
ẋ1 = x2 (8.82)
ẋ2 = −5x1 − 6x2 (8.83)
Em cada ponto (x1 , x2 ), a inclinação m da trajetória (solução de 8.82+8.83)

é dada por
−5 x1 − 6 x2
m= (8.84)
x2
Para facilitar a visualização é usual representar a inclinação da trajetória em
cada ponto (x1 , x2 ), por uma pequena seta ↗, representando a direção de
movimento.
A figura 8.6 ilustra um exemplo do campo vetorial e algumas trajetórias tı́picas
para o processo
O plano {x1 , x2 } será referido, doravante, como plano de fase.
Figura 8.6: Determinação do campo de vetores.
8.3.3 Relés ideais

O plano de fase pode ser utilizado para analisar sistemas LTI com atuadores
liga-desliga.
Considere que um processo descrito por
5
G(s) = (8.85)
s2 + 6s + 5
é controlado por um relé liga-desliga
Figura 8.7: Processo LTI controlado por um mecanismo liga-desliga.
Uma realização para essa função de transferência G(s) é
ẋ1 = x2 (8.86)
ẋ2 = −5x1 − 6x2 + 5u (8.87)
y = x1 (8.88)
com a vantagem de se poder interpretar x2 como a velocidade de variação de

x1 .
Na configuração ilustrada na figura 8.7, o atuador liga-desliga aplica um sinal
u de 0 ou de 15 unidades, dependendo do sinal de erro e(t) = L−1 [E(s)].

A referência r(t) é assumido ser do tipo degrau de 10 unidades.
Para se fazer um esboço do plano de fase para processos cuja entrada é cons-
tante entre chaveamentos do relé liga-desliga, as etapas básicas são:
1. obter trajetórias tı́picas da saı́da do processo, (y(t) nesse exemplo),

quando a entrada é constante, ou seja, 0 ou 15, que são os valores da
saı́da do relé. Para o processo deste exemplo, as trajetórias são do tipo
ilustrado à direita da figura 8.6.
2. obter o lugar geométrico dos estados em que há comutação do relé liga-
desliga. Observa-se pelo gráfico caracterı́stico do relé que o chaveamento
ocorre para e(t) = 0.
Pelo diagrama de blocos 8.7,
e(t) = 10 − y(t) (8.89)
de modo que o lugar geométrico dos pontos de comutação é uma reta,

doravante denominada de reta de comutação y(t) = 10.
Para a realização que será utilizada aqui, x1 = y e x2 = ẏ, a reta de
comutação, no plano de fase, será x1 = 10.
3. a reta de comutação dividiu o plano de fase em dois semiplanos. No

semiplano esquerdo, y(t) = x1 (t) < 10, de modo que o relé estará com a
saı́da u(t) = 15. Logo, nessa região, deve-se ter trajetórias corresponden-
tes a entradas constantes u(t) = 15. No outro semiplano, por raciocı́nio
análogo, as trajetórias devem ser correspondentes a u(t) = 0.
Embora seja possı́vel esboçar o campo vetorial manualmente para se analisar

a malha de controle, optou-se neste texto por visualizar o comportamento do
sistema através de simulação digital, com resultados apresentados na figura
8.8. Uma trajetória tı́pica que se inicia com o processo em repouso (ou seja,
(x1 , x2 ) = (0, 0)) pode ser vista no lado esquerdo da figura 8.8.
No lado direito dessa mesma figura, constata-se que a saı́da atingiu o valor
correto e os efeitos das comutações do dispositivo liga-desliga são quase que
imperceptı́veis.
Em termos heurı́sticos, o relé aplica o maior esforço possı́vel até que a saı́da
atinja as proximidades do valor de referência, quando então passa a chavear
entre as condições de ligado e de desligado, conforme visto no plano de fase da
figura 8.8, que apresenta segmentos de trajetória comutada nas proximidades
de x1 = 10.
Figura 8.8: Plano de Fase correspondente à resposta degrau de 10 unidades

do processo ilustrado.
8.3.4 Oscilações e a realimentação tacométrica

Considere um modelo muito simplificado de controle de rotação em um único
eixo rotação de um satélite.
Em vista do ar rarefeito, o efeito do amortecimento aerodinâmico é muito
pequeno, de modo que a sua dinâmica é bem aproximada por
ẋ1 = x2 (8.90)
ẋ2 = u (8.91)
em que o atuador que fornece a entrada u consiste de um par de propulsores

a gás para aplicação de torque.
Os diagramas de blocos correspondentes aos casos sem e com realimentação
tacométrica estão apresentados nas figuras 8.9 e 8.11.
Figura 8.9: Controle liga-desliga, de um processo sem dissipação e sem reali-

mentação tacométrica.
Como o processo é um duplo integrador, as trajetórias no plano de fase (x1 , x2 )

são compostas por parábolas para entradas constante por partes (correspon-
dentes aos intervalos em que o relé está em −5 ou +5).
De fato, no eixo (x2 ) tem-se simplesmente a integração de uma constante

(u = ±5), correspondendo, portanto, a um crescimento linear e no eixo (x1 ) a
sua integral x2 , ou seja, crescimento quadrático. smallskip
Consequentemente, a composição para cada entrada constante a trajetória é
uma parábola.
Para o caso da estrutura sem a realimentação tacométrica, as trajetórias tı́pi-
cas no plano de fase obtidas mediante simulação digital para variados valores
de condições iniciais ((0, 0), (5, 0) e (9, 0)) são vista na figura 8.10. As respos-
tas temporais podem ser vistas à direta nessa figura.
Constata-se pelo gráfico da figura 8.10 que a resposta é oscilatória e a ampli-
tude de oscilação depende da condição inicial. Na prática, como sempre há
Figura 8.10: Comportamento do processo controlado por relé, apresentando

oscilação cuja frequência e amplitude dependem da condição inicial.
algum mecanismo de perda de energia, as trajetórias não seriam perfeitamente

fechadas e tenderiam a apresentar amortecimento.
Um método para mitigar o problema da oscilação sustentada é introduzir, na
malha de realimentação, um sinal de tacômetro (ou girômetro, no caso rotacio-
nal). A estrutura com a realimentação tacométrica, da figura 8.9, foi simulada
digitalmente utilizando o parâmetro λ = 0.2.
A figura 8.12 apresenta o plano de fase da estrutura de controle com a reali-
mentação tacométrica.
Aparentemente a resposta degrau, vista à direita da figura 8.12, não apresenta
comportamento oscilatório.
Porém, um exame mais cuidadoso do plano de fase à esquerda da figura 8.12
indica um comportamento um tanto quanto irregular na parte final da traje-
tória, ainda que esteja convergindo para o ponto desejado (10, 0).
Figura 8.11: Controle liga-desliga, com realimentação tacométrica de ganho

λ.
Figura 8.12: Utilização da realimentação tacométrica para eliminação da os-

cilação sustentada, porém agora com a manifestação de um movimento desli-
zante.
Relembrando o conceito de inclinação da trajetória, m, tem-se nesse problema

que
u
m = (8.92)
x2
5
= (8.93)
x2
para o caso de o relé estar com cinco unidades e evoluindo no semiplano infe-
rior, próximo à região em que ocorre o chaveamento.
Na iminência de atravessar a reta de comutação, a inclinação m pode estar
maior que λ1 .
Como os relés reais não comutam instantaneamente, é plausı́vel assumir que
a trajetória atravesse infinitesimalmente a reta de comutação.
Imediatamente, a trajetória tentará seguir a inclinação −m que fará retornar
ao lado da reta de comutação de onde havia vindo. Ou seja, ocorrerá uma
sequência de comutações sucessivas rápidas. No caso ideal em que os chavea-
mentos ocorrem instantaneamente, não se perceberia o ziguezagueamento da

trajetória, ou o fenômeno denominado de chattering. O movimento que resulta
é denominado de escorregamento (ou sliding motion).
É interessante notar que, a menos do chattering, a trajetória acompanha uma
reta que passa pela origem, e, portanto, o processo evolui como um sistema
linear com autovalor real negativo.
O movimento deslizante apresenta propriedades interessantes em algumas apli-
cações práticas e será tratado mais adiante.
8.3.5 Relés não ideais

Neste texto, relés não ideais são aqueles que apresentam retardo no chavea-
mento, faixas de entradas para as quais o dispositivo não responde, diferença
de valores de entrada para o chaveamento para um estado ou outro etc.
É importante ressaltar que não necessariamente essas caracterı́sticas são inde-
sejadas.
Aqui são estudadas duas caracterı́sticas bastante comuns de dispositivos liga-
desliga: zona morta e histerese. A figura 8.13 apresenta o caso de relé com
zona morta.
Figura 8.13: Relés com zona morta e histerese.
A existência de zona morta significa que valores de e(t) nessa faixa não pro-
duzem ações de controle u(t), significando que pode ocorrer erro de regime.
Por outro lado, muitos sistemas fı́sicos apresentam esse fenômeno.
A figura 8.14 apresenta o caso de relé com histerese que é um fenômeno muito
visto em materiais magnéticos.
Figura 8.14: Relés com zona morta e histerese.

Através de simulações digitais foram obtidos os esboços de plano de fase apre-

sentados na figura 8.15. Na parte esquerda da figura observa-se o plano de
fase com relé que apresenta uma região (no caso [−1, 1]) em que a saı́da é
nula. Mais especificamente, se −1 < e(t) < 1 ou −1 < r(t) − y(t) < 1, a
saı́da do relé é 0. Assim, se a trajetória chega a um ponto (x̂1 , 0), então ficará
definitivamente com y = x̂1 , já que ẏ = x2 = 0. Ou seja, haverá erro de regime
permanente.
Figura 8.15: Efeitos comuns devidos a zona morta e histerese de estruturas de

controle liga-desliga.
No caso do relé com histerese, há um certo atraso na comutação, de modo que
é comum que ocorram oscilações sustentadas.
Se a trajetória fechada é alcançada com a condição inicial no seu interior, ou
fora dele, diz que se trata de um ciclo limite estável.
Nesse problema exemplo, ocorre o fenômeno de ciclo limite estável, e o sistema
apresenta oscilações em torno do valor de referência desejado de 10.
No Apêndice G é apresentado um método de análise aproximado (método
da linearização harmônica, da função descritiva, da primeira harmônica) que
permite estimar a amplitude e a frequência de oscilação, caso esse fenômeno
ocorra, para sistemas LTI acionados por não linearidades estáticas.
8.3.6 Ação assı́ncrona (dither )

Um fenômeno muito interessante e por vezes útil na prática é a ação assı́ncrona
(dither ).
A ação assı́ncrona é obtida por uma adição de um sinal de frequência elevada
na entrada de relés, podendo alterar a sua caracterı́stica de modo favorável.
No exemplo apresentado aqui, o comportamento de um relé será modificado
como se fosse um ganho linear. Além disso, o ganho será ajustável através
da manipulação da amplitude do sinal de dither tipo triangular de frequência
muito elevada que é utilizado.
Considere a seguinte malha de controle em que a o sinal d é periódico de
frequência muito maior do que os modos do modelo, considerado ser d =
triang(t) de perı́odo T e amplitude D no exemplo considerado.
Figura 8.16: Injeção de um sinal de dither na entrada de um elemento não

linear
A figura 8.17 mostra u(t) para três valores diferentes de e(t): Como a
Figura 8.17: Cálculo da média do sinal de entrada e com o dither d adicionado.
frequência do sinal d é muito elevada, o sistema G(s) responderá apenas à

média do sinal.
Usando a semelhança de triângulos, tem-se a seguinte regra de três:
T
: D :: ton : D + E (8.94)
2
T
: D :: tof f : D − E (8.95)
2
em que o valor médio < u > de u(t) é obtido por
1 T
Z
<u> = u(t)dt (8.96)
T 0
"Z #
1 ton Z T
= M dt − M dt (8.97)
T 0 ton
" #
1 MT D+E D−E
= − (8.98)
T 2 D D
M
= E (8.99)
D
Logo, u(t) ≈ M D e(t) para E < D e se D > E o sinal estará saturado. Ou seja,
pela utilização do dither, o relé ideal foi transformado em um ganho linear
com saturação.
Sugere-se investigar o que acontece quando o dither é do tipo senoidal ou
quadrado.
Modelos de primeira e segunda ordem atuados por não linearidades estáticas

simples como relés, atrito seco, folga de engrenagem e amplificadores com
saturação podem ser estudados de modo fácil utilizando métodos gráficos,
como o plano de fase. Uma vez que se esboça o plano de fase, é muitas
vezes possı́vel obter resultados quantitativos, já que o modelo matemático é
conhecido.
8.4 Controladores no domı́nio transformado

Muitos sistemas práticos admitem modelos lineares invariantes no tempo (LTI)
e podem ser tratados com o auxı́lio da transformada de Laplace, na forma de
funções de transferência.
Nesta seção, a ideia é focar predominantemente o projeto de controladores
para processos em que a função de transferência possui apenas uma entrada e
uma saı́da (SISO).
Em particular é assumida a seguinte estrutura da malha de controle
O processo a ser controlado é modelado por GP (s) e o controlador principal,
objeto de atenção na maior parte deste capı́tulo para efeito de projeto, é re-
presentado por GC (s).
A função de transferência GF F (s) representa um bloco chamado de controla-
dor antecipativo ou feed forward.
Figura 8.18: Estrutura tı́pica de uma malha clássica de controle.
Desde que GF F (s) seja estável, não há impactos na estabilidade da malha de
controle e a ideia é melhorar o desempenho do sistema de controle “anteci-
pando”a informação sobre r(t).
A função de transferência GP F (s) é um pré-filtro (ou filtro condicionador,
filtro pré-compensador ou outras denominações) que pode limitar a taxa de
variação do sinal r(t), eliminar ruı́dos, normalizar as referências, entre outras
possibilidades.
Tendo-se em perspectiva a utilização de arquiteturas de controle em malha
fechada, necessita-se de uma ferramenta que permita avaliar as caracterı́sticas
da função de transferência de malha fechada GM F (s) partir do conhecimento
da função de transferência de malha aberta GM A (s),
GM A (s) = GC (s)GP (s) (8.100)
Através de manipulações algébricas elementares, verifica-se que
GM A (s)
GM F (s) = (8.101)
1 + GM A (s)
Quando for óbvio pelo contexto, os subscritos M A e M F não serão utilizados

na caracterização de G(s).
Observação: Em problemas de regulação em ambientes industriais a referência
R(s) recebe o nome de Set Point (SP) e a saı́da de Process Variable (PV). A
entrada do processo U (s) é referida como a Manipulated Variable (MV).
O controle de modelos SISO-LTI é tratado didaticamente em vários excelen-
tes livros-texto, como (OGATA, 1970; DORF; BISHOP, 1995; FRANKLIN;
POWELL; EMAMI-NAEINI, 1986; KUO, 1980) e (VEGTE, 1990), entre ou-
tros.
8.4.1 Tipos de funções de transferências do processo

Uma caracterı́stica importante de um sistema de controle é o erro em regime
permanente (t → ∞) para determinados sinais de referência.
Para investigar a qualidade da regulação, é interessante verificar o erro em
regime para uma excitação tipo degrau, e, para investigar o erro de rastre-
amento, é interessante verificar o erro em regime para uma excitação tipo
rampa.
Considere uma função de transferência de malha aberta, G(s) = GP (s)GC (s)
(s − z1 ) ... (s − zm )
G(s) = K (8.102)
sq (s − p1 ) ... (s − pm )
em que zi (zeros) e pj (polos) são não nulos para ∀i, j.
O sistema é dito ser do tipo 0 se q = 0 e do tipo 1 se q = 1.
Caso de entrada degrau

Observando-se a figura 8.19, tem-se que o si-
nal de erro e(t) é tal que
1
E(s) = R(s) (8.103)
1 + G(s)
O teorema do valor final permite a determi- Figura 8.19: Uma estrutura de
nação de f (t) para t → ∞ a partir da sua controle padrão com realimen-
transformada de Laplace através da fórmula tação negativa unitária.
f (∞) = lim sF (s) (8.104)

s→0
Ou seja, o erro em regime apresentado por um modelo para uma entrada

degrau (R(s) = 1/s) pode ser obtido por
1 1
e (∞) = lim s (8.105)
s→0 1 + G(s) s

de modo que, para sistemas do tipo 0,
1
e (∞) = (8.106)
1 + G(0)
1
= (−z1 )...(−zm )
(8.107)
1 + K (−p1 )...(−pm )
Logo, sistemas do tipo 0 apresentam erro de regime não nulo para entrada
degrau, mas que é reduzido à medida que o ganho K é aumentado.
Para eliminar o problema do erro de regime é comum que se busque inserir um

integrador na malha (ou seja, um polo da função de transferência na origem).
De fato, para sistemas do tipo 1, tem-se a resposta degrau com erro de regime
nulo
1 1
e (∞) = lim s (8.108)
s→0 1 + G(s) s
1
= lim (−z
(8.109)
s→0 1 + K 1 )...(−zm )
s(−p1 )...(−pm )
= 0 (8.110)
Caso de entrada rampa

Empregando-se o teorema do valor final, o erro em regime a uma entrada
degrau (R(s) = 1/s2 ) pode ser obtido da expressão
1 1
e (∞) = lim s (8.111)
s→0 1 + G(s) s2
de modo que, para sistemas do tipo 0,
1 1
e (∞) = lim (8.112)
s→0 1 + G(s) s
= ∞ (8.113)
Logo, sistemas do tipo 0 apresentam erros crescentes de rastreamento, à me-
dida que t → ∞.
Para sistemas do tipo 1, tem-se
1 1
e (∞) = lim s (8.114)
s→0 1 + G(s) s 2
1 1
= lim (−z )...(−z )
(8.115)
s→0 1 + K 1 m s
s(−p1 )...(−pm )
1
= (−z1 )...(−zm )
(8.116)
K (−p 1 )...(−pm )
de modo que o erro de rastreamento é finito e reduzido se K é elevado.

É comum que se defina
Kv = lim sG(s) (8.117)
s→0
(−z1 ) ... (−zm )
= K (8.118)
(−p1 ) ... (−pm )
denominada de constante de velocidade e que se relaciona com e (∞) através

de
1
e (∞) = (8.119)
Kv
A tabela a seguir apresenta, de modo sucinto, os principais valores de erros
em regime e(∞):
Tipo Degrau Rampa

1
0 1+G(0) ∞
1
1 0 Kv
8.4.2 Princı́pio do modelo interno

Considere a malha de controle da figura 8.20
Figura 8.20: Princı́pio do modelo interno.
em que
NC NP NR
GC (s) = ; GP (s) = ; R(s) = (8.120)
DC DP DR
O objetivo é projetar GC de modo que e(t) → 0 à medida que t → ∞.
Imediatamente a partir da figura 8.20 e de 8.120, obtém-se que
1
E(s) = R(s) (8.121)
1 + GP (s)GC (s)
DP (s)DC (s) NR (s)
= (8.122)
DP (s)DC (s) + NP (s)NC (s) DR (s)
Para que e(∞) = 0, a malha fechada deve ser estável (raı́zes de DP (s)DC (s) +
NP (s)NC (s) = 0 no SPE) e DR (s) deve ser um fator de DP (s)DC (s).
Ou seja, deve existir Q(s) de modo que
DP (s)DC (s) = Q(s)DR (s) (8.123)

Nessas condições,
lim e(t) = lim sE(s) (8.124)

t→∞0 s→0
DP (s)DC (s) NR (s)
= lim s (8.125)
s→0 DP (s)DC (s) + NP (s)NC (s) DR (s)
Q(s)
= lim s NR (s) (8.126)
s→0 DP (s)DC (s) + NP (s)NC (s)
= 0 (8.127)
desde que 0 não seja raiz de DP (s)DC (s) + NP (s)NC (s) = 0
Exemplo
Sejam dados o modelo do processo GP (s) e a referência rampa R(s)
s+2 1
GP (s) = K ; R(s) = (8.128)
(s + 1)(s + 5) s
e assuma que se deseja projetar
NC (s)
GC (s) = (8.129)
DC (s)
que apresente erro de regime nulo.
A condição “DR (s) deve ser um fator de DP (s)DC (s)” é, no caso, “s deve ser
um fator de (s + 1)(s + 5)DC (s)”.
Uma escolha conveniente é, portanto, DC (s) = s.
De fato, com essa escolha,
(s + 1)(s + 5)DC (s) 1
e(∞) = lim s (8.130)
s→0 (s + 1)(s + 5)DC (s) + K(s + 2)NC (s) s
(s + 1)(s + 5) s
= lim (8.131)
s→0 (s + 1)(s + 5)DC (s) + K(s + 2)NC (s)
= 0 (8.132)
Logo, escolhendo-se DC (s) = s e o conjunto GC (s)GP (s) tornou-se do tipo 1

e o controlador é um modelo interno análogo à entrada.
8.5 Lugar geométrico das raı́zes (LGR)

A estabilidade e também algumas caracterı́sticas especı́ficas de funções de
transferência podem ser inferidas a partir do conhecimento da localização dos
seus polos.
Logo, para realizar projeto de controladores, é interessante dispor de uma
ferramenta que permita visualizar os polos de GM F (s) (malha fechada), a
partir do conhecimento dos polos de GM A (s) (malha aberta)
GM A (s)
GM F (s) = (8.133)
1 + GM A (s)
Uma ferramenta que possibilita tal facilidade é o lugar geométrico das raı́zes
(LGR ou, em inglês, root locus).
O traçado dos vários ramos do gráfico do LGR pode ser feito seguindo alguns
passos simples.
Embora o LGR possa ser traçado em função de diversos parâmetros, nesse
texto foca-se apenas o caso da variação do ganho K ∈ [0, ∞) de GM A = KG(s)
N (s)
GM A (s) = K (8.134)
D(s)
sm + b1 sm−1 + · · · + bm−1 s + bm
= K n (8.135)
s + a1 sn−1 + · · · + an−1 s + an

(s − z1 ) · · · s − zj · · · (s − zm )
= K (8.136)
(s − p1 ) · · · (s − pi ) · · · (s − pn )
Os passos para a confecção do LGR são:
Passo 1: Marcar, no plano s, os polos (pi ) com × e os zeros (zj ) com ◦.
Passo 2: Marcar o trecho do LGR contido no eixo real. Para K positivo,
corresponde aos trechos com número ı́mpar de polos+zeros à direita.
Passo 3: Desenhar as assı́ntotas que:
a) Passam pelo ponto α, dado por
 
n m
1 X X
α= pi − zi  (8.137)
n − m i=1 i=1
b) Possuem ângulos φi , dados por

1
φi = (π − 2kπ) k = 1, 2, ..., n − m − 1 (8.138)
n−m
Passo 4: Calcular os ângulos de partida dos ramos “saindo” de polos pj , ou
“chegando” a zeros zj , usando
n
X m
X

∡pj = ∡ pj − pi − ∡ pj − zi (8.139)
i=1 i=1
j̸=i
Passo 5: Determinar os pontos de cruzamento do LGR com o eixo imaginário

utilizando o critério de Routh-Hurwitz.
Passo 6 (opcional): Determinar os pontos de quebra (breakaway points) resol-
vendo
N (s) D(s)
D(s) − N (s) =0 (8.140)
ds ds
A verificação dessa condição é imediata, lembrando que nos pontos de quebra
s = sbp , a expressão ∆(s) = 0 possui raiz de multiplicidade 2.
Ou seja, ∆(s) pode ser fatorada segundo
∆(s) = (s − sbp )2 ∆resto (s)
Logo, pode-se escrever com o auxı́lio da regra da cadeia que
d d
∆(s) = 2(s − sbp )∆resto (s) + (s − sbp )2 ∆resto (s) (8.141)
ds ds
= 0 se s = sbp (8.142)
d∆
de modo que ds (s) se anula no ponto de quebra sbp .
O resultado segue notando que o LGR só faz sentido se D(sbp ) ̸= 0 e
N (s)
∆(s) = 1 + (8.143)
D(s)
" #
d∆ 1 N (s) D(s)
= D(s) − N (s) (8.144)
ds D(s)2 ds ds
OBS. 1: Os ramos “nascem nos polos” e “morrem nos zeros”.

OBS. 2: Polos tendem a “repelir” e zeros tendem a “atrair” os ramos.
Exemplo
Considere a função de transferência de malha aberta, a ser operado em malha
fechada com realimentação unitária negativa
s2 + 8s + 25
G(s) = K (8.145)
s5 + 10s4 + 35s3 + 50s2 + 24s
A figura 8.21 ilustra a aplicação dos passos para a construção do LGR em
função do ganho K para o processo descrito pela função de transferência em
8.145
Passo 1: Os zeros são as raı́zes de s2 + 8s + 25 = 0, que são −4 ± j3, e os polos
são as raı́zes de s5 + 10s4 + 35s3 + 50s2 + 24s = 0, que são { 0, −1, −2, −3, −4 }.
Passo 2: Marcar os intervalos [−1, 0 ], [ −3, −2 ] e (−∞, −4 ].

1 P
Passo 3: Desenhar as assı́ntotas que passam por 5−2 (0−1−2−3−4+4+4) ∼
0.67.
Passo 4: Obter o ângulo de chegada de um ramo no zero em −4 + j3 pela
somatória com os sinais apropriados de ∡(−4 + j3 − pi ) em que os pi são
{0, −1, −2, −3, −4} e de ∡(−4 + j3 − (−4 − j3)) = 90o . No exemplo, o ângulo
é de aproximadamente −60o .
Passo 5: Obter o cruzamento dos ramos com o eixo imaginário. Para tal,
lembrar que, em malha fechada, o denominador da função de transferência é
dado por
den(s) = s5 + 10s4 + 35s3 + 50s2 + 24s + K[s2 + 8s + 25] (8.146)

5 4 3 2
= s + 10s + 35s + (K + 50)s + (8K + 24)s + 25K(8.147)
Através do critério de Routh Hurwitz, verifica-se que o limiar de estabilidade

ocorre para K = 1.58 e corresponde a um par de polos imaginários puros em
s = ±j1.071.
Passo 6 Obter ss pontos de quebra dados por
dD dN
N (s) (s) + D(s) (s) = 0 (8.148)
ds ds
d 5
(s2 + 8s + 25) (s + 10s4 + 35s3 + 50s2 + 24s) + (8.149)
ds
d 2
(s + 8s + 25)(s5 + 10s4 + 35s3 + 50s2 + 24s) = 0 (8.150)
ds
7s6 + 108s5 + 700s4 + 2320s3 + 3897s2 + 2884s + 600 = 0 (8.151)
que resulta em s = −0.34 e s = −2.53.

A figura 8.21 ilustra passo a passo os procedimentos utilizados para esboçar o
LGR.
8.5.1 LGR em função de zero ou polo

O LGR pode também ser traçado para variações nos valores (posições) de um
zero ou de um polo.
Considere, por exemplo, a função de transferência de malha aberta
s+a
G(s) = 5 (8.152)
s2 + 2s + 16
em que o zero está na forma literal (a).
Figura 8.21: Passos para esboçar manualmente um LGR.
O denominador da função de transferência de malha fechada é dada por
den(s) = s2 + 2s + 16 + 5s + 5a (8.153)
2
= s + 7s + 16 + 5a (8.154)
Dividindo-se ambos os lados dessa equação por s2 + 7s + 16, tem-se que

den(s) s2 + 7s + 16 + 5a
2
= (8.155)
s + 7s + 16 s2 + 7s + 16
5a
= 1+ 2 (8.156)
s + 7ss + 16
Logo, os valores de s tais que den(s) = 0 podem ser buscados aplicando-se as
regras do LGR a
5a
1+ 2 =0 (8.157)
s + 7s + 16
substituindo-se a = K.
8.5.2 Ajuste de ganho usando LGR

Um dos problemas básicos em um projeto de controladores é o de ajustar ga-
nhos de malha.
As regras para o traçado do lugar geométrico das raı́zes podem ser utilizadas
para o ajuste de KP em modelos como os da figura 8.22.
Figura 8.22: Controle proporcional ou ganho simples.
Exemplo de ajuste de KP
Seja o problema de ajustar o ganho KP em que GP (s) é da forma
s+3
GP (s) = KP (8.158)
s(s + 1)(s + 2)(s + 4)
de modo que o sobressinal seja MP = 16.3 % (ou seja, ξ = 0.5 ou cos(β) = 60o ).
Método gráfico
Na figura 8.23 vê-se o lugar geométrico de ξ constante (a reta com ângulo β

constante).
Figura 8.23: Ajuste de ganho utilizando o LGR graficamente.
A solução está marcada na figura 8.23 com um □ e se encontra no ponto de

cruzamento de um ramo do LGR com o lugar de ξ = 0.5
A determinação do valor numérico de KP pode ser feita lembrando que, se um
ponto a pertence ao LGR, então
1 = |G(a)| (8.159)

a+3
1 = KP (8.160)

a(a + 1)(a + 2)(a + 4)
|a| |a + 1| |a + 2| |a + 4|
KP = (8.161)
|a + 3|
sendo que os diversos módulos (|a|, |a + 1|, |a + 2|, |a + 4|, |a + 3|) podem ser
medidos com o auxı́lio de uma régua.
Havia, no passado, um instrumento próprio para o traçado de LGR, chamado
de Spirule
Figura 8.24: Instrumento Spirule para traçado gráfico de LGR. Imagem obtida
de “History of Computing”, https://www.nzeldes.com/HOC/Spirule.htm.
Método algébrico
Como o modelo do exemplo é de 4a ordem, a aproximação por polos dominan-
tes requer que os dois polos não dominantes (p1 e p2 ) estejam suficientemente
afastados.
Essa condição deverá ser verificada a posteriori.
O denominador-alvo desejado para a função de transferência de malha fechada
é da forma
Dalvo (s) = (s − p1 )(s − p2 )(s2 + 2ξωn s + ωn2 ) (8.162)

2
= (s − p1 )(s − p2 )(s + 1 ωn s + ωn2 ) (8.163)
4 3
= s + (ωn − p1 − p2 )s + (ωn2 − (p1 + p2 )ωn + p1 p2 )s2
+(ωn p1 p2 − ωn2 (p1 + p2 ))s + ωn2 p1 p2 (8.164)
G(s)
Por outro lado, o denominador de 1+G(s) é dado por
DM F (s) = s4 + 7s3 + 14s2 + (8 + KP )s + 3KP (8.165)

Igualando-se os coeficientes de Dalvo (s) e DM F (s), tem-se que
7 = ωn − p1 − p2 (8.166)
14 = ωn2 − (p1 + p2 )ωn + p1 p2 (8.167)
8 + KP = ωn p1 p2 − ωn2 (p1 + p2 ) (8.168)
3KP = ωn2 p1 p2 (8.169)
cuja solução é
KP = 1.496 (8.170)
ωn = 0.703 (8.171)
p1 = 4.062 (8.172)
p2 = 2.235 (8.173)
Como ξωn << pi o método dos polos dominantes fornece uma solução satis-
fatória.
8.5.3 Ajuste da realimentação tacométrica usando LGR

Em muitos problemas práticos, é possı́vel medir diretamente a derivada do
sinal de saı́da usando um instrumento apropriado, como tacômetros e girôme-
tros.
Nesses casos, é possı́vel utilizar a informação, por exemplo, da velocidade de
rotação de um motor, sem derivar o sinal de saı́da.
O procedimento de derivar qualquer sinal não é recomendado, pois tende a
exacerbar o ruı́do.
Uma solução seria utilizar estimadores de estado, um tema a ser tratado adi-
ante, porém incorrendo em custos computacionais adicionais.
Exemplo de utilização da realimentação tacométrica

Considere um processo modelado por GP (s) da forma
s+3
GP (s) = KP (8.174)
s(s + 1)(s + 2)(s + 4)
e suponha que se quer ter, em malha fechada, um sobressinal de MP = 16.3%
e tempo de subida tr = 2.42 s.
Com o ajuste somente de KP não será possı́vel atender às duas especificações
simultaneamente, pois para ajustar duas caracterı́sticas são necessários dois
graus de liberdade.
Assim, introduz-se um zero na posição −λ correspondente à realimentação

tacométrica para que, juntamente com o KP , tenha-se dois graus de liberdade
para ajustar MP e tr .
Incluindo o efeito da realimentação tacométrica, a nova função de transferência
de malha aberta é dada por
s+3
Gnovo (s) = KP (λ s + 1) (8.175)
s(s + 1)(s + 2)(s + 4)
Método gráfico
A posição do zero em −1/λ deve ser ajustado de modo que um ramo do

LGR passe pela posição alvo de malha fechada (intersecção entre as curvas de
ξ = 0.5 e ωn = 1 rad/s).
Como ξ e ωn são conhecidos, é possı́vel marcar a posição do par de polos dese-
jados de malha fechada, dados por p1,2 = −ωn cos(β) ± jωn sin(β), lembrando
que β = cos−1 (ξ) (no presente caso, 60o ).
Uma vez que os ramos do LGR estão passando pelo polo desejado, basta obter
o ganho KP pelo mesmo método utilizado anteriormente.
Figura 8.25: Malha de controle em que se utiliza a realimentação tacométrica.
Pelo método gráfico, conforme a figura 8.25, uma solução é KP = 2.7 e λ = 0.4.
Método algébrico
Considerando as especificações ξ = 0.5 e ωn = 1, o denominador-alvo é
Dalvo (s) = (s − p1 )(s − p2 )(s2 + 2ξωn s + ωn2 ) (8.176)

2
= (s − p1 )(s − p2 )(s + 1 s + 1) (8.177)
4 3 2
= s + (1 − p1 − p2 )s + (p1 p2 − p2 − p1 + 1)s (8.178)
+(p1 p2 − p2 − p1 )s + p1 p2 (8.179)
Gnovo
O denominador da malha fechada 1+Gnovo é dado por
DM F (s) = s4 + 7s3 + (KP λ + 14)s2 + (8.180)

+(KP (3λ + 1) + 8)s + 3KP (8.181)
Igualando-se os coeficientes de Dalvo e DM F , obtém-se que
7 = 1 − p1 − p2 (8.182)
KP λ + 14 = p1 p2 − p2 − p1 + 1 (8.183)
KP (3λ + 1) + 8) = p1 p2 − p2 − p1 (8.184)
3KP = p1 p2 (8.185)
KP = 2.714 (8.186)
λ = 0.421 → corresponde a zero em 2.37 (8.187)
p1 = −3.926 (8.188)
p2 = −2.074 (8.189)
O lugar geométrico das raı́zes é uma ferramenta muito útil que permite
visualizar as dificuldades potenciais no projeto de controladores, bem como
para sugerir propostas de possı́veis estruturas para o controlador. Além
disso, permite a imediata verificação da existência de zeros em localizações
inconvenientes ou o grau de dominância de um par de polos complexos.
8.6 Controlador PID

O representante mais comumente encontrado de controlador com a estrutura
da figura 8.18 é o Proporcional+Integral+Derivativo (PID), caracterizado por
Z t
de
u(t) = KP e(t) + KI e(τ )dτ + KD (t) (8.190)
0 dt
ou Z t !
1 de
u(t) = kP e(t) + e(τ )dτ + TD (t) (8.191)
TI 0 dt
em que KP , KI e KD são os ganhos proporcional, integral e derivativo, res-
pectivamente. O TI é o tempo integral (ou 1/TI o número de repetição por
segundo) e TD é o tempo derivativo.
Por vezes, limita-se o ganho segundo

 umax ; kP e > umax



u(t) = kP e ; umin ≤ kp e ≤ um ax (8.192)


 umin
 ; kP e < umax
caso em que é interessante introduzir o conceito

de banda proporcional (BP), definido como
BP = emax − emin (8.193)

Figura 8.26: Fenômeno da
Imediatamente da figura, constata-se que, saturação
quanto menor o percentual de BP for a faixa de
excursão do sinal e(t), maior o ganho.
Logo, uma forma efetiva de especificar kP é como o inverso de PB em porcen-
tos,
1
kp = (8.194)
P B(×100 %)
Aplicando-se a transformada de Laplace na expressão do controlador PID em
8.190, tem-se que
1

U (s) = KP + KI + KD s E(s) (8.195)
s
KD s2 + KP s + KI
= E(s) (8.196)
| s
{z }
GC (s)
Como o grau do numerador em 8.196 é maior que o do denominador, a fun-

ção de transferência de E(s) para U (s), em 8.196 não é realizável. Assim,
usualmente é utilizada a forma
KD s2 + KP s + KI
GC (s) = (8.197)
s (s + α)
em que o parâmetro
α é escolhido de modo a não afetar o transitório, ou seja
|α| ≫ Re [λi ], em que λi são os polos do sistema em malha fechada. Em
outras palavras, α é um polo afastado de GC (s)P (s).

A expressão para o controlador PID vista em 8.197 é dita ser de forma paralela
e será aqui adotada pela conveniência de notação, lembrando que uma forma
pode ser convertida em outra de modo simples. A figura 8.27b apresenta o
diagrama de blocos da forma paralela (a) e a padrão (b).
Figura 8.27: Duas representações diferentes para o controlador PID.
Os ajustes dos parâmetros kP , ki e kd (ou de KP ,TI ,TD ) dependem das espe-

cificações de desempenho e podem ser baseados em métodos variados.
Controlador I-PD
Quando o sinal de referência r(t) apresenta variações bruscas, o termo D do

controlador PID tende a gerar picos grandes que, eventualmente saturam o
atuador.
Um esquema para atenuar esse problema é utilizar o termo derivativo no ramo
de realimentação, conforme ilustrado na figura 8.28. Utilizando-se o esquema
Figura 8.28: Controlador I-PD.

I-PD, tem-se que
kP G(s)
Y TI s
= (8.198)
R 1 + kp 1 + T1I s + TD s G(s)

1 kp 1 + T1I s + TD s G(s)
= (8.199)
1 + TI s + TI TD s2 1 + kp 1 + 1 + TD s G(s)
TI s
que é equivalente a utilizar um pré-filtro combinado com um controlador PID

usual.
Diagramas e sı́mbolos utilizados em controle de processos
No meio industrial, em que se tem processos complexos com várias malhas de

controle, é usual usar uma representação padronizada (por exemplo, ABNT/NBR
8190 e ISA 5.1).
A figura 8.29 ilustra um exemplo muito simples de trocador de calor, em que
TIC significa Temperature-Indicator-Controller, FT é o Flow Transmiter e os
números na parte inferior do cı́rculo são uma identificação da malha de con-
trole.
Figura 8.29: Exemplo de um diagrama de instrumentação de controle.
Outros exemplos de simbologia são TRC (Temperature Recorder Controller ),

FAL (Flow Alarm Low ), LAH (Level Alarm High), SIC (Speed Indicator Con-
troller ) e PT (Pressure Transmitter ).
8.6.1 Sintonização de PID com LGR

Como exemplo, considere um processo descrito pela função de transferência
Y (s)
GP (s) = (8.200)
U (s)
1
= (8.201)
(s + 2)(s + 3)
a ser controlado por
U (s)
GC (s) = ou (8.202)
E(s)

U (s) = GC (s) R(s) − Y (s) (8.203)
1

= KP + KI + KD s E(s) (8.204)
s
2
KD s + KP s + KI
= (8.205)
s
KD s2 + KP s + KI
≈ (8.206)
s(s + α)
em que α é um polo distante inserido artificialmente para tornar 8.205 reali-

zável.
Assuma que as especificações de desempenho são ξ = 0.5 (MP = 16.3%) e
ωn = 2 rad/s (tr = 1.2s).
Uma vez que se dispõe de três parâmetros (KP , KI , KD ) e de apenas duas
especificações, pode existir mais de uma solução.
Cono o numerador do PID é um polinômio de 2o grau, pode-se optar por ter
dois zeros reais ou um par de zeros complexos conjugados.
A figura 8.30 apresenta duas dessas soluções, ambas satisfazendo as especi-
ficações de desempenho propostas. Porém é possı́vel que uma solução seja
superior à outra, segundo algum critério adicional.
Os controladores projetados são
s2 + 9.75s + 22.5)
GC1 (s) = 5.6 (8.207)
s(s + 10)
2
s + 8s + 18
GC2 (s) = 7 (8.208)
s(s + 10)
sendo que GC1 aloca os zeros em −6 e −3.75, enquanto GC2 aloca os zeros
complexos conjugados em −4 ± j1.4.
Figura 8.30: Ajuste de controlador PID utilizando LGR.
8.6.2 Método de Ziegler-Nichols

Trata-se de um método heurı́stico que tem resultado em comportamentos sa-
tisfatórios em várias aplicações práticas.
Há dois procedimentos principais para aplicação do método de Ziegler-Nichols
(Ziegler, J.G. e Nichols, N.B.. Optimum settings for automatic controllers.
Trans. ASME, v. 64, p. 759-768, 1942).
1. Método da curva de reação: aplicável a processos chamados de autorre-
gulados que são, na essência, BIBO estáveis.
2. Método do limiar de oscilação: como o procedimento exige colocar o
processo em uma condição de oscilação sustentada, o seu uso deve rea-
lizado com cautela. Uma solução seria utilizar um relé para ocasionar a
oscilação e utilizar o valor do ganho equivalente como o KC .
Método da curva de reação

Estando o controlador em modo de operação manual, aplica-se um degrau e, a
partir da resposta, denominada de “curva de reação”, obtêm-se os parâmetros
L e T (vide figura 8.31).
A partir de T e L os ganhos KP , KI , KD são obtidos diretamente de
Figura 8.31: Parâmetros utilizados pelos métodos de Ziegler-Nichols.
Controlador KP KI KD
T
P L
PI 0.9 TL L
0.3
P ID 1.2 TL 2L 0.5L
Método do limiar de oscilação

Estando o controlador em modo de operação automática, somente com o ga-
nho proporcional KP , este é ajustado de modo que o modelo apresente uma
oscilação sustentada.
O ganho KP que corresponde a esta oscilação de amplitude constante é deno-
tado KC (ganho crı́tico) e o perı́odo PC .
Nestas condições, os ganhos KP , KI , KD são obtidos diretamente de
Controlador KP KI KD
P 0.5KC
1
PI 0.45KC 1.2 PC
P ID 0.6KC 0.5PC 0.125PC
O método da curva de reação é aplicável a plantas que são assintoticamente

estáveis para entradas tipo degrau, às vezes chamados de auto-regulados .
Uma forma de obter os parâmetros para sintonia de controlador PID pelo

método do limiar da oscilação é ajustar o ganho proporcional para um valor
muito elevado, de modo que se comporte como relé. Se houver oscilação, o seu
perı́odo é associado a PC e a amplitude de oscilação AC fornece
4M
KC = (8.209)
πAC
em vista do método da linearização harmônica (vide Apêndice G).

O método de Ziegler-Nichols é particularmente eficaz no controle de plantas
com modelos tipo primeira ordem com atraso
Ke−sT
GP (s) = (8.210)
s+a
8.6.3 Anti-windup
O fenômeno de windup é um potencial problema encontrado na prática, ao se
utilizar um integrador na malha de controle para eliminar o erro em regime
permanente.
Se o sinal de erro não for anulado por longo perı́odo, a sua integral assume
valores muito elevados que tendem a saturar o atuador. Na figura 8.32 é visto
um método para combate ao windup que consiste em calcular a diferença entre
o valor do sinal solicitado V (s) e o valor de saturação de U (s) e adicioná-la na
entrada do integrador.
Figura 8.32: Um mecanismo anti-windup para o controlador PID
Uma outra técnica é interromper a integração no PID quando a saı́da do

controlador atinge um limiar preestabelecido.
8.6.4 Regra do Lambda

O ajuste de um controlador PI pela regra do lambda consiste em extrair alguns
parâmetros da curva de reação e utilizá-los juntamente com fórmulas empı́ri-
cas.
Mais especificamente, dados K, L e T da curva de reação, o controlador PI é
dado por !
1 t
Z
u(t) = Kc e(t) + e(τ )dτ (8.211)
Ti 0
em que
T
Kc = (8.212)
K (λ + L)
Ti = T (8.213)
sendo o parâmetro de projeto λ é escolhido na faixa de [T, 3T ].
Usualmente o tempo de acomodação resultante é da ordem de 4λ.
Mais detalhes em Dahlin, E. B. Designing and tuning digital controllers. Instr
and Cont Syst, v. 41, n. 6, p. 77-84, 1968.
Exemplo
Considere um sistema em que a curva de reação apresenta K = 1, T=1 e
L = 0.5, conforme a notação apresentada na figura 8.31.
Nesse caso, conforme a tabela 8.6.2, o controlador PI é da forma
1
U (s) = (KP + KI )E(s) (8.214)
s
T 1 L
= (0.9 + )E(s) (8.215)
L s 0.3
1.80s + 1.67
≃ (8.216)
s
Se for utilizado o método do limiar de oscilação, o sistema apresenta, conforme
a notação utilizada na figura 8.31, PC = 1.70 e KC = 3.84.
O controlador PI, segundo a tabela 8.6.2, é dado por
1

U (s) = KP + KI E(s) (8.217)
s
!
1 PC
= 0.45KC + E(s) (8.218)
s 1.2
1.73s + 1.42
≃ (8.219)
s
Usando a regra λ com λ = 2T e conforme a expressão 8.213, tem-se o contro-

lador PI
T 1

U (s) = 1+ E(s) (8.220)
K (λ + L) Ts
0.4s + 0.4
≃ (8.221)
s
As respostas degrau em malha fechada utilizando os controladores 8.216,
8.219 e 8.221 estão apresentadas na figura 8.33.
Figura 8.33: Respostas degrau, em malha fechada, utilizando controlado-

res projetados pelas regras de Ziegler-Nichols e λ. O processo é da forma
Kae−θs /(s + a).
Nota-se da figura 8.33 que as regras de Ziegler-Nichols levaram a controladores

com significativos sobressinais, enquanto a regra λ resultou em um controlador
com tempo de resposta maior.
8.6.5 Aproximação de primeira ordem + atraso

As regras de Ziegler-Nichols se adaptam bem a modelos da forma primeira
ordem com atraso. Assim, apresenta-se a seguir um método para aproximar
funções de transferência com atraso puro, zeros reais e polos reais por um
modelo de primeira ordem com atraso.
Considere uma transferência G(s) dada por
(η1 s + 1) ... (ηm s + 1) −θs

G(s) = K e (8.222)
(τ1 s + 1) ... (τn s + 1)
e assuma que se deseja obter uma aproximação

1
Gaprox (s) = K e−Ls (8.223)
τs + 1
Lembrando que
1 1
ex = 1 + x + x2 + x3 + · · · (8.224)
2 3!
podem ser consideradas as aproximações
e−αs ≃ 1 − αs (8.225)
1 1
e−βs = βs = (8.226)
e 1 + βs
ou
e−αs ≃ −αs + 1 (8.227)

1
e−βs = (8.228)
βs + 1
Utilizando-se as expressões 8.227 e 8.228, a função de transferência 8.222 pode

ser aproximada notando que
(η1 s + 1) ... (ηm s + 1) −θs

G(s) = K e (8.229)
(τ1 s + 1) ... (τn s + 1)
eη1 s ...e−ηm s e−τ2 s ...e−τn s −θs
≃ K e (8.230)
τ1 s + 1
1
= K e−(θ−η1 −···−ηm +τ2 −···+τn )s (8.231)
τ1 s + 1
1
= K e−Ls (8.232)
τ1 s + 1
em que L = θ − η1 − · · · − ηm + τ2 − · · · + τ e τ1 < τi , i = 2, 3, ..., n.

Um outro método para se obter uma aproximação para uma função de transfe-
rência com polos e zeros reais é utilizar a regra da metade, também conhecida
como regra de Skogestad (SKOGESTAD; POSTLETHWAITHE, 1996):
• Ordenar as constantes de tempo em ordem crescente τ1 > τ2 > · · · > τn .

• Metade da maior constante de tempo desprezado (τ2 ) é adicionada ao

tempo de atraso de transporte (θ). A outra metade é adicionada à
constante de tempo a ser mantida (τ1 ).
• Os termos 1 1
τ3 s+1 , ..., τn s+1 , caso existam, são aproximados por 1
τi s+1 =
e−τi s .
• Os termos (η1 s + 1) , ..., (ηm s + 1), caso existam, são aproximados por
ηi s + 1 = eηi s .
Exemplo
Considere o sistema descrito pela função de transferência
(−0.1s + 1)
G0 (s) = K (8.233)
(5s + 1) (3s + 1) (0.5s + 1)
Pelo método representado pela expressão 8.232,
1
G1 (s) ≃ K e−0.1s e−3s e−0.5s (8.234)
5s + 1
1
= K e−3.6s (8.235)
5s + 1
Pelo método da metade, as constantes de tempo são 5 > 3 > 0.5. A maior
constante de tempo a ser mantida é 5. A maior constante de tempo a ser
desprezada é 3. Logo, a metade, 1.5 = 3/2, é adicionada ao atraso puro, ou
seja, e−2.5s , e a outra metade é acrescentada ao maior constante de tempo 5,
resultando 5 + 1.5 = 6.5.
O termo (−0.1s + 1) é substituı́do por e−0.1s e o termo 0.5s+1 1
por e−0.5s .
Juntando todos os elementos, tem-se a aproximação
1
G2 (s) ≃ K e−1.5s e−0.1s e−0.5s (8.236)
6.5s + 1
1
= K e−2.1s (8.237)
6.5s + 1
A figura 8.34 apresenta as respostas degrau das funções de transferência G0 ,
G1 e G2 .
Controladores PID são muito populares e, quando bem sintonizados, apre-

sentam bom desempenho. São relativamente baratos e facilmente encontra-
dos no mercado. Além disso, cada um dos termos P, I ou D possui ações
intuitivas que permitem ter uma compreensão intuitiva do comportamento
da malha de controle.
Figura 8.34: Comparação entre as respostas degrau da função de transferência

original (linha sólida), aproximação por série de Taylor truncado de primeira
ordem (linha pontilhada) e aproximação pela regra da metade (linha trace-
jada).
8.7 Escalonamento de ganhos

O método de escalonamento de ganhos (gain scheduling) apresentado aqui
consiste em ajustar os parâmetros de controladores simples, de acordo com o
estado em que o processo se encontra na região de operação (ou envelope de
operação).
Usualmente os controladores simples são projetados usando modelos lineari-
zados cuja validade se restringe a sub-regiões especı́ficas e, à medida que o
processo evolui, passando de uma sub-região de operação a outra, os parâme-
tros devem ser reajustados, com o intuito de se manter boas caracterı́sticas de
desempenho.
Conforme visto anteriormente, dado um sistema descrito pela EDO da forma
ẋ = f (x, u) (8.238)
um modelo linearizado na vizinhança do ponto de equilı́brio xE que corres-

ponde a uma entrada u(t) = uE constante é dado por
˙ ≃ A(xE , u) ∆x + B(xE , uE ) ∆u
∆x (8.239)
em que {∆u, ∆x} são as pequenas perturbações e as matrizes jacobianas A e

B são dadas por
   
∂f1 ∂f1 ∂f1 ∂f1
∂x1 ··· ∂xn ∂u1 ··· ∂um
.. .. .. ..
   
A=
 .. 
; B=
 .. 
(8.240)
 . . . 
  . . . 

