Imperial College London

Department of Mechanical Engineering

ME3 Compulsory Course

Machine System Dynamics

Part 1 Control Systems

This booklet contains the lecture notes for the first section of the course.  
Please bring the booklet to each lecture. No additional copies of notes will be available in the lecture 
room.  
 

Contents
1  Introduction ......................................................................................................................................... 3 
1.1  Open Loop vs. closed loop systems ............................................................................................. 3 
1.2  Non‐unity feedback ..................................................................................................................... 4 
1.3  External disturbances .................................................................................................................. 4 
1.4  A practical control system ........................................................................................................... 4 
1.5  Control System Design ................................................................................................................ 5 
2  Modelling of Dynamic Systems ........................................................................................................... 6 
2.1  Differential equations of motion ................................................................................................. 6 
2.2  Electric motor speed control: 1st Order System – Time Constant ............................................... 8 
2.3  1st Order System – Pure integration ........................................................................................... 9 
2.4  Higher Order System – cascade of simple elements ................................................................. 10 
3  Laplace Transforms ........................................................................................................................... 11 
3.1  Complex frequency variable ...................................................................................................... 13 
3.2  Solving equation of motion using Laplace transforms .............................................................. 14 
3.3  Transfer function ....................................................................................................................... 15 
3.4  Natural modes of response in the s‐plane ................................................................................ 15 
Example 3.1 – Transfer function poles and zeros ............................................................................. 16 
4  The Root Locus Method .................................................................................................................... 18 
4.1  Closed loop poles ...................................................................................................................... 18 
4.2  Root locus construction ............................................................................................................. 19 
4.3  Using the Root Locus for Control Analysis and Design .............................................................. 22 

1
 Example 4.1 – Aircraft roll‐angle control system .............................................................................. 24 
5  Steady State Errors ............................................................................................................................ 27 
Example 5.1 –Time constants ............................................................................................................ 27 
Example 5.2 –Additional integration ................................................................................................. 28 
Example 5.2 –External loads ............................................................................................................. 28 
5.1  System Class .............................................................................................................................. 29 
6  Frequency Response Analysis ........................................................................................................... 30 
6.1  Transfer function in the frequency domain .............................................................................. 30 
6.2  Bode diagram ............................................................................................................................ 31 
Example 6.1:  Aircraft roll‐angle control system –  Bode diagram .................................................... 33 
6.3  Stability Investigation ................................................................................................................ 36 
6.3.1  Stability criterion ............................................................................................................... 36 
6.3.2  Measures of Stability: Phase and Gain Margins ................................................................ 38 
6.3.3  2nd order system: GM, PM and Closed Loop Transient Response ..................................... 38 
Example 6.1 (continued):  Aircraft roll control system ................................................................... 40 
7  Compensation ................................................................................................................................... 43 
7.1  Improved Bode diagram (frequency response characteristic) .................................................. 43 
7.2  Proportional‐Integral‐Derivative (PID) Controller ..................................................................... 44 
7.3  PID filter characteristics ............................................................................................................ 46 
7.3.1  PD: High‐pass filter ............................................................................................................ 46 
7.3.2  PI:  Low‐pass filter ............................................................................................................. 47 
7.3.3  PID: Notch filter ................................................................................................................. 47 
7.3.4  PID Tuning ............................................................................. Error! Bookmark not defined. 
7.4  PID Design Examples ‐ DC Motor Position Control .................................................................... 49 
7.4.1   DC Motor Model ................................................................................................................ 49 
7.4.2  PID controller design using simulation (time response) ................................................... 50 
7.4.3  PID Controller Design Using Root Locus ............................................................................ 55 

 
 
 
Tutorial question sheets will be issued when appropriate.  
September 2014 
   

2
1 Introduction
Control  systems  are  dynamic  systems,  very  much  like  the  mass‐spring‐damper  and  other  mechanical 
systems.  However,  control  systems  are  not  restricted  to  being  only  mechanical  and  they  can  be 
electrical, hydraulic or any other type or mix.  
 
What makes control systems somewhat special is that we are always interested in controlling a physical 
variable, or the response, of our dynamic system. In an IC engine or an electric motor we may want to 
maintain  constant  shaft  speed  under  variable  load.  In  an  industrial  robot  or  a  CNC  machine  tool  we 
want  to  control  instantaneous  positions  of  its  axes  of  movement  (degrees  of  freedom)  such  that  the 
tool  moves  along  a  prescribed  trajectory.  The  autopilot  on  a  ship  is  employed  to  maintain  constant 
heading in the presence of various disturbances such as wind and waves. Autopilot on an aircraft does 
very much the same thing, except there are more degrees of freedom involved.  
 
