SC2 PDF

INSTITUTO DE TECNOLOGIA DA UFPA
FACULDADE DE ENGENHARIA ELÉTRICA E

ENGENHARIA BIOMÉDICA
Prof. Antonio S. Silveira
SC2 – SISTEMAS DE CONTROLE II:

UMA INTRODUÇÃO AO CONTROLE DIGITAL E AO
CONTROLE MODERNO
LACOS
LACOS.UFPA.BR | ⃝
c 2017 ITEC-UFPA
SUMÁRIO
Apresentação da disciplina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
EMENTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
ORGANIZAÇÃO DO CURSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
EXEMPLOS DE PLANTAS DIDÁTICAS “DE BOLSO” . . . . . . . . 6
Circuito RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Circuito eletrônico sub-amortecido . . . . . . . . . . . . . . . . . . . . . . 7
Arduino-based Robot Arm Joint . . . . . . . . . . . . . . . . . . . . . . . . . 8
Motor Tacogerador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
AVALIAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1 CAPÍTULO 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 INTRODUÇÃO AOS SISTEMAS DE TEMPO DISCRETO . 13
1.2 TRANSFORMADA Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 EQUAÇÕES A DIFERENÇAS . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Solução de equações a diferenças . . . . . . . . . . . . . . . . . . . 17
1.3.2 Análise das soluções das equações a diferenças . . . . . 20
1.4 EQUIVALENTES DISCRETOS A PARTIR DE APROXI-
MAÇÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.1 Aproximações tipo Forward Difference, Backward
Difference e Tustin (Bilinear) . . . . . . . . . . . . . . . . . . . . . . 22
1.4.2 Efeitos da amostragem em sistemas obtidos por
aproximações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5 APROXIMAÇÃO PELO SEGURADOR DE ORDEM ZERO 28
1.6 CARACTERÍSTICAS DE RESPOSTA TEMPORAL . . . . . . 30
1.6.1 Sistemas de primeira ordem com atraso – FOPDT . 30
1.6.2 Modelagem FOPDT pela resposta ao degrau . . . . . . . 32
1.6.3 Sistemas de segunda ordem com atraso – SOPDT . . 33
1.6.4 Modelagem SOPDT pela resposta ao degrau . . . . . . . 34
1.6.5 Equivalente discreto via ZOH de um sistema SOPDT: 35
1.7 ESTABILIDADE DE SISTEMAS DISCRETOS . . . . . . . . . . . 37
1.7.1 Critério de Jury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.8 TEOREMA DO VALOR FINAL E TEOREMA DO VALOR
INICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.9 PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2 CAPÍTULO 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 CONTROLADORES DIGITAIS BASEADOS EM CONTRO-
LADORES ANALÓGICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 FORMA CANÔNICA RST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4 “MÁSCARA” DE SINTONIA DIGITAL PARA CONTÍNUA 50
2.5 CONTROLADORES DIGITAIS BASEADOS NO DOMÍ-
NIO W . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6 COMPENSADORES LEAD E LAG . . . . . . . . . . . . . . . . . . . . . 58
2.6.1 Compensador lead-lag de primeira ordem . . . . . . . . . . 59
2.6.2 Conceitos de estabilidade e desempenho robustos . . 60
2.7 PERTURBAÇÕES DETERMINÍSTICAS E ESTOCÁSTI-
CAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.7.1 Perturbação de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.7.2 Perturbação tipo ruı́do de medição . . . . . . . . . . . . . . . . . 65
2.7.3 Perturbação estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.8 PROBLEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3 CAPÍTULO 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 SISTEMAS MIMO EM ESPAÇO DE ESTADOS . . . . . . . . . . 73
3.3 RELAÇÃO ENTRE ESPAÇO DE ESTADOS E FUNÇÃO
DE TRANSFERÊNCIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.4 ESCOLHA DAS VARIÁVEIS DE ESTADO . . . . . . . . . . . . . . . 75
3.5 MATRIZ DE TRANSIÇÃO DE ESTADOS . . . . . . . . . . . . . . . 79
3.6 CONTROLE POR REALIMENTAÇÃO DE ESTADOS . . . . 79
3.6.1 Controlabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.6.2 Observabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6.3 Regulação via realimentação de estados . . . . . . . . . . . . 82
3.6.4 Determinação do ganho de realimentação pelo mé-
todo de Ackermann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4 CAPÍTULO 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 PROJETO DE CONTROLADORES NO ESPAÇO DE ES-
TADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.3 GENERALIZAÇÃO DO PROCEDIMENTO DE AUGMEN-
TAÇÃO COM INTEGRADOR . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Augmentação pela variação do sinal de controle,
ua (t): . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.4 OBSERVADOR DE ESTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.1 Teste de observador de estados . . . . . . . . . . . . . . . . . . . . . 103
4.5 COMPENSADOR DINÂMICO E O PRINCÍPIO DA SE-
PARAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.5.1 Compensador dinâmico de regulação . . . . . . . . . . . . . . . 114
4.5.2 Compensador dinâmico no caso servo . . . . . . . . . . . . . . 115
4.6 EQUIVALENTE DISCRETO POR ZOH EM ESPAÇO DE
ESTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.7 COMPENSADOR DINÂMICO DIGITAL . . . . . . . . . . . . . . . . . 116
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5
APRESENTAÇÃO DA DISCIPLINA
EMENTA
Controle digital de sistemas: equivalentes discretos de sistemas

contı́nuos, controladores PID digitais, compensadores “lead-lag”, con-
ceitos de estabilidade e desempenho robustos. Sistemas dinâmicos em
espaço de estados: representações, controlabilidade, observabilidade,
realimentação de estados, alocação de pólos, observadores de estados.
Compensadores dinâmicos. Controladores digitais no espaço de esta-
dos.
ORGANIZAÇÃO DO CURSO
Capı́tulo 1: Sistemas de tempo discreto, a dados amostrados e controlados por

computador. Transformada z. “Transformada ZOH”. Caracterı́s-
ticas de resposta temporal. Estabilidade de sistemas discretos
(Critério de Jury).
Capı́tulo 2: Controladores digitais baseados em controladores analógicos. Con-
troladores PID digitais. Compensadores avanço-atraso (lead-lag).
Conceitos de estabilidade e desempenho robustos.
Capı́tulo 3: Sistemas dinâmicos em espaço de estados: representações, con-
trolabilidade, observabilidade, realimentação de estados.
Capı́tulo 4: Projeto de controladores no espaço de estados via alocação de pó-
los. Observadores de Estados. Compensadores dinâmicos. Con-
troladores digitais no espaço de estados.
MATERIAIS E MÉTODOS
O curso de Sistemas de Controle II (SC2) está organizado vi-

sando a realização de diversas atividades que culminam em práticas
de simulação com modelos lineares e não-lineares. No entanto, essas
práticas serão realizadas em laços de programa que podem ser imple-
mentados em diversas linguagens de programação e consequentemente
poderão ser embarcadas em hardware microcontrolado com certa faci-
lidade (com exceção dos algoritmos que exigem operações matriciais).
6
Como uma forma de dar suporte aos alunos que não possuı́rem
conhecimento prévio e sólido em microcontroladores, o curso de SC2,
por meio dos recursos desenvolvidos pelo Laboratório de Controle e
Sistemas (LACOS, lacos.ufpa.br), poderá auxiliar projetos baseados
em microcontroladores usados pelas plataformas de desenvolvimento
Arduino (www.arduino.cc).
No site do LACOS já existe uma série de projetos previamente
testados que compreendem desde a construção de protótipos didáticos
de bolso, que vão de dispositivos puramente eletrônicos a dispositivos
mecatrônicos e que causam um efeito visual bem mais prazeroso na
hora de aplicar os conceitos de modelagem, análise, projeto e aplicação
de sistemas de controle e estimação.
O principal software de simulação numérica a ser usado no curso
será o MATLAB (www.mathworks.com). No entanto, por se tratar
de um software bastante caro, existe um similar gratuito que poderá
ser utilizado sem grandes adaptações dos códigos para MATLAB. Este
software gratuito é o SciLab e pode ser obtido no site www.scilab.org.
Tanto o MATLAB quanto o SciLab podem usufruir do Arduino
como interface de aquisição de dados e controle (A-D, D-A) de baixo
custo. Especificamente para a disciplina de SC2 há disponı́vel a biblio-
teca de aquisição de dados DaqDuino para MATLAB. Esta pode ser
obtida no site do LACOS ou no da Mathworks:
https://www.mathworks.com/matlabcentral/fileexchange/50784-daqduino
EXEMPLOS DE PLANTAS DIDÁTICAS “DE BOLSO”
Plantas didáticas, são versões robustas, simples de usar e nor-

malmente construı́das em escala reduzida, de plantas reais. As versões
didáticas visam conectar acadêmicos e engenheiros aos problemas fı́-
sicos reais, mas com maior segurança e agilidade. Em alguns casos,
através de emulação de sistemas.
Por exemplo, circuitos analógicos são uma excelente forma de
emular, eletronicamente, diversos tipos de sistemas, sejam eles mecâni-
cos, elétricos ou eletromecânicos; quı́micos, biológicos, mecatrônicos ou
biomecatrônicos; além de muitas outras classes de sistemas.
A seguir, algumas plantas didáticas são apresentadas com espe-
cificações sucintas sobre os projetos.
7
CIRCUITO RC
Em uma planta tipo circuito RC (composta de resistor e capaci-

tor), se a constante de tempo τ = RC segundos, onde R é o valor da
resistência elétrica e C o valor da capacitância, for grande, por exem-
plo na faixa de 1 segundo ou maior, pode-se utilizar o DaqDuino para
estimular diretamente um circuito como o que é apresentado na Fig.
1. Isto porque o microcontrolador usado pelo Arduino opera com uma
saı́da do tipo PWM (Pulse Width Modulation), que faz conversão D-A
chaveando pulsos de 5V com uma taxa de 500 Hz.
Figura 1 – Processo elétrico RC de primeira ordem ou sobreamortecido.
Mais adiante no curso, ficará claro o porquê de um processo de

primeira ordem, sobreamortecido, como um circuito RC, ter proprieda-
des de um filtro passa-baixas, tal que sua estrutura, dada pela Função
de Transferência,
K 1
G(s) = = , (1)
τs + 1 RCs + 1
permita que o chaveamento em 500Hz (ou maior, se assim configurado)
do PWM do Arduino seja filtrado pelo processo RC, permitindo que
na saı́da seja possı́vel visualizar uma resposta com pouco ruı́do.
CIRCUITO ELETRÔNICO SUB-AMORTECIDO
O circuito eletrônico sub-amortecido do LACOS é um processo

fácil de construir e de baixo custo. A teoria é baseada em sistemas ana-
lógicos construı́dos com AmpOps, resistores e capacitores. Na maioria
dos livros clássicos da área de Controle e Sistemas é possı́vel encontrar
os diagramas de circuito para a realização das operações básicas com
8
Figura 2 – Processo eletrônico sub-amortecido (do LACOS).
AmpOps.
Observe, na Fig. 2, uma imagem de um sistema eletrônico sub-
amortecido pronto, construı́do sobre uma placa de circuito universal.
Esse sistema da Fig. 2 opera com uma fonte CC de 12V para alimen-
tar os amplificadores e aceita entrada CC ou PWM e fornece saı́da
analógica. Os sinais de entrada e saı́da estão limitados a ±5V .
Um circuito-exemplo para construir um processo sub-amortecido
com base em realização de segunda ordem com AmpOps é apresentado
na Fig. 3. Note que para definir o comportamento dinâmico do seu
processo e a escolha dos componentes, você pode se guiar de acordo
com os seguintes parâmetros e equações:
R = 560kΩ
R1 = 2 × 560kΩ
C = 1µF
/
(1 RR1 C 2 ) Kp ωn 2
G(s) = 2 / / =
s + (1 R1 C)s + (1 RR1 C 2 ) s2 + 2ξωn s + ωn 2
onde Kp , ξ, ωn , são, respectivamente, o ganho estático, o coeficiente de

amortecimento e a frequência natural de oscilação.
ARDUINO-BASED ROBOT ARM JOINT
O ArduRAJ (cf. Fig. 4) do LACOS é uma planta didática por-

tátil baseada em setup rápido e simplificado para uso como servomotor
9
Figura 3 – Diagrama de circuito do processo eletrônico sub-amortecido.
de posição em ambientes de ensino e pesquisa. Este sistema possui um

Arduino Nano com DaqDuino do LACOS embarcado, de tal forma que
tudo que o usuário precisa fazer para utilizá-lo é conectar o processo à
porta USB e começar os testes.
O ArduRAJ permite que os alunos deparem-se com um sistema
mecatrônico real nas tarefas de modelagem, controle e estimação, o
que gera um impacto visual mais interessante do que o uso de sistemas
puramente eletrônicos.
O ArduRAJ surgiu de um projeto conjunto com o Prof. Antonio
A. R. Coelho, da Universidade Federal de Santa Catarina (UFSC) e do
Laboratório de Controle e Automação (LCA). O ArduRAJ do LACOS
foi inspirado nos dois primeiros RAJs desenvolvidos em 2011 pelos pro-
fessores Coelho e Silveira, enquanto trabalharam juntos no LCA-UFSC
até o ano de 2012.
Havendo interesse em construir um sistema similar ou idêntico
ao ArduRAJ, favor entrar em contato com a equipe de pesquisadores
do LACOS. Maiores informações em lacos.ufpa.br.
MOTOR TACOGERADOR
O processo Motor Tacogerador (MTG), apresentado na Fig. 5,

foi desenvolvido pelo Prof. Antonio Coelho para o LCA-UFSC e mai-
ores detalhes sobre algumas aplicações com esse processo podem ser
verificadas em Franca et al. (2011), além de outros trabalhos do Prof.
10
Figura 4 – Processo didático LACOS ArduRAJ (lacos.ufpa.br).
Coelho e Prof. Silveira, encontrados no CV-Lattes de cada um.

O MTG permite que se controle a velocidade de rotação a partir
da medição da tensão tacométrica gerada pelo pequeno gerador CC do
sistema. É uma implementação bastante simples, mas que explora con-
ceitos interessantes do ponto de vista de sistemas de geração de energia
elétrica. O projetista pode também explorar diferentes tipos de carga
que podem drenar ou injetar energia com diferentes perfis dinâmicos, o
que somado às não-linearidades mecânicas e elétricas do sistema, além
de ruı́do de medição, proporcionam uma atividade riquı́ssima para ex-
plorar com segurança diversos algoritmos do curso.
Maiores informações sobre a construção do processo, favor con-
tatar a equipe de pesquisadores do LACOS em lacos.ufpa.br.
AVALIAÇÃO
A avaliação dos alunos se dará por meio de duas provas e uma

prova substitutiva. Esta substitutiva ocorrerá no final do perı́odo letivo,
podendo englobar todo o conteúdo ministrado neste curso, substituindo
a menor nota ou mesmo preenchendo uma nota de uma prova que não
tenha sido realizada por motivo de doença ou outro de força maior.
Não há prova de segunda chamada da prova substitutiva.
A média final (MF ) será calculada por
P1 + P2
MF =
2
11
Figura 5 – Processo didático DAS-UFSC MTG (FRANCA et al., 2011).
• REPROVAÇÃO POR FALTAS: de acordo com a RESOLU-

ÇÃO N. 4.399, DE 14 DE MAIO DE 2013, que regulamenta o
Ensino de Graduação da UFPA, será considerado reprovado o
discente que não obtiver frequência mı́nima de 75%.
• Data da Prova 01: 09/05/2018.
• Data da Prova 02: 11/07/2018.

• Data da Prova Substitutiva: 16/07/2018.
12
13
1 CAPÍTULO 1
Sistemas de tempo discreto, a dados amostrados e controlados

por computador. Transformada z. “Transformada ZOH”. Caracterı́sti-
cas de resposta temporal. Estabilidade de sistemas discretos (Critério
de Jury).
1.1 INTRODUÇÃO AOS SISTEMAS DE TEMPO DISCRETO
A teoria de Controle Digital estabelece toda uma nova famı́lia

de métodos de projeto e de análise de sistemas no domı́nio de tempo
discreto que pode ser estudada independentemente das relações existen-
tes com sistemas contı́nuos, mas considerando uma parte introdutória
dessa teoria é interessante relacioná-la com sistemas de tempo contı́nuo
e revisar os mecanismos que mapeiam os domı́nios discreto e contı́nuo.
Um sistema de controle digital enxerga o mundo real pela pers-
pectiva de um computador que trabalha em instantes discretos e com
dados amostrados com base na periodicidade do clock de processa-
mento do algoritmo. Dessa maneira, sinais de tempo contı́nuo tornam-
se sequências numéricas amostradas por um conversor A-D (Analógico-
Digital) e é desta forma que uma variável medida de uma planta pode
ser processada pelo algoritmo de controle com a finalidade de gerar um
sinal de comando que deve ser enviado à planta para mantê-la sob as
condições de operação desejadas.
O envio de um sinal de comando de volta à planta, por um con-
trolador digital, requer que um dado numérico, na memória do compu-
tador, torne-se um sinal elétrico (ou outro fisicamente realizável), ou
seja, requer a geração do sinal contı́nuo pelo uso de um dispositivo de
conversão D-A (Digital-Analógico). Como os dados para o conversor
D-A chegam em instantes discretos, esses dispositivos de conversão são
normalmente construı́dos com buffers que seguram (“hold ”) o sinal ana-
lógico gerado até que uma nova informação de geração seja requisitada.
A velocidade em que os computadores atuais operam permite
considerar que o intervalo entre a conversão A-D, o processamento do
algoritmo de controle, até a conversão D-A, pode ser desprezado, mas
o intervalo em que o conversor D-A permanece em “hold ” até que toda
essa sequência se repita para a chegada de uma nova conversão D-A,
caracteriza as restrições de projeto e análise de controladores digitais e
os diferencia da análise contı́nua. Nesse perı́odo em que o controlador
14
permanece em “hold”, denominado perı́odo de amostragem, o processo

controlado está em malha aberta (MA), portanto é fundamental que
esse intervalo seja apropriadamente selecionado e levado em conta para
fins de análise de desempenho e estabilidade da malha de controle.
“O perı́odo de amostragem (Ts ) é normalmente periódico” e tam-
bém pode ser representado em função da frequência de amostragem
(fs = 1/Ts Hz ou ωs = 2π/Ts rad/s). Essas informações são os elos
entre os domı́nios de análise continuo e discreto e permitem estabele-
cer os mapas de equivalência entre eles através de aproximações e a
Transformada z.
A escolha de Ts ou fs está limitada às condições mı́nimas exigi-
das conforme o Teorema de Amostragem de Nyquist (EUA) - Shan-
non (EUA) - Kotelnikov (RUS) - Whittaker (UK), doravante designado
neste material simplesmente por Teorema de Amostragem de Nyquist.
De maneira simplificada, esse Teorema estabelece que a frequência de
amostragem (fs ) deve ser ao menos duas vezes mais veloz que a frequên-
cia do fenômeno/sinal (f ) que se quer digitalizar, para que não se perca
informação com a digitalização do sinal. Por exemplo, músicas são co-
mumente digitalizadas em 44, 1 kHz, pois a máxima frequência audı́vel
por seres humanos seria de 22, 05 kHz.
O Teorema de Nyquist estabelece os critérios mı́nimos de amos-
tragem para que se evite a subamostragem, mas mais adiante, veremos
que a superamostragem também pode ser um problema e não há um
teorema definitivo para este segundo caso. Sendo assim, além do cri-
tério mı́nimo de Nyquist, vamos apreder boas práticas com base em
conhecimento empı́rico de grandes pesquisadores da área de Controle
Digital, como Astrom e Wittenmark (2011). De forma antecipada, con-
sidere o exemplo mostrado a seguir para entender melhor a seleção da
frequência ou do perı́odo de amostragem.
Exemplo 1.1 Para o sistema mostrado a seguir, qual é a menor frequên-

cia de amostragem, segundo o Teorema de Amostragem de Nyquist, para
que seja possı́vel digitalizar o modelo do sistema sem perdas?
1
G(s) =
(s + 1)(s + 2)(s + 3)
Cada pólo determina uma frequência crı́tica do sistema, sendo

1 rad/s, 2 rad/s, 3 rad/s, essas frequências. Sendo assim, para que
não haja perdas na digitalização, a frequência de amostragem ωs rad/s
mı́nima seria o dobro da maior frquência de interesse, que neste caso
15
é de 3 rad/s. Sendo assim,
ωs = 6rad/s = 2πfs ,
3 1
fs = Hz = ,
π Ts
π
Ts = seg.
3
1.2 TRANSFORMADA Z
A transformada z é a análoga discreta da transformada de La-

place. Ou seja, permite a introdução do conceito de função de transfe-
rência (FT) e a análise de sistemas discretos no domı́nio da frequência.
Possibilita gerar um mapa de uma sequencia temporal em uma fun-
ção de uma variável complexa z. A transformada z de uma função no
tempo, f (t), para t ≥ 0, ou para uma sequência de valores amostrados,
f (kTs ), para valores não-negativos inteiros de k, é definida como
∞
∑
F (z) = Z[f (t)] = Z[f (kTs )] = f (kTs )z −k (1.1)
k=0
Expandindo-se o somatório em (1.1) verifica-se que
F (z) = f (0) + f (Ts )z −1 + f (2Ts )z −2 + · · · + f (kTs )z −k + · · · (1.2)
e que os termos z −k nessa série indicam o instante no tempo em que a

função f (kTs ) assumiu determinado valor em amplitude.
Usaremos como exemplo uma transformada elementar de um
tı́pico sinal de testes utilizado em controle de processos: o degrau uni-
tário. Considerando que este seja aplicado no instante t = 0, sendo este
sinal amostrado com Ts = 1s,
∞
∑
U (z) = Z[u(k)] = 1z −k (1.3)
k=0
16
U (z) = 1 + z −1 + z −2 + · · ·
U (z) − 1 = z −1 + z −2 + · · ·
−1 −2
U (z)−1
= z +z +···
= 1 + z −1 + z −2 + · · ·
z −1 z −1 | {z }
[ U (z) ]
U (z) − 1 = z −1 U (z) → U (z) 1 − z −1 = 1
1 z
U (z) = −1
= . (1.4)
1−z z−1
A transformada z da maioria dos sinais e sistemas fisicamente
realizáveis já foi tabelada e pode ser encontrada com grande facilidade
em livros sobre controle digital e através de uma rápida busca na Inter-
net. Para sistemas de maior ordem e complexidade é recomendável que
se utilize softwares como MATLAB, ScicosLab ou SciLab para realizar
as transformadas.
1.3 EQUAÇÕES A DIFERENÇAS
Sistemas dinâmicos discretos podem ser descritos por equações

denominadas equações a diferenças. Tomemos como exemplo o seguinte
modelo de sistema de segunda ordem, dado pela seguinte função de
transferência (FT) no domı́nio z:
Y (z) b0 z + b1
G(z) = = 2 ,
U (z) z + a1 z + a2
( 2 )
z + a1 z + a2 Y (z) = (b0 z + b1 ) U (z). (1.5)
Pela transformada z, a relação zF (z) := f (k+1) ou z −1 F (z) := f (k−1)

estabelece que a variável complexa z = esTs = ejωTs , na FT do sistema,
funciona também como um operador de avanço ou atraso de tempo dis-
creto. Tal relação será válida desde que se trate de um sistema cujas
condições iniciais sejam nulas (toda FT) ou que seja um sistema estável
(ASTROM; WITTENMARK, 2011). Note que se trata de um caso análogo
ao da transformada de Laplace, em que s = jω pode ser simultanea-
mente s := d/dt.
A equação a diferenças do sistema em (1.5) pode ser obtida pela
aplicação da transformada z inversa, para o domı́nio do tempo discreto,
em que
y(k + 2) + a1 y(k + 1) + a2 y(k) = b0 u(k + 1) + b1 u(k) (1.6)