∂fn ∂fn ∂fn ∂fn
∂x1 ··· ∂xn ∂u1 ··· ∂um
(xE ,uE ) (xE ,uE )
A região de operação no espaço de estados é dividida em várias sub-regiões,

cada uma caracterizada por um par (xE , uE ).
Cada sub-região deve ser suficientemente pequena para que o controlador local,
projetado usando o modelo linearizado, possua um desempenho adequado.
São projetados controladores para cada uma dessas sub-regiões.
À medida que o estado x evolui de uma sub-região para outra, ajusta-se o
parâmetro do controlador segundo algum mecanismo de adaptação.
Um mecanismo simples de adaptação é fazer uma interpolação linear.
Se ao redor da sub-região caracterizada por (xE1 , uE1 ) o controlador possui
parâmetros θ1 e ao redor de (xE2 , uE2 ) o controlador possui parâmetros θ2 ,
faz-se
θ = λθ1 + (1 − λ)θ2 (8.241)
sendo λ a distância normalizada do estado atual x a partir de (xE1 ao longo
da linha xE1 → xE2 ).
Ao invés de uma teoria geral, o método de escalonamento de ganhos será
apresentado na forma de um exemplo.
Considere, então, um modelo de processo massa+mola+amortecedor em que
a mola possui caracterı́stica cúbica, descrito por
ÿ + bẏ + (k1 y + k2 y 3 ) = u (8.242)
Fazendo-se a associação x1 = y e x2 = ẏ, tem-se que

" ˙ # " #
x1 x2
= (8.243)
x2 −k1 x1 − k2 x31 − bx2 + u
Denotando (x1 )E o primeiro componente do estado xE , o modelo linearizado

é caracterizado por
" # " #
0 1 0
A= ; B= (8.244)
−k1 − 3k2 (x1 )2E −b 1
ou " # " #
˙ = 0 1 0
∆x ∆x + ∆u (8.245)
−k1 − 3k2 (x1 )2E −b 1
| {z } | {z }
A B
Admitindo que será usada uma lei de controle do tipo realimentação de estados,
∆u = −K∆x + ∆r (8.246)
a dinâmica em malha fechada para pequenos sinais é dada pelos autovalores
de
" # " #
0 1 0 h i
A − BK = − K1 K2 (8.247)
−k1 − 3k2 (x1 )2 −b 1
" #
0 1
= 2 (8.248)
−k1 − 3k2 (x1 ) − K1 −b − K2
cujo polinômio caracterı́stico é

∆A+BK (s) = s2 + (b + K2 ) s + k1 + 3k2 (x1 )2E + K1 (8.249)
Assumindo que as especificações de desempenho são: (i) sobressinal de 16,3% e

(ii) tempo de subida de 1s, os valores requeridos dos parâmetros para o modelo
segunda ordem são ξ = 0.5 e ωn = 2.41.
Logo, o polinômio caracterı́stico desejado é
∆desejado (s) = s2 + 2ξωn s + ωn2 (8.250)

2
= s + 2.41s + 5.81 (8.251)
Comparando-se as expressões 8.249 e 8.251, conclui-se que K deve satisfazer
b + K2 = 2.41 (8.252)
2
k1 + 3k2 (x1 ) + K1 = 4.81 (8.253)
Particularizando o exemplo para o caso k1 = 1, k2 = 2 e b = 1, e adotando-se

3 pontos de equilı́brio, (x1 )E = 0, 0.5 e 1, tem-se que as entradas constantes
uE requeridas são
(x1 )E uE K1 K2
0 0.00 4.81 1.41
0.5 0.75 3.31 1.41
1 3.00 −1.19 1.41
Segundo a tabela 8.7, os valores de K1 = 4.81 e K2 = 1.41 são utilizados na

proximidade de (x1 )E = 0, no caso, entre x1 = −0.25 a 0.25. Na proximidade
de (x1 )E = 0.5, os valores dos ganhos são K1 = 3.31 e K2 = 1.41, mais
especificamente, utilizado entre x1 = 0.25 a 0.75. Na proximidade de (x1 )E =
1, os valores dos ganhos são K1 = −1.19 e K2 = 1.41.
A figura 8.35 apresenta em vermelho a resposta ao sinal “escada” traçado em
verde, no caso com escalonamento. A resposta em azul é o caso sem o uso do
escalonamento, utilizando-se somente os valores dos ganhos obtidos no ponto
(x1 )E = 0.
Figura 8.35: Comparação entre respostas com escalonamento (linha vermelha)

e sem (linha azul). O sinal de referência é a de cor verde.
8.8 Controladores cascata

A ideia central da estrutura de controle cascata é controlar uma variável inter-
mediária através de uma malha interna, visando melhorias quanto à rejeição
de distúrbios e velocidade resposta. Eventualmente, efeitos de não linearida-
des da malha externa podem ser reduzidos pela malha interna.
A figura 8.36 apresenta, na parte superior, uma estrutura de controle de sim-
ples malha e com uma variável v que tem o potencial de ser utilizado como
saı́da de uma malha interna.
Na parte inferior é mostrada a estrutura de controle cascada em que partici-
pam, agora, dois controladores GC1 (s) e GC2 (s).
Usualmente GC1 (s) é denominado de controlador mestre e GC2 (s) de contro-

lador escravo.
Figura 8.36: Estruturas de controle cascata.
Exemplo
Como um exemplo prático, considere o processo de aquecimento contı́nuo de
lı́quido, conforme esquematizado na figura 8.37, em que o fluxo de vapor v
na serpentina pode ser tomado como a variável intermediária para efeito de
controle cascata.
Figura 8.37: Exemplo de controle cascata em um processo.
Com o intuito de avaliar os desempenhos das estruturas de controle com res-

peito à rejeição de distúrbios, propõe-se um estudo de casos em que
1
GP 1 (s) = (8.254)
s2+ 3s + 2
1
GP 2 (s) = (8.255)
s+5
Projeto de GC considerando a malha simples

Assumindo que vai ser utilizado um controlador PI como GC (s),
1
GC (s) = (KP + KI )E(s) (8.256)
s
tem-se, levando em conta o processo GP (s) = GP 1 (s)GP 2 (s), que
Y (s)
T (s) = (8.257)
R(s)
GC (s)GP (s)
= (8.258)
1 + GC (s)GP (s)
KP s + KI
= (8.259)
s4 + 8s3 + 17s2 + (10 + KP ) s + KI
Adota-se como especificação de desempenho um sobressinal de 16.3% e tempo

de subida de 2.4s que corresponde a se ter ξ = 0.5 e ωn = 1 rd/s, caso valha
a aproximação por polos dominantes.
Deseja-se, portanto, que o denominador de T (s) seja idêntico a
∆(s) = (s + p1 )(s + p2 )(s2 + 2ξωn s + ωn2 ) (8.260)

2
= (s + p1 )(s + p2 )(s + s + 1) (8.261)
4 3 2
= s + (1 + p1 + p2 ) s + (1 + p1 + p2 + p1 p2 ) s +
+ (p1 + p2 + p1 p2 ) s + p1 p2 (8.262)
ou, identificando os coeficientes de 8.259 e de 8.262, obtém-se o sistema de 4

equações a 4 incógnitas
1 + p1 + p2 = 8 (8.263)
1 + p1 + p2 + p1 p2 = 17 (8.264)
p1 + p2 + p1 p2 = 10 + KP (8.265)
p1 p2 = K I (8.266)
cuja solução é p1 = 5.3, p2 = 1.7, KP = 6 e KI = 9. Como ξωn 0.25, p1 e p2

podem ser considerados suficientemente afastados para valer a aproximação
por polos dominantes.
Projeto de GC1 e GC2 do esquema de controle cascata

Projeta-se, inicialmente, o controlador GC2 da malha interna. O controlador
escolhido é novamente do tipo PI, 8.256. Como a malha interna deve possuir
uma resposta mais rápida do que a externa, foram escolhidos ξ = 0.7 e ωn =

8 rd/s. A função de transferência de malha fechada da malha interna é dada
por
V (s)
Tint (s) = (8.267)
U1 (s)
GP 2 GC2
= (8.268)
1 + GP 2 GC2
KP s + KI
= 2
(8.269)
s + (5 + KP ) s + KI
cujo denominador deve ser idêntico a
∆(s) = s2 + 2ξωn s + ωn2 (8.270)
2
= s + 11.2s + 64 (8.271)
Segue, imediatamente, que KP = 11.2 − 5 = 6.2 e KI = 64 e
6.2s + 64
Tint (s) = (8.272)
s2 + 11.2s + 4
Tendo-se o controlador GC2 da malha interna, pode-se projetar o controlador
GC1 da malha externa.
Como GC1 escolheu-se novamente um controlador PI, 8.256 e foram mantidas
as especificações de desempenho de sobressinal de 16.3% e tempo de subida
de 2.4s.
A função de transferência da malha externa é dada por
Y (s)
Text (s) = (8.273)
R(s)
GC1 Tint GP 1
= (8.274)
1 + GC1 Tint GP 1
6.2KP s2 + (64KP + 6.2KI ) s + 64KI
= (8.275)
s5 + 14.2s4 + 99.6s3 + coef2 s2 + coef1 s + 64KI
em que
coef2 = 6.2KP + 214.4 (8.276)
coef1 = 64KP + 6.2KI + 128 (8.277)
Uma solução que atende as especificações estabelecidas, obtida com o auxı́lio
de um computador digital, é KP = 0.98 e KI = 1.8.
A figura 8.38 apresenta o efeito da utilização de estrutura cascata em que se
observa a sua superioridade em relação à rejeição de uma perturbação em v.
Figura 8.38: Gráfico que mostra o desempenho superior do controle em cascata

na presença de distúrbios exógenos.
8.9 Compensadores avançadores/atrasadores de fase

Após um projeto inicial de um controlador, pode haver necessidade de se reali-
zar compensações de efeitos decorrentes de procedimentos tais como desprezar
o atraso na transmissão de dados, adotar modelos reduzidos, projetar con-
siderando apenas os polos dominantes sem levar em conta os zeros e outras
possibilidades.
Uma possı́vel solução é colocar em cascata com o controlador original filtros
que realçam as frequências de interesse.
Para melhorar o transitório, é interessante dispor de ganho elevado em altas
frequências.
Por outro lado, para reduzir o erro de regime permanente é interessante que o
ganho seja elevado em baixas frequências.
Esses filtros são chamados de compensadores cascata.
8.9.1 Projeto de compensadores avançadores de fase

O compensador avançador de fase (lead ), é um filtro passa-altas que é utili-
zado para melhorar as caracterı́sticas do regime transitório.
Em baixas frequências, o seu ganho é unitário [0 dB], mas para altas frequên-
cias fornece um aumento de ganho.
Em termos de fase, reduz os atrasos, tendendo a melhorar a margem de fase.
A função de transferência de um compensador avançador de fase é da forma
geral
Ts + 1
GLead = K ;0<α<1 (8.278)
αT s + 1
A figura 8.39 apresenta as curvas de Bode para T = 1, α = 0.1 e K = 1,
correspondendo a
s+1
GLead = s (8.279)
10 + 1
s+1
= 10 (8.280)
s + 10
Figura 8.39: Curvas de Bode de um compensador avançador de fase (lead).
O máximo avanço de fase ocorre para

r
1 1 1
ω= = √ (8.281)
T αT T α
e o seu valor é
1−α

−1
ϕmax = sin (8.282)
1+α
Se for adequado aproximar o comportamento do sistema em estudo como sendo
de segunda ordem, em torno das frequências de interesse, as especificações de
desempenho requerem apenas o valor do sobressinal desejado (MP ) e do tempo
de resposta, que tipicamente é o de subida (tr ) ou o de acomodação (ts ).
Para modelos de segunda ordem (polos dominantes) e lembrando que tanto o
sobressinal MP quanto a margem de fase γ dependem apenas do coeficiente de
amortecimento ξ, basta ajustar o parâmetro α do compensador de modo que,
na frequência de cruzamento de interesse (aproximadamente ωn que resulta no
tr ou ts desejado), tenha-se ϕmax .
Ajuste do compensador avançador de fase usando LGR

Para sistemas de segunda ordem, tanto o Mp quanto a margem de fase γ
dependem somente do coeficiente de amortecimento ξ.
A partir do Mp especificado, pode-se determinar o ξ requerido
ln(Mp )2
ξ=− (8.283)
π 2 + ln(Mp )2
Dispondo de ξ, pode-se determinar a margem de fase γ desejada usando
2ξ
γ = tan−1 qp (8.284)
1 + 4ξ 4 − 2ξ 2
Caso o projeto esteja sendo feito no plano s, ressalta-se que o lugar geométrico
de ξ = cos(β) corresponde a semirreta no plano s.
Por outro lado, tr e ts , juntamente com ξ, fornecem o valor de ωn .
De posse de ξ e ωn , pode-se determinar o par de polos desejados (marcados
com □ na figura 8.40).
Tendo-se a posição dos polos desejados, basta encontrar ψ1 e ϕ3 de modo que
a somatória dos ângulos seja de −180o .
É interessante notar que o ângulo θ = ψ1 − ϕ3 é a contribuição a ser fornecida
pelo compensador.
No exemplo da figura 8.40, o processo não compensado é
1
G(s) = (8.285)
s+1
e as especificações de desempenho são tais que o sobressinal desejado é 16.3%
e o tempo de subida é 0.6s.
Figura 8.40: Exemplo de projeto de compensador avançador de fase usando o

lugar geométrico das raı́zes.
O sobressinal de 16.3% corresponde a ξ = 0.5 e o ωn para tempo de subida de

0.6s deve ser 4 rad/s, levando em conta que ξ = 0.5.
Escolhendo-se para o zero do compensador o valor −2, obtém-se
s+2
G(s) = 20 (8.286)
s + 5.6
que resulta em um sobressinal significativamente maior.
Uma recomendação crucial é, portanto, que se verifique se o projeto foi ade-
quado, quer seja por simulação, teste com hardware in the loop ou no próprio
processo.
Tal necessidade é devido ao fato de que foram alocados os polos nos locais
desejados, mas o efeito do zero não foi considerado. Como o zero não está
suficientemente afastado, o seu efeito é significativo.
Ajuste do Compensador Avançador de Fase usando as Curvas de Bode

O projeto de um compensador avançador de fase para um processo GP (s),
utilizando a aproximação por polos dominantes e as curvas de Bode segue as
seguintes etapas.
1. Dada a especificação de Mp , pode-se determinar o valor de ξ requerido.

2. A partir de ξ calcula-se γ (margem de fase) usando 8.284.
3. A partir de ξ e de tr (ou ts ) especificado, determina-se ωn .
4. Se o valor de ξ é pequeno, vale a aproximação ωn ≃ ωc = ω||G(jω)|=1 .

Considerando a aproximação ωn ∼ ωc , verifica-se qual ϕmax deve ser
adicionado ao ∡GP (jωc ) + 180o para que se tenha a margem de fase γ
requerida. Na prática, convém adotar um valor de ϕmax ligeiramente
maior para se ter uma margem de folga contra o efeito da inserção de
zeros e polos do controlador no ωc .
5. A partir de ϕmax desejado determina-se α (equação 8.282).

1√
6. Adotando-se T = ωc α
o compensador é dado por
Ts + 1
GC (s) = K (8.287)
αT s + 1
7. Ajusta-se, finalmente, K de modo que |GC (jωc )GP (jωc )| = 1.

A sequência de projeto de controladores avançadores de fase utilizando curvas
de Bode encontra-se ilustrada na figura 8.41.
Figura 8.41: Exemplo de projeto de compensador avançador de fase.
8.9.2 Projeto de controladores atrasadores de fase

O compensador atrasador de fase (lag) é utilizado, em geral, para aumentar o
valor de Kv , melhorando o rastreamento de referências tipo rampa.
Trata-se de um filtro passa-baixas e o seu projeto é muito simples. Ou seja,

basta adicionar o ganho requerido em frequências mais baixas comparadas com
aquelas da região de cruzamento da curva de ganho com o eixo 0dB.
A ideia é não alterar as curvas de Bode na região de frequências relevantes que
caracterizam o comportamento transitório do sistema.
Figura 8.42: Exemplo de projeto de compensador atrasador de fase para me-

lhoria do Kv .
8.9.3 Exemplo de projeto tı́pico de controlador clássico

O objetivo desta seção é apresentar um projeto simples à luz de especificações
frequentemente utilizadas na prática.
Considere um processo modelado pela função de transferência
Y (s)
GP (s) = (8.288)
U (s)
1
= (8.289)
s+1
que deve satisfazer, em malha fechada com realimentação unitária, as seguintes

especificações:
1. e(∞) = 0 para entrada degrau r(t)
2. MP = 16.3% (sobressinal)
3. tr = 1s (tempo de subida)
4. Kv = 10
em que e(t) = y(t) − r(t).

Passo 1: Caso o modelo não apresente polo em s = 0, é interessante incluir
um integrador da malha para se ter e(∞) = 0. No exemplo, como GP (s) é do
tipo 0, o controlador deverá incorporar o termo G1 (s) = 1s .
Passo 2 Ajuste de MP e tr mediante uso de compensador lead.
Assumindo-se que será utilizado o conceito de polos dominantes, deve-se ter
1. MP = 20% ⇒ ξ = 0.5
π−cos−1 (ξ)
2. ωn = √ = 2.42rad/s
tr 1−ξ 2
Portanto, os
p polos de malha fechada devem estar localizados em sdesejado =
−ξωn ± ωn 1 − ξ 2 , ou seja, −1.21 ± j2.09.
Um método é utilizar o LGR, conforme ilustrado na figura 8.43, em que se
Figura 8.43: Exemplo de projeto utilizando LGR.
realizaram dois projetos

s+1
G2/1 (s) = 5.87 (8.290)
s + 2.24
s + 1.6
G2/2 (s) = 7.07 (8.291)
s + 3.4
Um outro método para projetar o compensador lead é o algébrico.
Para MP = 16.3%, verifica-se que a margem de fase deve ser γ = 52o , ou seja,
a curva de Bode de fase deveria estar a −180o + 52o = −128o para ωn tal que
|G1 (jωn )GP (jωn )| = 1.
Porém ∡G1 (jωn )GP (jωn ) = −157o , de forma que, para chegar a −128o , é
necessário somar 157 − 128 = 29o .
Para se ter uma margem de folga, escolhe-se 29o + 5o = 34o para ϕmax , que
leva a α = 0.28, T = 0.78, ou seja,
0.78s + 1
G2/3 = 3.3 (8.292)
0.21s + 1
s + 1.3
= 12.2 (8.293)
s + 4.7
Como mencionado anteriormente, em vista da utilização de métodos que en-
volvem heurı́stica, é necessário que seja feita pelo menos uma avaliação do
projeto através de uma simulação ou, preferencialmente, investir em uma va-
lidação junto ao processo fı́sico propriamente dito.
Passo 3 Ajuste do Kv usando compensador lag. A constante de velocidade
Kv , até esta etapa (processo+integrador+lead G2/2 ), é dada por
Kv = lim sG1 (s)G2/2 (s)GP (s) (8.294)

s→0
1 7.07(s + 1.6) 1
= (8.295)
s (s + 3.4) s + 1
= 3.3 (8.296)
Logo, um possı́vel compensador lag é um filtro passa-baixa nas proximidades

de ω ∼ 0.1 com ganho de 10/3.3 = 3.0.
Adotando-se ganho de 4, o compensador lag é dado por
s + 0.1
G3 = (8.297)
s + 0.033
O desempenho do controlador cascateando G1 , G2/2 , G3 , pode ser visto na
figura 8.44.
Nota-se na figura 8.44 o efeito comparativo dos zeros introduzidos pelos com-
pensadores G2/1 e G2/2 .
O compensador G2/3 supera o desempenho especificado, graças à significativa
margem de folga na escolha de ϕmax .
8.9.4 Preditor de Smith

O preditor de Smith é utilizado para controle de sistemas com atraso de trans-
porte.
Considere a tarefa de projetar um controlador GC (s) para um processo com
atraso GP (s) = G(s) exp(−T s), conforme a figura 8.45.
A ideia é projetar o controlador GX (s) como se não houvesse o atraso, ou seja,
como se a planta fosse descrita apenas pelo fator G(s) (sem e−T s ).
Figura 8.44: Comparação do desempenho do projeto do controlador com dois

diferentes compensadores lead.
Figura 8.45: Exemplo de uma planta que possui atraso de transporte.
Quaisquer métodos podem ser utilizados para fazer o projeto do GX (s).

A saı́da correspondente será denotada Ŷ (s).
Nota-se, inicialmente, que
Ŷ (s) = G(s)U (s) (8.298)

−T s −T s
= G(s)U (s) + G(s)e U (s) − G(s)e U (s) (8.299)
−T s −T s
= G(s)e U (s) + (1 − e )G(s)U (s) (8.300)
| {z }
GP (s)
= Y (s) + (1 − e−T s )G(s)U (s) (8.301)
e, portanto, é possı́vel obter ŷ(t) a partir de y(t), requerido pelo controlador

GX (s), mediante o uso da parcela de predição (1 − e−T s )G(s)U (s).
Esse termo é facilmente determinável, caso se conheça o modelo da planta.
A estrutura do controlador GC com o mecanismo de predição pode ser vista
na figura 8.46.
Figura 8.46: Estrutura do controlador empregando o conceito de preditor de

Smith.
Na figura 8.46, verifica-se que
U (s) = GX (s)E(s) (8.302)

E(s) = R(s) − Ŷ (s) (8.303)
−T s
Ŷ (s) = Y (s) + (1 − e )G(s)U (s) (8.304)
ou seja,
h i
U (s) = GX (s) R(s) − Y (s) − (1 − e−T s )G(s)U (s) (8.305)
GX (s)
= [R(s) − Y (s)] (8.306)
1 + GX (s)(1 − e−T s )G(s)
GX (s)
= [R(s) − Y (s)] (8.307)
1 + GX (s)G(s) − GX (s)e−T s G(s)
| {z }
GP
GX (s)
= [R(s) − Y (s)] (8.308)
1 + GX (s)G(s) − GX (s)GP (s)
O controlador baseado no preditor de Smith possui, portanto, a forma
GX (s)
GC (s) = (8.309)
1 + GX (s)G(s) − GX (s)GP (s)
em que GX foi projetado desconsiderando o atraso e−T s .
É importante ressaltar que o preditor de Smith depende da disponibilidade de

um modelo acurado da planta para produzir bons resultados.
8.10 Curvas de terceira ordem

Assim como no caso de sistemas de segunda ordem os projetos podem ser
baseados nos parâmetros ξ e ωn , projetos de sistemas de terceira ordem nor-
malizados na escala de tempo podem ser realizados empregando gráficos no
plano.
Os sistemas gerais de terceira ordem necessitam de três parâmetros, a1 , a2 e
a3 para a sua caracterização
d3 y d2 y dy
3
+ a 1 2
+ a2 + a3 y = u (8.310)
dt dt dt
mas gráficos no plano permitem manipular apenas dois.
Assim, fazendo-se a transformação
τ
t= √
3 a
(8.311)
3
tem-se que
q
d3 y q 2
2d y + a √ dy
3
a33 3
+ a1
3
a3 2 2 a3
3
+ a3 y = u (8.312)
dτ dτ dτ
d3 y a1 d2 y a2 dy 1
3
+ √ 2
+q +y = u (8.313)
dτ 3 a3 dτ 3
a2 dτ a3
| {z } 3
β1
| {z }
β2
Essa transformação corresponde a uma mudança na escala de tempo.

Os polos na nova escala de tempo τ são obtidos de
a1 2 a2
s3 + √
3 a
s + √ 2 s + 1 = s3 + β1 s2 + β2 s + 1 = 0 (8.314)
3 3 a
3
Agora o modelo está parametrizado com dois valores β1 e β2 (ressaltando que

a escala de tempo foi alterada).
Utilizando o critério de Routh-Hurwitz, a condição para estabilidade é, no
caso, β1 > 0, β2 > 0 e β1 β2 > 1, de modo que a região de interesse do plano
{β1 , β2 } é o primeiro quadrante ou, mais especificamente, acima da hipérbole
descrita por β2 = β1−1 .
Pode-se implementar um programa de computador que permita traçar o lugar

geométrico dos pares (β1 , β2 ) tal que a percentagem de sobressinal é constante,
como a vista na figura 8.47, por vezes referido como curvas de Vyshnegradski
(I.A. Vyshnegradsky, I.A. On regulators of direct action, Izvestiya St. Peters-
burg Technological Inst. (em russo), v.1, 1877).
Figura 8.47: Curvas de terceira ordem. Escolhendo-se o tempo de subida

normalizado tr e o sobressinal MP , obtém-se os valores de β1 e β2 requeridos.
Exemplo: Projeto de um compensador cascata
Considere o projeto de um compensador avançador de fase para um processo

do tipo 1
s+a 1
GM A = K (8.315)
s + b s(s + 2)
As especificações de desempenho são o sobressinal de 20% e tempo de subida

de 1s.
Na figura 8.47, tome-se o ponto β1 = 4.3 e β2 = 2, que corresponde a MP =
20 % e rr = 4.5 s.
A equação normalizada é, portanto,
d3 y d2 y dy
3
+ β 1 2
+ β2 + 1y = v (8.316)
dt dt dt
Como se deseja tr = 1 s, deve-se fazer uma mudança na escala de tempo

τ = 4.5t, o que leva a
d3 y d2 y dy
+ 4.3 × 4.5 + 2.0 × (4.5)2 + 1 × (4.5)3 y = (8.317)
dτ 3 dτ 2 dτ
d3 y d2 y dy
+ 19.4 + 40.5 + 91.1 y (8.318)
dt3 dt2 dt
Necessita-se, portanto, ajustar K, a e b de modo que o denominador de
K(s + a)
GM F = K (8.319)
s3 + (2 + b)s2 + (2b + K)s + Ka
seja idêntico a 8.318. Deve-se, a posteriori, verificar se a influência do zero
torna o projeto inadequado.
Resolvendo-se o sistema de equações
2 + b = 19.3 (8.320)
2b + K = 40.5 (8.321)
Ka = 91.1 (8.322)
obtém-se o resultado desejado, a = 15.9, b = 17.3 e K = 5.7.
Exemplo: Projeto de um controlador PID

1
Considere o ajuste de ganhos de um controlador PID para o processo s+1 , com
as mesmas especificações do exemplo anterior MP = 20% e tr = 1s
KD s2 + KP s + KI 1
GM A = (8.323)
s(s + 20) s+1
em que o termo s + 20 é introduzido para tornar o controlador realizável.
Manipulações simples permitem obter o denominador da função de transferên-
cia de malha fechada
∆M A = s3 + (21 + KD )s2 + (20 + KP )s + KI (8.324)
Como as especificações são as mesmas do exemplo anterior, o denominador

desejado é 8.318 e, portanto,
21 + KD = 19.4 (8.325)
20 + KP = 40.5 (8.326)
KI = 91.1 (8.327)
resultando KP = 20.5, KI = 91.1 e KD = −1.6.

8.11 Otimização de controladores

Uma forma de aferir o desempenho de um sistema é através da utilização de
uma função do tipo custo ou de retorno.
Em problemas de otimização, as funções custo são minimizadas, enquanto
as de retorno são maximizados. Por exemplo, o gasto com combustı́vel deve
ser minimizado através de ajustes apropriados dos parâmetros do sistema,
enquanto a eficiência deve ser maximizada.
Outras funções podem representar o tempo dispendido para se completar uma
tarefa preestabelecida, a produtividade do processo, a variância do sinal de
saı́da em torno de um valor desejado etc.
Em princı́pio, a otimização pode ser aplicada a vários tipos de controladores,
mas aqui os métodos serão ilustrados

para o caso PID, em que serão buscados
os valores ótimos de kp , ki , kd .
Caso a otimização fosse aplicada ao projeto de um compensador avançador de
fase, os valores ótimos buscados seriam de (K, α, T ) da expressão
Ts + 1
GLead = K (8.328)
αT s + 1
sujeito à restrição 0 < α < 1.
O problema genérico de otimização no Rn consiste em obter um ponto w∗ ∈
Rn que minimiza uma função J : Rn → R, enquanto satisfaz restrições de
igualdade caracterizadas por hi : Rn → R e de desigualdade gj : Rn → R,
i = 1, ..., mI e j = 1, ..., mD :
minn J(w) (8.329)
w∈R
sujeito a
hi (w) = 0 (8.330)
gj (w) ≤ 0 (8.331)
O ponto w que minimiza J(w) e satisfaz as restrições é denotado w∗ (ponto

de ótimo).
Por exemplo, considere o problema de otimizar um controlador

PD e para isso,
tome-se como a variável a ser otimizada w = kp , kd e escolha como a função
J a ser minimizada Z ∞

J(w) = e (τ ) dτ (8.332)
0

em que e(t) = r(t) − y(t)(kp ,kd ) , ou seja, o erro acumulado de rastreamento

de r(t) obtido quando se usa o controlador PD com os parâmetros kp , kd .
Caso seja de interesse, podem ser acrescentadas restrições, como

e (∞) = 0 (8.333)
tr ≤ 1 s (8.334)
que significam, respectivamente, erro nulo em regime permanente e tempo de
subida abaixo de um limite.
Observa-se que não é necessário considerar o problema de maximização (por
exemplo, da eficiência e da produtividade), pois
min J(w) = − maxn J(w) (8.335)
w∈Rn w∈R

w∗ = arg min J(w) = arg max J(w) (8.336)
w∗ ∈Rn w∗ ∈Rn
Aqui serão apresentadas, por ora, 3 diferentes classes funções objetivo J:

1. Compromisso entre algumas caracterı́sticas notáveis de respostas, por
exemplo,
J(w) = tr + ρ Mp (8.337)
que busca reduzir o tempo de subida tr com pouco sobressinal Mp . O
fator peso ρ indica qual a importância relativa que se deseja atribuir a
Mp .
2. Erro acumulado na tarefa de rastreamento de uma dada referência, já
apresentado em 8.332, chamado de critério IAE (integral of the absolute
error ).
As outras formas análogas são
Z ∞
J(w) = e (τ )2 dτ (8.338)
Z0∞

J(w) = τ e (τ ) dτ (8.339)
0
Z ∞
J(w) = τ e (τ )2 dτ (8.340)
0
denominadas respectivamente, ISE (integral of the square error ), ITSE
(integral of the time weighted absolute error ) e ITSE (integral of the time
weighted square error ).
É importante ressaltar que mı́nimo não é sinônimo de pequeno e o de-
sempenho do sistema otimizado pode ser insatisfatório. Além disso, é
importante mencionar que o sistema fı́sico pode apresentar restrições que
limitam o seu desempenho. Por exemplo, não é possı́vel obter o desem-
penho de um carro esportivo a partir de um caminhão de carga, mesmo
com um excelente ajuste do controlador.
8.11.1 Sintonização de controladores

Os controladores possuem parâmetros que devem ser ajustados, como os ga-
nhos kP , kI e kD de um controlador PID.
Nesse módulo serão apresentados dois enfoques:
• Satisfação de restrições (ou de Zakian): consiste em obter valores para o
parâmetro θ de modo que as especificações representadas por restrições
sejam satisfeitas. Por exemplo, MP < 20 e tr < 2 s
• Otimização paramétrica: consiste em obter valores para o parâmetro θ

que minimizam (maximizam) funções de custo (de retorno). Por exem-
plo, Z ∞
minn eθ (t)2 dt
θ∈R 0
em que eθ (t) é o erro de rastreamento quando o parâmetro utilizado é θ.
O critério ITAE
Para o critério de otimização ITAE, e assumindo o termo livre do denominador
ωnk , a função de transferência alvo de malha fechada é da forma
wnk
T (s) = (8.341)
Pk (s)
e, para k = 2, 3 e 4, os valores ótimos já calculados para os coeficientes são
P2 (s) = s2 + 1.40 ωn s + ωn2 (8.342)

3 2
P3 (s) = s + 1.75 ωn s + 2.15 ωn2 s + ωn3 (8.343)
4 3
P4 (s) = s + 2.10 ωn s + 3.40 ωn2 s2 + 2.70 ωn3 s + ωn4 (8.344)
Exemplo
Considere um processo descrito pela função de transferência
1
G(s) = K (8.345)
s(s + 1)(s + 2)
a ser controlado em malha fechada por uma realimentação tacométrica M (s) =
1 + λ s. A função de transferência de malha fechada é
G(s)
T (s) = (8.346)
1 + G(s)M (s)
K
= 3 2
(8.347)
s + 3s + (2 + K λ)s + K
Assumindo que se deseja utilizar o custo ITAE, utiliza-se a expressão 8.343

para o denominador desejado (s3 +1.75 ωn s2 +2.15 ωn2 s+ωn3 ), obtém-se igualando-
se os coeficientes que
3 = 1.75 ωn (8.348)
2 + K λ = 2.15 (8.349)
3
K=ω (8.350)
cuja solução é K = 5.038, ωn = 1.714 e λ = 0.099.
Casamento de modelos
Uma forma interessante de ajustar controladores é construir modelos de refe-
rência (por exemplo, de segunda ordem com ξ e ωn desejados) e utilizar um
algoritmo de otimização para ajustar os parâmetros do controlador minimi-
zando o custo de descasamento J = 0∞ |e(t)| dt.
R
Caso e(t) convirja para 0 no esquema ilustrado na figura 8.48, ter-se-á obtido
sucesso em casar o modelo de referência através da combinação do controlador
e do processo.
Figura 8.48: Um esquema de controle baseado em modelo de referência
Porém, em geral, o casamento perfeito é inexequı́vel, de modo que se estabelece

uma tolerância, por exemplo, da forma max{e(t)} < tol.
Em princı́pio o método não se limita a processos lineares e o controlador pode
ser de variados tipos, inclusive não lineares.
Lembrar, porém, que J mı́nimo não significa que o descasamento é “pequeno”,
ou seja, deve-se sempre verificar o desempenho obtido.
8.11.2 Observações sobre otimização

1. O Apêndice K apresenta alguns dos métodos mais populares de otimiza-
ção no Rn .
2. Nota-se que não é necessário estudar o problema de maximização pois
min J(θ) = − max J(θ)

θ∗ ∈Rn ∗ n θ ∈R
correspondendo ao mesmo ponto estacionário θ∗

θ∗ = arg min
∗ n
J(θ)
θ ∈R

= arg max
∗ n
J(θ)
θ ∈R
3. Dependendo das formas das funções J, h e g, o problema de otimização

pode ter uma solução, várias soluções ou nenhuma solução. A figura
8.49 ilustra algumas das possibilidades aplicadas à otimização no R1 :
• A: Função diferenciável, sem restrições sobre o valor de θ. Uma

condição necessária é J ′ = 0.
• B: Função não diferenciável, mas que possui ponto de mı́nimo.
• C: Função descontı́nua que possui ponto de mı́nimo.
• D: Função diferenciável que não possui ponto de mı́nimo.
• E: O ponto de mı́nimo ocorre na fronteira do conjunto viável que é
fechado.
• F: Existe o ponto de ı́nfimo, mas esse não pertence ao conjunto
viável que é aberto nesse ponto.
Figura 8.49: Algumas situações encontradas em problemas de otimização.

4. Teorema de Weierstrass: Seja θ ⊂ Rn e J : θ → R. Se J é semicontı́nua

inferiormente e θ é compacto em Rn , então existe θ∗ ∈ Rn tal que
J θ∗ = minn J (θ)

θ∈R
Prova em (APOSTOL, 1969).
5. Vários pacotes computacionais de otimização são disponı́veis no ambi-

ente MATLAB, Scilab, GNU Octave e SciPy (Python), entre muitas
outras opções.
8.11.3 Método das desigualdades de Zakian
O método de projeto de controladores proposto por Zakian consiste em ex-

pressar as especificações de desempenho em termos de desigualdades a serem
satisfeitas pelas grandezas envolvidas, quando o controlador encontra-se sin-
tonizado adequadamente.
Por exemplo, se o controlador é do tipo PID, como ilustrado na figura 8.50,
a tarefa seria de obter valores adequados para kP , kI e kD , de modo que
desigualdades do tipo
g1 (kP , kI , kD ) = tempo de subida ≤ tmax

r (8.351)
max
g2 (kP , kI , kD ) = erro de regime ≤ e (∞) (8.352)
g3 (kP , kI , kD ) = sobressinal ≤ MPmax (8.353)
min
g4 (kP , kI , kD ) = margem de fase ≥ M F (8.354)
Figura 8.50: Ajuste de Controlador PID
O projeto de controladores pelo método das desigualdades de Zakian requer

a solução de um problema de encontrar um ponto viável, ou seja, aquele que
satisfaz as restrições.
Analogamente ao caso da formulação do problema de otimização, assume-se
que as restrições são colocadas na forma

g1 θ1 , θ2 , . . . , θq ≤ 0 (8.355)

g2 θ1 ; θ2 , . . . , θq ≤ 0 (8.356)
..
.

gp θ1 , θ1 , . . . , θq ≤ 0 (8.357)
Diferentemente do problema de otimização, não se busca minimizar alguma

função de custo como o tempo de resposta, consumo de energia, erro de regime
etc.), mas apenas encontrar um ponto que satisfaz todas as restrições.
Um método de busca bastante similar àqueles utilizadas em problemas de
otimização é o das fronteiras móveis (Zakian, V. e Al-Naib, U. Design of
dynamical and control systems by the method of inequalities. Proc. IEE, v.
120, n. 11, p. 1421-1427, 1973).
Escolhendo-se no passo k = 0 um valor genérico de θ0 , as restrições gi podem
não estar satisfeitas.
A busca é realizada de modo iterativo,
θk+1 = θk+1 + hk
em que h aponta para o interior da região viável relaxada na iteração k-ésima,

até que se obtenha gi ≤ 0 para i = 1, 2, ..., p.
Figura 8.51: Iterações no método das fronteiras móveis.

O objetivo primordial em projetos de controladores é que as especificações

propostas sejam atendidas. Caso as especificações possam ser colocadas na
forma de um sistema de desigualdades, métodos numéricos de constraint
satisfaction podem ser utilizados. Havendo grau de liberdade suficiente,
pode-se escolher a melhor estratégia de controle mediante a minimização de
uma função custo (ou maximização do retorno).
8.11.4 Controle antecipatório ou feed forward

A ideia central é alimentar as informações sobre o sinal de referência R(s) à
frente do controlador da malha fechada, geralmente somando-se alguma ação
diretamente no atuador V (s) = GF F (s)R(s), conforme ilustrado em 8.52
Figura 8.52: Controle antecipatório tı́pico.
Se o modelo do processo é GP (s) e o controlado da malha é GC (s), então o

efeito de um controlador antecipatório (feed forward) é caracterizado por
Y (s) GC GP GF F GP
= + (8.358)
R(s) 1 + GC GP 1 + GC GP
GC GP + GF F GP
= (8.359)
1 + GC GP
Se fosse possı́vel fazer GF F (s) = G−1

P (s), ter-se ia
Y (s) G C G P + GF F GP
= (8.360)
R(s) 1 + GC GP
GC GP + G−1
P GP

= (8.361)
1 + GC GP
GC GP + 1
= (8.362)
1 + GC GP
= 1 (8.363)
A solução consiste, portanto, em utilizar uma aproximação para G−1

P para
uma faixa de frequências, fazendo-se
GF F (s) = G−1
P (s)Gaux (s) (8.364)
de modo que GF F (s) seja realizável.

Uma possı́vel escolha para Gaux (s) é
αp
Baux = (8.365)
(s + α)p
em que α e p são parâmetros a serem escolhidos pelo projetista.
Na prática o ganho de GF F (s) é reduzido para evitar sinais v(t) excessivos.
Exemplo
Seja o processo modelado pela função de transferência
1
GP (s) = (8.366)
s(s + 1)
e o controlador proporcional GC = K.
O valor de K = 1.177 foi ajustado de modo que, sem o compensador GF F , a
resposta degrau apresentasse um sobressinal de 20%.
Escolheu-se α = 10 >> 1 e p = 2, obtendo-se GF F (s),
s(s + 1) 102
GF F (s) = (8.367)
1.177 (s + 10)2
de modo que haja pouca influência em baixas frequências.
A figura 8.53 apresenta a resposta degrau em que se observa, com a presença
do GF F (s), significativa redução do tempo de subida com reduzido sobressinal.
8.11.5 Pré-filtro
Como indica o próprio nome, a função do pré-filtro é reduzir ou realçar com-
ponentes de certas frequências presentes no sinal de referência R(s).
Entre as várias possibilidades para o projeto do filtro estão a atenuação das
altas frequências presentes em variações bruscas de R(s), redução da excitação
de modos ressonantes indesejados e melhoria do desempenho realçando compo-
nentes apropriadas do espectro. Para ilustrar um possı́vel efeito do pré-filtro,
apresenta-se aqui um exemplo numérico.
Figura 8.53: Efeito do controle antecipatório (feed forward ).
Figura 8.54: Pré-filtro.
Exemplo
Y (s)
Considere o caso em que relação original GM F (s) = R(s)
s+1
GM F (s) = (8.368)
s2 + 0.75s + 1
que apresenta sobressinal de ∼ 40%.

Com o intuito de se reduzir o sobressinal, deseja-se inserir, na entrada de
referência, um filtro GP F (s) tipo bloqueia-banda (notch) para atenuar ωn =
1 rad/s.
s2 + ωn s + (0.9ωn )2
GP F (s) = (8.369)
s2 + 2ωn s + (0.9ωn )2
s2 + s + 0.92
= (8.370)
s2 + 2s + 0.92
O resultado pode ser visto na figura 8.55, em que o sobressinal é drasticamente

reduzido, embora com alguma elevação do tempo de subida.
Figura 8.55: Redução do sobressinal utilizando pré-filtro.
8.11.6 Controle posicast

Na seção anterior foi apresentado um pré-filtro do tipo LTI caracterizado pela
função de transferência GP F (s).
Porém o condicionamento do sinal de referência pode ser mais elaborado, en-
volvendo não linearidades ou variações temporais.
Figura 8.56: Exemplo de controle posicast.
Um exemplo é o caso do controle posicast (Smith, O. J. M. Posicast con-

trol of damped oscillatory systems. Proceedings of the IRE, v. 45, n. 9, p.
1249–1255, 1957.
Dada uma resposta a uma entrada degrau desejada de valor U , a ideia é ajus-
tar inicialmente a referência constante de modo que, no instante de pico tP , o
valor da saı́da y(tP ) seja justamente U .
Nesse instante (tP ), a referência constante é ajustada para U , de modo que o
o sistema entre em equilı́brio.
Com esse método, é atingido o valor desejado sem incorrer em sobressinal.
A figura 8.57 apresenta uma comparação entre os casos com e sem a utili-
zação do controle posicast.
Convém ressaltar que o controle posicast é muito sensı́vel a erros de modelagem
e imprecisões no instante de comutação.
Figura 8.57: Controle posicast com ausência de sobressinal devido à manipu-

lação do sinal de referência.
8.11.7 Algumas personalidades destacadas

Os resultados seminais no tocante a ferramentas para projetos de controlado-
res no domı́nio da frequência, agrupados no que alguns chamam de métodos
clássicos, surgiram aproximadamente entre 1920 a 1950, incluindo o perı́odo
de esforços de guerra.
Aqui são apresentados alguns dos pesquisadores que contribuı́ram para o es-
tabelecimento desses métodos clássicos, embora o número de personalidades
ilustres seja significativamente maior.
1927 Harold Stephen Black (1898-1983) utiliza realimentação negativa para

reduzir a distorção em amplificadores. Black inventou, independentemente, o
amplificador a realimentação negativa, enquanto viajava no Lackawanna Ferry

do terminal de Hoboken a Manhattan.
1934 Harold Locke Hazen (1901-1980) torna popular o termo servomechanismo
através da publicação: Hazen, H. L. Theory of Servomechanisms. J. Franklin
Inst., v. 218, p. 209-331, set. 1934. 1938 Hendrik Wade Bode (1905-1982,)
propõe a utilização da resposta em frequência e introduz as noções de margem
de ganho e de fase.
1947 Nathaniel B. Nichols (1914-1997) desenvolve a carta de Nichols para
projeto gráfico de sistemas de controle.
1948 Walter Richard Evans (1920-1999) concebe o método do lugar geométrico
das raı́zes (LGR). Em 1965, Evans inventou o Spirule, que permitia traçar e
interpretar rapidamente os LGRs.
8.12 Exercı́cios
8.12.1 Exercı́cio: Efeito da saturação de ganho
Qual o valor de M > 0 a partir da qual ocorre oscilação sustentada? Deter-
minar também a frequência e a amplitude da oscilação, caso ocorra.
   
0 1 0 0
ẋ =  0 0 1  x +  0  f (y) (8.371)
   
0 −2 −3 −2
h i
y = 1 0 0 x (8.372)

M se y > 1


f (y) = M y se |y| ≤ 1 (8.373)
 −M se y < −1

8.12.2 Exercı́cio: Traçado de trajetórias no plano de fase

Considere um modelo não linear no espaço de estados {x1 , x2 } dado por
ẋ1 = x2 (8.374)
ẋ2 = −x1 + sign(x2 − x1 ) (8.375)
em que (
1 se ξ ≥ 0
sign(ξ) = (8.376)
−1 se xi < 0
Esboçar trajetórias tı́picas no plano de fase.

8.12.3 Exercı́cio: Relé com histerese

Esboçar trajetórias tı́picas no plano de fase do sistema ilustrado na figura 8.58,
em que o relé de acionamento apresenta histerese.
Figura 8.58: Relé com histerese acionando um sistema de segunda ordem.
Repetir o exercı́cio para

Y (s) 2
= 2 (8.377)
U (s) s +s−2
8.12.4 Exercı́cio: Relé com histerese e zona morta

Esboçar trajetórias tı́picas no plano de fase do sistema ilustrado na figura 8.59,
em que se utiliza um relé com zona morta e histerese, realimentado por um
filtro linear.
Esse problema é extraı́do de um projeto de orientação de uma carga útil de
foguete de sondagem utilizando binários obtidos por jato de ar comprimido.
Figura 8.59: Caso de um relé que apresenta simultaneamente histerese e zona

morta.
8.12.5 Exercı́cio Computacional

Utilizando um software para simulação digital, traçar trajetórias tı́picas no
plano de fase
ẋ = x + y + x2 + y 2 (8.378)
2 2
ẏ = x − y − x + y (8.379)
8.12.6 Exercı́cio: Efeitos da quantização de sinais

Esboçar trajetórias tı́picas no plano de fase para o sistema da figura 8.60, em
que o atuador apresenta quantização.
Figura 8.60: Não linearidade do tipo quantização.
8.12.7 Exercı́cio: Servomecanismo com atrito seco e quantização da

saı́da
Esboçar trajetórias tı́picas no plano de fase de um servomecanismo em que há
presença de atrito seco e o sensor de posição apresenta discretização (como o
caso em que se utiliza um encoder ). O diagrama de blocos do servomecanismo
é visto na figura 8.61.
8.12.8 Exercı́cio: Lugar geométrico das raı́zes

   
0 1 0 0
x =  0 0 1 x +  0 u (8.380)
   
−a −3 −2 1
h i
y = 1 0 0 x (8.381)
em que a > 0.
Esboçar o lugar geométrico das raı́zes para a variando de 0 a ∞.
Figura 8.61: Diagrama de blocos para o servomecanismo com atrito seco e

discretização do sensor de posição.
8.12.9 Exercı́cios: Lugar geométrico das raı́zes - LGR

Esboçar o lugar geométrico das raı́zes para os vários processos apresentados
a seguir, assumindo que o parâmetro a ser variado de 0 a ∞ é o ganho K de
∆(s) = 1 + KG(s):
1.
(s + 1)2
G (s) = (8.382)
s3
2.
1
G (s) = (8.383)
s s2+4
3.
(s + 2)2
G (s) = (8.384)
s s2 + 4
4.
s+1
G (s) = (8.385)
(s − 1) s2 + 4
5.
s+1
G (s) = (8.386)
s (s − 1)
6.
s
G (s) = (8.387)
2s2 − 2s + 3 (s + 3)
7.
(s − 1)2
G (s) = (8.388)
s (s + 1)
8.
1
G (s) = (8.389)
s (1 + 0.5s) 1 + s + 0.5s2
9.
(s + 1)2
G (s) = (8.390)
s4
10.
K(s + 1)
G(s) = (8.391)
s2 (s + 4)
11.
K(s − 1)
G(s) = (8.392)
s2 + 2s + 2 s2 + 2s + 5
8.12.10 Exercı́cio: Ajuste de ganho

Ajustar K de modo que os sistemas, quando operados em malha fechada com
realimentação unitária, apresentem sobressinal de aproximadamente 16.3%
para entrada degrau, quando operado em malha fechada com ganho unitá-
rio:
1.
K (s + 4)
G (s) = (8.393)
s (s + 2) (s + 5) s2 + 1.2s + 64.36
2.
K s2 + 4s + 5
G (s) = (8.394)
s2 + 1 (s + 4) (s + 6)
8.12.11 Exercı́cio:
Observe a figura 8.62. Verificar se é possı́vel ajustar o valor de B, de modo
que o os ramos do LGR cruzem o eixo imaginário em ±j3
8.12.12 Exercı́cio: Controle de um Levitador Magnético

Considere o sistema de levitação magnética, esquematizado na figura 8.63. As
equações que descrevem o seu comportamento dinâmico são:
di
L + Ri = v (8.395)
dt
d2 y i2
m 2 = mg − K (8.396)
dt y
Figura 8.62: Ajuste da posição de um polo de malha aberta de modo que os

ramos do LGR passem por pontos predefinidos.
Assumir que R = 1Ω, L = 10 mH, m = 0.1 kg, g = 10 ms2 , K = 1 N m/A2 e

α = 1. Linearizar o sistema em torno de y = y0 = 5 cm e obter uma lei de
controle v em função de z, de modo que, para pequenas perturbações do tipo
degrau, MP < 16.3%.
Figura 8.63: Um sistema que permite levitar uma esfera ferromagnética em

uma altura ajustável.
8.12.13 Exercı́cio: Controlador para sistema com atraso

Considere um sistema industrial tı́pico, descrito pela função de transferência
e−s
GP (s) = (8.397)
10s + 1
Projetar um controlador GC (s) tipo PI , juntamente com um preditor de

Smith, de modo que o sistema apresente 16.3% de sobressinal e um tempo de
pico de 5s.
8.12.14 Exercı́cio: Projeto de compensadores

O diagrama de blocos em 8.64 aplica-se a todos os itens deste exercı́cio. Pro-
por compensadores GC (s) para os vários processos GP (s) de modo que as
especificações de desempenho sejam atendidas: Kv ≥ 15, e (∞) = 0 se r (t) é
do tipo degrau, Mp ≤ 20%, tr ≤ 0.5s e ts(5%) ≤ 1.2s
Figura 8.64: Um diagrama de blocos tı́picos envolvendo um controlador cas-

cata.
1.
s+1
GP (s) = (8.398)
(s + 0.1) (s + 10)
2.
9
GP (s) = (8.399)
s2 + 0.6s + 9
3.
1
GP (s) = (8.400)
s (s + 1)
4.
1
GP (s) = (8.401)
s (s − 1)
5.
10
GP (s) = (8.402)
s2 + s + 1 (s + 10)
6.
10
GP (s) = (8.403)
(s + 1) (s + 10)
8.12.15 Exercı́cio: Expressão fechada para compensador avançador de

fase
Sabe-se que uma função de transferência G (s) é tal que para uma certa
frequência angular dada ωc , tem-se

G (jωc ) = M (8.404)
e
∡G (jωc ) = ψ (8.405)
Assumindo que é fornecido um valor η > 0, obter expressões para a0 , a1 , b0 e
b1 , de modo que o compensador avançador de fase
a1 s + a0
GC (s) = (8.406)
b1 s + b0
seja tal que, em ωc , o sistema compensado apresente a margem de fase (MF)
de η, ou seja,
GC (jωc ) G (jωc ) = 1 (8.407)
e
∡GC (jωc ) G (jωc ) = η − 180o (8.408)
Observação: Uma possı́vel resposta é:
√
α
a0 = (8.409)
M
a0 b1
a1 = (8.410)
α
b0 = 1 (8.411)
√
α
b1 = (8.412)
ωc
em que
1 − sin φ
α = (8.413)
1 + sin φ
φ = η − ψ − 180o (8.414)
9
Métodos no Domı́nio do Tempo
“Simple solutions require the most advanced thinking.”

– Richie Norton
Este capı́tulo apresenta alguns enfoques primordialmente baseados no domı́nio

do tempo e que são muito utilizados na prática.
Com o intuito de preservar a simplicidade, a maior parte deste capı́tulo assume
modelos SISO (single input single output), embora vários resultados possam
ser estendidos a sistemas multivariáveis (MIMO).
Os casos em que não há maiores dificuldades em tratar de modelos MIMO
são facilmente reconhecidos ao longo do texto pela utilização de sı́mbolos em
negrito y e u para representar, respectivamente, o vetor de saı́da e o vetor de
entrada.
Os problemas multivariáveis são tratados em excelentes textos como (SKO-
GESTAD; POSTLETHWAITHE, 1996), (MICHEL, 1996), (KAILATH, 1980),
(HESPANHA, 2009) e (ZHOU; DOYLE; GLOVER, 1995), entre outras obras.
9.1 Realimentação de estado

Uma propriedade muito importante de modelos lineares controláveis é que os
polos podem ser alocados em posições arbitrárias escolhidas pelo projetista,
através do emprego de uma lei de controle do tipo realimentação de estados
u (t) = −Kx (t) + v (t) (9.1)
em que K é uma matriz constante e v (t) é a nova entrada.
311
Um método que permite a determinação imediata de K para o caso em que

B é uma matriz n × 1 consiste em realizar, inicialmente, uma transformação
linear (ou transformação similar).
Seja o modelo genérico no espaço de estados
ẋ = Ax + Bu (9.2)
y = Cx (9.3)
assumido ser controlável e tome-se uma matriz P não singular.

O mapeamento P : Rn → Rn dado por
Px (t) = z (t) (9.4)
ou
x (t) = P−1 z (t) (9.5)
representa uma transformação linear.
Notando que
ẋ = P−1 ż (9.6)
tem-se que
P−1 ż = AP−1 z + Bu (9.7)

−1
y = CP z (9.8)
A transformação linear P corresponde a uma mudança de base. Nesta nova

base, o modelo assume a forma
A B
z }| { z}|{
−1
ż = PAP z+ PB u (9.9)
C
z }| {
y = CP−1 z (9.10)
A mudança de base altera a representação, mas as caracterı́sticas dinâmicas

são preservadas.
De fato, a função de transferência continua inalterada
−1
G (s) = C sI − A B (9.11)
−1
= CP−1 sI − PAP−1 PB (9.12)
= C (sI − A) B (9.13)
Métodos no Domı́nio do Tempo 313
Se a representação é completamente controlável, sabe-se que a matriz

h i
U= B AB · · · An−1 B
é não singular e, portanto, inversı́vel (no caso de sistemas com várias entradas
a matriz U teria mais do que n colunas e o método necessitaria ser estendido).
Denote por p a última linha de U−1 e observe que
I = U−1 U (9.14)
 
.. h i
=  .  B AB · · · An−1 B (9.15)
p
 
.. .. ..
=  . . ··· .  (9.16)
pB pAB · · · pAn−1 B
Como a última linha da matriz I é [ 0 . . . 0 1 ], tem-se que
pB = 0 (9.17)
pAB = 0 (9.18)
..
. (9.19)
n−1
pA B = 1 (9.20)
Monta-se, agora, a matriz P, conforme o arranjo

 
p
 
 pA 
P= (9.21)
 
.. 

 . 

pAn−1
O posto da matriz P é n, pois

 
0 0 ··· 0 1
0 0 ··· 1 ∗ 
 

.. .. .. .. 
 
PU =  (9.22)

 . . . . 

 0 1 ··· ∗ ∗  
1 ∗ ··· ∗ ∗
e P pode ser utilizado para realizar uma transformação similar
A = PAP−1 (9.23)
ou, escrita de outra forma,

AP = PA (9.24)
Substituindo-se P, obtém-se
   
p pA
pA2
   
 pA   
A =  (9.25)
   
..  .. 

 . 


 . 

pAn−1 pAn
e, portanto, conclui-se que a estrutura de A é

 
0 1 0 ··· 0
···
 
 0 0 1 0 
.. .. .. ..
 
A=
 .. 
(9.26)
 . . . . . 


 0 0 0 ··· 1 

−an −an−1 −an−2 · · · −a1
A forma particular de A, é conhecida como de “matriz companheira”.

Da última linha da expressão AP = PA, tem-se
−an p − an−1 pA − · · · − a1 pAn−1 = pAn (9.27)

p −an I − an−1 A − · · · − a1 An−1 = pAn (9.28)
An + a1 An−1 + · · · + an−1 A + an I = 0 (9.29)
e permite constatar que os termos −ai de A são os coeficientes do polinômio
caracterı́stico ∆(λ) = det(λI − A), com os sinais trocados.
A matriz B também possui uma estrutura simples, pois
   
p 0
 .. 
   
 pA 
 . 
B = PB =  B =  (9.30)
 
.. 

 . 