Control  theory  involves  the  development  of  completely  general  mathematical  tools  and  analysis 
methods  that  can  be  applied  to  any  type  of  dynamic  system.  At  the  heart  lies  the  fact  that  system 
dynamics  are  always  governed  by  the  corresponding  differential  equation  of  motion,  but  the  analysis 
methods  aim  to  avoid  the  hard  work  of  explicitly  solving  this  equation.  Instead,  there  are  various 
graphical and semi‐graphical methods that can be used to analyse the system more efficiently.  

1.1 Open Loop vs. closed loop systems

In a physical system that we want to control we can identify at least one input and at least one output 
signal. Input and output are physical quantities. For a DC servomotor, the input is typically the voltage 
applied  at  the  motor  terminals.  The  output  is  the  variable  we  want  to  control.  It  may  be  the  motor 
speed, or the shaft position or the shaft torque. 
 
Open loop system is any dynamic system where the input   is not influenced by the output  .  
 

 
 
Apart from a few exceptions (e.g. stepper motors) it is not practical to control the output in an open 
loop fashion, as this requires precise knowledge of the system behaviour and the control performance 
would be ruined by any disturbances and system parameter uncertainties. Therefore, for the purposes 
of  controlling  the  output,  we  always  employ  negative  feedback  of  the  output  signal.  The  concept  of 
negative feedback was introduced in the ME2 Mechatronics Course and it is the fundamental concept 
in  automatic  control.  This  means  that  the  signal  driving  the  system  is  the  error  e(t)  between  the 
demanded   and the actual (measured) value   of the output. The error signal is always of the 
correct sign to drive the system towards the demanded value  .  

Input, u(t)

Output, x(t)

Error, e(t) = u(t) - x(t)

 
Fig. 1.1:  Negative feedback of the output signal acts to drive the system output   towards the target value  . 

3
1.2 Non‐unity feedback
The transfer function in the feedback path does not have to be unity ( 1). Typically, the output signal 
(e.g.  position)  will  be  measured  using  a  suitable  sensor  and  the  sensor  signal  (typically  voltage, 
sometimes filtered) will provide the feedback signal. However, it is often much easier mathematically to 
deal with a unity feedback system. It is therefore often convenient to treat the sensor as a part of the 
‘open loop’ unity feedback system, with the only difference that the system output is now the sensor 
signal, not the physical quantity being measured. 
e(t)
u(t) + G x(t) e(t) x(t) x’(t)
-
u(t) +
- G H
H
 
Fig. 1.2:  Equivalent non‐unity and unity feedback systems. Both systems have the same dynamic behaviour 
but different definitions of the output signal. 
 
These  two  systems  are  equivalent  and  behave  exactly  the  same,  because  all  transfer  functions  and 
signal paths are the same. The only difference is that one uses the physical variable   as the output, 
while the other uses   ′ . 

1.3 External disturbances

In  this  course  we  shall  deal  with  single‐input/single‐output  systems.  However,  every  real  system  will 
also be subject to some disturbance. A motor powering a robot arm will often experience gravitational 
force due to the weight of the arm; aircraft autopilot may experience external loads due to wind. Such 
disturbances represent a second input signal, in addition to the control input signal  . 

            
Fig. 1.3:  External disturbance as an additional input signal. Negative feedback can minimise the effect of disturbance on  . 

 
In  general  we  want  to  minimise  the  response  to  disturbances  using  negative  feedback.  In  the  above 
system, this means that we aim for  → 0 

1.4 A practical control system

Buffer Comparator
Gain
Demand
Power
Buffer
+V - Amp Output
-
+ - +V
+ -
+
+

Fig. 1.4:  Analogue position‐control system 

The  above  schematic  diagram  shows  how  a  practical  remote‐control  positioning  system  may  be  built 
using a DC servomotor to drive a load. This system uses one potentiometer to measure the motor shaft 

4
position  and  another  to  record  the  demanded  motor  position.  Both  positions  are  represented  by 
corresponding  voltages.  The  control  loop  uses  op‐amp  circuits  to  provide  buffers  (isolation  of  the 
potentiometers  from  the  load  so  they  behave  as  ‘ideal’),  difference  amplifier  and  a  variable‐gain 
voltage  amplifier.  Since  op‐amps  cannot  provide  the  large  current  needed  to  power  the  motor,  the 
system employs an additional power‐amplifier stage. 
 
