Representación del espacio de estados

Modelo matemático de un sistema en ingeniería de control.

En ingeniería de control e identificación de sistemas , una representación en el espacio de estados es un modelo matemático de un sistema físico especificado como un conjunto de entradas, salidas y variables relacionadas por ecuaciones diferenciales de primer orden o ecuaciones en diferencias . Dichas variables, llamadas variables de estado , evolucionan con el tiempo de una manera que depende de los valores que tienen en un instante dado y de los valores impuestos externamente de las variables de entrada. Los valores de las variables de salida dependen de los valores de las variables de estado y también pueden depender de los valores de las variables de entrada.

El espacio de estados o espacio de fases es el espacio geométrico en el que los ejes son las variables de estado. El estado del sistema se puede representar como un vector , el vector de estado .

Si el sistema dinámico es lineal, invariante en el tiempo y de dimensión finita, entonces las ecuaciones diferenciales y algebraicas pueden escribirse en forma matricial . ^{[1] [2]} El método del espacio de estados se caracteriza por la algebrización de la teoría general de sistemas , lo que permite utilizar estructuras vectoriales-matriciales de Kronecker . La capacidad de estas estructuras se puede aplicar eficientemente a sistemas de investigación con o sin modulación. ^[3] La representación en el espacio de estados (también conocida como " enfoque en el dominio del tiempo ") proporciona una manera conveniente y compacta de modelar y analizar sistemas con múltiples entradas y salidas. Con entradas y salidas, de otro modo tendríamos que escribir transformadas de Laplace para codificar toda la información sobre un sistema. A diferencia del enfoque en el dominio de la frecuencia , el uso de la representación en el espacio de estados no se limita a sistemas con componentes lineales y condiciones iniciales cero. ${\displaystyle p}$ ${\displaystyle q}$ ${\displaystyle q\times p}$

El modelo de espacio de estados se puede aplicar en materias como economía, ^[4] estadística, ^[5] informática e ingeniería eléctrica, ^[6] y neurociencia. ^[7] En econometría , por ejemplo, los modelos de espacio de estados se pueden utilizar para descomponer una serie de tiempo en tendencia y ciclo, componer indicadores individuales en un índice compuesto, ^[8] identificar puntos de inflexión del ciclo económico y estimar el PIB utilizando datos latentes. y series temporales no observadas. ^{[9] [10]} Muchas aplicaciones se basan en el filtro de Kalman o en un observador de estado para producir estimaciones de las variables de estado actuales desconocidas utilizando sus observaciones previas. ^{[11] [12]}

Variables de estado

Las variables de estado internas son el subconjunto más pequeño posible de variables del sistema que pueden representar el estado completo del sistema en un momento dado. ^[13] El número mínimo de variables de estado requeridas para representar un sistema dado, generalmente es igual al orden de la ecuación diferencial que define el sistema, pero no necesariamente. Si el sistema se representa en forma de función de transferencia, el número mínimo de variables de estado es igual al orden del denominador de la función de transferencia después de haber sido reducido a una fracción adecuada. Es importante comprender que al convertir una realización del espacio de estados a una forma de función de transferencia se puede perder cierta información interna sobre el sistema y puede proporcionar una descripción de un sistema que es estable, cuando la realización del espacio de estados es inestable en ciertos puntos. En los circuitos eléctricos, el número de variables de estado suele ser, aunque no siempre, el mismo que el número de elementos de almacenamiento de energía en el circuito, como condensadores e inductores . Las variables de estado definidas deben ser linealmente independientes, es decir, ninguna variable de estado puede escribirse como una combinación lineal de las otras variables de estado, o el sistema no puede resolverse. ${\displaystyle n}$

Sistemas lineales

Representación en diagrama de bloques de las ecuaciones lineales en el espacio de estados.