 0 
 
pAn−1 1
Determinação do ganho de realimentação

Utilizando-se a realimentação de estado u = −Kz + v na representação A e
B, tem-se que
ż = Az + Bu (9.31)
h i
= Az + B −Kz + v (9.32)

= A − BK z + Bv (9.33)
e focando a atenção para o termo (A − BK)

   
0 1 ··· 0 0
.. .. .. ..  ..  h
   
.
  i
A − BK =

 . . . −
  . 
 kn · · · k1

 0 0 ··· 1   0 
  
−an −an−1 · · · −a1 1
(9.34)
verifica-se que K está presente apenas na última linha da matriz companheira

 
0 1 ··· 0
.. .. .. ..
 
.
 
A − BK = 
 . . . 
 (9.35)

 0 0 ··· 1 

−an − k n −an−1 − k n−1 · · · −a1 − k 1
Supondo que são fornecidos pelo projetista os polos desejados {λ1 , ..., λn }, a
tarefa agora é obter K tal que o polinômio caracterı́stico de A − BK seja
∆D (s) = (s − λ1 ) ... (s − λn ) (9.36)

n n−1
= s + α1 s + · · · + αn−1 s + αn (9.37)
Agrupando os termos de mesma potência em s, obtém-se o sistema
αn = an + k n (9.38)
..
. (9.39)
α1 = a1 + k 1 (9.40)
Uma vez que K tenha sido encontrada, a versão não transformada pode ser
obtida imediatamente, notando que
u (t) = −Kz (t) + v (t) (9.41)

K
z }| {
= − KP x (t) + v (t) (9.42)
Exemplo de realimentação do estado

Considere o modelo do motor DC apresentado anteriormente, para o qual
se deseja determinar o ganho de realimentação de estado, de modo que o
sobressinal seja de 16.3 % e o tempo de pico de 0.9 s para uma entrada tipo
degrau.
As especificações correspondem a ξ = 0.5 e ωn = 4 e o polinômio caracterı́stico

desejado é
∆D (λ) = λ2 + 2ξωn λ + ωn2
= λ2 + 4λ + 16 (9.43)
O modelo do motor DC já está na forma canônica companheira controlável,
" # " #
0 1 0
A= ; B= (9.44)
−2 −3 1
h i
Denotando-se a matriz de ganhos de realimentação por K = k2 k1 , a
expressão A − BK é da forma
" #
0 1
A − BK = (9.45)
−2 − k2 −3 − k1
O polinômio caracterı́stico de A − BK é
∆ (λ) = λ2 + (3 + k1 ) λ + (2 − k2 ) (9.46)
Portanto, o sistema a ser resolvido é
16 = 2 + k2 (9.47)
4 = 3 + k1 (9.48)
que possui a solução k1 = 1 e k2 = 14.
Exemplo, sem controlabilidade completa

Quando a controlabilidade não é completa, alguns dos autovalores podem não
ser alocáveis.
Considere as mesmas especificações do exemplo anterior, ou seja o sobressinal
de 16.3 % e o tempo de pico de 0.9 s para uma entrada tipo degrau, mas desta
vez utilizando um modelo não (completamente) controlável.
   
0 0 −6 3
A =  1 0 −11  ; B =  1  (9.49)
   
0 1 −6 0
Os autovalores dominantes devem corresponder a ξ = 0.5 e ωn = 4 e o terceiro
autovalor −p deve estar distante em relação àqueles dominantes.

∆D (λ) = (λ + p) λ2 + 4λ + 16 (9.50)
= λ3 + (p + 4) λ2 + (4p + 16) λ + 16p (9.51)
h i
Sob a lei u = −Kx + v com K = k3 k2 k1 , tem-se a nova matriz de
sistema
   
0 0 −6 3 h i
A − BK =  1 0 −11  −  1  k3 k2 k1 (9.52)
   
0 1 −6 0
 
−3k3 −3k2 −3k1 − 6
=  1 − k3 −k2 −k1 − 11  (9.53)
 
0 1 −6
cujo polinômio caracterı́stico é
∆ (λ) = λ3 + (k2 + 3k3 + 6)λ2 + (k1 + 9k2 + 18k3 + 11)λ + (3k1 + 18k2 + 27k3 + 6)
(9.54)
Igualando-se os coeficientes de ∆(λ) e ∆D (λ), obtém-se o sistema de equações
k2 + 3k3 + 6 = p + 4 (9.55)
k1 + 9k2 + 18k3 + 11 = 4p + 16 (9.56)
3k1 + 18k2 + 27k3 + 6 = 16p (9.57)
ou, na forma matricial,

    
3 1 0 k3 p−2
 18 9 1   k2  =  4p + 5  (9.58)
    
27 18 3 k1 16p − 6
| {z }
M
O posto de M é 2, de modo que não é possı́vel obter a solução para p qualquer.
De fato, eliminando-se a dependência linear usando k2 + 3k3 + 6 = p + 4,

obtém-se
k1 − 9k3 = 23 − 5p (9.59)
3k1 − 27k3 = 30 − 2p (9.60)
Se p ̸= 3, não há solução, significando que o polo −3 não pode ser deslocado,
ou seja, o modo associado não é controlável.
Uma hsolução possı́vel
i é p = 3 e k3 = 0, k2 = 1 e k1 = 8, o que fornece
K= 0 1 8 .
Inserção de integrador na malha
A inserção de um integrador na malha tem o propósito de fazer y(t) − r(t)

tender a 0 para t → ∞ no problema de regulação, ou, em outras palavras,
e(∞) = 0 ( e(t) ∈ R, t fixo).
Figura 9.1: Inserção de integrador na malha de controle
A ideia é aumentar o estado através da inserção de um componente extra

xI ∈ R que é a integral do erro e(t) = r(t) − y(t), de modo que se obtém
ẋP = AxP + Bu (9.61)

Z t
xI = [r(τ ) − y(τ )] dτ (9.62)
0
y = CxP (9.63)
ou, tomando-se a derivada de xI e substituindo-se a expressão de y(t),
ẋI = e (9.64)
= r−y (9.65)
= r − CxP (9.66)
Denotando-se por xa o estado aumentado

" #
xP
xa = (9.67)
xI
e assumindo-se uma lei de controle do tipo realimentação de estados (aumen-

tado)
" #
h i xP
u=− KP kI (9.68)
xI
resulta que
" #
ẋP
ẋa = (9.69)
ẋI
" #" # " # " #
A 0 xP B 0
= + u+ (r − CxP ) (9.70)
0 0 xI 0 1
" #" # " #
A − BKP −BkI xP 0
= + r (9.71)
−C 0 xI 1
| {z }| {z } | {z }
Aa xa Ba
e os autovalores de Aa podem ser ajustados mediante manipulação de KP e

de kI .
9.2 Observador de estados

A implementação da lei de controle u = −Kx + v requer a medida de todos
os componentes do estado x, através de vários sensores e transdutores que
significam custo, peso, volume e taxa de falhas, entre outros fatores.
Quando a representação (A, C) é observável, pode-se utilizar as saı́das y para
obter uma estimativa x b de x e implementar a lei de controle.
u = −Kx
b+v (9.72)
Um observador, observador de Luenberger, estimador de estados ou reconstru-

tor de estados é um mecanismo usado b (t) ≈ x a partir de registros
para obter x

da entrada e da saı́da u (t) , y (t) .
Seja um modelo completamente observável da forma
ẋ = Ax + Bu ; x(t0 ) = x0 (9.73)
y = Cx (9.74)
Uma proposta é combinar as informações do modelo e das medidas.

M odelo M edidas
z }| { z }| {
x b + Bu + L (y − y
ḃ = Ax b) ;x
b (t0 ) = 0 (9.75)
b = Cx
y b (9.76)
Na ausência de estimativas iniciais, é usual adotar x

b (t0 ) = 0.
Subtraindo-se a equação de x̂ de x, obtém-se que
ẋ − x
ḃ = A (x − x
b ) − LC (x − x
b) (9.77)
Definindo-se o erro de estimaçâo como
e =x−x
x b (9.78)
constata-se que a sua dinâmica é da forma
e − LCx
ė = Ax
x e (9.79)
= (A − LC) x
e (9.80)
Se os autovalores da matriz (A − LC) tiverem a parte real negativa, x

e (t) → 0
à medida que t ↑ ∞ e, portanto, em regime permanente,
x (t) ≃ x
b (t) (9.81)
9.3 Observadores de ordem reduzida

Quando alguns dos componentes do estado são medidos diretamente, pode-se
utilizar um estimador de ordem reduzida.
Ou seja, necessita-se estimar apenas aqueles componentes não medidos de x.
Considere um modelo em que xm são os componentes medidos que estão in-
corporados no vetor da saı́da y e sejam xd os componentes desconhecidos
" # " #" # " #
d xm Am C xm Bm
= + u (9.82)
dt xd A21 Ad xd Bd
" #
h i xm
y = I 0 (9.83)
xd
Explicitando a expressão de xm , tem-se que
ẋm = Am xm + Cxd + Bm u (9.84)
Notando que
ẋm = ẏ (9.85)
tem-se que
ẏ = Am y + Cxd + Bm u (9.86)
Introduzindo a notação
y = ẏ − Am y − Bm u (9.87)
obtém-se a expressão
y = Cxd (9.88)
Por outro lado, explicitando a expressão de xd , tem-se que
ẋd = A21 xm + Ad xd + Bd u (9.89)
Definindo-se
u = A21 xm + Bd u (9.90)
resulta que
ẋd = Ad xd + u (9.91)
Juntando-se os resultados obtidos, tem-se que
ẋd = Ad xd + u (9.92)
y = Cxd (9.93)
que está na forma vista anteriormente para um observador de ordem completa

e, portanto, o observador para x b d usando ( u, y ) é da forma
b d + u + L ( y − Cx
ḃ d = Ad x
x bd ) (9.94)
9.4 Filtro de Kalman: tempo contı́nuo

Aqui, o filtro de Kalman é tratado como um filtro quadrático, ou um caso
especial do observador de Luenberger em que o ganho é escolhido de modo a
minimizar a covariança do erro de estimação.
Um tratamento rigoroso do filtro de Kalman de tempo contı́nuo requer ferra-
mentas matemáticas sofisticadas para caracterizar o ruı́do branco e, portanto,
a apresentação neste livro busca apenas fornecer uma noção heurı́stica.
Considere um modelo em que a equação de estado é perturbado por um pro-
cesso estocástico w(t) e a saı́da é afetada por um ruı́do v(t)
ẋ = Ax + Bu + Fw (9.95)
y = Cx + v (9.96)
em que w(t) e v(t) possuem distribuição normal, w(t) ⊥ v(s) , ∀ t, s e
E[ w(s)wT (t) ] = Q δ(t − s) Q>0 (9.97)

T
E[ v(s)v (t) ] = R δ(t − s) R>0 (9.98)
Retoma-se a expressão do observador de estados
b + Bu + L (y − y
ḃ = Ax
x b) (9.99)
b = Cx
y b (9.100)
O erro de estimação x
e é dado por
e =x−x
x b (9.101)
Busca-se, agora, a expressão para L(t) que minimiza
P(t) = E[x e (t)T ]
e (t)x (9.102)
que é a covariança do erro de estimação (intuitivamente, o quanto o “estado
estimado” está “disperso” ao redor do “estado real”).
Subtraindo a equação do estado estimado da equação de estado original 9.95,
obtém-se que
ė = (A − LC) x
x e + Fw − Lv (9.103)
Para estudar como varia P com o tempo, determina-se
d
Ṗ = E[x e (t)T ]
e (t)x (9.104)
dt
= AP + PAT − LCP − PCT LT + FQFT + LRLT (9.105)
Note que
(LR − PCT )R−1 (LR − PCT )T = LRLT − LCP − PCT LT + PCT R−1 CP
(9.106)
T −1
mas falta o termo PC R CP na expressão 9.105.
Somando e subtraindo o termo PCT R−1 CP, obtém-se que
Ṗ = AP + PAT + FQFT + LRLT − LCP − PCT LT (9.107)
T T T T −1
= AP + PA + FQF + LRL − PC R CP (9.108)
T −1 T T
+(LR − PC )R (LR − PC ) (9.109)
O termo quadrático (LR − PCT )R−1 (LR − PCT )T tenderia a fazer os ele-
mentos de P (em particular os da diagonal) crescerem, e, portanto, escolhe-se
L que o anula, ou seja,
L = PCT R−1 (9.110)
que é uma expressão semelhante àquela do problema LQR.
Nesse caso, a matriz de covariança do erro de estimação é dada por
Ṗ = AP + PAT + FQFT + LRLT − PCT R−1 CP (9.111)
T
P(0) = E[x(0)x(0) ] (9.112)
que é a equação de Riccati vista anteriormente.
De fato, o problema otimização (LQR) e o de filtragem (Filtro de Kalman)
são duais em um certo sentido, mas cuja análise foge ao escopo deste texto.
9.5 Observador de Perturbações

Seja D(s) uma perturbação aditiva na entrada do processo G(s), de fase mı́-
nima, cuja saı́da Y (s) e a entrada é V (s)
Y (s) = G(s)[V (s) + D(s)]
Se fosse possı́vel dispor de G−1 (s), então
poder-se-ia escrever
G−1 (s)Y (s) = V (s) + D(s)
e, portanto, a estimativa da perturbação se-
ria dada por
D(s) = G−1 (s)Y (s) − V (s)
Porém, se G(s) for estritamente própria (ou Figura 9.2: Estrutura básica
seja, grau do denominador > grau numera- de um observador de perturba-
dor), G−1 (s) não será própria. ções.
Para contornar esse problema, projeta-se um filtro Q(s) tal que Q(s)G−1 (s)
seja própria e incorpora-se esta na estrutura como esquematizado na figura
9.3, já incluindo o ruı́do de medida N (s)
Figura 9.3: Um método para atenuação do efeito de perturbações.
= Q(s)G−1 (s) Y (s) + N (s) − Q(s)V (s)

D(s)
b
Se |Q(jω)| ≈ 1 na faixa da frequência de interesse para a malha de controle,

tem-se que D(jω)
b ≈ D(jω).
Exemplo de aplicação
Considere o processo modelado pela função de transferência
1
G(s) =
s2 +s+1
5 0.05
Assuma que as entradas são U (s) = s (degrau) e D(s) = s2 +0.052
(sinal
senoidal).
Escolhendo-se
1
Q(s) =
(s + 1)2
obtém-se a resposta vista na figura 9.4, em que a perturbação é significativa-
mente atenuada.
Figura 9.4: Exemplo ilustrativo do efeito de um observador de perturbações.

Linhas azul e vermelha, respectivamente, sem e com o observador
9.6 Observadores de estado: tempo discreto

O observador de estado para modelos de tempo discreto é semelhante ao do
caso contı́nuo.
Dado um modelo
x[k + 1] = Ax[k]Bu[k] (9.113)

y[k] = Cx[k] (9.114)
propõe-se o observador de estados

b [k] + Bu[k] + L y[k] − y
b [k + 1] = Ax
x b [k] (9.115)
b k = Cx
y bk (9.116)
e [k] = x[k] − x
O erro de estimação é definido por x b [k].
Subtraindo-se as expressões de x[k + 1] e x

b [k + 1], obtém-se que
e [k + 1] = (A − LC) x
x e [k] (9.117)
exb [k] → x[k] se os autovalores λi de A − LC tiverem norma ∥λi ∥ < 1, ∀i =

1, . . . , n.
9.7 Filtro de Kalman: tempo discreto

Analogamente ao filtro de Kalman de tempo contı́nuo, trata-se de um ob-
servador de estados em que o ganho é ajustado de modo que se minimize a
covariança do erro de estimação.
Considere o modelo
x[k + 1] = Ax[k] + (Bu[k]) + Fw[k] (9.118)

y[k] = Cx[k] + v[k] (9.119)
em que w[k] ∼ N (0, Q) i.i.d., v[k] ∼ N (0, R) i.i.d e v[i]⊥w[j] ∀ i, j.

Observação: Variáveis aleatórias w[k] i.i.d. são aquelas independentes e igual-
mente distribuı́das.
O termo Bu[k] pode ser acrescentado posteriormente, uma vez que o sistema
é linear e, portanto, será omitido na presente apresentação.
Assume-se que o modelo é disponı́vel (ou seja, A, B, F, C, Q e R são dados)
e que são fornecidas medidas Yk = {y[0], y[1], ..., y[k]}.
Adota-se, ainda, a notação
b [k|i] = E[x[k] | Yi ]
x (9.120)
e [k | i] = x[k] − x
x b [k | i] (9.121)
T
e [k | i] x
P[k|i] = E[x e [k | i] ] (9.122)
em que E[x[k] | Yi ] é a esperança condicional de x[k] dado Yi .

A matriz P[k|i] é simétrica positivo definida, uma vez que é matriz de covari-
ança.
Aplicando-se o operador E[. | Yk−1 ] na equação de estados, tem-se que

E x[k] | Yk−1 = E Ax[k − 1] + Fw[k − 1] | Yk−1 (9.123)
= AE[ x[k − 1] | Yk−1 ] (9.124)
ou
b [k|k − 1] = Ax
x b [k − 1|k − 1]
Agora, no instante k, deseja-se obter x b [k|k − 1] e da nova

b [k|k] a partir de x
medida y[k].
Lembrando da estrutura do observador de estados, seja
 
b [k|k − 1] + L  y[k] − Cx
b [k|k] = x
x b [k|k − 1] 
 
| {z }
z
O termo z é chamado, na literatura, de inovação, já que representa a diferença

entre o que foi medido y[k] e o que se esperava medir (Cx b [k|k − 1]).
O erro de estimação no instante k é dado por
e [k, k] = x[k] − x
x b [k, k] (9.125)

= x[k] − x
b [k|k − 1] − L y[k] − Cx
b [k|k − 1] (9.126)

= x[k] − x
b [k|k − 1] − L Cx[k] + v[k] − Cx
b [k|k − 1] (9.127)

= (I − LC) x[k] − x
b [k|k − 1] − Lv[k] (9.128)
= (I − LC) x
e [k|k − 1] − Lv[k] (9.129)
Portanto, a matriz de covariança do erro de estimação é dada por
P[k|k] = E[x
e [k|k] x
e [k|k]]
= (I − LC) E[x e [k|k − 1]] (I − LC)T + LRLT
e [k|k − 1] x
= (I − LC) P[k|k − 1] (I − LC)T + LRLT (9.130)
T T
= P[k|k − 1] − LCP[k|k − 1] − P[k|k − 1]C L +

+L CP[k|k − 1]CT + R LT
Deseja-se que o erro de estimação possua “dispersão” pequena, ou seja, que os

elementos de P[k|k] sejam pequenos.
Uma condição necessária para o ponto de mı́nimo é
d
P[k|k] = 0
dL
em que dP/dL é utilizado sem um formalismo rigoroso.
A expressão de P[k|k] é uma quadrática em L, de modo que
d
P[k|k] = −2P[k|k − 1]CT + 2L CP[k|k − 1]CT + R = 0
dL
levando à expressão do ganho L
−1
L = P[k|k − 1]CT CP[k|k − 1]CT + R
Substituindo o L escolhido na expressão de P[k|k], tem-se após cancelamento

de vários termos que
P[k|k] = P[k|k − 1] − LCP[k|k − 1] (9.131)

= (I − LC) P[k|k − 1] (9.132)

Para colocar P[k|k] em função de P[k − 1|k − 1] , note que
P[k|k − 1] = E[x e [k, k − 1]T ]

e [k, k − 1] x (9.133)
T
= E[ x[k] − x
b [k|k − 1] x[k] − x
b [k|k − 1] ] (9.134)
Adote-se a expressão auxiliar

∆
M = Ax[k − 1] + Fw[k − 1] − x
b [k|k − 1] (9.135)
P[k|k − 1] = E[MMT ] (9.136)

T
e [k − 1] + Fw[k − 1]
= E[ Ax e [k − 1] + Fx[k − 1]
Ax ]
T T
= AP[k − 1|k − 1]A + FQF (9.137)
Juntando as partes, tem-se o filtro de Kalman, usualmente descrito em duas

fases: propagação e atualização.
Fase de propagação: Dado x[k − 1|k − 1] e P[k − 1|k − 1] determinar x[k|k − 1]
e P[k|k − 1] :
b [k|k − 1] = Ax
x b [k − 1|k − 1] (9.138)
T T
P[k|k − 1] = AP[k − 1|k − 1]A + FQF (9.139)
−1
L = P[k|k − 1]CT CP[k|k − 1]CT + R (9.140)
Fase de atualização: Tendo-se realizado uma nova medida y[k], faz-se a atua-
lização

x[k|k] = x[k|k − 1] + L y[k] − Cx[k|k − 1] (9.141)
P[k|k] = (I − LC) P[k|k − 1] (9.142)
Observação: Note que (I − LC) P[k|k − 1] pode deixar de ser simétrica e de

ser positivo definida, devido a erros numéricos. Para evitar esse problema,
pode-se utilizar a expressão 9.130
P[k|k] = (I − LC) P[k|k − 1] (I − LC)T + LRLT
conhecida como fórmula de Joseph.

Exemplo
Considere o modelo discretizado dado por
" # " # " #
0.9951 0.0485 0.0049 0.01023 h i
A= B= F= C= 1 0
−0.1938 0.9370 0.1938 0.00871
(9.143)
1. O modelo é observável e o filtro de Kalman pode ser utilizado.
2. Os ruı́dos são N (0, I) independentes e identicamente distribuı́dos (i.i.d.)

e tais que w ⊥ v.
A figura 9.5 apresenta o resultado da utilização do filtro de Kalman que produz

uma estimativa y b muito próximo ao y sem o efeito do ruı́do (linha púrpura).
Figura 9.5: Exemplo de estimação de estados usando filtro de Kalman. Gráfico

Superior: Linha azul é o sinal de saı́da com ruı́do aditivo. Gráfico Inferior
Linha azul é o sinal de saı́da após a subtração do ruı́do estimado.
O observador de Luenberger permite obter uma estimativa x

b de x, evitando
a necessidade de adquirir pelo menos tantos sensores quanto o número de
componentes do vetor estado. O filtro de Kalman é um caso especial do
observador de Luenberger em que se minimiza a covariança do erro de es-
timação. Quando alguns componentes do estado são medidos, basta que se
estimem os demais através de observador de ordem reduzida.
9.8 Regulador linear quadrático (LQR)

Uma lei de controle do tipo realimentação de estados muito usado na prática
é o regulador linear quadrático (linear-quadratic regulator - LQR).
Trata-se de um regulador para sistemas lineares em que o desempenho é ava-
liado por uma função de custo quadrático.
Nesse livro, o LQR é tratado através de um método de solução de problemas
de controle ótimo.
O resultado é surpreendente, no sentido de que a lei de controle obtida é do
tipo realimentação de estado e que a malha fechada apresenta excelente con-
dição de robustez.
Considere um processo descrito pela equação de estado
ẋ = Ax + Bu (9.144)
admitido ser controlável.

A função custo é quadrática e possui uma interpretação fı́sica intuitiva.
Se, por exemplo, a componente do sinal de controle ui (t) for uma tensão
V (t), então V 2 (t) é proporcional à potência e a sua integral representa energia
dispendida.
( Z tf h )
1 T T T
i
J[u (.) , x (.)] = x(tf ) Sx(tf ) + x(τ ) Qx(τ ) + u(τ ) Ru(τ ) dτ
2 t0
(9.145)
A função de custo J em 9.145 busca estabelecer um compromisso entre tolerar
x afastado de 0 ou dispender u.
O termo x(tf )T Sx(tf ) é o custo final (ou terminal) que representa uma pena-
lidade por x(tf ) não estar em 0 no instante final tf .
As matrizes S e Q devem ser semidefinidas positivas e R deve ser positivo
definida.
O problema de controle ótimo denominado de regulador linear quadrático
(LQR) a ser tratado consiste, portanto, em buscar uma função de controle
u(t) que minimize o funcional de custo quadrático
min J[u (.) , x (.)] (9.146)

u(.),x(.)
sujeito à restrições impostas pela dinâmica linear do sistema:
ẋ = Ax + Bu ; x(t0 ) = x0 (9.147)
Doravante, por abuso de notação, J[u (.) , x (.)] será referido como J[u] e o
controle otimizante será denotado u∗ , ou seja, J[u∗ ] = minJ[u].
u
O problema LQR proposto será resolvido utilizando o método da programação
dinâmica, proposto por (BELLMAN, 1957), embora existam outras alternati-
vas.
Aplicando-se o princı́pio da otimalidade de Belman, conforme detalhado no
Apêndice A, a lei de controle ótimo deve satisfazer a equação de Hamilton-
Jacobi-Bellman, dada por
1

T T
−Vt (t, x) = min x Qx + u Ru + VxT (t, x) [Ax + Bu] (9.148)
u 2
1 T
V (tf , x) = x Sx (9.149)
2
em que V (t, x) é a solução desta equação diferencial parcial.
O valor V (0, x0 ) é o custo ótimo a ser atingido por u∗ (t).
Inspirado na condição terminal 9.149, assume-se a mesma forma de expressão
para um t genérico V (t, x) e verifica-se, a posteriori, se a solução obtida satis-
faz, de fato, a equação 9.148.
Assumindo, portanto, que
1
V (t, x) = xT Px (9.150)
2
segue que
VxT = xT P(Ax + Bu)
e, portanto,
∂V ∂V
Vt = + (Ax + Bu) (9.151)
∂t ∂x
1 T
h i 1
= ẋ Px + xT Pẋ + xT Ṗx − xT P(Ax + Bu) (9.152)
2 2
Substituindo-se Vx e Vt na equação de Hamilton-Jacobi-Bellman, tem-se que
1h T i 1
0= ẋ Px + xT Pẋ + xT Ṗx − xT PAx − xT PBu + (9.153)
2 2
1 T

T T T
min x Qx + u Ru + x PAx + x PBu (9.154)
u 2
Uma condição necessária para o ponto de mı́nimo, sem restrições, é que a
derivada em relação à variável de interesse, da função objetivo, se anule, ou
seja, no caso,
∂ 1 T

x Qx + uT Ru + xT PAx + xT PBu =0 (9.155)
∂u 2 u=u∗
ou
u∗ = −R−1 BT Px (9.156)
já que R é positivo definida.
Substituindo u∗ em 9.154 e considerando que u∗ é ótimo, obtém-se, após
simplificação, que
h i
xT Ṗ + AT P + PAT − PBR−1 BT P + Q x = 0 (9.157)
para x genérico, ou seja, P deve satisfazer a equação de Riccati
−Ṗ = AT P + PAT − PBR−1 BT P + Q (9.158)

P(tf ) = S (9.159)
com a condição terminal obtida por inspeção de 9.149.

A expressão 9.158 é conhecida como a equação diferencial de Riccati.
Constata-se que solução do problema LQR é do tipo realimentação de estados
u(t) = −K(t)x(t) (9.160)
em que o ganho de realimentação é dado por
K(t) = R−1 BT P(t) (9.161)
e P(t) satisfaz a equação de Riccati 9.158.

Se o par (A, B) for controlável e as matrizes Q e R satisfazem as condições de
positividade, então a equação diferencial de Riccati possui uma solução única
P(t) e o valor de regime P e solução de
AT P + PAT − PBR−1 BT P + Q = 0 (9.162)
Uma questão relevante é a escolha das matrizes Q e R.

Uma regra muito utilizada para ajustar os elementos dessas matrizes é a que
foi proposta por Bryson (BRYSON; HO, 1975).
No caso, as matrizes Q e R são consideradas diagonais e tais que
1
Qii = (9.163)
xmax
i
1
Rjj = (9.164)
umax
j
em que ximax e umax j são os maiores valores admissı́veis (tolerados, estimados)

de |xi (t)| e |uj |, t ≥ 0, respectivamente.
9.9 Margens de ganho e fase do controlador LQR

Neste livro é tratado apenas o caso de modelos SISO, embora existam extensões
do conceito de margens de ganho e de fase para sistemas multivariáveis.
A obtenção das expressões para as margens de ganho e de fase requer alguns
resultados auxiliares que estão apresentados a seguir.
Identidade de Kalman
A identidade de Kalman, também chamada de return difference equality, é útil
para apresentar algumas propriedades importantes do controlador LQR.
Considere um processo SISO-LTI descrito por
ẋ = Ax + Bu (9.165)
y = Cx (9.166)
cuja função de transferência é

Y (s)
GP (s) = = C (sI − A)−1 B (9.167)
U (s)
O processo será controlado em malha fechada por uma lei do tipo realimenta-
ção de estado
u = −Kx + v (9.168)
em que K é projetado usando a técnica LQR.
O ı́ndice de desempenho adotado é da forma
Z ∞ h i
J[x, u] = xT (t)CT Cx(t) + ρu2 (t) dt ; ρ > 0 (9.169)
0
e, para esse problema, sabe-se que o ganho de realimentação que minimiza

9.169 é dado por
K = ρ−1 BT P (9.170a)
em que P satisfaz a equação de Riccati
AT P + PA − ρ−1 PBBT P + CT C = 0 (9.171)
Defina-se, agora, o ganho de malha
GL (s) = K (sI − A)−1 B (9.172)
Conforme a figura 9.6, as funções de transferência GP (s) e GL (s) representam,

respectivamente, o processo em malha aberta e o ganho da malha.
Figura 9.6: Diagrama de blocos apresentando as matrizes de transferência

GL (s) e GP (s).
Nessas condições, pode-se mostrar (vide, por exemplo, (CRUZ, 1996)) que
∗
1 + GL (s) = ρ + GP (s)∗ GP (s)

ρ 1 + GL (s) (9.173)
que é conhecida como a identidade de Kalman (9.173), e, portanto,
1 + GL (jω)2
1 2
= 1+ GP (jω) (9.174)
ρ
≥ 1 (9.175)
A expressão

em 9.175 significa

que o vetor
diferença GL (jω) − (−1) (distância entre
GL (jω) e o ponto crı́tico −1) possui módulo
maior ou igual a 1, conforme visualizado gra-
ficamente na figura 9.7.
Portanto, o ganho de GL (s) pode variar de
0.5 a ∞, sem que a curva de Nyquist enlace
o ponto crı́tico (−1).
O atraso de fase pode ser de até 60o , como Figura 9.7: Justificativa para
ilustrado na figura 9.7. a margem de ganho [ 12 , ∞) e
o o
Em outras palavras, a lei de controle obtida de fase de (−60 , 60 ) para um
utilizando o método LQR apresenta, no caso projeto LQR.
SISO, uma margem de ganho de [0.5, ∞) e
de fase 600 .
Observação:
Quando se utiliza o estado estimado xb no lugar de x para implementar a lei
de controle (ou seja, u = −Kxb + v), as margem de ganho e de fase originais
do LQR são reduzidas (DOYLE, 1978).
9.10 Método LQG/LTR

Nesta seção admite-se novamente que o modelo é SISO LTI.
Um modelo linear com (A, B) controlável pode ter os seus autovalores arbi-
trariamente alocados mediante realimentação de estados
u = Kx + v (9.176)
e apresenta boas propriedades de robustez (margem de ganho de [ 21 , ∞) e

margem de fase de ± 60o ).
Em aplicações práticas, a medida de cada componente do estado pode ser
custosa em face da necessidade de se dispor de vários sensores, caso em que o
uso do estimador de estados é atraente.
Porém, essas caracterı́sticas são perdidas se uma estimativa x
b do estado é
utilizada no lugar de x (vide (DOYLE, 1978))
u = −Kx
b+v (9.177)
Para mitigar esta situação, pode-se utilizar o método LTR (ou LQG/LTR,
loop transfer recovery), que consiste em projetar, inicialmente, uma função
de transferência alvo baseado no regulador LQR ou no filtro de Kalman (que
possuem as boas propriedades de robustez) e, posteriormente, recuperar as
margens de ganho e de fase, quando se utiliza a lei de controle com o estado
observado, como em 9.177.
A utilização do método LTR pode estar limitada por algun fatores, tais como:
1. sistemas de fase mı́nima;
2. processos quadrados (número de entradas = número de saı́das) [OK para

o caso SISO];
3. tendência a gerar controladores de ganho elevado.
A apresentação desta seção é baseada no excelente material contido em (CRUZ,

1996) e (MACIEJOWSKI, 1989).
Assuma que um processo a ser controlado é descrito no espaço de estados por
ẋ = Ax + Bu (9.178)
y = Cx (9.179)
e cuja representação na forma de função de transferência é
GP (s) = C (sI − A)−1 B (9.180)

Uma forma de obter um controlador do tipo realimentação de estados
u = −Kx (9.181)
é resolver o problema de minimizar o ı́ndice de desempenho quadrático

Z ∞h i
J [u] = y T (t) y (t) + ρu2 dt (9.182)
0
A solução do problema de minimizar um custo do tipo quadrático 9.182 sujeito

a restrições lineares 9.178 é da forma 9.181, em que
K = ρ−1 BT P (9.183)
e P satisfaz a equação algébrica de Riccati
PA + AT P + CT C − ρ−1 PBBT P = 0 (9.184)
Por outro lado, uma vez que o estado x não é diretamente disponı́vel, deve-se
estimá-lo a partir de y e u.
Se L é o ganho do observador de estados (ou o filtro de Kalman) obtido
utilizando-se a equação de Riccati, (KALMAN; FALB; ARBIB, 1969)), a es-
timativa x
b é dada por
b + Bu + L(y − yb)
ḃ = Ax
x (9.185)
yb = Cx
b (9.186)
Utilizando-se o controle admitindo equivalência à certeza
u = −Kx
b (9.187)
obtém-se de 9.185 que
b − BKx
ḃ = Ax
x b − LCx
b + Ly (9.188)
u = −Kx
b (9.189)
sugerindo como controlador

−1
GC (s) = K sI − [A − BK − LC] L (9.190)
Teorema fundamental do método LTR

ẋ = Ax + Bu (9.191)
y = Cx (9.192)
e cuja representação na forma de função de transferência é
GP (s) = C (sI − A)−1 B (9.193)
Se ρ > 0, {A, B} é controlável, {A, C} é observável, GP (s) é de fase mı́nima,

então, utilizando-se a lei de controle
u = −Kx
b+v (9.194)
em que
1. K = −ρ−1 BT P
2. P satisfaz
1
PA + AT P + CT C − PBBT P = 0 (9.195)
ρ
3. x
b é a estimativa obtida pelo observador
b − BKx
ḃ = Ax
x b − LCx
b + Ly (9.196)
tem-se que
−1
lim GC (s) = G−1
P C (sI − A) L (9.197)
ρ↓0+
Nota-se que o modelo do processo GP (s) é cancelado pelo controlador GC (s),

restando apenas C (sI − A)−1 L (para uma prova, ver (CRUZ, 1996)).
Logo, o problema se reduz a buscar uma matriz L tal que C (sI − A)−1 L
apresente bom desempenho.
Uma escolha possı́vel para a matriz de ganhos do estimador, L, é a do filtro
de Kalman, que é sabido possuir boas caracterı́sticas de robustez.
Considere ruı́dos virtuais w (t) e v (t) no sistema original
ẋ = Ax + Bu + Fw (9.198)
y = Cx + v (9.199)
h i h i
em que E w (t) = 0, E w (t) wT (τ ) = Iδ (t − τ ), E v (t) = 0, E v 2 (τ ) =

µδ (t − τ ) e wi (t) ⊥ v (τ ) para i = 1, 2, ..., n

Figura 9.8: Diagrama de blocos do controlador LTR.
As expressões para o filtro de Kalman correspondentes a 9.198 e 9.199 são
b + Bu + L (y − yb)
ḃ = Ax
x (9.200)
b = Cx
y b (9.201)
em que
L = µ−1 SCT (9.202)
e S satisfaz a equação algébrica de Riccati
AS + SAT + FFT − µ−1 SCT CS = 0 (9.203)
No caso, definindo-se GV (s) e GA (s) por
GV (s) = C (sI − A)−1 F (9.204)

−1
GA (s) = C (sI − A) L (9.205)
tem-se, novamente, a identidade de Kalman, dado por (vide, por exemplo

(CRUZ, 1996))
∗ 1 ∗
1 + GA (s) 1 + GA (s) = 1 + G (s) GV (s) (9.206)
µ V
e, portanto, recupera-se a condição de robustez visto anteriormente em 9.7.

σ I + GA (jω) ≥1 (9.207)
que pode ser utilizada para estudos de robustez da estabilidade.

Para simplificar a análise, considera-se aqui o caso particular de sistemas de
uma entrada e uma saı́da (SISO), em que 9.207 se reduz a

1 + GA (jω) ≥ 1 (9.208)
ou seja, GA (jω) não intersecta o cı́rculo de raio unitário com centro em (−1, 0).
Consequentemente, GA (jω) apresenta, aproximadamente,
MF ∈ (−60o , 60o ) (9.209)

1

MG ∈ − , ∞ (9.210)
2
recuperando, em parte, o desempenho do controlador LQR original.
Embora a utilização de observadores de estado permita reduzir o número de

sensores necessários para fazer a realimentação, o custo ou a disponibilidade
de espaço podem ser inconvenientes. Nesse caso é possı́vel utilizar estima-
dores de estado, mas cuidando que não sejam reduzidas demais as margens
de fase e de ganho.
9.11 Desigualdades matriciais lineares (LMI)

Um dos enfoques que tem recebido atenção no projeto de controladores robus-
tos é o que envolve desigualdades matriciais lineares (linear matrix inequalities
- LMIs).
Em particular, será tratado o problema de robustez para incertezas ditas po-
litópicas empregando como ferramenta de projeto as LMIs.
Antes de definir LMIs, é conveniente que se relembre algumas definições.
Uma função F : Rn → R é dita ser afim se possuir a forma especial
" #
h i 1
F (p) = f0 f1 · · · fn (9.211)
pn×1
= f0 + f1 p1 + f2 p2 + · · · + fn pn (9.212)
em que f0 , f1 , · · · , fn são constantes.

Tem-se o caso análogo quando o domı́nio é o conjunto de matrizes Ω = {P ∈
Rn×m } e a função F : Rn×m → Rn×q é da forma
F(P) = F0 + p11 F1 + ... + pnm Fnm (9.213)
em que Fi , i = 0, ..., nm são matrizes constantes e pij são os elementos de P.

Se F : Rn×m → Rr×r é uma função afim, então uma expressão do tipo
F(P) ≻ 0 é chamada de desigualdade matricial linear.
Exemplo 1
Considere a LMI
1p2 − 1p1 > 0 (9.214)
O autovalor é obtido fazendo-se

det λ − [1p2 − 1p1 ] = 0 (9.215)
que leva a
λ = p2 − p1 (9.216)
Portanto,
λ > 0 ⇐⇒ p2 > p1 (9.217)
e a região que satisfaz 9.214 encontra-se ilustrada à esquerda da figura 9.9.
Exemplo 2
Considere a LMI
" # " # " #
1 0 0 1 0 0
+ p1 + p2 > 0 (9.218)
0 0 1 0 0 1
" #
1 p1
> 0 (9.219)
p1 p2

 " #
1 p1
det λI − =0 (9.220)
p1 p2
que leva a
0 = λ2 − (1 + p2 ) λ + p2 − p21 (9.221)
q
(1 + p2 ) ± (1 + p2 )2 − 4p2 + 4p21
λ =
2
Portanto,
λ > 0 ⇐⇒ p2 > p21 (9.222)
e a região que satisfaz 9.219 encontra-se ilustrada no centro da figura 9.9.

Exemplo 3
Considere a LMI  
1 p1 p2
 p1 1 0  > 0 (9.223)
 
p2 0 1
  
 1 p1 p2 
det λI − p 1 0 
=0 (9.224)
 
  1
p2 0 1
que leva a
0 = (λ − 1)3 − (λ − 1) p22 − (λ − 1) p21 (9.225)

h i
2
0 = (λ − 1) (λ − 1) − p22 − p21
q
(1 + p2 ) ± (1 + p2 )2 − 4p2 + 4p21
λ =
2
Portanto, um dos autovalores é 1 > 0 e os outros são obtidos resolvendo-se
(λ − 1)2 − p22 − p21 = 0 (9.226)

2
λ − 2λ + 1 − p22 − p21 = 0
q
2± 4p22 + 4p21
λ =
q 2
λ = 1± p22 + p21
Para se ter λ > 0,

q
p22 + p21 < 1 (9.227)
p22 + p21 < 1
e a região que satisfaz 9.223 encontra-se ilustrada à direita da figura 9.9.

Pode-se mostrar que uma LMI define um conjunto convexo no domı́nio de F ,
o que é verificado nos casos ilustrados em 9.9.
É importante, ainda, que sistema com vários LMIs são também uma LMI, ou
seja, o conjunto de expressões
F1 (P) ≻ 0 ; F2 (P) ≻ 0 ; ... ; Fk (P) ≻ 0 (9.228)

(9.229)
Figura 9.9: As regiões descritas pelas LMI dos exemplos 1, 2 e 3.
pode ser compactado na forma

 
F1 (P) 0 ··· 0
 
 0 F2 (P) ··· 0 
≻0 (9.230)
 
 .. .. .. ..

 . . . . 

0 0 · · · Fk (P)
Os LMIs, por estarem relacionados com convexidade, dispõem de vários algo-

ritmos numéricos muito eficientes para a obtenção de suas soluções, o que os
torna atrativos em aplicações práticas (ver, por exemplo, (BOYD; VANDEN-
BERGHE, 3004)).
A seguir são apresentados alguns problemas de controle em que as soluções
podem ser obtidas com o auxı́lio de LMIs.
Exemplo de aplicação - Verificação de Estabilidade Assintótica

ẋ = Ax (9.231)
em que A ∈ Rn×n .
Seja V (x) da forma
V (x) = xT Px (9.232)
que pode ser considerada função candidata de Lyapunov se P ≻ 0.
Como
d
V x (t) = xT AT P + PA x

(9.233)
dt
a origem (x = 0) será assintoticamente estável se ∃P ∈ Rn×n , PT = P e tal
que
P ≻ 0 (9.234)
T
A P + PA ≺ 0
Em notação mais compacta,

 
P 0 ≻0
F(P) = 
T (9.235)
0 − A P + PA
Portanto, o estudo da estabilidade assintótica foi convertido em um problema

de verificação da viabilidade da LMI
F(P) ≻ 0 (9.236)
Exemplo de aplicação - Verificação de estabilizabilidade

ẋ = Ax + Bu (9.237)
em que A ∈ Rn×n e B ∈ Rn×m .

Assuma que se deseja obter uma matriz de realimentação de estados K, tal
que a lei de controle u(t) = Kx(t) torna a origem estável.
Analogamente ao caso anterior, pode-se utilizar a função candidata de Lyapu-
nov 9.232 para o novo sistema
ẋ = Ax − Bu (9.238)
= (A − BK)x (9.239)
que resulta nas condições
P ≻ 0 (9.240)
T
(A − BK) P + P(A − BK) ≺ 0 (9.241)
Constata-se, porém, que tanto K como P são incógnitas, de modo que 9.241
não é uma LMI por envolver o produto KT P.
Para contornar o problema, notando que se impõe P ≻ 0 (logo, não singular)
pode-se pré e pós multiplicar a segunda desigualdade por P−1 , obtendo-se
h i
P−1 (A − BK)T P + P(A − BK) P−1 ≺ 0 (9.242)
P−1 AT − P−1 KT BT + AP−1 − BKP−1 ≺ 0
Chamando Q = P−1 e M = KP−1 , tem-se
P ≻ 0 (9.243)
T T T
AQ + QA − BM − M B ≺ 0
Caso seja possı́vel obter Q e M que satisfaz

 
Q 0 ≻0
F (Q, M) = 
T (9.244)
0 − AQ + QA − BM − MT BT
a matriz de ganhos de realimentação de estados é dada por
K = MQ−1 (9.245)
Teorema (Complemento de Schur)

São equivalentes:
• X ≻ 0 e Z − YX−1 YT ≻ 0
" #
Z Y
• X≻0e ≻0
YT X
Uma vez que X é inversı́vel, considere a matriz M não singular dada por
" #
I 0
M= (9.246)
WX−1 I
e note que
" # " #" #" #
Z Y I YX−1 Z Y I 0
MT M =
YT X 0 I YT X −X−1 YT I
" #" #
I YX−1 Z − YX−1 YT Y
=
0 I 0 X
" #
Z − YX−1 YT 0
= (9.247)
0 X
9.11.1 Otimização semidefinida (OSD)

É o problema de obter a solução P∗ ∈ Rn×m que minimiza F : Rn×m → R,
F(P) linear em P = [pi,j ], ou seja,
min F (P) (9.248)

P
sujeito a
F(P) = F0 + p11 F11 + ... + p1m F1m + ... + pn1 F11 + ... + pnm Fnm (9.249)
Limitante para a função custo

Considere o modelo no espaço de estados
ẋ = Ax ; x(0) = x0 (9.250)
com A estável e Q = QT ≻ 0.
Se P é tal que
P ≻ 0 (9.251)
T
A P + PA + Q ≺ 0
então, pode-se verificar que

Z ∞
xT (t)Qx(t)dt ≤ x0T Px0 (9.252)
0
Portanto, garante-se um limite para o valor função custo obtido resolvendo-se

a OSD:
min x0T Px0 (9.253)
sujeito a
P ≻ 0 (9.254)
T
A P + PA + Q ≺ 0
Exemplo de aplicação - Problema LQR

Defina-se uma função de custo
Z ∞h i
J[x, u] = xT (t)Qx(t) + uT (t)Ru(t) dt (9.255)
0
e considere o problema de controle ótimo
min J[x, u] (9.256)
sujeito às restrições de estado
ẋ = Ax + Bu ; x(0) = x0 (9.257)
Sabe-se que a solução para este problema é da forma
u(t) = −R−1 BT Px(t) (9.258)
com P obtido como solução da equação algébrica de Riccati,
AT P + PA − PBR−1 BT P + Q = 0 (9.259)
O termo PBR−1 BT P é do tipo quadrático, mas pode ser colocado em uma

forma de LMI mediante a utilização do complemento de Schur:

AT P+PA−PBR−1 BT P+Q = AT P + PA + Q − PB R−1 BT P
| {z } | {z } | {z } | {z }
Z Y X−1 YT
(9.260)
levando ao LMI
" # " #
Z Y AT P + PA + Q PB
≡ (9.261)
YT X BT P R
Portanto, o problema a ser resolvido é
min x0T Px0 (9.262)
sujeito a " #
AT P + PA + Q PB
≻0 (9.263)
BT P R
9.11.2 Estabilidade robusta a incertezas politópicas

O método de controle robusto a incertezas politópicas permite obter ganhos
de realimentação para modelos paramétricos com os limites das faixas de im-
precisão conhecidas (delimitadas por polı́topos, ou poliedros, por exemplo,
paralelepı́pedos no espaço de parâmetros).
Considere o sistema
ẋ = Ax ; A ∈ co {A1 , ..., AN } (9.264)
ou seja, A é uma combinação convexa de Ai ,

N
X
A= λi Ai (9.265)
i=1
PN
em que λi ≥ 0 e tais que i=1 λi = 1.
Considere a função V (x) = xT Px e note que se for possı́vel obter P = PT ≻ 0
que satisfaz
d
V x (t) = xT AT P + PA x < 0 ; ∀x ̸= 0

(9.266)
dt
o sistema é estável.
A expressão em 9.266 pode ser reescrita para x ̸= 0 na forma

   
N N
 X X
xT AT P + PA x = xT  λi ATi  P + P  λi Ai  (9.267)

i=1 i=1
N
X
= λi xT ATi P + PAi (9.268)
i=1
em vista de 9.265.
Logo, o sistema será estável se for possı́vel obter P = PT ≻ 0 tal que
ATi P + PAi ≺ 0 ; i = 1, ..., N (9.269)
9.11.3 Realimentação de estado sob incertezas politópicas

Considere o sistema

ẋ = Ax + Bu ; (A, B) ∈ co (A1 , B1 ), ..., (AN , BN ) (9.270)
ou seja,
N
X
(A, B) = λi (Ai , Bi ) (9.271)
i=1
PN
em que λi ≥ 0 e i=1 λi = 1.
Deseja-se obter K, tal que (A, B) é estável sob u = −Kx.
Em outras palavras, os

autovalores de A − BK
devem estar no SPE para
quaisquer (A, B) ∈ co (A1 , B1 ), ..., (AN , BN ) .
Tome-se a função V (x) = xT Px e note que, se for possı́vel obter um único
P = PT ≻ 0 que satisfaz
d
V x (t) = xT (Ai − KBi )T )P + P(Ai − Bi K) x < 0 ; ∀x ̸= 0

dt
(9.272)
para todo i = 1, ..., N , então o sistema é estável.
Em vista da existência de termos tipo PBi K, a expressão entre as parênteses
externas de 9.272 não é uma LMI.
Como feito anteriormente, usa-se o artifı́cio de multiplicar ambos os lados por
P−1 , o que é possı́vel por ter se assumido P ≻ 0, obtendo-se

P−1 (Ai − KBi )T )P + P(Ai − Bi K) P−1 ≺ 0 (9.273)
P−1 ATi − P−1 KT BTi + Ai P−1 − Bi KP−1 ≺ 0 (9.274)
Denotando-se Q = P−1 e M = KP−1 , a LMI requerida é
QATi − MT BTi + Ai Q − Bi M ≺ 0 (9.275)
Se a LMI é viável, obtém-se Q e M, e de M = KP−1 e P = Q−1 tem-se
K = MP (9.276)
−1
= MQ (9.277)
Em vista de LMIs estarem relacionados com conjuntos convexos, existem

vários algoritmos numéricos eficientes para o seu tratamento. Além disso,
LMIs são muito usados em vários problemas importantes de controle, sobre-
maneira aqueles relacionados com robustez.
9.12 Algumas personalidades ilustres
O método LTR é apresentado por Huibert Kwakernaak (1937-), Optimal low-

sensitivity linear feedback systems, e ainda em forma não explı́cita em Automa-
tica, v. 5, n. 3, p. 279-285, 1969. A versão formal e explı́cita foi apresentada
por John Comstock Doyle (1954-) e Gunter Stein em Doyle, J. C. e Stein G.
Robustness with observers. IEEE Trans. Automatic Control, v. 24, p. 607-
611, 1979.
O filtro de Kalman foi desenvolvido por Rudolf Emil Kalman (1930-2016), pu-
blicado em Kalman, R. E. A new approach to linear filtering and prediction
problems. Journal of Basic Engineering, v. 82, n. 1, p. 35-45, 1960. Entre
as várias contribuições de Kalman para a teoria de sistemas e controle, além
do filtro estimador de estados, estão a rigorosa representação em conceituação
de espaço de estados, noções formais de controlabilidade e observabilidade, a
decomposição de Kalman, alguns resultados sobre controle ótimo e o algoritmo
de Ho-Kalman para realização de modelos.
David Gilbert Luenberger (1937-) concebeu o estimador de estados que rece-
beu o seu nome (Luenberger, D. G. Observing the state of a linear system.
IEEE Trans. Mil. Electron., v. MIL-8, p. 74-80, Apr. 1964).
9.13 Exercı́cios
9.13.1 Exercı́cio: Alocação de Polos
Através de realimentação de estados, alocar todos os polos em −1.
   
0 1 0 0
ẋ =  0 0 1 x +  0 u
   
−6 −11 −6 1
9.13.2 Exercı́cio: Modelo não completamente controlável

Alocar, se possı́vel e através de realimentação de estados, os polos em −1, −4, −5.
 
0 1 0
ẋ =  0 0 1  x + Bu
 
−6 −11 −6
nos seguintes casos “diferentes atuadores”).

h iT
1. B = 1 −1 1
h iT
2. B = 0 1 −5
9.13.3 Exercı́cio: Realimentação de estados - Caso com várias entra-

das
Obter, se possı́vel, a matriz de ganhos de realimentação de modo que a lei de
controle u = −Kx + v aloca os polos em −1 multiplicidade 3.
   
0 1 0 −1 1 −1
ẋ =  0 0 1  x +  1 −2 3 u
   
−6 −11 −6 −1 4 −9
9.13.4 Exercı́cio: Observador de estados

Projetar um observador de estados para o sistema descrito por
   
0 0 −6 1
ẋ =  1 0 −11  x +  0  u
   
0 1 −6 0
h i
y = 0 0 1 x
sendo que o sistema deverá operar em malha fechada u = −Kx + v com o

valor de K tal que os polos estejam alocados em −0.1 e −0.1 ± j0.1j.
1. Simular o processo partindo da condição inicial x0 = [ 1 0 0 ] e usando

a lei de controle u = −Kx + v, v(t) = degrau unitário, enquanto o
observador é inicializado com x
b 0 = [ 0 0 0 ]. Apresentar os gráficos de
x1 (t) × t e x
b1 (t) × t.
2. Idem ao item anterior, mas com a lei de controle u = −K x

b + v, em que
b é a estimativa de x fornecida pelo observador.
x
9.13.5 Exercı́cios: Problema LQR

Considere um foguete cujo movimento de rotação é modelado por
··
Jθ = u (9.278)
em que J é o momento de inércia e u é um torque proveniente de um par

de jatos auxiliares formando um binário em um plano perpendicular ao eixo
longitudinal.
·
(i) Obter uma representação no espaço de estados fazendo x1 = θ e x2 = θ
sabendo-se que J = 1.
(ii) Obter uma lei de controle u(t) tipo realimentação de estados
h i
u(t) = − k1 k2 x(t) (9.279)
que minimiza
Z ∞h i
J[x, u] = q 2 xT (t)x(t) + u2 (t) dt (9.280)
0
e o parâmetro q ̸= 0 é tal que max{k1 , k2 } = 10.