Although  quite  simple,  this  system  has  all  the  necessary  elements  needed  in  general  to  build  a 
functioning  control  system,  shown  in  the  diagram  below.  The  system  being  controlled  (DC  motor)  is 
often  called  “the  plant”.  The  forward  path  of  the  feedback  loop  also  includes  the  controller  and  the 
power/actuation stage. 
Error
Input Controller Power Plant
+ Output
Voltage - (Gain) amp (DC motor)
Position

Signal
Sensor
Conditioning
(Potentiometer)
(Buffer)  
Fig. 1.5:  General layout of a practical control system 
 
Computer control systems are functionally very similar, except that some parts of the control loop are 
implemented  using  a  control  computer.  As  the  diagram  below  shows,  negative  feedback  and  control 
are  implemented  digitally,  as  a  software  program  which  generates  the  input  signal  (e.g.  robot 
trajectory),  receives  the  output  measurement  via  A/D  converter,  calculates  the  control  signal  and 
supplies  it  via  D/A  converter.  This  process  is  repeated  typically  between  100  and  1000  times  per 
second. 
Control computer
Error
Power
Input + Controller D/A Plant Output
- amp

Signal
A/D Sensor
Conditioning
 
Fig. 1.6:  Digital control system 

1.5 Control System Design

When designing a control system we are concerned with two types of response: 
 Steady state response – error magnitude, disturbance rejection 
 Transient  response  –  Stability,  shape  (oscillatory  or  not),  speed  of  response,  %  overshoot, 
settling time 
 
In  general,  the  input  signal  may  take  any  shape,  but  there  are  several  ‘standard’  input  signals  that 
provide useful insight into the control system behaviour. 
 
Step input (constant position)  Response  shape  useful  to  analyse  system 
dynamics 

Ramp Input (constant speed)  Used for steady state error analysis 

Impulse  Defines the system transfer function 

Sinusoid  Leads  to  analysis  of  response  to  a  general 

input,  frequency  response  analysis,  Bode 
diagrams. 

5
 
Considering the step response, some standard response parameters are shown below. 
 

 
Fig. 1.7:  Typical step response shape with common control performance parameters 
 

2 Modelling of Dynamic Systems

In  this  course  we  deal  with  linear,  time‐invariant,  time‐continuous,  dynamic  systems,  which  are 
modelled  using  constant‐coefficient  linear  differential  equations.  Before  you  give  up  in  horror,  note 
that most of the control systems theory has been developed to avoid having to solve those equations 
explicitly.  Instead  we  tend  to  use  various  graphical  and  semi‐graphical  methods  to  obtain  the  results 
that we need and to perform controller design. In addition, we tend to use block diagrams as an easy 
way to represent the system configuration and signal flow paths. 
 
Nevertheless,  it  is  worth  spending  a  little  time  with  the  basics,  in  order  to  understand  how  general 
patterns emerge. 

2.1 Differential equations of motion

The classical control system theory is concerned with systems with input  , output   represented 
by nth order linear differential equations of the form: 
   

u(t) T x(t)
 
d nx d n 1 x dx
a n n  a n 1 n 1    a1  a 0 x(t )  u (t )  
dt dt dt
 
It is useful to note that the left hand side consist of the output  and its derivatives, while the right‐
hand side contains the input which forces the system to move. ‘ ’ is the system order. 
 
It is also feasible for a system to involve differentiation of input, so system dynamics can more generally 
be represented by the differential equation of the form: 
d nx d n 1 x d x d mu d m 1u du
an n
 a n 1 n 1
   a1  a 0 x (t )  bm m
 bn 1 m 1
   b1  b0 u (t )  
dt dt dt dt dt dt
 

6
The solution of this equation is the system output  , in response to a particular input signal   or 
to being released from some initial conditions, or both. The solution is always of the form  
 
where PI is the “particular integral”, which depends on the particular input signal   being applied. CF 
is  the  “complementary  function”,  obtained  by  solving  for  0.  CF  defines  the  systems  “natural 
modes of response” and it is usually more interesting than the PI part of the solution. 
 
What are the natural modes of response?  
Natural modes are signals   that can be observed in the system output whenever it is supplied with 
an input  , or released from initial conditions, or subject to an external  disturbance. In general, the 
natural modes of response may be either exponential or oscillatory.  
 
As  a  simple  example,  consider  a  simple  mass‐spring‐dashpot  system,  driven  by  an  applied  force  F t  
while the output is the deflection x t  from an equilibrium position. 

F(t) T x(t)
 
 
Equation of motion:   
 
In standard form:  2  

where :   undamped natural frequency,  damping ratio; 

√
  1 damped resonant frequency 
 
For  1 the system is over damped, natural modes are exponential, of the form: 
, , , .  
 