17
é a equação a diferenças descrita na forma em avanço. A forma filtrada,

em atraso, denominada de Auto-Regressiva, é obtida recuando-se o
tempo discreto 2-passos para trás, isto é,
y(k) + a1 y(k − 1) + a2 y(k − 2) = b0 u(k − 1) + b1 u(k − 2). (1.7)
Em (1.7), considere que y(k) é a saı́da do sistema no instante

de tempo discreto k, onde este k = 0, 1, 2, . . . assume somente valores
inteiros (tempo discreto), enquanto que u(k) é a entrada desse sistema
no instante de tempo k.
Observe que a forma matemática da equação a diferenças em
(1.7) é convidativa para implementações em linguagens de programação
que lidam com iterações em intervalos discretos, ou seja, que recorrem
a dados de memória atuais e passados, como o exemplo da Tabela 1,
que corresponde a uma implementação em MATLAB para simular o
modelo mostrado em (1.7). Outro exemplo, mas em linguagem C para
Arduino com o código para um PID digital embarcado apresentando a
lei de controle como uma equação a diferenças, é fornecido na Tabela
2.
Tabela 1 – Exemplo de código MATLAB para simular um sistema dis-

creto de segunda ordem descrito na forma de equação a diferenças.
for k=1:101,
y(k) = -a1*y(k-1) -a2*y(k-2) +b0*u(k-1) +b1*u(k-2);
u(k) = 1;
end
1.3.1 Solução de equações a diferenças
Mais adiante relacionaremos as equações a diferenças à Trans-

formada z e às aproximações entre o domı́nio contı́nuo e o discreto.
Veremos que tais representações podem ser descritas no contexto de
Sistema Discretos Lineares Invariantes no Tempo e na forma de Fun-
ções de Transferência discretas, de tal modo que precisaremos saber
como calcular pólos e zeros de um dado sistema ou mesmo poder reali-
zar outras operações matemáticas sobre as descrições digitais. Por isto,
destaca-se aqui que a forma de resolvermos as equações a diferenças é
bastante similar ao que se faz no caso contı́nuo de sistemas descritos
18
Tabela 2 – Código em C para Arduino como exemplo de PID digital

embarcado e sua relação com as equações a diferenças.
float y = 0.0;
float u[3] = 0.0;
float e[4] = 0.0;
float yr = 0.0;
// Controller parameters
const float ts = 0.1; // Sampling period
const float Kc = 0.8; // Proportional gain
const float Ti = 0.2; // Integral period
const float Td = 1.2; // Derivative period
const float q0 = Kc + (Kc*Td/ts);
const float q1 = -Kc +(Kc*ts/Ti) -(2*Kc*Td/ts);
const float q2 = Kc*Td/ts;
void setup()
Serial.begin(9600);
Serial.setTimeout(5); // How long to wait till parseFloat is over
void loop()
if (Serial.available())
y = Serial.parseFloat();
yr = Serial.parseFloat();
e[0] = yr-y;
u[0] = u[1] +q0*e[0] +q1*e[1] +q2*e[2]; // <<<<<<< LEI DE CONTROLE
Serial.print(u[0],4);
e[2] = e[1]; // Shifting data for the next loop

e[1] = e[0];
u[1] = u[0];
19
no domı́nio do operador s de Laplace.
Exemplo 1.2 Consideremos o seguinte exemplo de segunda ordem,

para uma equação homogênea:
y(k) + a1 y(k − 1) + a2 y(k − 2) = 0. (1.8)
Admitindo-se que y(k) = λk , λ ∈ C, então,
λk + a1 λk−1 + a2 λk−2 = 0,
( )
λk−2 λ2 + a1 λ + a2 = 0,
λ2 + a1 λ + a2 = 0. (1.9)
A solução para o exemplo de segunda ordem em (1.8) é obtida

pelo cálculo das duas raı́zes da expressão mostrada em (1.9). Já para
um sistema de ordem n, a solução pode ser generalizada para
∑
y(k) = ci λi k , (1.10)
i
onde ci , i = 1, 2, . . . , n, corresponde às condições iniciais, e.g. y(−1),

y(−2), . . . , y(−n).
Sistemas de ordem maior que dois acarretarão equações de maior
grau (equivalente à ordem do modelo) e a complexidade dos cálculos
também aumentará, possivelmente requerendo o auxı́lio de softwares
computacionais especı́ficos em certos casos.
Exemplo 1.3 Determine a solução da equação a diferenças, homogê-

nea, mostrada a seguir:
y(k) + 2y(k − 1) − 8y(k − 2) = 0. (1.11)
As raı́zes de (1.11) são λ1 = 2, λ2 = −4 (MATLAB -> roots([1

2 -8])). Portanto, a solução para o modelo auto-regressivo em (1.11) é
dada por
y(k) = c1 (2)k + c2 (−4)k , (1.12)
sendo que c1 e c2 são as condições iniciais.
Exemplo 1.4 Determine a solução da equação a diferenças, não ho-

20
mogênea, mostrada a seguir:
G(z) = YU (z)
(z) b0
= z+a 1
y(k + 1) + a1 y(k) = b0 u(k)
y(k) + a1 y(k − 1) = b0 u(k − 1)
y(k) = −a1 y(k − 1) + b0 u(k − 1)
y(1) = −a1 y(0) + b0 u(0)

2
y(2) = −a1 [−a1 y(0) + b0 u(0)] + b0 u(1) = (−a1 ) y(0) − a1 b0 u(0) + b0 u(1)
3 2
y(3) = −a1 y(2) + b0 u(2) = (−a1 ) y(0) + (−a1 ) b0 u(0) + (−a1 ) b0 u(1) + b0 u(2)
k ∑[
k−1
i
]
y(k) = (−a1 ) y(0) + b0 (−a1 ) u(k − i − 1)
i=0
1.3.2 Análise das soluções das equações a diferenças
Dependendo das raı́zes λi pode-se resumir o comportamento qua-

litativo da sequência de saı́das y(k) conforme apresentado na Tabela 3
para raı́zes reais e na Tabela 4 para raı́zes complexas:
Tabela 3 – Comportamento qualitativo de y(k) com base em λi ∈ R

λ Sequência {y(k), k ≥ 0}
λ>1 Crescente
λ=1 Constante
0<λ<1 Decrescente
−1 < λ < 0 Decrescente com sinal alternado
λ = −1 Constante com sinal alternado
λ < −1 Crescente com sinal alternado
Tabela 4 – Comportamento qualitativo de y(k) com base em λi ∈ C.

λ Sequência {y(k), k ≥ 0}
|λ| < 1 Decrescente e oscilatória
|λ| = 1 Oscilatória
|λ| > 1 Crescente e oscilatória
Os resultados dessa análise sobre as soluções de equações a di-

ferenças estão diretamente ligados a análise de estabilidade de sistema
discretos a partir do estudo do Plano-Z e do cı́rculo unitário.
Exemplo 1.5 Relação entre as raı́zes no domı́nio z e as raı́zes no
21
domı́nio s a partir da análise da propriedade de deslocamento no tempo

da Transformada s e da Transformada z.
Se considerarmos um sistema linear contı́nuo qualquer G(s), uma
representação desse sistema com um atraso de θ segundos é descrita por
Gd (s) = G(s)eθs . (1.13)
A Transformada z de G(s) é dada por Z [G(s)] = G(z). A re-

presentação desse sistema discreto com atraso de θd instantes de tempo
discretos, i.e.
θ
θd = , (1.14)
Ts
é descrita por
Gd (z) = Z [G(s)] z −θd = Z [Gd (s)] . (1.15)
Desse modo,
z −( Ts ) = e−θs ,
θ
(1.16)
tal que a relação entre o domı́nio z e o domı́nio s é estabelecida por

(1.16) quando θ = Ts e s = jω, tal que
z −1 = e−jωTs . (1.17)
1.4 EQUIVALENTES DISCRETOS A PARTIR DE APROXIMAÇÕES
Considere um sistema representado por um modelo de primeira

ordem, contı́nuo e descrito pela função de transferência
Y (s) 1
= . (1.18)
U (s) s+1
Como o sistema em (1.18) tem condições iniciais nulas (ou também

porque é assintoticamente estável), a variável s do “domı́nio de La-
place” pode ser considerada simultaneamente uma variável complexa
e um operador matemático, ou seja, s := d/dt. Desse modo pode-se
22
reescrever (1.18) como sendo
dy(t)
+ y(t) = u(t). (1.19)
dt
Em uma implementação digital de simulação desse sistema em
(1.19), dt é uma aproximação de um intervalo entre duas medidas de
y(t), ou seja,
dy(t) y(kTs + 1) − y(kTs )

≈ (1.20)
dt Ts
ou considerando simplesmente os instantes de tempo discretos k ∈ N,
dy(t) y(k + 1) − y(k)

≈ , (1.21)
dt Ts
tal que, quanto menor o perı́odo de amostragem, mais precisa torna-se
a aproximação em relação ao sistema contı́nuo em (1.19). Observe a
influência de Ts nos gráficos mostrados na Fig. 6 para a simulação do
equivalente discreto de (1.19), sendo este descrito por
y(k + 1) − y(k)
+ y(k) = u(k)
Ts
y(k + 1) = [1 − Ts ] y(k) + Ts u(k) (1.22)
A aproximação utilizada neste exemplo [cf. Eq. (1.21)] é co-

nhecida como Forward Difference e se baseia no método retangular de
Euler (FRANKLIN et al., 1997). O código em MATLAB para reprodução
deste exemplo é apresentado na Tabela 5.
1.4.1 Aproximações tipo Forward Difference, Backward Dif-

ference e Tustin (Bilinear)
As “aproximações”, como o próprio nome sugere, apenas aproxi-

mam sinais e sistemas contı́nuos a equivalentes discretos aproximados,
diferentemente da aplicação da Transformada z sobre uma sequência
amostrada, que de fato, fornece uma função polinomial matematica-
mente exata dessa sequência, desde que a taxa de amostragem selecio-
nada seja adequada para a representação do sinal analógico original.
Mesmo não sendo exatos fisicamente, os equivalentes discretos
calculados a partir de aproximações são simples e rápidos de serem
23
Tabela 5 – Código de simulação da aproximação discreta com variação

do intervalo de amostragem.
% Exemplo aproximaç~
ao backward difference
clear all; close all; clc;
for i=1:3,
switch i,
case 1
ts=1; % perı́odo de amostragem
nit=11; % número de iteraç~
oes
cor=’k’; % cor da linha para o gráfico
case 2
ts=0.1; % perı́odo de amostragem
nit=101; % número de iteraç~oes
cor=’r’; % cor da linha para o gráfico
case 3
ts=0.001; % perı́odo de amostragem
nit=10001; % número de iteraç~oes
cor=’b’; % cor da linha para o gráfico
end
u(1:1/ts)=0; u(1/ts+1:nit)=1; % Degrau de entrada
y(1)=0; % Condiç~
ao inicial da saı́da do sistema
for k=1:nit,
y(k+1)=(1-ts)*y(k)+ts*u(k);
end
y=y(1:end-1); % exclui a ultima amostra de y
t=0:ts:nit*ts-ts; % Gera vetor de tempo com base em nit e ts
figure(1);
subplot(211),
plot(t,y,cor,’linewidth’,1.5);
if i==1, hold; end
subplot(212),
plot(t,u,’r’,’linewidth’,1.5);
end
subplot(211),
ylabel(’y(t)’);
legend(’T_s=1s’,’T_s=0.1s’,’T_s=0.001s’,0);
axis([t(1) t(end) 0 1.2]);
subplot(212),
ylabel(’u(t)’); xlabel(’Tempo (s)’);
axis([t(1) t(end) 0 1.2]);
24
1
0.8 T =1s
s
y(t)
0.6 Ts=0.1s
0.4 Ts=0.001s
0.2
0
0 2 4 6 8 10
1
0.8
u(t)
0.6
0.4
0.2
0
0 2 4 6 8 10
Tempo (s)
Figura 6 – Efeito do perı́odo de amostragem em uma aproximação

discreta de um sistema contı́nuo.
obtidos, exigindo tratamento algébrico simples para sistemas de ordem

reduzida.
A aproximação discreta utilizada na seção anterior, mostrada em
(1.21), é conhecida como forward difference. Reescrevendo-se a Eq.
(1.21) em termos de s e, z, como um operador de deslocamento no
tempo discreto, é possı́vel verificar que
d (z − 1)
y(kTs ) ≈ y(kTs ), Ts → 0,
dt Ts
1
s := (z − 1), (1.23)
Ts
que estabelece um mapa aproximado entre o plano-s e o plano-z.
No caso tipo backward difference, a Eq. (1.21) modifica-se
pela forma em que a aproximação retangular é posicionada sobre o
“ponto” do sinal que será usado (cf. Fig. 7), como se o método olhasse
para trás, tal que
d (z − 1)
y(kTs ) ≈ y(kTs − 1), Ts → 0,
dt Ts
25
ou mesmo
d (z − 1)
y(kTs + 1) ≈ y(kTs ), Ts → 0,
dt Ts
( )
1 z−1
s := (1.24)
Ts z
Figura 7 – Análise gráfica de como a aproximação do sinal é feita pelos

métodos forward, backward e Tustin.
As aproximações forward e backward são denominadas aproxi-

mações retangulares, tal como justificado na apresentação gráfica desses
métodos na Fig. 7. Uma alternativa mais precisa a estas aproxima-
ções retangulares é a forma trapezoidal, conhecida como aproximação
de Tustin ou Transformação Bilinear (FRANKLIN et al., 1997), também
mostrada na Fig. 7 e cujo mapa com o plano-s é obtido pela soma dos
métodos forward e backward, tal que
d d 2
y(kTs ) + y(kTs + 1) ≈ (z − 1) y(kTs ), Ts → 0,
dt dt Ts
2 (z − 1)
s := (1.25)
Ts (z + 1)
Na Tabela 6 são mostrados os três métodos discutidos que ma-

peiam s em z com base em Ts . Note que o equivalente discreto
de um sistema contı́nuo é então definido por duas partes: método
de discretização e o perı́odo de amostragem. Consequentemente,
pode-se dizer que o plano-z pode conter múltiplas representações de um
mesmo e único sistema contı́nuo (ASTROM; WITTENMARK, 2011).
Esse mapeamento múltiplo do domı́nio s para o domı́nio z so-
mente é possı́vel porque o plano-z é “flexı́vel” em termos de sua “densi-
dade numérica”. Ou seja, o perı́odo de amostragem é capaz de modificar
a capacidade do domı́nio z de representar mais ou menos modos dinâ-
26
Tabela 6 – Mapeamento aproximado entre o plano-s e plano-z.

Método Aproximação
Forward s := T1s (z − 1)
( z−1 )
1
Backward s := Ts z
Tustin s := T2s (z−1)
(z+1)
micos, tal que quanto menor se torna o valor de Ts , mais denso

se torna o plano-z. Isso explica como o plano-s, definido em um uni-
verso de discurso infinito, pode ser representado dentro de um cı́rculo
unitário. Consequentemente, quando Ts → 0, o universo de discurso
do plano-z é dividido por zero e o circulo unitário passa a ter densidade
infinita, fazendo com que s e z coincidam.
Na prática, a coincidência entre s e z é hipotética até que se
possa considerar precisamente que Ts → dt → 0. No entanto, seria esta
a melhor solução? Neste curso, defenderei a alternativa contrária, bus-
cando a utilização da menor quantidade de recursos de processamento
possı́vel.
Confira na Tabela 6 que cada método de aproximação tem uma
complexidade especı́fica e que determina a precisão da aproximação.
Além disto, a escolha do perı́odo de amostragem pode influenciar na
localização dos pólos mapeados para o plano-z.
Na Fig. 8 é possı́vel verificar as consequências dos mapeamentos
para os três métodos de aproximação sob análise. A região hachurada
representa as possibilidades de mapeamento de pólos estáveis em s para
o domı́nio z, para os métodos Forward, Backward e Tustin.
Pelo método Forward, raı́zes no semi-plano esquerdo
do plano-s podem ser pólos instáveis (ou zeros de fase não-
mı́nima) em z (FRANKLIN et al., 1997).
1.4.2 Efeitos da amostragem em sistemas obtidos por aproxi-

mações
De uma maneira geral, os maiores problemas em controle digital,

quando métodos de aproximação são utilizados, estão relacionados à
sub-amostragem.
O Teorema de Amostragem de Nyquist pode ser considerado
como limitante de modo a evitar os problemas de sub-amostragem.
No entanto, quando são utilizados métodos de discretização por apro-
ximações, o erro inserido pela aproximação de Euler para a derivada
27
Figura 8 – Consequências da aproximação para os casos Forward,

Backward e Tustin.
inviabiliza a consideração de Nyquist. Via de regra, para aplicações em

controle digital, se espera que o algoritmo de controle possa ter ciclos
de 4 a 10 vezes mais rápidos que a dinâmica fundamental que se quer
controlar. No caso de sistemas mal modelados, não-lineares, incertos,
de dinâmicas muito velozes (e.g., fenômenos eletromagnéticos), pode
ser necessário que o algoritmo de controle opere em taxas 20 ou mais
vezes mais veloz que a dinâmica a ser controlada.
A elevação indiscriminada da frequência de amostragem pode
também trazer problemas de super-amostragem. Estes, apesar de não
possuı́rem um teorema limite, como no caso mı́nimo de Nyquist, exi-
gem bom senso do projetista na hora de definir a taxa de amostragem
(i.e., fs = 1/Ts ). Se fs for demasiadamente grande, dinâmicas lentas
passam a se comportar como fenômenos estáticos. Os pólos lentos são
espremidos no lado direito do cı́rculo unitário do plano-z para abrirem
espaço às dinâmicas mais velozes na região esquerda do plano-z.
Um simples teste para mostrar o efeito da super-amostragem
pode ser feito rapidamente com o MATLAB. Para um sistema lento
descrito por
1
G(s) = ,
s+1
obtenha dois equivalente discretos pelo método de Tustin, sendo um
a 10Hz e outro a 10MHz. Verifique a localização do pólo discreto ob-
tido nos dois casos e você verá que o caso de 10MHz se tornou um
“integrador” puro.
O efeito da super-amostragem torna-se preocupante em sistemas
multivariáveis ou os que incorporam um grande número de variáveis
e dinâmicas distintas (e.g., modelos no espaço de estados). Sistemas
28
mecatrônicos geralmente compreendem variáveis mecânicas e elétricas,

sendo as elétricas normalmente muitas vezes mais velozes que as mecâ-
nicas. Na discretização, as variáveis mecânicas podem ser espremidas
no circulo unitário de forma a abarcar as dinâmicas elétricas no mesmo
modelo discreto.
Exercı́cio 1.1 Para os sistemas mostrados a seguir, obtenha as apro-
ximações forward, backward e de Tustin, avaliando a localização dos
pólos e zeros em cada caso. Depois, utilizando o Simulink, compare
os equivalentes discretos obtidos com os seus respectivos modelos con-
tı́nuos, a partir da resposta ao degrau.
0,9×22
a) G(s) = s2 +2×0,3×2s+22 . Use Ts = 0.1s.
b) G(s) = 0, 9 × 1
2s+1 . Use Ts = 0.1s.
1.5 APROXIMAÇÃO PELO SEGURADOR DE ORDEM ZERO
O Segurador de Ordem Zero ou Zero-Order Hold (ZOH) é o

método de discretização que fornece um equivalente discreto com base
no princı́pio de um sistema de aquisição de dados e controle digital, ou
seja, considera o intervalo em que o sistema sob análise encontra-se em
hold, pois o sinal aplicado na entrada da planta é uma sequência em
degrau proveniente do conversor D-A.
Desde o ano de 2013 passei a adotar a seguinte nomenclatura
para o método de aproximação via ZOH: Transformada ZOH (AS-
TROM; WITTENMARK, 2011). Isto se deve ao fato deste modelo de dis-
cretização usufruir da própria Transformada z, porém, com a inclusão
de um buffer 1/s na entrada da planta contı́nua antes da aplicação da
Transformada z, garantindo assim a inclusão da parte responsável pelo
conversor D-A no modelo do processo. Logo, a Transformada ZOH é
especı́fica para a discretização do modelo de planta. Ou seja,
tudo que não for algoritmo de controle/estimador/preditor
é planta, doravante designarei esta separação de separação planta-
computador.
O método de transformação via ZOH é realizado da seguinte
forma:
[ ]
( −1
) G(s)
G(z) = 1 − z Z , (1.26)
s
onde Z[.] denota a Transformada z.

29
A caracterı́stica ordem zero é obtida já que após a Transformada

z ser aplicada sobre o modelo de planta com integrador, G(s)/s, o
inverso do integrador no domı́nio discreto, 1−z −1 , é multiplicado sobre
a parte transformada, eliminando a ordem adicional, mas mantendo a
caracterı́stica de causalidade das etapas A-D e D-A, i.e., a inclusão de
1 (um) atraso de tempo discreto por causa da forma como as etapas de
conversão A-D e D-A operam no algoritmo de controle digital.
Exemplo 1.6 Transformada ZOH sobre um sistema genérico de pri-
meira ordem:
a 1 G(s) a
G(s) = = (1) → =
s+a a s+1
s s (s + a)
Fazendo-se a expansão em frações parciais, aplica-se então a Transfor-

mada z às partes, tal que
[ ] [ ] [ ]
G(s) 1 1
Z =Z −Z =
s s s+a
∞
∑ ∞
∑ 1 1
z −k − z −akTs = −1
− −aT s z −1
1−z 1−e
k=0 k=0
que após ser multiplicado por (1 − z −1 ) resulta em

Ts
(1 − e−aTs ) (1 − e− τ ) 1
G(z) = = Ts , τ = . (1.27)
z − e−aTs z−e τ− a
Reescrevendo-se a função de transferência em (1.27) na forma

de filtro,
( Ts
)
1 − e− τ z −1
G(z −1 ) = ( T ) , (1.28)
1 − e− τ z −1
s
fica evidente o atraso do segurador z −1 no numerador de G(z −1 ).