9.13.6 Exercı́cio: Alocação de polos e observador

Considere um certo sistema fı́sico cujo comportamento dinâmico é descrito
pela equação diferencial ordinária linear e invariante no tempo:
" # " #
0 −2 1
ẋ = x+ u (9.281)
1 −3 1
h i
y = 0 2 x (9.282)
Deseja-se uma lei de controle da forma u(t) = −Kx b (t)+r(t), em que r(t) é um
sinal de referência e x(t) é uma estimativa de x(t) obtida com um observador
b
com os polos em -20, multiplicidade 2.
1. Determinar o ganho L do observador de estados.
2. Verificar a possibilidade de obter um valor de K, de modo que os auto-

valores de A − BK estejam em −2 e −5.
3. Verificar a possibilidade de obter um valor de K, de modo que os auto-

valores de A − BK estejam em −1 e −5.
9.13.7 Exercı́cios: Realimentação de Estados Estimados

Considere um sistema representado na forma de Brunovsky
   
0 1 0 0
ẋ =  0 0 1  x +  0  u (9.283)
   
0 0 0 1
h i
y = 1 0 0 x (9.284)
1. Verificar se esse sistema é controlável.
2. Se for controlável, obter o ganho de realimentação K, de modo que

u = −Kx + v aloca todos os polos do sistema em −1 (multiplicidade 3).
3. Verificar se esse sistema é observável.
4. Se for observável, projetar um observador de estados, de modo que os

seus polos estejam localizados nas posições −5, −4 ± j3.
5. Determinar a faixa de valores admissı́veis de F ∈ R, assumindo-se a uma

lei de controle tipo realimentação da saı́da u(t) = F y(t) + r(t).
9.13.8 Exercı́cio: Realimentação de Estado para Sistema com Duas

Entradas
Considere um processo cuja dinâmica é descrita no espaço de estados por
" # " # " #
0 1 1 1
ẋ = x+ u1 + u2 (9.285)
−2 −3 −1 −2
" # " #
0 1 1 1
= x+ u (9.286)
−2 −3 −1 −2
h iT
em que u = u1 u2 . Determinar a matriz de ganho K com a estrutura
particular,
" #
1 k1
K= (9.287)
0 k2
de modo que o sistema apresente sob a lei de controle u(t) = Kx(t) + v(t),
um sobressinal de 16.3% e tempo de pico de 3.63 s para v(t) do tipo degrau
unitário.
9.13.9 Exercı́cio: Eliminação do erro de regime para entrada degrau

Considere um certo sistema fı́sico cujo comportamento dinâmico é descrito
pela equação diferencial ordinária linear e invariante no tempo:
" # " #
0 1 0
ẋ = x+ u (9.288)
−8 −6 1
h i
y = 3 1 x (9.289)
Deseja-se utilizar uma lei de controle da forma

Z t

u(t) = −Kx(t) + ρ r(τ ) − y(τ ) dτ (9.290)
0
em que K é ρ são constantes de dimensões adequadas e r(t) é um sinal de

referência conhecido.
1. Apresentar um diagrama de blocos do sistema em malha fechada.
2. Obter os valores de K e de ρ de modo que os “polos” de malha fechada

estejam localizados em −5 (multiplicidade 3).
9.13.10 Exercı́cio: Efeito do custo da variável de controle

Considere um processo cuja função de transferência é
Y (s) K
G(s) = = (9.291)
U (s) s+1
Obter a expressão de K (parametrizado em ρ) que minimiza a função de custo

Z ∞h i
J= y 2 (t) + ρu2 (t) dt (9.292)
0
e estudar o efeito de variar o valor de ρ. Quando ρ → 0 tem-se o caso de cheap

control.
10
Controle por computador
“The human spirit must prevail over technology.”

– Albert Einstein
Em muitas aplicações, os sinais de entrada ou de saı́da são modificados

apenas em instantes discretos.
São algumas circunstâncias em que se utiliza amostragem de sinais contı́nuos:
• Tratamento digital de sinais, uma vez que se necessita de processamento

elaborado, armazenamento de informação e atualização periódica de soft-
ware, entre outras vantagens.
• Transmissão de dados via sinais digitais, quer seja para ter maior imu-
nidade a ruı́dos ou por razões de segurança via criptografia.
• Multiplexação dos canais de comunicação e no controle remoto, sepa-

rando sinais que requerem elevada frequência daquelas relativamente
lentas.
• Inconveniência (ou inexistência) de sensores de tempo contı́nuo. Por

exemplo, medidas que requerem auxı́lio de laboratório de amostras (con-
tagem de leucócitos no sangue, medida de propriedades de materiais que
requerem reagentes quı́micos, ensaios destrutivos).
Um arranjo tı́pico de uma arquitetura de controlador empregando um dis-

positivo digital para sistemas de tempo contı́nuo (destacando-se a presença de
conversores A/D (Analógico → Digital) e D/A (Digital → Analógico).
A grande maioria dos processadores digitais utilizados na prática são do tipo
sı́ncrono (ou seja, as tarefas são organizadas temporalmente pelo sinal do re-
lógio), como destacado na figura 10.1.
353
Figura 10.1: Estrutura tı́pica de controle utilizando processador digital
Uma vez que neste texto o foco é a utilização do computador executando

controladores digitais obtidos pela discretização de controladores analógicos,
a entrada é preferencialmente associada ao sinal de erro e e a saı́da ao sinal
de atuação u.
Na prática, o tratamento de modelos de tempo contı́nuo tende a ser mais sim-
ples que os de tempo discreto, exceto em casos como os de controle baseado em
modelos (MPC), controle GPC, STC ou MV (Generalized Predictive Control,
Self-Tuning Control e Minimum Variance Control ), bem como na utilização
de Filtros de Kalman (ou similar) e controladores derivados de otimização
direta.
10.1 Amostrador-segurador
Em geral o sinal contı́nuo é primeiramente amostrado e mantido constante por
um certo tempo (pelo segurador) até que seja completada a conversão A/D.
Figura 10.2: Associação de amostrador e de segurador

Controle por computador 355
Uma forma conveniente de modelar o efeito do amostrador tipo liga-desliga é

utilizar em seu lugar o amostrador impulsivo.
O amostrador impulsivo é um dispositivo idealizado que produz na sua saı́da
um impulso cuja “área” é igual ao valor da sua entrada. Por exemplo, se
e(t) = 2, então a saı́da é e∗ = 2δ(t).
A figura 10.3 mostra que os sinais e(t) e u(t) dos dois arranjos mostrados à
esquerda são os mesmos, apesar de e∆ (t) e e∗ (t) serem diferentes.
Figura 10.3: Modelagem de amostrador real (relé) com segurador por um

−sT
amostrador impulsivo seguido de função de transferência 1−es .
Nota-se que, quanto menor o tempo em que a chave ∆ fica ligada, menor
é a energia contida no sinal amostrado e∆ .
Necessita-se, assim, de um dispositivo denominado de segurador (ou retentor),
que mantém o valor do sinal amostrado entre os instantes de amostragem.
10.2 Discretização de modelos de tempo contı́nuo

Um enfoque muito utilizado no prática, hoje em dia, é realizar o projeto do
controlador no domı́nio de tempo contı́nuo e implementar a lei de controle com
o auxı́lio de microcontroladores digitais.
Nesse contexto, esta seção foca primordialmente a discretização de controla-
dores, ou seja, dada uma relação entre sinais contı́nuos de entrada u e saı́da
y, obter relações equivalentes de tempo discreto.
U (s) = Gc (s)E(s) → U (z) = Gd (z)E(z) (10.1)

ou
( (
ẋ = Ac x + Bc e x[k + 1] = Ad x[k] + Bd e[k]
→ (10.2)
u = Cc x u[k] = Cd x[k]
10.2.1 Discretização no domı́nio do tempo

Considere o problema de obter um modelo de tempo discreto de um contro-
lador com instantes de discretização kT , assumindo-se que o segurador é de
ordem 0 e
ẋ = Ac x + Bc e (10.3)
u = Cc x (10.4)
Então, dado x(kT ), tem-se que

Z (k+1)T
x((k + 1)T ) = eAc T x(kT ) + eAc ((k+1)T −τ ) Bc e(τ ) dτ (10.5)
kT
Lembrando que u(t) é constante entre kT e (k + 1)T , tem-se que

Z (k+1)T
x((k + 1)T ) = eAc T x(kT ) + eAc ((k+1)T −τ ) dτ Bc e(kT ) (10.6)
kT

A mudança de variáveis ζ = (k + 1)T − τ , leva a dζ = −dτ , e pode-se
escrever
Z (k+1)T Z 0 Z T
Ac ((k+1)T −τ ) Ac ζ
e dτ = − e dζ = eAc ζ dζ (10.7)
kT T 0
Substituindo-se este resultado na expressão de x((k + 1)T ), obtém-se o modelo

Z T
x((k + 1)T ) = |eAcT
{z } x(kT ) + eAc ζ dζ B e(kT ) (10.8)
0
Ad | {z }
Bd
ou, usando notação para sequência, x[k + 1] = x([k + 1]T ) e e[k + 1] = e([k +
1]T ), tem-se
x[k + 1] = Ad x[k] + Bd e[k] (10.9)

u[k] = Cx[k] (10.10)
Exemplo: Discretização no espaço de estados

Seja o modelo a ser discretizado com perı́odo de amostragem T = 1 s
" # " #
0 1 0
ẋ = x+ e (10.11)
−2 −3 1
Aplicando o método que foi apresentado,

" #
AT 0.600 4 0.232 5
Ad = e = (10.12)
−0.465 1 −0.09 72
Z T " #
Aζ 0.199 8
Bd = e dζ = (10.13)
0 0.232 5
e, logo, o modelo 10.11 discretizado é dado por

" # " #
0.600 4 0.232 5 0.199 8
x[k + 1] = x[k] + e[k] (10.14)
−0.465 1 −0.09 72 0.232 5
10.2.2 Discretização no domı́nio transformado

Considere G(s) em cascata com o modelo matemático para o amostrador-
segurador
Figura 10.4: Conjunto amostrador + processo a ser controlado.
A saı́da E(s)
e do segurador pode ser expressa por
1 − e−sT ∗
E(s)
e = E (s) (10.15)
s
1 − e−sT
= L[e∗ (t)] (10.16)
s
Notando que
∞
e∗ (t) =
X
e(kT )δ(t − kT ) (10.17)
k=0
tem-se, pela definição de transformada de Laplace,

 
Z ∞ ∞
L[e∗ (t)] = e−st  e(kT )δ(t − kT ) dt
X
(10.18)
0 0
∞ Z ∞
e−st e(kT )δ(t − kT ) dt
X
= (10.19)
0 0
∞
e−skT e(kT )
X
= (10.20)
0
Logo, a expressão para E(s),

e e usando o fato L[δ(t)] = 1, é
∞
1 − e−sT X
E(s)
e = e−skT e(kT ) (10.21)
s k=0
∞
1 −skT
− e−s(k+1)T
X
= e(kT ) e (10.22)
k=0
s
Como 1s representa degrau unitário, enquanto e−skT e e−s(k+1)T representam

atrasos de kT e (k + 1)T , respectivamente,
1 −skT
e(kT ) e − e−s(k+1)T
s
corresponde a um pulso retangular de largura T e altura e(kT ), iniciando no
instante t = kT .
Logo ee(t) possui a forma de “escada”, como ilustrado anteriormente na figura
10.3.
Seja agora o problema de obter uma expressão para u(t) e denote por H(s) a
composição cascata
U (s) 1 − e−sT
= G(s) (10.23)
E ∗ (s) s
= H(s) (10.24)
e note que a sua entrada é um trem de impulsos.

Como H(s) é transformada de Laplace de resposta a impulso h(t), e pela
linearidade (ou seja, vale a superposição), a saı́da u é uma combinação de
e(kT )h(kT ) correspondente a cada elemento do trem de impulsos e(kT )δ(kT ),
ou seja,
∞
X
u(t) = e(kT )h(t − kT ) (10.25)
k=0
Amostrando-se o sinal u(t), obtém-se que

∞
X
u(ℓT ) = e(kT )h(ℓT − kT ) (10.26)
k=0
Aplicando-se a transformada Z e usando a propriedade da convolução, resulta
U (z) = H(z)E(z)
que é a relação entre ek = e(kT ) e uk = u(kT ) desejada.

A função de transferência H(z) é dada, portanto, por
 
h(t)
z }| { 
   
 
 
 
1 − e sT  
H(z) = Z  L−1 
 
G(s)
 

| s {z
   
 } 
H(s)
 
 
 

t=kT
Como e−sT corresponde a um atraso de 1 perı́odo de amostragem (z −1 ) e por

abuso de notação (lembrar que Z é para ser aplicado a sequências)
" #
−1 G(s)
H(z) = (1 − z )Z
s
h i
As expressões G(s)
s estão tabeladas e podem ser encontradas em vários livros
didáticos, como (CADZOW; MARTENS, 1970), (OGATA, 1970), (ASTROM;
WITTENMARK, 1984) e (FRANKLIN; POWELL; WORKMAN, 1990).
Exercı́cio:
Obter um modelo discretizado para G(s), supondo que é utilizado um segura-
dor de ordem 0 e o perı́odo de amostragem é T
a
G(s) =
s+a
Então, pela fórmula apresentada
" #
G(s)
G(z) = (1 − z −1 )Z
s
Consultando as tabelas disponı́veis na literatura,

" #
a (1 − e−aT )z
Z =
s(s + a) (z − 1)(z − e−aT )
e, portanto,
(1 − e−aT )z
G(z) = (1 − z −1 ) (10.27)
(z − 1)(z − e−aT )
(1 − e−aT )
= (10.28)
(z − e−aT )
10.2.3 Modelos discretos de segunda ordem

No domı́nio de tempo contı́nuo, modelos de segunda ordem são caracterizados
por ξ e ωn .
ωn2
G(s) = 2
s + 2ξωn s + ωn2
Em particular, considerando a resposta degrau, dados Mp e tr desejados, po-
dem ser obtidos os valores de ξ e ωn tais que as especificações seja atendidas.
Os polos desejados (no plano s) seriam, nesse caso,
q
λ = −ξωn ± j ωn 1 − ξ 2 (10.29)
Lembrando a relação (avanço de 1 perı́odo de amostragem, versões discreta e
contı́nua no tempo)
z = esT
é possı́vel especificar as localizações dos polos desejados no cı́rculo unitário.
Os lugares geométricos de ξ e de ωn constantes (respectivamente, linhas ver-
melha e verde) podem ser representados no cı́rculo unitário, conforme visto na
figura 10.5.
Por exemplo, se o par de polos complexos estiverem na posição P da figura
10.5, então
ξ = 0.5 → Mp = 16.3 (10.30)
0.2π
ωn = (10.31)
T
Se T = 0.5 s, tem-se ωn ≈ 1.25 rad/s que corresponde a aproximadamente
1.9 s. Os polos podem ser alocados por métodos análogos ao caso de tempo
contı́nuo, por exemplo, LGR.
Figura 10.5: Cı́rculo unitário com lugares geométricos para ξ e ωn constantes.
10.2.4 Discretização Aproximada

Uma forma de discretizar um modelo (não necessa-
riamente linear)
ẋ = f (x, u) (10.32)
é aproximar a derivada (por exemplo, até a primeira

ordem),
x((k + 1)T ) − x(kT )

ẋ ≃ (10.33)
T
que leva a
x((k + 1)T ) − x(kT )

≃ f (x(kT ), u(kT ))
T
(10.34)
Figura 10.6: Métodos
ou, por abuso de notação, x(kT ) = x[k] de discretização aproxi-
mada
x[k + 1] = x[k] + T f (x[k], u[k]) (10.35)
Caso de processos LTI

Considere um sistema escalar (x ∈ R) descrito por
Y (s) b
ẏ = ay + bu ≡ G(s) = = (10.36)
U (s) s−a
Utilizando-se a aproximação

y (k + 1)T − y(kT )
ẏ ≈
T
para a derivada de y(t) obtém-se que
Z (k+1)T

y (k + 1)T = y(kT ) + [a(τ )y + b(τ )u] dτ (10.37)
kT
= y(kT ) + Ai (10.38)
em que Ai são as áreas coloridas em amarelo na figura 10.6.
• Aproximação A1 : h = ay(kT ) + bu(kT )

A área A1 = hT é dada por

y (k + 1)T = y(kT ) + [ay(kT ) + bu(kT )]T (10.39)
zY (z) = Y (z)(1 + aT ) + bT (10.40)
Y (z) b
= z−1 (10.41)
U (z) T −a
b
= = G(z) (10.42)
s − a s= z−1

T
Essa aproximação é conhecida como forward Euler e consiste em fazer

a substituição s ← z−1
T
• Aproximação A2 : h = ay((k + 1)T ) + b((k + 1)T )


y (k + 1)T = y(kT ) + [ ay((k + 1)T ) + b(u(k + 1)) ] T(10.43)

b
= (10.44)
s − a s= z−1

zT
Essa aproximação é conhecida como backward Euler.

• Aproximação A3 :

ay(kT ) + bu(kT ) + ay((k + 1)T ) + b(u(k + 1)T ) T
A3 =
2
e, de modo similar aos casos anteriores,

b
G(z) =
s − a s= 1 z−1

2 z+1
Esse método de aproximação é chamado de método do trapézio ou de

Tustin.
Observações:
1. No domı́nio s, a região de estabilidade é o semiplano esquerdo (SPE),
enquanto no domı́nio Z, é o cı́rculo unitário.
z−1
2. Note que o método “forward Euler ” (s = T ) mapeia alguns s ∈ SPE
para z fora do cı́rculo unitário.
3. Como G(z, T ), é imediato obter a função de transferência quando T é
modificado.
4. O método de Tustin altera a escala de frequências, de modo que é ne-
cessário que se faça a correção mediante pre-warping ((LATHI, 1992),
(FRANKLIN; POWELL; EMAMI-NAEINI, 1986)).
5. Embora não se tenha mostrado a validade do método de substituir s
por z−1 z−1 1 z−1 n
T , zT ou 2 z+1 para casos de x ∈ R , o procedimento pode ser
estendido.
Exemplo: Discretização de controlador

Dado um problema de projeto de compensador avançador-atrasador de fase,
realizado no domı́nio de tempo contı́nuo, deseja-se implementá-lo usando um
microcontrolador.
Seja então o compensador
U (s)
GC (s) = (10.45)
E(s)
s + 0.01 s + 5
= 20 (10.46)
s + 0.1 s + 10
20s2 + 100.2s + 1
= (10.47)
s2 + 10.1s + 1
Figura 10.7: Mapeamento do SPE para diferentes cı́rculos correspondentes aos

métodos backward Euler, forward Euler e Tustin.
ou
101.8s + 19
GC (s) = − + 20 (10.48)
s2
+ 10.1s + 1
Seja V (s) um termo auxiliar conforme indicado
101.8s + 19
U (s) = − E(s) + 20E(s) (10.49)
|
s2 + 10.1s
{z
+1 }
V (s)
O termo auxiliar V (s) pode ser representado no espaço de estados por

" # " #
0 1 0
ẋ = x+ e (10.50)
−1 −10.1 1
| {z } | {z }
AC BC
h i
u = −19 −101.8 x (10.51)
| {z }
CC
Aplicando-se as expressões apresentadas para discretização no espaço de esta-

dos,
" #
0.9963 0.0628
Ad = (10.52)
−0.0628 0.2016
" #
0.00366
Bd = (10.53)
0.06285
h i
Cd = −19 −101.8 (10.54)
e, portanto, a dinâmica do controlador é descrita por u[k] = v[k] + e[k] dados

por
" # " #
0.9963 0.0625 0.0036
x[k] = x[k − 1] + e[k − 1] (10.55)
−0.0628 0.2016 0.0628
h i
u[k] = −19 −101.8 x[k] + 20 e[k] (10.56)
10.3 Escolha do perı́odo de amostragem

A escolha do perı́odo de amostragem requer cuidados de natureza teórica e
prática.
Será visto na sequência que, do ponto de vista teórico, a frequência de amostra-
gem deve ser pelo menos duas vezes maior que a máxima frequência presente
nos sinais envolvidos.
Porém, em aplicações práticas, a frequência de amostragem deve ser significa-
tivamente maior, uma vez que os filtros utilizados na reconstrução dos sinais
não possuem corte abrupto e a presença de ruı́dos pode ser exacerbado devido
ao fenômeno do dobramento (aliasing).
Na figura 10.8, nos casos A e B. o sinal senoidal (linha vermelha) é adequa-
damente reconstruı́do por ter sido amostrado com suficiente frequência.
Em C a reconstituição do sinal é errônea devido à subamostragem.
Figura 10.8: Ilustração do efeito da subamostragem.
Recomendações:
1. A taxa de amostragem deve ser suficiente grande para que informações
não sejam perdidas.
Segundo o teorema de Shannon (Shannon, C. E. A Mathematical theory

of communication. Bell System Technical Journal, v. 27, n. p. 623-
666, 1958), a taxa de amostragem deve ser pelo menos duas vezes maior
do que a maior frequência do componente constituinte do sinal original.
Essa frequência é conhecida como a de Nyquist.
2. Não é verdade que quanto maior a frequência de amostragem melhor.

Frequências muito altas tendem a aumentar o erro de quantização (por
exemplo, devido ao conversor D/A). Intuitivamente, isso ocorre porque
muitas amostras são obtidas com o mesmo arredondamento/truncamento.
10.4 Erros de Quantização

Conversores A/D e D/A utilizam o código binário para representar os valores
digitais.
Assim, por exemplo, com 10 bits, a tensão de saı́da de um conversor D/A teria
resolução de 1/1024 da tensão de referência.
Se a tensão de referência é 10 V, a resolução seria de aproximadamente 0.01
V.
Os erros devidos à quantização podem ser assumidos possuir distribuição uni-
forme, conforme ilustrado na figura 10.9, em que um sinal senoidal 1 sin(ωt)
foi quantizado em 100 nı́veis (ou seja, ∆ = 0.01).
Figura 10.9: Efeito da quantização.
O tipo de aproximação ilustrado na figura 10.9 é de truncamento com manu-

tenção do sinal ±.
Por exemplo, se o valor da grandeza fosse +0.565, o truncamento resulta em
+0.56 (erro = +0.565 − 0.56 = +0.005), enquanto, se fosse -0.565, ter-se-ia
-0.56 (erro = −0.565 − (−0.56) = −0.005).
Para e com distribuição uniforme entre [0, ∆], tem-se que a média < e >= ∆/2
e var(e) = ∆2 /2.
Ou seja, o sinal quantizado pode ser considerado como um ruı́do aditivo de
distribuição uniforme de probabilidade, U (∆/2, ∆2 /2).
Tendo-se projetado uma lei de controle no domı́nio do tempo contı́nuo, é

comum, hoje em dia, que se utilizem controladores digitais, com a con-
sequente necessidade de discretização. Conforme indicado ao longo deste
capı́tulo, é de grande importância a escolha do perı́odo de amostragem, que
deve ser pequeno o suficiente. Porém, é interessante notar que uma frequên-
cia excessivamente alta não é conveniente, uma vez que exacerba o efeito da
quantização.
10.5 Vantagens do controle por computador

Computadores digitais têm sido empregados em tarefas de controle automá-
tico por apresentarem diversas vantagens em relação a sistemas baseados em
alavancas e cames, ou circuitos elétricos, pneumáticos ou hidráulicos.
São algumas das vantagens:
• Possibilidade de realizar funções complexas, como tolerância a falhas,

tratamento de sinais, decisões baseadas em inteligência artificial, super-
visão e otimização, funções lógicas e módulos de IA, entre outras.
• Facilidade de atualização, de diagnóstico, de comunicação remota, de re-

gistro de dados, conexão em redes, monitoração à distância, telecomando
e outros.
• Portabilidade, uma vez que as interfaces dos computadores com a ins-

trumentação de campo têm sido progressivamente padronizadas.
• Melhoria da confiabilidade através do uso de cães de guarda (watch dogs),

redundância de máquina, rotinas de autodiagnóstico, códigos corretores
de erros.
• Possibilidade de “endurecer” o hardware, através da eliminação de partes

móveis (SSD ao invés de discos rı́gidos), gabinetes selados com resfria-
mento por trocador de calor, pelı́culas anticorrosivas, blindagem eletros-
tática, seleção de componentes de melhor qualidade, proteção contra
surtos e curtos, entre outros.
• Possibilidade de usar o processo de burn-in para reduzir falhas precoces.
• Possibilidade de aliar o processamento simbólico com o numérico (por

exemplo, combinando expert systems com otimizadores numéricos), bem
como aproveitando conhecimentos heurı́sticos do operador humano.
• Eficácia na interação homem-máquina, através de técnicas de comunica-

ção visual, interfaces multimı́dia e outras.
Modelo do computador atuando como controlador

A figura 10.10 apresenta como as técnicas mostradas anteriormente permitem
relacionar o computador digital dotado de conversores A/D e D/A ao formato
D(z)U(z).
Figura 10.10: Esquema básico de controle digital.
Exemplo de Controlador Digital:

Considere o problema de obter D(z) para controlar o processo representado
por
0.1
G(s) =
s(s + 0.1)
de modo que Mp = 16.3%, tr < 2.5 s, sabendo-se que T = 1 s
Método I: Projetar D(s) e discretizar

No domı́nio de tempo contı́nuo, um controlador adequado é
s + 0.1
D(s) = 10
s+1
Aplicando-se a fórmula D(z) = (1 − z −1 ) Z[ D(s)

s ] ao D(s) obtido com T = 1 s,
resulta a lei de controle D(z) desejada
s + 0.1 z − 0.94
D(s) = 10 → D(z) = 10
s+1 z − 0.37
Método I aprimorado
Note que o sinal amostrado e segurado,
quando filtrado eliminando as altas frequên-
cias, assemelha-se ao sinal original, exceto
por um atraso de T2 .
Portanto, a ideia é utilizar como o modelo do
processo
0.1
Ḡ(s) = e−0.5s
s(s + 0.1)
Com o auxı́lio do MATLAB® , obteve-se o Figura 10.11: Efeito de atraso
controlador projetado no domı́nio de tempo provocado pelo processo de
contı́nuo amostragem
(s + 1.11)(s + 1.25)
D(s) = 409 (10.57)
(s + 10)2
cuja versão discretizada é
(z − 0.986)(z − 4 × 10−4 )
D(z) = 409 (10.58)
(z − 0.45 × 10−4 )2
Método II: Discretizar primeiro o processo e trabalhar no domı́nio z
Pelas especificações, ζ = 0.5 e ωn = 1 rad/s. Logo, z = esT é dado por

√
2
z = eζωn ±jωn 1−ζ (10.59)
= 0.40 ± j0.46 (10.60)
Utilizando-se a ferramenta gráfica rltool do MATLAB® , obteve-se a solução

z − 0.565
D(z) = 15.2
z + 0.5
10.6 Script tı́pico de controlador
• Passo 0: Inicializações e leitura dos parâmetros xC [0], T, r. Fazer k = 0.
• Passo 1: Verificar se alguma condição de parada do algoritmo está aten-

dida. Se SIM , então F IM .
• Passo 2: Ler o conversor A/D, obtendo y[k] = y(t = kT ).
• Passo 3: Fazer e[k] = r[k] − y[k].
• Passo 4: Calcular xC [k + 1] = Ad xC [k] + Bd e[k] ou xC [k + 1] =

f (xC [k], e[k]).
• Passo 5: Calcular u[k + 1] = Cd xC [k + 1] ou u[k + 1] = h(xC [k +

1]).
• Passo 5: Aguardar o instante (k + 1)T .
• Passo 6: Aplicar u[k].
• Passo 7: Atualizar xC [k] ← xC [k + 1]
• Fazer k ← k + 1.
• Passo 8: Retornar ao Passo 1.
10.7 Mini-histórico de DDC
O projeto do primeiro controle direto digital (direct digital control ) é atribuı́do

ao Imperial Chemical Industries (ICI), de Lancashire, para automatizar uma
unidade de processamento de carbonato de sódio em 1959. O sistema de
controle foi utilizado efetivamente em produção a partir de 1962 e operou por
três anos. Em 1962 a unidade da Monsanto em Texas utilizando DDC entrou
em operação antes do sistema da ICI, mas foi apenas uma avaliação por três
meses.
10.8 Exercı́cios
10.8.1 Exercı́cios: Discretização
Obter o modelo de tempo discreto no espaço de estados, assumindo que o
perı́odo de amostragem é Ts = 0.1 s:
" # " #
0 1 0
ẋ = x+ u (10.61)
−2 −3 1
h i
y = 1 0 x (10.62)
10.8.2 Exercı́cios: Discretização

Considere a seguinte estrutura de um sistema amostrado. Obter a função de
transferência de malha fechada Y (z)/R(z) para os seguintes casos

1.
1
GP (s) =
s+1
2.
s+2
GP (s) =
s+1
3.
1
GP (s) =
s2 + 2s + 1
4.
1
GP (s) =
s2 + 3s + 2
5.
1
GP (s) =
s2 + 2s + 2
6.
1
GP (s) =
s3 + 2.5s2 + 4s + 1.5
7.
1
GP (s) =
s(s + 1
8.
e−t
GP (s) =
s2 + 3s + 2
10.8.3 Exercı́cios: Discretização aproximada

Obter aproximações forward Euler, backward Euler e Tustin das seguintes
funções de transferência
(a) (d)
1 1
GP (s) = (s) =
s+1 s2 + 3s + 2
(b) (e)
s+2 1
G(s) = (s) =
s+1 s2 + 2s + 2
(c) (f)
1 1
G(s) = 2 GP (s) =
s + 2s + 1 s(s + 1
10.8.4 Exercı́cios: Projeto de controlador

Considere a estrutura de malha fechada em que GC (z) será implementada
usando um microcontrolador digital. Escolher um perı́odo de amostragem Ts
e projetar um controlador GC (z) de modo que o sobressinal seja de 16.6 % e

o tempo de subida tr menor que 1 s.
10.8.5 Exercı́cios: Posições relativas do amostrador/segurador

Obtenha a relação entre R(s) e U (s)
10.8.6 Exercı́cios: Controle hı́brido contı́nuo-discreto

Onde havia um controlador proporcional K, instalou-se um integrador digital
para operação em paralelo, com o intuito de melhorar o desempenho do pro-
cesso, conforme a figura 10.12.
Estudar a relação entre o sinal E(s) e U (s)
Figura 10.12: Instalação de um controlador digital sem desativar o controlador

analógico utilizado anteriormente
10.8.7 Miniprojeto de controlador digital

Um certo processo industrial tem a sua dinâmica modelada pela equação di-
ferencial ordinária
" # " #
0 1 0
ẋ = + (10.63)
−5 −6 5
h i
y = 2 1 (10.64)
e, no presente momento, encontra-se controlado em malha fechada por um PID

analógico. No contexto da modernização da fábrica, a equipe de engenharia
responsável por operar e manter este processo está propondo a instalação
de um controlador digital, no lugar do controlador analógico, sem alterar os
sensores e atuadores.
Nesse contexto, a tarefa consiste de:
1. Cite pelos menos cinco argumentos que poderiam ser utilizados pela
equipe de engenharia para convencer a Diretoria de que esta moderniza-
ção seria um bom investimento.
2. Escolha T , o perı́odo de amostragem, a ser utilizado pelo controlador
digital.
3. Assumindo que o algoritmo de controle é da forma u[kT ] = KP e[kT ], k ∈
Z, calcule KP de modo que, a partir do repouso e para entrada de re-
ferência (r) do tipo degrau, tenha-se um sobressinal de 16.3 % (Mp =
0.163).
4. Calcule o tempo de subida (tr ), supondo que se utiliza o algoritmo de

controle do item (3). Doravante, o valor numérico deste tempo de subida
será denotado (tORIG
r ).
5. Calcule o erro de regime para entrada degrau, quando se utiliza o con-

trolador do item (3).
6. Calcule, se possı́vel, os ganhos (KP e KI ) de um controlador PI de

modo que satisfaça, segundo a sequência de prioridades, as seguintes
especificações de desempenho:
(a) erro nulo de regime para entrada degrau

(b) sobressinal de 16.3%
(c) tempo de subida de tORIG
r /2
(d) erro nulo de regime para entrada rampa.
7. Projete um compensador cascata e ajuste os ganhos (KP e KI ) do con-

trolador PI de modo que satisfaça, segundo a sequência de prioridades,
as seguintes especificações de desempenho:
(a) erro nulo de regime para entrada degrau

(b) sobressinal de 16.3 %
(c) tempo de subida de tORIG
r /2
(d) erro nulo de regime para entrada rampa.
8. Apresentar, utilizando pseudocódigo, um script para o controlador PI

do item (6), supondo que são disponı́veis as rotinas
• ON TIMER GO(tempo,’minha-subrotina’), que, quando chamado

com o argumento tempo = [integer], gera uma interrupção após o
tempo em ms (mili-segundos) a ser tratado pela rotina de atendi-
mento minha-subrotina,
• AD IN(e), que permite armazenar em e = [byte] o valor da tensão
na entrada do conversor análogo digital no formato 8 bits (00000000 ≡
−5, 0V e 11111111 ≡ +5, 0V ); e
• DA OUT(u), que permite converter em tensão na faixa de −5, 0 a
+5, 0V o valor armazenado em u = [byte].
Parte IV
Métodos adicionais
375
11
Alguns Métodos Adicionais
“He who seeks for methods without having a definite problem in mind
seeks in the most part in vain.”
– David Hilbert
Neste capı́tulo são apresentados alguns métodos para projeto de controle de

sistemas dinâmicos que têm recebido atenção recente.
Foram selecionados os seguintes enfoques promissores entre aqueles disponı́veis
no momento:
1. Linearização por realimentação do estado ou da saı́da

Quando um modelo não linear é acurado, pode-se obter, em certos casos,
uma transformação que o torna linear, mediante uma realimentação de
estados ou, às vezes, mesmo da saı́da.
2. Controle utilizando modos deslizantes

Trata-se de um tipo de controlador que oferece robustez a erros no mo-
delo e perturbações exógenas, mas à custa de maior consumo de energia,
geração de vibrações e possı́vel aumento na velocidade de degradação
dos atuadores.
3. Controle adaptativo com modelo de referência (MRAC)

Aqui é feita apenas uma apresentação limitada do tema para ilustrar
como as incertezas podem ser mitigadas pela adaptação do controlador
às incertezas, em contraponto aos métodos baseados em robustez.
4. Controle preditivo baseado em modelos (MPC)

Esse enfoque tem se popularizado por permitir a inclusão de restrições
sobre a entrada, o estado e a saı́da, bem como por ser aplicável a sistemas
multivariáveis.
377
5. Controle de processos que apresentam planicidade

Embora ainda não sejam conhecidos critérios simples para verificar se
um dado modelo é plano, o projeto do controlador é significativamente
simplificado nesse caso.
6. Controladores baseados em conhecimento

A popularização de ferramentas de inteligência artificial (IA) tem per-
mitido o desenvolvimento de controladores que incorporam capacida-
des como a de aprendizado, decisões baseadas em realidade aumentada,
comportamento autônomo, sensoriamento através de imagens e muitas
outras. Aqui ilustra-se o potencial das ferramentas de IA apresentando
controladores baseados em conhecimento expressos como regras de pro-
dução fuzzy (Se <antecedente> então <consequente).
11.1 Linearização via realimentação de estados

O método apresentado nesta seção é aplicável a sistemas da forma
ẋ = f (x) + g(x) u (11.1)
que são controláveis (novamente, u(t) ∈ R para t fixo).

Um teste de controlabilidade para tais modelos pode ser encontrada em (ISI-
DORI, 1985) e (NIJMEIJER; SHAFT, 1990), entre outras referências.
Suponha, inicialmente, que a representação de um processo esteja descrito por
uma EDO na forma especial
·
z= Az + Bβ −1 (z) u − α (z)

(11.2)
Nesse caso, a lei de controle
u = α (z) + β(z)v (11.3)
torna linear o modelo da combinação controlador + processo

·
z = Az + Bβ −1 (z) u − α (z)

(11.4)
−1
= Az + Bβ (z) α (z) + β(z)v − α (z) (11.5)
= Az + Bv (11.6)
Ainda mais, se (A, B) é controlável, então ∃P não singular, tal que a trans-
formação similar
z = Pz (11.7)
Alguns Métodos Adicionais 379
leva a uma representação na forma canônica controlável

·
z = PAP−1 z + PBv (11.8)
= Ac z + Bc v (11.9)
   
0 1 0 ··· 0 0
···
   
 0 0 1 0   0 
· .. .. .. .. ..
   
z =  .. z + 
 
v

(11.10)

 . . . . .   .

 0 0 0 ··· 1 


 0 

−a1 −a2 −a3 · · · −an 1
Utilizando-se uma realimentação de estados v = −Kz + v é possı́vel alocar

todos os polos em 0
   
0 1 0 ··· 0 0
0 0 1 ···
 
 0  
 0


· .. .. .. . . ..
   
z= 
 . . . . .z + 

 0 v
 (11.11)
 

 0 0 0 ··· 1 
 
 0 

0 0 0 ··· 0 1
| {z } | {z }
AB BB
Esta representação (AB , BB ) recebe o nome de forma canônica de Brunovsky

e corresponde a se ter uma cadeia de integradores
·
z 1 = z2 (11.12)
·
z 2 = z3 (11.13)
..
. (11.14)
·
zn = v (11.15)
Utilizando-se v = −Kz + v e z = Pz, obtém-se que
u = α (z) + β(z)v (11.16)
= α (z) + β(z) (−Kz + v) (11.17)
= α (z) + β(z) (−KPz + v) (11.18)
α(z)
z }| {
= α (z) − β(z)KPz +β(z)v (11.19)
= α (z) + β(z)v (11.20)
Portanto, a representação desejada é
·
z= AB z + BB β −1 (z) u − α (z)

(11.21)
Assim, busca-se um mapeamento homeomórfico T : Rn → Rn
z = T (x) (11.22)
de modo que um modelo não linear (de forma muito comum na prática)
·
x= f (x) + g(x)u (11.23)
seja transformado em 11.21.

Utilizando-se a regra da cadeia na 11.23, pode-se escrever
dx
ż = Tx (x) (11.24)
dt
= Tx (x) f (x) + g(x)u (11.25)
= Tx (x) f (x) + Tx (x) g(x)u (11.26)
A ideia é obter T(.) de modo que a expressão 11.26 se torne idêntico àquela
desejada, ou seja, a expressão 11.21, mas com A e B já na forma de Brunovsky
·
z = AB z + BB β −1 (z) u − α (z)

(11.27)
h i
= AB T(x) + BB β −1 T (x) u − α T (x) (11.28)
= AB T (x) + BB βe−1 (x) u − α

e (x) (11.29)
em que αe (x) = α ◦ T(x) e βe (x) = β ◦ T(x).

Portanto, igualando-se os termos correspondentes de 11.26 e 11.29, tem-se que
a transformação T (.) deve ser tal que
Tx (x) f (x) = AB T (x) − BB βe−1 (x) α

e (x) (11.30)
Tx (x) g(x) = BB βe−1 (x) (11.31)
Denotando por Ti (x) os componentes de T(x),

 
T1 (x)

T(x) =  .. 
(11.32)
.
 

Tn (x)
os termos à direita de 11.30 e 11.31 são, respectivamente,
 
T2 (x)
T3 (x)
 
 
..
 
AB T (x) − BB βe−1 (x) α
e (x) =  (11.33)
 
 . 


 Tn (x) 

−βe−1 (x) α
e (x)
e " #
e−1 0(n−1)×1
BB β (x) = (11.34)
βe−1 (x)
já que AB possui uma forma especial
   
0 1 0 ··· 0 T2 (x)
 
0 0 1 ···
  
 0  T1 (x)  T3 (x) 
.. .. .. . . .. .. ..
    
AB T (x) = =  (11.35)
  

 . . . . .
 .  
 . 

 0 0 0 ··· 1 
 Tn (x)
 T (x)
 n


0 0 0 ··· 0 0
bem como BB ,
   
0 0
0
 
 0 
   
..
 
−1 −1
 
−BB βe (x) = − 
 0  β (x) =  (11.36)
 
e
 . 

 0 
  
 0 

1 −βe−1 (x)
Assim, a transformação buscada T deve satisfazer
∂T1
f (x) = T2 (x) (11.37)
∂x
..
.
∂Tn−1
f (x) = Tn (x) (11.38)
∂x
∂Tn
f (x) = −βe−1 (x) αe (x) (11.39)
∂x
e
∂T1
g(x) = 0 (11.40)
∂x
..
.
∂Tn−1
g(x) = 0 (11.41)
∂x
∂Tn
g(x) = β −1 (x) ̸= 0 (11.42)
∂x
Tendo-se obtido T(x), o controle linearizante é u(x) = α
e (x) + βe (x) v, em que
∂Tn
∂x f (x)
e (x) = − ∂T
α (11.43)
n
∂x g(x)
1
βe (x) = ∂Tn
(11.44)
∂x g(x)
Em princı́pio, uma vez que o sistema é tornado linear por uma malha interna,
pode-se conceber uma malha externa para alocar arbitrariamente os polos.
Uma dificuldade do enfoque é a necessidade de se dispor de um modelo acu-
rado.
Figura 11.1: Linearização exata por realimentação de estado.
11.1.1 Exemplo
·
x1 = a sin (x2 ) (11.45)
·
x2 = −x21 + u (11.46)
h iT
em que se pode fazer a associação, denotando x = x1 x2 ,
" #
a sin (x2 )
f (x) = (11.47)
−x21
" #
0
g (x) = (11.48)
1
As condições requeridas para T (x) são

" #
∂T1 h i 0 ∂T1
g(x) = 0 ⇒ ∂T ∂x
1 ∂T1
∂x =0⇒ =0 (11.49)
∂x 1 2 1 ∂x2
∂T1 ∂T1
f (x) = T2 (x) ⇒ T2 (x) = a sin (x2 ) (11.50)
∂x ∂x1
e, também,
∂T2 ∂T2 ∂T1
g(x) ̸= 0 ⇒ = a cos (x2 ) ̸= 0 (11.51)
∂x ∂x2 ∂x1
Arbitrando-se T1 (x) = x1 , resulta T2 (x) = a sin (x2 ), donde

∂T2
f
∂x
e (x1 , x2 ) = − ∂T
α = x21 (11.52)
2
∂x g
1 1
βe (x1 , x2 ) = ∂T2
= (11.53)
∂x g
a cos (x2 )
e o controle linearizante é
1
u = x21 + v (11.54)
a cos (x2 )
válido para − π2 < x2 < π2 .

De fato, utilizando-se o controle u(x1 , x2 , v) que foi calculado, tem-se que o
sistema, nas novas coordenadas {z1 , z2 }, possui a sua dinâmica descrita por
· ·
z 1 = T 1 (x) (11.55)
·
= x1 (11.56)
= a sin(x2 ) (11.57)
= T2 (x) (11.58)
= z2 (11.59)
e
· ·
z 2 = T 2 (x) (11.60)
d
= a sin(x2 ) (11.61)
dt
·
= a cos (x2 ) x2 (11.62)

= a cos (x2 ) −x21 + u (11.63)
!
1
= a cos (x2 ) −x21 + x21 + v (11.64)
a cos (x2 )
= v (11.65)
ou seja, o modelo está na forma de Brunovski

·
z1 = z2 (11.66)
·
z2 = v (11.67)
como desejado.
11.2 Linearização por realimentação da saı́da

Seja o modelo SISO da forma
ẋ = f (x) + g(x)u (11.68)

y = h(x) (11.69)
Na linearização por realimentação de estados, necessitava-se de T (x) tal que
∂T1
f (x) = T2 (x) (11.70)
∂x
..
.
∂Tn−1
f (x) = Tn (x) (11.71)
∂x
∂Tn
f (x) = −βe−1 (x) α
e (x) (11.72)
∂x
∂T1
g(x) = 0 (11.73)
∂x
..
.
∂Tn−1
g(x) = 0 (11.74)
∂x
∂Tn
g(x) = β −1 (x) ̸= 0 (11.75)
∂x
Caso favorável:
Em alguns casos, a própria função h(x) pode ser usada no lugar de T1 (x)
y = h(x) = T1 (x) (11.76)
Derivando y, tem-se que

∂T1
ẏ = ẋ (11.77)
∂x
∂T1
= f (x) + g(x)u (11.78)
∂x
∂T1 ∂T1
= f (x) + g(x)u (11.79)
∂x ∂x
e, eventualmente,
∂T1
g(x) = 0 (11.80)
∂x
Defina-se T2 (x) a partir da expressão anterior de ẏ
∂T1
T2 (x) = f (x) (11.81)
∂x
= ẏ (11.82)
Derivando-se ẏ = T2 (x), obtém-se que
∂T2
ÿ = ẋ (11.83)
∂x
∂T2 ∂T2
= f (x) + g(x)u (11.84)
∂x ∂x
∂T2
e, se ∂x g(x) = 0, então faz-se
∂T2
T3 (x) = f (x) (11.85)
∂x
= ÿ (11.86)
Prossegue-se desta forma até
∂Tn ∂Tn
y (n) = f (x) + g(x)u (11.87)
∂x ∂x
Caso seja satisfeita a condição
∂Tn
g(x) ̸= 0 (11.88)
∂x
o controle linearizante é
" #
1 ∂Tn
u = ∂Tn − f (x) + v (11.89)
∂x g(x)
∂x
A saı́da correspondente y é tal que
y (n) = v (11.90)
Fazendo-se z1 = y, z2 = ẏ, ... , zn = y (n−1) , obtém-se a forma de Brunovsky
ż1 = z2 (11.91)
..
.
żn−1 = zn (11.92)
żn = v (11.93)
Exemplo: Equação de Van der Pol

Considere o seguinte modelo conhecido como o de Van der Pol controlado
ẋ1 = x2 (11.94)

ẋ2 = −x1 + ε 1 − x21 x2 + u (11.95)
y = x1 (11.96)
Deriva-se, agora, y, até que apareça explicitamente a grandeza u
ẏ = ẋ1 = x2 (11.97)

ÿ = ẋ2 = −x1 + ε 1 − x21 x2 + u (11.98)
Logo, o controle linearizante é

u = x1 − ε 1 − x21 x2 + v (11.99)
de modo que

ÿ = −x1 + ε 1 − x21 x2 + u (11.100)

= −x1 + ε 1 − x21 x2 + x1 − ε 1 − x21 x2 + v (11.101)
= v (11.102)
De fato, fazendo-se a associação z1 = y e z2 = ẏ
z1 = y ⇒ ż1 = ẏ = z2 (11.103)
z2 = ẏ ⇒ ż2 = ÿ = v (11.104)
Caso geral
Suponha que o modelo é de ordem n (x[t] ∈ Rn ) e assuma que, nas deriva-
ções sucessivas de y, a variável u apareceu na r-ésima derivada ou, em outras
palavras,
∂Tr ∂Tr
y (r) = f (x) + g(x) u (11.105)
∂x |∂x{z }
̸=0
para r < n.
Um modelo
ẋ = f (x) + g(x)u (11.106)

y = h(x) (11.107)
é dito ser de grau relativo r se

T1 (x) = h(x) (11.108)
∂Tk
Tk+1 (x) = f (x) (11.109)
∂x
∂Tr
f (x) = 0 ; k = 1, 2., , , .r − 1 (11.110)
∂x
∂Tr
f (x) ̸= 0 (11.111)
∂x
ou, equivalentemente, se u aparece explicitamente apenas em y r .
Nesse caso, fazendo-se
" #
1 ∂Tr
u = ∂Tr − f (x) + v (11.112)
∂x g(x)
∂x
pode-se obter o modelo linearizano na forma de Brunovsky
ż1 = z2 (11.113)
..
.
żr−1 = zr (11.114)
żr = v (11.115)
y = z1 (11.116)
Note que o modelo original é ordem n, há n − r componentes adicionais do
estado, doravante denotados wr+1 , wr+2 , ... , wn .
A saı́da y não é afetada por esses componentes wr+1 , wr+2 , ..., wn e, logo, são
não observáveis.
Uma análise simplificada desses componentes não observáveis é apresentada
no Apêndice I (Dinâmica Zero), tomando-se o caso de sistemas lineares.
A linearização por realimentação de estado consiste essencialmente em obter

uma transformação de coordenadas z = T(x), eventualmente não linear, e
remete ao conceito de conjugação topológica. Para tal, a função T(x) neces-
sita satisfazer certas condições de regularidade. Em princı́pio, se o modelo
fornecido é acurado e se dispõe da transformação T, o projeto do controla-
dor demandaria apenas técnicas lineares. No caso de realimentação da saı́da,
deve-se tomar o cuidado de verificar se os componentes não observáveis são
“estáveis”.
11.3 Controle utilizando movimentos deslizantes

Ao invés de apresentar o método de controle utilizando mo-
vimentos deslizantes em uma forma mais geral, este capı́-
tulo limita a atenção a sistemas lineares, em conformidade
com a filosofia apresentada no capı́tulo de Introdução.
Considere o controle de posição em apenas um eixo de um
satélite, utilizando thrusters, que é um exemplo já visto no Figura 11.2:
capı́tulo sobre controle liga-desliga. A figura ao lado ilus- Controle de saté-
tra o plano de movimentação em que o binário produzido lite em um eixo
pelos jatos de gás dos thrusters constituem a entrada u. utilizando jatos
Assumindo ausência de arrasto, o modelo é dado por de gás.
J θ̈ = τ (11.117)
1
L[θ] = L[τ ] (11.118)
Js2
em que J = 1, U (s) = L[τ (t)] é uma lei de controle liga-desliga e Y (s) = L[θ(t)]
é a direção de apontamento do satélite:
Figura 11.3: Controle de satélite com jatos intermitentes.
Esse sistema apresenta movimento deslizante, conforme visto na figura 11.4,

em que propositalmente o passo de integração foi aumentado para que se
pudesse observar o chaveamento dos jatos de gás.
Como esse chaveamento é de elevada frequência, o comportamento observado
devido à filtragem do componente de alta frequência é o de um sistema linear
tipo ẋ = −λ x.
Esse fenômeno pode ser interpretado como um movimento de“escorregamento”
do estado sobre uma superfı́cie (sliding motion).
Neste texto, além de se limitar apenas a superfı́cies de deslizamento lineares
passando pela origem, trabalha-se com um modelo de ordem 3 para evitar o
emprego de numerosos ı́ndices e subı́ndices (a generalização para uma ordem
Figura 11.4: Movimento deslizante apresentado pelo modelo de controle liga-

desliga do satélite.
qualquer é imediata, porém envolvendo uma notação mais trabalhosa).
d3 y d2 y dy
3
+ a1 2
+ a2 + a3 y = bu + d (11.119)
dt dt dt
em que d é uma perturbação desconhecida a menos do seu módulo máximo

|d| ≤ dmax
Fazendo-se x1 = y, x2 = ẏ e x3 = ÿ, obtém-se uma realização na forma
controlável
     
0 1 0 0 0
ẋ =  0 0 1 x +  0 u +  0 d (11.120)
     
−a3 −a2 −a1 b 1
em que x = [x1 x2 x3 ]T
Dado um sinal de referência yr (t) suave, deseja-se conceber um sinal de controle
u(t) tal que y(t) −→ yr (t) para t −→ ∞.
Defina o erro e por
e = yr − y (11.121)
e componha o vetor e = [ e ė ë ]T em que
e = yr − y = yr − x1 (11.122)
ė = ẏr − ẏ = ẏr − x2 (11.123)
ë = ÿr − ÿ = ÿr − x3 (11.124)
Seja também a função s definida por
s(e) = c1 e + c2 ė + c3 ë (11.125)
T
= c e (11.126)
para alguma escolha dos coeficientes ci .

A superfı́cie de deslizamento S no espaço (e, ė, ë) que se adota aqui é um plano
caracterizado por n o
S = e ∈ R3 | s(e) = 0 (11.127)
Se os coeficientes (c1 , c2 , c3 ) forem escolhidos de modo que as raı́zes de
c3 λ2 + c2 λ + c1 = 0 (11.128)
tenham parte real negativa, então e(t) −→ 0 para t −→ ∞ (com desempenho

especı́fico de acordo com a escolha desses coeficientes).
Pode-se fazer uma interpretação geométrica, lembrando a expressão do pro-
duto escalar
s(e) = cT e (11.129)
= <c|e> (11.130)
= ∥c∥∥e∥ cos(∡{c, e}) (11.131)
Portanto, s(e) = 0 significa que c ⊥ e e c é um vetor ortogonal ao plano S.

O sinal de controle u deve ser projetado de modo que o sistema se aproxime
de S.
A diminuição ou o aumento de s(e) com o tempo é indicado por
d 2
s (e) = 2s ṡ (11.132)
dt
= 2s < c | ė > (11.133)
já que c é constante.

Se s(e) > 0, então deve-se escolher u tal que < c | ė > < 0 (ou seja, movimen-
tar na direção de decréscimo de s(e)
Explicitando em termos dos componentes de ė, resulta que
d
ṡ(e) = s(e) (11.134)
dt
...
= c1 ė + c2 ë + c3 e (11.135)
...
= c1 (ẏr − x2 ) + c2 (ÿr − x3 ) + c3 ( y r − ẋ3 ) (11.136)
...
= c1 ẏr + c2 ÿr + c3 y r + a3 c3 x1 + (a2 c3 − c1 ) x2 (11.137)
+ (a1 c3 − c2 ) x3 + bc3 u + dc3 (11.138)
...
Note que ṡ(e) depende de {x1 , x2 , x3 , ẏr , ÿr , y}.
Denote uf dbk a parte de u que é uma realimentação de estados, visto em 11.138
 
x1
uf dbk = − [ a3 c3 a2 c3 − c1 a1 c3 − c2 ]  x2  (11.139)
 
x3
e por uref a parte correspondente ao sinal de referência yr

 
ẏr
uref = − [c1 c2 c3 ]  ÿr  (11.140)
 
...
yr
Inicialmente, assumindo d = 0, é obtido um controle ueq que anula ṡ(e)
1
ueq = uref + uf dk (11.141)
bc3
Para obter ṡ(e) < 0 quando s(e) > 0 e ṡ(e) > 0 quando s(e) < 0, mesmo na
presença de d não nulo, adiciona-se um termo de suficiente magnitude para
mascará-lo

uslide = −M sign s(e) (11.142)
com M > |d|.
A lei de controle é dada, portanto, por

u = ueq − M sign s(e) (11.143)
Observações
• Fase de atingimento (reaching phase): é aquela em que a evolução do
processo ocorre distante da superfı́cie de deslizamento, mas tentando
atingi-la.
• Fase de deslizamento (sliding phase): é aquela em que a evolução do

processo ocorre sobre s = 0, ou nas proximidades, quando se adota uma
pequena tolerância para reduzir o número de comutações.
• Em aplicações práticas, utiliza-se uma tolerância ε da proximidade de e

de S, ou seja,
(
−M se s(e) > ε
uslide = (11.144)
+M se s(e) < −ε
• A lei de controle uslide = −M sign s(e) , embora mantenha s(e) = 0 du-

rante o escorregamento, leva a infinitas comutações que ocorrem a cada

instante. Equações diferenciais com infinitos pontos de descontinuidade
podem ser tratados com o enfoque em (FILIPPOV, 1964).
Exemplo numérico
...
y + 6ÿ + 11ẏ + 6y = u + d (11.145)
Seja yr (t) = sin(t) e adote a superfı́cie de deslizamento S caracterizado por
s = 1e1 + 2e2 + 1e3 .
A expressão λ2 + 2s + 1 = 0 possui uma raiz dupla em −1.
A perturbação d é assumida ser 1 + 0.2y .
Nessas condições, tem-se que
a = [ 6 11 6 ] (11.146)
c = [1 2 1] (11.147)
O termo de realimentação uf dk é

uf dk = − a3 c3 (a2 c3 − c1 ) (a1 c3 − c2 ) x (11.148)
= −6x1 − 10x2 − 4x3 (11.149)
O termo correspondente às derivadas da referência yr é dado por

 
ẏr
uref = − [ 1 2 1 ]  ÿr  (11.150)
 
...
yr
...
= −ẏr − 2ÿr − y r (11.151)
A lei de controle é simplesmente

u = uf dk + uf dk − M sign s(e) (11.152)
e, no caso, se y estiver rastreando yr , então |y(t)max | é próximo de 1.