For  1 the system is oscillatory (underdamped), with natural mode solution: 
cos sin  
1
Following a step input  0, 0; 10, 0; System response is 

1 cos sin  
1
20
20

15
15
deflection (mm)
deflection (mm)

10 10

5 5
k = 1000 N/m; M = 25 kg; zeta = 0.1; k = 1000 N/m; M = 25 kg; zeta = 0.9;
step force, 10N at t = 0 step force, 10 N at t=0
0 0
0 1 2 3 4 5 0 1 2 3 4 5
time (sec) time (sec)  
Fig. 2.1:  Step response for different viscous damping constants  . Observe how a change in damping changes the natural 
mode shape (transient response) 

7
 

2.2 Electric motor speed control: 1st Order System – Time Constant
Consider a DC servomotor, where the input signal is represented by the voltage   applied at the 
motor terminals and the output signal is the motor shaft speed  . 
R L
(t), (t)
i(t)
v(t) e(t)

F
 
Fig. 2.2:  DC servo motor schematics 

 
Assuming negligible armature inductance ( L  0 ),  
The equations to use to derive the system model are: 
KVL:           
Current (assuming inductance  → 0     
Back e.m.f.:        e(t )  K b(t )  
Torque generated by the motor:  T (t )  K t i(t )  
d 2 d d
Mechanical equation of motion:   T (t )  J 2  F J  F (t )  
dt dt dt
 
The operation of the motor may be represented by the following block diagram. Note that in addition 
to adhering to the above equations, the block diagram also shows the correct signal flow. For example, 
the  motor  current  is    caused  by  the  voltage    applied  at  the  motor  terminals,  but  it  is  effectively 
reduced the back e.m.f. and the inductor voltage. 

 
Fig. 2.3:  DC motor block diagram showing all relevant physical variables 

 
Usually    may be neglected because it is of the order of   , whereas   is of the order of a few Ohms. 
Combining the above equations to eliminate   and   we get: 
 
d  K K  K 
J   F  b t ( t )   t  v( t )  
dt  R   R 
or 
 
   
 J  d  ( t )   Kt
 v( t )  
 K b K t  dt 
F   FR  K b K t 
 R 

8
 
This is a 1st order differential equation, which is represented in standard form as:  
dx
  x(t )  Ku (t )  
dt
where u(t) is the input signal and x(t) is the output signal and    is the time constant. 
 
dx
Noting that   Ku (t )  x(t ) , this differential equation can also be modelled using a corresponding 
dt
block diagram built around an integrator. This is a useful concept for simulation. 
dx dx

u(t) K.u ( t ) dt 1 dt x(t)
K
  dt
 
 
We generally want to solve this equation for   in response to a specific input signal. The solution 
consists of two parts: 
dx
a) Natural mode solution, found by solving     x ( t )  0 , giving 
dt
.  

0.37 C

t


b) Input dependent part. For example, unit step input:  
t
x ( t )  1  C.e 
C
1
u(t) x(t)
0.37 C

t

 
The characteristic of the time constant system is that it reaches the steady state exponentially. When 
the input drops to zero, the output also drops (exponentially) to zero. 

2.3 1st Order System – Pure integration

The characteristic of integration is that the output increases linearly for a constant input. The rate at 
which the output increases is proportional to the magnitude of the input. For zero input, the output will 
be held at a constant value. The integrator is said to have “unity natural mode of response”. 
     
u(t) x(t)
 x ( t )   u ( t ).dt  

9
 
For example, consider an ideal current source charging a capacitor  

i(t)=const v(t)

v(t)

t
 
Integration characteristic can also result from a mathematical process. For example, position is the 
integrals of speed: 

d
( t )   
dt

2.4 Higher Order System – cascade of simple elements

Consider again the DC servomotor, this time take the shaft position  ( t ) to represent the output, 
instead of the shaft speed. The equation relating output speed to input voltage is: 
d  K K  K 
J   F  b t  (t )   t v(t )  
dt  R   R
d d 2  K K  d  K t 
Substituting   (t )  :  J 2 F  b t    v(t )  
dt dt  R  dt  R 
Consider also the 2nd order differential equation representing the DC servomotor. 
d 2  K t   K K  d
J  v(t )   F  b t   
dt 2  R   R  dt
d 2 d
v( t ) Kt 1 dt 2 dt ( t )
R + - J  dt  dt
-

KbK t
R
 
Fig. 2.4:  DC motor model with output being shaft position  . Notice that this is a cascade of integration time constant and 
pure integration 

 
If we consider the motor model where  0, output shaft position   (see Fig 2.3):  

 
 
This is a 3rd order system, for which the natural modes solution (CF), depending on coefficient values, is: 
 either 3 exponentials:  

 
10
  or 1 exponential and 1 harmonic 

 
 
However, solving differential equations of orders 3 and above is difficult. We need better mathematical 
tools  that  will  enable  us  to  analyse  efficiently  systems  of  any  order.  Suitable  tools  include  Laplace 
transforms,  leading  to  Root  Locus  method,  and  frequency  response  analysis,  leading  to  the  Bode 
diagram method.  