La representación en el espacio de estados más general de un sistema lineal con entradas, salidas y variables de estado se escribe de la siguiente forma: ^[14] ${\displaystyle p}$ ${\displaystyle q}$ ${\displaystyle n}$

${\displaystyle {\dot {\mathbf {x} }}(t)=\mathbf {A} (t)\mathbf {x} (t)+\mathbf {B} (t)\mathbf {u} (t)}$

${\displaystyle \mathbf {y} (t)=\mathbf {C} (t)\mathbf {x} (t)+\mathbf {D} (t)\mathbf {u} (t)}$

dónde:

${\displaystyle \mathbf {x} (\cdot )}$se llama "vector de estado",  ; ${\displaystyle \mathbf {x} (t)\in \mathbb {R} ^{n}}$

${\displaystyle \mathbf {y} (\cdot )}$se llama "vector de salida",  ; ${\displaystyle \mathbf {y} (t)\in \mathbb {R} ^{q}}$

${\displaystyle \mathbf {u} (\cdot )}$se llama "vector de entrada (o control)",  ; ${\displaystyle \mathbf {u} (t)\in \mathbb {R} ^{p}}$

${\displaystyle \mathbf {A} (\cdot )}$es la "matriz de estado (o sistema)",  , ${\displaystyle \dim[\mathbf {A} (\cdot )]=n\times n}$

${\displaystyle \mathbf {B} (\cdot )}$es la "matriz de entrada",  , ${\displaystyle \dim[\mathbf {B} (\cdot )]=n\times p}$

${\displaystyle \mathbf {C} (\cdot )}$es la "matriz de salida",  , ${\displaystyle \dim[\mathbf {C} (\cdot )]=q\times n}$

${\displaystyle \mathbf {D} (\cdot )}$es la "matriz de alimentación directa (o alimentación directa)" (en los casos en que el modelo del sistema no tiene una alimentación directa, es la matriz cero)  , ${\displaystyle \mathbf {D} (\cdot )}$ ${\displaystyle \dim[\mathbf {D} (\cdot )]=q\times p}$

${\displaystyle {\dot {\mathbf {x} }}(t):={\frac {d}{dt}}\mathbf {x} (t)}$.

En esta formulación general, se permite que todas las matrices sean variables en el tiempo (es decir, sus elementos pueden depender del tiempo); sin embargo, en el caso común de LTI , las matrices serán invariantes en el tiempo. La variable de tiempo puede ser continua (p. ej .) o discreta (p. ej. ). En este último caso se suele utilizar la variable tiempo en lugar de . Los sistemas híbridos permiten dominios de tiempo que tienen partes tanto continuas como discretas. Dependiendo de los supuestos hechos, la representación del modelo de espacio de estados puede asumir las siguientes formas: ${\displaystyle t}$ ${\displaystyle t\in \mathbb {R} }$ ${\displaystyle t\in \mathbb {Z} }$ ${\displaystyle k}$ ${\displaystyle t}$

Ejemplo: caso LTI de tiempo continuo

Las características de estabilidad y respuesta natural de un sistema LTI de tiempo continuo (es decir, lineal con matrices constantes con respecto al tiempo) se pueden estudiar a partir de los valores propios de la matriz . La estabilidad de un modelo espacio-estado invariante en el tiempo se puede determinar observando la función de transferencia del sistema en forma factorizada. Entonces se verá así: ${\displaystyle \mathbf {A} }$

${\displaystyle {\textbf {G}}(s)=k{\frac {(s-z_{1})(s-z_{2})(s-z_{3})}{(s-p_{1})(s-p_{2})(s-p_{3})(s-p_{4})}}.}$

El denominador de la función de transferencia es igual al polinomio característico encontrado tomando el determinante de , ${\displaystyle s\mathbf {I} -\mathbf {A} }$

${\displaystyle \lambda (s)=|s\mathbf {I} -\mathbf {A} |.}$

Las raíces de este polinomio (los valores propios ) son los polos de la función de transferencia del sistema (es decir, las singularidades donde la magnitud de la función de transferencia es ilimitada). Estos polos se pueden utilizar para analizar si el sistema es asintóticamente estable o marginalmente estable . Un enfoque alternativo para determinar la estabilidad, que no implica calcular valores propios, es analizar la estabilidad de Lyapunov del sistema .

Los ceros que se encuentran en el numerador de pueden usarse de manera similar para determinar si el sistema es de fase mínima . ${\displaystyle {\textbf {G}}(s)}$

El sistema aún puede ser estable de entrada y salida (ver BIBO estable ) aunque no sea internamente estable. Este puede ser el caso si los polos inestables se cancelan con ceros (es decir, si esas singularidades en la función de transferencia son eliminables ).