Como d = 1 + 0.2y, por segurança, escolheu-se M = 10.
Figura 11.5: Resposta temporal ilustrando o bom rastreamento e a respectiva

trajetória no espaço de erros de trastreamento
11.3.1 Caso geral

Para um modelo da forma
ẋ = f (x, u) (11.153)
a ideia central para obter um modo deslizante é a mesma.

Suponha que dada uma superfı́cie desejada de deslizamento caracterizada por
s(e) = 0 tal que
• se s(x) > 0, então existe u = u+ tal que f (x, u+ ) aponta na direção de

decréscimo de s(x)
• se s(x) < 0, então existe u = u− tal que f (x, u− ) aponta na direção de

aumento de s(x)
Nessas condições, desde que se possa conceber um controle ureach que con-
duza o sinal de erro e para uma proximidade adequada de S, o projeto de
controlador deslizante é similar ao apresentado anteriormente.
Vantagens e desvantagens
• Vantagens do controle utilizando movimentos deslizantes:
– Redução de ordem do modelo
– Facilidade de ajuste do desempenho
– Robustez a incertezas
• Desvantagens do controle utilizando movimentos deslizantes:

– Consumo de energia (termo M sign s(e) sempre com a amplitude
M, ∀t)
– Desgaste do atuador (chaveamentos bruscos)
– Ressonância e vibração (chaveamento pode ocorrer em frequências
indesejáveis )
– Dificuldade na simulação (chaveamentos de alta frequência dificul-
tam a integração numérica).
O controlador baseado em movimentos deslizantes pode ser projetado de

modo a apresentar robustez, mas a comutação frequente pode diminuir a
vida útil dos atuadores ou gerar vibrações que podem afetar o sistema. Caso
a operação seja do tipo u(t) = ±M , o atuador é de baixo custo. Quando a
condição inicial não se encontra nas proximidades da superfı́cie de comuta-
ção, necessita-se de uma fase de movimento de aproximação
11.4 Controle adaptativo

Os modelos matemáticos podem apresentar várias incertezas que podem ad-
vir de hipóteses simplificadoras, dispersão estatı́stica dos parâmetros, ruı́dos,
entradas exógenas negligenciadas, dinâmicas não modeladas e muitos outros
fatores.
Para mitigar os problemas de incertezas, os enfoques principais são de dotar
a malha de controle com mecanismos
1. que confiram robustez ao sistema de modo que, mesmo na presença de
incertezas, o desempenho seja satisfatório;
2. de adaptação para que o sistema seja modificado automaticamente para
acomodar os desvios em relação aos dados nominais ou fazer frente a
novas condições de operação.
Nesta seção é tratado o enfoque de controle adaptativo e o controle robusto

no capı́tulo 9.
Em termos gerais, os mecanismos de controle adaptativo podem ser do tipo:
1. Direto, em que o controlador é ajustado a partir de indicadores especı́fi-

cos e sem a necessidade de se obter os valores dos parâmetros do modelo
do processo.
2. Indireto, em que os parâmetros do modelo do processo são identificados

e os valores obtidos são inseridos em um controlador parametrizados em
relação a esses.
3. Programado, em que algum sinal relevante altera o comportamento do

controlador de modo definido. Por exemplo, o controlador pode ser
alterado de acordo com a intensidade da iluminação natural (noite,dia),
de acordo com a altitude como no caso do aeroplano ou de acordo com
o nı́vel de glicemia de um paciente diabético, entre outros exemplos.
Aqui é apresentado apenas o esquema MRAC (model reference adaptive con-

trol ), embora existam várias alternativas, como pode ser visto em (LANDAU,
1979), (ASTROM; WITTENMARK, 1995),(NARENDRA; ANNASWAMY,
1989) (SASTRY; BODSON, 1991) e (IOANNOU; SUN, 1996), entre outros.
11.4.1 Controle adaptativo MRAC - Direto

Seja a estrutura geral de um enfoque MRAC ilustrada na figura 11.6, em que
o objetivo é ajustar dinamicamente o controlador de modo que e(t) → 0. Para
Figura 11.6: Diagrama de blocos de uma estrutura tı́pica de MRAC.
simplificar a apresentação, é assumido que os modelos utilizados nesta seção

estão na forma canônica controlável e todos os componentes do estado x estão

disponı́veis para utilização nas leis de controle e de adaptação.
O modelo considerado é, portanto,
ẋ = Ax + Bu (11.154)
em que as matrizes A, B são da forma

   
0 1 0 ··· 0 0
···
   
 0 0 1 0   0

.. .. .. .. ..
   
A=
 ..  ; B=
  
(11.155)
 . . . . .  

.

 0 0 0 ··· 1 

 0 
 
−an −a−1 −an−2 · · · −a1 1
As matrizes An×n e Bn×1 são consideradas constantes, porém os valores dos

elementos são desconhecidos.
O modelo de referência adotado, de mesmas dimensões, é expresso por
ẋm = Am xm + Bm r (11.156)
em que se assume que Am possui autovalores no semiplano esquerdo e o par

(Am , Bm ) é controlável.
A estrutura mais simples para o controlador é a linear
u(t) = θ1 r(t) + θ1 θ2 x(t) (11.157)
em que θ1 ∈ R e θ2 é 1 × n.
O casamento perfeito entre o processo controlado e o modelo ocorre se
ẋ = Ax + Bu (11.158)
= Ax + B (θ1 r + θ1 θ2 x) (11.159)
= (A + Bθ1 θ2 ) x + Bθ1 r (11.160)
for idêntico a
ẋm = Am xm + Bm r (11.161)
ou seja, para os valores θ∗1 e θ∗2 dos parâmetros da estrutura de controle,
atinge-se o casamento perfeito se
Am = A + Bθ∗1 θ∗2 (11.162)

Bm = Bθ∗1 (11.163)
Definindo-se o sinal de erro e = x − x

b , somando e subtraindo o termo Am x e
levando em conta que Bm = Bθ∗1 , pode-se escrever
ė = ẋ − ẋm (11.164)
= (A + Bθ1 θ2 ) x + Bθ1 r − Am xm − Bm r (11.165)
= (A + Bθ1 θ2 ) x + Bθ1 r − Am xm − Bm r + [Am x − Am x]
= Am (x − xm ) − (A − Am )x + Bθ1 θ2 x + Bθ1 r − Bm r (11.166)
| {z }
e
De 11.162, A − Am = −Bθ∗1 θ∗2 e, logo,

ė = Am e − Bθ∗1 θ∗2 x + Bθ1 θ2 x + Bθ1 r − Bm r (11.167)
De 11.163, B = Bm θ∗1 , e pode-se escrever
ė = Am e − Bm (θ∗1 )−1 θ∗1 θ∗2 x + Bm (θ∗1 )−1 θ1 θ2 x + Bm (θ∗1 )−1 θ1 r − Bm r
= Am e − Bm θ∗2 x + Bm (θ∗1 )−1 θ1 θ2 x + Bm (θ∗1 )−1 θ1 r − Bm r (11.168)
De 11.157, tem-se que u = θ1 θ2 x + θ1 r e também r = θ−1
1 u − θ2 x e, portanto,
Bm (θ∗1 )−1 [θ1 θ2 x + θ1 r] = Bm (θ∗1 )−1 u (11.169)

−1
Bm r = Bm (θ1 ) u − B m θ2 x (11.170)
e, substituindo-se esses termos na equação do erro, obtém-se
ė = Am e − Bm θ∗2 x + Bm (θ∗1 )−1 u − Bm (θ1 )−1 u + Bm θ2 x(11.171)
−1
θ∗1 − (θ1 )−1 u + Bm θ2 − θ∗2 x

= A m e + Bm (11.172)
| {z } | {z }
Ψ Φ
= Am e + Bm Ψu + Bm Φx (11.173)
Para garantir que e(t) → 0, propõe-se obter as leis de adaptação Ψ e Φ utili-
zando a função candidata de Lyapunov
V (e, Ψ, Φ) = eT Pe + tr{ΨT Ψ} + tr{ΦT Φ} (11.174)
A expressão de V̇ é
V̇ = ėT Pe + eT P ė + 2tr{Φ̇T Φ} + 2tr{Ψ̇T Ψ} (11.175)

= eT ATm + uT ΨT BTm + xT ΦT BTm Pe +
+eT P (Am e + Bm Ψu + +Bm Φy) +
+2tr{Φ̇T Φ} + 2tr{Ψ̇T Ψ} (11.176)
h i
T
= e ATm P T
+ PAm e + 2 e PBm Ψu + tr{Ψ̇ Ψ} T
(11.177)
| {z }
−Q
h i
+ 2 e PBm Φx + tr{Φ̇T Φ}
T
(11.178)
Uma vez que, por hipótese, Am possui os seus autovalores no SPE, a equação
ATm P + PAm = −Q com Q ≻ 0 possui uma única solução P ≻ 0, como visto
anteriormente.
Propondo-se a lei de adaptação
Φ̇ = −BTm PexT (11.179)

Ψ̇ = −BTm Peu (11.180)
e notando que a dimensão do termo eT1×n Pn×n (Bm )n×1 Φ1×n é 1 × n, a pro-
priedade tr{αn×1 β1×n } = βα, permite escrever

tr{Φ̇T Φ} = −tr{(x)n×1 eT PBm Φ } (11.181)
1×n
= eT PBTm Φx (11.182)
De modo análogo ao que foi feito para Φ, obtém-se para Ψ que
tr{Ψ̇T Ψ} = eT PBTm Ψu (11.183)
Substituindo-se as expressões 11.182 e 11.183 em 11.178, constata-se que re-

sulta
V̇ = −eT Qe (11.184)
negativo semidefinida e, portanto, a origem (e, Ψ, Φ) = (0, 0, 0) é estável.
Nota-se, porém, que V̇ é apenas negativo semidefinida. Assim, para ga-

rantir que e → 0, necessita-se fazer uso do lema de Barbalat.
Lema de Barbalat
Segundo o lema de Barbalat (mais detalhes no Apêndice F), “dada uma função
f (t) ∈ C 1 [a, ∞) tal que lim f (t) = α, com α < ∞, se f˙(t) for uniformemente
t→∞
contı́nua, então lim f˙(t) = 0”.
t→∞
O lema de Barbalat é muito útil para obter resultados adicionais quando a
função V̇ é apenas semi-definida.
De fato, se a função V̇ (t) é utilizada no lugar da função f (t) do lema de Barba-
lat, então caso V̇ (t) seja uniformemente contı́nua, ter-se-á que lim V̇ (t) = 0.
t→∞
A função V̇ , por sua vez, será uniformemente contı́nua se for possı́vel verificar
que V̈ é limitada, pois uma função f (t) diferenciável e com derivada limitada
(ou seja, f˙ < M para algum M ) é uniformemente contı́nua.
O lema de Barbalat e a verificação da continuidade uniforme de V̇ é tratada
no Apêndice D.
No presente caso, a derivada temporal de V̇ é dada por
V̈ (t) = −ėT Qe − eT Qė (11.185)

T T
= (Am e + Bm Ψu + Bm Φx) Qe + e Q(Am e +
+Bm Ψu + Bm Φxu) (11.186)
A condição inicial (e(0), Φ(0), Ψ(0)) é finita e, portanto, V é finita no instante

inicial.
Como V̇ é negativo semidefinida, V̇ é não crescente, e, pela estrutura de V ,
(e(t), Φ(t), Ψ(t)) é finita para ∀t ≥ 0. A função |u(t)| é limitada, e, uma vez
que A possui autovalores no semiplano esquerdo, o sistema de BIBO limitada,
significando que x é limitado.
Pelo lema de Barbalat, tem-se que V̇ (t) → 0 e, como V̇ é uma quadrática,
e → 0.
Exemplo de controle adaptativo MRAC - Direto

Seja o modelo do processo, considerado desconhecido, dado por
" # " #
0 1 0
ẋm = xm + u (11.187)
−1 −2 1
Através de um controlador adaptativo tipo MRAC, deseja-se casar o modelo

de referência
" # " #
0 1 0
ẋ = x+ u (11.188)
−5 −10 1
A entrada é u(t) = 5 sin(0.2 t) e o processo é inicializado com a condição inicial

x(0) = [ 2 0 ]T , também assumido desconhecido.
Verifica-se na figura 11.7 que a lei de controle adaptativo faz o processo se
comportar como o modelo de referência no rastreamento do sinal de entrada.
11.4.2 Algumas notas históricas

• A Regra do MIT é um dos primeiros mecanismos de adaptação, apre-
sentado em Osburn, P. V. Whitaker J.P. e Kezer, A. New developments
in the design of model reference adaptive control systems. Institute of
the Aerospace Sciences, MIT, artigo 61-39, jan. 1961.
Figura 11.7: Exemplo de controle adaptativo tipo MRAC. A resposta do pro-

cesso controlado (linhas tracejadas) aproxima-se daquela do modelo (linhas
cheias)
• SOAS (textitself oscillating adaptive systems) utilizava uma estrutura

de osciladores com relés, para construir um controlador adaptativo em
que um processo Gp casa um modelo de referência Gm . Este enfoque foi
utilizado no avião-foguete X-15.
• Um enfoque muito famoso aplicado a sistemas com ruı́dos aleatórios é
o regulador autossintonizado (self-tuning regulator ), que combina um
identificador com uma lei de controle de variança mı́nima. (Aström, K.
J. e Wittenmark, B. On self-tuning regulators. Automatica, v. 9, n. 2,
p. 185-199, 1973.)
• Uma excelente revisão histórica pode ser encontrada em Annaswamy,
A. M. e Fradkov, A. L. A Historical perspective of adaptive control and
learning, arXiv.2108.11336, Cornel University, 2022.
https://doi.org/10.48550/arXiv.2108.11336
Os dois enfoques principais para mitigar o problema de incertezas empregam

os conceitos de robustez ou adaptação. Nesta seção apresentou-se apenas um
método de controle adaptativo, focando leis de adaptação baseadas no crité-
rio de estabilidade de Lyapunov. Ressalta-se, porém, que existe uma grande
variedade de outros enfoques, por exemplo utilizando métodos de inteligên-
cia artificial, baseados em filtragem estocástica, utilizando backstepping
etc.
11.5 Controle baseado em planicidade

A teoria sobre planicidade (flatness) é recente e envolve certa sofisticação do
ponto de vista matemático (M. Fliess, J. L. Lévine, P. Martin and P. Rouchon:
Flatness and defect of non-linear systems: introductory theory and examples.
International Journal of Control, v. 61, n. 6, p. 1327-1361, 1995).
Em termos gerais, quando se consegue descrever o modelo do processo na
forma especial,
x = ϕ(x, y, ẏ, ÿ, . . . , yα ) (11.189)

α
u = ψ(x, y, ẏ, ÿ, . . . , y ) (11.190)
então é imediato obter u a partir de x, y, ẏ, ÿ, etc...
Um modelo de sistema
ẋ = f (x, u) x(0) = x0 (11.191)
com x ∈ Rn e u ∈ Rm , m ≤ n, é dito ser diferencialmente plano se existe

y = [y1 , y2 , . . . , ym ] (saı́da plana) tal que
• y, ẏ, ÿ, . . . são independentes
• y = h(x, u, u̇, ü, . . . , ur )
• x e u podem ser expressos, para algum α > 0, na forma
x = ϕ(x, y, ẏ, ÿ, . . . , yα ) (11.192)

α
u = ψ(x, y, ẏ, ÿ, . . . , y ) (11.193)
e
ϕ̇ = f (ϕ, ψ) (11.194)
Exemplo preliminar: robô móvel com tração diferencial

Considere um robô móvel cuja velocidade linear e a direção de movimento é
controlado pela diferença da velocidade de rotação de duas rodas, conforme
ilustrado na figura 11.8.
O raio de cada roda é r e as velocidades de rotação das rodas esquerda L e di-
reita R são, respectivamente, ΩL e ΩR .
O vetor velocidade é v e a velocidade angular de

rotação em torno do centro de massa é ω.
v = (vR + vL )/2 (11.195)

ω = (vR − vL )/L (11.196)
vR = r ΩR (11.197)
vL = r ΩL (11.198)
Figura 11.8: Robô móvel
Fazendo-se a associação u1 = v e u2 = ω, as controlado por tração dife-
equações cinemáticas do movimento são rencial
ẋ1 = cos(x3 ) u1 (11.199)

ẋ2 = sin(x3 ) u1 (11.200)
ẋ3 = u2 (11.201)
Notando que
ẋ21 + ẋ22 = cos(x3 )2 + sin(x3 )2 u21 (11.202)
obtém-se que
q
u1 = ẋ21 + ẋ22 (11.203)
q
= ẏ12 + ẏ22 (11.204)
Por outro lado,
ẋ2 u
sin(x3 ) 1
= (11.205)
ẋ1 u
cos(x3 ) 1
= tan(x3 ) (11.206)
Como u2 = ẋ3 , de
ẋ2

−1
x3 = tan (11.207)
ẋ1
tem-se que
" #
d ẋ2

u2 = tan−1 (11.208)
dt ẋ1
1 ẍ2 ẋ1 − ẍ1 ẋ2
= h i2 (11.209)
1 + ẋ2 ẋ21
ẋ1
Definindo-se como saı́da, y1 = x1 e y2 = x2 , tem-se que

ÿ2 ẏ1 − ÿ1 ẏ2
u2 = (11.210)
ẏ12 + ẏ22
Conclui-se que o modelo do robô móvel é plano, sendo que tanto u quanto x
podem ser descritos funções de {y, ẏ, ÿ, ..., }
q
u1 = ẏ12 + ẏ22 = ψ1 (ẏ1 , ẏ2 , ÿ1 , ÿ2 ) (11.211)
ÿ2 ẏ1 − ÿ1 ẏ2
u2 = = ψ2 (ẏ1 , ẏ2 , ÿ1 , ÿ2 ) (11.212)
ẏ12 + ẏ22
e
x1 = y1 = ϕ1 (ẏ1 , ẏ2 , ÿ1 , ÿ2 ) (11.213)
x2 = y2 = ϕ2 (ẏ1 , ẏ2 , ÿ1 , ÿ2 ) (11.214)
ẋ2

x3 = tan−1 = ϕ3 (ẏ1 , ẏ2 , ÿ1 , ÿ2 ) (11.215)
ẋ1
Classes de sistemas com modelos planos

Algumas classes de modelos já são sabidos serem planares:
• Sistemas de apenas uma entrada
• Sistemas linearizáveis por realimentação estática
• Sistemas afins de codimensão 1 (1 entrada a menos que a dimensão do
x):
n
X
ẋn×1 = f (x) + gk (x) uk (11.216)
k=1
• Sistemas mecânicos com uma entrada a menos do que as variáveis de

configuração.
Detalhes em: Martin P.; Murray R. M.; Rouchon P. Flat systems, HAL-
00472051, 1997. [https://hal.archives-ouvertes.fr/hal-00472051]
Exemplo de método de projeto de controlador

Considere um motor DC, acionado pela armadura, cujo comportamento é
descrito pelas equações
di
L = −Ri − K1 ω + u (11.217)
dt
dω
J = K2 i − Bω (11.218)
dt
Adotando-se como saı́da y = ω, verifica-se que i é função de {y, ẏ}:

dω
J = K2 i − Bω (11.219)
dt !
1 dω
i = J + Bω (11.220)
K2 dt
1 ·
i = J y + By (11.221)
K2
O sistema é plano e o sinal de controle u pode ser escrito em função de y, ẏ, ÿ
di
u = L + Ri + K1 ω (11.222)
dt
L d · R ·
= J y + By + J y + By + K1 ω (11.223)
K2 dt K2
LJ ·· BL + RJ · RB + K1 K2
= y+ y+ y (11.224)
K2 K2 K2
·· ·
= a1 y + a2 y + a3 y (11.225)
em que
LJ BL + RJ RB + K1 K2
a1 = ; a2 = ; a3 = (11.226)
K2 K2 K2
Portanto, especificando-se um yref (t) desejado, pode-se determinar o sinal de
controle u(t) requerido para que y(t) rastreie yref (t).
a) Design empregando planicidade

Adota-se para a trajetória desejada yref (t), tal que de ω(t) = 0 no instante
t = 0 atinja-se ω(t) = ωf dado no instante t = tf especificado. Para a forma
da resposta, escolheu-se uma curva sigmoide:
yref = ωref (t) (11.227)

!2 !
t t
= ωf 3−2 (11.228)
tf tf
3tf t2 − 2t3
= ωf (11.229)
t3f
Para escrever a expressão para u,
u = a1 ÿref + a2 ẏref + a3 yref (11.230)

necessita-se de ẏref e de ÿ
 
· d  3tf t2 − 2t3 
y ref = ωf (11.231)
dt t3f
tf t − t2
= 6ωf (11.232)
t3f
e
 
·· d  tf t − t2 
y ref = 6ωf (11.233)
dt t3f
tf − 2t
= 6ωf (11.234)
t3f
O sistema é plano e o sinal de controle que faz y(t) rastrear y(t)ref é dado por
LJ ·· BL + RJ · RB + K1 K2
uref = y ref + y ref + yref (11.235)
K2 K2 K2
LJ tf − 2t BL + RJ tf t − t2
= 6ωf + 6ω f +
K2 t3f K2 t3f
RB + K1 K2 3tf t2 − 2t3
+ ωf (11.236)
K2 t3f
RB + K1 K2
= −2 ωf t3 +
K2 t3f
 
RB + K1 K2 BL + RJ 
+ 3 −6 ωf t 2
K2 t2f K2 t3f
 
BL + RJ LJ  LJ
+ 6 − 12 ωf t + 6 ωf (11.237)
K2 t2f K2 t3f K2 t2f
A lei de controle uref obtida é de malha aberta e susceptı́vel a incertezas de

modelagem.
Para correções em torno da resposta desejada yref (nominal), pode-se utilizar
um controlador PID:
Z t
·
u = uref − KP (yref − ω) − KD y ref − KI (yref − ω)dτ (11.238)
0
b) Design empregando controle PID clássico

Ao invés de utilizar o controlador PID para fazer correções em torno da tra-
jetória desejada obtida usando o conceito de planicidade, projeta-se aqui um
controlador PID clássico para rastrear uma entrada degrau.
Seja a referência uma função do tipo degrau com ωr (t) = ωf 1(t) e defina o
sinal de erro
e = y − yr (11.239)
= ωr − ω (11.240)
O valor de u correspondente a ω = ωf , em regime estacionário, é obtido a

partir da equação de estados fazendo-se dx/dt = 0,
0 = −Ri − K1 ω + ureg (11.241)

0 = K2 i − Bω (11.242)
A solução para esse sistema de equações é

RB + K1 K2
ureg = ωf (11.243)
K2
Uma lei de controle tipo PID é da forma
Z t
·
u = ureg − KP (ωr − ω) − KD ω − KI (ωr − ω)dτ (11.244)
0
Figura 11.9: Comparação entre controladores PID usando ou não planicidade.

A teoria que fundamenta o conceito de planicidade é matematicamente in-

tricada e pode ser encontrado em (FLIESS et al., 1995). A vantagem é
a possibilidade de escolher a função de saı́da y(t) para depois obter u(t).
Porém, a obtenção do modelo plano pode não ser trivial e nem sempre é
possı́vel.
11.6 Controle preditivo MPC

As saı́das esperadas ao se propor, no instante k, uma sequência de sinais de
controle
{ u[k + i|k] }i=0,1,2,...,nu = (u[k], u[k + 1], u[k + 2], ..., u[k + nu ]) (11.245)
podem ser calculadas, caso se disponha de um modelo matemático.

A ideia no controle preditivo baseado em modelos (model based predictive con-
trol - MPC) é escolher, em cada instante k, a sequência { u[k + i|k] }i=1,2,...,nu
de acordo com um ı́ndice de desempenho definido a priori.
Tipicamente, busca-se conciliar o erro entre uma referência desejada yr e as
saı́das esperadas yb, em contraposição ao dispêndio de esforço de controle u,
valendo-se, por exemplo, de um critério quadrático.
ny nu
X 2 X
J= qj yb[k + j|k] − yr + ri u[k + i − 1|k]2 (11.246)
j=1 i=1
em que os pesos qj e ri são escolhidos pelo projetista e, usualmente, 1 ≤ nu ≤

ny , qj > 0, ri > 0 .
Entre os trabalhos pioneiros em MPC estão o de Richalet et al. (1978), Model
Predictive Heuristic Control (posteriormente chamado de Model Algorithmic
Control (MAC)) e o de Cutler and Ramaker (1980), que se tornou conhecido
como Dynamic Matrix Control (DMC).
Novamente, para simplificar os detalhes da apresentação, assume-se que o
modelo é SISO.
Considere um modelo no espaço de estados dado por
x[k + 1] = Ax[k] + Bu[k] (11.247)

y[k + 1] = Cx[k + 1] (11.248)
Se, no instante k, x[k|k] = x[k] é conhecido e forem fornecidos os valores

u[k|k], u[k + 1|k], . . . , u[k + j − 1|k], os valores futuros denotados x
b[k + 1|k],
b [k + 2|k], · · · , x
x b [k + j|k] podem ser obtidos recursivamente
b [k + 1|k] = Ax[k|k] + Bu[k|k]

x (11.249)
b [k + 2|k] = Ax
x b [k + 1|k] + Bu[k + 1|k] (11.250)
2
= A x[k|k] + ABu[k|k] + Bu[k + 1|k] (11.251)
..
.
b [k + j|k] = Aj x[k|k] + Aj−1 Bu|k|k] + Aj−2 Bu[k + 1|k] + · · · +
x
+Bu[k + j − 1|k] (11.252)
e, portanto, as predições até j passos à frente são dadas por
yb[k + 1|k] = CAx[k|k] + CBu[k|k] (11.253)

2
yb[k + 2|k] = CA x[k|k] + CABu|k|k] + CBu[k + 1|k] (11.254)
..
.
yb[k + j|k] = CAj x[k|k] + CAj−1 Bu[k|k] + · · · +
+CBu[k + j − 1|k] (11.255)
Colocando na forma matricial e denotando o horizonte de predição por ny ,

tem-se
   
yb[k + 1|k] CA
CA2
   
 yb[k + 2|k]   
=   x[k] +
   
 ..  ..

 . 


 . 

yb[k + ny |k] CAny
| {z } | {z }
Y
b [k] F[k]
  
CB 0 ··· 0 u[k|k]
  
 CAB CB ··· 0  u[k + 1|k] 
+ 
  
.. .. .. ..  .. 

 . . . . 
 . 

CAny −1 B CAny −2 B · · · CB u[k + ny − 1|k]
| {z }| {z }
G U[k]
(11.256)
Assumindo a referência yr , adota-se a notação

h iT
Yr = 1 1 ··· 1 yr (11.257)
1×ny
Q = diag{q1 , q2 , · · · , qny } (11.258)
R = diag{r1 , r2 , · · · , rnu } (11.259)
a função custo
ny nu
X 2 X
J[k] = qj yb[k + j|k] − yr + ri u[k + i − 1|k]2 (11.260)
j=1 i=1
pode ser reescrita na forma compacta

T
J[k] = Y[k]
b − Yr Q Y[k]
b − Yr + U[k]T RU[k] (11.261)
Uma possı́vel restrição a ser exigida no controle é

u[ℓ|k] < umax ;ℓ ≥ k (11.262)
e, se nu < ny , então é usual adotar ∆u[k + ℓ|k] = 0 para nu < ℓ ≤ ny − 1.
Substituindo
Y[k]
b = GU[k] + F[k] (11.263)
na expressão de J[k], resulta que
T
Q GU[k] + F[k] − Yr + U[k]T RU[k]

J[k] = GU[k] + F[k] − Yr
(11.264)
que deve ser minimizado obedecendo a restrição
" #
Inu ×nu
U[k] ≤ 12nu ×1 umax (11.265)
−Inu ×nu
h iT
em que 12nu ×1 = 1 1 ··· 1
2nu ×1
Esse problema pode ser resolvido numericamente utilizando variados algorit-
mos de programação quadrática (vários algoritmos são apresentados em, por
exemplo, (IZMAILOV; SOLODOV, 2005), (HIMMELBLAU, 1972), (LUEN-
BERGER, 1973), (FLETCHER, 1986) e (BAZARAA; SHERALI; SHETTY,
1979), entre outros)
Embora o MPC utilize um modelo para fazer previsões do comportamento

para uma proposta de entradas futuras, o mecanismo de horizonte retroce-
dente permite correções em malha fechada, uma vez que a cada passo os
resultados são recalculados. Logo, são amenizados os problemas de impreci-
sões no modelo e perturbações exógenas. Uma vantagem do MPC é poder
tratar restrições tais como |u(t)| ≤ umax , |x(t)| ≤ xmax , |y(t)| ≤ ymax , mas
ao custo da necessidade de resolver um problema de otimização a cada passo.
Apresentou-se aqui apenas a versão de tempo discreto, uma vez que a ver-
são de tempo contı́nuo corresponde à necessidade de resolver problemas de
controle ótimo.
11.7 Controladores inteligentes

As ferramentas de inteligência artificial, tais como sistemas especialistas, redes
neurais, computação evolutiva e lógica nebulosa, podem ser utilizadas para do-
tar sistemas de controle automático de novas capacidades, como aprendizado
autônomo, decisão na presença de incertezas e adaptação a situações inéditas,
entre outras possibilidades.
Aqui serão abordados apenas os controladores baseados em conhecimento tipo
sistemas especialistas, com ou sem o uso de lógica nebulosa (fuzzy).
As redes neurais artificiais são também muito utilizados em controle, por exem-
plo, em problemas de aprendizado por reforço, classificação de padrões, pre-
dição de séries temporais e identificação de modelos, entre outras aplicações
(vide, por exemplo, (HAYKIN, 1994), (ZURADA, 1992), (CHARNIAK; MC-
DERMOTT, 1985) e (NASCIMENTO; YONEYAMA, 2000), entre outros).
11.7.1 Controladores baseados em conhecimento

Muitas vezes, embora não se disponha de um modelo matemático para o pro-
cesso, operadores humanos são capazes de realizar controle manual, com base
em conhecimentos adquiridos com a sua experiência.
Nestes casos, pode ser viável a representação destes conhecimentos através de
ferramentas próprias de inteligência artificial, de modo que os operadores hu-
manos sejam liberados de tarefas insalubres, cansativas, repetitivas ou longas.
Além disso, os seus conhecimentos podem ser reproduzidos, armazenados e

distribuı́dos a outros operadores.
Uma forma de representar conhecimentos faz uso de regras de produção do
tipo
Se {condições} Então {ações} (11.266)
Exemplos
• Se (Temp > 150o ) e (Pressão> 3 atm) Então (válvulaA = 40%)
• Se (Temp > 200o ) ou (Pressão> 5 atm) Então (chave1=OFF )
• Se (Temp < 150o ) e (Pressão< 2 atm) Então (alarme=ON )
Um sistema de inferência baseado em conhecimento possui, em geral, uma

estrutura como a da figura 11.10, que, além da máquina de inferência propri-
amente dita, possui facilidades como interface homem máquina (H/M), editor
de novas regras (conhecimento) e sistema de explicação para justificar as con-

clusões obtidas.
Figura 11.10: Arquitetura básica de um controlador baseado em conhecimento.
11.7.2 Controladores nebulosos

Muitas tarefas executadas por operadores humanos utilizam regras em que
as condições e as ações são expressas de forma simbólica, através de valores
baseados em senso comum.
Por exemplo, um instrutor de autoescola pode sugerir ações como mais um
pouco à direita, pise forte no freio, ande mais lento etc...
Por outro lado, um controlador convencional estaria trabalhando com infor-
mações do tipo posição do veı́culo = −0.3 m, pressão nos cilindros do freio
= 1200 psi ou velocidade < 25 km/h, etc...
Uma vez que não parece ser adequado considerar como lenta apenas uma velo-
cidade menor que 24.9 km/h e rápida uma de 25.01 km/h, define-se o conjunto
nebuloso de valores de velocidade considerados lentos através de uma função
de pertinência.
A figura 11.11 mostra, à esquerda, um conjunto clássico (crisp) Acrisp , carac-
terizado pela função indicadora IA , definida por
(
1 se x ∈ A
IA (x) = (11.267)
0 se x ∈
/A
e, à direita, um conjunto nebuloso (fuzzy) Amebuloso caracterizado graficamente

pela função de pertinência µA (x).
No caso de conjuntos nebulosos, utiliza-se uma função µA (x) que atribui
o grau de pertinência do ponto x ao conjunto A, como ilustrado à direita da
figura 11.11.
Figura 11.11: À esquerda um conjunto crisp com a função indicadora IA (x) e

à direita um conjunto fuzzy com a função de pertinência µA (x).
Figura 11.12: Exemplo de conjuntos nebulosos em que as cores adjacentes não

são claramente diferenciadas.
Utilizando-se os conjuntos nebulosos, podem ser caracterizadas expressões

como erro-grande-negativo (EG-), erro-mediano-negativo (EM-), erro-pequeno
(EP), erro-mediano-positivo (EM+) e erro-grande-positivo (EG+). As regras
envolvem, usualmente, condições que devem ser satisfeitas simultaneamente,
tais como (Temperatura ALTA) E (Pressão ALTA) para ajustar a posição de
uma válvula v.
Na forma de regra, seria
Se (θ é ALT A) E (p é ALT A) Então (v é P EQU EN A)
correspondendo a µT emp=ALT A (θ), µP ress=ALT A (p) e v = def uzzif icar(v =

P EQU EN A).
A operação def uzif icar significa atribuir um valor numérico correspondente
ao conjunto nebuloso v = P EQU EN A.
Uma operação tı́pica de defuzificação encontrada com frequência é escolher a
abscissa do centroide da área abaixo da função de pertinência µv=P EQU EN A .
As outras operações seriam OU e NÃO.
Figura 11.13: Ilustração das operações intersecção (E) e união (OR) de con-
juntos nebulosos.
Por exemplo, se V é uma tensão e ω é uma rotação, uma regra poderia ser
Se (V é BAIXA) OU (ω é N OT ALT A) Então (f é M EDIA)
em que f poderia ser a intensidade da frenagem.

Muitas vezes são utilizados os sı́mbolos ∧ para E, ∨ para OU e ¬ para N OT .
A figura 11.13 mostra como são definidas as operações
1. A ∧ B representado por µA∧B = min{µA (x), µB (x)}
2. A ∨ B representado por µA∨B = max{µA (x), µB (x)}
3. ¬ A representado por µ¬ A = 1 − µA (x)
Para mais detalhes sobre inteligência artificial, especialmente sobre sistemas

especialistas e conjuntos nebulosos, podem ser consultados livros como (RUS-
SEL; NORVIG, 1995), (NILSSON, 1998), (KNIGHT; RICH., 2010) e (WINS-
TON, 1992), entre os livros didáticos bem conhecidos da área.
Inferência nebulosa
Uma forma de inferência nebulosa com estrutura dita de Mamdani encontra-
se ilustrada na figura 11.14 (Mamdani, E. H. Application of fuzzy algorithms
for control of simple dynamic plant. Proc. of the IEE, v. 121, n. 12, p.
1585–1588, 1974).
Ao invés de uma apresentação geral, optou-se aqui por ilustrar o processo uti-
lizando um exemplo com apenas três regras, R1, R2 e R3 que permite uma
visualização gráfica simples e objetiva.
O exemplo possui duas entradas e uma saı́da e as regras envolvem os conecti-
vos E e OU .
As entradas são os sinais Temperatura e Pressão e a saı́da é a Abertura da
Válvula. A Temperatura pode ser negativa (NEG), quase nula (0) e positiva
(POS). A Pressão também podem assumir esses valores. A Abertura da Vál-
vula pode ser FECHADA, MÉDIA ou ABERTA.
O valor numérico da Abertura da Válvula (por exemplo, 40% são obtidos como
a abscissa do centroide da área colorida da figura 11.14). Ressalta-se que exis-
Figura 11.14: Ilustração do mecanismo de inferência com duas entradas e três

regras.
tem outras estruturas para inferência nebulosa, sendo bem conhecida a de

Takaki-Sugeno-Kang (vide, por exemplo, (SUGENO, 1985)).
Controlador nebuloso
O esquema de inferência nebulosa pode ser utilizado para implementação de
controladores dinâmicos fazendo-se
u[k] = F (u[k − 1], ..., u[k − p], e[k], ...e[k − q]) (11.268)
A figura 11.15 apresenta um caso simples em que u[k] = F (e[k], e[k − 1]).
À direita da figura 11.15 podem ser vistas as nove regras com conectivo E, ou
seja, por exemplo, se e[k] é Médio (µeM ) E e[k − 1] é Grande (µ(e−1)G ), então
a abertura da válvula u[k] é Média (µuG ).
Para completar a descrição do controlador, deve-se ainda especificar as funções
de pertinência µ.
Figura 11.15: Ilustração de um controlador nebuloso simples.
A inteligência artificial poderá permitir dotar máquinas de algumas capa-

cidades que o operador humano possui. Entre essas habilidades estão a
capacidade de aprender, desenvolver novos conceitos através do raciocı́nio,
manifestar proatividade nas suas tarefas, ser adaptável a situações antes não
vistas e, enfim, possuir autonomia e poder de decisão. No momento atual
a maioria dos sistemas dispõem de mecanismos automáticos de resposta ou
capacidade de evolução programada, mas as expectativas para o futuro são
grandes.
11.8 Algumas personalidades famosas

Roger Ware Brockett (1938-) lançou as bases para o problema de linearização
exata por realimentação de estado (Brockett, R. W. Feedback invariants for
nonlinear systems. In Proceedings of the International Congress of Mathema-
ticians, Helsinki, 1978, p. 1357-1368). Os procedimentos especı́ficos foram
propostos em JAKUBCZYK, B. e RESPONDEK, W. On linearization of con-
trol systems, Bull. Acad. Polonaise, Sci., Ser. Sci. Math. v. 28, p. 517-522,
1980.
Vadim Ivanovich Utkin (1937-) é um pioneiro na área de sistemas de estrutura
variável e controle por modos deslizantes (Utkin, V. IO. Sliding modes and
their applications in variable structure systems. Mir, Moscow, 1978. O pro-
blema de equações diferenciais com discontinuidades foi tratado por Aleksei
Fedorovich Filippov (1923-2006) (Filippov, A. F. Differential equations with
discontinuous right-hand side (em russo). Matematicheskii Sbornik, v. 21,n.1,

p.99-128, 1960.
O controle adaptativo já possui uma história relativamente longa (Control
system with automatic response adjustment, William I. Caldwell - US Patent
2,517,081, 1950). Mesmo o enfoque MRAC em que se busca a lei de adapta-
ção utilizando a teoria de Lyapunov, remota à década de 1960 (Parks, P. C. -
Lyapunov redesign of model reference adaptive control systems. IEEE TAC,
1966, v. 11, pp. 362-7.).
Um dos primeiros artigos mais extensos sobre sistemas planos e planicidade é
Fliess, M.; Lévine, J.; Martin, P.; Rouchon, P. Sur les systèmes non linéaires
différentiellement plats. C. R. Acad. Sci., v. 315, n. I, p. 619-624, 1992.
Os trabalhos pioneiros em MPC são: Richalet, J.; Rault, T. A.; Testud, J.
L. e Papon, J. Model predictive heuristic control: applications to industrial
processes. Automatica, v. 14, p. 413-428, 1978; e Cutler, C. R. e Ramaker,
B. L. Dynamic matrix control - a computer control algorithm, Proc. Joint
American Control Conference - IEEE, San Francisco. v. WP5-13, 1980.
Sistemas especialistas foram introduzidos em torno de 1965 no âmbito do
Stanford Heuristic Programming Project, liderado por Edward Feigenbaum,
reconhecido como o “pai de sistemas especialistas. Os sistemas especialistas
pioneiros são o MYCIN, de 1975, voltado para o diagnóstico de moléstias
infecciosas relacionadas ao sangue, INTERNIST-I de 1982 voltado a medi-
cina interna geral e CADUCEUS de 1984 para diagnóstico médico (vide, por
exemplo, (NILSSON, 1998)). A lógica nebulosa (fuzzy logic) foi introduzida
por Lotfi Aliasker Zadeh em 1965 (Zadeh, L. A. Fuzzy sets, Information and
Control, San Diego, v. 8, n. 3, p. 338–353, 1965), que posteriormente cunhou
o termo linguistic variables. Em 1985, Seiji Yasunobu e Soji Miyamoto da
Hitachi apresentaram simulações que mostravam a possibilidade de aplicar no
metrô de Sendai. Em 1987, Takeshi Yamakawa utilizou a lógica nebulosa para
controlar um pêndulo invertido.
11.9 Exercı́cios
11.9.1 Exercı́cio: Linearização exata por realimentação de estados
Considere o sistema
ẋ1 = x2 (11.269)
ẋ2 = x2 sin(x1 ) − u cos(x2 ) (11.270)
h iT
em que o estado x = x1 x2 é mensurado por instrumentos precisos.
Obter, se possı́vel, uma lei de controle da forma
u(t) = a(x1 , x2 ) + b(x1 , x2 ) v
e funções Ti : R2 → R2 , i = 1, 2, de modo que, fazendo-se
ż1 = T1 (x1 , x2 ) (11.271)

ż2 = T2 (x1 , x2 ) (11.272)
obtém-se que
ż1 = z2 (11.273)
ż2 = v (11.274)

Considere um sistema de dois tanques em cas-
cata, conforme ilustrado à direita (figura 11.16)
e cujas equações que descrevem as alturas x1 e
x2 dos nı́veis de lı́quido dos tanques superior e
inferior
√
ẋ1 = 1 − 1 + x1 + u (11.275)
√ √
ẋ2 = 1 + x1 − 1 + x2 (11.276)
y = x2 (11.277)
Figura 11.16: Sistema de
Obter uma transformação de variáveis z = T(x)
tanques em cascata.
de modo que a representação no novo sistema de
coordenadas seja
" # " #
0 1 0
ż = z+ v (11.278)
0 0 1
h i
y = 1 0 z (11.279)

Obter uma transformação T : R2 → R2 e uma lei de controle u(t), de modo
que o processo
ẋ1 = −x2 + sin(x1 ) (11.280)

ẋ2 = −x2 cos(x1 ) + u cos(2x1 ) (11.281)
seja colocada na forma canônica de Brunovsky.
11.9.4 Exercı́cio: Linearização exata por realimentação de estados -

Manipulador
Um manipulador de único elo com acoplamento flexı́vel é descrito por
··
I q 1 + mgL sin q1 + k(q1 − q2 ) = 0 (11.282)
··
J q 2 − k(q1 − q2 ) = τ (11.283)
em que I, J, m, L, k e g são constantes e τ é a variável manipulada.
Figura 11.17: Haste controlada por junta elástica.

· ·
Fazendo-se a associação usual x1 = q1 , x2 = x1 , x3 = q2 e x4 = x3
   
x2 0
 1   
·  − mgL sin x1 + k(x1 − x3 )   0 
x= I + τ

 x4  
  0 

k
− J1 k(x1 − x3 ) + τ

J2 (x1 − x3 )
| {z } | {z }
f (x) g(x)
obter o modelo linearizado na forma de Brunovski.

11.9.5 Exercı́cio: Linearização exata por realimentação de estados -

Corpo rı́gido
O movimento rotacional 3D de um corpo rı́gido em relação a um sistema de
coordenadas solidário a esse é dado por
·
J1 ω 1 = (J2 − J3 ) ω2 ω3 + τ1 (11.284)
·
J2 ω 2 = (J3 − J1 ) ω3 ω1 + τ2 (11.285)
·
J3 ω 3 = (J1 − J2 ) ω1 ω2 + τ3 (11.286)
em que ωi , i = 1, 2, 3 são velocidades angulares.

Obter o modelo linearizado na forma de Brunovski.
11.9.6 Exercı́cio: Linearização exata por realimentação da saı́da

Estudar a linearização por realimentação da saı́da e a dinâmica zero dos se-
guintes modelos:
1.
ẋ1 = x31 + x2 + u (11.287)

ẋ2 = −u (11.288)
y = x1 (11.289)
2.
ẋ1 = ẋ2 (11.290)

ẋ2 = x1 x24 − sin(x3 ) (11.291)
ẋ3 = x4 (11.292)
ẋ4 = u (11.293)
y = x1 (11.294)
3.
ẋ1 = (1 + x2 ) x3 + sin(x2 ) (11.295)

ẋ2 = x31 − x3 (11.296)
ẋ3 = x21 +u (11.297)
ẋ4 = u (11.298)
y = x1 (11.299)
11.9.7 Exercı́cio: Controle utilizando modos deslizantes

Para o processo abaixo, obter uma lei de controle que faça e(t) = yr (t) −
y(t) tender a 0, à medida que t → ∞, deslizando sobre a superfı́cie e + αė = 0
ẋ1 = x2 (11.300)
ẋ2 = a sin(x1 ) cos(x2 ) + u (11.301)
h i
y = 1 0 x (11.302)
sabendo-se que yref (t) = cos(t) e o parâmetro constante mas desconhecido a

é tal que a ∈ [0.8; 1.2].
11.9.8 Exercı́cio: Controle utilizando movimentos deslizantes

ẋ1 = x2 (11.303)
1
ẋ2 = a (t) x21 cos (x2 ) + u (11.304)
2
y = x1 (11.305)
em que a(t) ≤ 5 e o problema é rastrear um sinal y D , ou seja, obter u(t) de

forma que y → y D quando t → ∞.
11.9.9 Exercı́cio: Controle robusto utilizando modos deslizantes

" # " #
· sin(x1 ) + x2 0
x = x+ u (11.306)
a x21 1+b
h i
y = 1 0 x (11.307)
em que os coeficientes são desconhecidos, mas tais que |a| ≤ 2 e |b| ≤ 12 . Dada
uma função suave y D , projetar um controlador utilizando modos deslizantes,
de modo que y → y D .
11.9.10 Exercı́cio: Controle utilizando movimentos deslizantes

ẋ1 = x2 (11.308)
ẋ2 = a (t) x1 − x2 + u (11.309)
y = x1 (11.310)

em que o parâmetro a(t) é desconhecido porém limitado a(t) < 1, ∀t ∈ R.
Para o sinal de referência y D (t) = 2 sin(t), obter uma lei de controle u(t) que
y → y D quando t → ∞.
11.9.11 Exercı́cio: Argumento utilizado na obtenção de MRAC

Esse exercı́cio revisita as tecnicalidades utilizadas para a obtenção da expressão
·
para Φ do esquema MRAC conforme apresentado no corpo do texto.
Considere a equação diferencial
" # " #" # " #
d e1 0 1 e1 Φ11 Φ12
= + r
dt e2 −1 −1 e2 Φ21 Φ22
| {z } | {z }
A Φ

em que r(t) < rmax , ∀t ≥ 0.
Seja P uma matriz que satisfaz a equação algébrica
AT P + PA = −I2×2
em que I2×2 é a matriz identidade 2 × 2.

Utilizando a função candidata
n o
V (e, Φ) = eT Pe + tr ΦT Φ
obter uma lei de adaptação tipo
Φ̇ = F (e, Φ)
de modo que a origem seja estável e, ainda, e → 0 quando t → ∞.
11.9.12 Exercı́cio: Controle adaptativo de Modelo SISO

Considere um processo unidimensional (x ∈ R) descrito por
ẋ = ax + bu (11.311)
em que a < 0 é desconhecido e b ̸= 0 é também desconhecido a menos do seu

sinal (se b > 0 ou b < 0).
Deseja-se obter U de modo que o processo controlado case o modelo
ẋm = am xm + bm r (11.312)
Adota-se um controlador da forma
u = θ1 x + θ2 r (11.313)
em que θ1 e θ2 devem ser ajustados através de uma lei de adaptação.

Definindo-se
e = x − xm (11.314)
ϕ = θ1 − θ∗1 (11.315)
ψ = θ2 − θ∗2 , (11.316)
e sabendo-se que o sinal externo r é limitado, verificar se a seguinte proposta

para a lei de adaptação é satisfatória:
ϕ̇ = −λ1 sign(b) ex (11.317)

ψ̇ = −λ2 sign(b) er (11.318)
1 2 |b| 2
V = e + ϕ + ψ2 (11.319)
2 2
em que λ1 e λ2 são parâmetros (taxa de aprendizado ou learning rate) a serem

ajustados pelo projetista.
Observação: θ∗1 = bm
b e θ∗2 = a−am
b
11.9.13 Exercı́cio: Planicidade

Considere o modelo de predador-presa (por exemplo, x1 pode representar ame-
bas e o x2 as arqueobactérias), também conhecido como o de Lotka-Volterra.
Aqui o modelo foi modificado para incluir uma variável de controle u.
ẋ1 = x1 − x1 x2 (11.320)
ẋ2 = x1 x2 − x2 + u (11.321)
Considerando a saı́da plana y = x1 , verificar que o modelo pode ser escrito na

forma
x1 = y (11.322)
y = ẏ
x2 = (11.323)
y
ÿ ẏ 2 ẏ
u = − + 2 − + ẏ − y + 1 (11.324)
y y y

Considere a equação de Chua modificada (a equação original utiliza f (x1 ) não
√
diferenciável que deve ser substituı́da por f (x1 ) = − 3 x1 .
ẋ1 = α(x2 − x1 − f (x1 ) (11.325)

ẋ2 = x1 − x2 + x3 (11.326)
ẋ3 = −βx2 + u (11.327)
Considerando a saı́da plana y = x1 , verificar que o modelo pode ser escrito na

forma
x1 = y (11.328)
ẏ
x2 = +y+f (11.329)
α
ÿ ẏ
x3 = + + ẏ + f + f˙ (11.330)
α ... α
y ÿ ẏ

˙ ¨
u = − + + ÿ + f + f + β +y+f (11.331)
α α α

Considere uma haste com base rotativa atuada através de um elo elástico tipo
mola, ilustrada na figura 11.17 modelada por
ẋ1 = x2 (11.332)
mgL k
ẋ2 = − sin(x1 ) − (x1 − x3 ) (11.333)
I I
ẋ3 = x4 (11.334)
k 1
ẋ4 = (x1 − x3 ) + τ (11.335)
J J
Obter a expressão para u(t), adotando-se como o candidato à saı́da plana o
sinal Y (t) = x1 (t).
11.9.16 Exercı́cio: Controlador MPC de 1 passo à frente

Considere o processo unidimensional (x ∈ R) inicialmente em repouso, descrito
por
x[k + 1] = 0.7x[k] + 0.8u[k] (11.336)

y[k] = x[k] (11.337)
e o ı́ndice de desempenho a ser minimizado

2
J = q yr [k + 1] − y[k + 1] + r u[k]2 (11.338)
em que a referência yr [k] = 1 para ∀k ≥ 0 e
−1 ≤ u[k] ≤ 1
Fixando q = 1 determinar a solução u∗ [k] para r = 0.1, 1 e 10.
11.9.17 Exercı́cio: Controlador MPC sem restrições

por
x[k + 1] = 0.7x[k] + 0.8u[k] (11.339)

y[k] = x[k] (11.340)
e o ı́ndice de desempenho a ser minimizado

N
X
J= q (yr [k + i] − y[k + i])2 + r u[+i − 1]2 (11.341)
i=1
em que a referência yr [k] = 10 para ∀k ≥ 0, N = 3, q = 1 e r = 1.
11.9.18 Exercı́cio: Controlador MPC incremental, sem restrições

por
x[k + 1] = 0.7x[k] + 0.8u[k] (11.342)

y[k] = x[k] (11.343)
e o ı́ndice de desempenho a ser minimizado utilizando controle incremental,

ou seja, u[k + 1] = u[k] + ∆u[k]
N
X
J= q (yr [k + i] − y[k + i])2] + r ∆u[+i − 1]2 (11.344)
i=1
em que a referência yr [k] = 10 para ∀k ≥ 0, N = 3, q = 1 e r = 1.