3 Laplace Transforms
Virtually  all  control  textbooks  use  Laplace  transforms  to  derive  the  system  response.  There  are  other 
ways of doing the problem, but the Laplace approach is the easiest, once you have grasped the basics of 
the subject (remembered from 2M Maths?!).  
 
Laplace transform of a time‐function    is  . By definition: 

where   is a complex variable, the Laplace variable. Physically, the Laplace variable can be 
interpreted as a complex frequency. 
The reasons why Laplace transforms are useful for control systems analysis are: 
 Differential equation are transformed into polynomials, so they are easier to solve 
 Easy way of dealing with initial conditions 
 Various “nice” properties that let us analyse systems without having to solve DE explicitly 
 
In  control  systems,  it  is  sufficient  to  assume  that  nothing  happens  before  0  ,  so  all  relevant  time‐
functions functions   0 for  0. Without losing generality we can therefore write: 

 
e.g. A constant signal of magnitude   may be represented by a step function, given by    , 0

Table 3.1 gives Laplace transforms of some common signals.  
 
Inverse Laplace transform is formally given by: 
  i
1 1, 0
L F ( s ) 
1
 F ( s )e st ds  f (t )u (t )   where          
2i  i 0, 0
Fortunately,  we  rarely  need  to  find  the  inverse  Laplace  transform.  If  we  do,  then  it  is  much  easier  in 
practice to split a complicated expression into partial fractions, if needed, and to look up the individual 
terms using published tables. 
 
Some  useful  Laplace  transform  theorems  are  summarised  in  Table  3.2.  Notice  how  the  Laplace 
transform of derivatives   lead to an easy way to account for initial conditions   0 , , , … . 

11
Also, the final value theorem is useful for evaluating steady state values in the Laplace domain (i.e. by 
analysing   instead of  , which is usually much easier mathemathically) 
 
Table 3.1: Laplace transforms of some common signals 
   
Dirac delta 
function    1 
 
 
Unit step 
1
  1   
t
Unit ramp 
  1
t   
t
Exponential 
    1
 
t
Sine 
  1 1 1
t sin    
2

Cosine 
  1 1 1
t cos    
2

Damped  
Sine 
  sin    
t

Damped  
Cosine 
cos    
  t

Table 3.2: Laplace transform theorems 
Name  Theorem
Derivative  0  

nth order derivative  0 0 ⋯ 0

Integral   

Time shift, t0  .  

Initial value  lim lim  

→ →

Final value  lim lim  

→ →

Frequency shift   

12
3.1 Complex frequency variable
The  Laplace  variable    can  be  physically  interpreted  as  a  complex  frequency.  What  does  this  mean? 
Skipping  over  all  mathematical  proofs,  it  means  that  a  time‐waveform  of  frequency    is  given  by 
.  Since    is  complex  it  can  be  written  as  .  The  corresponding  time‐waveform  is 
therefore: 
 
. cos j. sin  
 

 
Fig. 3.1:  Complex frequency signal 

Therefore    is  a  harmonic  signal  of  frequency  /   ,  with  the  amplitude  changing  exponentially 
with time constant   . 
 
Signals of this form are represented as points in the complex s‐plane (axes   and  ). In fact the s‐plane 
is complex conjugate and the points defining signals are complex conjugate pairs. Many signals that we 
deal with in control are a combination of exponentials and harmonics. In  
principle, any waveform can be represented by a corresponding set of points in the s‐plane.  
 
Some points to note: 
 The s‐plane is symmetrical about the horizontal axis (complex conjugate). 
 The right half‐plane (positive  ) corresponds to exponentially expanding signals. 
 The left half‐ plane (negative  ) corresponds to signals that exponentially decay to zero. 
 

j
t

t t

t
t

t
 
Fig. 3.2:  Points in the complex s‐plane and the corresponding time‐signals 

13
3.2 Solving equation of motion using Laplace transforms
Consider the mass‐spring‐dashpot system driven by the applied force   , output position  . 

 
Equation of motion:        
Taking Laplace transform:     0 0 0
Assume zero initial conditions   0 0 0: 
 
Hence:         

We can now analyse   in response to various input signals   

Let:  unıt step, magnıtude , F s  

1
.  

From Laplace transform  tables use: 

X 1  

Let:  1000 / ; 25 ; 190 / / ; 10  

0.4 40
0.01  
7.6 40 3.8 5.05

.
0.01 1 cos 5.05 0.75 sin 5.05  

 
The steady state value of   is: 
lim 0.01 
→

The steady state value of   can be easily obtained directly from   using the Final Value Theorem 

(without having to find the inverse Laplace transform) 
lim lim .  
→ →
0.4 0.4
lim lim . 0.01 
→ → 7.6 40 40

14
3.3 Transfer function

 
Following the above derivation for the mass‐spring‐dashpot system (input  , output  , the transfer 
function is: 
1
 

In general, when the systems is represented by a differential equation of the form: 

… …   

Taking Laplace transforms and assuming that all initial conditions are zero (this assumption is 
sufficiently general for control system analysis): 
⋯ ⋯  
where X(s) and U(s) are the Laplace transforms of the input and output signals respectively. The system 
transfer function can then be represented as a ratio of two polynomials in  : 
 
⋯
 
⋯
 

3.4 Natural modes of response in the s‐plane

The top and bottom polynomials of the transfer function can be factorised: 
…
 
…
where   … , …  are polynomial roots. 
 