Astrom e Wittenmark (2011) apresentam em seu livro uma ta-
bela de Transformadas ZOH. Portanto, deve-se ter cuidado, já que o
método ZOH é válido para a discretização de sistemas existentes no
mundo fı́sico real e que são acessados por computador. Ou seja, respei-
tam a separação planta-computador. Portanto, não se deve confundir
a Transformada z com a ZOH, já que esta última acrescenta o sistema
A-D, D-A.
30
1.6 CARACTERÍSTICAS DE RESPOSTA TEMPORAL
1.6.1 Sistemas de primeira ordem com atraso – FOPDT
Uma planta com caracterı́sticas de resposta de primeira ordem

e com atraso (FOPDT, first-order plus dead time) (COELHO; COELHO,
2004) é usualmente descrita, na forma contı́nua e via função de trans-
ferência, por
Y (s) Kp e−θs
G(s) = = (1.29)
U (s) τs + 1
onde Kp é o ganho estático da planta, θ é o atraso de transporte (ou

tempo morto) contı́nuo e τ é a constante de tempo.
A caracterı́stica elementar da resposta temporal de um processo
de primeira ordem é a ausência de modos oscilatórios. Como exemplo,
considere os dois modelos mostrados a seguir:
e−s
Gp1 (s) = , (1.30)
s+1
e−s
Gp2 (s) = . (1.31)
(s + 1)(0.1s + 1)
Observe, na Fig. 9, que a resposta ao degrau para ambos sistemas em

(1.30) e (1.31), fornece praticamente a mesma caracterı́stica de resposta
no tempo, apesar de que Gp2 (s) está sendo representado com um pólo
a mais e cuja constante de tempo é 0.1s, mas que pouco influencia na
dinâmica do sistema, já que o pólo dominante é o de dinâmica mais
lenta.
Na resposta temporal de processos que podem ser modelados
como sistemas de primeira ordem, o que se tem é a ausência do so-
bressinal, uma constante de tempo tau que corresponde ao inı́cio da
subida da curva de resposta até que esta atinja 63, 2% do valor de re-
gime. Além disso, no exemplo da Fig. 9, o degrau unitário foi aplicado
no instante t = 0s, sendo que o sistema levou 1, 0 segundo para reagir
devido ao atraso de transporte.
O desempenho de sistemas tipo FOPDT é comumente relacio-
nado às seguintes caracterı́sticas (COELHO; COELHO, 2004):
• Tempo de subida (tr , rise time): intervalo de tempo que leva para
a saı́da ir de 10% a 90% do valor de estabilização. É diferente
31
0.8
X: 2
Y: 0.6321
Saída
0.6
0.4
0.2
Gp1
θ τ
Gp2
0
0 2 4 6 8 10
Tempo (s)
Figura 9 – Resposta ao degrau unitário dos modelos em (1.30) e (1.31).
para sistemas sub-amortecidos, onde considera-se o intervalo de

0% a 100%;
• Tempo de estabilização (ts , settling time): tempo para que a
saı́da entre e permaneça na faixa de ±2% do seu valor em regime
permanente.
O código de simulação para reproduzir o exemplo da Fig. 9 é

mostrado na Tabela 7.
Tabela 7 – Código MATLAB: resposta caracterı́stica de sistemas de

primeira ordem com atraso.
G1=tf(1,[1 1],’inputdelay’,1);
G2=tf(1,conv([1 1],[0.1 1]),’inputdelay’,1);
[y1,t1]=step(G1,10); [y2,t2]=step(G2,10);
figure(1);
plot(t1,y1,’b’,t2,y2,’r’,’linewidth’,1.5);
legend(’G_p_1’,’G_p_2’,0);
axis([0 t2(end) 0 1.2]);
ylabel(’Saı́da’); xlabel(’Tempo (s)’);
32
Exemplo 1.7 Transformada ZOH de um sistema com atraso.

O equivalente discreto do sistema em (1.29) obtido via método
ZOH é dado por
( ) ( )
1 − e− τ z −( Ts +1)
Ts θ Ts
1 − e− τ z −d
G(z −1 ) = Kp ( T ) = Kp ( T ) , (1.32)
1 − e− τ z −1 1 − e− τ z −1
s s
( )
onde d = Tθs + 1 considera a contribuição do tempo morto do pro-
cesso mais o atraso do segurador.
O resultado do Exemplo 1.7 é uma forma canônica da teoria de

sistemas lineares e deve ser guardada na memória do engenheiro de con-
trole e sistemas já que uma grande quantidade de sistemas fı́sicos reais
apresenta caracterı́stica de resposta temporal representável por modelo
FOPDT. Observe que este resultado mapeia os domı́nios contı́nuo e
discreto através de Ts , τ , θ e Kp .
Uma outra forma canônica, generalizada, para representar siste-
mas FOPDT discretos é apresentada a seguir:
B(z −1 ) b0 z −d
G(z −1 ) = −1
= . (1.33)
A(z ) 1 + a1 z −1
Esta forma canônica será muito utilizada durante o curso, já que a mai-
oria dos algoritmos que iremos implementar contarão com uma versati-
lidade grande justamente pela generalização de como representaremos
sinais e sistemas. Observe o elo direto entre os parâmetros b0 e a1 em
relação aos parâmetros ligados ao tempo contı́nuo na função mostrada
em (1.32).
1.6.2 Modelagem FOPDT pela resposta ao degrau
Para sistemas sobreamortecidos e assintoticamente estáveis em

malha aberta (M.A.) (tipo-0, i.e., sem integrador natural), é possı́vel
modelar experimentalmente estes processos se existir datalog de entrada
e saı́da (causa e efeito) do processo, para entrada do tipo degrau.
Tomando como referência uma curva de reação ao degrau como
as mostradas na Fig. 9, os parâmetros do modelo FOPDT podem ser
obtidos da seguinte maneira:
Ganho estático: variação da saı́da, ∆y = y(∞) − y(0), dividida
33
pela variação da entrada em degrau, ∆u = u(∞) − u(0):
∆y
Kp = . (1.34)
∆u
Constante de tempo: intervalo de tempo τ no qual a saı́da atinge
63, 2% do seu valor em regime permanente y(∞), onde
y(τ ) = 0, 632y(∞). (1.35)
Atraso de transporte ou tempo morto: intervale de tempo θ entre

o instante da aplicação do degrau até a saı́da apresentar alguma reação.
1.6.3 Sistemas de segunda ordem com atraso – SOPDT
Um modelo contı́nuo de segunda ordem com atraso (SOPDT,

second-order plus dead time) pode ser representado pela seguinte forma
canônica:
Kp ωn 2 e−θs
G(s) = , (1.36)
s2 + 2ζωn s + ωn 2
onde ωn é a frequência natural do sistema (em rad/s) e ζ é o fator de

amortecimento, tal que
ζ < 1, sistema sub-amortecido;

ζ = 1, sistema criticamente amortecido;
ζ > 1, sistema sobre-amortecido.
O caso sub-amortecido apresenta caracterı́sticas particulares na

resposta temporal devido a presença de pólos complexos conjugados que
acrescentam ao sistema componentes senoidais. Neste caso, a resposta
ao degrau unitário do sistema em (1.36) é (COELHO; COELHO, 2004)
y(t + θ) =
1 [ √ ( /√ )]
1− √ e−ζωn t cos ωn 1 − ζ 2 t − tg−1 ζ 1 − ζ2 .
1 − ζ2
(1.37)
Na Fig. 10 é mostrada a resposta ao degrau unitário para a classe

de sistemas sub-amortecidos baseados em (1.36), onde são destacadas
algumas informações importantes, como (COELHO; COELHO, 2004):
34
• Tempo de subida, tr : para sistemas sub-amortecidos é o intervalo

de tempo para a resposta ir de 0% a 100% do valor da saı́da
em regime, y(∞). Para sistemas sobre-amortecidos, utiliza-se o
intervalo entre 10% a 90%.
• Tempo de pico, tp : é o tempo até o primeiro pico de sobre-sinal,

/ √
tp = π ωn 1 − ζ 2 . (1.38)
• Tempo de estabilização, ts : tempo até a resposta entrar na faixa

de ±2% do valor da saı́da em regime y(∞), onde uma aproxima-
ção razoável é obtida por
ts = 4/ζωn . (1.39)
• Resposta ao degrau em regime permanente (steady-state), y(∞):

( )
y(∞) = lim sY (s) = lim 1 − z −1 Y (z −1 ). (1.40)
s→0 z→1
• Percentual de overshoot, P O:
( /√ )
y(tp ) − y(∞) − πζ 1−ζ 2
PO = =e . (1.41)
y(∞)
1.6.4 Modelagem SOPDT pela resposta ao degrau
Utilizando a curva de reação ao degrau mostrada na Fig. 10

pode-se obter o ganho estático Kp tal como em (1.34), o fator de amor-
tecimento ζ e a frequência natural ωn , de sistemas sub-amortecidos
(ζ < 1), a partir de
v 
[ ]2 −1
u
 u 
ζ = t1 +
2π
( P O2 ) , (1.42)

 ln P O 

2π
ωn = √ . (1.43)
TP O 1 − ζ 2
35
Step Response
1.4
PO
+/− 2% PO
1.2 2
y(∞)
1
Amplitude
0.8
0.6 TPO
0.4
0.2
t tp t
θ r s
0
0 2 4 6 8 10 12 14 16 18 20
Time (seconds)
Figura 10 – Resposta ao degrau de um sistema sub-amortecido.
1.6.5 Equivalente discreto via ZOH de um sistema SOPDT:
Y (s) Kp ωn 2 e−θs Ts Y (z −1 ) (b0 + b1 z −1 )z −d

= 2 ←→ −1
= ,
U (s) 2
s + 2ζωn s + ωn ZOH U (z ) 1 + a1 z −1 + a2 −2
(1.44)
36
onde,
√
ω = ωn 1 − ζ 2, ζ < 1
α = e−ζωn Ts
β = cos(ωTs )
γ = sen(ωTs )
( )
ζωn
b0 = 1 − α β + γ (1.45)
ω
( )
ζωn
2
b1 = α + α γ−β
ω
a1 = −2αβ
a2 = α 2
Falta a referência para essas equações!

37
1.7 ESTABILIDADE DE SISTEMAS DISCRETOS
Para definirmos o conceito de estabilidade de uma forma ge-

ral, consideremos um sistema — possivelmente não-linear e variante no
tempo — descrito por
x(k + 1) = f (x(k), k) (1.46)
e que x0 (k) e x(k) são soluções desse sistema (1.46) quando as condições
iniciais são, respectivamente, x0 (k0 ) e x(k0 ). Pode-se então dizer que:
• ESTABILIDADE: a solução x0 (k) do sistema em (1.46) é estável
se para um dado ε > 0 exista um δ (ε, k0 ) > 0 tal que todas as solu-
ções com x(k0 ) − x0 (k0 ) < δ sejam tais que ∥x(k) − x0 (k)∥ < ε
para k ⩾ k0 . Isto quer dizer que, dado um estı́mulo impulsivo do
tipo delta de Kronecker aplicado no instante k0 sobre o sistema
em (1.46), este será dito estável se houver decaimento de energia
entre uma condição futura e uma condição inicial x0 (k), energia
esta representada pela norma ∥x(k) − x0 (k)∥.
Um conceito mais “forte” de estabilidade é o de Estabilidade
Assintótica, definido a seguir:
• ESTABILIDADE ASSINTÓTICA DE SISTEMAS LINEARES:

um Sistema Linear Discreto Invariante no Tempo é assintotica-
mente estável se e somente se todos os seus pólos/autovalores
estiverem localizados dentro do cı́rculo unitário.
Obs: note também que a estabilidade assintótica implica em “es-

tabilidade” e em BIBO (Bounded-Input Bounded-Output) estabilidade
— caso em que a estabilidade é garantida devido a limitações naturais
das variáveis de entrada e saı́da da planta.
Com os mencionados conceitos de estabilidade apresentados, fica
evidente que a forma mais simples e eficaz de se avaliar a estabilidade
de sistemas lineares discretos é pela determinação de seus pólos. No
entanto, existem outras formas de avaliar a estabilidade de sistemas
lineares discretos, como o Critério de Jury, que dispensa o cálculo das
raı́zes de sistemas polinomiais; análise do Lugar Geométrico das Raı́-
zes; Critério de Nyquist; Diagrama de Bode; via Funções de Lyapunov.
Nesta aula, enfatizaremos apenas o método por Critério de Jury, en-
quanto que os métodos gráficos serão utilizados e comentados durante
38
o resto do curso em Controle Digital pelo uso em trabalhos de projeto

de controladores.
1.7.1 Critério de Jury
O critério de Jury é a versão discreta do de Routh-Hurwitz, sendo

um algoritmo interessante para a análise de estabilidade de sistemas
lineares discretos, pois dispensa a verificação dos pólos do sistema sob
análise. Considere o seguinte exemplo (ASTROM; WITTENMARK, 2011):
B(z)
G(z) = . (1.47)
α0 z n + α1 z n−1 + · · · + αn
A tabela de Jury do sistema (1.47), quando α0 > 0, é formada
por
α0 α1 ··· αn
αn αn−1 ··· α0
β0 β1 ···
βn−1 βn−2 ··· (1.48)
c0 c1 ···
cn−2 cn−3 ···
..
.
onde,
αn αn αn
β0 = α0 − αn ; β1 = α1 − αn−1 ; · · · ; βk = αk − αn−k
α0 α0 α0
βn−1
ck = βk − βn−1−k ; · · ·
β0
(1.49)
• O critério de estabilidade de Jury estabelece que, se α0 > 0, então

todos os pólos do sistema estarão dentro do cı́rculo unitário se e
somente se todos os termos da primeira coluna das linhas ı́mpares
forem positivos.
• Se nenhum elemento da primeira coluna das linhas ı́mpares for

nulo, o número de raı́zes fora do cı́rculo unitário é igual ao nú-
mero de elementos negativos. Se tiver um ou mais elementos
39
nulos nessa coluna, não há como afirmar o número de pólos ins-
táveis.
• Uma condição necessária para a garantia de estabilidade é a ve-

rificação de
A(1) > 0 (1.50)

n
(−1) A(−1) > 0 (1.51)
onde A(z) é o polinômio caracterı́stico da função de transferência

sob análise, dada por
B(z) B(z −1 )z −1
G(z) = ou G(z −1 ) = . (1.52)
A(z) A(z −1 )
Exemplo 1.8 Aplicação do critério de Jury sobre um sistema de pri-

meira ordem:
Y (z) (1 − zd )
= . (1.53)
Yr (z) z − zd
A tabela de Jury para a função em (1.53) é construı́da com base em

(1.47) e (1.48), sendo esta
z1 z0
linha 1 1 −zd
(1.54)
linha 2 −zd 1
linha 3 β0
(−zd )
β0 = 1 − × (−zd ) → β0 = 1 − zd 2 . (1.55)
1
De acordo com o critério de estabilidade de Jury, o sistema em
(1.53) será estável se β0 > 0, que fornece a relação elementar de que
pólos estáveis no plano-z estão contidos dentro do cı́rculo unitário.
1.8 TEOREMA DO VALOR FINAL E TEOREMA DO VALOR INI-

CIAL
• Teorema do valor inicial (TVI): aplicável somente a sistemas es-

tritamente próprios, ou seja, cuja ordem do numerador é menor
40
que a do denominador,
( )
f (0) = lim 1 − z −1 F (z). (1.56)
z→∞
• Teorema do valor final (TVF): aplicável somente a sistemas as-

sintoticamente estáveis,
( )
z−1 ( )
f (∞) = lim f (k) = lim F (z) = lim 1 − z −1 F (z −1 ).
k→∞ z→1 z z→1
(1.57)
1.9 PROBLEMAS
Problema 1.1 Para os sistemas mostrados a seguir, verifique se estes

são BIBO estáveis e aplique o teorema do valor final (TVF) (quando
possı́vel) para determinar o valor da saı́da em regime permanente, i.e.
y(k → ∞), para quando uma entrada do tipo degrau unitário é aplicada:
a)
0.09056z + 0.08194
G(z) =
z 2 − 1.724z + 0.7408
b)
0.01765z 2 + 0.07475z + 0.0195

G(z) =
z 3 − 3.372z 2 + 3.583z − 1.221
Problema 1.2 Para os sistemas mostrados a seguir, determine os equi-

valentes discretos pelo método ZOH usando uma frequência de amos-
tragem fs = 10Hz:
a)
0.9e−1s
G(s) =
s+1
b)
8e−2s
G(s) =
s2 + 2s + 4
41
c)
1
G(s) =
(s + 1)2
d)
(s + 2)
G(s) =
(s + 1)
Problema 1.3 Observe o gráfico mostrado na Fig. 11 e obtenha um

modelo contı́nuo por função de transferência que descreva o comporta-
mento de entrada e saı́da. Após, analise e discuta as condições mı́ni-
mas em termos da frequência de amostragem considerando o Teorema
de Amostragem de Nyquist-Shannon (i.e., fs = 2fc para FOPDT ou
fs = 2fn para SOPDT subamortecido) e as recomendações para aplica-
ções de análise e projeto de sistemas de controle digitais (i.e., fs 4–10
vezes mais veloz que fc para FOPDT, ou fn para SOPDT subamorte-
cido).
1.2
u(t): entrada
y(t): saída
1
0.8
Amplitude
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Tempo (s)
Figura 11 – Resposta de um sistema de primeira ordem com atraso de

transporte.
Problema 1.4 Os sistemas G1 (s) e G2 (s) mostrados a seguir apre-

sentam os diagramas de Bode mostrados na Figura 12. De acordo com
o Teorema de Amostragem de Nyquist, qual é a frequência de Nyquist
(fs para garantir a mı́nima condição de amostragem) para G1 (s) e para
G2 (s)? E quais deveriam ser as mı́nimas frequências de amostragem
42
para G1 (s) e para G2 (s) se a aplicação fosse a obtenção dos equiva-

lentes discretos via ZOH para análise e projeto de malhas de controle?
Obtenha estes equivalentes G1 (z) e G2 (z).
102
G1 (s) =
+ 2 × 0, 1 × 10s + 102
s2
1
G2 (s) =
0, 1s + 1
Bode Diagram
20
G1
0
G2
Magnitude (dB)
−20
−40
−60
−80
0
−45
Phase (deg)
−90
−135
−180
−1 0 1 2 3
10 10 10 10 10
Frequency (rad/sec)
Figura 12 – Diagramas de Bode de um sistema FOPDT e um SOPDT

subamortecido, ambos contı́nuos.
43
2 CAPÍTULO 2
Controladores digitais baseados em controladores analógicos. Con-

troladores PID digitais. Compensadores “lead-lag”. Conceitos de esta-
bilidade e desempenho robustos.
2.1 INTRODUÇÃO
Nesta etapa do curso se espera que o leitor tenha revisado sa-

tisfatoriamente os métodos de discretização apresentados e tenha um
conhecimento razoável sobre como realizá-los “à mão” e auxiliado por
computador. Também, que seja capaz de modelar experimentalmente
processos tipo FOPDT e SOPDT a partir de curvas de reação pela
resposta ao degrau e que entenda as caracterı́sticas de causalidade ine-
rentes de como um computador acessa o mundo fı́sico, tal como uma
malha de controle digital o faz. Isto estabelece a “Transformada ZOH”
como o método padrão para a representarmos sistemas fı́sicos a partir
da perspectiva de um computador.
Neste capı́tulo trataremos então de controladores digitais base-
ados em controladores analógicos da famı́lia PID e avanço-atraso (do-
ravante designado lead-lag), mostrando como as aproximações podem
influenciar negativamente no resultado esperado, mas também como é
possı́vel produzir um mapa entre o controlador digital e às topologias
mais comuns que técnicos e engenheiros de chão de fábrica conhecem
da teoria de controle contı́nuo.
2.2 CONTROLADORES DIGITAIS BASEADOS EM CONTROLA-

DORES ANALÓGICOS
Vamos restringir nosso estudo nesta seção aos controladores da

famı́lia PID e lead-lag. No entanto, isto nos permitirá discretizar por
métodos de aproximação, todos os controladores lineares contı́nuos exis-
tentes, já que a teoria de sistemas lineares descreve todos os seus siste-
mas com base em operações P, I, D.
Comecemos com as três topologias mais comuns de controladores
PID: PID Ideal, PID Série e PID Paralelo, respectivamente representa-
dos pelos diagramas das figuras 13, 14 e 15.
Dentre as topologias apresentadas nas figuras 13, 14 e 15, a mais
44
Figura 13 – PID Ideal.
Figura 14 – PID Série.
Figura 15 – PID Paralelo.

45
comum dentro do ambiente acadêmico brasileiro é a paralela, que evi-

dencia os ganhos separadamente. Desse modo, vamos utilizar esta to-
pologia para nossos estudos neste curso.
Conforme apresentado no Capı́tulo 1, o domı́nio discreto permite
múltiplas representações de um mesmo sistema contı́nuo, cujo elo entre
contı́nuo e discreto é definido pelo perı́odo de amostragem e método
de discretização. Desse modo é possı́vel afirmar que não há um único
PID Digital baseado no PID Paralelo. É possı́vel, inclusive, discretizar
a parte derivativa e a parte integral utilizando aproximações distintas
(ASTROM; WITTENMARK, 2011).
Consideremos então que y(t), u(t), yr (t), e(t) = yr (t) − y(t), são,
respectivamente, os sinais de saı́da da planta, sinal de controle, sinal de
referência e sinal de erro, a lei de controle do PID Paralelo é descrita
por
∫
d
u(t) = kc e(t) + ki e(t)dt + kd e(t), (2.1)
dt
onde kc , ki , kd , são os ganhos PID conforme apresentado no diagrama
da Figura 15.
De uma maneira intuitiva, podemos considerar que no domı́nio
discreto a integral seria simplesmente o acúmulo das amostras do erro
ponderadas por um dt := Ts e que a derivada poderia ser a variação do
erro dentro de um intervalo dt := Ts , de tal maneira que
∞
∑ kd
u(k) = kc e(k) + ki Ts e(k − n) + [e(k) − e(k − 1)] . (2.2)
n=0
Ts
Observe em (2.2) que a aproximação adotada para a parte inte-

gral tem sérios problemas em relação ao somatório de infinitos termos
e(k − n). Por exemplo, em aplicações embarcadas em microcontrola-
dores com pequena quantidade de memória RAM a lei de controle em
(2.2) se tornaria inviável.
Se recordarmos sobre o modelo ZOH, este parte do princı́pio de
que existe um buffer que sustenta o comando u(k) até que um novo
comando seja calculado no próximo perı́odo de amostragem. Desse
modo, podemos estabelecer que todo controlador digital embasado so-
bre o modelo ZOH pode usufruir do incremento de controle, ou
seja,
u(k) = u(k − 1) + ∆u(k), ∆ = 1 − z −1 . (2.3)

46
u(k) é então composto do valor já sustentado no buffer do segurador

mais o incremento, ∆u(k). Todo controlador digital com ação de
controle incremental (“integral”) possui então a parcela ∆u(k).
Algoritmos incrementais permitem então a aproximação da ação
integral sem que para isto seja necessário o uso de somatório de infi-
nitos termos ou alguma aproximação nessas proporções. O cálculo do
incremento de controle pode então ser obtido a partir de
∆u(k) = u(k) − u(k − 1). (2.4)
Retirando o primeiro termo do somatório (i.e., n = 0) em (2.2),

esta pode ser reescrita como
u(k) =
∞
∑ kd
kc e(k) + ki Ts e(k) + ki Ts e(k − n) + [e(k) − e(k − 1)] .
n=1
Ts
(2.5)
Partindo da equação original de u(k), em (2.2), pode-se obter

u(k−1) deslocando toda expressão 1-passo para trás no tempo discreto,
tal que
u(k − 1) =
∞
∑ kd
kc e(k − 1) + ki Ts e(k − n − 1) + [e(k − 1) − e(k − 2)] .
n=0
Ts
(2.6)
A diferença entre (2.5) e (2.6) elimina o somatório e compacta

essa aproximação do PID Paralelo à seguinte lei de controle digital:
[ ]
kd
∆u(k) = kc + ki Ts + e(k)
Ts
[ ] [ ]
kd kd
+ −kc − 2 e(k − 1) + e(k − 2). (2.7)
Ts Ts
Observe que se reescrevêssemos a lei de controle do PID Digital

mostrado em (2.7) como
∆u(k) = s0 e(k) + s1 e(k − 1) + s2 e(k − 2), (2.8)
e se fosse eliminada a parte derivativa (i.e., kd = 0), verı́amos que um