Controlabilidad

La condición de controlabilidad del estado implica que es posible – mediante entradas admisibles – dirigir los estados desde cualquier valor inicial a cualquier valor final dentro de una ventana de tiempo finita. Un modelo de espacio de estados lineal continuo e invariante en el tiempo es controlable si y sólo si

${\displaystyle \operatorname {rank} {\begin{bmatrix}\mathbf {B} &\mathbf {A} \mathbf {B} &\mathbf {A} ^{2}\mathbf {B} &\cdots &\mathbf {A} ^{n-1}\mathbf {B} \end{bmatrix}}=n,}$

donde rango es el número de filas linealmente independientes en una matriz y donde n es el número de variables de estado.

Observabilidad

La observabilidad es una medida de qué tan bien se pueden inferir los estados internos de un sistema mediante el conocimiento de sus resultados externos. La observabilidad y controlabilidad de un sistema son duales matemáticos (es decir, como la controlabilidad proporciona que esté disponible una entrada que lleva cualquier estado inicial a cualquier estado final deseado, la observabilidad establece que conocer una trayectoria de salida proporciona suficiente información para predecir el estado inicial del sistema). ).

Un modelo de espacio de estados lineal continuo e invariante en el tiempo es observable si y sólo si

${\displaystyle \operatorname {rank} {\begin{bmatrix}\mathbf {C} \\\mathbf {C} \mathbf {A} \\\vdots \\\mathbf {C} \mathbf {A} ^{n-1}\end{bmatrix}}=n.}$

Función de transferencia

La " función de transferencia " de un modelo de espacio de estados lineal continuo invariante en el tiempo se puede derivar de la siguiente manera:

Primero, tomando la transformada de Laplace de

${\displaystyle {\dot {\mathbf {x} }}(t)=\mathbf {A} \mathbf {x} (t)+\mathbf {B} \mathbf {u} (t)}$

rendimientos

${\displaystyle s\mathbf {X} (s)-\mathbf {x} (0)=\mathbf {A} \mathbf {X} (s)+\mathbf {B} \mathbf {U} (s).}$

A continuación, simplificamos para , dando ${\displaystyle \mathbf {X} (s)}$

${\displaystyle (s\mathbf {I} -\mathbf {A} )\mathbf {X} (s)=\mathbf {x} (0)+\mathbf {B} \mathbf {U} (s)}$

y por lo tanto

${\displaystyle \mathbf {X} (s)=(s\mathbf {I} -\mathbf {A} )^{-1}\mathbf {x} (0)+(s\mathbf {I} -\mathbf {A} )^{-1}\mathbf {B} \mathbf {U} (s).}$

Sustituyendo en la ecuación de salida ${\displaystyle \mathbf {X} (s)}$

${\displaystyle \mathbf {Y} (s)=\mathbf {C} \mathbf {X} (s)+\mathbf {D} \mathbf {U} (s),}$

donación

${\displaystyle \mathbf {Y} (s)=\mathbf {C} ((s\mathbf {I} -\mathbf {A} )^{-1}\mathbf {x} (0)+(s\mathbf {I} -\mathbf {A} )^{-1}\mathbf {B} \mathbf {U} (s))+\mathbf {D} \mathbf {U} (s).}$

Suponiendo condiciones iniciales cero y un sistema de entrada única y salida única (SISO) , la función de transferencia se define como la relación entre salida y entrada . Sin embargo, para un sistema de múltiples entradas y múltiples salidas (MIMO) , esta relación no está definida. Por lo tanto, suponiendo condiciones iniciales cero, la matriz de la función de transferencia se deriva de ${\displaystyle \mathbf {x} (0)=\mathbf {0} }$ ${\displaystyle G(s)=Y(s)/U(s)}$

${\displaystyle \mathbf {Y} (s)=\mathbf {G} (s)\mathbf {U} (s)}$

utilizando el método de igualar los coeficientes que produce

${\displaystyle \mathbf {G} (s)=\mathbf {C} (s\mathbf {I} -\mathbf {A} )^{-1}\mathbf {B} +\mathbf {D} }$.