Now suppose that   takes the value of one of the roots, so that the corresponding factor becomes zero. 
Therefore: 
If:  → …   then:  → 0  Numerator roots are called transfer function ‘zeros’ 
 
More importantly however: 
If:  → …   then:  → ∞  Denominator roots are called transfer function ‘poles’ 
 
The significance of transfer function poles is that they imply infinite output/input ratio, that is: 
 Infinite output for a finite input, or 
 Finite  output  for  an  infinitesimally  small  input  –  e.g.  when  the  system  is  released  from  initial 
conditions. 
 
As the points in the s‐plane correspond to certain time‐domain signals, the second point explains that 
those signals are the system’s natural modes of response.  Therefore transfer function poles define the 
nature system’s transient response characteristic. 
 
We have already seen that points in the complex s‐plane correspond to certain waveforms. Therefore 
we can plot the transfer function poles in the s‐plane to analyse the corresponding natural mode 
signals. 
 

15
  
Fig. 3.3:  Locations of transfer function poles in the s‐plane correspond to time signals which are the system’s natural modes 
of response 

Figures 3.2 and 3.3 show essentially the same information, but we can see that transfer function poles 
can immediately show us the transient response characteristic. 
 
Interesting points to note: 
 Poles in the right half‐plane give natural modes that expand infinitely – a system with such poles is 
unstable. 
 Poles in the left half‐plane give natural modes that decay to zero – those modes are stable. 
 Poles on the imaginary axis mean that the system is self‐oscillatory – once disturbed it will oscillate 
at frequency   forever. 
 Poles on the real axis ( 0) mean that there is zero overshoot – critically damped or overdamped 
response. 
 The further the poles are to the left (more negative  ) the faster the system settles to a steady state. 

Example 3.1 – Transfer function poles and zeros

Consider the following control system, employing selectable controller gain  . 

 
 
The open loop transfer function is    
so open loop poles are at  0, 1, 2 and there are no open loop zeros 
We can plot the open loop poles in the s‐plane. What are the corresponding natural mode signals? 

16
  
Fig. 3.4:  Open loop poles in the s‐plane 

Now consider the closed loop transfer function: 
1
1 2
 
1 1 2
1
1 2
Closed loop poles can be seen to depend on the value of the   and are defined by the characteristic 
equation: 
1 2 0 
Let us evaluate closed loop poles for different gain values: 
  Characteristic polynomial  Closed loop poles 
0 1 2 0  0, 1, 2  same as open loop poles 
0.3  3 2 0.1 0  0.9, 0.05, 2.04 
0.5  3 2 0.3 0  0.21, 0.66, 2.13 
1.0  3 2 0.5 0  0.40 0.25, 2.19 
2  3 2 2 0  0.24 0.86, 2.52 
5  3 2 5 0  0.05 1.31, 2.90 
10  3 2 10 0  0.04 1.50, 3.09 
 
We can plot these results in the complex s‐plane. The lines along which the closed loop poles move as a 
function of system gain constitute the Root Locus. This is a powerful graphical tool for control system 
analysis and design. 

 
Fig. 3.4:   Closed loop pole positions in the s‐plane for different values of the system gain  . The points lie on the system root 
locus diagram  

17
4 The Root Locus Method
We  have  seen  that  in  general  a  transfer  function  is  represented  as  a  ratio  of  two  polynomials  in  , 
where   is the complex Laplace variable, i.e. the complex frequency. By expressing the transfer function 
in  a  factorised  form,  the  numerator  and  denominator  polynomial  roots    …   and  … ,  
respectively, are immediately visible. 
…
 
…
…  are transfer function zeros.  …  are transfer function poles and the corresponding value of 
 corresponds to signals that are the system’s natural modes of response. The shape of the response 
following  application  of  an  input  signal,  external  load  or  being  released  from  some  initial  conditions 
(position, velocity, …) is immediately obtained from the knowledge of the natural modes of response. 
 