47
PI Paralelo seria composto simplesmente por
∆u(k) = s0 e(k) + s1 e(k − 1). (2.9)
É importante destacar que não se faz necessário que se repita

sempre esta forma de obter controladores incrementais, com a elimina-
ção do somatório pelo cálculo de ∆u(k). Na verdade esta é uma carac-
terı́stica intrı́nseca de controladores de estrutura definida que possuem
ação integral no caso contı́nuo e que consequentemente vão gerar ação
incremental no caso discreto. Por exemplo, já que d/dt = s quando as
condições iniciais do controlador são nulas (i.e., descrito como função de
transferência) ou este é um sistema estável (ASTROM; WITTENMARK,
2011), a lei de controle em (2.1) pode ser reescrita como
1
U (s) = kc E(s) + ki E(s) + kd sE(s), (2.10)
s
sendo possı́vel aplicar as aproximações forward, backward ou Tustin
diretamente a partir das relações entre s e z, tal como apresentado no
Capı́tulo 1.
Exemplo 2.1 Análise da influência do perı́odo de amostragem Ts so-

bre o comportamento esperado pelo caso contı́nuo e o comportamento
obtido pela aproximação digital:
Consideremos uma planta sub-amortecida de ganho estático uni-
tário, frequência natural igual a 2 rad/s e coeficiente de amortecimento
0, 3. Construa em Simulink ou similar, os diagramas de simulação com
o controlador PID Paralelo contı́nuo e discreto, e avalie a influência
de Ts sobre os sinais de controle e de saı́da, comparando como o au-
mento de Ts afeta a estabilidade da malha de controle digital em face
ao resultado esperado pelo caso contı́nuo.
Use blocos ZOH entre o modelo contı́nuo da planta para imple-
mentar a malha com o controlador digital.
A sintonia do controlador pode ser estabelecida por tentativa e
erro ou por algum método de sintonia PID de sua escolha, encontrado
na respectiva literatura, tal como o método mostrado na Tabela 8. Ob-
serve que o mesmo conjunto de ganhos deve ser utilizado para as simu-
lações contı́nua e discreta.
48
Tabela 8 – Sintonia PID IMC (MORARI; ZAFIRIOU, 1989).
!"#$!% &'()!('*%
56τ + θ7
24 = %
2 1 56τ + + θ7
+,-./%
62 4
2 1 # −θ0 2' = %
% 56τ + θ7
τ0 + 3
2 4 τθ
2" = %
65θ + τ7
6ζτ
24 = %
&,-./% 2 1 5θ + τ + 7
24
2 1 # −θ0 2' = %
% 6ζτ
τ 6 0 6 + 6ζτ0 + 3
τ2 4
2" = %
6ζ
θ + 6τ +
24 = %
2 1 5θ + τ + 7 6
8-./%
24
2 1 # −θ0 2' = %
% 5θ + 6τ7
0
2 46
2" = %
92 '
2.3 FORMA CANÔNICA RST
A forma canônica RST, ou estrutura RST, é uma forma generali-

zada de representar uma malha de controle atuando sobre um processo
G(z), tal como é apresentado na Figura 16.
A forma RST permite então que funções lineares genéricas pos-
sam ser atribuı́das às partes R(z), S(z), T (z), tal que a lei de controle
generalizada seja descrita por
R(z −1 )u(k) = T (z −1 )yr (k) − S(z −1 )y(k). (2.11)
Neste curso vamos considerar que às partes RST serão represen-
49
Figura 16 – Forma canônica RST.
tadas por polinômios generalizados definidos no domı́nio do operador

de atraso de tempo discreto z −1 , tal que
R(z −1 ) = r0 + r1 z −1 + · · · + rnr z −nr , (2.12)

−1 −1 −ns
S(z ) = s0 + s1 z + · · · + sns z , (2.13)
−1 −1 −nt
T (z ) = t0 + t1 z + · · · + tnt z . (2.14)
Matematicamente é possı́vel obter qualquer solução linear dese-

jada a partir da relação RST com a planta G(z) . Em outras palavras,
veremos que é possı́vel realizar qualquer alocação de pólos e zeros dese-
jada pelo uso da estrutura RST. No entanto, as limitações estão muitas
vezes ligadas às dificuldades em resolver as equações de Diophantine
envolvidas nos problemas de ordem elevada, já que existem infinitas
soluções para o mesmo problema. De qualquer modo, mais adiante
neste curso seguiremos alguns casos de sucesso que vão restringir esse
universo de soluções a partir de métodos sistematizados de projetos.
Além da possibilidade irrestrita de soluções no domı́nio linear,
a forma RST garante uma maneira matematicamente justa de se ca-
racterizar sistemas de controle e estimação/predição. Um sistema de
controle organizado na forma RST pode ser comparado a outro estru-
turalmente para que se tenha certeza, de que de fato há diferenças
nas topologias de controle e não meramente uma diferença de sintonia.
Para enfatizar este ponto, consideremos uma forma de visualizar o PID
Digital de um outro ponto de vista no exemplo a seguir.
Exemplo 2.2 PID Digital reescrito na forma RST:
∆u(k) = s0 e(k) + s1 e(k − 1) + s2 e(k − 2),
R(z −1 ) = ∆ = 1 − z −1 ,
50
S(z −1 ) = T (z −1 ) = s0 + s1 z −1 + s2 z −2 .
Este controlador, distribuı́do em todos os sinais de interesse de uma

malha de controle, é exatamente igual ao controlador inteiramente con-
centrado na malha direta, antecedendo G(z), por exemplo, tal como o
PID é comumente conhecido na literatura. No entanto, pergunte-se se
você reconheceria o PID digital se este fosse apresentado em um dia-
grama como o da Figura 16.
Existem muitos métodos avançados de projetos de controladores
baseados em modelo que resultam em estruturas baseadas na famı́lia
PID, simplesmente por herança do modelo de projeto utilizado. Quando
isto ocorre, alguns autores são levados a apontar resultados melhores
justificado na forma de um “novo controlador” onde em certos casos é
simplesmente uma sintonia melhor de um bom e velho PID. Mais adi-
ante no curso veremos um exemplo desta natureza com um projeto pelo
método LQR ( Linear Quadratic Regulator que simplesmente sintoniza
de maneira ótima um I-PD digital.
2.4 “MÁSCARA” DE SINTONIA DIGITAL PARA CONTÍNUA
Em certas aplicações industriais pode existir alguma necessidade

de que um sistema de controle digital exponha os parâmetros de sintonia
em uso na forma de parâmetros conhecidos da literatura de Controle
e Sistemas contı́nuos. No caso de controladores da famı́lia PID, há a
necessidade de expor os ganhos, por exemplo.
Uma máscara analógica para o PID Digital apresentado nas
equações (2.7) e (2.8) poderia ser obtida da seguinte forma:
kd = Ts s2
Ts s2
−kc − 2 = s1 → kc = −s1 − 2s2
Ts (2.15)
Ts s2 s0 + s1 + s2
−s1 − 2s2 + ki Ts + = s0 → ki =
Ts Ts
É importante destacar que cada aproximação discreta, ou cada versão

discreta de um controlador analógico, acarreta “máscara” contı́nua es-
pecı́fica. Logo, não há como garantir que o PID analógico que utilizar
tal sintonia digital transferida vai operar de maneira equivalente ao
controlador digital, tal como o caso contrário também não é verdadeiro
devido às perdas por aproximações diversas (e.g., dt := Ts ).
51
Quando as perdas por aproximações são aceitáveis, kc , ki e kd ,

obtidos pela relação com o algoritmo digital, podem ser utilizados como
um ponto de partida para um ajuste fino a posteriori.
Exercı́cio 2.1 Utilizando o método de aproximação de Tustin, encon-

tre o equivalente discreto (em função dos ganhos e Ts ) do controlador
PID,
∫
d
u(t) = kc e(t) + ki e(t)dt + kd e(t), (2.16)
dt
apresentando o seu resultado na forma RST. Ou seja, a relação de
sintonia entre os parâmetros kc , ki , kd , e os polinômios RST.
Esboce o diagrama de uma malha de controle digital RST para
uma planta G(s). Lembre-se de incluir os conversores D-A e A-D. Es-
boce também o diagrama equivalente desse controlador RST conectado
na malha direta, ou seja, entre e(k) e u(k).
Exercı́cio 2.2 Utilizando o método de aproximação forward para a

parte integral e backward para a parte derivativa, encontre o equivalente
discreto (em função dos ganhos e Ts ) do PID mostrado seguir:
U (s) 1
= kc + ki + kd s. (2.17)
E(s) s
Exercı́cio 2.3 Para a malha de controle digital mostrada a seguir:
Y (z) C(z)G(z)
= , (2.18)
YR (z) 1 + C(z)G(z)
onde
b0 z
G(z) = , (2.19)
z 2 + a1 z + a2
s0 z 2 + s1 z + s2
C(z) = , (2.20)
z2 − z
com s0 = 1, s1 = a1 , s2 = a2 , verifique as condições que garantem a
estabilidade do sistema em malha fechada (MF).
Exercı́cio 2.4 Para uma malha de controle digital descrita por
Y (z −1 ) C(z −1 )G(z −1 )
−1
= , (2.21)
YR (z ) 1 + C(z −1 )G(z −1 )
52
onde
(b0 + b1 z −1 )z −1
G(z −1 ) = , (2.22)
1 + a1 z −1 + a2 z −2
s0 z −1 + s1 z −1 + s2z −2
C(z −1 ) = , (2.23)
1 − z −1
esboce um algoritmo que realize a simulação desta malha de controle
em linha de código de programa. Após, utilize o seu algoritmo e imple-
mente o algoritmo em linguagem MATLAB. Para isto, considere uma
planta de segunda ordem estável e subamortecida. Sintonize um contro-
lador PID que garanta uma resposta em malha fechada estável. Após,
discretize planta e controlador e teste no Simulink. Repita a simula-
ção digital por linha de código em m-file do MATLAB e compare se
Simulink e MATLAB fornecem o mesmo sinal de controle e saı́da.
2.5 CONTROLADORES DIGITAIS BASEADOS NO DOMÍNIO W
Nesta seção se fará uma breve discussão sobre um domı́nio par-

ticular de projeto denominado como domı́nio w. Este nome se deve a
difusão do método nos livro do Ogata (1987). Nestes livros, o domı́nio
w é referenciado como parte do tópico de projeto com base em resposta
em frequência.
A análise e projeto de sistemas no domı́nio w nos permite utilizar
as técnicas do domı́nio da frequência contı́nuo, s, para projetar con-
troladores contı́nuos e posteriormente discretizá-los através de alguma
forma de aproximação para o domı́nio z, como forward, backward e de
Tustin.
A Transformação w ou a transformada ao domı́nio w se dá da
seguinte forma:
T T
G(s) ←→
s
G(z) ←→
s
G(w), (2.24)
ZOH Tustin
onde a transformação de Tustin indicada em (2.24) se dá na direção

discreta para contı́nua, logo, utilizando a mesma relação da Tabela 6
mostrada no Capı́tulo 1, mas reescrevendo-se em função do domı́nio
contı́nuo “virtual” w, a equivalência aproximada entre domı́nios é
1 + (Ts /2)w
z := . (2.25)
1 − (Ts /2)w
53
O sistema G(w) é então uma versão aproximada contı́nua de um

sistema G(s) como se tivesse um dispositivo de conversão D-A conec-
tado à entrada. Desse modo, quando um controlador C(w), sintonizado
no domı́nio w, é testado sobre G(w), se tem menores desvios quando
Cw (z), um equivalente discreto de C(w), é aplicado sobre G(z), já que
o modelo G(w) incorpora o ZOH na entrada da planta de uma forma
aproximada. O mesmo não acontece quando se projeta um controlador
C(s) para uma planta G(s), ambos sistemas no domı́nio s.
É importante destacar que a conversão ao domı́nio w por Tustin
pode trazer alguns problemas na implementação da malha de controle,
tal como realizações não causais. Este problema será destacado no
Exemplo 2.3, pela consideração de um controlador PID aplicado sobre
um processo de segunda ordem no domı́nio w.
Para reduzir o grau de abstração desta explicação, consideremos
um exemplo para destacar as diferenças em projetar no domı́nio w em
relação ao domı́nio s, para aplicação em controle digital por obtenção de
equivalente discreto dos controladores contı́nuos. Faremos uma prática
com o auxı́lio do MATLAB para agilizar a obtenção dos resultados de
transformação entre domı́nios de projeto e análise.
Exemplo 2.3 Projeto de um controlador PID digital com base em um

PID sintonizado no domı́nio w.
Considere o seguinte sistema subamortecido:
kp ωn2
G(s) = , (2.26)
s2 + 2ζωn s + ωn2
onde kp = 1, wn = 2 rad/s, ζ = 0, 1.
Considerando a frequência de amostragem ωs = 10ωn = 2πfs ,
aproxima-se o perı́odo de amostragem para Ts = 1/fs ≈ 0, 3s.
Realizando-se a transformação mostrada em (2.24),
T T
G(s) ←→
s
G(z) ←→
s
G(w),
ZOH Tustin
0, 1679z + 0, 1613
G(z) = , (2.27)
z 2 − 1, 558z + 0, 8869
−0, 001934w2 − 0, 6242w + 4.247

G(w) = . (2.28)
w2 + 0, 4377w + 4, 247
54
O processo representado em (2.28) incorpora, de uma forma

aproximada, o comportamento de G(s) com ZOH conectado à entrada.
Desse modo, um controlador PID contı́nuo no domı́nio w é descrito
como
U (w) ki kd w 2 + kc w + ki
C(w) = = kc + + kd w = . (2.29)
E(w) w w
Observe que na malha direta, ou seja, na transferência do erro entre

referência e saı́da, E(w) para Y (w), a realização C(w)G(w) é não
causal, pois o polinômio do numerador será de quarta ordem enquanto
o do denominador será de terceira. Desse modo, para que seja possı́vel
realizar este projeto, será considerada somente a parcela PI, mantendo-
se kd = 0. Logo, para que seja possı́vel a realização deste projeto com
base em um PID, ao menos um compensador lag adicional é requerido
para aumentar a ordem do denominador da função de transferência de
malha direta.
Nos gráficos das figuras 17 e 18 é possı́vel observar que a repre-
sentação no domı́nio w permite uma boa aproximação de G(z) de um
ponto de vista macroscópico e pela análise do primeiro estágio do transi-
tório. No entanto, os gráficos da Figura 18 destacam alguns problemas
relativos à resposta impulsiva (negativa) incluı́da pela aproximação de
Tustin, além de que G(w) perde sincronismo (ou defasa-se) em relação
a G(s) e G(z) a longo prazo.
A sintonia do PI no domı́nio w foi realizada por tentativa e erro
onde se definiu kc = 0, 2 e ki = 0, 08. A versão discreta do PI foi obtida
T
fazendo-se C(w) −−−s−→ C(z), tal que
Tustin
0, 212z − 0, 188
C(z) = . (2.30)
z−1
O resultado prático do método de projeto no domı́nio w pode
ser observado na Figura 19. Nesta, observa-se que as curvas relativas
à malha de controle contı́nua (em w) são muito próximas das curvas
obtidas com a simulação discreta. Note, também, que a longo prazo
os resultados ficam defasados, tal como observado no caso em malha
aberta na Figura 18, o que torna evidente que o método possui limita-
ções devido aos problemas ligados às diferenças em fase. Plotando-se
o diagrama de Bode de G(s), G(w), G(z), pode-se verificar, na Figura
20, as diferenças de fase.
Para reproduzir este exercı́cio use o código de simulação em MA-
TLAB disponı́vel na Tabela 9.
55
Step Response Step Response
1.8
1.6 1.6
1.4 1.4
1.2 1.2
1
Amplitude
Amplitude
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
G(s) G(s)
0.2
0 G(z) G(z)
G(w) G(w)
0
−0.2
0 5 10 15 20 25 30 0 0.5 1 1.5 2 2.5
Time (sec) Time (sec)
Figura 17 – Comparação entre G(s), G(z), G(w). Boa aproximação no

primeiro estágio do transitório.
Step Response Step Response

−3
x 10
1.15
0
G(s)
1.1
G(z)
G(w)
−0.5
1.05
Amplitude
Amplitude
−1 G(s)
G(z) 1
G(w)
−1.5
0.95
−2
0.9
−2.5
−1 −0.5 0 0.5 1 1.5 14 15 16 17 18 19 20 21

Time (sec) −4 Time (sec)
x 10
Figura 18 – Comparação entre G(s), G(z), G(w). Destaque a condi-

ção não nula decorrente à utilização do método de Tustin e falhas na
aproximação a longo prazo em sistemas subamortecidos.
56
Resposta em MF: comparação dos domínios w e z.

1
0.8
Saída
0.6
0.4 yr(t)
0.2 Contínuo
Discreto
0
0 10 20 30 40 50 60
0.8
Controle
0.6
0.4
0.2 Contínuo
Discreto
0
0 10 20 30 40 50 60
Tempo (s)
Figura 19 – Resposta ao degrau das malhas de controle contı́nua e

digital, comprovando a boa aproximação do projeto no domı́nio w para
aplicações em controle digital.
Bode Diagram
50
0
Magnitude (dB)
−50
−100
G(s)
−150 G(w)
360
G(z)
180
Phase (deg)
−180
−360
−1 0 1 2 3 4
10 10 10 10 10 10
Frequency (rad/sec)
Figura 20 – Diagramas de Bode de G(s), G(w), G(z). Destaque para as

diferenças em fase.
57
Tabela 9 – Código em MATLAB referente ao Exemplo 2.3.
% Projeto de um controlador PID digital com base em um PID sintonizado

% no domı́nio w
% Descriç~
ao da planta a ser controlada
kp = 1; wn = 2; zeta = 0.1;
Gs = tf(kp*wn^2,[1 2*zeta*wn wn^2])
As = Gs.den1; Bs = Gs.num1; % polin^ omios do denominador e numerador
% Modelo discreto via ZOH
% Escolha do perı́odo de amostragem
ws = 10*wn; % Freq. de amostragem 10 vezes mais veloz que wn
fs = ws/(2*pi);
Ts = 1/fs; % valor aproximadamente 0.3 segundo
Ts = 0.3; % Perı́odo de amostragem
Gz = c2d(Gs,Ts,’zoh’) % Equivalente discreto via ZOH
Az = Gz.den1; Bz = Gz.num1; % polys denominado e numerador
% Modelo contı́nuo no domı́nio w por Tustin
Gw = d2c(Gz,’tustin’)
Aw = Gw.den1; Bw = Gw.num1;
% Comparaç~
ao dos tr^
es modelos via resposta ao degrau
figure(1);
step(Gs,Gz,Gw);
legend(’G(s)’,’G(z)’,’G(w)’,0);
% Controlador PI no domı́nio w: C(w)
% Sintonia manual por tentativa e erro
kc = 0.2; % Ganho proporcional
ki = 0.08; % Ganho integral
kd = 0; % Ganho derivativo nulo!!!
% kd*w^2 +kc*w +ki
Cw = tf([kd kc ki],[1 0]); % C(w) = --------------------
% w
% Dados para as simulaç~oes no tempo contı́nuo e discreto
yr(1:10,1)=0; yr(11:200,1)=1; % Vetor de Refer^ encia yr
nit = length(yr); % número de iteraç~
oes
t = 0:Ts:nit*Ts-Ts; % vetor de tempo
% Análise de MF no domı́nio do tempo contı́nuo
Gmf_w = feedback(Cw*Gw,1,-1); % FT de malha fechada
y=lsim(Gmf_w,yr,t);
e=yr-y; % Erro com base na simulaç~ao "fechada" do Matlab
u=lsim(Cw,e,t);
figure(2);
subplot(211),
plot(t,yr,’:k’,t,y,’b’);
ylabel(’Saı́da’);
title(’Resposta em MF: comparaç~ao dos domı́nios w e z.’)
subplot(212),
plot(t,u,’b’);
ylabel(’Controle’); xlabel(’Tempo (s)’);
% Análise de MF no domı́nio de tempo discreto
Cz = c2d(Cw,Ts,’tustin’); % Controlador PID aprox. por Tustin
Gmf_z = feedback(Cz*Gz,1,-1); % FT de malha fechada digital
yz=dlsim(Gmf_z.num1,Gmf_z.den1,yr); % Simulaç~ ao linear discreta
ez=yr-yz; % Erro com base na simulaç~ao discreta
uz=dlsim(Cz.num1,Cz.den1,ez);
figure(2);
subplot(211), hold;
stairs(t,yz,’r’); legend(’y_r(t)’,’Contı́nuo’,’Discreto’,0);
subplot(212), hold;
stairs(t,uz,’r’); legend(’Contı́nuo’,’Discreto’,0);
58
2.6 COMPENSADORES LEAD E LAG
Compensadores lead, lag, ou lead-lag (mistos), podem definir

estruturas de controle generalizadas para modificar o comportamento
dinâmico de uma planta. O resultado desta modificação dinâmica é a
FT de MF
C(s)G(s)
Gmf (s) = (2.31)
1 + C(s)G(s)
que caracteriza a conexão de um compensador C(s) à entrada da planta

G(s) na topologia de realimentação negativa e unitária.
O compensador lead-lag é descrito de uma forma generalizada
pela seguinte expressão (DORF; BISHOP, 1998):
∏
M
K (s + zi )
i=1
C(s) = . (2.32)
∏
N
(s + pj )
j=1
Note que cada zi e pj pode ser associado a uma frequência especı́fica,

gerando assim um efeito derivativo (avanço) ou integral (atraso) quando
associado ao processo na malha direta C(s)G(s). Devido a isto torna-se
muito intuitivo de se realizar o projeto de compensadores lead-lag com
o auxı́lio do Diagrama de Bode.
Pela análise de resposta em frequência da malha direta pode-se
realizar o loop shaping , que em português significa dar forma à malha
de controle. Isto permite que se projete sistemas de controle sem que
se conheça previamente a estrutura que “resolve o problema”. Ao invés
disto, o método consiste em
• avaliar as caracterı́sticas de G(s) em malha aberta, definir a es-

tratégia “corretiva” em termos da
– banda passante (frequência de corte),

– dos ganhos nas frequências baixas e médias,
– da eliminação de picos de ressonância,
– dos avanços e atrasos de fase em freqências especı́ficas,
• adicionar a C(s) os pólos e zeros que agregam à malha direta,

C(s)G(s), as propriedades desejadas que atendam os ı́ndices de
59
desempenho desejados (e.g., margem de ganho (MG) e mar-

gem de fase (MF)),
• avaliar as caracterı́sticas de resposta ao degrau no domı́nio do
tempo (e.g., ts , tr , percentual de overshoot) de Gmf (s)
• e, principalmente, SEMPRE AVALIAR O SINAL DE
CONTROLE! Este deve ser fisicamente realizável.
Resumidamente, o projeto de compensadores lead-lag via loop-
shaping se baseia em análise do Diagrama de Bode da malha direta,
C(s)G(s), e da resposta temporal do sistema completo em malha fe-
chada, e.g., resposta ao degrau de Gmf (s).
Apesar do método de projeto de malhas de controle lead-lag via
loop-shaping permitir estruturas generalizadas por zi e pj , para simpli-
ficar nosso estudo iremos considerar apenas o caso de compensadores
de primeira ordem capazes de resolver problemas de ordem (e comple-
xidade) similar. No entanto é importante destacar que o projeto
de compensadores lead-lag é didaticamente interessante para
preparar o engenheiro para estudar técnicas mais sofistica-
das de projeto, como os controladores ótimos baseados em
métodos lineares quadráticos (LQ), como o LQR, o Filtro de
Kalman e o LQG, normalmente apresentados em disciplinas
de fim de curso de graduação, no mestrado e no doutorado,
na linha de controle de sistemas dinâmicos.
2.6.1 Compensador lead-lag de primeira ordem
Considere o compensador de primeira ordem mostrado a seguir