En consecuencia, es una matriz con la dimensión que contiene funciones de transferencia para cada combinación de entrada y salida. Debido a la simplicidad de esta notación matricial, la representación en espacio de estados se usa comúnmente para sistemas de múltiples entradas y múltiples salidas. La matriz del sistema Rosenbrock proporciona un puente entre la representación del espacio de estados y su función de transferencia . ${\displaystyle \mathbf {G} (s)}$ ${\displaystyle q\times p}$

Realizaciones canónicas

Cualquier función de transferencia dada que sea estrictamente adecuada se puede transferir fácilmente al espacio de estados mediante el siguiente enfoque (este ejemplo es para un sistema de 4 dimensiones, de una sola entrada y una sola salida):

Dada una función de transferencia, expándala para revelar todos los coeficientes tanto en el numerador como en el denominador. Esto debería resultar en la siguiente forma:

${\displaystyle {\textbf {G}}(s)={\frac {n_{1}s^{3}+n_{2}s^{2}+n_{3}s+n_{4}}{s^{4}+d_{1}s^{3}+d_{2}s^{2}+d_{3}s+d_{4}}}.}$

Los coeficientes ahora se pueden insertar directamente en el modelo de espacio de estados mediante el siguiente enfoque:

${\displaystyle {\dot {\mathbf {x} }}(t)={\begin{bmatrix}0&1&0&0\\0&0&1&0\\0&0&0&1\\-d_{4}&-d_{3}&-d_{2}&-d_{1}\end{bmatrix}}\mathbf {x} (t)+{\begin{bmatrix}0\\0\\0\\1\end{bmatrix}}\mathbf {u} (t)}$

${\displaystyle \mathbf {y} (t)={\begin{bmatrix}n_{4}&n_{3}&n_{2}&n_{1}\end{bmatrix}}\mathbf {x} (t).}$

Esta realización del espacio de estados se llama forma canónica controlable porque se garantiza que el modelo resultante será controlable (es decir, debido a que el control ingresa a una cadena de integradores, tiene la capacidad de mover cada estado).

Los coeficientes de la función de transferencia también se pueden utilizar para construir otro tipo de forma canónica.

${\displaystyle {\dot {\textbf {x}}}(t)={\begin{bmatrix}0&0&0&-d_{4}\\1&0&0&-d_{3}\\0&1&0&-d_{2}\\0&0&1&-d_{1}\end{bmatrix}}{\textbf {x}}(t)+{\begin{bmatrix}n_{4}\\n_{3}\\n_{2}\\n_{1}\end{bmatrix}}{\textbf {u}}(t)}$

${\displaystyle {\textbf {y}}(t)={\begin{bmatrix}0&0&0&1\end{bmatrix}}{\textbf {x}}(t).}$

Esta realización del espacio de estados se llama forma canónica observable porque se garantiza que el modelo resultante será observable (es decir, debido a que la salida sale de una cadena de integradores, cada estado tiene un efecto sobre la salida).

Funciones de transferencia adecuadas

Las funciones de transferencia que sólo son apropiadas (y no estrictamente apropiadas ) también se pueden realizar con bastante facilidad. El truco aquí consiste en separar la función de transferencia en dos partes: una parte estrictamente propia y una constante.

${\displaystyle {\textbf {G}}(s)={\textbf {G}}_{\mathrm {SP} }(s)+{\textbf {G}}(\infty ).}$

La función de transferencia estrictamente adecuada se puede transformar en una realización canónica del espacio de estados utilizando las técnicas mostradas anteriormente. La realización de la constante en el espacio de estados es trivial . Juntos obtenemos una realización del espacio de estados con las matrices A , B y C determinadas por la parte estrictamente propia, y la matriz D determinada por la constante. ${\displaystyle {\textbf {y}}(t)={\textbf {G}}(\infty ){\textbf {u}}(t)}$

Aquí tenéis un ejemplo para aclarar un poco las cosas:

${\displaystyle {\textbf {G}}(s)={\frac {s^{2}+3s+3}{s^{2}+2s+1}}={\frac {s+2}{s^{2}+2s+1}}+1}$

lo que produce la siguiente realización controlable

${\displaystyle {\dot {\textbf {x}}}(t)={\begin{bmatrix}-2&-1\\1&0\\\end{bmatrix}}{\textbf {x}}(t)+{\begin{bmatrix}1\\0\end{bmatrix}}{\textbf {u}}(t)}$

${\displaystyle {\textbf {y}}(t)={\begin{bmatrix}1&2\end{bmatrix}}{\textbf {x}}(t)+{\begin{bmatrix}1\end{bmatrix}}{\textbf {u}}(t)}$