A given transfer function G(s) is fully defined by its pole‐zero pattern in the complex s‐plane. Poles are 
marked with ‘ ’ and zeros with ‘’. For example, consider the following transfer function. 
 
 
j
s 1
G(s)  3
s  6s 2  10s  
s 1

s.s  3  j s  3  j 
Hence:    
Poles @  0, – 3 , – 3 –  
Zero  @  – 1 

 
Note: 
 A  given  system  can  possess  unstable  natural  modes  of  response.  Such  modes  are  represented  by 
poles in the positive half of the s‐plane, where the amplitude grows exponentially with time.  
 Poles  in  the  negative  half  of  the  s‐plane  correspond  to  stable  modes,  as  the  amplitude  decays 
exponentially to zero.  
 The modes with poles close to the Im‐axis decay more slowly. 
 A critically stable system has poles precisely on the Im‐axis. 
 Poles on the real axis correspond to non‐oscillatory modes of response.  
 A pair of complex conjugate poles corresponds to an oscillatory mode of response. 

4.1 Closed loop poles

For a closed loop system, we have already seen that the transfer function poles will vary with the value 
of the adjustable gain  . Consider a general closed loop system with non‐unity output feedback. 
 

 
 
 

18
The closed loop transfer function is: 
x (s) K.G (s)
  
u (s) 1  K.G (s).H(s)
 
where:    adjustable gain constant, independent of ' ' 
 forward path transfer function, complex  
 feedback path transfer function, complex  
 
Note:  With this formulation  . . ) can be taken to represent the open loop transfer function. 
This  means  that  the  control  loop  is  opened  by  disconnecting  the  feedback  signal  ,  not  the 
output  , so that all blocks are still present in the open loop systems. 
 
Therefore  the  closed  loop  system  poles  are  the  roots  of  the  denominator  of  the  closed  loop  transfer 
function, given by the solution of the closed loop characteristic equation: 
 
1 . . 0 
 
For control system design, we want to know how the closed loop poles vary with the adjustable gain  , 
which  is  the  design  parameter.  We  are  potentially  interested  in  all  positive  gain  values,  i.e.  the  gain 
range  0 ∞.  Negative  gain  values  are  mathematically  possible,  of  course,  but  they  would 
effectively result in positive output feedback, so they are not of practical interest for control design. 
 
The closed loop poles for 0 ∞ lie along the lines of the root locus. 
Definition:   Root locus is the set of lines in the complex s‐plane along which the closed loop poles are 
positioned as a function of the systems gain K.  
Root loci start at open loop poles (for  0) and end at open loop zeros or at  → ∞  
along certain asymptotes (for  → ∞). 

4.2 Root locus construction

Exact construction of the root locus is difficult, because it involves solving the characteristic equation 
for various gain values in order to compute many closed loop pole positions. Nowadays, tools such as 
Matlab provide ready functions for this purpose and we shall use them later in the course. 
 
However, by analysing in detail the mathematical properties of the root locus, it can be shown that it 
obeys a number of relatively simple rules. These rules can be used to provide hints about the root locus 
shape  and  also  to  accurately  evaluate  certain  key  features  of  the  plot.  Detailed  treatment  of  this  is 
outside the scope of this course and the main plotting rules are just summarised below. 
 
Rules for sketching Root Locus 
1. Locus branches originate at the open loop poles (marked with ) for K=0 and end at the open 
loop zeros (marked with ) or at s as K. 
2. Root locus plot is symmetrical about the ‐axis. 
3. The number of locus branches equals the number of open loop poles,  . 
4. For a an open loop transfer function with   poles and   zeros, there are   branches of root locus 
of which   branches approach asymptotes for  → ∞ 
5. The portion of the real axis occupied by the locus lies ‘to the left of an odd number of poles plus 
zeros'. 
6. The locus crosses  ‐axis at a value corresponding to the frequency of sustained oscillations of 
the marginally stable system. 
7. For a system with n poles and m zeros, there are (n‐m) branches of root locus ending along the 
corresponding asymptotes at s. 

19
8. There are   asymptotes which originate on the real axis at the point 

 poles   zeros
 
nm
9. The asymptotes are oriented relative to the positive ‐axis at angles: 
180  l.360
l  , l  0, 1, 2,  ( n  m  1)  
nm
10. Root locus “breaks away” from the real axis (or “breaks in”) at the point of multiple rots (closed 
loop poles). 
11. Locations on the real axis containing multiple roots are defined by: 
d  1 
 0
ds  G ( s ).H ( s )   
12. Angle of departure from complex poles are given by: 
180° ∑ ∑   
13. Angle of arrival to complex zeros are given by: 
180° ∑ ∑
 
Note:  Intuitively,  it  can  be  observed  that  the  open  root  locus  branches  are  ‘repelled’  by  each  other 
and by the open loop poles, while they are ‘attracted’ by the open loop zeros. 
 
The following set of graphs provides some illustrative root locus shapes and their corresponding open 
loop transfer functions. Try to recognise the above rules in the examples shown. 
 