(DORF; BISHOP, 1998):
K(s + z1 ) K pz11 ( z11 s + 1)

C(s) = = . (2.33)
(s + p1 ) ( p11 s + 1)
Dependendo dos valores associados a z1 e p1 pode-se definir que:

• |z1 | < |p1 |: compensador lead (de avanço de fase);
• |z1 | << |p1 |: compensador lead com ação derivativa (avanço de
90o ):
Ks Kω +j90o
C(s) ≈ , C(jω) = e ; (2.34)
p1 p1
60
• |z1 | > |p1 |: compensador lag (de atraso de fase);

• |z1 | >> |p1 |: compensador lag com ação integral (atraso de 90o ):
Kz1 Kz1 −j90o

C(s) ≈ , C(jω) = e . (2.35)
s ω
2.6.2 Conceitos de estabilidade e desempenho robustos
As especificações de desempenho no domı́nio da frequência são

essenciais aos projetos de filtros passivos, reguladores e controladores
(filtros ativos) e compensadores dinâmicos (sistemas hı́bridos compos-
tos por controlador com realimentação por estimador, preditor, fusor,
filtro). Tais especificações ditam o loop-shaping, ou seja, a forma que
normalmente se busca para se ter uma malha de controle com estabili-
dade e desempenho robustos.
Considerando o Diagrama de Bode e seus critérios de estabili-
dade como ferramenta de análise, o ponto de partida é normalmente a
análise em MA do modelo do processo G(s). A partir deste pode-se de-
finir a estratégia “corretiva” que normalmente reside na vizinhança da
curva de magnitude do processo em MA. Destaca-se que modificações
extremas na banda passante (i.e., curva de magnitude) de um sistema
fı́sico acarretam custos demasiados de energia e possivelmente de com-
ponentes. Metaforicamente, transformar um Fusca em uma Ferrari é
uma possibilidade matemática, porém tal realização fı́sica pode custar
o preço da Ferrari ou mais.
Supõe-se que o modelo do processo G(s) contém os modos dinâ-
micos (zeros e pólos) de interesse para o projeto de sistemas de controle,
tal que seu Diagrama de Bode apresente em destaque a banda passante
em MA e a partir deste ponto pode-se então delimitar as condições de
desempenho para a malha direta, C(s)G(s), nas frequências baixas,
nas médias e nas altas.
O diagrama de magnitude apresentado na Figura 21, extraı́do
de Dorf e Bishop (1998), mas que pode ser encontrado de maneira
similar em praticamente todos os livros de controle e sistemas, destaca
graficamente as especificações de desempenho. Nessa Figura 21 pode-se
verificar que:
• Nas frequências baixas: deve-se ter elevados ganhos para ga-
rantir que perturbações DC (i.e., perturbações de carga) possam
ser rejeitadas e também para garantir o rastreamento de coman-
dos que normalmente são sinais de baixa frequência;
61
• Nas frequências médias: na vizinhança da frequência de corte,

i.e., frequências que antecedem a de corte, é de se esperar que se
tenha alguma elevação de ganho, preferencialmente que não seja
uma elevação do tipo pico de ressonância;
• Nas frequências altas: a partir da frequência de corte espera-se

que se tenha um elevado poder de atenuação, já que nessa região
encontram-se os modos dinâmicos que podem ter sido negligenci-
ados na modelagem e também reside o ruı́do de medição.
Figura 21 – Especificações de desempenho no domı́nio da frequência

(DORF; BISHOP, 1998).
De uma maneira geral, ganhos em torno de 20dB e de 10dB para

a região de baixa e média frequência, respectivamente, satisfazem os
requisitos de desempenho robusto (STEVENS et al., 2016). No entanto,
para algumas estruturas de compensadores e plantas, nem sempre se
consegue condicionar adequadamente o ganho de malha C(s)G(s) para
atender a essas especificações. Nesses casos pode-se considerar o uso dos
ı́ndices de robustez conhecidos como Margem de Ganho e Margem
de Fase.
Na Figura 22, extraı́da de Seborg et al. (2003), pode-se confe-
rir graficamente como as margens de ganho e de fase são obtidas a
partir dos diagramas de magnitude e de fase no domı́nio da frequên-
cia. Observe, no entanto, que na Figura 22 a curva de ganhos é
apresentada em taxa de amplificação (AR, amplitude ratio). Isto é,
1
M GdB = 20 log10 ( AR ).
A margem de ganho está relacionada à frequência crı́tica, ωc ,
1
tal que, M GAR = AR(ω c)
. Esta, por sua vez, é a frequência na qual
a curva de fase em frequência intercepta −180o . Quando não ocorre a
1
interceptação diz-se que a MG é infinita. Em teoria, o valor M G = AR
62
Figura 22 – Margem de ganho e margem de fase (SEBORG et al., 2003).
define até que valor pode-se levar o ganho de malha (i.e., da malha
direta), tal que o sistema em MF ainda será estável, mesmo que osci-
latório (SEBORG et al., 2003).
A margem de fase está relacionada à frequência de corte da
curva de magnitude. O ângulo de fase na frequência de corte, ϕg ,
na Figura 22, permite calcular a margem de fase como sendo M F =
180+ϕg . A MF é um ı́ndice que quantifica quanto atraso (lag) pode ser
incluı́do na malha de controle até que esta se torne instável (SEBORG
et al., 2003).
Quanto maiores forem as margens MG e MF, mais conservador
será o sistema de controle projetado e maiores as chances de observar
similaridades entre teoria e prática. Ou seja, grandes valores de MG
e MF estão relacionados a malhas de controle robustas, mas
com baixo desempenho, enquanto que MG e MF pequenas
63
estão relacionadas a malhas de controle de alto desempenho,

mas não robustas. De acordo com Seborg et al. (2003), MG em
torno de 1, 7-4, 0 (i.e., 4, 6-12, 0dB) e MF de 30o -45o , garantem uma
boa sintonia da malha de controle com compromisso adequado entre
desempenho e robustez.
Alguns autores ligados à área de controle robusto, como Stevens
et al. (2016), consideram a necessidade de margens ainda maiores, tais
como: MG de 6dB a 15dB e MF de 30o a 60o . Margens de fase neste
limite superior ainda caracterizam desempenho robusto e estabili-
dade robusta (STEVENS et al., 2016).
Exemplo 2.4 Projeto de compensador lead-lag via loop-shaping com

análise de robustez para aplicação em malha de controle digital.
Para uma planta simples descrita por um modelo de primeira
1
ordem, G(s) = s+1 , projete um compensador de primeira ordem e ex-
plore os resultados na condição lag, lead e lead-lag. Avalie os diagramas
de Bode de G(s), C(s)G(s), e também a reposta no tempo do sistema
em malha fechada para cada caso. Observe as margens de ganho e de
fase usando a função margin do MATLAB e confira, caso a caso, esses
ı́ndices de robustez conforme apresentado nesta seção.
O código, em linguagem MATLAB, para a realização deste exem-
plo é apresentado na Tabela 10.
2.7 PERTURBAÇÕES DETERMINÍSTICAS E ESTOCÁSTICAS
As margens de estabilidade estudadas neste capı́tulo sugerem

um modelo qualitativo de robustez, no que se refere às perturbações
em baixa, média e alta frequência. Neste sentido, se faz necessário
estabelecer também quais tipos de perturbações podem ser utilizadas
para testar a malha de controle projetada.
Além da natureza frequêncial da perturbação, é possı́vel classificá-
la também pela forma como esta interfere sobre a planta, que pode ser a
partir da entrada, da saı́da, ou mesmo no caso de sistemas realimenta-
dos em que perturbações na saı́da medida são realimentadas à entrada
do sistema de controle, que pela consideração deste estar em série com
a planta (conforme análise de malha direta, C(s)G(s)), afetam a planta
a partir da entrada após serem filtradas por um compensador C(s).
Em relação à natureza frequêncial da perturbação tem-se os se-
guintes casos: de carga ou baixa frequência (tipo degrau, por exemplo);
de média frequência (sinais com conteúdo harmônico fundamental den-
64
Tabela 10 – Código MATLAB para reproduzir o Exemplo 2.4 sobre

compensadores lead e lag.
% Exemplo lead-lag
% Planta contı́nua
Gs = tf(1,[1 1]);
% Compensador lead-lag
K = 2; z1 = 2; p1 = 0; % z << p, lead, +90 deg
% z >> p, lag, -90 deg
Cs = tf(K*[1 z1],[1 p1]);
% Análise via Diag. de Bode

figure(1);
bode(Gs,Cs*Gs); legend(’G(s)’,’C(s)G(s)’);
% Margem de Ganho e Margem de Fase

figure(2);
margin(Cs*Gs);
% Análise via resposta ao degrau

yr(1:10,1)=0; yr(11:1000,1)=1; % Sequencia de refer^ encia
nit = length(yr); % Número de iteraç~
oes para simulaç~
ao linear (lsim)
Ts = 0.01; % Intervalo de simulaç~
ao para a funç~
ao lsim
t = 0:Ts:nit*Ts-Ts;
yma = lsim(Gs,yr,t); % Saı́da em MA

Gmf = feedback(Cs*Gs,1,-1); % Sistema em MF
y = lsim(Gmf,yr,t); % Saı́da simulada
e = yr-y; % erro de seguimento de refer^
encia
u = lsim(Cs,e,t); % Sinal de controle
figure(3);
subplot(211),
plot(t,yr,’:k’,t,yma,’r’,t,y,’b’);
legend(’y_r(t)’,’y_MA(t)’,’y(t)’,0); ylabel(’Saı́da’);
title(’Resposta em Malha Aberta versus Malha Fechada’)
subplot(212),
plot(t,u,’b’); ylabel(’Controle’); xlabel(’Tempo (s)’);
65
tro da banda passante do ganho de malha direta); de alta frequência

(ruı́do de medição ou incertezas sobre dinâmicas não modeladas da
planta).
2.7.1 Perturbação de carga
Considerando Di (z −1 ), Do (z −1 ), como sendo perturbações de

carga de entrada e de saı́da, respectivamente, o seguinte modelo de
planta sob influência dessas perturbações pode ser apresentado:
B(z −1 )z −1 1
Y (z −1 ) = −1
U (z −1 ) + Di (z −1 ) + Do (z −1 ). (2.36)
A(z ) A(z −1 )
Observe que o modelo apresentado se encontra definido no domı́nio

discreto, mas o mesmo é também válido para sistemas descritos no
domı́nio de Laplace.
2.7.2 Perturbação tipo ruı́do de medição
Perturbações tipo ruı́do de medição, ν(z −1 ), são equacionadas de

maneira similar à perturbação Do (z −1 ), isto é, não são correlacionadas
com a entrada, mas se diferenciam em relação ao conteúdo frequêncial
que é normalmente assumido como sendo Gaussiano. Exemplo:
B(z −1 )z −1
Y (z −1 ) = U (z −1 ) + ν(z −1 ). (2.37)
A(z −1 )
Formas de simular um sinal estocástico como o ν(z −1 ) no Matlab

ou Scilab estão prontas, mas você pode obter informações de como tais
sinais são produzidos em Coelho e Coelho (2004). No Matlab, a função
wgn (que se refere a white Gaussian noise) pode ser usada conforme o
exemplo a seguir:
n=1000;m=1;variancia=2;
nu = wgn(n,m,variancia,’linear’);
disp(var(nu));
plot(nu)
66
2.7.3 Perturbação estocástica
Uma forma de caracterizar incertezas de modelagem pode ser

por meio de perturbações estocásticas.
Considerando esta seção apenas como uma contribuição de co-
nhecimento que está, de certo modo, além do escopo desta disciplina,
apenas o modelo ARX (Auto-Regressive with eXogenous inputs) será
apresentado, como segue:
B(z −1 )z −1 1
Y (z −1 ) = U (z −1 ) + ξ(z −1 ). (2.38)
A(z −1 ) A(z −1 )
No modelo ARX a perturbação ξ(z −1 ) é do tipo Gaussiana e

opera como uma perturbação de entrada.
É importante destacar que quando uma malha de controle é fe-
chada ao redor da planta, haverá então algum tipo de perturbação
Gaussiana na entrada da planta. Portanto, este modelo pode ser útil
para explorar este tipo de cenário, valiandando por simulações ou testes
analı́ticos, se um determinado sistema de controle é robusto ao ruı́do
na entrada da planta.
2.8 PROBLEMAS
Problema 2.1 Para os Diagramas de Bode mostrados na Fig. 23 à

Fig. 26, analise os ı́ndices MG e MF apresentados e comente sobre a
robustez e desempenho de cada caso, fazendo também a solução para os
casos de margem de ganho, em taxa de amplificação (amplitude ratio,
AR).
67
Bode Diagram
Gm = Inf , Pm = 59 deg (at 3.38 rad/sec)
50
Magnitude (dB)
−50
0
−45
Phase (deg)
−90
−135
−180
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 23 – Problema (a).
Bode Diagram
Gm = 25.3 dB (at 1.18 rad/sec) , Pm = −97.4 deg (at 0.0239 rad/sec)
50
0
Magnitude (dB)
−50
−100
−150
−200
540
360
Phase (deg)
180
−180
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 24 – Problema (b).

68
Bode Diagram
Gm = −17.1 dB (at 0.332 rad/sec) , Pm = 159 deg (at 0.894 rad/sec)
50
0
Magnitude (dB)
−50
−100
−150
−200
720
540
Phase (deg)
360
180
−180
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 25 – Problema (c).
Bode Diagram
Gm = 55.6 dB (at 0.788 rad/sec) , Pm = Inf
−50
Magnitude (dB)
−100
−150
−200
−250
−300
0
−180
Phase (deg)
−360
−540
−720
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 26 – Problema (d).

69
3 CAPÍTULO 3
Sistemas dinâmicos em espaço de estados: representações, con-

trolabilidade, observabilidade, realimentação de estados.
3.1 INTRODUÇÃO
No primeiro contato do estudante com a Teoria de Controle e

Sistemas faz-se a consideração da descrição de sistema tipo caixa-preta.
Isto é, considera-se somente a relação entrada(s) e saı́da(s), caracteri-
zando a descrição por função (ou matriz de funções) de transferência ou
forma polinomial. Neste capı́tulo iremos então aumentar nosso domı́nio
sobre a representação de sistemas através da representação em espaço
de estados.
A descrição de sistemas dinâmicos no espaço de estados traz
um novo conceito de representação de sistemas, ligando a Teoria de
Controle e Sistemas à Álgebra Linear e permitindo que se utilize uma
descrição matricial que conecta as informações de entrada e saı́da de um
sistema a um vetor de variáveis de estado, x(t), conforme as seguintes
equações:
• Caso contı́nuo:
ẋ(t) = Ax(t) + Bu(t), (3.1)

y(t) = Cx(t) + Du(t). (3.2)
• Caso discreto:
x(kTs + 1) = Φx(kTs ) + Γu(kTs ), (3.3)

y(kTs ) = Cx(kTs ) + Du(kTs ). (3.4)
Uma caracterı́stica importante dessas descrições, independente-

mente se no domı́nio contı́nuo ou discreto, é que retornamos ao domı́nio
do tempo, tendo simplesmente uma derivação de primeira ordem, indi-
cada por ẋ(t) = sX(s), ou um avanço no tempo discreto correspondente
a x(kTs + 1) = zX(z). Isto significa que, não importando a ordem do
sistema, tudo precisa ser conectado a partir de relações de primeira
ordem. Ou seja, cada variável de estado, contida no vetor x(·), des-
creve alguma caracterı́stica dinâmica do sistema, tal que um sistema
70
de ordem n terá n variáveis de estado.

Outra caracterı́stica importante da descrição em espaço de esta-
dos é que, seja no domı́nio contı́nuo ou no discreto, a base do sistema,
x(·), se mantém no caso de transformação entre os domı́nios contı́nuo e
discreto, também as variáveis de entrada e saı́da, u(·) e y(·), respectiva-
mente. Sendo assim, para simplificar a notação neste capı́tulo, iremos
considerar simplesmente uma forma compacta da descrição do modelo
de estados, alternando entre os casos contı́nuo e discreto de acordo com
a necessidade.
Fixemos então nosso estudo sobre SLIT SISO na seguinte forma:
ẋ = Ax + Bu, (3.5)
y = Cx + Du. (3.6)
As equações (3.5) e (3.6) são denominadas, respectivamente, de

equação de estados e equação de saı́da, enquanto que as matrizes
A, B, C, D, são: a matriz que correlaciona as variáveis de estado e define
a matriz de transição de estados eAt ; a matriz de entrada, a matriz
de saı́da e a matriz de alimentação direta, respectivamente. Para se
ter uma noção espacial do modelo por variáveis de estados, confira o
diagrama de blocos mostrado na Fig. 27.
Figura 27 – Diagrama de blocos de modelo por variáveis de estados.
Para melhor compreendermos como um modelo em espaço de

estados pode ser definido em termos de sua base, para que esta te-
nha alguma utilidade matemática, algorı́tmica ou fı́sica, consideremos
o exemplo mostrado a seguir.
Exemplo 3.1 Realização em espaço de estados de um sistema canô-

nico de segunda ordem:
Y (s) Kp ωn 2
G(s) = = 2 (3.7)
U (s) s + 2ζωn s + ωn 2
71
Como este sistema é de segunda ordem, i.e., n = 2, então o seu modelo

de estados necessitará de uma base com pelo menos duas variáveis de
estado, doravante designadas por x1 e x2 , tal que estas compõem o
vetor de estados,
[ ]T
x= x1 x2 . (3.8)
Os estados x1 e x2 podem, por exemplo, descrever a seguinte

relação com a variável de saı́da:
[ ]T [ ]T
x= x1 x2 = y ẏ (3.9)
Esta relação pode ser interpretada da seguinte maneira: a saı́da de

um sistema estabelece uma relação de posição de alguma variável fı́sica
em relação à alguma escala, enquanto que quando esta posição varia
ao longo do tempo, sua derivada dá uma noção de velocidade desta
variação. Sendo assim, pode-se dizer que,
• x1 = y representa a posição de y(t),
• x2 = ẏ representa a velocidade de y(t), i.e., d

dt y(t).
Se expandirmos a função de transferência do sistema, reescrevendo-

d
a se utilizando da relação do operador de Laplace, s := dt , obtém-se
ÿ + (2ζωn )ẏ + (ωn 2 )y = (Kp ωn 2 )u. (3.10)
Substituindo-se as variáveis de estado nesta expressão, esta se torna

igual a
ẋ2 = −(2ζωn )x2 − (ωn 2 )x1 + (Kp ωn 2 )u. (3.11)
Esta última equação já nos permite escrever a equação de estados

do sistema, bastando para isto, completar a descrição de ẋ1 , tal que o
seguinte sistema seja descrito por
{
ẋ1 = x2
(3.12)
ẋ2 = −(2ζωn )x2 − (ωn 2 )x1 + (Kp ωn 2 )u
o que nos permite reescrever este sistema na forma matricial como

72
sendo
[ ] [ ][ ] [ ]
ẋ1 0 1 x1 0
= + u (3.13)
ẋ2 −(ωn 2 ) −(2ζωn ) x2 (Kp ωn 2 )
| {z } | {z } | {z } | {z }
ẋ A x B
A equação de estados deve ser capaz de reconstruir a saı́da. Isto

significa que a matriz de saı́da C deve conectar os estados à saı́da y
do sistema, sendo que isto foi definido na base do vetor de estados, tal
que
y = x1 , (3.14)
então a saı́da do sistema em espaço de estados é descrita por

[ ]
[ ] x1
y= 1 0 + [0] u (3.15)
| {z } x2 |{z}
C | {z } D
x
É importante notar que a matriz D deste sistema é uma matriz nula.

Isto ocorre com a maioria das realizações em espaço de estados,
cujas bases x(·) são fisicamente realizáveis. Isto quer dizer que não há
alimentação direta, a partir da entrada u para a saı́da y, sem que
tal alimentação não passe por dentro do sistema, ou seja, pela equação
de estados.
O exemplo apresentado nesta seção introdutória nos permite des-

tacar uma contribuição da descrição por variáveis de estado: a possibili-
dade de trabalhar com variáveis adicionais que não estão disponı́veis na
descrição por funções de transferência. Ou seja, ao invés de trabalhar
somente na compensação de y(t), pode-se abrir espaço para compensa-
ção de x1 , . . . , xn , variáveis de estado.
É importante destacar que a mudança da representação para
uma forma de x1 , . . . , xn , variáveis de estado não altera a natureza do
sistema em termos do seu número de entradas e saı́das. Ou seja, o
caso do Exemplo 3.1, SISO de segunda ordem, gerou duas variáveis de
estado, mas ainda é um caso SISO, com uma variável virtual adicional,
que foi a variável x2 .
Obs: a variável x2 , não é, então, uma variável senso-
rialmente medida. Essa variável é uma virtualização criada
pelo projetista ao utilizar conhecimento sobre as equações da
fı́sica.
73
As realizações em espaço de estados, possibilitam, através de ob-

servadores de estados, a estimação de variáveis adicionais de um pro-
blema, quando estas não estão sendo medidas por sensores. Por exem-
plo, pode-se utilizar relações entre tensão e corrente elétrica, para, a
partir de medidas de tensão, estimar/observar informações sobre a cor-
rente elétrica.
Além do caso de observação de estados, onde o número de variá-
veis de estado é maior que o número de saı́das medidas, há também o
caso de fusão sensorial. Neste, o número de variáveis medidas é maior
do que o número de estados a estimar. Como exemplo, cita-se o fusor
de acelerômetros e giroscópios para a estimação de posição angular.
Neste curso iremos discutir somente o caso de observação de
estados em sistemas SISO, discutido mais adiante neste capı́tulo como
uma necessidade para que as variáveis de estado se tornem disponı́veis
para a elaboração de sistemas de controle com realimentação total de
estados (STEVENS et al., 2016).
Apesar de não se dar grande ênfase a sistemas MIMO neste ma-
terial, ao menos uma noção estrutural e de modelagem é apresentada
adiante no texto.
3.2 SISTEMAS MIMO EM ESPAÇO DE ESTADOS
Considerando um sistema MIMO generalizado, de p entradas e

q saı́das, seu modelo por matriz de função de transferência é descrito
por
    
Y1 (s) G11 (s) · · · G1p (s) U1 (s)
 ..   .. .. ..  .. 
 . = . . .  .  (3.16)
Yq (s) Gq1 (s) ··· Gqp (s) Up (s)
Uma realização generalizada em espaço de estados para este sistema

assume a seguinte forma:
       
ẋ1 a11 · · · a1n x1 b11 ··· b1p u1
 ..   .. .. ..   ..   .. .. ..   .. 
 . = . . .  .  +  . . .  . 
ẋn an1 ··· ann xn bn1 ··· bnp up
(3.17)
74
       
y1 c11 ··· c1n x1 d11 ··· d1p u1
 ..   .. .. ..   ..  +  .. .. ..   .. 
 . = . . .  .   . . .  . 
yq cq1 ··· cqn xn dq1 ··· dqp up
(3.18)
Exemplo 3.2 Realização de estados de um sistema MIMO de ordem

n = 4, com duas entradas e duas saı́das:
      
ẋ1 a11 a12 a13 a14 x1 b11 b12 [ ]
 ẋ2   a21 a22 a23 a24   x2   b21 b22  u1
 =  + 
 ẋ3   a31 a32 a33 a34   x3   b31 b32  u2
ẋ4 a41 a42 a43 a44 x4 b41 b42
(3.19)
 
[ ] [ ] x1 [ ][ ]
y1 c11 c12 c13 c14  x2 
=   + d11 d12 u1
y2 c21 c22 c23 c24  x3  d21 d22 u2
x4
(3.20)
3.3 RELAÇÃO ENTRE ESPAÇO DE ESTADOS E FUNÇÃO DE

TRANSFERÊNCIA
ẋ = Ax + Bu
sX(s) = AX(s) + BU (s)
(sI − A) X(s) = BU (s)
−1
X(s) = (sI − A) BU (s) (3.21)
y = Cx + Du
Y (s) = CX(s) + DU (s)
−1
Y (s) = C(sI − A) BU (s) + DU (s)
75
[ ]
−1
Y (s) = C(sI − A) B + D U (s) (3.22)
A Eq. (3.22) estabelece uma forma de conversão de uma reali-

zação em espaço de estado para função de transferência. Esta relação,
estabelece também que, os autovalores da matriz A são equivalentes
aos pólos do sistema no domı́nio s de Laplace:
det (λI − A) = det (sI − A) = 0 (3.23)
Note que I é uma matriz identidade de ordem igual a A.