Esta estratégia penaliza ∆u[k] elevados (que pode desgastar mais rapidamente
o atuador).
11.9.19 Exercı́cio: Regras para inferência

Verifique se as seguintes frases estão corretas:
1. O sistema de aquisição de dados está operando normalmente. Logo, ou
o computador master ou o seu backup está ativo.
2. Se faltar energia elétrica o equipamento para. Como o equipamento está

parado, está havendo falta de energia.
3. Se faltar energia elétrica o equipamento para. Como o equipamento está

operando normalmente, não há falta de energia.
4. Pão com manteiga é melhor que nada. Nada é melhor do que férias.
Conclui-se, portanto, que Pão com manteiga é melhor que férias.
5. Para entrar na festa, o convidado deve comprar um ingresso ou trazer 1

kg de alimento não perecı́vel. Rasputin está na festa mas não comprou
um ingresso. Pode-se concluir que Rasputin trouxe 1 kg de alimento não
perecı́vel.
11.9.20 Exercı́cio: Lógica elementar

Sejam as afirmações A e B.
Seja ainda a notação
• ¬A = não A
• A∧B = A e B
• A ∨ B A ou B
• A → B = se A então B
• A ↔ B = A se e somente se B
cujo significado pode ser encontrado na Internet ou livros de lógica elementar.
Verificar se as seguintes proposições são verdadeiras

1. A ∨ (¬A)
2. (A → B) ∨ (¬B)
3. ¬ (¬A) → A
4. A ∧ B → B
5. A ∧ (¬B) ∨ A
6. ¬(A ∧ B) → A ∨ B
11.9.21 Exercı́cio: Ganho não linear

Um controlador fuzzy estático possui as seguintes funções de pertinência para
a entrada e e saı́da u. As regras utilizadas são:
Figura 11.18: Ganho modelado utilizando lógica fuzzy.
1. Se (e[t] é EQZ) Então (u[t] é UZ)

2. Se (e[t] é EN) Então (u[t] é UN)
3. Se (e[t] é EP) Então (u[t] é UP)
Lembrar que várias regras poderão estar ativas ao mesmo tempo. Esboçar a
função u=f(e).
11.9.22 Exercı́cio: Controlador fuzzy

Denota-se por µEN , µEZ e µEP as funções de pertinência correspondentes às
condições “e[k] negativo”, “e[k] zero” e “e[k] positivo”. Para “e[k-1]” tem-se
de modo análogo, µEdotN , µEdotZ e µEdotP . A saı́da “u[k]” possui funções
de pertinência conforme a figura 11.19. A saı́da “u[k]” para cada entrada
“e[k]” e “e[k-1]” é apresentada na tabela. Esboce gráficos “(e[k],e[k-1])” versus
“u[k]”para os casos de conectivos E e OU.
Figura 11.19: Exercı́cio sobre controladores fuzzy.

Parte V
Uma visão sistêmica de projeto
427
12
Alguns aspectos relevantes em

projetos
“Great things are not done by impulse, but by a series of small things
brought together.”
– Vincent Van Gogh
Embora esta obra tenha um foco maior no tratamento teórico de controladores,

este capı́tulo foi incluı́do para que se chame atenção a vários fatores relevantes
no desenvolvimento prático de um sistema de controle.
Uma proposta para organizar a apresentação das etapas de projeto de um
sistema de controle é adaptar as recomendações da Engenharia de Sistemas.
Entre as boas fontes de informação a respeito de Engenharia de Sistemas estão:
(SHEA, 2020), (INCOSE, 2015) e (KOSSIAKOFF et al., 2020).
Para efeito didático, a apresentação segue uma sequência de etapas usualmente
utilizadas no Projeto de Sistemas de Controle, agrupadas conforme a tabela a
seguir.
Análise Projeto Comissionamento

Coleta de Informações Modelagem Matemática Implementação
Estudo do Processo Escolha do Enfoque Entrega do Produto
Definição dos Objetivos Seleção dos Componentes Sintonização Fina
Descrição das Restrições Ajuste dos Parâmetros Operação Assistida
Especificação de Requisitos Simulações Manutenção
Revisão Crı́tica Documentação Desativação
A tabela reflete um detalhamento simplificado das etapas de Concepção, De-
senvolvimento, Produção, Utilização, Suporte e Desativação mencionados em
429
obras sobre Engenharia de Sistemas.
12.1 Coleta de Informações

O desenvolvimento de um controlador requer várias informações, além daque-
las relacionadas ao funcionamento do processo em si.
Apenas como exemplo, podem ser mencionados:
• Local de Operação (nos satélites, dissipar calor é um problema por estar

no vácuo).
• Grau de segurança (nos aviões de passageiros, esse quesito é de grande

relevância).
• Durabilidade (com o coração artificial, substituições são arriscadas).
• Limitações fı́sicas (peso não é problema para um navio, mas sim para
um avião).
• Custo (um robô de brinquedo muito caro vai vender pouco).
• Normas (equipamentos clı́nicos fora das normas não serão certificados).
• Padrões (estando fora dos padrões internacionais a manutenção será di-

ficultada).
• Eficiência (é difı́cil reabastecer satélites em órbita com combustı́veis).
• Manutenção e garantia (em geral, “simple is beautiful”).
Nota-se que os vários requisitos podem ser conflitantes e impactar na viabili-

dade do projeto.
12.2 Estudo do processo a ser controlado

De modo geral, “só se controla bem um processo que é bem conhecido”, e
alguns comentários pertinentes são:
• Se o processo a ser controlado é concebido de forma concomitante com o

controlador, há uma potencial vantagem em comparação com o caso em
que o processo já existe e busca-se apenas agregar um controlador. Se o
processo e o controlador são projetados de modo integrado, o desempe-
nho de ambos pode ser favorecido em vista de uma melhor harmonização.
Alguns aspectos relevantes em projetos 431
• Se o processo envolve fenômenos intrincados e complexos, poderá haver

a necessidade de fazer aproximações que levam a modelos incertos ou
serem afetados por variáveis exógenas de modo adverso e inesperado.
• É de particular importância a caracterização das restrições, tanto as

fı́sicas quanto as operacionais, as administrativas ou as legais. Como
exemplos, podem ser mencionados:
1. Fı́sicas: fim de curso de um pistão, volume do controlador, tensão

máxima fornecida por um conversor D/A etc.
2. Operacionais: fator de segurança para a pressão máxima em um
vaso, utilização em ambiente hostil, segurança contra hackers etc.
3. Administrativas: treinamento de recursos humanos, recursos finan-
ceiros para implementação, custo das paradas não programadas,
disponibilidade de estoque de peças etc.
4. Legais: necessidade de certificações, atendimento a normas diversas
etc.
12.3 Definição dos objetivos

Em muitos textos sobre controle de sistemas, são comuns as seguintes carac-
terı́sticas de comportamento a serem exibidas pelo controlador:
• Estabilidade: por exemplo, no caso de sistemas LTI, exigência de que

todos os polos estejam no interior do semiplano esquerdo.
• Rapidez: às vezes especificado através do tempo de subida para uma

entrada tipo degrau.
• Precisão: que pode ser eventualmente quantificada pela covariança do

erro em regime permanente.
• Acurácia: por vezes medido como percentual de erro em relação ao valor

especificado da saı́da em regime permanente.
• Eficiência: podendo ser o consumo médio de energia ao longo de um

perı́odo predefinido, em operação rotineira.
• Robustez: que pode ser representado pelas margens de ganho e de fase.
• Tolerância a falhas: caso em que algumas falhas são compensadas por

mecanismos de mitigação, como redundância de atuadores.
Na fase de especificação dos requisitos, apresentado mais à frente, são discuti-

das as várias formas de quantificar essas caracterı́sticas.
12.4 Caracterização das restrições

Em projetos práticos, deve-se atentar para algumas restrições adicionais, além
daquelas próprias da operação do controlador.
Podem ser mencionados, a tı́tulo de exemplo, algumas restrições que são de-
correntes de fatores como:
• Nı́vel de vibração: veı́culos que trafegam em pistas irregulares.
• Máxima temperatura admissı́vel: posicionador tipo manipulador mecâ-

nico para estufas de tratamento térmico.
• Campos eletromagnéticos: proximidade do equipamento a uma máquina

de solda a ponto.
• Disponibilidade de Capital: Recursos financeiros limitados.
• Operação no vácuo: no robô móvel para exploração lunar não é possı́vel

utilizar coolers tipo ventoinha.
• Propagação de ondas eletromagnéticas para comunicação: equipamento

de vistoria para o fundo do mar.
• Massa e Volume: mı́sseis antitanque pequenos lançados por soldado de-

vem ser portáteis.
• Legislação: sustentabilidade, patentes, externalidades como a poluição,

critérios de homologação etc.
12.5 Especificação dos requisitos

Além de especificações usualmente tratados em Teoria de Controle, tipo
• tr < 1 s, MP < 20% e e(∞) = 0 deve-se levar em conta para entrada
degrau
devem ser contemplados aspectos tais como:
• Tecnologia escolhida: cilindro hidráulico de 50.000 N → massa da bomba
> 30 kg
• Condições ambientais: temperatura −30o a 50o e Vibração < 200 m/s2
• Condições de operação: manutenção de 6/6 meses, pureza do insumo

> 90 %
• Disponibilidade financeira: custo menor que R$ 3.000, 00
• Normas e padrões: equipamentos clı́nicos → isolamento galvânico e re-

comendação de usar equipamento ACME porque essa é a marca usada
no resto da fábrica
• Confiabilidade: M T BF > 10.000h (mean time between failures)
• Descartabilidade: utilização de material nuclear
12.6 Revisão crı́tica

É salutar que sejam feitas revisões crı́ticas para verificar o bom andamento do
projeto, atendando para detalhes como:
• Consulta geral a todas as partes envolvidas.
• Aprovação do stakeholder.
• Cuidado com “esquecimentos”: uma vez o desenvolvimento já está em

andamento, modificações das especificações de requisitos podem ter im-
pactos sérios.
• Atualização de cronograma e marcos detalhados.
• Definição das entregas.
• Documentação.
• Participação de especialistas fora do grupo especı́fico de trabalho.
12.7 Modelagem matemática

Antes da escolha do método para a obtenção de modelos matemáticos, valem
algumas reflexões:
• Navalha de Ockham (adaptado da Wikipédia: “também chamada de

princı́pio da economia, refere que a formação de hipóteses explicativas
exige parcimônia em termos de complexidade”).
• Lembrar sempre a frase de George E. P. Box, 1976: “All models are

wrong, but some are useful”.
• Modelo de Projeto × Modelo de Avaliação: muitas vezes é interessante

fazer o projeto para um modelo mais simples e avaliar o resultado em
um modelo mais completo com ruı́dos, variações temporais, e não linea-
ridades.
• Verificação ̸= validação:
– Verificação → did the things right

– Validação → did the right thing
• Incertezas: identificação, linearização, redução da ordem de modelos e

outros procedimentos podem introduzir incertezas.
• Modelo do Meio Ambiente: nı́veis de ruı́dos e perturbações, variabilida-

des sazonais, erros humanos e muitos outros fatores.
À luz dessas reflexões e das informações disponı́veis, opta-se por métodos de

caixa preta, cinza ou branca e são utilizados os procedimentos ou algoritmos
mencionados nos capı́tulos de modelagem.
12.8 Escolha do Enfoque

A escolha da estrutura ou da classe de leis de controle a ser utilizada decorre
do enfoque (filosofia) preferido pelo projetista.
• Off the shelf × controlador customizado: os dois tipos mais comuns de

controladores “de prateleira” são o liga-desliga e o PID. Além de con-
troladores PID industriais, são disponı́veis equipamentos como os con-
troladores lógicos programáveis (CLP) e os programmable automation
controllers (PAC).
• Analı́tico × numérico: é muito provável, em algum momento, ter que se

valer de métodos numéricos. No entanto, o que se destaca aqui é o cres-
cente uso de enfoques que, de partida, envolvem extenso processamento
numérico, como é o caso daquele baseado em redes neurais. Isso se deve
ao fato de que, na maioria das vezes, o aprendizado de redes neurais é
baseado em métodos de otimização numérica.
• Heurı́stico × formal: Além de métodos heurı́sticos famosos, como o de

Ziegler-Nichols e o de Cohen-Coon, mecanismos heurı́sticos baseados em
experiência do operador podem ser codificados com o auxı́lio de regras
fuzzy.
12.9 Seleção de componentes

• Cada componente possui caraterı́sticas próprias, sendo que algumas de-
las são tratadas em seções próprias (sensores, transdutores, atuadores e
processadores digitais).
• Vários componentes “baratos” redundantes × um controlador único, de

melhor “qualidade”. Vários sensores mais simples podem ser operados
simultaneamente e a medida ser a média entre as leituras. Além disso,
vários sensores podem operar com redundância para mitigar o caso de
falha de um deles.
• Redundância heterogênea: atuadores de tipos diferentes podem operar

em stand by, pelo menos para prover um graceful degradation no caso de
falha do sistema principal.
• Redundância analı́tica: sensores de tipos diferentes podem ter as medidas

relacionadas por uma expressão analı́tica (matemática), de modo que a
leitura de um pode ser combinado ou confrontado com outros.
• É importante ressaltar que a seleção dos diversos componentes deve ter

sempre em vista a integração no sistema como um todo. Em particular,
deve-se atentar para o fato que sensores, atuadores e o processador po-
dem operar com perı́odos de amostragem diferentes, levando a sistemas
multirate e problemas de sincronização.
12.9.1 Sensores e atuadores

• Sensor é a parte do mecanismo de medida diretamente afetado pelo fenô-
meno que gera a grandeza a ser medida.
• Transdutor é um dispositivo que converte um tipo de energia em outro.

Por exemplo, energia térmica em energia elétrica (termopar).
• No presente módulo será adotado o termo sensor para designar o dispo-

sitivo de medida da saı́da.
• Usualmente as saı́das preferidas são correntes elétricas de 4 a 20 mA

ou 0 a 10 V. Ainda são encontradas saı́das tipo 3-15 psig em contro-
ladores pneumáticos (interessante para uso em ambiente com produtos
inflamáveis, não requerendo barreira intrı́nseca).
• Atuador é um dispositivo que ajusta a variável manipulada do sistema
fı́sico (bombas, motores, cilindro hidráulico, resistores de aquecimento).
Seleção de sensores
As escolhas dos sensores devem levar em consideração diversas caracterı́sticas
tais como:
• Faixa de operação (faixa de atuação, range): por exemplo, o termo-
par Tipo K (junção Nı́quel-Cromo e Nı́quel-Alumı́nio) possui faixa de
operação entre -200°C e 1200°C. Por outro lado, um termistor (NTC
- Negative Temperature Coefficient) possui, tipicamente, uma faixa de
operação entre -100°C e 300°C.
• Ambiente em que pode ser utilizado. Por exemplo, no vácuo, imerso em
fluido, sob elevada vibração, sob temperaturas muito baixas etc.
• Resolução: é a menor variação da grandeza monitorada que produz uma
variação na medida. Por exemplo, se um conversor análogo digital (A/D)
utiliza 8 bits, para representar o valor de uma grandeza que varia de 0 a
100 unidades, então a menor variação percebida é 100/28 = 0.3906, mas,
se utiliza 12 bits, tem-se a resolução de 100/21 2 = 0.0244
• Precisão e exatidão (acurácia): precisão se refere ao grau de variação de
resultados quando se realizam várias medições de uma mesma grandeza
sob condições iguais, enquanto exatidão indica o quão próximo o valor
medido está próximo ao valor real. Por exemplo, um sensor de desloca-
mento linear (linear variable displacement transducer - LVDT) utilizado
com um circuito muito ruidoso de média zero pode ser acurado na média
de muitas leituras, mas uma leitura única pode estar bastante afastada
do valor real. A exatidão é definida numericamente como o máximo erro
entre o valor verdadeiro e o valor medido. A precisão se relaciona com a
repetibilidade, em que medidas consistentes são obtidas através de múl-
tiplas medições sob condições idênticas de ambiente e em curto espaço
de tempo.
• Sensibilidade: o termopar Tipo K possui sensibilidade de aproximada-
mente 41µV/°C. Porém, se o amplificador for ruidoso e o conversor A/D
utilizar poucos bits, a saı́da pode ter pouca precisão e baixa resolução.
• Relação sinal/ruı́do: é importante notar que valores absolutos podem

não representar bem o efeito do ruı́do. Por exemplo, um ruı́do de 2V em
um sensor que monitora 220V pode ser aceitável, mas não seria adequado
para monitorar 5V.
• Linearidade: expressa o quanto a saı́da y pode ser descrita por uma

expressão do tipo y = α x em que α é uma constante. Usualmente a
linearidade é especificada em termos da percentagem
( )
| yerro (x) |
Linearidade = max 100% (12.1)
x∈[xmin ,xmax ] FS
em que yerro (x) = ymedido − α x e F S = α (xmin , xmax ). O termo Full

Scale representa o fundo de escala ou a faixa de variação da saı́da.
• Presença de deriva (ou drift) ou de viés (bias, offset): por exemplo, em

giroscópios integradores, o ângulo indicado pode apresentar um desvio
progressivo com o tempo (deriva), da forma θ(t) = θ(0) + αt, e um
circuito eletrônico pode apresentar um erro constante (viés) devido à
assimetria das fontes de tensão +Vcc e −Vcc .
• Histerese, zona morta, folga, saturação e outras não linearidades: por

exemplo,
√ uma mola que não obedece à Lei de Hooke poderia ser x =
α 3 f , representando um “endurecimento” ao longo do seu estiramento.
• Grau de estabilidade: às vezes o termo estabilidade é utilizado no sentido

de que as propriedades do sensor são constantes por um longo perı́odo
de tempo. No contexto de sensores dinâmicos, a estabilidade pode ser
interpretada, também, de forma convencional, como no caso de se utilizar
um pêndulo para a detecção do vertical local.
• Tempo de resposta e atraso puro: embora a aproximação assumindo res-

posta instantânea do sensor seja adequada em muitas situações, o tempo
de resposta pode ser não desprezı́vel em algumas aplicações. Por exem-
plo, um anemômetro de fio quente requer um processo de transferência
de calor que pode ser representado por um modelo dinâmico cujo tempo
de resposta seja significativo.
• Consumo de energia: este aspecto pode ser crucial em aplicações em

que a fonte de energia é limitada como no caso de utilização de baterias
(que também exigem manutenção periódica) ou que traz inconveniências
(como a necessidade de tomadas no campo de operação, ambientes hostis,
uso prolongado etc).
• Custo: é sempre um fator importante, tanto no desenvolvimento quanto

na operação e manutenção.
• Criticalidade: alguns sensores são de extrema relevância para o bom

funcionamento da malha de controle e geralmente requerem cuidados
especiais, tais como redundância, detecção automática de falhas, auto-
testagem, robustez aumentada etc.
• Confiabilidade: é uma caracterı́stica probabilı́stica que indica a funcio-

nalidade de um item por um determinado perı́odo de tempo, geralmente
indicado pelo Mean Time Between Failures - MTBF.
• Manutenabilidade: é a caracterı́stica de poder ser mantido ou recolocado

em condições de executar suas funções requeridas mediante procedimen-
tos e meios prescritos (ABNT NBR 5462)
• Massa e volume: são caracterı́sticas de devem ser consideradas em várias

aplicações, como equipamentos portáteis, satélites, retrofit de sistemas
já existentes em que novos equipamentos não haviam sido planejados
etc.
• Disponibilidade de mecanismos automatizados: alguns sensores podem

ser dotados de mecanismos para autocalibração, autoteste e autoinicia-
lização para se atingir um grau superior de dependabilidade.
Seleção de atuadores
Algumas caracterı́sticas de atuadores possuem descrições semelhantes aos dos
sensores e a adaptação é bastante intuitiva, caso em que se limita aqui um
detalhamento mais elaborado. As escolhas dos atuadores devem considerar
caracterı́sticas tais como:
• Capacidade de carga: por exemplo, no caso de motor de passos, se a

carga supera um valor máximo (geralmente especificado pelo fabricante),
ocorre o stall, ou seja, o rotor não consegue avançar para o próximo passo
(step).
• Tipo de alimentação (pneumática, elétrica, hidráulica).
• Consumo e eficiência: enquanto os sensores possuem um consumo ge-

ralmente baixo e de pouca variação (a menos, por exemplo, que utilize
reagentes consumı́veis), os transdutores geralmente demandam energia,
que, em algumas aplicações, pode ser bastante custosa. Por exemplo, no
controle de órbitas de satélites, podem ser utilizados foguetes de propul-

são, mas, uma vez que o combustı́vel é consumido, o reabastecimento é
proibitivo.
• Exatidão, Precisão, Resolução, Linearidade, Repetibilidade, Deriva, Viés,

Estabilidade, Histerese, Atritos Seco, Folga de Engrenagem, Durabili-
dade, Custo, Confiabilidade, Manutenabilidade, Massa e Volume: esses
conceitos são similares àqueles apresentados para os sensores, porém re-
lacionando a ação do atuador em relação aos valores comandados.
• Velocidade de resposta sob cargas variadas: muitas vezes a carga a ser

manipulada afeta a dinâmica do atuador. Por exemplo, no caso de um
motor elétrico, o transitório depende de fatores como o momento de inér-
cia e do atrito viscoso da carga, podendo haver inclusive efeitos dinâmicos
adicionais como a elasticidade do eixo de acionamento.
Processador digital
Com os avanços conquistados no campo da tecnologia digital, os sistemas mo-
dernos de aquisição de dados são, frequentemente, baseados em processadores
digitais.
A utilização de processadores digitais pode ser tornada mais segura utilizando
cuidados especı́ficos, tais como
• Uso de watchdog timer (cão de guarda) para reinicializar algoritmos ou
softwares em caso de erros.
• Uso de códigos corretores de erros.
• Burn in para evitar falha precoce dos componentes.
• Uso de compartimentos selados com temperatura controlada, preferenci-

almente com uso de trocadores de calor ao invés de ventoinhas e também
blindagem eletromagnética.
• Eliminação de soquetes e conectores para evitar mau contato devido a

fadiga por vibração.
• Uso de componentes endurecidos (por exemplo, com encapsulamento

especial).
• Utilização de warm backup.
• Algumas considerações adicionais constam do capı́tulo que trata o pro-

blema de controle por computador.
12.10 Ajuste dos parâmetros

Embora em alguns casos mais simples o ajuste dos parâmetros do controlador
possa ser realizado através de tentativa e erro, de modo geral, é mais eficaz o
uso de métodos analı́ticos ou numéricos assistido por computador.
São exemplos de métodos de ajuste de parâmetros de controlador
• Métodos gráficos (com ou sem o auxı́lio do computador), como os que

se valem do LGR, curvas de Bode, cartas de Nichols etc.
• Busca numérica, quer seja utilizando algoritmo de otimização ou de satis-

fação de restrições. Um método não muito elegante, mas que é utilizado
com alguma frequência, é o da busca em grade. Se os parâmetros são
p ∈ [pmin , pmax ] e q ∈ [qmin , qmax ], divide-se o retângulo com uma grade,
por exemplo, 10 × 10, e testa-se cada (pi , qj ).
• Métodos heurı́sticos que, dependendo das informações disponı́veis, po-

dem evitar a necessidade de tentativa e erro. Por exemplo, o método de
Ziegler-Nichols é heurı́stico, mas pode levar a resultados satisfatórios com
ensaios simples. Controladores baseados em conhecimentos, em geral,
estão nessa categoria, mas eventualmente são combinados com métodos
numéricos (por exemplo, para treinamento de redes neurais artificiais
ou para ajuste das regras e das funções de pertinência dos conjuntos
nebulosos envolvidos).
• Métodos automatizados ou analı́ticos como a autossintonização (self-

tuning), controle robusto, MRAC, MPC e outros.
12.11 Simulações e testes

• Testes são essenciais, principalmente quando foram feitas aproximações
(linearização, polos congelados, atraso desprezı́vel, sem atrito seco, sem
quantização, viés (bias) negligenciado, ruı́do branco gaussiano etc.).
• Modelo de Projeto × Modelo de Verificação: se o teste for realizado com

o modelo utilizado no projeto, o resultado será aquele esperado pela
teoria. Deve-se, portanto, usar um modelo que contemple os aspectos
que foram desprezados.
• Hardware in the Loop: o iron bird é um sistema completo e real de parte

de uma aeronave montado em um hangar para efeito de testes. Um
sistema de navegação inercial montado em uma mesa de três eixos para
testes. Embora seja efetivo, há detalhes como o custo, duração para o
setup, segurança que podem comprometer a viabilidade.
• Protótipos e plantas piloto: embora as simulações sejam muito úteis, é

necessário, em projeto de sistemas crı́ticos, a implementação de protóti-
pos, ou plantas piloto que possuem total funcionalidade.
12.12 Documentação
Essa é uma etapa que deve ocorrer em todas as fases do projeto devido a razões
variadas.
• Amnésia técnica: projetos não documentados apresentarão dificuldades

na atualização, manutenção ou duplicação.
• Verificação de conformidade: uma documentação precisa, detalhada e

objetiva permite um acompanhamento eficaz do desenvolvimento do pro-
duto de modo fiel ao planejado.
• Implicações legais: em casos de litı́gio ou processos penais, a documen-

tação pode comprovar (ou não) a adequação do projeto.
• Homologação e certificação: alguns equipamentos crı́ticos tais como equi-

pamentos hospitalares e veı́culos aéreos requerem a submissão de uma
documentação extensa do projeto.
• Controle de custos: a documentação ajuda a controlar os custos, permi-

tindo avaliações dos efeitos da variação do câmbio, taxas de importação,
proibição da importação e outros fatores de volatilidade.
12.13 Implementação
A implementação depende, obviamente, do sistema especı́fico em desenvolvi-
mento.
Porém, algumas ponderações são relevantes.
• Os testes de aceitação dos equipamentos são cruciais, pois, uma vez

instalados no campo, poderá ser difı́cil fazer alterações ou até mesmo
verificações.
• A sequência das tarefas envolvidas na implementação pode afetar signi-

ficativamente a eficácia da implementação.
• A partida pode requer procedimentos especiais. Por exemplo, se o con-

trolador vai operar em torno de um certo ponto de operação, mecanismos
especı́ficos devem levar o processo às condições iniciais adequadas.
• Atentar para a “curva da banheira” que representa a probabilidade de

falhas × tempo. Em particular, os produtos novos estão sujeitos a maior
probabilidade de erros de projeto e de implementação (nos antigos, as
falhas são mais relacionadas a desgaste e envelhecimento).
12.14 Entrega
A entrega é uma ocasião especial que, por vezes, demanda uma atenção espe-
cial e pode requerer alguns rituais especı́ficos.
• Em alguns setores, é mandatória a certificação realizada por instituições
especiais e independentes.
• Todas as parte envolvidas devem ter acesso aos resultados de check de

conformidade e aceitação.
• Questões de propriedade intelectual, sigilo industrial e patentes podem

limitar a entrega de documentação.
• A elaboração de planos de contingência é recomendada para acomodar

casos de eventos não antecipados (por exemplo, contar com sobressalen-
tes, instrumentos de medidas, equipamentos de proteção etc.).
12.15 Sintonização fina e otimização

• Diferentemente de simulações, o processo real fornece dados concretos da
operação do controlador e a coleta de dados de operação pode propiciar
oportunidades para a melhoria do desempenho do controlador.
• Em alguns casos há um sistema supervisório ou de data logging que

permite um monitoramento detalhado da operação do processo, podendo
contribuir para a manutenção baseada em condição, correções periódicas
dos pontos de operação, melhoria da eficiência e manejo dos insumos etc.
• O resultado de um problema de otimização depende da função de desem-

penho (em geral, maximização do retorno ou minimização das perdas).
Porém, normalmente existem objetivos conflitantes e, por exemplo, au-
mentar a taxa de produção de uma máquina pode levar a produtos de
qualidade inferior.
• Em princı́pio, uma sintonia fina poderia ser automatizada, mas o custo

pode ser a complexidade e talvez o comprometimento da dependabilidade
do sistema. (segundo a Wikipédia: “O termo dependabilidade é uma
tradução literal do termo inglês dependability, que indica a qualidade
do serviço fornecido por um dado sistema e a confiança depositada no
serviço fornecido”).
12.16 Operação assistida

• Sistemas complexos podem exigir um treinamento especı́fico dos seus
operadores, não somente para os procedimentos de rotina, mas também
para emergências.
• Em vista da “curva da banheira” já mencionada e de eventos não ante-

vistos, é conveniente que a operação seja assistida, no inı́cio da operação,
para a eventual necessidade de mitigar os problemas encontrados.
• Mais uma vez, lembrar que a operação assistida envolve custos de pes-
soal e de material, principalmente se forem feitos experimentos com o
processo (por exemplo, aplicar um degrau ou injetar ruı́dos).
• A operação assistida é uma oportunidade para obter novos conhecimen-

tos para aproveitamento em projetos futuros.
12.17 Manutenção
• É importante lembrar que tanto garantias quanto contratos de manu-
tenção costumam incorrer em elevação de custos.
• São aplicáveis a manutenção corretiva, a programada e a baseada em

condições.
• Na modalidade de manutenção corretiva, a ação só ocorre após a insta-

lação da falha.
• Na manutenção programada são feitas ações periódicas compatı́veis com

expectativa de falhas.
• Na manutenção baseada em condição, mecanismos especiais monitoram

a degradação e são realizadas ações quando um nı́vel de aceitabilidade é
ultrapassado.
12.18 Desativação
Embora essa etapa não seja sempre relevante, por vezes a desativação pode
requerer procedimentos especiais, por exemplo, no caso de envolver materi-
ais radioativos, componentes contaminados por patógenos (bactérias, fungos),
substâncias tóxicas etc.
• Analogamente à partida, a desativação de um controlador pode exigir

mecanismos especiais, contrastando com paradas abruptas, por exemplo,
em decorrência de falhas.
• Se a desativação for permanente, deve-se contemplar procedimentos para

descarte, por exemplo, material radioativo (por exemplo, sensor de gra-
matura de papéis usando raios beta oriundos de Kr85 ou Sr90) ou equipa-
mentos utilizando SF6 , que é um dos gases envolvidos no efeito estufa).
• A desativação de um sistema mais antigo pode ocorrer devido à atualiza-

ção tecnológica, por exemplo, substituição de um equipamento analógico
para digital.
12.19 Mitigação do efeito de falhas

Infelizmente, não existem sistemas totalmente livre de falhas.
Logo, muitas vezes é necessário incorporar aos sistemas de controle mecanis-
mos para mitigar os efeitos de possı́veis falhas, principalmente em sistemas
crı́ticos tais como os equipamentos médicos, veı́culos de transporte (aviões,
trens, navios), processos quı́micos que manipular substâncias letais, equipa-
mentos que utilizam radioisótopos etc.
De modo simplificado, a mitigação pode ser classificada como ações anteriores
ou posteriores a uma falha.
Com o intuito de organizar a apresentação, o termo falha é utilizado para de-
signar ocorrências tipo “parada de funcionamento” ou “quebra de uma peça”.
Por outro lado, a causa de mau funcionamento de equipamentos em função

do envelhecimento do componente (por exemplo, relacionado com a migração
de ı́ons em semicondutores, precipitação de cristais em baterias etc. ) ou des-
gaste devido à utilização (pneus “carecas”, engrenagens com folga etc.) será
denominado de degradação.
As categorias básicas de métodos relacionados com falhas são aquelas baseadas
em séries temporais (sinais ao longo do tempo) e as baseadas em modelos.
12.19.1 Ações pré-falhas

As ações anteriores à falha se referem àqueles realizadas no sentido de:
1. Reduzir os efeitos de mau funcionamento devido a uma degradação pro-

gressiva (devida ao desgaste ou o envelhecimento) até culminar em de-
sempenho inaceitável (p. ex., devido a entupimento de duto, oxidação
de uma peça). São exemplos: entupimento de dutos e orifı́cios, oxidação
de uma peça, acúmulo de resı́duos etc.
2. Reduzir a probabilidade de ocorrência de uma falha abrupta. São exem-

plos: curtos ou abertos em circuitos elétricos, rompimento de uma tubu-
lação, travamento de um eixo etc.
3. Prolongar a vida útil de componentes degradados. São exemplos: au-

mentar a potência do cooler, ativar uma bomba auxiliar, reduzir o esforço
a ser demandado pelo transdutor, relaxar especificações operacionais de
desempenho etc.
Várias ações podem reduzir o processo de degradação, tais como a adequada

filtragem de fluidos, boa regulação da tensão de alimentação, frequente lim-
peza de dissipadores de calor, verificação e aplicação periódica de lubrificantes
etc.
A utilização de componentes de melhor qualidade (com melhor MTBF - mean
time between failure) e sua correta utilização (conforme as recomendações do
fabricante) também tendem a reduzir o risco de ocorrência de falhas.
A partir do conhecimento do MTBF, pode-se, por exemplo, planejar uma ma-
nutenção preventiva, como o que ocorre com os automóveis, tais como troca
da correia dentada com 50.000 km, troca dos lubrificante a cada 10.000 km
etc...
Um detalhe interessante é que a taxa de falhas tende a ocorrer no inı́cio da vida
do componente (por exemplo, devido a falhas na montagem, embalagem ou
transporte, além de instalação incorreta) ou mais tardiamente, agora devido
ao desgaste com o uso ou envelhecimento ao longo do tempo (na literatura da
teoria de confiabilidade, o gráfico de taxas de falha com o tempo é referido
como a curva da banheira). Em havendo a disponibilidade de sensores e atu-
adores incorporados no sistema, podem ser realizados testes especı́ficos para
aferir o adequado funcionamento dos componentes (built in tests).
O prolongamento da vida útil de um componente, ou seja, manter a sua ope-
ração com adequada confiabilidade, porém com desempenho reduzido a um
nı́vel aceitável, requer a monitoração do estado através de sensores adequados
(por exemplo, mediante a medida da intensidade e faixa de frequência das
Figura 12.1: Curva da banheira: incidência de falhas ao longo da vida útil de

um componente.
vibrações ou do ruı́do audı́vel, análise das caracterı́sticas dos eletrólitos das

baterias, detecção da presença de limalhas no fluido de lubrificação etc.).
A figura 12.2 apresenta, graficamente, o conceito de RUL (textitremaining use-

ful life), utilizável tanto no enfoque de prolongamento da vida útil de compo-
nentes, bem como para manutenção baseada em condição. Ter uma estimativa
Figura 12.2: Estimação do remaining useful life.
do instante de ocorrência de uma falha com um adequado nı́vel de significância

é útil para a segurança da operação, bem como do ponto de vista econômico,
no sentido de se evitar o descarte de um componente ainda hı́gido e também
para planejar o estoque de peças de reposição.
12.19.2 Ações pós-falhas

Quando ocorre uma falha, faz-se necessária uma manutenção corretiva ou al-
gum mecanismo de tolerância, tais como a ativação de equipamentos redun-
dantes ou de reserva. Em alguns casos é invocada a intervenção do operador
humano.
Em linhas gerais a ocorrência de falhas leva aos processos de detecção, isolação
e recuperação, podendo envolver diagnóstico e mitigação propriamente dita da
falha (fault detection, isolation, and recovery - FDIR).
Detecção de falhas
Para se garantir a segurança ou a continuidade das operações, pode-se valer
também de mecanismos de tolerância a falhas, tipicamente baseadas na exis-
tência de algum tipo de redundância.
A detecção de falha pode ser realizada com base em diferentes enfoques, como
ilustrado com alguns exemplos.
• Verificação da consistência entre três sensores que monitoram a mesma

grandeza e fazer uma votação 2 em 3.
• Verificação da consistência entre sensores de tipos diferentes, mas que

se relacionam segundo um modelo analı́tico (por exemplo, entre a vazão
medida por sensor Doppler e a queda de pressão do fluido que atravessa
um orifı́cio).
• Verificação da consistência entre o modelo identificado (com os parâme-

tros estimados) e o modelo nominal (com os parâmetros nominais).
• Verificação da paridade dos dados transmitidos.
• Utilização de cão de guarda (watch dog timer.)
Isolação da falha
Detectando-se uma falha, aciona-se em geral um alarme e um sinal que inicia
alguma forma de mitigação.
É importante notar que um mau funcionamento de algum componente pode
eventualmente disparar vários alarmes distintos relacionados com processos
ligados a essa falha e que podem confundir o operador, ou então o mesmo
alarme ser acionado repetidas vezes se não houver um mecanismo de deboun-
cing.
O passo subsequente é a isolação da falha, ou seja, o reconhecimento de qual
a ocorrência que originou os sintomas da falha (qual sensor, qual subsistema,

qual processador etc.).
Dependendo da ocorrência, são tomadas ações que podem variar de comutação
para o modo normal, parada emergencial, operação degradada ou acionamento
de mecanismos de tolerância a falhas.
Ativação do back up
Um controlador back up pode ser do tipo sempre ativo ou estar em stand by e

ser ligado quando necessário.
Assumindo que se tem componentes idênticos, independentes (pois se, por
exemplo, os dois são alimentados pela mesma rede elétrica, a falha de um
pode estar relacionada à do outro) e com a densidade de probabilidade de
falha dado por p(t) = λ e−λt , tem-se que o instante esperado (médio) de falha
1 3
é E[t] = 2λ para conexão em série, E[t] = 2λ para conexão paralelo e E[t] = λ2
para conexão stand by (uma unidade simples teria E[t] = λ1 ).
Convém mencionar que, embora a conexão stand by tenha o melhor MTBF,
há a necessidade de “ativar” a unidade back up, que pode estar ligada mas
inativa ou mesmo desligada.
Controladores tolerantes a falhas
Para se garantir a segurança ou a continuidade das operações, pode-se valer

também de mecanismos de tolerância a falhas, tipicamente baseadas na exis-
tência de algum tipo de redundância e adequadas leis de adaptação, tanto
paramétrica quanto estrutural.
12.20 Condições operacionais de sistemas de controle

Mesmo que o projeto tenha sido realizado obedecendo as boas práticas e que
não tenham ocorrido degradações ou falhas de componentes, a tentativa (ou a
necessidade) de operar o sistema em condições além dos limites estabelecidos
pode resultar em situações inconvenientes. Assim, é interessante que se esta-
beleçam regiões (envelopes) de operação para que o sistema de controle possa
exibir um desempenho adequado.
Por exemplo, as regiões de operação poderiam ser classificadas em:
1. Operação normal ou rotineira: o sistema exibe alto desempenho em ter-

mos de eficiência, precisão, reduzido desgaste de componentes etc.
2. Operação intensiva: o sistema ainda exibe bom desempenho em termos

das especificações mais relevantes, mas pode ter a eficiência reduzida,
apresentar maior desgaste de componentes, maior dispersão dos erros
etc. Trata-se, por exemplo, de casos de emergência, atrasos na produção,
demandas acima do esperado etc.
3. Operação limite: condição de operação que não deve ser ultrapassada,

possivelmente porque o projeto não levou em consideração essa situação
em que podem ocorrer valores excessivos de grandezas como pressão,
temperatura, tensão, corrente, força etc. e que eventualmente incorra
em perda da controlabilidade (loss of control ).
Para que um sistema não passe a operar em uma condição limite, é inte-
ressante que se incorporem mecanismos de “proteção de envelope”, ou seja,
incluir no projeto mecanismos que impeçam o processo de adentrar tal região
de operação. Ou existir um mecanismo de recuperação, de tal forma que, se
for ultrapassada a fronteira da região limite, existam formas de voltar a ter a
controlabilidade.
Caso se reverta ao modo manual, deve-se ter em mente que o operador humano
deve estar devidamente treinado para lidar com situações não rotineiras
No caso de controle de aeronaves, o conceitos estão bem elucidados do docu-
mento FAA AC-25-7C.
O projeto de controladores deve seguir as boas práticas recomendadas pela

Engenharia de Sistemas, uma vez que a obtenção das leis de controle é
apenas uma parte do problema. Vários fatores, como a segurança, o custo, a
disponibilidade, a sustentabilidade e muitos outros, devem ser considerados
em aplicações crı́ticas e sofisticadas, como o caso de veı́culos de passageiros,
equipamentos médicos, centrais nucleares, armamentos etc.
12.21 Comentários
As etapas para o desenvolvimento de Sistemas de Controle que são menciona-
das neste texto são inspiradas na literatura de Engenharia de Sistemas.
Uma boa fonte de informações sobre Engenharia de Sistemas é o texto aberto
da NASA: National Aeronautics and Space Administration - NASA - Sys-
tems Engineering Handbook, NASA SP-2016-6105, Rev2, NASA Headquar-
ters, Washington, 2016.
A primeira utilização da palavra reliability é atribuı́da ao poeta Samuel T.
Coleridge, 1816. Vide Saleh, J. H. e Marais, K. Highlights from the early (and
pre-) history of reliability engineering. Reliability Engineering and System Sa-

fety, Elsevier, v. 91, n. 2, p. 249-256, 2006.
A origem do conceito de FMEA é atribuı́do ao documento MIL-P-1629, Pro-
cedures for Performing a Failute Mode, Effects and Criticality Analysis de 9
de novembro de 1949, patrocinada pelas Forças Armadas dos Estados Unidos.
O surgimento da disciplina Reliability Engineering ocorreu por volta de 1950,

quando a Força Aérea dos Estados Unidos apurou que o custo de reparar e
substituir equipamentos eletrônicos da época era cerca de dez vezes o seu custo
original.
Constituiu-se, então, o Advisory Group on the Reliability of Electronic Equip-
ment (AGREE) pelo Departamento de Defesa dos Estados Unidos, operando
entre 1956 e 1958.
12.22 Exercı́cios
12.22.1 Exercı́cio: Especificações de requisitos
Conceber potenciais requisitos para o problema de controle envolvidos em
seguintes atividades
1. Iluminação hospitalar
2. Tratamento de efluentes (esgoto)
3. Construção de drones
4. Fabricação de brinquedos
12.22.2 Prognóstico de falhas

Que vantagens econômicas e sociais poderiam advir de um sistema que permita
prognosticar falhas em equipamentos de engenharia?
12.22.3 Falhas, faltas, mau funcionamento, defeito e erro

Verificar o significado das palavras listadas no tı́tulo da questão, tanto em
termos da lı́ngua portuguesa, quanto da inglesa.
12.22.4 Exercı́cio: Controle tolerante a falhas

Dissertar sobre como seria um controle tolerante a falhas para o sistema de
controle de profundidade de um submarino.
12.22.5 Exercı́cio: Manutenção

Comentar sobre:
1. Manutenção corretiva
2. Manutenção programada
3. Manutenção preditiva
4. Manutenção baseada em condição
12.22.6 Exercı́cio: Qualidade

1. O que se entende por um sistema de controle de alta “qualidade”?
2. O que se entende por um sistema de controle de baixa “qualidade”?
12.22.7 Exercı́cio: Produtividade

Como se expressaria o conceito de produtividade em termos das especificações
de desempenho de um controlador automático?
12.22.8 Exercı́cio: Dependabilidade

Um termo que tem recebido muita atenção é dependabilidade. Buscar o signifi-
cado desse conceito na Internet e comentar sobre a possibilidade de incorporá-
lo como parte dos requisitos de um sistema de controle.
12.22.9 Exercı́cio: Inovação

Um termo que tem recebido muita atenção é inovação. Há diferença de sig-
nificado entre as palavras inovação e invenção? Cite exemplos de inovação e
inovação na área de sensores e transdutores.
12.22.10 TRIZ
A sigla TRIZ, originada do russo Teoriya Resheniya Izobretatelskikh Zadatch,
pode ser traduzido como Teoria da Resolução Inventiva de Problemas. Buscar
elementos dessa teoria na Internet e comentar sobre o potencial de uso dessa
teoria no desenvolvimento de projeto de sistemas de controle.
Parte VI
Apêndices
453
13
Apêndices
“We think in generalities, but we live in detail.”

– Alfred North Whitehead
13.1 Apêndice A - Equação de Euler-Lagrange

Um dos métodos apresentados no capı́tulo sobre modelagem de sistemas de
tempo contı́nuo utiliza a equação de Euler-Lagrange.
A equação de Euler-Lagrange surge como uma condição de extremalidade no
cálculo de variações, quando se busca minimizar a função de ação (princı́pio
de Hamilton, (GOLDSTEIN, 1980)).
Aqui é apresentado um caso particular conhecido como o problema mais sim-
ples do cálculo de variações, que consiste em determinar uma função x∗ (t) tal
que
J[x∗ ] = min J[x] (13.1)
x∈X
sujeito às restrições
x(t0 ) = x0 (13.2)
x(tf ) = xf (13.3)
h i
Usualmente são adotados para X conjuntos tais como C1 t0 , tf ; Rn , ou
seja, espaço de funções diferenciáveis com a primeira derivada contı́nua.
As grandezas t0 , tf , x0 e xf são assumidas fixas e J : X −→ R é da forma,
Z tf

J[x] = c t, x (t) , ẋ (t) dt (13.4)
t0
455
Assuma que existe x∗ (t) é uma solução local (ponto de mı́nimo de J).
Então, se x∗ (t) for perturbado por uma função h,

e o custo J deve aumentar,
J[x∗ ] ≤ J[x∗ + h]
e (13.5)
h i
Seja h uma função C 1 t0 , tf ; Rn , tal que h(t0 ) = 0.
Figura 13.1: A linha vermelha representa o efeito da adição de εh(t) (traçado

em azul), à curva ótima x∗ (t) (em verde).
e = εh (vide figura 13.1), em que ε ∈ R e Je : R → R, segundo

Seja, ainda, h
J(ε)
e = J[x∗ + h]
e (13.6)
∗
= J[x + εh] (13.7)
Como x∗ (t) é assumida ser ótima, J(ε)

e deve ter um ponto estacionário para
ε = 0, ou

dJ(ε)
e
=0 (13.8)
dε
ε=0
Explicitando os termos no integrando, obtém-se

Z tf
J(ε)
e = c t, x∗ (t) + εh (t) , ẋ∗ (t) + εḣ (t) dt (13.9)
t0
Apêndices 457
e, portanto,
"Z #
dJ(ε)
e tf
= cx t, x (t) , ẋ (t) h + cẋ t, x (t) , ẋ (t) ḣ dt (13.10)
dε t0
Z tf

= cx t, x (t) , ẋ (t) hdt +
t0
Z tf

+ cẋ t, x (t) , ẋ (t) ḣ(t) dt (13.11)
t0 | {z }| {z }
u dv
Utiliza-se agora o método de integração por partes

Z tf tf Z tf

u dv = uv − v du (13.12)
t0 t0 t0
Lembrando que h(t0 ) = 0 e h(tf ) = 0 e também omitindo-se os argumentos

de cx e cẋ para simplificar a notação, chega-se a
dv = ḣ dt ⇛ v = h (13.13)
tf tf

uv = cẋ h = 0 (13.14)
t0 t0
e, logo,
Z tf Z tf
u dv = 0 − v du (13.15)
t0 t0
Z tf
d
= − h cẋ dt (13.16)
t0 dt
dJ(ε)
A expressão pode agora ser escrita na forma
e
dε
Z tf Z tf
dJ(ε)
e
= cx hdt + udv (13.17)
dε t0 t0
Z tf " #
d
= cx − cẋ h dt (13.18)
t0 dt
em que os argumentos de cx , cẋ e de h foram omitidos para simplificar a
notação.
Como a perturbação h é escolhida arbitrariamente, deve-se ter
!
d
cẋ − cx =0 (13.19)
dt

x=x∗
Essa equação é conhecida como a de Euler-Lagrange.

Exemplo
Seja o problema de cálculo de variações em que x : R → R e x ∈ C 1
Z π h i
2
J[x] = ẋ2 (t) − x2 (t) dt (13.20)
0
com as restrições
x(0) = 0 (13.21)
π

x = 1 (13.22)
2
Fazendo-se a associação
c(t, x(t), ẋ(t)) = ẋ2 (t) − x2 (t) (13.23)
e os termos requeridos na equação de Euler-Lagrange são:
cx = −2x (13.24)
cẋ = 2ẋ (13.25)
Substituindo-se esses termos na equação de Euler-Lagrange, tem-se que

!
d
(2ẋ) + 2x =0 (13.26)
dt

x=x∗
Logo, a condição necessária a ser satisfeita por x = x∗ é
ẍ + x = 0 (13.27)
x∗ (t) = a + b sin(t) (13.28)
Impondo as condições de contorno,
a + b sin(0) = 0 (13.29)
π
a + b sin( ) = 1 (13.30)
2
obtém-se
a=0 ; b=1 (13.31)
e a solução do problema é
x∗ = sin(t) (13.32)
Apêndices 459
13.2 Apêndice B - Iteração de Picard

Apresenta-se aqui um caso particular da iteração de Picard, aplicada a sistemas
LTI (ẋ = Ax + Bu) para obtenção a fórmula explı́cita para x(t) a partir de
x(0) dado.
Considere inicialmente a equação sem a excitação u,
ẋ = Ax ; x(0) = x0 (13.33)
dx
e, lembrando que ẋ = dt , pode-se escrever
dx = Ax(t)dt (13.34)
Z t
x(t) = x0 + Ax (τ ) dτ (13.35)
0
A dificuldade para resolver 13.35 está no fato de que x está presente em ambos
os lados da equação.
No método iterativo (iteração de Picard), a ideia é construir uma sequência
de funções usando a recursão
[x]0 (t) = x0 ; ∀t ≥ 0 (13.36)

Z t

[x]i (t) = x0 + A x(t) i−1 dτ ; i = 1, 2, 3, ... (13.37)
0
em que [x]i denota o i-ésimo termo da sequência.

Aplicando-se a recursão proposta, tem-se
[x]0 (t) = x0 (13.38)

Z t
[x]1 (t) = x0 + Ax0 dτ = (I + At) x0 (13.39)
0
Z t
[x]2 (t) = x0 + A (I + At) x0 dτ
0
1

= I + At + A2 t2 x0 (13.40)
2
..
. !
Z t
1
[x]k (t) = x0 + A I + At + · · · + Ak−1 tk−1 x0 dτ
0 (k − 1)!
!
1 1
= I + At + A2 t2 + · · · + Ak tk x0 (13.41)
2 (k)!
| {z }
Ak (t)
Pode-se verificar que os termos

1 1
Ak (t) = I + At + A2 t2 + · · · + Ak tk (13.42)
2 k!
constituem uma sequência de Cauchy que converge ( || Am (t) − An (t) || → 0
se m, n → ∞) e convenciona-se denotar o limite por eAt
1 1
eAt = I + At + A2 t2 + A3 t3 + · · · (13.43)
2 3!
Para a solução do caso em que há uma excitação u,
ẋ = Ax + Bu ; x(0) = x0 (13.44)
faça-se a mudança de variáveis
z(t) = e−At x(t) (13.45)
Diferenciando-se essa expressão e usando a regra da cadeia
dz dx
= −Ae−At x(t) + e−At (t) (13.46)
dt dt
= −Ae−At x(t) + e−At Ax(t) + Bu(t) = e−At Bu(t) (13.47)

já que A e e−At comutam.

Reescrevendo-se essa equação, tem-se
dz = e−At Bu(t) dt (13.48)
Z t
z(t) − z(0) = e−Aτ Bu(τ ) dτ (13.49)
0
Z t
z(t) = z(0) + e−Aτ Bu(τ ) dτ (13.50)
0
Substituindo-se z(t) = e−At x(t) e z(0) = x(0), obtém-se que

Z t
−At
e x(t) = x(0) + e−Aτ Bu(τ ) dτ (13.51)
0
A matriz e−At é não singular (vide a fórmula de Jacobi, por exemplo, em

(BELLMAN, 1974)).
det e−At = etr(−At) ̸= 0 (13.52)
−1
Portanto, fazendo-se e−At = eAt , obtém-se a expressão desejada
Z t
x(t) = eAt x(0) + eAt e−Aτ Bu(τ ) dτ (13.53)
0
Z t
At
= e x(0) + eA(t−τ ) Bu(τ ) dτ (13.54)
0
Apêndices 461
Observações
1. Muitas vezes é utilizada a notação Φ(t1 , t0 ) para representar eA(t1 −t0 ) .
Na literatura, Φ(t1 , t0 ) é denominada matriz de transição de estados,
já que para sistemas ẋ = Ax a solução a partir de x(t0 ) é x(t1 ) =
eA(t1 −t0 ) x(t0 ) = Φ(t1 , t0 )x(t0 ).
2. No caso de uma matriz A(t) comutar com 0t A(τ ) dτ , pode-se mostrar

R
pelo mesmo método (construindo a sequência {[x]i }i=0,1,2,... , conhecida

como de Peano-Baker) que a solução do caso não autônomo
ẋ = A(t)x ; x(0) = x0 (13.55)
é dada por Rt
A(σ)dσ
x(t) = e 0 (13.56)
13.3 Apêndice C - Exponencial de matriz

Dado o sinal de entrada u(t), a solução de ẋ = Ax + Bu a partir de x(0) = x0
é dada por Z t
x(t) = eAt x0 + eA(t−τ ) Bu (τ ) dτ (13.57)
0
em que
1 1
eAt = I + At + A2 t2 + A3 t3 + · · · (13.58)
2 3!
É interessante, portanto, dispor de métodos para obtenção da expressão ex-
plı́cita para eAt .
Existem vários métodos conhecidos e neste apêndice são apresentados dois dos
mais populares
1. utilizando a diagonalização
2. utilizando o teorema de Cayley-Hamilton
Outros métodos podem ser encontrados em
1. Moler, C. e Van Loan, C. Nineteen dubious ways to compute the expo-

nential of a matrix. SIAM Review, v. 20, n. 4, p. 801-836, 1978.
2. Moler, C. e Van Loan, C. Nineteen dubious ways to compute the expo-

nential of a matrix, twenty-five years later. SIAM Review, v. 45, n. 1,
pp. 3-49, 2003.
13.3.1 Diagonalização - Caso com autovalores distintos

No caso especial de matrizes diagonais,
 
λ1
 
 λ2 
Λ= (13.59)
 
.. 

 . 

λn
é imediato verificar que

 
e λ1 t
eλ2 t
 
 
Λt
e = (13.60)
 
.. 

 . 

e λn t
Apêndices 463
Portanto, se a matriz An×n é tal que os seus n autovalores λi são distintos,

então, pode-se valer da diagonalização, notando que
 
λ1
 
h i h i λ2 
A v1 v2 · · · vn = v1 v2 · · · vn   (13.61)
 
..
| {z } | {z }
 . 

P P λn
| {z }
Λ
em que vi são os autovetores associados a λi .

Pode-se mostrar que P é não singular (vide, por exemplo, (CHEN, 1970) e
(STRANG, 1988)) e, de fato, constitui uma transformação similar
A = PΛP−1 (13.62)
Logo, é imediato no caso de autovalores distintos que
eAt = PeΛt P−1 (13.63)
já que
An = PΛP−1 × PΛP−1 × . . . × PΛP−1 (n vezes) (13.64)

−1
= PΛP (13.65)
13.3.2 Teorema de Cayley-Hamilton

Um método mais geral pode ser obtido com o auxı́lio do teorema de Cayley-
Hamilton.
Seja o polinômio caracterı́stico de A
∆(s) = det(sI − A) (13.66)

n n−1 n−2
= a0 s + a1 s + a2 s + · · · + an−1 s + an (13.67)
e defina o polinômio de matriz
∆(A)
b = a0 An + a1 An−1 + a2 An−2 + · · · + an−1 A + an I (13.68)
que possui os mesmos coeficientes que ∆(s).