Observe cómo la salida también depende directamente de la entrada. Esto se debe a la constante de la función de transferencia. ${\displaystyle {\textbf {G}}(\infty )}$

Comentario

Modelo típico de espacio de estados con retroalimentación

Un método común de retroalimentación es multiplicar la salida por una matriz K y establecerla como entrada al sistema: . Dado que los valores de K no tienen restricciones, los valores pueden negarse fácilmente debido a la retroalimentación negativa . La presencia de un signo negativo (la notación común) es meramente notacional y su ausencia no tiene ningún impacto en los resultados finales. ${\displaystyle \mathbf {u} (t)=K\mathbf {y} (t)}$

${\displaystyle {\dot {\mathbf {x} }}(t)=A\mathbf {x} (t)+B\mathbf {u} (t)}$

${\displaystyle \mathbf {y} (t)=C\mathbf {x} (t)+D\mathbf {u} (t)}$

se convierte

${\displaystyle {\dot {\mathbf {x} }}(t)=A\mathbf {x} (t)+BK\mathbf {y} (t)}$

${\displaystyle \mathbf {y} (t)=C\mathbf {x} (t)+DK\mathbf {y} (t)}$

Resolver la ecuación de salida y sustituirla en la ecuación de estado da como resultado ${\displaystyle \mathbf {y} (t)}$

${\displaystyle {\dot {\mathbf {x} }}(t)=\left(A+BK\left(I-DK\right)^{-1}C\right)\mathbf {x} (t)}$

${\displaystyle \mathbf {y} (t)=\left(I-DK\right)^{-1}C\mathbf {x} (t)}$

La ventaja de esto es que los valores propios de A se pueden controlar estableciendo K adecuadamente mediante la descomposición propia de . Esto supone que el sistema de circuito cerrado es controlable o que los valores propios inestables de A pueden estabilizarse mediante la elección adecuada de K. ${\displaystyle \left(A+BK\left(I-DK\right)^{-1}C\right)}$

Ejemplo

Para un sistema estrictamente propio, D es igual a cero. Otra situación bastante común es cuando todos los estados son salidas, es decir, y = x , lo que produce C = I , la matriz de identidad . Esto daría como resultado las ecuaciones más simples

${\displaystyle {\dot {\mathbf {x} }}(t)=\left(A+BK\right)\mathbf {x} (t)}$

${\displaystyle \mathbf {y} (t)=\mathbf {x} (t)}$

Esto reduce la descomposición propia necesaria a solo . ${\displaystyle A+BK}$

Retroalimentación con entrada de punto de ajuste (referencia)

Realimentación de salida con punto de ajuste

Además de la retroalimentación, se puede agregar una entrada, de modo que . ${\displaystyle r(t)}$ ${\displaystyle \mathbf {u} (t)=-K\mathbf {y} (t)+\mathbf {r} (t)}$

${\displaystyle {\dot {\mathbf {x} }}(t)=A\mathbf {x} (t)+B\mathbf {u} (t)}$

${\displaystyle \mathbf {y} (t)=C\mathbf {x} (t)+D\mathbf {u} (t)}$

se convierte

${\displaystyle {\dot {\mathbf {x} }}(t)=A\mathbf {x} (t)-BK\mathbf {y} (t)+B\mathbf {r} (t)}$

${\displaystyle \mathbf {y} (t)=C\mathbf {x} (t)-DK\mathbf {y} (t)+D\mathbf {r} (t)}$

Resolver la ecuación de salida y sustituirla en la ecuación de estado da como resultado ${\displaystyle \mathbf {y} (t)}$

${\displaystyle {\dot {\mathbf {x} }}(t)=\left(A-BK\left(I+DK\right)^{-1}C\right)\mathbf {x} (t)+B\left(I-K\left(I+DK\right)^{-1}D\right)\mathbf {r} (t)}$

${\displaystyle \mathbf {y} (t)=\left(I+DK\right)^{-1}C\mathbf {x} (t)+\left(I+DK\right)^{-1}D\mathbf {r} (t)}$

Una simplificación bastante común de este sistema es eliminar D , lo que reduce las ecuaciones a

${\displaystyle {\dot {\mathbf {x} }}(t)=\left(A-BKC\right)\mathbf {x} (t)+B\mathbf {r} (t)}$