Obs: devido à equivalência entre autovalores e pólos, um
sistema será assintoticamente estável desde que os autovalores
da matriz A estejam localizados no semiplano esquerdo do
plano-s, para o caso contı́nuo, ou dentro do cı́rculo unitário
no plano-z, para o caso discreto.
3.4 ESCOLHA DAS VARIÁVEIS DE ESTADO
A escolha da base do modelo de estados, isto é, das variáveis de

estado contidas no vetor de estados, é arbitrária e afirma-se que existem
infinitas realizações de estados para um mesmo sistema. No entanto,
algumas formas tradicionais, conhecidas como formas canônicas em es-
paço de estados, podem ser discutidas.
Neste documento iremos considerar alguns exemplos que darão
subsı́dios ao estudante de engenharia para conseguir selecionar um con-
junto de variáveis de estado que lhe serão válidas para o projeto de
sistemas de controle por meio de estados estimados. Nesse sentido, va-
mos concentrar nossos esforços praticamente em dois casos: sistemas
sem zeros, com o método das variáveis de fase; sistemas com zeros e
o método da variável auxiliar (MAYA; LEONARDI, 2014).
Exemplo 3.3 Represente por variáveis de estado de fase o sistema

descrito pela seguinte equação (MAYA; LEONARDI, 2014, ex. 14.5, pág.
242):
d3 d2 d
y(t) + 3 y(t) + 4 y(t) + 2y(t) = 5u(t)
dt3 dt2 dt
x1 = y, x2 = ẏ, x3 = ÿ
76


 ẋ1 = x2
ẋ2 = x3


ẋ3 = −3x3 − 4x2 − 2x1 + 5u
      
ẋ1 0 1 0 x1 0
 ẋ2  =  0 0 1   x2  +  0  u
ẋ3 −2 −4 −3 x3 5
 
[ ] x1
y= 1 0 0  x2 
x3
Exemplo 3.4 Represente por variáveis de estado o sistema MIMO

descrito pelas seguintes equações (MAYA; LEONARDI, 2014, ex. 14.6,
pág. 243):
ÿ1 + 2ẏ1 − 2y2 = u1

ÿ2 + y2 − y1 = u2
x1 = y1 , x2 = ẏ1 , x3 = y2 , x4 = ẏ2
ẋ2 + 2x2 − 2x3 = u1

ẋ4 + x3 − x1 = u2



ẋ1 = x2

 ẋ2 = −2x2 + 2x3 + u1

 ẋ3 = x4


ẋ4 = −x3 + x1 + u2
77
      
ẋ1 0 1 0 0 x1 0 0 [ ]
 ẋ2   0 −2 2 0   x2   1 0 
    +  u1
 ẋ3  =  0 0 0 1   x3   0 0  u2
ẋ4 1 0 −1 0 x4 0 1
 
[ ] [ ] x1
y1 1 0 0 0  x2 

= 
y2 0 0 1 0 x3 
x4
Exemplo 3.5 Sistema com zeros e o método da variável auxiliar: De-

termine o modelo de estados do sistema cuja função de transferência
é(MAYA; LEONARDI, 2014, ex. 14.8, pág. 244):
( )
Y (s) 20 s2 + 2s + 17
G(s) = = 3
U (s) s + 13s2 + 53s + 40
Considerando a variável auxiliar X(s), multiplica-se o sistema

da seguinte forma:
( ) ( )
Y (s) 20 s2 + 2s + 17 X(s)
G(s) = = 3
U (s) s + 13s2 + 53s + 40 X(s)
Após, defini-se que

...
U (s) = (s3 + 13s2 + 53s + 40)X(s) → u = x + 13ẍ + 53ẋ + 40x
( )
Y (s) = 20 s2 + 2s + 17 X(s) → y = 20ẍ + 40ẋ + 340x
Com base na representação pela variável auxiliar, pode-se aplicar

o método das variáveis de estado de fase, isto é,
x1 = x, x2 = ẋ, x3 = ẍ
logo,


 ẋ1 = x2
ẋ2 = x3


ẋ3 = −13x3 − 53x2 − 40x1 + u
y = 20x3 + 40x2 + 340x1

78
Uma realização do sistema G(s) é então

      
ẋ1 0 1 0 x1 0
 ẋ2  =  0 0 1   x2  +  0  u
ẋ3 −40 −53 −13 x3 1
 
[ ] x1
y= 340 40 20  x2  + [0] u
x3
Exemplo 3.6 Sistema com zeros e o método da variável auxiliar: De-

termine o modelo de estados do sistema cuja função de transferência
é(MAYA; LEONARDI, 2014, prob. (f ), pág. 246):
∫t
ÿ + 2ẏ + y + ydt = u̇ + 5u
0
( y)
Y (s) s2 + 2s + y + = U (s) (s + 5)
s ( )
Y (s) (s + 5) X(s)
=( 2 )
U (s) s + 2s + y + ys X(s)
( ∫
y)
U (s) = s2 + 2s + y + X(s) → u = ẍ + 2ẋ + x + xdt
s
Y (s) = (s + 5)X(s) → y = ẋ + 5x
∫
x1 = xdt, x2 = x, x3 = ẋ,


 ẋ1 = x2
ẋ2 = x3


ẋ3 = −2x3 − x2 − x1 + u
y = x3 + 5x2
79
      
ẋ1 0 1 0 x1 0
 ẋ2  =  0 0 1   x2  +  0  u
ẋ3 −1 −1 −2 x3 1
 
[ ] x1
y= 0 5 1  x2  + [0] u
x3
3.5 MATRIZ DE TRANSIÇÃO DE ESTADOS
Escrevendo-se a equação de estados, mas considerando uma con-

dição inicial x0 , é possı́vel desenvolver a seguinte equação:
ẋ − x0 = Ax + Bu, (3.24)
sX(s) − x0 = AX(s) + BU (s), (3.25)
−1 −1
X(s) = (sI − A) x0 + (sI − A) BU (s). (3.26)
−1
A matriz (sI − A) é chamada de matriz de transição de esta-
dos e verifica-se que possui relação direta com a matriz que relaciona
os pólos de um sistema aos autovalores da matriz A, isto é:
−1
• Matriz de transição de estados: ϕ(s) = (sI − A) ;
• Polinômio caracterı́stico do sistema: ∆(s) = det (sI − A) = 0.
A ϕ(s), por meio da Transformada Inversa de Laplace, nos per-
mite obter as equações no domı́nio do tempo de resposta de estado zero,
x0 , e resposta forçada a partir de u(t).
Por uma questão de limitação de tempo deste curso,
vamos considerar apenas a definição de matriz de transição de
estados, entendendo que quando modificamos os autovalores
de um determinado sistema, consequentemente modificamos
a dinâmica de transição de estados e isto é fundamental para
que realizemos controle por realimentação de estados, que é
um dos principais motivos de estudo deste curso.
3.6 CONTROLE POR REALIMENTAÇÃO DE ESTADOS
O estudo de sistemas descritos no espaço de estados, suas reali-

zações, classificações e métodos, se devem, neste curso, principalmente,
80
para preparar o leitor para uma introdução às Técnicas de Controle

Moderno, cujo princı́pio fundamental se dá pelo controle por realimen-
tação de variáveis de estado.
Na realimentação de estados o projetista pode optar pela reali-
mentação total ou parcial de estados, sendo que o caso total será o
foco para este curso introdutório, haja vista que as propriedades desse
caso são inclusive bem mais atrativas do ponto de vista dos melhores
resultados que podem ser obtidos, em termos de desempenho e robus-
tez.
No caso de realimentação total de estados, doravante desig-
nado simplesmente de realimentação de estados, espera-se que todas
as variáveis de estado estejam sendo medidas e estejam à disposição
do sistema de controle. Quando isto não é verdade, uma realização de
estados mais simples (de menor ordem) deve ser obtida, fazendo com
que esse número menor de variáveis de estado esteja disponı́vel para à
realimentação.
Quando não há como medir todas as variáveis de estado e em
hipótese alguma pode-se desprezar tais variáveis, pois o objetivo do
sistema de controle exige que todos os estados estejam sob controle,
se faz necessária a estimação ou observação de estados, podendo
esta, ser feita em M.A. ou M.F.. O uso do Observador de Estados
vai possibilitar que se faça a realimentação de estados observados,
quando não for possı́vel a medição de todas as variáveis de estado.
O problema de Observação de Estados será detalhado somente
no capı́tulo seguinte deste texto, mas como este se apresenta como um
problema dual do caso de Realimentação de Estados, os pré-requisitos
para o projeto de ambos os casos serão discutidos a seguir, sendo estes
definidos como: Controlabilidade e Observabilidade.
3.6.1 Controlabilidade
A controlabilidade é uma propriedade da representação em es-

paço de estados, que de um ponto de vista simplificado, condiciona se
existe a possibilidade de controlar os estados x(t), de uma determinada
realização em espaço de estados, a partir do vetor de entradas u(t).
Entenda então que, quando um sistema no espaço de estados é dito
controlável, é porque há como modificar a dinâmica das variáveis de
estado do vetor x(t).
O teste de controlabilidade é feito a partir da Matriz de Con-
81
trolabilidade:
[ ]
Co = B AB ··· A(n−1) B . (3.27)
Quando o posto da matriz Co é dito cheio ou completo, isto é, conside-

rando n variáveis de estado, o rank ou posto da matriz Co for igual a
n, a realização de estados é dita controlável.
Para sistemas bem condicionados, cuja matriz A é não-
singular (i.e., é inversı́vel),
• Se det(Co ) ̸= 0, então o sistema é dito controlável.
O teste de controlabilidade independe de domı́nio, em termos de

tempo contı́nuo ou discreto. Sua única dependência são as matrizes A
e B do sistema. No Matlab a matriz Co pode ser construı́da e seu rank
avaliado da seguinte forma:
Co = ctrb(A,B)
rank(Co)
3.6.2 Observabilidade
A observabilidade é uma propriedade da representação em espaço

de estados que, também de um ponto de vista simplificado, condiciona
se existe a possibilidade de determinar os estados x(t), a partir das ob-
servações do vetor de saı́das medidas y(t). Entenda então que, quando
um sistema no espaço de estados é dito observável, este é como um
problema dual ao de controlabilidade, mas que evidencia se a saı́da
medida y(t) tem correlação com as mudanças dinâmicas das variáveis
de estado do vetor x(t).
O teste de observabilidade é feito a partir da Matriz de Ob-
servabilidade:
[ ]T
Ob = C CA · · · CA(n−1) . (3.28)
Quando o posto da matriz Ob é dito cheio ou completo, isto é, conside-

rando n variáveis de estado, o rank ou posto da matriz Ob for igual a
n, a realização de estados é dita observável.
Para sistemas bem condicionados, cuja matriz A é não-
singular (i.e., é inversı́vel),
• Se det(Ob ) ̸= 0, então o sistema é dito observável.

82
O teste de observabilidade independe de domı́nio, em termos de

tempo contı́nuo ou discreto. Sua única dependência são as matrizes A
e C do sistema. No Matlab a matriz Ob pode ser construı́da e seu rank
avaliado da seguinte forma:
Ob = obsv(A,C)
rank(Ob)
3.6.3 Regulação via realimentação de estados
A regulação por realimentação de estados somente será possı́vel

se o modelo em espaço de estados for controlável. Também, devemos
lembrar que o caso regulatório ou de regulação se refere a quando o
sinal de referência do sistema de controle é nulo, i.e. yr (t) = 0. Isto
apenas torna a compreensão do problema de realimentação de estados
mais simples, deixando o caso servo ou de seguimento de referência
para o capı́tulo seguinte.
A regulação de um sistema tipo SLIT visa mantê-lo sempre no
[ ]T [ ]T
zero do modelo linear, x1 · · · xn = 0 ··· 0 , que cor-
responde ao ponto de equilı́brio no qual o sistema não-linear foi linea-
rizado. O problema adicional é poder especificar também como esses
estados serão levados a zero, ou seja, o condicionamento do transitório
do sistema que consequentemente implica em modificar a sua matriz
de transição de estados em M.F..
Uma atraente caracterı́stica da regulação via realimentação de
estados é que nada, além do modelo em espaço de estados, precisa
ser conhecido para que se defina uma estrutura de controlador. Isto
significa que a solução para o caso de realimentação total de estados
fornece inerentemente a estrutura adequada que resolve o problema de
alocação dos autovalores de malha fechada para garantir a dinâmica
desejada de transição de estados. Isto foi fundamental para o avanço
dos sistemas aeroespaciais que surgiram a partir da década de 1960,
justamente porque não se sabia quais eram as melhores topologias de
controle que resolviam os problemas, que eram do tipo MIMO e muitas
vezes, instáveis (STEVENS et al., 2016).
Apesar de resolver problemas de grande complexidade, a estru-
tura de realimentação de estados é bastante simples e pode ser repre-
sentada conforme o diagrama de blocos da Fig. 28. Observe que a
complexidade reside no modelo em espaço de estados, exigindo que o
vetor de estados x esteja disponı́vel, tal que a lei de controle seja,
83
simplesmente,
u = −Kx (3.29)
Ao substituir a lei de controle na equação de estados, obtém-se
ẋ = Ax + B (−Kx) (3.30)
que por sua vez define o sistema de malha fechada no espaço de estados:
ẋ = (A − BK)x = Acl x (3.31)
Note que em (3.31) há uma nova matriz de estados, Acl . Con-
sequentemente, há nova forma de transição de estados, dada agora por
(sI − A + BK)−1 , já que os autovalores de malha fechada agora são
outros, dados por
det(sI − A + BK) = 0 (3.32)
O problema então se resume em determinar a matriz de

ganhos K que realoque os autovalores da matriz (A − BK) na
região desejada.
Figura 28 – Diagrama de blocos de regulação por realimentação de

estados.
Obs: deve-se destacar que alguns autores não apresen-

tam a realimentação negativa explicitamente, tal que u = Kx,
fazendo com que a matriz de malha fechada modifique-se para
Acl = (A + BK).
Exemplo 3.7 Determine a matriz K, de realimentação de estados, √
capaz de alocar os pólos de malha fechada nas posições −2 ± j2 2
84
(MAYA; LEONARDI, 2014, ex. 15.14, pág. 281):

[ ] [ ]
0 1 0
ẋ = x+ u
−2 −3 1
[ ]
y= 1 0 x
[ O objetivo
] deste exercı́cio é determinar o vetor de ganhos K =
k1 k2 , tal que a lei de controle
[ ]
[ ] x1
u= k1 k2
x2
√
aloque os autovalores da matriz Acl = (A − BK) em −2 ± j2 2.
Devemos então transformar nossos objetivos em uma expressão
matemática. Nesse sentido, o polinômio caracterı́stico desejado de ma-
lha fechada é
√ √
∆cl (s) = (s + 2 − j2 2)(s + 2 + j2 2) = s2 + 4s + 12
Para se determinar o ganho K pode-se então desenvolver a equa-

ção que relaciona a matriz Acl = (A − BK) com o polinômio caracte-
rı́stico de malha fechada, isto é,
∆cl (s) = det [sI − (A − BK)] .
[( ) ( ) ]
s −1 0 ( )
∆cl (s) = det + k1 k2 = s2 + (3 + k2 ) s + 2 + k1
2 s+3 1
Igualando-se então o polinômio caracterı́stico desejado de ma-

lha fechada com o polinômio caracterı́stico obtido em função de k1 , k2 ,
chega-se então na expressão que resolve o problema:
s2 + (3 + k2 ) s + 2 + k1 = s2 + 4s + 12
2 + k1 = 12 → k1 = 10
(3 + k2 ) = 4 → k2 = 1
Portanto, o vetor de ganhos que garante a alocação dos pólos de

85
malha fechada desejados é

[ ]
K= 10 1
Obs: a forma de solução apresentada neste exemplo é

interessante para compreendermos o problema, mas não é fa-
vorável para resolver casos mais complexos e de ordem ele-
vada, por exemplo, para sistemas MIMO. Por isto, veremos
a seguir como determinar o ganho de realimentação por uma
método mais eficiente, pelo uso da Fórmula de Ackermann.
3.6.4 Determinação do ganho de realimentação pelo método

de Ackermann
Como sempre antes de executar um projeto de realimentação de

estados devemos verificar se o sistema é controlável, pressupõe-se que a
matriz de controlabilidade Co esteja disponı́vel para o projetista. Nesse
sentido, é possı́vel utilizar esse conhecimento para calcular o ganho de
realimentação de estados K através do método de Ackermann, dado
por:
[ ] −1
K = 0 0 · · · 0 1 (Co ) ∆cl (A) (3.33)
onde ∆cl (A) é uma função polinomial matricial, construı́da com base
no polinômio caracterı́stico desejado de malha fechada e na matriz de
estados A, do sistema que se quer regular.
Para se calcular ∆cl (A) basta verificar a relação que este assume
com a variável s, isto é,
∆cl (A) ↔ ∆cl (s). (3.34)
Tomemos o seguinte polinômio para ilustrar um exemplo:
∆cl (s) = s2 + 3s + 2
(3.35)
∆cl (A) = A2 + 2A + 2I
Exemplo 3.8 Repita o Exemplo 3.7 pelo método de Ackermann:

[ ] −1
K = 0 0 · · · 0 1 (Co ) ∆cl (A)
86
A matriz de controlabilidade é
[ ]
[ ] 0 1
Co = B AB =
1 −3
e a inversa de Co é
T [ ]
−1 Adj (Co ) [cof (Co )] 3 1
(Co ) = = =
det(Co ) det(Co ) 1 0
O polinômio caracterı́stico
√ desejado de malha fechada, referente
à alocação de pólos em −2 ± j2 (2), é dado por ∆cl (s) = s2 + 4s + 12,
permitindo assim calcular
∆cl (A) = A2 + 4A + 12I

[ ]2 [ ] [ ] [ ]
0 1 0 1 1 0 10 1
∆cl (A) = +4 + 12 =
−2 −3 −2 −3 0 1 −2 7
Pela Fórmula de Ackermann calcula-se então o seguinte ganho

de realimentação de estados:
[ ][ ]
[ ] −1 [ ] 3 1 10 1
K = 0 1 (Co ) ∆cl (A) = 0 1
1 0 −2 7
[ ]
K= 10 1
Os exemplos 3.7 e 3.8 são facilmente realizáveis com o auxı́lio

do Matlab, Scilab ou outro software que possua a contribuição do ma-
temático alemão, Ackermann, já na forma de uma função pronta. Na
Tabela 11 mostra-se como seria possı́vel resolver e testar o Exemplo 3.8
no Matlab.
87
Tabela 11 – Código em MATLAB referente ao Exemplo 3.8.
A=[0 1;-2 -3]; B=[0;1]; C=[1 0]; D=0;

Co=ctrb(A,B); % matriz de controlabilidade
P=[-2+j*2*sqrt(2) -2-j*2*sqrt(2)]; % pólos/autovalores desejados de M.F.
K=acker(A,B,P) % funç~
ao da fórmula de Ackermann
eig(A-B*K) % Eigenvalues (autovalores) da matriz de M.F.
sys_cl=ss( (A-B*K), [0;0], C, D ); % sistema em M.F.

t=0:0.1:10; nit=length(t); % vetor tempo de simulaç~
ao e número de iteraç~
oes
yr(1:nit)=0; % referência nula para regulaç~
ao
x0=[1;0]; % condiç~
ao inicial dos estados x1 e x2, x=[x1;x2];
lsim(sys_cl,yr,t,x0); % simulaç~
ao linear do sistema em M.F. sendo regulado
88
89
4 CAPÍTULO 4
Projeto de controladores no espaço de estados via alocação de

pólos. Observadores de Estados. Compensadores dinâmicos. Controla-
dores digitais no espaço de estados.
4.1 INTRODUÇÃO
Neste capı́tulo iremos estender nosso conhecimento sobre con-

trole via realimentação total de estados, acrescentando o caso servo
ou de seguimento de referência, estudando o projeto de observador de
estados com a estrutura do Observador de Luenberger e como chegar
à forma conjunta controlador + observador, designada pelo nome de
compensador dinâmico.
Finalizaremos o conteúdo da disciplina retornando ao Controle
Digital, no qual veremos a forma de se obter o equivalente discreto via
ZOH de uma realização no espaço de estados, como realizar a simulação
deste sistema em laço iterativo tipo while ou for e como projetar e
implementar compensadores dinâmicos digitais.
Nesta etapa vamos considerar projetos com base em realimenta-
ção total de estados, mas que possam permitir o seguimento de refe-
rência e, preferencialmente, com offset nulo em regime permanente.
Antes de prosseguirmos, o leitor deve estar ciente que o caso
servo ou de seguimento de referência, no projeto de controladores no
espaço de estados, possui uma vasta gama de métodos relatados na
literatura de Controle Moderno. Cada método acrescenta ao estudante
alguma habilidade adicional no que se refere à compreensão da Álgebra
Linear, da Teoria de Sistemas e da Teoria de Controle.
Como não há tempo para relatar, neste documento, um grande
número de métodos de projeto, espera-se que o leitor possa buscar na
bibliografia do curso, outros métodos que complementem sua formação
como projetista de sistemas de controle no espaço de estados. Princi-
palmente, que avancem para os métodos ótimos de Controle Moderno,
que englobam o método do Regulador Linear Quadrático (LQR) e o
Filtro de Kalman (FK), culminando no compensador dinâmico mais
famoso da literatura de Controle e Sistemas: o regulador Linear Qua-
drático Gaussiano (LQG) (STEVENS et al., 2016).
90
4.2 PROJETO DE CONTROLADORES NO ESPAÇO DE ESTADOS
No projeto de controladores normalmente há a necessidade de

seguimento de referência e com a garantia de offset nulo. Nesse sen-
tido, apenas lembremos quão difundido é o uso de controladores do
tipo Proporcional-Integral (PI) na indústria e pensemos nos porquês.
Alguns destes porquês são a simplicidade do controlador e a conse-
quente confiabilidade, mas isto se deve, principalmente, à ação integral
que o PI traz, que quando aplicada a sistemas do tipo-0 (sem integra-
dor natural), garante a elevação do ganho de malha direta nas baixas
frequências, garantindo rejeição às perturbações e seguimento de refe-
rência com erro nulo em regime permanente.
A influência da ação Integral pode ser observada nos diagramas
de Bode como no exemplo da Fig. 29, em que há o decaimento, a partir
da frequência zero, de 20dB/déc, em decorrência do integrador 1/s na
malha direta, que neste exemplo é C(s)G(s) = 1/s(s + 1). A questão
então é aprender como se pode incluir esta ação Integral no projeto em
espaço de estados.
Bode Diagram
40
20
Magnitude (dB)
−20
−40
−60
−90
Phase (deg)
−135
−180
−2 −1 0 1
10 10 10 10
Frequency (rad/sec)
Figura 29 – Diagrama de Bode com ganho infinito na frequência zero

e o decaimento de 20dB/déc que atesta a presença da ação Integral na
malha direta, C(s)G(s).
Conforme vimos no final do Capı́tulo 3, a complexidade dos con-

troladores em espaço de estados reside na própria realização do sistema,
91
já que o controlador em si é baseado simplesmente em uma matriz ou

vetor de ganhos K. Por isto, para que se tenha ação Integral em um
controlador obtido com base em modelo em espaço de estados, deve-se
incluir o integrador ao modelo no espaço de estados. Este procedimento
é conhecido na literatura como augmentação do modelo de estados
pela inclusão de integrador.
Para entender o processo, consideremos um exemplo de um sis-
tema estável e do tipo-0. Isto é, um sistema sem integrador natural,
definido pelas seguintes expressões:
Kp = 0.9, ωn = 2rad/s, ζ = 0.2