Notar, porém, que ∆ : C → C, enquanto ∆b : Rn×n → Rn×n .
Segundo o teorema de Cayley-Hamilton,
∆(A)
b =0 (13.69)
De fato, pela fórmula de inversão de matrizes,
1
(sI − A)−1 = adj (sI − A) (13.70)
det (sI − A)
em que adj (sI − A) é a matriz adjunta (ou a dos cofatores transposta).

Reescrevendo-se essa expressão, tem-se que
I det (sI − A) = (sI − A) adj (sI − A) (13.71)
em que se sabe que adj (sI − A) é um polinômio de matriz de grau n − 1
adj (sI − A) = R0 sn−1 + R1 sn−2 + · · · + Rn−2 s + Rn−1 (13.72)
Lembrando que
det(sI − A) = a0 sn + a1 sn−1 + a2 sn−2 + · · · + an−1 s + an (13.73)
obtém-se a seguinte identidade de polinômios

h i
a0 Isn + a1 Isn−1 + · · · + an I = (sI − A) R0 sn−1 + · · · + Rn−2 s + Rn−1
| {z } | {z }
LE
LD
(13.74)
Colocando-se o lado direito LD em ordem decrescente de potências de s resulta

que
LD = R0 sn + R1 sn−1 + · · · + Rn−2 s2 + Rn−1 s (13.75)

n−1 n−2
−AR0 s − AR1 s − · · · − ARn−2 s − ARn−1 (13.76)
Igualando-se os coeficientes de LE e do LD de mesma potência em s, obtém-se

que
a0 I = R0 (13.77)
a1 I = R1 − AR0 (13.78)
a2 I = R2 − AR1 (13.79)
..
.
an−1 I = Rn−1 − ARn−2 (13.80)
an I = −ARn−1 (13.81)
Apêndices 465
R0 = a0 I (13.82)
R1 = a1 I + AR0 (13.83)
R2 = a2 I + AR1 (13.84)
..
.
Rn−1 = an−1 I + ARn−2 (13.85)
an I = −ARn−1 (13.86)
Esse sistema pode ser resolvido por substituições sequenciais.

Fazendo-se as substituições a partir de R0 , tem-se que
R0 = a0 I (13.87)
R1 = a1 I + a0 A (13.88)
2
R2 = a2 I + a1 A + a0 A (13.89)
..
.
Rn−1 = an−1 I + an−2 A + . . . + a0 An−1 (13.90)
e substituindo-se Rn−1 na última equação an I = −AR, obtém-se o resultado

desejado,
∆(A)
b = a0 An + a1 An−1 + a2 An−2 + · · · + an−1 A + an I = 0 (13.91)
Por abuso de notação, denota-se muitas vezes ∆(A)

b = ∆(A) e diz-se que “uma
matriz quadrada anula o seu polinômio caracterı́stico”.
Representação de polinômios de matrizes

Dada uma matriz An×n , seja ∆(A) o polinômio cujos coeficientes são as mes-
mas que a de ∆(s).
Considere, agora, um polinômio genérico P (A) de grau qualquer.
O polinômio P (A) pode ser colocado na forma (Q e R são respectivamente o
quociente e o resto)
P (A) = Q(A)∆(A) + R(A) (13.92)
apenas ajustando os respectivos coeficientes das potências de A nos lados
esquerdo e direito da identidade.
Pelo teorema de Cayley-Hamilton, ∆(A) = 0 e conclui-se que
P (A) = R(A) (13.93)

ou seja, qualquer polinômio de matriz pode ser expresso como uma combinação
de potências até grau n − 1
P (A) = α0 I + α1 A + α2 A2 + . . . + αn−1 An−1 (13.94)
sendo que os coeficientes αi ainda devem ser determinados.
Como a expressão satisfeita por P (A) é a mesma que aquela satisfeita por
cada autovalor λi , deve-se ter também que:
P (λ1 ) = α0 + α1 λ1 + α2 λ21 + . . . + αn−1 λn−1
1 (13.95)
P (λ2 ) = α0 + α1 λ2 + α2 λ22 + ... + αn−1 λn−1
2 (13.96)
..
.
P (λn ) = α0 + α1 λn + α2 λ2n + . . . + αn−1 λn−1
n (13.97)
com λi sendo as raı́zes de det(sI − A) = 0 (assumidas distintas).
No caso especial de P (A) = eAt , resolve-se o sistema de equações
eλ1 t = α0 (t) + α1 (t)λ1 + α2 (t)λ21 + . . . + αn−1 (t)λn−1
1 (13.98)
e λ2 t
= α0 (t) + α1 (t)λ2 + α2 (t)λ22 + ... + αn−1 (t)λn−1
2 (13.99)
..
.
eλn t = α0 (t) + α1 (t)λn + α2 (t)λ2n + . . . + αn−1 (t)λnn−1 (13.100)
e obtém-se ( α1 (t), α2 (t), · · · , αn (t) ).
Portanto, a fórmula fechada desejada para eAt é dada por
eAt = α0 (t)I + α1 (t)A + α2 (t)A2 + . . . + αn−1 (t)An−1 (13.101)
Exemplo
Dada a matriz " #
0 1
A= (13.102)
−6 −5
deseja-se obter uma expressão fechada para eAt .
Para utilizar o método baseado no teorema de Cayley-Hamilton, seja
" # " #
At 1 0 0 1
e = α0 + α1 (13.103)
0 1 −6 −5
Os autovalores de A são obtidos de
 " # " #
1 0 0 1 
det s − = 0 (13.104)
0 1 −6 −5
Apêndices 467
cujas raı́zes são s = −2 e s = −3, ou seja, os autovalores são λ1 = −2 e

λ2 = −3.
O sistema de equações que fornece os coeficientes αi são
eλ1 t = α0 + α1 λ1 → e−2t = α0 − 2α1 (13.105)

λ2 t −3t
e = α0 + α1 λ2 → e = α0 − 3α1 (13.106)
α0 = 3e−2t − 2e−3t (13.107)

−2t −3t
α1 = e −e (13.108)
e, portanto,
" # " #
1 0 0 1
eAt = 3e−2t − 2e−3t + e−2t − e−3t (13.109)
0 1 −6 −5
" # " #
−2t 3 1 −3t −2 −1
= e +e (13.110)
−6 −2 6 3
Como esse exemplo pode ser resolvido também via diagonalização, pois λ1 ̸=
λ2 ., busca-se a matriz de transformação P.
Os autovetores são
" #" # " #
0 1 v1,1 v1,1
= −2 → v1,2 = −2v1,1 (13.111)
−6 −5 v1,2 v1,2
" #" # " #
0 1 v2,1 v2,1
= −3 → v2,2 = −3v2,1 (13.112)
−6 −5 v2,2 v2,2
e, escolhendo-se v1,1 = 1 e v2,1 = 1, tem-se v1 e v2 associados aos autovalores

−2 e −3 são " # " #
1 1
v1 = e v2 = (13.113)
−2 −3
A transformação diagonalizante é
" #
1 1
P= (13.114)
−2 −3
cuja inversa é " #

3 1
P−1 = (13.115)
−2 −1
e, de fato,
" #" #" #
3 1 3 −1 1 1
Λ = (13.116)
−2 −1 +6 8 −2 −3
" #
−2 0
= (13.117)
0 −3
Tendo-se obtido P e P−1 , a expressão desejada desejada para eAt é
eAt = PeΛt P−1 (13.118)

" #" #" #
1 1 e−2t 0 3 1
= (13.119)
−2 −3 0 e−3t −2 −1
" #
3e−2t − 2e−3t e−2t − e−3t
= −2t −3t (13.120)
−6e + 6e −2e−2t + 3e−3t
" # " #
−2t 3 1 −3t −2 −1
= e +e (13.121)
−6 −2 6 3
que é o mesmo resultado obtido anteriormente.

Uma conclusão relevante é que a resposta de um sistema linear ẋ = Ax a
partir de x0 é uma combinação de exponenciais de λk t (às vezes chamados de
modos)
ẋ = eAt x0 (13.122)
 
n
X
=  Mk eλk t  x0 (13.123)
k=1
Caso haja autovalores com multiplicidade maior que 1, utilizam-se as expres-

sões obtidas derivando-se em λ.
Por exemplo, se λ possui multiplicidade 3, são construı́das as expressões
eλt = α1 λ + α2 λ2 + α3 λ3 + . . . + αn−1 λn−1 (13.124)

λt 2 n−2
te = α1 + 2α2 λ + 3α3 λ + . . . + (n − 1)αn−1 λ (13.125)
2 λt 2 n−3
t e = 2α2 + 6α3 λ + . . . + (n − 2)(n − 1)αn−1 λ (13.126)
Apêndices 469
13.4 Apêndice D - Estabilidade de sistemas LTI

A origem de um sistema LTI (x = 0) é estável se todos os seus autovalores
(ou as raı́zes do polinômio caracterı́stico ∆(s) ou os polos da função de trans-
ferência) estão no interior do semiplano esquerdo (SPE).
Um polinômio que possui todas as raı́zes no interior do SPE é dito ser de
Hurtiwz.
Necessita-se, portanto, de métodos para verificar se um dado polinômio é
Hurwitz, sem a necessidade de determinar as suas raı́zes, em vista dos fatos:
1. não há expressão explı́cita, em geral, para raı́zes de polinômios de grau

maior que 4 (consequência de trabalhos de Galois);
2. muitas vezes os coeficientes dos polinômios envolvem parâmetros literais.
13.4.1 Critério de Mikhailov-Leonhard-Cremer

O polinômio com coeficientes reais ∆(s) de grau n é Hurwitz se e somente se
∡∆(jω) varia de n π2 quando ω varia de 0 a ∞.
Figura 13.2: Ilustração de como varia a fase de ∆(jω) à medida que ω varia
de 0 → ∞.
Pela figura 13.2, é imediato notar que a fase de ∆(jω) varia de 0 a nπ/2 à
medida que ω varia de 0 → ∞, se todas as raı́zes estiverem no interior do SPE.
Em outras palavras, o gráfico de ∆(jω) percorre n quadrantes à medida que

ω varia de 0 → ∞, começando com ∆(j0) ∈ R+ (segmento positivo do eixo de
abscissas).
13.4.2 Critério de Hermite-Bieler

Sejam E(.) e O(.) polinômios tais que representam as partes par e ı́mpar de
∆(s), respectivamente, ou, mais especificamente,
∆(s) = a0 sn + a1 sn−1 + a2 sn−2 + a3 sn−3 + · · · + an−1 s + an (13.127)

E O E O O E
n n−2 n−1 n−3
= a0 s + a2 s + · · · an + a1 s + a3 s + · · · + an−1 s
E E E O O O
(13.128)
n n −1
= a0 s2 2
+ a2 s 2 2
+ · · · + an +
| {z }
E(s2 )
n −2 n −1
+a′ s s2 2
+ a3 s s2 2
+ · · · + an−1
| {z }
sO(s2 )
= E(s2 ) + sO(s2 ) (13.129)
Critério de Hermite-Bieler
“O polinômio com coeficientes reais ∆(s) é Hurwitz se e somente se E(r) e

O(r) possuem raı́zes reais negativas simples intercaladas”, aa01 > 0 e a primeira
raı́z mais próxima de 0 é de E(r).
Esse resultado decorre imediatamente do critério de Leonhard-Mikhailov, no-
tando que E(−ω 2 ) é a parte real de ∆(jω) e ωO(−ω 2 ) é a parte imaginária.
Para que a curva ∆(jω) passe por n quadrantes, deve cruzar os eixos imagi-
nário e real de modo alternado.
Logo, as raı́zes de E(−ω 2 ) = 0 e de ωO(−ω 2 ) = 0 devem estar intercaladas.
Para ω ≃ 0 a fase de ∆(jω) ≃ 0, e, portanto, o primeiro eixo a ser cruzado
é o imaginário (Re{∆(jω0 )} = E(−ω02 ) = 0 para algum ω0 ) e à medida que
ω ↑ ∞.
Polinômios E(r) e O(r) que possuem raı́zes intercaladas e o eixo imaginário
é o primeiro a ser cruzado quando ω varia de 0 a ∞ são chamados de pares
positivos.
Teorema dos pares positivos
Sem perda de generalidade, é admitido que n é par, uma vez que, para n
ı́mpar, o resultado pode ser obtido com um método análogo.
Apêndices 471
Considere os polinômios com m = n/2
E(r) = a0 rm + a2 rm−1 + · · · + an−2 r + an (13.130)

m−1 m−2
O(r) = a1 r + a3 r + · · · + an−1 r (13.131)
Dados E(r) e O(r), constrói-se uma tabela incluindo a linha P (r) conforme
E : a0 a2 a4 ··· an−2 an
O : a1 a3 a5 ··· an−1 0 (13.132)
P : b1 b2 b3 ··· b n2
em que
a1 a2 −a0 a3 a1 a4 −a0 a5
b1 = a1 b2 = a1 · · · b n2 = an (13.133)
Será mostrado que E(r) e O(r) formam um par positivo se e somente se O(r)
e P (r) formam um par positivo.
Note, inicialmente, que
a0
P (r) = E(r) − r O(r) (13.134)
a1
pois
a0
E(r) − r O(r) = a0 rm + a2 rm−1 + · · · + an−2 r + an −
a1
a0 m
− a1 r + a3 rm−1 + · · · + an−1 r (13.135)
a
1
a0 a0

= a0 − a1 rm + a2 − a3 rm−1 + · · · +
a1 a1
a0

+ an−2 − an−1 r + an (13.136)
a1
a1 a2 − a0 a3 m−1 a1 a4 − a0 a5 m−1
= s + r + ··· +
a1 a1
| {z } | {z }
b1 b2
a1 an−2 − a0 an−1
+ r + an = P (r) (13.137)
a1 |{z}
| {z } bn
b n −1 2
2
Para verificar a suficiência, assume-se que O(r) e P (r) formam um par positivo
e mostra-se que E(r) e O(r) são pares positivos.
Em vista de
a0
P (r) = E(r) − r O(r) (13.138)
a1
Se em um ponto r̂, O(r̂) = 0, então P (r̂) ̸= 0 pois P e Q são pares positivos

por hipótese. Além disso, se O(r̂) = 0, P (r̂) = E(r̂) e, portanto, E(r̂) ̸= 0.
Se E(r̂) = 0, então P (r̂) = − aa10 r O(r̂). A alternativa O(r̂) = 0 resultaria
P (r̂) ̸= 0, o que não é possı́vel. Logo, O(r̂) ̸= 0.
Portanto, O(r̂) = 0 ⇝ E(r̂) ̸= 0 e E(r̂) = 0 ⇝ O(r̂) ̸= 0.
A necessidade é verificada com argumento análogo.
13.4.3 Critério de Routh-Hurwitz

O critério de Routh-Hurwitz é baseado na aplicação sucessiva do teorema dos
pares positivos e do critério de Hermite-Bieler.
Um polinômio de grau n com coeficientes reais ∆(s) é Hurwitz se não há troca
de sinais na primeira coluna do arranjo
sn : a0 a2 a4 ··· an−4 an−2 an

sn−1 : a1 a3 a5 ··· an−3 an−1 0
sn−2 : b1 b2 b3 ··· b n2 −1 b n2
sn−3 : c1 c2 c3 ··· c n2 −1
.. .. .. .. (13.139)
. . . .
s3 : p1 p2 p3
s2 : q1 q2
s1 : r1 r2
s0 : t1
Os rótulos sn , sn−1 , . . . , s1 , s0 são utilizados frequentemente para identificar as

linhas da tabela em soluções manuais para organizar os cálculos e pode ser
dispensada.
As linhas sn e sn−1 são obtidas diretamente de ∆(s) e as demais linhas do
arranjo são determinadas usando a mecanização apresentada:
b1 = a1 a2 −a0 a3
a1 b2 = a1 a4 −a0 a5
a1 · · · b n2 −1 = a1 an−4a−a
1
0 an−3
b n2 = an
b1 a3 −a1 b2 b1 a5 −a1 b3
c1 = b1 c2 = b1 · · · c n2 −1 = b n2
.. (13.140)
.
t1 = an
• O critério de Routh-Hurwitz consiste, portanto, na aplicação sucessiva

do teorema sobre pares positivos: (s0 , s1 ) par positivo ⇒ (s1 , s2 ) par
positivo; (s1 , s2 ) par positivo ⇒ (s2 , s3 ) par positivo; . . . ;(sn−2 , sn−1 )
par positivo ⇒ (sn−1 , sn ) par positivo, até que se atinja o par requerido
pelo critério de Hermite-Bieler.
Apêndices 473
• Existem regras adicionais quando o primeiro coeficiente da linha é 0 ou

se uma linha inteira é 0.
13.4.4 Critério de Nyquist

O critério de Nyquist é muito utilizado por permitir uma visualização gráfica
direta das propriedades do processo, além de propiciar definições importantes
como a margem de fase e margem de ganho.
Os resultados fundamentais para a demonstração do critério de Nyquist são
o teorema do resı́duo e a fórmula de Lucas ((APOSTOL, 1969), (BROWN;
CHURCHILL, 2013), (KARLIN, 1959), entre outros).
Teorema do resı́duo
Se f : C → C é uma função analı́tica em uma região simplesmente conexa
Ω de C, delimitada pela curva fechada Γ exceto por singularidades isoladas
◦
r1 , ..., rq ∈ Ω, então
I h i
f (s) ds = 2πj res (f, r1 ) + · · · + res f, rq (13.141)
Γ
◦
em que Ω denota o interior de Ω, Γ é percorrida no sentido anti-horário e
res (f, ri ) denota o resı́duo de f em ri .
Teorema de Cauchy
Se f : C → C é uma função analı́tica em uma região Ω delimitada pela curva
fechada Γ, então I
f (s) ds = 0 (13.142)
Γ
Fórmula de Lucas
Se p(s) = aq (s − z1 )(s − z2 )...(s − zq ) e p′ (s) é a sua derivada, então
p′ (s) 1 1 1
= + + ··· + (13.143)
p (s) s − z1 s − z2 s − zq
q
X 1
= (13.144)
i=1
s − zi
Seja s = zi uma raiz de p(s) de multiplicidade ℓ ≥ 1 de p(s), ou seja,
p(s) = (s − zi )ℓ q (s) (13.145)

para algum q (s). Derivando-se a expressão 13.145, obtém-se
p′ (s) = ℓ (s − zi )ℓ−1 q (s) + (s − zi )ℓ q ′ (s) (13.146)
e, portanto,
p′ (s) ℓ q ′ (s)
= + (13.147)
p (s) s − zi q (s)
Procedendo-se analogamente com o polinômio q (s) e assim sucessivamente até
a última raiz, obtém-se o resultado desejado.
A fórmula de Lucas pode ser estendida para o caso em que p(s) é uma razão
de polinômios.
Considere, inicialmente, um polo s = ri de multiplicidade ℓ ≥ 1 de p(s), ou
seja,
p(s) = (s − ri )−ℓ q (s) (13.148)

para algum q (s).
Derivando-se a expressão 13.145, obtém-se que
p′ (s) = −ℓ (s − ri )−ℓ−1 q (s) + (s − ri )−ℓ q ′ (s) (13.149)
e, portanto,
p′ (s) ℓ q ′ (s)
=− + (13.150)
p (s) s − ri q (s)
Combinando-se os resultados para os zeros e para os polos, tem-se para uma
função f (s) descrita como uma razão de polinômios, com Z zeros e P polos
em uma região Ω que
Z P
f ′ (s) X 1 X 1 g ′ (s)
= − + (13.151)
f (s) i=1
s − zi i=1 s − ri g (s)
◦
em que a função g (s) é analı́tica em Ω.
Princı́pio do argumento
Seja f : C → C uma razão de polinômios, com zi , i = 1, ..., Z zeros e rk , k =
1, ..., P polos em uma região Ω delimitada pela curva fechada Γ. Em vista da
versão estendida da fórmula de Lucas 13.151,
Z P
f ′ (s) X 1 X 1 g ′ (s)
= − + (13.152)
f (s) i=1
s − zi i=1 s − ri g (s)
Apêndices 475
Integrando-se ambos os lados, tem-se que
0
    z }| {
Z P
f ′ (s) 1  1  g ′ (s)
I I X I X I
ds =  ds −  ds + ds (13.153)
Γ f (s) Γ i=1
s − zi Γ i=1
s − ri Γ g (s)
em que o último termo é nulo em vista do teorema de Cauchy.
Pelo teorema do resı́duo,
 
Z Z I
1  1
I X X
 ds = ds (13.154)
Γ i=1
s − zi i=1 Γ s − zi
 
1 1
Z z
X }| { z }| {
= 2πj res (f, z1 ) + · · · + res f, zq (13.155)
 
i=1
= 2πjZ (13.156)
e, analogamente,
 
P
1 
I X
 ds = 2πjP (13.157)
Γ i=1
s − ri
ou seja,
f ′ (s)
I
ds = 2πj [Z − P ] (13.158)
Γ f (s)
A imagem através de f (s) à medida que s percorre uma curva Γ no plano s é
uma outra curva Λ = f (Γ) no plano {Re{f (s)}, Im{G(s)}}.
Utilizando a notação w = f (s), obtém-se que
dw
f ′ (s) 1 z ′ }| {
I I
ds = f (s) ds
Γ f (s) Γ w
1
I
= dw
Λ w
= ln w|Λ

= ln |w| ej∡w

Λ
0 pois Λ fechado
z }| {
= ln |w| Λ + ln ej∡w

w⟲Λ
= j∡w|w⟲Λ
= 2πjN [0, + ⟲] (13.159)
Combinando-se 13.158 e 13.159, constata-se que o número de voltas de f (Λ)

em torno da origem do plano {Re[f(s)],Im[f(s)]} é a diferença entre os números
de zeros e de polos enlaçados pelo contorno fechado Λ no plano s.
N [0, + ⟲] = Z − P (13.160)
A ideia do critério de Nyquist é utilizar este fato para verificar se existem polos
de malha fechada no semiplano direito (SPD), caso em que o sistema não seria
estável.
Critério de Nyquist
Seja Ga (s) uma função de transferência de malha aberta com P polos no SPD
e Γ o contorno de Nyquist, a ser percorrido no sentido anti-horário.
A função de transferência de malha fechada é dada por
Ga (s)
Gf (s) = (13.161)
1 + Ga (s)
e, portanto, os polos de malha fechada são as raı́zes de 1 + Ga (s) = 0.
O critério consiste em verificar se Z = 0, o número de zeros de 1+Ga (s) = 0, a
partir do conhecimento de P (número de polos de malha aberta) e de N [0, ⟲],
o número de enlaçamentos do ponto 0 pela curva Λ = 1 + Ga (Γ).
É conveniente, para efeitos de praticidade, substituir N [0, ⟲] por N [−1, ⟲] e
traçar Λt = Ga (Γ), que é a versão transladada de 1 + Ga (Γ) de 1.
A porção interessante de Λt é aquela que corresponde à faixa de Ga (jω) para
ω = 0 a ω = ∞, ou seja, basta que se trace a versão polar da resposta em
frequência de Ga (s) (as curvas de Bode já fornecem o módulo e a fase de
Ga (jω)).
Apêndices 477
A porção de Ga (s) em que |s| é muito grande (semicı́rculo do contorno de

Nyquist) corresponde a Ga (s) ≈ 0 no caso de função de transferência estrita-
mente própria.
Z = N [−1, + ⟲] + P (13.162)
e, de fato, o sistema será estável se Z = 0, ou seja, nenhum polo de malha
fechada no semiplano direito (mais rigorosamente, no interior do contorno de
Nyquist).
Se o contorno de Nyquist Γ é percorrido no sentido horário, ou seja, de ω = 0
a ω = ∞, os enlaçamentos de −1 devem ser considerados positivos se ocorrem
no sentido horário N [0, + ⟳].
Caso a função de transferência de malha aberta possua polos imaginários puros
ou polo na origem, o contorno deve ser acrescido de desvios infinitesimais, pois
o contorno Γ não deve passar por singularidades.
13.5 Apêndice E - Equação de Hamilton-Jacobi-Bellman

O problema LQR pode ser resolvido por um método algébrico como apresen-
tado, por exemplo, em (OGATA, 1970) ou (GEROMEL; KOROGUI, 2019)).
Aqui, optou-se por apresentar uma solução utilizando a Programação Dinâ-
mica, proposta por (BELLMAN, 1957), baseada no Princı́pio da Otimalidade,
com vistas a oferecer uma visão sobre o problema de Controle Ótimo.
Segundo o Princı́pio da Otimalidade, se um ponto C pertencente a uma traje-
tória ótima AB a partir de A, então o segmento CB é também ótima a partir
de C (notar que se considera apenas o segmento final).
O princı́pio da otimalidade pode ser aplicado ao problema de controle ótimo

que consiste em encontrar u(t) que minimiza de funcionais da forma
Z tf

J[u] = cf x(tf ) + cc x(τ , u(τ ), τ )dτ (13.163)
t0
sujeito a restrições do modelo da dinâmica do processo
ẋ = f (x(t), u(t), t) (13.164)

x(t0 ) = x0 (13.165)
O termo cf é chamado de custo final ou terminal e cc de custo corrente.

Assume-se aqui que o problema é de instante final fixo, ou seja, tf é conhecido
e constante.
Defina V (t, x), a função valor, como sendo
V (t, x) ≜ min J(t, x)[u] (13.166)

u∈U
em que J(t, x)[u] é o custo ainda a ser incorrido (cost to go), estando o estado
em x(t) = x no instante t
Ou seja, de modo mais explı́cito,
" Z tf #

J(t, x)[u] ≜ cf x(tf ) + cc x(τ , u(τ ), τ )dτ (13.167)
t x(t)=x
Apêndices 479
Se no instante t − ∆t o estado é x− , a utilização de um controle u(.) dado por

 h i
 u∗ (t) se t ∈ t, tf
u(t) = (13.168)
 u(t) qualquer se t ∈ [t − ∆t, t)
em que u∗ (t) denota o controle ótimo, pode-se escrever

" Z t

−
J(t − ∆t, x )[u] ≜ cf x(tf ) + cc x(τ , u(τ ), τ )dτ +
t−∆t
Z tf #
cc x(τ , u∗ (τ ), τ )dτ

+ (13.169)
t x(t−∆t)=x−
Rearranjando os termos e utilizando a aproximação de Euler para o pri-

meiro termo, obtém-se que

Z t
J(t − ∆t, x− )[u] ≜

cc (x(τ ), u(τ ), τ )dτ + (13.170)
t−∆t
| {z } x(t−∆t)=x−
cc ∆t
" Z tf #
∗
cf x(tf ) + cc x(τ , u (τ ), τ )dτ (13.171)
t x(t−∆t)=x−
A partir do modelo da dinâmica, tem-se que
x(t − ∆t) = x− ⇒ x(t) ≃ x− + f (x− , u(t), t)∆t (13.172)
e o segundo termo da expressão de J(t−∆t, x− )[u] pode ser reescrito como

" Z tf #
∗
cf x(tf ) + cc x(τ , u (τ ), τ )dτ (13.173)
t x(t−∆t)=x−
" Z tf #

cc x(τ , u∗ (τ ), τ )dτ

≃ cf x(tf ) + (13.174)
t x(t)=x− +f ∆t
= V (t, x− + f ∆t) (13.175)
h i
já que u (τ ) = u∗ (τ ) se τ ∈ t, tf .
Portanto, a equação para J se torna
J(t − ∆t, x− )[u] = cc ∆t + V (t, x− + f ∆t) (13.176)

Tomando-se o mı́nimo em u, tem-se que

V (t − ∆t, x− ) = min J(t − ∆t, x− )[u] (13.177)
u∈U
h i
= min cc ∆t + V (t, x− + f ∆t) (13.178)
u∈U
Utilizando a aproximação de primeira ordem na fórmula de Taylor

V (t, x− + f ∆t) ∼
= V (t, x− ) + V T (t, x− )f ∆t
x (13.179)
e rearranjando-se os termos, obtém-se
V (t − ∆t, x− ) − V (t, x) h i
= min cc + VxT (t, x)f (13.180)
∆t u∈U
que para ∆t ↓ 0 permite obter a equação de Hamilton-Jacobi-Bellman(HJB)

h i
−Vt (t, x) = min cc (x, u, t) + VxT (t, x)f (x, u, t) (13.181)
u∈U
A condição de contorno pode ser obtida notando que estar em x no instante

t = tf implica imediatamente no custo cf (x) ,ou seja
V (tf , x) = cf (x) (13.182)
Observações
• A equação HJB pode ser expressa em termos do Hamiltoniano:
−Vt (t, x) = min H(x, u, Vx , t) (13.183)
u∈U
• Na equação de HJB a minimização é realizada em relação a u ∈ U

min {.} (13.184)
u∈U
enquanto, no problema original, é no espaço de funções admissı́veis

u(t) ∈ U
min {.} (13.185)
u∈U
• O problema LQR é um caso particular de controle ótimo e possui grande

relevância prática.
O custo é do tipo quadrático,
1
cf = x(tf )T Sx(tf ) (13.186)
2
1h i
cc = x(τ )T Qx(τ ) + u(τ )T Ru(τ ) (13.187)
2
e o modelo é linear
ẋ = Ax + Bu (13.188)
Apêndices 481
13.6 Apêndice F - Lema de Barbalat

No capı́tulo sobre controle adaptativo, foi utilizada uma função de Lyapunov
com V̇ negativo semidefinida, de modo que, sem alguma ferramenta adicional,
não se pode mostrar que o erro de adaptação e(t) → 0 para t → ∞.
Uma ferramenta para remediar essa situação é a utilização do lema de Barba-
lat, que permite obter uma extensão do método de Lyapunov (Lyapunov like).
Necessita-se, inicialmente, de um resultado auxiliar, encontrado em livros de

cálculo tais como o (APOSTOL, 1969).
13.6.1 Continuidade uniforme

Assuma que f (t) é diferenciável e a sua derivada é limitada ∀t

˙
f (t) < M (13.189)
Então, pelo teorema do valor médio,

f (b) − f (a)
˙
= f (c) < M (13.190)

b−a

para algum c ∈ [a, b].

De 13.190, tem-se que

f (b) − f (a) < M |b − a| (13.191)
e, se para um dado ε > 0, faz-se

ε
δ= (13.192)
M
resulta que para |b − a| < δ
f (b) − f (a) < M ε < ε

(13.193)
M
13.6.2 Lema de Barbalat

Seja f (t) ∈ C 1 [a, ∞) e lim f (t) = α, em que α < ∞. Se f˙(t) é uniformemente
t→∞
contı́nua, então lim f˙(t) = 0.
t→∞
·
Prova por absurdo: Seja lim f (t) ̸= 0. Então ∃ε > 0 e uma sequência mono-
t→∞
tonicamente crescente {tn } tal que tn → ∞ à medida que n → ∞ e f˙(tn ) ≥ ε

para ∀n ∈ N .
Como f˙(t) é assumida ser uniformemente contı́nua, para esse ε, ∃δ > 0 tal que
∀n ∈ N ε
|t − tn | < δ =⇒ f˙(t) − f˙(tn ) ≤ (13.194)

2
e, portanto,

˙ f˙(tn ) − f˙(tn ) − f˙(t)

f (t) = (13.195)
·
˙
f (tn ) − f (tn ) − f˙(t)

≥ (13.196)

ε
≥ ε− (13.197)
2
ε
= (13.198)
2
Como f (t) ∈ C 1 [a, ∞), tem-se que
Z Z
tn +δ Z tn tn +δ

˙
f (t)dt − ˙
f (t)dt =

˙
f (t)dt

a a tn
Z tn +δ
˙
= f (t) dt
tn
Z tn +δ
ε
≥ dt
tn 2
εδ
= >0 (13.199)
2
Por outro lado, Z tn
f˙(t)dt = f (tn ) − f (a) (13.200)
a
Z
tn +δ Z tn
f˙(t)dt − f˙(t)dt

lim = lim f (tn + δ) − f (tn )

t→∞ a a t→∞
= |α − α|
= 0 (13.201)
Portanto, de 13.199, tem-se que

Z
tn +δ Z tn
f˙(t)dt − f˙(t)dt > 0 (13.202)

a a
Apêndices 483
enquanto, de 13.201,
Z
tn +δ Z tn
f˙(t)dt − f˙(t)dt = 0 (13.203)

a a
o que é uma contradição.

13.7 Apêndice G - Linearização harmônica

A linearização harmônica é relevante no estudo de osciladores e existem apli-
cações interessantes, por exemplo para o desenvolvimento de controladores
adaptativos com auto-oscilação Self Oscilating Adaptive Systems (SOAS), ava-
liação da ocorrência de fenômeno do salto (jump phenomenon) e para o ajuste
de ganhos pelo método de Ziegler-Nichols utilizando oscilação limiar.
Trata-se de uma técnica baseada em balanceamento harmônico, muito útil no
projeto de osciladores para obter uma estimativa da frequência e da amplitude
de oscilação.
Ressalta-se, inicialmente, que, em geral, o sinal de saı́da de um dispositivo não
linear a uma entrada senoidal não é necessariamente senoidal.
Porém, se o sinal de saı́da é periódico, pode-se utilizar a série de Fourier e,
caso o processo tenha caracterı́stica de filtro “passa-baixa”, pode-se considerar
apenas a sua primeira harmônica, desprezando-se as harmônicas superiores.
O método é conhecido, portanto, como o de primeira harmônica (ou do ganho
equivalente, função descritiva).
Caso do relé ideal

Considere o processo G(s) com ordem maior que 2 (mais à frente será visto
que a ocorrência de oscilação depende da existência de cruzamento das curvas
de Nyquist com o lugar geométrico dos valores correspondentes ao inverso do
ganho equivalente), .
Para ilustrar o procedimento, considere um modelo da forma
1
G(s) = (13.204)
s(s + 2)(s + 3)
a ser utilizado em malha fechada conforme o arranjo da figura 13.3
Figura 13.3: Exemplo de processo acionado por um elemento liga-desliga
Para uma forma de onda da entrada senoidal,
e(t) = E sin (ωt) (13.205)

Apêndices 485
Figura 13.4: Relação entrada-saı́da de relé simples.
a saı́da do relé é dada por

(
+M t ∈ [0, ωπ )
u(t) = (13.206)
−M t ∈ [ ωπ , 2π
ω )
que é uma onda quadrada apresentada graficamente na figura 13.4.

A saı́da (onda quadrada) pode ser representada como uma somatória de harmô-
nicas pela expansão em série de Fourier
∞
X
u(t) = a0 + an cos (nωt) + sin (nωt) (13.207)
n=1
Os coeficientes são determinados através das expressões

1 2π
Z
an = u(ωt) cos (nωt) d (ωt) (13.208)
π 0
Z 2π
1
bn = u(ωt) sin (nωt) d (ωt) (13.209)
π 0
Para a onda quadrada de amplitude M, o coeficiente a1 é dado por
2 π
Z
a1 = M cos (ωt) d (ωt) (13.210)
π 0
2M π
Z
= cos (ωt) d (ωt) (13.211)
π 0
2M π
= sin (ωt)0 = 0 (13.212)
π
Para a onda quadrada de amplitude M, o coeficiente b1 é dado por
2 π
Z
b1 = M sin (ωt) d (ωt) (13.213)
π 0
2M π
Z
= sin (ωt) d (ωt) (13.214)
π 0
2M π
= − cos (ωt)0 (13.215)
π
4M
= (13.216)
π
Se o processo G(s) atenua as harmônicas superiores, então é plausı́vel, em
muitos casos, utilizar a aproximação u(t) = 4M 4M
π sin(ωt) e o fator πE é deno-
minado de ganho equivalente do relé.
Este procedimento é uma versão do princı́pio de balanceamento de harmônicas
em que se considera apenas a primeira harmônica.
O método é aplicável a outros tipos de não linearidades, tais como amplificador
com saturação, mecanismos com folga de engrenagem, atrito seco, componen-
tes que p
exibe resistência negativa em uma faixa de operação, sensores tipo
u(t) = e(t) e outros, desde que as harmônicas superiores sejam suficiente-
mente atenuadas pelo processo G(s)
Então a não linearidade pode ser aproximada for N (E), conhecida como fun-
ção descritiva, dada por
Amplitude da 1a harmônica de u(t)

N (E) = (13.217)
Amplitude da senoide de entrada [E]
Verificação das condições de oscilação

Para que haja oscilação, jωosc deve ser raiz de 1+N (E)G(s) = 0, à semelhança
da condição 1 + KG(s) = 0.
Aplicando-se essa condição para
1
G(s) = (13.218)
s3 + 3s2 + 2s
tem-se que
1
1 + N (E) =0 (13.219)
(jωosc )3 + 3(jωosc )2 + 2(jωosc )
ou
(jωosc )3 + 3 (jωosc )2 + 2 (jωosc ) + N (E) = 0 (13.220)
Apêndices 487
Igualando as partes reais e imaginárias a zero, constata-se que N (E) e ω

satisfazem
N (E) − 3ω 2 = 0 ; −ω 3 + 2ω = 0 (13.221)
Resolvendo-se esse sistema de equações, resulta que

√
ω= 2 (13.222)
√ 2
N (E) = 3 2 =6 (13.223)
Uma vez que para o relé ideal

4M
N (E) = (13.224)
πE
obtém-se a amplitude do sinal de erro E para, por exemplo, M = 10
4M
E = (13.225)
π6
≈ 2.12 (13.226)
Exemplo: Oscilador a Diodo Túnel

Osciladores lineares em que se aloca os polos imaginários puros não são prá-
ticos, uma vez que a amplitude da oscilação dependerá da condição inicial e
tenderá a decair ou aumentar, dependendo de se está localizado à esquerda ou
à direita do eixo imaginário, mesmo que esse desvio seja muito pequeno.
Uma possibilidade é utilizar um componente que permita injetar energia ao
circuito quando a oscilação tende a decair, o que pode ser obtido pelo uso de
componentes com resistência negativa.
A figura 13.5a apresenta tal circuito empregando um diodo túnel.
(c) Caracterı́stica local

(a) Circuito (b) Diodo túnel aproximada do diodo
Utilizando-se as leis de Kirchhoff e transladando-se o eixo de coordenadas em

torno de ponto de operação (iD , vD ) mediante a determinação da reta de carga
com a caracterı́stica do diodo túnel, pode-se escrever
L{∆iL } 1 Ls + R
= (13.227)
L{∆iD } LC s + R
2 1
L s + LC
Considere que os parâmetros do circuito são R = 0.5 Ω , C = 0.2 F e L = 0.5 H
e, com o intuito de simplificar os cálculos e também a apresentação das ideias,
seja a caracterı́stica aproximada do diodo túnel conforme apresentado na figura
13.5c.
Substituindo os valores de R, L e C, bem como os parâmetros que caracterizam
o gráfico da não linearidade, a condição“1+N (E)G(jωosc ) = 0” leva ao sistema
de equações
1 + 5N (E) = 0 (13.228)
2
−ω + 10 + 5N (E) = 0 (13.229)
que fornece as soluções ωosc = 3 e N (E) = −0.2.
Por outro lado, a função descritiva da não linearidade com resistência negativa
em uma região, encontrada em vários livros sobre sistemas não lineares, é dada
por
 
! !v
u !2
M −1 h h u h
N (E) = −1 + π − 2 sin −2 t1 − (13.230)

π E E E

Assim, o valor de E tal que N (E) = −0.2 pode ser obtido do gráfico
Figura 13.6: Função descritiva da caracterı́stica de resistência negativa, indi-

cando a amplitude E de oscilação.
Apêndices 489
Oscilador “duro”
Considere o circuito envolvendo um relé com zona morta, conforme ilustrado
na figura 13.7.
Note que, quando o sinal e(t) é pequeno (no exemplo, |e(t)| ≤ 0.1), o relé se
encontra na região de zona morta e a saı́da correspondente é 0.
Porém, se alguma perturbação externa tornar |e(t)| > 0.1, o circuito apresen-
tará oscilação, como será verificado usando o método da primeira harmônica.
Figura 13.7: Exemplo de Oscilador “duro”.
A condição de oscilação é
1
1 + N (E) =0 (13.231)
s3 + 3s2 + 2s
√
que leva à solução ωosc = 2 e N (E) = 6.
A figura 13.8 apresenta graficamente o ganho equivalente do relé com zona
morta.
Nota-se que N (E) = 6 corresponde a 2 valores de E. Porém, apenas E ≈ 0.41
corresponde a uma oscilação sustentada, como pode ser concluı́do por uma
análise qualitativa simples.
Figura 13.8: Ganho equivalente do relé com zona morta e a solução do exemplo.
Caso de não linearidades com memória
Quando a função não linear apresenta memória, como ocorre com a presença
de histerese ou de folgas de engrenagem, a saı́da u conterá componentes tanto
em sin quanto em cos para uma entrada puramente sin.
Para mostrar esse conceito, considere a estrutura de controle em que o dispo-
sitivo liga-desliga é um relé com histerese:
Figura 13.9: Um processo acionado por um relé com histerese.
O sinal de saı́da correspondente a uma entrada senoidal é novamente do tipo

quadrado, porém, devido à histerese, apresenta uma defasagem não nula θ,
conforme visto na figura 13.10.
Figura 13.10: Caracterı́stica entrada-saı́da de um relé com histerese.
Para uma excitação senoidal
e(t) = E sin (ωt) (13.232)

Apêndices 491
e notando que o instante de comutação é dado por

!
−1 h
θ = sin (13.233)
E
os coeficientes da primeira harmônica são

1 2π
Z
a1 = u(t) cos (ωt) d (ωt) (13.234)
π 0
"Z Z π #
2 θ
= [−M ] cos (ωt) d (ωt) + [M ] cos (ωt) d (ωt) (13.235)
π 0 θ
4M
= − sin (θ) (13.236)
π
e
1 2π
Z
b1 = u(t) sin (ωt) d (ωt) (13.237)
π 0
"Z Z π #
2 θ
= [−M ] sin (ωt) d (ωt) + [M ] sin (ωt) d (ωt) (13.238)
π 0 θ
4M
= cos (θ) (13.239)
π
Logo, o sinal u (t) é aproximado por
4M 4M
u (t) = − sin (θ) cos (ωt) + cos (θ) sin (ωt) (13.240)
π π
4M
= sin (ωt − θ) (13.241)
π
Uma vez que a resposta aproximada u (t) é senoidal de frequência ω, igual

à frequência do sinal e(t) de entrada, porém atrasado de θ = sin −1 h
E , a
função descritiva é
Amp{u (t)} −jθ
N (E) = e (13.242)
Amp{e (t)}
4M −j sin−1 ( h )
= e E (13.243)
πE 
! ! 
4M  h h 
= cos(− sin−1 ) + j sin(− sin−1 ) (13.244)
πE E E
v 
u !2
4M u h h
=  1− −j (13.245)
t
πE E E

1
Para utilizar a expressão 1 + N (E)G(s) = 0 ou − N (E) = G(jω), é interessante
ter a fórmula para N (E)−1
v 
u !2
1 πE u h h
− = −  1−
t +j (13.246)
N (E) 4M E E

π hp 2 i
= − E − h2 + jh (13.247)
4M
de modo que a parte imaginária é
( )
1 πh
Im − =− (13.248)
N (E) 4M
Em vista da presença de memória na linearidade considerada, a função des-
critiva é complexa. A condição de oscilação é caracterizada por
1
− = G(jω) (13.249)
N (E)
ou

π hp 2 i 1
− E − h2 + jh = (13.250)
4M s2 + s + 1 s=jω

π p 2 πh 1 − ω 2 − jω
− E − h2 − j = 2 (13.251)
4M 4M 1 − ω2 + ω2
Igualando as partes imaginárias, tem-se que
πh −ω
= 2 (13.252)
4M 1 − ω2 + ω2
Igualando as partes reais, tem-se que
π p 2 1 − ω2
− E − h2 = 2 (13.253)
4M 1 − ω2 + ω2
Inserindo-se os valores dos parâmetros do exemplo em questão, obtém-se que
−ω π × 10
2 = ≈ 0.393 (13.254)
1−ω 2 +ω 2 4 × 20
que leva à frequência de oscilação de ω ≈ 1.5 rd/s. Logo, em vista da expressão
π p 2 1 − 0.3932
− E − h2 = 2 = −0.328 (13.255)
4M 1 − 0.3932 + 0.3932
e em vista de h = 10 e M = 20, obtém-se E ≈ 13.0.
A solução pode ser obtida graficamente, traçando as curvas de Nyquist e de
N (E)−1 :
Apêndices 493
13.7.1 Estabilidade de oscilações

Suponha que o método da primeira harmônica indica uma oscilação com am-
plitude E e frequência ω. Uma questão relevante é saber se a oscilação é
estável, ou seja, quando E ou ω sofre perturbação, o sistema retorna esponta-
neamente à condição anterior.
Se a saı́da de um oscilador é
e (t) = E sin (ωt) (13.256)
deseja-se verificar se após uma perturbação que alterou a amplitude e a frequên-

cia para E + ∆E e ω + ∆ω
e (t) = (E + ∆E) sin (ω + ∆ω) t e−ηt

(13.257)
o decaimento η é tal que
∆E > 0 ⇒ η > 0 (13.258)

∆E < 0 ⇒ η < 0 (13.259)
A condição de oscilação
1
G (jω0 ) = − (13.260)
N (E)
pode ser reescrita agrupando-se os termos reais e complexos
A (E, ω) + jB (E, ω) = 0 (13.261)

Notando que sin(θ) = Im{ejθ } resulta que

n o
e (t) = (E + ∆E) Im ej(ω+∆ω)t e−ηt (13.262)
n o
= (E + ∆E) Im ej(ω+∆ω+jη)t (13.263)
a condição A (E, ω) + jB (E, ω) = 0 se torna
A (E + ∆E, ω + ∆ω + jη) + jB (E + ∆E, ω + ∆ω + jη) = 0 (13.264)
A análise local é feita expandindo-se A e B em série de Taylor

×
z }| { ∂A ∂A
A (E, ω) + (E, ω) ∆E + E (∆ω + jη) (13.265)
∂E ∂ω
×
z }| { ∂B ∂B
+ jB (E, ω) +j (E, ω) ∆E + j (E, ω) (∆ω + jη) = 0 (13.266)
∂E ∂ω
em que os termos marcados com × se anulam, levando ao sistema
∂A ∂A ∂B
(E, ω) ∆E + (E, ω) ∆ω − (E, ω) η = 0 (13.267)
∂E ∂ω ∂ω
∂A ∂B ∂B
(E, ω0 ) η + (E, ω) ∆E + (E, ω) ∆ω = 0 (13.268)
∂ω ∂E ∂ω
em que ∆ω pode ser eliminado.
Logo, tem-se que
≥0
z }| {
" #2 " #2 
 ∂A ∂B 
(E, ω) + (E, ω) η= (13.269)
 ∂ω ∂ω 
" #
∂B ∂A ∂A ∂B
(E, ω) (E, ω) − (E, ω) (E, ω) ∆E (13.270)
∂ω ∂E ∂ω ∂E
As condições ∆E > 0 ⇒ η > 0 e ∆E < 0 ⇒ η < 0 permitem escrever a

condição de Loeb para estabilidade de oscilações
" #
∂B ∂A ∂A ∂B
(E, ω) (E, ω) − (E, ω) (E, ω) > 0 (13.271)
∂ω ∂E ∂ω ∂E
Na prática, com estruturas mais simples, pode-se fazer uma análise intui-
tiva do tipo: “se a amplitude da oscilação aumenta, então o ganho equivalente
diminui”.
Apêndices 495
13.7.2 Fenômeno do salto

Um fenômeno tı́picamente relacionado a modelos não lineares e que é obser-
vado, às vezes, quando se excita um sistema não linear com um sinal periódico
é uma mudança abrupta na resposta em frequência.
Considere o sistema em malha fechada em que existe um ganho com saturação
e um termo forçante senoidal é aplicado como referência.
Figura 13.11: Exemplo de sistema que apresenta um salto abrupto na responsa

em frequência.
O ganho equivalente (ou a função descritiva) da função de saturação é

 v 
! u !2
2M  −1 h h u
t1 − h
N (E0 ) = sin + (13.272)

πE0 E0 E0 E0

Usando o ganho equivalente N (E0 ) e assumindo-se uma excitação senoidal

t(t) = R0 sin(ωt), pode-se escrever a relação entre as amplitudes R0 e E0
aplicando o método da função descritiva (ou ganho equivalente)

E0 1
= (13.273)

R0 1 + N (E0 )G(jω)
Substituindo-se
1
G(jω) = (13.274)
jω(jω + 1)
em 13.273 tem-se que a amplitude E0 deve satisfazer
s
2 R02
N (E0 ) = ω ± ω (1 + ω 2 ) −1 (13.275)
E02
Ao invés de buscar uma solução fechada, a condição 13.275 será visualizada

através de um gráfico.
A figura 13.11 apresenta os gráficos de N (E0 ) (13.272) e do termo à esquerda
de 13.275 para o caso de R0 = 5, M = 10, h = 1, com ω variando de 0.450 a
0.550.
Nota-se que, dependendo da frequência ω, a solução E0 pode estar associada

a diferentes segmentos da curva N (E).
Assim, se a frequência do sinal de excitação for variada, o ponto quiescente
pode variar abruptamente.
Figura 13.12: Possı́veis valores de E0 para frequências ω =

0.45, 0.475, 0.5, 0.525, 0.55 rd/s.
Apêndices 497
13.8 Apêndice H - Margens de estabilidade LQR/MIMO
Este apêndice busca complementar o resultado apresentado anteriormente, em

que se mostrou que o problema LQR leva a uma lei do tipo realimentação de
estados com margens de ganho de [ 21 , ∞) e margens de fase de ±60o , conforme
mostrado em (LEHTOMAKI, 1981).
Considere um sistema MIMO com m entradas conforme ilustrado na figura
13.13, em que cada elemento da matriz perturbação ∆(s) poderá ser um ganho
ou um deslocamento de fase,
Figura 13.13: Realimentação de estados, perturbado por uma matriz diagonal

∆.
A margem de ganho MIMO é o par de números k e k que define o maior

intervalo (k, k) tal que a malha fechada segundo a estrutura da figura 13.13 é
estável se
k < ki < k ; i = 1, 2, ..., m (13.276)
em que
∆i = ki ∈ R (13.277)
A margem de fase MIMO é o par de números ϕ e ϕ que define o maior

intervalo (ϕ, ϕ) tal que a malha fechada segundo a figura mmmm é estável se
ϕ < ϕi < ϕ ; i = 1, 2, ..., m (13.278)
em que
∆i = exp (jϕi ) ; ϕi ∈ R (13.279)

Relação entre os polinômios caracterı́sticos de malhas aberta e fechada

Considere um processo a ser controlado através de uma lei tipo realimentação
estados com a matriz de ganhos K e definam-se os seguintes termos:
GL (s) = K (sI − A)−1 B (13.280)

ΦC (s) = det (sI − A + BK) (13.281)
ΦO (s) = det (sI − A) (13.282)
Nessas condições, pela definição, o polinômio caracterı́stico de malha fechada

é dado por
ΦC (s) = det (sI − A + BK) (13.283)

= det sI − A)(I + (sI − A)−1 BK (13.284)
h
sI − A) det (I + (sI − A)−1 BK

= det (13.285)
Necessita-se agora da identidade de Sylvester
det[Im×m + Gm×n Fn×m ] = det[(In×n + Fn×m Gm×n ] (13.286)
Para a verificação da identidade de Sylvester basta utilizar a propriedade de

comutatividade
" # " # " # " #

I −F I F I F I −F
det det = det det (13.287)
G I 0 I 0 I G I
| {z } | {z }
I II
De fato, de I, tem-se que

" # " # " #
I −F I F I 0
det det = det (13.288)
G I 0 I G I + GF
= det (I + GF) (13.289)
e, de II,
" # " # " #
I F I −F I + FG 0
det det = det (13.290)
0 I G I G I
= det (I + FG) (13.291)
e, portanto, de 13.289 e 13.291,
det (I + GF) = det (I + FG) (13.292)

Apêndices 499
a equação 13.285 se torna

 
−1 
 
I + K(sI − A) B
ΦC (s) = det (sI − A) det  (13.293)
| {z } | {z }
ΦO (s) GL (s)
Com o auxı́lio da identidade de Sylvester, o polinômio caracterı́stico de malha

fechada é reescrito como
ΦC (s)
det(I + GL (s)) = (13.294)
ΦO (s)
Caso ΦO (s) não possua singularidades no SPD, as singularidades de ΦC (s)

podem ser estudadas investigando det(I + GL (s)).
A matriz I + GL (s) é conhecida como return difference matrix.
Margens de ganho e de fase do controle LQR: caso MIMO
Se GL (s) não possuir zeros no SPD e

σ I + GL (s) > α ; ∀ω ∈ R, α ≤ 1 (13.295)
então
1 1

MG ≡ , (13.296)
1+α 1−α
!
−1 α −1 α

MF = −2 sin , 2 sin (13.297)
2 2
Prova: Vide (LEHTOMAKI, 1981).

Com o intuito de obter o valor de α na condição σ I + GL (s) > α, utiliza-se
a identidade de Kalman
H 1
I + GL (jω) = I + GH

I + GL (jω) (jω) GL (jω) (13.298)
ρ L
Pela definição de valores singulares, tem-se que

 
H
σi2 I + GL (jω) = λi 
 
I + GL (jω) GL (jω)
 (13.299)
| {z }
N⪰0
−1
Para a matriz N = GH
L (jω) GL (jω), seja M tal que D = MNM é diagonal
h i
λi [I + N] = λi MM−1 + MDM−1 (13.300)
h i
= λi M(I + D)M−1 (13.301)
h
i

−1
= λ
i λ [I + D] λ M
[M] i i (13.302)

= λi [I + D] (13.303)
ou seja, λi = 1 + di , di ≥ 0, permitindo que se escreva

σ I + GL (jω) ≤ σi I + GL (jω) (13.304)
≤ 1 (13.305)
Portanto, α = 1 em 13.296 e 13.297, resulta que

1 1 1
= < ki < ∞ = lim (13.306)
1+1 2 α→1 1 − α
e
!
1 ϕi 1
− ≤ sin ≤ (13.307)
2 2 2
α α

−2 sin−1 = 60o ≤ ϕi ≤ 60o = 2 sin−1 (13.308)
2 2
para i = 1, 2, ..., m.
Apêndices 501
13.9 Apêndice I - Dinâmica zero

A linearização por realimentação da saı́da de um modelo de grau relativo r
ẋ = f (x) + g(x)u (13.309)

y = h(x) (13.310)
pode levar a uma representação em que n − r componentes do vetor estado,

doravante denotados wr+1 , wr+2 ,... , wn não são observáveis.
Para se investigar a natureza de wr+1 , wr+2 , ... , wn , considere o sistema LTI
de ordem 3, descrito por
   
0 1 0 0
ẋ =  0 0 1 x +  0 u (13.311)
   
−a31 −a32 −a33 1
h i
y = c1 c2 0 x (13.312)
Conforme o processo apresentado de linearização por realimentação da saı́da,

deriva-se y,
y = Cx (13.313)
ẏ = Cẋ
0
  
 *
h i 0 1 0 h i 0

= c1 c2 0 0 0 1  x + c1 c2 0  0  u
   

−a31 −a32 −a33

1
h i
= 0 c1 c2 x (13.314)
Derivando-se mais uma vez,

   
h i 0 1 0 h i 0
ÿ = 0 c1 c2  0 0 1  x + 0 c1 c2  0  u
   
−a31 −a32 −a33 1
h i
= −c2 a31 −c2a32 c1 − c2 a33 x + c2 u (13.315)
e, se c2 ̸= 0, então o grau relativo é r = 2.