${\displaystyle \mathbf {y} (t)=C\mathbf {x} (t)}$

Ejemplo de objeto en movimiento

Un sistema lineal clásico es el del movimiento unidimensional de un objeto (por ejemplo, un carro). Leyes de movimiento de Newton para un objeto que se mueve horizontalmente en un plano y está sujeto a una pared con un resorte:

${\displaystyle m{\ddot {y}}(t)=u(t)-b{\dot {y}}(t)-ky(t)}$

dónde

• ${\displaystyle y(t)}$es posición; es la velocidad; es aceleración ${\displaystyle {\dot {y}}(t)}$ ${\displaystyle {\ddot {y}}(t)}$
• ${\displaystyle u(t)}$es una fuerza aplicada
• ${\displaystyle b}$es el coeficiente de fricción viscosa
• ${\displaystyle k}$es la constante del resorte
• ${\displaystyle m}$es la masa del objeto

La ecuación de estado entonces sería

${\displaystyle {\begin{bmatrix}{\dot {\mathbf {x} }}_{1}(t)\\{\dot {\mathbf {x} }}_{2}(t)\end{bmatrix}}={\begin{bmatrix}0&1\\-{\frac {k}{m}}&-{\frac {b}{m}}\end{bmatrix}}{\begin{bmatrix}\mathbf {x} _{1}(t)\\\mathbf {x} _{2}(t)\end{bmatrix}}+{\begin{bmatrix}0\\{\frac {1}{m}}\end{bmatrix}}\mathbf {u} (t)}$

${\displaystyle \mathbf {y} (t)=\left[{\begin{matrix}1&0\end{matrix}}\right]\left[{\begin{matrix}\mathbf {x_{1}} (t)\\\mathbf {x_{2}} (t)\end{matrix}}\right]}$

dónde

• ${\displaystyle x_{1}(t)}$representa la posición del objeto
• ${\displaystyle x_{2}(t)={\dot {x}}_{1}(t)}$es la velocidad del objeto
• ${\displaystyle {\dot {x}}_{2}(t)={\ddot {x}}_{1}(t)}$es la aceleración del objeto
• la salida es la posición del objeto ${\displaystyle \mathbf {y} (t)}$

La prueba de controlabilidad es entonces

${\displaystyle {\begin{bmatrix}B&AB\end{bmatrix}}={\begin{bmatrix}{\begin{bmatrix}0\\{\frac {1}{m}}\end{bmatrix}}&{\begin{bmatrix}0&1\\-{\frac {k}{m}}&-{\frac {b}{m}}\end{bmatrix}}{\begin{bmatrix}0\\{\frac {1}{m}}\end{bmatrix}}\end{bmatrix}}={\begin{bmatrix}0&{\frac {1}{m}}\\{\frac {1}{m}}&-{\frac {b}{m^{2}}}\end{bmatrix}}}$

que tiene rango completo para todos y . Esto significa que si se conoce el estado inicial del sistema ( , , ), y si y son constantes, entonces existe una fuerza que podría mover el carro a cualquier otra posición en el sistema. ${\displaystyle b}$ ${\displaystyle m}$ ${\displaystyle y(t)}$ ${\displaystyle {\dot {y}}(t)}$ ${\displaystyle {\ddot {y}}(t)}$ ${\displaystyle b}$ ${\displaystyle m}$ ${\displaystyle u}$

La prueba de observabilidad es entonces

${\displaystyle {\begin{bmatrix}C\\CA\end{bmatrix}}={\begin{bmatrix}{\begin{bmatrix}1&0\end{bmatrix}}\\{\begin{bmatrix}1&0\end{bmatrix}}{\begin{bmatrix}0&1\\-{\frac {k}{m}}&-{\frac {b}{m}}\end{bmatrix}}\end{bmatrix}}={\begin{bmatrix}1&0\\0&1\end{bmatrix}}}$

que también tiene rango completo. Por lo tanto, este sistema es a la vez controlable y observable.

Sistemas no lineales

La forma más general de un modelo de espacio de estados se puede escribir como dos funciones.