Y (s) Kp ωn 2
G(s) = = 2
U (s) s + 2ζωn s + ωn 2
(4.1)
ÿ + 2ζωn ẏ + ωn 2 y = Kp ωn 2 u
x1 = y, x2 = ẏ
ẋ2 = −ωn 2 x1 − 2ζωn x2 + Kp ωn 2 u
[ ] [ ][ ] [ ]
ẋ1 0 1 x1 0
= + u
ẋ2 −ωn 2 −2ζωn x2 Kp ωn 2
[ ] (4.2)
[ ] x1
y= 1 0
x2
Na Fig. 30 são mostradas as respostas no tempo e em frequência

das representações por função de transferência e no espaço de estados,
onde fica evidente a ausência do integrador natural e a confirmação de
que se trata de um sistema do tipo-0. Nesta situação, um projeto de
controle por realimentação de estados com base nesta realização em
espaço de estados, sem integrador, acarretaria solução de controle sem
ação Integral e consequente offset não nulo no seguimento de referência.
Há então a necessidade de augmentação com integrador.
De uma forma forçada, a augmentação pela adição do integrador
seria equivalente a acrescentar 1/s à entrada da planta, ficando assim
o sistema aumentado,Ga (s), descrito por
[ ]
1 Y (s) 1 Kp ωn 2
Ga (s) = G(s) = = (4.3)
s sU (s) s s2 + 2ζωn s + ωn 2
em que Ua (s) = sU (s), que pode ser interpretado como sendo a va-
riação do sinal de controle U (s). Isto significa que o modelo au-
92
Step Response
1.5
Amplitude
1
0.5 TF
SS
0
0 2 4 6 8 10 12 14 16
Time (sec)
Bode Diagram
Magnitude (dB)
100
−100
Phase (deg)
0
TF
−90
SS
−180
−1 0 1 2
10 10 10 10
Frequency (rad/sec)
Figura 30 – Resposta no tempo e em frequência de sistema: represen-

tação por função de transferência (TF) e no espaço de estados (SS) de
um mesmo sistema tipo-0.
mentado (augmented ) de projeto, Ga (s), passa a ser uma virtualização

cuja entrada agora é a variação da entrada, Ua (s) = sU (s). Nesta con-
figuração a ordem final do modelo aumentado cresce, ficando este na
seguinte forma:
( )
Y (s) s3 + 2ζωn s2 + ωn 2 s = Kp ωn 2 Ua (s) . (4.4)
| {z }
sU (s)
Uma possı́vel realização para o modelo de projeto aumentado,

mostrado em (4.4), pode ser obtida fazendo-se
a a a
x1 = y, x2 = ẏ, x3 = ÿ,
a a
ẋ1 = x2
a
ẋ2 = a x3 (4.5)
a
ẋ3 = −ωn ( x2 ) − 2ζωn ( x3 ) + Kp ωn (ua )
2 a a 2
|{z}
u̇
Este sistema aumentado exibe as respostas ao degrau e em frequência,

como mostrado na Fig. 31. Observe que o degrau de entrada é, de fato,
93
Step Response
1500
Amplitude
1000
500 TF aug
SS aug
0
0 500 1000 1500
Time (sec)
Bode Diagram
Magnitude (dB)
20
TF aug
0
SS aug
−20
Phase (deg)
−90
−180
−270
−1 0 1
10 10 10
Frequency (rad/sec)
Figura 31 – Resposta no tempo e em frequência de sistema tipo-0

aumentado pela inclusão de integrador: representação por função de
transferência (TF aug) e no espaço de estados (SS aug) de um mesmo
sistema tipo-0 aumentado pela inclusão do integrador.
integrado ao longo do tempo, tal que a saı́da do sistema aumentado é

uma rampa, já que a integral do degrau é uma rampa. Além disto, o
Diagrama de Bode apresenta o decaimento de 20db/déc.
A descrição desse sistema aumentado, no espaço de estados, é
mostrada a seguir:
 a     
ẋ1 0 1 0 0
ẋa =  a ẋ2  =  0 0 1  xa +  0  (ua )
|{z}
a
ẋ3 0 −ωn −2ζωn
2
Kp ωn 2
| {z } | {z } u̇ (4.6)
Aa Ba
[ ] [ ]
ya = C 0 xa = 1 0 0 xa
| {z } | {z }
Ca Ca
Note
[ a que as novas] variáveis de estado, do vetor aumentado xa T =
x1 a x2 a x3 , não[são as mesmas
] do vetor do modelo nominal,
T
não aumentado, x = x1 x2 , apesar de possuı́rem uma relação
que ficará explı́cita mais adiante no texto, com a generalização do pro-
cedimento de augmentação com integrador.
O problema de controle no espaço de estados é formulado com
94
base no Problema de Regulação, isto é, uma lei de controle do tipo

u = −Kx. Na situação do projeto com modelo aumentado, veremos
que algumas peculiaridades devem ser destacadas:
• O sinal de controle é ua = u̇, mas a planta real precisa... isto
mesmo, precisa receber na entrada, o sinal u, já que ua é uma
virtualização matemática. Sendo assim, deve-se aplicar à entrada
da planta real (que por simulação é o modelo nominal), o seguinte
sinal:
∫
u = ua dt (4.7)
• O vetor de estados é xa , neste caso SISO, contém uma variável que

precisa seguir referência (a x1 = y) enquanto as demais somente
poderão ser reguladas. Portanto, a lei de controle precisa ser
modificada para a seguinte forma:
 a 
[ ] x1 − yr
ua = u̇ = −K (ē) = − k1 k2 k3  a x2 − 0  (4.8)
a
x3 − 0
| {z }
Vetor de Erros
A lei de controle para o caso servo ou de seguimento de referência,

para o modelo de projeto aumentado mostrado, pode ser definida
da seguinte forma:
ua = −Kxa + k1 yr (4.9)
sendo yr um sinal de referência a ser seguido.

Os efeitos da lei de controle do projeto com augmentação sobre o
modelo aumentado pode ser avaliado pela simples substituição de (4.9)
na equação de estados, que fornece
ẋa = Aa xa + Ba ua = Aa xa + Ba (−Kxa + k1 yr ) , (4.10)
ficando então, o sistema aumentado em malha fechada, definido como
ẋa = (Aa − Ba K) xa + (k1 Ba ) yr

(4.11)
ya = Ca xa
A análise do projeto em espaço de estados compreenderá, nor-

malmente, a verificação da alocação dos autovalores da matriz (Aa − Ba K),
95
teste de convergência do sistema em M.F. pela resposta ao degrau, tes-

tes de perturbações tipo carga e ruı́do, além dos testes de resposta em
frequência da malha direta, podendo estes serem feitos conforme se
destaca a seguir:
• Resposta ao degrau em M.F.: o modelo mostrado em (4.11) pode
ser facilmente definido no Matlab ou Simulink para que se verifi-
que a resposta em malha fechada com o ganho K projetado;
• Resposta em frequência da malha direta: faz-se da mesma forma
que no caso por função de transferência, pela conexão em série
do controlador com a planta, C(s)G(s), que no caso em espaço
de estados seria a mera multiplicação do ganho de realimentação
K sobre os estados em xa , sendo isto equivalente à substituição
da matriz/vetor Ca pela matriz/vetor K, tal que
ẋa = Aa xa + Ba ua
(4.12)
za = Kxa
A relação com o caso de ganho de malha direta por função de

transferência é facilmente verificada ao se converter o sistema em
(4.12) para o domı́nio s, tal que
Za (s) −1
= K(sI − Aa ) Ba . (4.13)
Ua (s)
A aplicação dos procedimentos de projeto apresentados sobre o

sistema descrito em (4.1) e (4.2), para uma alocação dos autovalores de
(Aa − Ba K) em −1, −1, −1, escolhidos com base na caracterı́stica de
garantir resposta sobreamortecida e constante de tempo de 1 segundo,
resultou no ganho de realimentação dado por
[ ]
K = 0.2778 −0.2778 0.6111 . (4.14)
Os resultados do exemplo desenvolvido, para o teste de resposta

ao degrau, são mostrados na Fig. 32, contendo a variação do sinal de
controle (ua (t)) e a saı́da controlada (y(t)). Observe que quando a saı́da
estabiliza com offset nulo em regime permanente, a variação de controle
tende a zero. No entanto, esta é uma virtualização matemática do
modelo aumentado, sendo necessário que ua (t) seja integrado e aplicado
na forma de u(t) à entrada da planta real.
Na Fig. 33 são apresentadas as variáveis de estados do modelo
aumentado, consideradas disponı́veis para a realimentação, neste exem-
96
Saida controlada com offset nulo.

1
y(t)
0.5
yr(t)
y(t)
0
0 2 4 6 8 10 12 14 16
Variacao do sinal de controle: ua = dot( u )

0.4
Variacao de controle ua tende a zero para t−>inf
0.3
ua(t)
0.2
0.1
0
0 2 4 6 8 10 12 14 16
Tempo (s)
Figura 32 – Variação do sinal de controle e saı́da controlada com offset

nulo.
plo. Observe que apenas a x1 (t) = y realiza o seguimento de referência

do degrau, enquanto que as duas outras variáveis de estado são regula-
das a zero.
Por fim, na Fig. 34 mostra-se a análise das margens de estabi-
lidade da malha direta, que se faz com o modelo de estados em M.A.
multiplicado pelo ganho de realimentação K. Nota-se que a ação Inte-
gral está presente na malha direta, que de fato é confirmado também
pelo teste de convergência à entrada degrau na referência yr (t).
O código para reproduzir esta simulação no Matlab é mostrado
na Tabela 12.
4.3 GENERALIZAÇÃO DO PROCEDIMENTO DE AUGMENTAÇÃO

COM INTEGRADOR
4.3.1 Augmentação pela variação do sinal de controle, ua (t):
Pode-se generalizar o método de augmentação do modelo de

estados pela derivação direta do modelo nominal de projeto, isto é,
97
Variaveis de estado do modelo aumentado.

1
xa1(t)
0.5 Seguimento de referencia
0
0 2 4 6 8 10 12 14 16
0.4
xa2(t)
0.2 Regulacao
0
0 2 4 6 8 10 12 14 16
0.5
xa3(t)
Regulacao
−0.5
0 2 4 6 8 10 12 14 16
Tempo (s)
Figura 33 – Variáveis de estado consideradas disponı́veis para a reali-

mentação. Destaque para o controle servo na variável a x1 (t), enquanto
as outras duas sofrem regulação a zero.
Bode Diagram
Gm = 11.1 dB (at 0.642 rad/sec) , Pm = 72.7 deg (at 0.231 rad/sec)
40
Magnitude (dB)
20
−20
−40
270
180
Phase (deg)
90
−90
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 34 – Análise das margens de ganho e de fase usando a malha

direta em espaço de estados.
98
Tabela 12 – Código em MATLAB referente ao projeto de controlador

no espaço de estados com modelo aumentado com integrador.
%% Controle por realimentacao de estados: caso continuo
% Sistema linear contı́nio descrito por FT
Kp=0.9; zeta=0.2; wn=2;
Gs = tf(Kp*wn^2,[1 2*zeta*wn wn^2]);
% Realizacao em state space com x1=y e x2=dot(y)
A = [0 1; -wn^2 -2*zeta*wn]; B=[0;Kp*wn^2]; C=[1 0]; D=0;
sys=ss(A,B,C,D);
% Teste dos modelos TF e SS
figure(1);
subplot(211),
step(Gs,sys); legend(’TF’,’SS’,0);
subplot(212),
bode(Gs,sys), grid;
legend(’TF’,’SS’,0);
%% Augmentacao dos modelos
% Caso TF
Gsa = tf(Kp*wn^2,[1 2*zeta*wn wn^2 0]);
% Caso SS
Aa = [0 1 0; 0 0 1; 0 -wn^2 -2*zeta*wn]; Ba = [0;0;Kp*wn^2];
Ca = [1 0 0]; Da=0;
sys_aug = ss(Aa,Ba,Ca,Da);
% Teste dos modelos TF e SS aumentados
figure(2);
subplot(211),
step(Gsa,sys_aug); legend(’TF aug’,’SS aug’,0);
subplot(212),
bode(Gsa,sys_aug), grid;
legend(’TF aug’,’SS aug’,0);
%% Projeto do controlador
% Analise de controlabilidade
Co = ctrb(Aa,Ba);
rank(Co)
det(Co)
% Analise dos polos de malha aberta
P=real(eig(Aa)) % polos desejados de malha fechada com base
% na parte real dos de malha aberta
P=[-1 -1 -1]’;
K=acker(Aa,Ba,P)
% Resolvendo a Eq. de Ackermann ’manualmente’
PMF=poly(P); % polinomio desejado de MF
PMF_A= PMF(1)*Aa^3 +PMF(2)*Aa^2 +PMF(3)*Aa +PMF(4)*eye(3);
K=[0 0 1]*inv(Co)*PMF_A
k1=K(1); % elemento do ganho que trata a referencia (K=[k1 k2 k3])
eig(Aa-Ba*K) % autovalores desejados alocados
%% Analise do sistema de controle projetado
% Convergencia pela resposta ao degrau (sistema MF)
Acl = Aa-Ba*K;
Bcl = k1*Ba;
Ccl = Ca;
sys_cl = ss(Acl, Bcl, Ccl, 0); % closed-loop
% Dados para a simulacao
[y,t,xa]=step(sys_cl);
nit = length(t); % numero de iteracoes da simulacao
yr=ones(1,nit); % vetor de referencia
ua=-K*xa’+k1*yr; % sinal de controle usado internamente pelo Matlab
figure(3);
subplot(211),
plot(t,yr,’:k’,t,y,’b’); ylabel(’y(t)’);
legend(’y_r(t)’,’y(t)’,0);
title(’Saida controlada com offset nulo.’);
subplot(212),
plot(t,ua,’b’); ylabel(’u_a(t)’); xlabel(’Tempo (s)’);
legend(’Variacao de controle ua tende a zero para t->inf’,0);
title(’Variacao do sinal de controle: u_a = dot( u ) ’);
figure(4); % variaveis de estado
subplot(311),
plot(t,xa(:,1)); ylabel(’x_a_1(t)’);
legend(’Seguimento de referencia’,0);
title(’Variaveis de estado do modelo aumentado.’);
subplot(312),
plot(t,xa(:,2)); ylabel(’x_a_2(t)’);
legend(’Regulacao’,0);
subplot(313),
plot(t,xa(:,3)); ylabel(’x_a_3(t)’); xlabel(’Tempo (s)’);
legend(’Regulacao’,0);
% Analise em frequencia (caso em MA): malha direta
Amd = Aa; Bmd = Ba; Cmd = K;
sys_md = ss(Amd, Bmd, Cmd, 0);
figure(5);
margin(sys_md);
99
derivando-se
ẋ = Ax + Bu
(4.15)
y = Cx
chega-se à forma
ẍ = Aẋ + B u̇
(4.16)
ẏ = C ẋ
Ao se considerar como vetor de estados aumentados, o vetor

[ ]
y
xa = (4.17)
ẋ
verifica-se que o modelo mostrado a seguir pode ser considerado como

um modelo canônico para augmentação para a inclusão de integradores:
[ ] [ ][ ] [ ]
ẏ 0 C y 0
= + u̇
ẍ 0 A ẋ B |{z}
| {z } | {z } | {z } | {z } ua
ẋa Aa xa Ba
[ ] (4.18)
[ ] y
y = 1 0
|{z} | {z } ẋ
ya Ca
Conforme mencionado no inı́cio deste capı́tulo, há inúmeras for-

mas de realizar a augmentação de modelos no espaço de estados e este
é apenas uma delas. No entanto, há um diferencial nesta forma, que
se deve ao fato dela utilizar somente variáveis que de fato são função
do modelo nominal. Isto acarreta garantia de controlabilidade e
observabilidade ao modelo aumentado, se o modelo nominal
já tiver estas propriedades.
Mais adiante veremos o caso de tempo discreto, no qual este
método é desenvolvido de maneira equivalente para uma variação da
sequência de controle, isto é, ∆u(k) = u(k) − u(k − 1).
Deve-se ter muito cuidado com os métodos de augmentação apre-
sentados nos livros clássicos de controle, pois alguns deles acarretam
problemas de observabilidade, inviabilizando projetos adequados de
compensadores dinâmicos, quando o uso do observador de estados é
obrigatório. Isto tem sido um sério problema em alguns trabalhos de
pesquisa recentes que pude avaliar na área dos MPCs (Model-based
Predictive Controllers), no qual o mau condicionamento dos modelos
100
de estado acabam por inviabilizar os sistemas preditores essenciais a

esses métodos de projeto de controladores.
O cenário descrito é algo que escapa dos engenheiros e alunos
de pós-graduação, muitas vezes, por causa de uma formação de gradu-
ação com base em bibliografia que supõe sempre que os estados estão
disponı́veis. Isto raramente é verdade e portanto, iremos acrescentar a
seguir, o estudo dos sistemas estimadores ou observadores de estados.
4.4 OBSERVADOR DE ESTADOS
O problema de observação de estados é dual ao problema de

controle por realimentação de estados. Isto se deve, pois o problema de
estimar estados em uma estratégia com realimentação (i.e., estimação
em malha fechada), pode ser visto como um sistema de controle que
busca levar a saı́da do estimador, ȳ(t), à saı́da medida y(t).
Pode-se fazer uma analogia com o problema de levar a saı́da
medida a seguir um sinal de referência yr (t). Logo, da mesma forma
que um controlador deve minimizar o erro de rastreamento, e(t) =
yr (t) − y(t), o observador deve minimizar o erro de estimação da saı́da
medida, isto é,
eest (t) = y(t) − ȳ(t) = Cx(t) − C x̄(t), (4.19)
onde x̄(t) é o vetor de estados estimados.

Observe, na Eq. (4.19), que se a saı́da estimada convergir à saı́da
medida, o erro de estimação tenderá a zero e, consequentemente,
x̄(t) → x(t) (4.20)
A estrutura do Observador de Estados, mostrada na Fig. 35,

está relatada em praticamente todos os livros de Controle e Sistemas
e apesar da simplicidade, a mesma estrutura pode ser projetada de
maneira heurı́stica, como no caso do Observador de Luenberger, ou
de maneira ótima e estocástica, como no caso do Filtro de Kalman
(STEVENS et al., 2016). De todo o modo, esta clássica estrutura pode
permitir que a virtualização das realizações em espaço de estados se
torne realidade, do ponto de vista da engenharia, fornecendo os estados
estimados x̄(t) para promover a realimentação de estados.
É importante destacar, na Fig. 35, que a caixa-preta represen-
tada pelo bloco Planta, simplesmente não possui qualquer saı́da relativa
ao seu vetor de estados x(t). Esse é exatamente o cenário real para a
101
Figura 35 – Diagrama de blocos de um Observador de Estados.
aplicação dos observadores. A ideia é que o modelo de estados do obser-

vador recebe o mesmo estı́mulo de entrada e, havendo diferença entre
y(t) e ȳ(t), esta é processada pelo ganho de realimentação do estima-
dor, ou ganho do estimador, L. As equações que regem a dinâmica
do estimador são
d
x̄ = Ax̄ + Bu + Leest
dt (4.21)
ȳ = C x̄
O erro de estimação, quando reescrito em função do vetor de

estados estimados, traz as equações do observador para um cenário
ainda mais amigável para quem já estudou controle por realimentação
de estados, tal que
d
x̄ = Ax̄ + Bu + L (y − C x̄)
dt
d
x̄ = (A − LC)x̄ + Bu + Ly (4.22)
dt
Note que o observador é então um sistema com pelo menos duas entra-
das, u(t) e y(t), cuja dinâmica é governada pelos autovalores da matriz
(A − LC). Sendo assim, todos os métodos de projeto aplicáveis ao caso
de controle por realimentação de estados servem para resolver os pro-
blemas de observação de estados, bastando para isto que a realização
seja observável. Como o problema de controle se estabelece a partir
da saı́da medida para os estados, a seguinte dualidade de projeto se
102
estabelece:
Controlador Observador
A ↔ AT
B ↔ CT
K ↔ LT
Co ↔ ObT
Com o uso da dualidade, o projeto de alocação de pólos via

Fórmula de Ackermann pode ser diretamente utilizado da seguinte ma-
neira:
• Ganho de controlador:
[ ] −1
K = 0 ··· 0 1 (Co ) ∆(A)
• Ganho de observador:
[ ]( )−1
LT = 0 · · · 0 1 ObT ∆(AT ) (4.23)
ou
−1 [ ]T
L = ∆(A)(Ob ) 0 ··· 0 1 (4.24)
A solução do problema de alocação dos autovalores de (A − LC)

sem a utilização da Fórmula de Ackermann também se dá da mesma
maneira que no caso controlador, igualando-se o polinômio caracterı́s-
tico de MF com o polinômio caracterı́stico desejado:
det [sI − (A − LC)] = ∆M F (s). (4.25)
O ganho do estimador, no caso SISO, assume a forma de um vetor

coluna, como
 
L1
 L2 
 
L= .  (4.26)
 .. 
Ln
Obs 1: como o problema de observação ou estimação de

estados nada mais é do que um problema de controle, está
sujeito aos mesmos problemas, como por exemplo, ter offset
não nulo em regime permanente, ter dinâmica oscilatória, ser
103
muito sensı́vel ao ruı́do de medição, entre outros problemas.