Por outro lado, a partir de G(s)
N (s) c2 s + c1
G(s) = = 3 (13.316)
D(s) s + a33 s2 + a32 s + a31
Usando a identidade polinomial
D(s) = Q(s)N (s) + R(s) (13.317)
em que os graus de D(s), Q(s), N (s) e R(s) são 3, 2, 1 e 0, respectivamente,

obtém-se as expressões para os coeficientes
1
q0 =
c2
1
q1 = (c2 a33 − c1 )
c22
1 2
q2 = (c − a33 c1 c2 + a32 c22 )
c32 1
1
r0 = (−c31 + a33 c21 c2 − a32 c1 c22 + a31 c32 )
c32
Em termos dos polinômios Q(s), R(s) e

N (s), a função de transferência G(s) pode
ser representada conforme a figura 13.14.
N (s)
G(s) = (13.318)
Q(s)N (s) + R(s)
1
Q(s)
= (13.319)
1 R(s) Figura 13.14: Representação
1+ Q(s) N (s)
modificada de G(s).
Nessa representação, a malha fica carac-
terizada por
1
Y (s) = E(s) (13.320)
Q(s)
R(s)
W (s) = Y (s) (13.321)
N (s)
E(s) = U (s) − W (s) (13.322)
1
De Y (s) = Q(s) E(s), tem-se que
h i
Y (s) q0 s2 + q1 s + q2 = E(s) (13.323)
ou
e = q0 ÿ + q1 ẏ + q2 y (13.324)
Apêndices 503
Fazendo-se a associação z1 = y e z2 = ẏ,
ż1 = ẏ = z2 (13.325)
q1 q2 1
ż2 = ÿ = − ẏ − y + e (13.326)
q0 q0 q0
R(s)
e de W (s) = N (s) Y (s) verifica-se que
1. Se N (s) tiver raı́zes no semiplano direito (G(s) de fase não mı́nima),

R(s)
então N (s) será um modelo instável (eventualmente w(t) pode crescer
indefinidamente)
2. A saı́da y(t) excita o componente w(t).
Em vista da expressão e = u − w,
q1 q2 1
ż2 = − ẏ − y + e (13.327)
q0 q0 q0
1
= − [−q1 ẏ − q2 y + u − w] (13.328)
q0
Usando o controle " #
h i z1
u= q2 q1 + w − q0 v (13.329)
z2
obtém-se
ż1 = z2 (13.330)
ż2 = v (13.331)
c2
ẇ = − w + r0 y (13.332)
c1
y = z1 (13.333)
A representação do exemplo de 3a ordem em 13.316 possui agora uma parte

na forma de Brunovsky e uma componente w que não é observável.
O modelo dessa parte não observável possui como polo o zero de G(s).
No caso não linear a parte não observável é da forma ż = φ(z, w) e, para z = 0,
o fluxo de ż = φ(0, w) é chamado de dinâmica zero e, por semelhança ao caso
LTI, diz-se que o sistema é de fase mı́nima se ż = φ(0, w) for assintoticamente
estável.
13.10 Apêndice J - Não linearidades setoriais

Muitas vezes uma função ganho f (y) assume um valor em um intervalo [kL , kU ],
e no plano (f (y), y) o seu gráfico pode ser interpretado como pertencente a
um setor, como ilustrado na figura 13.15.
Este Apêndice foi incluı́do porque há vários casos em que modelos lineares são
atuados através de ganhos que se situam em um setor.
Um exemplo tı́pico é quando se utiliza um controlador fuzzy.
Considere um modelo SISO-LTI G(s) a ser realimentado através de uma fun-
ção estática não linear f : R → R, tal que ξ f (ξ) ≥ 0, como visto na figura
13.15.
Figura 13.15: Realimentação com uma função de ganho contido em um setor.
O problema de Lur’e-Postnikov consiste no estudo da estabilidade da origem

0 de um sistema com entrada nula e com um bloco não linear f (y) na malha.
A não linearidade f (y) é assumida ser do tipo setor kL e kU (L de lower e U
de upper ).
Uma realização mı́nima de
G(s) = cT (sI − A)−1 b + d (13.334)
é representada por An×n , bn×1 , cn×1 e d1×1 .

·
x = Ax + bu (13.335)
T
y = c x + du (13.336)
em que, conforme o diagrama de blocos em 13.15,
u = −f (y) (13.337)
Conjecturas de Aizerman e de Kalman

Se f = ky, então, muitas vezes, é possı́vel encontrar valores kL e kU , de modo
que, para ∀k ∈ (kL , kU ), o sistema em malha fechada é estável.
Apêndices 505
Na tentativa de se estender essa condição para o caso de f não linear, surgiram

as conjecturas de Aizerman e de Kalman.
A conjectura de Aizerman se refere à estabilidade do sistema em questão se
f (y)
kL ≤ ≤ kU (13.338)
y
e a de Kalman
f (y) df
kL ≤ ≤ kU e kL ≤ ≤ kU (13.339)
y dy
Infelizmente, ambas as conjecturas são falsas uma vez que existem contrae-
xemplos (vide, por exemplo, (NARENDRA; TAYLOR, 1973)).
Para obter condições de estabilidade para não linearidades contidas em um
setor (kL , kU ), adotam-se algumas hipóteses adicionais.
• (A, b) é controlável
• (A, c) é observável
• Re{λ (A)} < 0
• 1 + kU d > 0
• kL = 0, sem perda de generalidade, pois o caso kL ̸= 0 pode ser conver-

tido de modo simples.
Assumindo, por enquanto, que existe uma matriz P ≻ 0 adequada, toma-se a

função candidata de Lyapunov, V (x) = xT Px. Mais adiante será apresentada
uma condição tal que garante a positividade de P.
· ·T ·
V = x Px + xT Px (13.340)

= xT AT + uT bT Px + xT P (Ax + bu) (13.341)
= xT (AT P + PA)x + 2xT Pbu (13.342)
Por outro lado,
y = cT x + du (13.343)
T
c x + du − y = 0 (13.344)
T 2
c xu + du − yu = 0 (13.345)
T 2
c xkU u + dkU u − kU yu = 0 (13.346)
T 2 2 2
c xkU u + dkU u − kU yu + u − u = 0 (13.347)
T 2
x ckU u + (1 + kU d) u − (u + kU y) u = 0 (13.348)
O termo xT ckU u + (1 + kU d) u2 − (u + kU y) u = 0 será subtraı́do na expressão
V̇ = xT (AT P + PA)x + 2xT Pbu (13.349)
resultando em
V̇ = xT (AT P + PA)x + 2xT Pbu −

0
z }| {
T
−x ckU u − (1 − kU d) u2 + (u + kU y) u (13.350)
1

= xT (AT P + PA)x + 2xT Pb − kU c u − (1 + kU d) u2 +
2
+ (u + kU y) u (13.351)
O último termo à direita dessa expressão é negativo, pois para u = −f (y)

(u + kU y) u = − −f (y) + kU y f (y) ≤ 0 (13.352)
haja vista que

(
>0 quando f (y) > 0
kU y − f (y) (13.353)
<0 quando f (y) < 0
Necessita-se, agora, do auxı́lio do lema de Kalman-Yakubovich-Popov (KYP)

para reescrever a expressão de V̇ em uma forma mais conveniente (para uma
prova simplificada do Lema KYP, ver RANTZER, A. On the Kalman-Yakubovich-
Popov lemma. Systems and Control Letters, v. 28, p. 7-10, 1996).
Lema de Kalman-Yakubovich-Popov
Fornecidas uma constante γ ≥ 0, uma matriz An×n cujos autovalores possuem
a parte real estritamente negativa, uma matriz Ln×n > 0 e vetores bn×1 e vn×1 ,
se
Re{T (jω)} > 0 , ∀ω ∈ R (13.354)
em que
γ
T (s) = vT (sI − A)−1 b + (13.355)
2
então ∃ ε > 0, qn×1 e Pn×n ≻ 0, tal que
AT P + PA = −qqT − εL (13.356)
√
Pb − v = γq (13.357)
■
Apêndices 507
Associa-se, inicialmente, os dois primeiros termos da direita da expressão

de V̇ com aqueles que estão no lema de Kalman-Yakubovich,
AT P + PA ←→ AT P + PA (13.358)
1
Pb − kU c ←→ Pb − v (13.359)
2
ou seja,
1
kU c = v (13.360)
2
Escolhendo-se para γ
γ = 1 + kU d (13.361)
a expressão para T (s) se torna
γ
T (s) = vT (sI − A)−1 b + (13.362)
2
1 γ
= kU cT (sI − A)−1 b + (13.363)
2 2
1h i
= kU cT (sI − A)−1 b + γ (13.364)
2
1h i
= kU cT (sI − A)−1 b + 1 + kU d (13.365)
2
1
T −1

= 1 + kU c (sI − A) b + d (13.366)
2
1
= 1 + kU G(s) (13.367)
2
Portanto, a condição Re{T (jω)} > 0 se reduz a
Re{1 + kU G(jω)} > 0 , ∀ω ∈ R (13.368)
Satisfeita essa condição, o Lema de KYP garante a existência de ε > 0, qn×1
e Pn×n > 0, e permite reescrever V̇
1

V̇ = xT (AT P + PA)x + 2xT Pb − kU c u − (1 + kU d) u2 +
2
+ (u + kU y) u (13.369)
= xT (−qqT − εL)x + 2xT 1 + kU d qu − (1 + kU d) u2 +
p
+ (u + kU y) u (13.370)
2
= −εxT Lx − xT q −
p
1 + kU du + (u + kU y) u (13.371)
≤ −εxT Lx (13.372)
≤ 0 (13.373)
estabelecendo a estabilidade da malha fechada.
Resumindo o desenvolvimento apresentado, tem-se que, para o problema de

Lur’e-Postnikov com o processo modelado por G(s) = cT (sI − A)−1 b + d em
que
• Re{λ{A}} < 0
• (A, b) controlável
• (A, c) observável
• 1 + kU d > 0
• kL = 0 (sem perda de generalidade)
tem-se estabilidade da malha fechada se
Re{1 + kU G(jω)} > 0, ; ∀ω ∈ R, (13.374)
Caso kL ̸= 0
Reorganiza-se o diagrama de blocos conforme a figura 13.16 e definindo G(s)

b
e ganho f .
b
Figura 13.16: Rearranjo do diagrama de blocos para o caso de kL ̸= 0.
Tem-se agora que
G(s)
G(s)
b = (13.375)
1 + kL G(s)
fb ∈ setor(0, kU − kL ) (13.376)
Apêndices 509
13.11 Apêndice K - Otimização numérica

Métodos de otimização numérica são amplamente utilizados no projeto de con-
troladores, por exemplo, no ajuste de ganhos de um controlador PID, projeto
de filtros e otimização de trajetórias entre outras aplicações relevantes.
Aqui são apresentados alguns dos métodos mais simples baseados em direções
de decréscimo das funções custo.
Métodos baseados em população como os algoritmos genéticos, enxame de par-
tı́culas e os bio-inspirados não são tratados aqui, mas podem ser encontrados,
por exemplo, em (HADDAD; SOLGI; LOAICIGA, 2017).
Um excelente texto em lı́ngua portuguesa para um estudo mais aprofundado
no tema apresentado aqui é (IZMAILOV; SOLODOV, 2005).
13.11.1 Otimização univariada

Trata-se do caso simples em que a grandeza a ser otimizada θ ∈ R, ou seja, o
problema é obter θ∗ tal que
θ∗ = arg minJ(θ) (13.377)

θ
Busca por secção áurea

A secção áurea divide um segmento L em duas partes e a secção áurea de cada
uma dessas partes possui um ponto em comum com a secção anterior.
Uma possibilidade para busca em um
intervalo delimitado por escolhas ini-
ciais θmin e θmax é utilizar bi-secção,
obtendo θ1/2 .
Porém, pode ocorrer que apesar de
J(θmin ) > J(θmax ) o ponto
h de mı́-i
nimo esteja contido em θmin ; θ1/2 . Figura 13.17: Relações entre os seg-
mentos particionados pela secção áu-
rea.
Esse risco diminui se forem determi-
nados 2 pontos ao invés de 1, o que
pode ser feito com o uso da secção áurea.
Se o intervalo [ θmin ; θmax ] fosse dividido em 3 partes, resultando os pontos
intermediários θ1/3 we θ2/3 , ter-se-ia que calcular J em 2 pontos (J(θ1/3) e
J(θ2/3 ).
Utilizando a secção áurea, em vista da propriedade de que a secção de cada
uma das partes obtidas possui um ponto em comum com a secção anterior,
necessita-se determinar J(θ) apenas 1 vez a cada iteração.

Diretamente da figura, obtém-se o √ = β 2 e β = β 2 +α(1−
sistema de equações α √
α) que possui a solução α = (3 − 5)/2 ≈ 0.382 e β = ( 5 − 1)/2 ≈ 0, 618.
Minimização utilizando secção áurea
Passo 0: Propor valores para tol e Nmax % (tolerância em θ e número máximo

de iterações)
Passo 1: Arbitrar valores θmin e θmax % (assumindo que J é convexa no in-
tervalo [θmin , θmax ])
Passo 2: Fazer k = 0, renomear θkE = θmin e θkD = θmax
Passo 3: Obter os dois pontos θkm e θkM por secção áurea de [θkE , θkD ]
Passo 4: Calcular J(θkE ), J(θkm ),

J(θkm ) e J(θkD )

k+1
Passo 5: Enquanto θk+1
m − θM >

tol ou k < Nmax : % (inı́cio do laço)

Passo 6: Se J(θkm ) ≤ J(θkM ) Então
f lag = E Senão f lag = D
Passo 7: Escolha do intervalo à Es-
querda ou à Direita: Se f lag = E
Então obter θk+1m e θk+1
M por secção
áurea de [θE , θM ], fazer θD = θkM e
k k
calcular J(θk+1m ) Se f lag = D Então

obter θk+1
m e θk+1
M por secção áurea
de [θm , θD ], fazer θE = θkm e calcular Figura 13.18: Mecanismo de iteração
k k
J(θMk+1
) na otimização utilizando a secção áu-
rea.
Passo 8: k := k + 1 e retornar % (fe-
cha o laço)
Passo 9: θ ≈ θkm
É interessante notar que a cada iteração é necessário calcular apenas 1 valor
J(θnovo , o que pode ser importante se, por exemplo, esse valor é obtido por
simulação numérica.
Ajuste de um polinômio quadrático

Apêndices 511
A partir de um ponto θ0 e um passo h

dado, pode-se fazer uma busca como
ilustrada na figura 13.19 (Obs: pode
não funcionar para valores elevados
de h)
Passo 0: Escolher θ0 e h ; k = 0
Passo 1: Obter o ponto θk+1 = θk+h
Passo 2: Se J(θk+1 ) ≤ J = θk + h Figura 13.19: Busca inicial para o algo-

e fazer h = 2h ; k = k + 1; re- ritmo de ajuste de polinômio quadrá-
torna ao Passo 3. Senão h = −h tico.
Passo 3: Escolher os 3 pontos com o

menor valor de J: {J(θk+1 ), J(θk ), J(θk−1 ), J(θk−2 )}
Passo 4: Colocar esses 3 pontos na forma de pares ordenados (θA , J(θA )),
(θB , J(θB )) e (θC , J(θC )). Se esses três pontos não estão alinhados, então é
possı́vel “passar” uma parábola por eles (ou seja, é possı́vel obter um polinô-
mio quadrático cujo gráfico passa por esses três pontos).
Em outras palavras, a expressão da parábola J(θ) = aθ2 + bθ + c seria tal que
J(θA ) = aθ2A + bθA + c (13.378)

J(θB ) = aθ2B + bθB + c (13.379)
J(θC ) = aθ2C + bθC + c (13.380)
b
Passo 5: O mı́nimo de J ocorre aproximadamente em θ = − 2a
Observação: Para a aplicação em vista, não são necessários θA , θB e θC
genéricos, mas sim apenas o caso de θs igualmente espaçados de h. Mais
especificamente, θA = θ − h, θB = θ, θC = θ + h.
Assumindo que h ̸= 0, o sistema de equações se reduz para
J(θA ) = a(θ − h)2 + b(θ − h) + c (13.381)

2
J(θB ) = aθ + bθ + c (13.382)
2
J(θC ) = a(θ + h) + b(θ + h) + c (13.383)
que deve ser resolvido em termos de (a, b, c).

Para o caso particular θ = 0, obtém-se resolvendo o sistema de equações que

1
a = 2
J(θA ) − 2J(θB ) + J(θC ) (13.384)
2h
1
b = − J(θA ) − J(θC ) (13.385)
2h
c = J(θB ) (13.386)
O ponto estacionário de J(θ) = aθ2 + bθ + c é obtido fazendo

dJ
= 0 (13.387)
dθ θ∗
2aθ∗ + b = 0 (13.388)
e, se a > 0, então θ∗ será o ponto de mı́nimo de J(θ).

Portanto,
b
θ∗ = − (13.389)
2a
e substituindo-se os valores de a, b e c, tem-se
1 J(θA ) − J(θC )
θ∗ = h (13.390)
2 J(θA ) − 2J(θB ) + J(θC )
Lembrando que θB = θ e que havia sido assumido 0 para simplificar os cálculos,

o ponto de mı́nimo original é
1 J(θA ) − J(θC )
θ∗ = θB + h (13.391)
2 J(θA ) − 2J(θB ) + J(θC )
Algoritmo usando aproximação quadrática

Utilizando-se a ideia de aproximar a
função de custo J, por uma quadrá-
tica, pode-se propor o seguinte algo-
ritmo iterativo:
Passo 0: Arbitrar θ0 e h. Fazer k = 0
Passo 1: Se J(θ0 + h) > J(θ0 ) Então
h := −h
(sentido inicial incorreto)
Passo 2: θk+1 = θk + h Figura 13.20: Ajuste de uma quadrá-
tica
Apêndices 513
Passo 3: Se J(θk+1 ) < J(θk ) Então

h := 2h e retorna ao Passo 2 Senão
h = −h/2 e θk+2 = θk+1 + h
Passo 4: Escolher entre {θk−1 , θk , θk+1 , θk+2 } os 3 associados aos menores va-
lores de J. Renomear esses 3 de {θA , θB , θC }
Passo 5: O ponto de mı́nimo aproximado é
1 J(θA ) − J(θC )
θ∗ ≈ θB + h (13.392)
2 J(θA ) − 2J(θB ) + J(θC )
Relação entre o gradiente e a curva de nı́vel

Considere o ponto θ∗ e um deslocamento h.
Segundo a fórmula de Taylor
J(θ∗ + h) ≈ J(θ∗ ) + ∇J T (θ∗ )h (13.393)

∗ ∗ T ∗
J(θ + h) − J(θ ) ≈ < ∇J (θ )|h > (13.394)
∗ ∇J(θ∗ ) ∥h∥ cos(∡{∇J T (θ), h})

∆J(θ ) ≈
Logo, para um deslocamento h a partir de θ∗ , a variação ∆J(θ∗ ) é máxima se

∇J T (θ∗ ) ∥ h. Ou seja, ∇J T (θ∗ ) aponta na direção de maior crescimento de
J.
Além disso, se o deslocamento h é tal que ∇J T (θ∗ ) ⊥ h corresponde a
∆J(θ∗ ) = 0 na vizinhança de θ∗ . Portanto, ∇J T (θ∗ ) é perpendicular à curva
de nı́vel de J.
Algoritmo de máxima declividade

O algoritmo da máxima declividade (Steepest Descent) faz buscas na direção
oposta àquela indicada pelo gradiente.
Passo 0: Escolher tol e Nmax % (tolerância em θ e número máximo de itera-
ções); arbitrar θ0 e fazer k = 0
Passo 1: Seja hk := −∇J T (θk )
Passo 2: Obter λ∗ que minimiza J(λ)
e := J(θk + λhk );% (Otimização em 1
variável real λ)
Passo 3: Fazer θk+1 = θk + λ∗ hk e k := k + 1

Passo 4: Se ∇J T (θk ) < tol ou Se k > Nmax Então θ∗ ≈ θk

Passo 5: Se k > Nmax Então mensagem de falha

Passo 6: Retornar ao passo 2
Observações:
No passo 2, utiliza-se hk := −Dk ∇J T (θk ) que modifica a direção de busca.
h 2
i
No caso especial de Dk = H−1 (θk ) em que H(θk ) := ∂θ∂i ∂θJ
j
é a matriz Hes-
siana, tem-se o método de Newton.
O método de Newton possui velocidade de convergência maior que o da má-
xima declividade.
Em vista de possı́veis dificuldades em obter as segundas derivadas, requeridas
em H(θk ), e também devido à necessidade de inversão de matriz H−1 (θk ),
existem vários métodos que buscam obter aproximações de H(θk ) (ver, por
exemplo, (LUENBERGER, 1979) e (POLAK, 1971).
No passo 3, não é necessário obter λ∗ que minimiza J(λ),
e mas sim um λ∗ tal
∗ ∗
que J(λ ) < J(θk ). Um regra para obter tal λ é o de Armijo.
e e
Regra de Armijo
A proposta da regra de Armijo é buscar um
intervalo de λ tal que J(λ)
e < J(0),
e ou seja,
ao invés de buscar um ponto de mı́nimo,
aceita-se um ponto que reduz J.
e
Observando-se a figura 13.21,
J(λ)
e ≤ J(0)
e + εJe′ (0)λ (13.395)
com ε ∈ (0, 1) (o apóstrofo em Je′ (0) denota

derivada). Figura 13.21: Redução de Je
A partir de λ0 > 0 que satisfaz J(λ)
e ≤ J(0)+
e usando a regra de Armijo
Apêndices 515
εJe′ (0)λ, toma-se λk+1 = αλk com α > 1, (ou

o método menos “agressivo” λk+1 = λk +∆λ) até que haja “piora”:
J(λ
e k+1 ) > J(0)
e + εJe′ (0)λk+1 (13.396)
Nesse ponto, adota-se λ∗ = λk .
13.11.2 Otimização no Rn
Em muitos problemas de otimização paramétrica, θ ∈ Rn como o caso do con-
trolador PID (θ = [ KP , KI , KD ]).
Apenas para ilustração, apresenta-se aqui o método de Nelder-Mead (ou de po-
liedros flexı́veis), embora existam muitos outros algoritmos (vide, por exemplo,
(LUENBERGER, 2010), (IZMAILOV; SOLODOV, 2005), (HIMMELBLAU,
1972)).
Algoritmo dos poliedros flexı́veis

Trata-se de um algoritmo muito utilizado por não requer a determinação de
∇J.
Nelder, J. A.; Mead, R. A simplex method for function minimization. Com-
puter Journal. v. 7, n. 4, p. 308-313, 1965. doi:10.1093/comjnl/7.4.308
Passo 0: Escolher tol, Nmax , bem como parâmetros α > 0, 0 < β < 1, γ >
e 0 < ρ < 1 % (reflexão, contração, expansão e redução, respectivamente) e
fazer k = 1
Passo 1: Se J : Rn → R, escolher n + 1 pontos {θ1 , θ2 , · · · , θn+1 } não alinha-
dos
Passo 2: Determinar quais são os vértices com maior e menor valor de J
associado
θH = arg max J (θi ) (13.397)

i∈{1,2,...,n+1}
θL = arg min J (θi ) (13.398)
i∈{1,2,...,n+1
Passo 3: Obter as coordenadas do baricentro θB da face oposta a θH :

 
n+1
1 X
θBC = θi − θH  (13.399)
n i=1
Passo 4: Reflexão: Refletir o “pior vértice”através da face oposta a este
θH := θR := θBC + α (θBC − θH ) (13.400)

Figura 13.22: Exemplo de progressão no método dos poliedros flexı́veis
Passo 5: Redução: Se J(θR ) > J(θH ) Então θi =: θL + ρ (θi − θL ) % (manter

θL e aproximar os demais θi de θL )
Passo 6: Contração: Se J(θR ) > J(θi ) ∀θi ̸= θH Então θH := θC +β (θH − θC )
Passo 7: Expansão para aumentar a velocidade de progressão θE :
Se J(θR ) < J(θBC ) Então θE := θBC + γ (θR − θH )
Se J(θE ) < J(θBC ) Então θH := θE % (Elimina θH e θE é um novo vértice)
Se J(θE ) ≥ J(θBC ) Então θH := θR % (Elimina θH e θR é um novo vértice)
Passo 7: k := k + 1
Pn−1
Passo 8: Se i=1 ∥θi − θL ∥ > tol e k < Nmax retornar ao passo 2.
Esse algoritmo também é conhecido como o de Nelder-Mead, Simplex e Amo-
eba. Notar, porém, que Simplex é o nome de um algoritmo de programação
linear.
Método da função de penalidade

Considere o problema de minimizar J(θ) sujeito à restrição g(θ) = 0 ou g(θ) <
0.
Esse problema pode ser reescrito na forma de minimização sem restrições do
custo 2
J(θ)
e = J(θ) + M g(θ) (13.401)
2
O termo g(θ) representa uma penalidade por violar g(θ) ≈ 0 e para M →
∞, a solução do problema irrestrito Je pode se aproximar do problema original
Apêndices 517
com restrições.
Um enfoque alternativo é o da barreira que se utiliza
J(θ)
e = J(θ) + M B(θ) (13.402)
sendo frequentemente utilizada a função
B(θ) = [max{0, g(θ)}]2 (13.403)
Se θ estiver fora da região viável, B(θ) impõe um custo adicional, donde o

nome “barreira”.
Condição de Kuhn-Tucker
Para verificar se um dado ponto θ é ótimo, necessita-se de algum critério como
o de Kuhn-Tucker.
Considere o problema de minimização
min J (θ) (13.404)

θ∈Rn
sujeito às restrições lineares
g1 (θ) ≤ 0 (13.405)
g2 (θ) ≤ 0 (13.406)
..
.
gm (θ) ≤ 0 (13.407)
Uma restrição tal que gj (θ) = 0 é dita estar ativa.

Em um ponto θ∗ candidato a solução deve
ser tal que não é possı́vel obter uma dire-
ção h de decréscimo J(θ∗ + h) < J(θ∗ ) e,
simultaneamente, manter as restrições ativas
gativas (θ∗ + h) < 0.
As direções h de decréscimo de J devem es-
tar a menos de 90o de −∇J(θ∗ .
Para ilustrar graficamente a condição de
Kuhn-Tucker, sejam apenas 2 restrições ati-
vas g1 (θ∗ ) e g2 (θ∗ ) em um certo ponto θ∗ .
Figura 13.23: Condição de
Pela figura, −∇J (θ∗ ) é uma combinação li- Kuhn-Tucker.
near de ∇g1 (θ∗ ) e ∇g2 (θ∗ ) :
−∇J θ∗ = λ1 ∇g1 θ∗ + λ2 ∇g2 θ∗

(13.408)
Seja h um deslocamento a partir de θ∗ e note que, pela fórmula de Taylor,
J(θ∗ + h) ≈ J(θ∗ ) + hT ∇J(θ∗ ) (13.409)
No caso,
h i
J(θ∗ + h) ≈ J(θ∗ ) − hT λ1 ∇g1 θ∗ + λ2 ∇g2 θ∗

(13.410)
ou
J(θ∗ + h) − J(θ∗ ) ≈ −λ1 ⟨hT |∇g1 θ∗ ⟩ − λ2 ⟨hT |∇g2 θ∗ ⟩

(13.411)
Para que θ∗ + h não viole as restrições ativas g1 (θ∗ ) e g2 (θ∗ ), deve-se ter,
simultaneamente, ⟨hT |∇g1 (θ∗ )⟩ ≥ 0 e ⟨hT |∇g2 (θ∗ )⟩ ≥ 0.
Se h for uma direção tal que J(θ∗ + h) − J(θ∗ ) < 0 e de
J(θ∗ + h) − J(θ∗ ) ≈ −λ1 ⟨hT |∇g1 θ∗ ⟩ − λ2 ⟨hT |∇g2 θ∗ ⟩

(13.412)
| {z } | {z } | {z }
≤0 ≥0 ≥0
conclui-se que λ1 ≥ 0 e λ2 ≥ 0 no ponto de ótimo com as restrições g1 e g2

ativas.
Bibliografia
AGUIRRE, L. A. The historical development of texts for teaching classical

control of linear systems. Annual Reviews in Control, v. 39, p. 1–11, 2015.
AGUIRRE, L. A. Introdução à Identificação de Sistemas: Técnicas Lineares

e Não Lineares Aplicadas a Sistemas: Teoria e Aplicação. Belo Horizonte:
Editora da UFMG, 2015.
APOSTOL, T. Calculus. NY: John Wiley, 1969.
ARNOLD, V. Ordinary Differential Equations. Cambridge, MA: The M.I.T.

Press, 1973.
ASTROM, J.; WITTENMARK, B. Computer Controlled Systems: Theory

and Design. Hoboken: Prentice Hall, 1984.
ASTROM, K.; WITTENMARK, B. Adaptive Control. 2nd. ed. Hoboken:

Addison Wesley, 1995.
BALAKRISHNAN, A. Applied Functional Analysis. NY: Springer Verlag,

1981.
BARNETT, S. Matrices: Methods and Applications. RU: Oxford University

Press, 1990.
BASAR, T. Control Theory: Twenty-Five Seminal Papers. New York: IEEE

Press, 2001.
BAZARAA, M.; SHERALI, H.; SHETTY, C. Nonlinear Programming:

Theory and Applications. Hoboken: John Wiley, 1979.
BELLMAN, R. Dynamic Programming. Princeton: Princeton University

Press, 1957.
BELLMAN, R. Introduction to Matrix Analysis. Bombain: Tata McGraw

Hill, 1974.
519
BENNETT, S. A History of Control Engineering: 1800-1930. Stevenage:

Peter Peregrinus, 1979.
BENNETT, S. A History of Control Engineering: 1930-1955. UK: Peter

Peregrinus, 1993.
BERNSTEIN, D. S. Matrix Mathematics. 2nd. ed. Princeton: Princeton

University Press, 2009.
BLISS, G. Lectures on the Calculus of Variations. Chicago: University of

Chicago Press, 1980.
BLUM, E. Numerical Analysis and Computation: Theory and Practice. NY:

Addison-Wesley, 1972.
BOYD, S.; VANDENBERGHE, L. Convex Optimization. UK: Cambridge

University Press, 3004.
BROWN, J.; CHURCHILL, R. Complex Variables and Applications. 9th. ed.

NY: McGraw Hill, 2013.
BRYSON, A.; HO, Y. Applied Optimal Control. USA: Princeton University

Press, 1975.
CADZOW, J.; MARTENS, H. Discrete-Time and Computer Control Systems.

[S.l.]: Prentice Hall, 1970.
CASTRUCCI, P. B. L.; CURTI, R. Sistemas Não-Lineares. SP: Edgard

Blücher, 1981.
CHAPELLAT, H.; MANSUR, M.; BHATTACHARYYA, S. Elementary

proofs of some classical stability criteria. IEEE Trans. Automatic Control,
v. 33, p. 232–239, 1990.
CHARNIAK, E.; MCDERMOTT, D. Artificial Intelligence. Illinois: Addison

Wesley, 1985.
CHEN, C. Introduction to Linear Systems Theory. Austin: Holt, Rinehart

and Winston, 1970.
COELHO, A.; COELHO, L. Identificação de sistemas dinâmicos lineares.

Florianópolis: EDUFSC, 2016.
CRUZ, J. Controle Robusto Multivariável. São Paulo: EDUSP, 1996.
DESOER, C. Basic Circuit Theory. Irvine: McGraw Hill, 1969.

Apêndices 521
DOETSCH. Introduction to the Theory and Application of the Laplace

Transform. Berlin: Springer Verlag, 1974.
DORF, R.; BISHOP, R. Modern Control Systems. 7th. ed. Illinois: Addison
Wesley, 1995.
DOYLE, J. Guaranteed margins for lqg regulators. IEEE Trans. Automatic

Control, v. 23, n. 4, p. 756–757, 1978.
DURRETT, R. Probability: Theory and Examples. 5th. ed. Cambridge:

Cambridge University Press, 2019.
EYKOFF, P. System Identification, Parameter and State Estimation.

Hoboken: John Wiley, 1974.
FILIPPOV, A. Differential equations with discontinuous right-hand sides.

Am. Math. Soc. Trans., v. 62, p. 199–230, 1964.
FLETCHER, R. Practical Methods of Optimization. Hoboken: John Wiley,

1986. v. 1 and 2.
FLIESS, M. et al. Flatness and defect of non-linear systems: introductory

theory and examples. Int. J. of Control, v. 61, n. 6, p. 1327–1361, 1995.
FRANKLIN, G.; POWELL, J.; EMAMI-NAEINI, A. Feedback Control of

Dynamic Systems. Illinois: Addison Wesley, 1986.
FRANKLIN, G.; POWELL, J.; WORKMAN, M. Digital Control of Dynamic

Systems. Illinois: Addison-Wesley, 1990.
GEROMEL, J. C.; KOROGUI, R. H. Controle Linear de Sistemas Dinâmicos.

2. ed. São Paulo: Editora Blücher, 2019.
GIBSON, J. Nonlinear Automatic Control. NY: McGraw Hill, 1963.
GNEDENKO, B. V.; KHINCHIN, A. Y. An Elementary Introduction to the

Theory of Probability. Mineola, NY: Dover, 2013.
GOLDSTEIN, H. Classical Mechanics. Illinois: Addison Wesley, 1980.
GOODWIN, G.; PAYNE, R. Dynamic System Identification: Experiment

Design and Data Analysis. NY: Academic Press, 2012.
HADDAD, O.; SOLGI, M.; LOAICIGA, H. Meta-heuristic and Evolutionary

Algorithms for Engineering Optimization. Hoboken: Wiley, 2017.
HAYKIN, S. Neural Networks: A Comprehensive Foundation. NY: IEEE

Press, 1994.
HEMERLY, E. M. Controle Por Computador de Sistemas Dinâmicos. SP:

Edgard Blücher, 1996.
HESPANHA, J. Linear Systems Theory. Princeton: Princeton University

Press, 2009.
HIMMELBLAU, D. Applied Nonlinear Programming. NY: McGraw Hill,

1972.
INCOSE. Systems Engineering Handbook: A Guide for System Life Cycle

Processes and Activities. 4th. ed. Hoboken: Wiley, 2015.
IOANNOU, P.; SUN, J. Robust Adaptive Control. Hoboken: Prentice Hall,

1996.
ISIDORI, A. Nonlinear Control Systems: An Introduction. NY: Springer

Verlag, 1985.
IZMAILOV, A.; SOLODOV, M. Otimização: Volumes 1 e 2. Rio de Janeiro:

IMPA, 2005.
KAILATH, T. Linear Systems. Englewood Cliffs: Prentice Hall, 1980.
KALMAN, R.; FALB, P.; ARBIB, M. Topics in Mathematical System

Theory. NY: McGraw Hill, 1969.
KARLIN, S. Mathematical Methods and Theory in Games, Programming and

Economics. Illinois: Addison Wesley, 1959.
KHALIL, H. Nonlinear Systems. Vancouver: McMillan, 1992.
KHARITONOV, V. Asymptotic stability of an equilibrium position of a

family of systems of linear differential equations. Differential’nye Uravneniya,
v. 14, p. 1483–1485, 1978.
KNIGHT, K.; RICH., E. Artificial Intelligence. NY: McGraw Hill, 2010.
KOSSIAKOFF, A. et al. Systems Engineering: Principles and Practice. 3 rd.

ed. Hoboken: Wiley, 2020.
KREYSZIG, E. Introductory Functional Analysis with Applications. Hoboken:

John Wiley, 1978.
Apêndices 523
KUO, B. Digital Control Systems. Austin: Holt, Rinehart and Winston, 1980.
LANDAU, Y. Adaptive Control: The Model Reference Approach. Mountain

View - CA: Marcel Dekker, 1979.
LATHI, B. Linear Systems and Signals. CA: Berkeley Publishing, 1992.
LEHTOMAKI, N. Practical robustness measures in multivariable control

system analysis. MIT: MIT Press, 1981.
LJUNG, L. System Identification: Theory for the User. 2nd. ed. NY: Pearson,
1998.
LJUNG, L.; SÖDERSTROM, T. Theory and Practice of Recursive

Identification. MIT: The M.I.T. Press, 1984.
LUENBERGER, D. Introduction to Linear and Nonlinear Programming.

Illinois: Addison-Wesley, 1973.
LUENBERGER, D. Introduction to Dynamic Systems: Theory, Models and

Applications. Hoboken: John Wiley, 1979.
LUENBERGER, D. Optimization by Vector Space Methods. 3rd. ed. NY:

Springer, 2010.
LYAPUNOV, A. The General Problem of the Stability of Motion. Abingdon -

OX: Taylor and Francis, 1992.
MACIEJOWSKI, J. Multivariable Feedback Design. Illinois: Addison Wesley,

1989.
MASON, S. Feedback theory - further properties of signal flow graphs.

Proceedings of the IRE, v. 44, p. 920–926–11, 1956.
MAYR, O. The Origins of Feedback Control. MIT: The M.I.T. Press, 1970.
MICHEL, A. Stability: The common thread in the evolution of feedback

control. IEEE Control Systems Magazine, v. 16, p. 50–60, 1996.
MIRA, C. Cours de Sistèmes Asservis Non-Linéaires. Paris: Dunod, 1969.
NARENDRA, K.; ANNASWAMY, A. Stable Adaptive Systems. Upper Saddle

River: Prentice Hall, 1989.
NARENDRA, K.; TAYLOR, J. Frequency Domain Criteria for Absolute

Stability. Cambridge - MA: Academic Press, 1973.
NASCIMENTO, C. L.; YONEYAMA, T. Inteligência Artificial Em Controle

e Automação. SP: Edgard Blücher, 2000.
NETUSHIL, A. Theory of Automatic Control. Moscow: MIR Publishers,

1976.
NIJMEIJER, H.; SHAFT, A. V. D. Nonlinear Dynamical Control Systems.

NY: Springer Verlag, 1990.
NILSSON, N. Artificial Intelligence: A New Synthesis. Los Altos, CA:

Morgan Kaufmann, 1998.
OGATA, K. Modern Control Engineering. Upper Saddle River: Prentice Hall,

1970.
PAPOULIS, A. Probability, Random Variables and Stochastic Processes.

Irvine: McGraw-Hill, 1984.
POLAK, E. Computational Methods in Optimization: A Unified Approach.

Cambridge - MA: Academic Press, 1971.
RUSSEL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach.

Illinois: Prentice Hall, 1995.
SAASTRY, S. Nonlinear Systems: Analysis, Stability, and Control. New

York: Springer, 1999.
SASTRY, S.; BODSON, M. Adaptive Control: Stability, Convergence and

Robustness. Illinois: Prentice Hall, 1991.
SCHWARZ, R.; FRIEDLAND, B. Linear Systems. NY: McGraw Hill, 1965.
SHEA, G. Nasa Sistems Engineering Handbook. Rev.2. Washington: NASA,

2020.
SHINNERS, S. Modern Control Systems Theory and Applications. Upper

Saddle River: Addison-Wesley, 1972.
SKOGESTAD, S.; POSTLETHWAITHE, J. Multivariable Feedback Control.

Upper Saddle River: John Wiley, 1996.
SLOTINE, J.; LI, W. Applied Nonlinear Control. Illinois: Prentice Hall, 1991.
STRANG, G. Linear Algebra and its Applications. San Diego: Harcourt,

Brace and Jovanovich, 1988.
Apêndices 525
SUGENO, M. An introductory survey of fuzzy control. Information Sciences,

v. 36, p. 59–83, 1985.
THALER, G. Automatic Control: Classical Linear Theory. Stroudsburg, PA:

Dowden Hutchinson and Ross, 1974.
VEGTE, J. Van de. Feedback Control Systems. Illinois: Prentice Hall, 1990.
VIDYASAGAR, M. Control System Synthesis: A Factorization Approach.

MIT: The M.I.T. Press, 1985.
WELLSTEAD, P. Introduction to Physical Systems Modelling. Cambridge:

Academic Press, 1979.
WINSTON, P. H. Artificial Intelligence. [S.l.]: Addison Wesley, 1992.
WITTE, R.; WITTE, J. Statistics. 11th. ed. Upper Saddle River: Wiley,
2017.
YEUNG, K.; WANG, S. A simple proof of kharitonov’s theorem. IEEE TAC,

AC-32, p. 822, 1987.
YOUNG, L. Lectures on the Calculus of Variations and Optimal Control

Theory. Philadelphia: W.B. Saunders, 1969.
ZEMANIAN, A. Distribution Theory and Transform Analysis. NY: Dover,

1965.
ZHOU, K.; DOYLE, J.; GLOVER, K. Robust and Optimal Control. Illinois:
Prentice Hall, 1995.
ZURADA, J. Introduction to Artificial Neural Systems. Opperman Drive -

MN: West Publishing Co, 1992.
Índice
algoritmo de amortecimento, 101

de máxima declividade, 513 compensadores
poliedros flexı́veis, 515 atrasadores de fase, 282
Runge-Kutta, 89 avançadores de fase, 278
amostrador impulsivo, 355 lag, 282
analogia lead, 279
eletro-mecânica, 57 complemento de Schur, 345
força-corrente, 57 computador
força-tensão, 57 Zezinho, 32
antecipatório condições
controle, 299 de Kuhn-Tucker, 517
aproximação quadrática, 512 conjectura
atraso de Aizerman, 504, 505
de fase, 110 de Kalman, 504, 505
de transporte, 58, 109 conjugação topológica, 75
auto-regressão, 140 continuidade
averaging, 68 uniforme, 481
controlabilidade, 80
backstepping, 209
sistemas discretos, 143
banda proporcional, 260
verificação, 82
BIBO-estabilidade, 185
controladores
BLUE, 158
boost, 70 baseados em conhecimento, 410
Brockett, R.W., 415 I-PD, 261
Bromwich, 24, 123 inteligentes, 410
otimização, 291
carta PID, 259
de Nichols, 111, 184 tipo liga-desliga, 234
casamento controle
de modelos, 294 fuzzy, 378
causalidade, 97 adaptativo, 377, 394
clepsidras, 22 antecipatório, 298, 299
coeficiente cascata, 274
526
Apêndices 527
de processos, 262 a diferenças, 139

em malha aberta, 225 de Euler Lagrange, 457
MPC, 377, 407 de Hamilton-Jacobi-Bellman, 478
MRAC, 377 de Riccati, 331, 337
nebuloso, 378 erro
preditivo, 407 de quantização, 366
requisitos, 230 em regime, 247
vantagens da malha fechada, 225 escalonamento de ganhos, 271
conversores estabilidade, 78
boost, 70 assintotica, 79
D/A e A/D, 354 assintótica-LMI, 341
critério de estabilidade BIBO, 185, 186
de Hermite-Bieler, 470 de oscilações, 493
de Kharitonov, 176 distemas discretos, 142
de Mikhailov, 469 estrutural, 74
de Nyquist, 178, 473 uniforme, 202
de Routh-Hurwitz, 174, 472 estado, 61
Critério de Sylvester, 197 estimador
curvas de mı́nimos quadrados, 155
de Bode, 107 Euler, 122
de reação, 265 exponencial de matriz, 63, 460, 462
de terceira ordem, 288 diagonalização, 462
cães de guarda, 367 via Cayley-Hamilton, 465
decomposição Farcot, J.J.L., 26

de Kalman, 86 feed forward, 298
em valores singulares, 87 fenômeno
delta do salto, 495
de Dirac, 96 Fillipov, A.F., 416
de Kronecker, 143 filtro
dinâmica zero, 387, 501 complementar., 111
direct digital control, 370 de Kalman, 321, 336
discretização filtro discreto
aproximada, 361 de Kalman, 325
dither, 243 Fliess, M., 416
Dolye, J.C., 347 fluxografo, 91
Dumont, A.S., 28 forma
canônica, 113
EMQ, 157 de Brunovsky, 379
equação frequência
de Hamilton-Jacobi-Bellman, 330 de Nyquist, 366
função iteração
de penalidade, 516 de Picard, 459
de transferência, 90
decrescente, 202 Jacquard, J.M., 22
delta de Dirac, 96
Kirchoff, 46
descritiva, 486
Kolmogorov, A.N., 166
fórmula
Kwakernaak, H., 347
de Joseph, 327
de Lucas, 473 Lagrange, 24, 123
Lagrangiano, 47
ganho
largura
de realimentação, 314
de banda, 112
Gauss, J.C.F., 166
Legendre, A.M., 166
gramiano
lema
de controlabilidade, 81
de Barbalat, 398, 481
de observabilidade, 84
KYP, 506
Hamilton, 24 LGR, 250
Hazen, H.L., 27 linearização, 72
Heaviside, 24, 123 harmônica, 484
Heron de Alexandria, 20 por realimentação da saı́da, 384
Hurwitz, A., 186 por realimentação de estado, 377,
378
identidade validade, 75
de Kalman, 332 LMI, 338
identificação LQG/LTR, 334
conceito, 153 LSE, 157
consistência, 204 LTI, 44
método do subespaço, 163 Luenberger, D.G., 347
não paramétrica, 153 Lyapunov
paramétrica, 153 primeiro método, 193
recursiva, 203 segundo método, 195
tempo contı́nuo, 202 Lyapunov, A.M., 24
IEEE
Control Award, 37 margem
IFAC, 33 de fase, 183
incertezas de ganho, 183
em modelos, 59 margens de estabilidade
politópicas, 345 controlador LQR, 332
inferência MIMO, 497
nebulosa, 413 Markov, A.A., 166
inserção de integrador, 318 matriz
Apêndices 529
companheira, 133 duro, 489

de Hankel, 118 oscilações
de Vandermonde, 133 estabilidade, 493
Maxwell, J.C., 24, 186 otimização
Minorsky, N.F., 27, 187 critério ITAE, 293
modelagem de controladores, 293
analogia, 56 numérica, 509
modelo semi-definida, 343
balanceado, 86 univariada, 509
definição, 10, 41
modos parâmetros
deslizantes, 377 de Markov, 117, 118
movimentos persistência da excitação, 204
deslizantes, 388 perı́odo de amostragem, 365
MRAC planicidade, 378, 401
direto, 395 plano de fase, 235
mudança polinômio
de base, 312 caracterı́stico, 79
máquina de Hurwitz, 174, 469
de Atwood, 48 polos
média móvel, 140 dominantes, 103, 104
método ponto de equilı́brio, 194
da média, 68 posicast, 301
da secção áurea, 510 preditor
de Tustin, 363 de Smith, 285
princı́pio
Newton, 123 do argumento, 474
Nyquist, H., 187 do modelo interno, 249
propriedades
observabilidade, 83 da transformada Z, 146
sistemas discretos, 144 pré-filtro, 299
verificação, 85 pseudo-inversa, 157
observador pêndulo
de estados, 319 de Kapitsa, 69
de Luenberger, 319
de ordem reduzida, 320 Ragazzini, 149
de perturbações, 323 realimentação
operador de estado, 311
atrasador, 140 tacométrica, 257
oscilador realização
a diodo túnel, 487 de Gilbert, 120
diagonal, 116 de acomodação, 99

redes de pico, 99
neurais, 410 de subida, 99
redução teorema
de modelos, 86 de Cauchy, 473
região de Cayley-Hamilton, 463
de confiança EMQ, 158 de Gauss-Markov, 157
regra de Hartman-Grobman, 77
de Armijo, 514 de Shannon, 366
do MIT, 399 de Silverman, 120
lambda, 267 de Weierstrass, 296
Ziegler-Nichols, 264 do resı́duo, 473
regulador termo de Rayleigh, 48
auto-sintonizado, 400 tipos
LQR, 329 funções de transferência, 247
relé transformada
com histerese, 243 de Laplace, 89
com zona morta, 242 Z, 145
ideal, 237 Z inversa, 148
não ideal, 242 transformações
resposta similares, 312
em frequência, 106
Utkin, V.I., 416
return difference matrix, 499
Routh, E.J., 186 variáveis
de esforço, 57
segurador
de fluxo, 57
de ordem zero, 356
Vinograd, 219
sensitividade, 231
Vyshnegradskii, I.A., 24
complementar, 231
simulação, 89 Watt, J., 22
sistema wind up, 266
autorregulado, 265
de segunda ordem, 98 Zadeh, 149
definição, 10 Ziegler-Nichols
segunda ordem, 108 curva de reação, 265
SOAS, 400 oscilação, 265
sobressinal, 99
Steinmetz, C.P., 25
Stodola, A.B., 187
tempo
Takashi Yoneyama
YONEYAMA
Teoria e prática
fe
Esta obra busca oferecer aos estudantes e profissionais da área de Sistemas e
Controle uma visão ampla, moderna e integrada do tema de modo simples, po-
rém sem prescindir de rigor formal. São apresentados os aspectos práticos rele-
vantes na prática com uma sólida base teórica que permite aprofundar o domínio
dos conceitos envolvidos. Cada tópico é ilustrado com exemplos numéricos e
complementados com exercícios de variadas dificuldades. Alguns detalhes mais
intrincados das ferramentas utilizadas nos projetos de controladores podem ser
encontrados na forma de apêndices.
fe
openaccess.blucher.com.br

OpenAccess Yoneyama

Enviado por

Dados do documentoclique para ver informações do documento

Direitos autorais:

Formatos disponíveis

OpenAccess Yoneyama

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

OpenAccess Yoneyama

Enviado por

Direitos autorais:

Formatos disponíveis

Takashi Yoneyama

Publisher Edgard Blücher

Segundo o Novo Acordo Ortográfico, conforme 5. ed. do Vocabulário Ortográfico da Lı́ngua

Dados Internacionais de Catalogação na Publicação (CIP)

II Modelos de sistemas dinâmicos 39

3.13 Resposta em frequência . . . . . . . . . . . . . . . . . . . . . . 106

4 Modelos de tempo discreto 139

5 Identificação de modelos 153

III Estabilidade 171

6 Critérios de estabilidade para modelos LTI 173

7 Métodos de Lyapunov 193

8 Métodos no domı́nio transformado 225

8.5 Lugar geométrico das raı́zes (LGR) . . . . . . . . . . . . . . . . 250

9 Métodos no Domı́nio do Tempo 311

10 Controle por computador 353

IV Métodos adicionais 375

11 Alguns Métodos Adicionais 377

11.4 Controle adaptativo . . . . . . . . . . . . . . . . . . . . . . . . 394

V Uma visão sistêmica de projeto 427

12 Alguns aspectos relevantes em projetos 429

13.4 Apêndice D - Estabilidade de sistemas LTI . . . . . . . . . . . 469

São José dos Campos, 15 de agosto de 2022

Prof. Dr. Roberto Kawakami Harrop Galvão

Apresento os meus sinceros agradecimentos ao Dr. Eng. Cleverson Maranhão

“The important thing in Science is not so much to obtain new facts

O conceito de controle pode ser compreendido como um procedimento ou um

1.1 Conceitos, definições e notação

definições e a notação utilizada neste texto.

• Sistema é um conjunto de elementos interdependentes, concretos ou abs-

Figura 1.1: Um sistema com as suas entradas e saı́das.

interage com o meio ambiente através de entradas e saı́das. Em vista de

• Modelo é uma representação das caracterı́sticas essenciais de um sistema.

Figura 1.2: Formulações qualitativa e quantitativa do problema de controle.

A figura 1.2 mostra como os requisitos de natureza qualitativa podem ser

Exemplos de sistemas de controle:

• o automóvel é um sistema controlado e o comportamento desejado é que

• o coração artificial é um sistema fı́sico controlado e o comportamento de-

• o gerador de energia elétrica acionado por um motor diesel, comum

A importância de sistemas de controle é clara, tanto em sistemas naturais como

1.2 Um exemplo intuitivo de projeto

Considere um veı́culo propulsionado por hé-

o modelo matemático que descreve o movimento do veı́culo é expresso por

Equações diferenciais ordinárias lineares são, em geral, fáceis de serem resol-

(Unom + u)2 = Unom

Para se manter a velocidade do veı́culo próximo ao valor nominal Vnom apesar

que corresponde a aumentar linearmente a rotação u da hélice quando a ve-

para a qual se sabe que a solução é (basta substituir em 1.18)

v(t) = e(a−K)t v(0) (1.19)

A figura 1.4 apresenta uma simulação em que v(0) é o erro Vnom − V no

Figura 1.4: Exemplo de projeto de um controlador para regulação da veloci-

res e invariantes no tempo) e complementar, posteriormente, com mecanismos

Com o intuito de contextualizar a importância dos sistemas de controle, bem

1. A coleção de livros editados por David C. Lindberg e Ronald L. Numbers,

2. Coleções dos artigos seminais incluı́dos em (MAYR, 1970), (THALER,

3. Os livros do Prof. Stuart Bennett. A história da Teoria de Controle

4. A obra editada por Luiz Antonio Aguirre, Enciclopédia de Automática:

5. Quanto às biografias, os dados foram obtidos através de buscas na In-

regulação de pressão em máquinas a vapor.