${\displaystyle \mathbf {\dot {x}} (t)=\mathbf {f} (t,x(t),u(t))}$

${\displaystyle \mathbf {y} (t)=\mathbf {h} (t,x(t),u(t))}$

La primera es la ecuación de estado y la segunda es la ecuación de salida. Si la función es una combinación lineal de estados y entradas, entonces las ecuaciones se pueden escribir en notación matricial como se muestra arriba. El argumento de las funciones se puede eliminar si el sistema no está forzado (es decir, no tiene entradas). ${\displaystyle f(\cdot ,\cdot ,\cdot )}$ ${\displaystyle u(t)}$

Ejemplo de péndulo

Un sistema no lineal clásico es un péndulo simple no forzado.

${\displaystyle m\ell ^{2}{\ddot {\theta }}(t)=-m\ell g\sin \theta (t)-k\ell {\dot {\theta }}(t)}$

dónde

• ${\displaystyle \theta (t)}$es el ángulo del péndulo con respecto a la dirección de la gravedad
• ${\displaystyle m}$es la masa del péndulo (se supone que la masa de la varilla del péndulo es cero)
• ${\displaystyle g}$es la aceleración gravitacional
• ${\displaystyle k}$es el coeficiente de fricción en el punto de pivote
• ${\displaystyle \ell }$es el radio del péndulo (al centro de gravedad de la masa ) ${\displaystyle m}$

Las ecuaciones de estado son entonces

${\displaystyle {\dot {x}}_{1}(t)=x_{2}(t)}$

${\displaystyle {\dot {x}}_{2}(t)=-{\frac {g}{\ell }}\sin {x_{1}}(t)-{\frac {k}{m\ell }}{x_{2}}(t)}$

dónde

• ${\displaystyle x_{1}(t)=\theta (t)}$es el ángulo del péndulo
• ${\displaystyle x_{2}(t)={\dot {x}}_{1}(t)}$es la velocidad de rotación del péndulo
• ${\displaystyle {\dot {x}}_{2}={\ddot {x}}_{1}}$es la aceleración de rotación del péndulo

En cambio, la ecuación de estado se puede escribir en la forma general

${\displaystyle {\dot {\mathbf {x} }}(t)={\begin{bmatrix}{\dot {x}}_{1}(t)\\{\dot {x}}_{2}(t)\end{bmatrix}}=\mathbf {f} (t,x(t))={\begin{bmatrix}x_{2}(t)\\-{\frac {g}{\ell }}\sin {x_{1}}(t)-{\frac {k}{m\ell }}{x_{2}}(t)\end{bmatrix}}.}$

Los puntos de equilibrio / estacionarios de un sistema son cuando y por tanto los puntos de equilibrio de un péndulo son aquellos que satisfacen ${\displaystyle {\dot {x}}=0}$

${\displaystyle {\begin{bmatrix}x_{1}\\x_{2}\end{bmatrix}}={\begin{bmatrix}n\pi \\0\end{bmatrix}}}$

para números enteros n .

Ver también

• Ingeniería de control
• Teoría del control
• observador estatal
• Observabilidad
• Controlabilidad
• Discretización de modelos de espacio de estados.
• Espacio de fase para obtener información sobre el estado de fase (como el espacio de estados) en física y matemáticas.
• Espacio de estados para información sobre el espacio de estados con estados discretos en informática.
• Filtro de Kalman para una aplicación estadística.