Nesse sentido, toda a análise de convergência, de estabilidade,
de robustez, é fundamental de ser realizada e respeitará a
dualidade entre projetos.
Obs 1: para sistemas do tipo-0, também no projeto do
observador pode ser necessário aumentar o modelo pela in-
clusão do integrador para garantir que haja offset nulo em
relação ao erro de estimação. Caso contrário, sempre haverá
algum offset na prática, pois sempre, na prática, o modelo
será diferente da planta real, além de que as perturbações de
entrada e saı́da também criarão um cenário de descasamento
entre planta e modelo, impedindo que os estados estimados
estejam aproximadamente equivalentes aos estados reais.
4.4.1 Teste de observador de estados
Assim como no caso controlador, há como verificar a convergên-

cia de resposta ao degrau e as propriedades de robustez a partir da
análise da malha direta do observador. No entanto, como se trata de
um sistema que é MIMO, ou seja, no mı́nimo tem duas entradas, u e
y, com múltiplos estados estimados como saı́das, pode-se simplificar a
análise a partir da entrada de maior interesse no problema de estima-
ção de estados, que é a saı́da medida. Sendo assim, os testes podem ser
realizados com base nas seguintes equações:
• Teste de convergência da resposta ao degrau em M.F.:

d
x̄ = (A − LC)x̄ + Ly (4.27)
dt
ȳ = C x̄ (4.28)
Nessa estrutura, a matriz de entrada vira a própria matriz L,

tendo como variável de entrada a saı́da medida y(t). Entenda
que este teste permite que se verifique como a saı́da estimada
ȳ(t) segue a saı́da medida y(t). Espera-se que essa convergência
seja o mais precisa possı́vel, para que se garanta que os estados
também estejam sendo adequadamente estimados.
• Teste de resposta em frequência com base na malha direta de

104
observador:
d
x̄ = Ax̄ + Ly
dt (4.29)
ȳ = C x̄
sendo este equivalente à seguinte relação de ganhos no domı́nio s:
Ȳ (s) −1
= C(sI − A) L (4.30)
Y (s)
Exemplo 4.1 Para o sistema subamortecido mostrado seguir, projete

um observador de estados, com offset nulo do erro de estimação, que
seja capaz de capturar as caracterı́sticas dinâmicas da banda passante
do sistema, mas que rejeite ruı́do de alta frequência, estabelecendo um
problema de alocação dos autovalores de (A − LC), tal que a frequência
de crossover seja de no máximo 10 rad/s:
Kp = 0.9, ωn = 2rad/s, ζ = 0.2

Y (s) Kp ωn 2
G(s) = = 2
U (s) s + 2ζωn s + ωn 2
(4.31)
ÿ + 2ζωn ẏ + ωn 2 y = Kp ωn 2 u
x1 = y, x2 = ẏ
ẋ2 = −ωn x1 − 2ζωn x2 + Kp ωn 2 u
2
[ ] [ ][ ] [ ]
ẋ1 0 1 x1 0
= + u
ẋ2 −ωn 2 −2ζωn x2 Kp ωn 2
[ ] (4.32)
[ ] x1
y= 1 0
x2
Teste de observabilidade do modelo nominal de projeto:

[ ] [ ]
C 1 0
Ob = = (4.33)
CA 0 1
det(Ob ) ̸= 0 (4.34)
Portanto, o modelo nominal é observável.

Augmentação do modelo pela adição de integrador para garantir
105
Bode Diagram
50
Magnitude (dB)
0
−50
−100
−150
−90
Phase (deg)
−180
−270
−1 0 1 2
10 10 10 10
Frequency (rad/sec)
Figura 36 – Diagrama de Bode do sistema aumentado com integrador.

A região em torno de 2rad/s mantém o pico de ressonância do modelo
nominal e define a banda de interesse de observação.
offset nulo em relação ao erro de estimação da saı́da medida:

[ ] [ ]
0 C 0
ẋa = xa + ua
0 A B (4.35)
[ ]
ya = C 0 xa
Esta forma de augmentação com integrador garante que se o modelo

nominal é observável, o modelo aumentado também será. O diagrama
de Bode do modelo aumentado é fornecido na Fig. 36.
Utilizando o valor da parte real dos pólos do sistema nominal
como referência para a escolha da alocação dos pólos do sistema obser-
vador, se estabeleceu uma relação 10 vezes mais veloz, isto é, o modelo
nominal possui par complexo conjugado com parte real em −0.4, en-
quanto a alocação do observador foi feita para os três autovalores em
−4, −4, −4.
A solução pelo método de Ackermann, de Observador, forneceu
o seguinte resultado:
[ ] (a )−1
LT = 0 0 1 ObT ∆(Aa T ) (4.36)
106
Convergencia da estimacao da saida

1.4
Saida Medida
Saida Estimada
1.2
1
Amplitude
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5
Tempo (s)
Figura 37 – Análise de convergência do estimador pelo teste de res-

posta ao degrau, no qual o degrau é simulado como a saı́da medida
y(t), enquanto que ȳ(t) segue y(t) com base na dinâmica do observador
projetado.
[ ]
LT = 11, 2 35, 04 −8, 832 (4.37)
O teste de convergência é feito com base no sistema observador

em malha fechada,
d
x̄a = (Aa − LCa ) x̄a + Ly
dt (4.38)
ȳ = Ca x̄a
em que a partir da saı́da medida se testa um determinado tipo de en-

trada conhecida. Note, que testa-se a partir da saı́da medida y(t) e
isto é uma simulação apenas, enquanto que na prática, este é o sinal
que vem da saı́da da planta, no qual o estimador/observador projetado
tentará seguir com ȳ(t). O resultado para o teste de convergência ao
degrau é mostrado na Fig. 37.
Além do teste de convergência, faz-se o teste de robustez com base
na resposta em frequência da malha direta do estimador, pelo teste em
107
Bode Diagram
Gm = Inf , Pm = 74.7 deg (at 11.7 rad/sec)
60
Magnitude (dB)
40
20
−20
−60
Phase (deg)
−90
−120
−150
−1 0 1 2
10 10 10 10
Frequency (rad/sec)
Figura 38 – Diagrama de Bode de malha direta do sistema observador,

contendo informações valiosas sobre as margens de ganho e de fase para
avaliação da robustez do sistema projetado. Destaque à atenuação de
alta frequência, para eliminar ruı́dos de medição.
malha aberta com o ganho L utilizando-se

d
x̄a = Aa x̄a + Ly
dt
ȳ = Ca x̄a
Este resultado é apresentado na Fig. 38.

Os testes finais relativos ao Observador deste exemplo vão com-
parar os dados do sistema nominal com os do sistema observador. De-
vido à complexidade dos testes, por envolverem perturbações de carga
e ruı́do no domı́nio de tempo contı́nuo, estes testes foram realizados
com o Simulink para simplificar o trabalho. O diagrama de simulação
implementado é mostrado na Fig. 39 e o código m-file de apoio, com
este projeto no Matlab, é apresentado na Tabela 13.
Os principais resultados dos testes com o observador de estados
projetado são mostrados nas figuras de 40 a 45, respectivamente para
os casos de estimação de saı́da e estados sob perturbação de carga (figs.
40 41); estimação de saı́da e estados sob perturbação de alta frequência
(figs. 42 43); estimação de saı́da e estados sob condições iniciais não
nulas (figs. 44 45).
108
[ruido]
ruido
[u] K*u 1/s K*u [y]

dot(x) x y
u B Integrator C Saida Medida
[load]
carga
K*u
[x]
A
Estados
[ruido] Nominais
[u] Variaveis de [y]
Entrada Band−Limited Ruido
Entrada Entrada u Saida
e White Noise
Medida2
Perturbacoes
du/dt [du] [load]
Saida Medida
Derivative Entrada dot(u) Perturbacao Carga [ya]
vs
de Carga
Saida Saida Estimada
Estimada1
K*u [y] [x] x1
x2
L Saida Estados x
Medida1
xa1
[du] K*u 1/s K*u [ya]
dot(xa) xa y [xa]
xa2
dot(u) Ba Integrator1 Ca Saida
Estados xa
Estimada xa3
Estados x
K*u [xa]
vs
Aa−L*Ca Estados Estados xa
Estimados estimados
saı́da, de estados, rejeição de perturbação de baixa e alta frequência.

Figura 39 – Diagrama de simulação no Simulink para os testes com o
Observador de Estados do Exemplo 4.1, para os casos de estimação de
109
Tabela 13 – Código em MATLAB referente ao projeto de observador

de estados do Exemplo 4.1.
% Observador de estados com base em modelo tipo-0
% aumentado por integrador
% Sistema linear contı́nio descrito por FT

Kp=0.9; zeta=0.2; wn=2;
Gs = tf(Kp*wn^2,[1 2*zeta*wn wn^2]);
% Realizacao em state space com x1=y e x2=dot(y)

A = [0 1; -wn^2 -2*zeta*wn]; B=[0;Kp*wn^2]; C=[1 0]; D=0;
sys=ss(A,B,C,D);
% Modelo de estados aumentado com integrador

Aa = [0 C; [0;0] A]; Ba = [0;B]; Ca=[C 0]; Da=0;
sysa=ss(Aa,Ba,Ca,Da);
% Analise de observabilidade dos modelos nominal e aumentado

disp([’Rank de Co do modelo nominal: ’ num2str(rank(obsv(A,C)))]);
disp([’Rank de Co do modelo aumentado: ’ num2str(rank(obsv(Aa,Ca)))]);
disp(’Modelos observaveis’);
% Analise em M.A. para definir a estrategia do observador

figure(1);
bode(sysa); grid; % resposta em freq, em M.A. sist. aumentado.
% Obs: como o sistema e subamortecido e tem freq. wn=2rad/s,
% esta sera uma freq que deve ser observada no diagrama de
% malha direta do observador. Ou seja, os polos do observador
% deverao operar em frequencia mais rapida que 2rad/s.
% Projeto do Observador de Estados

P = [-4 -4 -4]’; % Autovalores desejados de M.F.
L = acker(Aa’,Ca’,P)’ % Dualidade com o caso de controle
eig(Aa-L*Ca)
% Teste de convergencia em malha fechada

Acl = Aa-L*Ca; Bcl = L; Ccl = Ca; Dcl = 0;
syscl=ss(Acl, Bcl, Ccl, Dcl);
[yest,t,xest]=step(syscl,5); % valores estimados/observados
nit=length(t); % numero de iteracoes da simulacao step
y=ones(1,nit); % degrau como valor da saida medida para o teste
figure(2);
plot(t,y,’:k’,t,yest,’b’);
legend(’Saida Medida’,’Saida Estimada’);
title(’Convergencia da estimacao da saida’);
ylabel(’Amplitude’); xlabel(’Tempo (s)’);
% Teste em frequencia da malha direta em M.A.

Amd=Aa; Bmd=L; Cmd=Ca; Dmd=Da;
sysmd=ss(Amd,Bmd,Cmd,Dmd);
figure(3);
margin(sysmd);
110
1.4
1.2
Saida Medida
1 Saida Estimada
Amplitude
0.8
0.6
Aplicacao
0.4 da Carga
0.2
0
0 5 10 15 20 25
Tempo (s)
Figura 40 – Estimador de ȳ(t) robusto à perturbação de carga, com

offset nulo.
1.5
x1
1 xa1
0.5
0
0 5 10 15 20 25
2
x2
1 xa2
−1
0 5 10 15 20 25
2
xa3
0
−2
−4
0 5 10 15 20 25
Tempo (s)
Figura 41 – Estados estimados convergindo aos estados reais (exceto

no caso da perturbação de carga, já que esta foi simulada diretamente
sobre a saı́da, propositalmente, por motivo de simplificação da parte
matemática da revisão teórica).
111
1.5
1
Amplitude
0.5
Saida Medida
Saida Estimada
−0.5
0 5 10 15 20 25
Tempo (s)
Figura 42 – Estimador robusto às perturbações a partir da frequência

de 10rad/s.
2
x
1
1 xa1
−1
0 5 10 15 20 25
2
x2
1 xa2
−1
0 5 10 15 20 25
2
xa3
0
−2
−4
0 5 10 15 20 25
Tempo (s)
Figura 43 – Estimador robusto às perturbações a partir da frequência de

10rad/s, possibilitando a realimentação de variáveis de estado filtradas
para uma aplicação em controle.
112
1.4
1.2
0.8
Amplitude
0.6
Saida Medida
0.4 Saida Estimada
0.2
−0.2
0 1 2 3 4 5
Tempo (s)
Figura 44 – Estimação da saı́da mesmo sob condições iniciais não nulas.
2
x1
1 xa1
−1
0 1 2 3 4 5
2
x2
1 xa2
−1
0 1 2 3 4 5
2
xa3
0
−2
−4
0 1 2 3 4 5
Tempo (s)
Figura 45 – Estimação dos estados mesmo sob condições iniciais não

nulas de x1 e x2 .
113
Com o conhecimento adquirido sobre controladores por realimen-

tação de estados e também sobre como estimar as variáveis de estado,
pode-se então passar ao caso completo que propicia o projeto de com-
pensadores dinâmicos lineares.
4.5 COMPENSADOR DINÂMICO E O PRINCÍPIO DA SEPARA-

ÇÃO
A estrutura de um compensador dinâmico linear, no caso regu-

latório, é apresentada na Fig. 46. Esta é formada pela junção de um
sistema de observação de estados com um regulador por realimentação
de estados.
Figura 46 – Diagrama de blocos de um Compensador Dinâmico: reali-

mentação de estados estimados.
A junção entre regulador e observador se dá com base no Prin-

cı́pio da Separação, que estabelece que os projetos do regulador e
do observador podem ser feitos separadamente, desde que ambos sejam
assintoticamente estáveis. De todo o modo, em termos práticos, proje-
tos de reguladores e observadores com margens de estabilidade robusta
devem ser priorizados e com alguma sinergia, para que o Princı́pio da
Separação seja factı́vel.
A forma sinérgica mencionada diz respeito, principalmente, às
regiões de frequência em que cada parte do compensador vai operar.
Como exemplo, não faz sentido estabelecer no projeto do observador
uma frequência de corte inferior à frequência de corte do projeto do
regulador, haja vista que o controlador estará com uma banda passante
114
além da capacidade do sistema de estimação. Nesse sentido, deve-se

estabelecer regiões operacionais compatı́veis para se obter um projeto
de observador que não destrua o ganho de malha do regulador e
vice-versa (STEVENS et al., 2016).
Do ponto de vista de projeto, pelo Princı́pio da Separação, pode-
se afirmar que já temos todas as ferramentas para projetar um compen-
sador dinâmico. Portanto, vamos acrescentar apenas o equacionamento
para o caso de regulação e de seguimento de trajetória, para facilitar a
análise computacional desses sistemas.
4.5.1 Compensador dinâmico de regulação
Assume-se que o sistema nominal de projeto tem a forma
ẋ = Ax + Bu
(4.39)
y = Cx
e que este é do tipo-0, controlável e observável.

O sistema observador de estados é definido pelas seguintes equa-
ções:
d
x̄ = (A − LC) x̄ + Bu + Ly
dt (4.40)
ȳ = C x̄
A regulação por realimentação total de estados estimados modi-

fica a lei de controle para a forma
u = −K x̄. (4.41)
O problema do compensador pode ser estudado com base em um

sistema aumentado pela junção do regulador com o observador, que em
termos de variáveis de estado, pode ser compreendido pelo seguinte
vetor de estados de compensador:
[ ]
x
xc = (4.42)
x̄
Substituindo a lei de controle em (4.41) tanto no modelo nominal

como no sistema observador, também pela substituição da saı́da medida
115
y = Cx na equação do estimador, obtém-se

d
x = Ax + B (−K x̄)
dt (4.43)
d
x̄ = (A − LC) x̄ + B (−K x̄) + L (Cx)
dt
Estas equações podem ser escritas com base no novo vetor de estados
do compensador dinâmico, xc , tal que
[ ]
A −BK
ẋc = xc
LC A − LC − BK
[ ] [ ] (4.44)
y C 0
yc = = xc
ȳ 0 C
Estas equações representam o compensador dinâmico em malha fechada

com o modelo nominal para o caso regulatório.
4.5.2 Compensador dinâmico no caso servo
Para o caso servo ou de seguimento de referência, a mudança na

lei de controle que esta agora ficará em função dos estados estimados,
tal que,
u = −K x̄ + k1 yr (4.45)
no qual o ganho k1 é o primeiro elemento do vetor de ganhos K e possui

valor escalar no caso SISO.
De maneira análoga ao caso regulatório, faz-se a substituição da
lei de controle servo nas equações do modelo nominal e do observador
de estados, chegando-se assim às seguintes equações:
d
x = Ax + B (−K x̄ + k1 yr )
dt (4.46)
d
x̄ = (A − LC) x̄ + B (−K x̄ + k1 yr ) + L (Cx)
dt
Estas equações podem ser reescritas em função de um vetor de estados
definido para o caso servo,
[ ]
x
xs = (4.47)
x̄
116
O sistema completo assume a seguinte estrutura:

[ ] [ ]
A −BK k1 B
ẋs = xs + yr
LC A − LC − BK k1 B
[ ] [ ] (4.48)
y C 0
ys = = xs
ȳ 0 C
É importante destacar que para que se tenha a garantia de offset

nulo em regime permanente, o modelo em espaço de estados deverá ser
aumentado pela inclusão de integradores se o sistema for do tipo-0.
4.6 EQUIVALENTE DISCRETO POR ZOH EM ESPAÇO DE ESTA-

DOS
bla bla bla
4.7 COMPENSADOR DINÂMICO DIGITAL
bla bla bla

117
REFERÊNCIAS
ASTROM, K. J.; WITTENMARK, B. Computer-controlled systems:

theory and design. 3rd. ed. Mineola, NY, USA: Dover Publications,
2011.
COELHO, A. A. R.; COELHO, L. d. S. Identificação de Sistemas
Dinâmicos Lineares. Florianópolis, SC, Brasil: Editora da UFSC,
2004.
DORF, R. C.; BISHOP, R. H. Modern control systems. 8th. ed. Upper

Saddle River, NJ, USA: Addison Wesley Longman, Inc, 1998. ISBN
0-201-30864-9.
FRANCA, A. A.; SILVEIRA, A. S.; COELHO, A. A. R.; GOMES,
F. J.; MEZA, C. Teaching PID tuning with IMC design for
dynamic systems using ScicosLab. IFAC Proceedings Volumes
(IFAC-PapersOnline), v. 18, p. 1–6, 2011.
FRANKLIN, G. F.; POWELL, J. D.; WORKMAN, M. L. Digital

Control of Dynamic Systems. 3rd. ed. [S.l.]: Addison-Wesley, 1997.
MAYA, P.; LEONARDI, F. Controle Essencial. 2a. ed. [S.l.]: Pearson

Education do Brazil Ltda., 2014.
MORARI, M.; ZAFIRIOU, E. Robust Process Control. 1st. ed. New

Jersey, USA: Prentice Hall, 1989.
OGATA, K. Discrete-time Control Systems. Upper Saddle River, NJ,

USA: Prentice-Hall, Inc., 1987. ISBN 0-132-16102-8.
SEBORG, D. E.; EDGAR, T. F.; MELLICHAMP, D. A. Process

Dynamics and Control. 2. ed. [S.l.]: John Wiley & Sons, 2003. ISBN
9780471000778.
STEVENS, B. L.; LEWIS, F. L.; JOHNSON, E. N. Aircraft Control
and Simulation: dynamics, controls design, and autonomous systems.
3rd. ed. [S.l.]: John Wiley & Sons, Inc., 2016.

SC2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

SC2 PDF

Enviado por

Dados do documento

Título 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

SC2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

INSTITUTO DE TECNOLOGIA DA UFPA

FACULDADE DE ENGENHARIA ELÉTRICA E

Prof. Antonio S. Silveira

SC2 – SISTEMAS DE CONTROLE II:

Controle digital de sistemas: equivalentes discretos de sistemas

Capı́tulo 1: Sistemas de tempo discreto, a dados amostrados e controlados por

O curso de Sistemas de Controle II (SC2) está organizado vi-

EXEMPLOS DE PLANTAS DIDÁTICAS “DE BOLSO”

Plantas didáticas, são versões robustas, simples de usar e nor-

Em uma planta tipo circuito RC (composta de resistor e capaci-

Figura 1 – Processo elétrico RC de primeira ordem ou sobreamortecido.

Mais adiante no curso, ficará claro o porquê de um processo de

CIRCUITO ELETRÔNICO SUB-AMORTECIDO

O circuito eletrônico sub-amortecido do LACOS é um processo

Figura 2 – Processo eletrônico sub-amortecido (do LACOS).

onde Kp , ξ, ωn , são, respectivamente, o ganho estático, o coeficiente de

ARDUINO-BASED ROBOT ARM JOINT

O ArduRAJ (cf. Fig. 4) do LACOS é uma planta didática por-

Figura 3 – Diagrama de circuito do processo eletrônico sub-amortecido.

de posição em ambientes de ensino e pesquisa. Este sistema possui um

O processo Motor Tacogerador (MTG), apresentado na Fig. 5,

Figura 4 – Processo didático LACOS ArduRAJ (lacos.ufpa.br).

Coelho e Prof. Silveira, encontrados no CV-Lattes de cada um.

A avaliação dos alunos se dará por meio de duas provas e uma

Figura 5 – Processo didático DAS-UFSC MTG (FRANCA et al., 2011).

• REPROVAÇÃO POR FALTAS: de acordo com a RESOLU-

• Data da Prova 02: 11/07/2018.

Sistemas de tempo discreto, a dados amostrados e controlados

1.1 INTRODUÇÃO AOS SISTEMAS DE TEMPO DISCRETO

A teoria de Controle Digital estabelece toda uma nova famı́lia

permanece em “hold”, denominado perı́odo de amostragem, o processo

Exemplo 1.1 Para o sistema mostrado a seguir, qual é a menor frequên-

Cada pólo determina uma frequência crı́tica do sistema, sendo

é de 3 rad/s. Sendo assim,

A transformada z é a análoga discreta da transformada de La-

Expandindo-se o somatório em (1.1) verifica-se que

F (z) = f (0) + f (Ts )z −1 + f (2Ts )z −2 + · · · + f (kTs )z −k + · · · (1.2)

e que os termos z −k nessa série indicam o instante no tempo em que a

1.3 EQUAÇÕES A DIFERENÇAS

Sistemas dinâmicos discretos podem ser descritos por equações

Pela transformada z, a relação zF (z) := f (k+1) ou z −1 F (z) := f (k−1)

y(k + 2) + a1 y(k + 1) + a2 y(k) = b0 u(k + 1) + b1 u(k) (1.6)

é a equação a diferenças descrita na forma em avanço. A forma filtrada,

y(k) + a1 y(k − 1) + a2 y(k − 2) = b0 u(k − 1) + b1 u(k − 2). (1.7)

Em (1.7), considere que y(k) é a saı́da do sistema no instante

Tabela 1 – Exemplo de código MATLAB para simular um sistema dis-

1.3.1 Solução de equações a diferenças

Mais adiante relacionaremos as equações a diferenças à Trans-

Tabela 2 – Código em C para Arduino como exemplo de PID digital

e[2] = e[1]; // Shifting data for the next loop

no domı́nio do operador s de Laplace.

Exemplo 1.2 Consideremos o seguinte exemplo de segunda ordem,

y(k) + a1 y(k − 1) + a2 y(k − 2) = 0. (1.8)

Admitindo-se que y(k) = λk , λ ∈ C, então,

A solução para o exemplo de segunda ordem em (1.8) é obtida

onde ci , i = 1, 2, . . . , n, corresponde às condições iniciais, e.g. y(−1),

Exemplo 1.3 Determine a solução da equação a diferenças, homogê-

y(k) + 2y(k − 1) − 8y(k − 2) = 0. (1.11)

As raı́zes de (1.11) são λ1 = 2, λ2 = −4 (MATLAB -> roots([1