Referencias

1. Katalin M. Hangos ; R. Lakner y M. Gerzson (2001). Sistemas de control inteligentes: una introducción con ejemplos. Saltador. pag. 254.ISBN​ 978-1-4020-0134-5.
2. Katalin M. Hangos; József Bokor y Gábor Szederkényi (2004). Análisis y Control de Sistemas de Procesos No Lineales. Saltador. pag. 25.ISBN​ 978-1-85233-600-4.
3. Vasiliev AS; Ushakov AV (2015). "Modelado de sistemas dinámicos con modulación mediante representación matricial vectorial de Kronecker". Revista Científica y Técnica de Tecnologías de la Información, Mecánica y Óptica . 15 (5): 839–848. doi : 10.17586/2226-1494-2015-15-5-839-848 .
4. Valores, JH; Watson, MW (2016), "Modelos de factores dinámicos, autorregresiones vectoriales aumentadas por factores y autorregresiones vectoriales estructurales en macroeconomía", Handbook of Macroeconomics , vol. 2, Elsevier, págs. 415–525, doi :10.1016/bs.hesmac.2016.04.002, ISBN 978-0-444-59487-7
5. Durbin, James; Koopman, Siem Jan (2012). Análisis de series de tiempo por métodos de espacio de estados . Prensa de la Universidad de Oxford. ISBN 978-0-19-964117-8. OCLC  794591362.
6. Roesser, R. (1975). "Un modelo de espacio de estados discreto para el procesamiento de imágenes lineales". Transacciones IEEE sobre control automático . 20 (1): 1–10. doi :10.1109/tac.1975.1100844. ISSN  0018-9286.
7. Smith, Anne C.; Marrón, Emery N. (2003). "Estimación de un modelo espacio-estado a partir de observaciones de procesos puntuales". Computación neuronal . 15 (5): 965–991. doi :10.1162/089976603765202622. ISSN  0899-7667. PMID  12803953. S2CID  10020032.
8. James H. Stock y Mark W. Watson, 1989. "Nuevos índices de indicadores económicos coincidentes y principales", capítulos de NBER, en: NBER Macroeconomics Annual 1989, volumen 4, páginas 351-409, Oficina Nacional de Investigación Económica, Inc.
9. Bańbura, Marta; Modugno, Michele (12 de noviembre de 2012). "Estimación de máxima verosimilitud de modelos factoriales en conjuntos de datos con patrón arbitrario de datos faltantes". Revista de Econometría Aplicada . 29 (1): 133–160. doi : 10.1002/jae.2306. hdl : 10419/153623 . ISSN  0883-7252. S2CID  14231301.
10. "Modelos de espacio-estado con conmutación de Markov y muestreo de Gibbs", Modelos de espacio-estado con conmutación de régimen , The MIT Press, 2017, doi :10.7551/mitpress/6444.003.0013, ISBN 978-0-262-27711-2
11. Kalman, RE (1 de marzo de 1960). "Un nuevo enfoque de los problemas de filtración y de predicción lineal". Revista de Ingeniería Básica . 82 (1): 35–45. doi : 10.1115/1.3662552. ISSN  0021-9223. S2CID  259115248.
12. Harvey, Andrew C. (1990). Previsión, modelos de series temporales estructurales y filtro de Kalman . Cambridge: Prensa de la Universidad de Cambridge. doi:10.1017/CBO9781107049994
13. Nise, Norman S. (2010). Ingeniería de Sistemas de Control (6ª ed.). John Wiley & Sons, Inc. ISBN 978-0-470-54756-4.
14. Brogan, William L. (1974). Teoría del control moderno (1ª ed.). Editores cuánticos, Inc. pág. 172.

Otras lecturas

• Antsaklis, PJ; Michel, AN (2007). Introducción a los sistemas lineales . Birkhauser. ISBN 978-0-8176-4460-4.
• Chen, Chi-Tsong (1999). Teoría y diseño de sistemas lineales (3ª ed.). Prensa de la Universidad de Oxford. ISBN 0-19-511777-8.
• Khalil, Hassan K. (2001). Sistemas no lineales (3ª ed.). Prentice Hall. ISBN 0-13-067389-7.
• Hinrichsen, Diederich; Pritchard, Anthony J. (2005). Teoría de Sistemas Matemáticos I, Modelización, Análisis del Espacio de Estados, Estabilidad y Robustez . Saltador. ISBN 978-3-540-44125-0.
• Sontag, Eduardo D. (1999). Teoría del control matemático: sistemas deterministas de dimensiones finitas (PDF) (2ª ed.). Saltador. ISBN 0-387-98489-5. Consultado el 28 de junio de 2012 .
• Friedland, Bernard (2005). Diseño de sistemas de control: introducción a los métodos del espacio de estados . Dover. ISBN 0-486-44278-0.
• Zadeh, Lotfi A.; Desoer, Charles A. (1979). Teoría de sistemas lineales . Krieger Pub Co. ISBN 978-0-88275-809-1.

Sobre las aplicaciones de los modelos de espacio de estados en econometría

• Durbin, J.; Koopman, S. (2001). Análisis de series de tiempo por métodos de espacio de estados . Oxford, Reino Unido: Oxford University Press. ISBN 978-0-19-852354-3.

enlaces externos

• Funciones de Wolfram Language para modelos de espacio de estados lineales, modelos de espacio de estados afines y modelos de espacio de estados no lineales.