   

20
Some representative root locus shapes 
 
. .           . .  

j j

asymptotes

 

double
CL pole

. . . .  

j j




. .  

21
4.3 Using the Root Locus for Control Analysis and Design
Root  locus  is  a  powerful  tool  for  analysis  of  the  transient  behaviour  of  a  closed  loop  system  under 
different gain settings. The key is to remember that: 
 For a given value of the gain K, there is one corresponding point (closed loop pole) on each branch of 
the root locus.  
 Each pole pair at locations  ,  defines a natural mode  . .   

 
Therefore: 
 Any poles in the right half‐plane will result in instability.  
 Poles  in  the  left  half‐plane  are  stable  and  the  value  of  the  α‐coordinate  defines  the  exponential 
decay of the signal e .  This defines the settling time. 
 The coordinate jω defines the frequency of oscillation 
 Closed loop poles on the real axis correspond to exponential modes (ω 0) 
 
Settling time 
For any pole at location  ,  the settling time is defined by the exponential  . Normally, settling 
time   is taken as the time in which the signal settles to within 2% of its final value. Thus: 
0.02 
 
Since the poles with a more negative real part   decay faster, the settling time for controller design can 
be specified as the largest acceptable value of  . 
j

Settling time criterion

 
Fig. 4.1:   The shaded area indicates the region of acceptable pole locations according to a settling time criterion 

 
Damping ratio, natural frequency  
It can be proved that for a complex conjugate pair of poles, in the s‐plane: 
 Lines of constant damping ratio   are straight lines at angle   to the vertical axis 
 Lines of constant natural frequency   are semicircles centred at the origin 
 
This is illustrated in the figure below. As the damping ratio determines the amount of overshoot, the 
minimum  value  of    is  usually  specified  as  a  control  design  criterion.  Also,  the  natural  frequency 
determines  the  speed  of  response,  minimum  value  of    may  also  be  specified  as  a  control  design 
criterion. This is illustrated in the figures below. 

22
 j

j

Damping ratio
 criterion


 
Fig. 4.2:   Lines of constant damping ratio and natural frequency and the corresponding design criteria in the s‐plane 

 
Control design process 
The objective of control design is usually to select a value of the system gain K that meets the design 
specifications, such as settling time and damping ratio. Following the above analysis, the control design 
process using root locus may be summarised by the following steps: 
1. Derive the open loop transfer function for the system being considered. Find the open loop poles 
and zeros. 
2. Plot the root locus. The root locus consists of lines along which the closed loop poles are located, 
depending on the gain. There is one closed loop pole for each branch of the locus. 
3. Specify the control design criteria in terms of damping ratio, settling time, natural frequency. 
4. Find the desired closed loop pole locations that meet the criteria. For systems with more than 2 
poles,  the  design  is  based  on  those  that  are  furthest  to  the  right  (longest  decay  time,  dominant 
poles). 
5. Evaluate the gain K corresponding to the chosen dominant poles. 
 
The  last  step  may  be  found  by  substituting  for  the  chosen  pole  s  value  in  the  characteristic  equation 
1 . . 0  and  solving  it  for  gain  K.  However,  if  using  Matlab,  it  provides  a  function 
rlocfind(‘system’) to evaluate the gain for a chosen point on the plot. Furthermore there are also 
manual  techniques  involving  measurements  from  the  root  locus  plot,  but  this  is  outside  the  scope  of 
this course. 
 
We shall illustrate the design process in the following Matlab example. 
   

23
 

Example 4.1 – Aircraft roll‐angle control system

Aircraft roll rate is controlled by the position of 
ailerons,  control  surfaces  on  the  main  wings 
that  move  equally  in  opposite  directions  to 
cause  a  net  torque  on  the  aircraft  about  the 
longitudinal  axis.  For  a  given  constant  aileron 
position, the aircraft experiences a constant roll 
torque resulting in a steady state roll  rate. The 
purpose  of  the  controller  is  to  maintain  the 
demanded roll angle of the aircraft, as a part of 
the automatic pilot system. 
 
 
The following diagram represents the closed loop system to control the roll angle of an aircraft.  
Amplifier Motor Aileron Aircraft Roll Actual Roll
Desired angle
1 torque 5 rate 1
roll + K
-
angle s1 s  5 s

 
Use Matlab to plot the root locus and  find the maximum  gain for which the system is stable and the 
gains that will result in a damping ratios between  0.6 and  1.0 
 
The open loop transfer function is   
Open loop poles are:  0, 1, 5 
The closed loop transfer function is:  
5
6 5 5
 
5 6 5 5
1
6 5
Hence the characteristic equation is:   6 5 5 0 
We seek the value of K that results in closed loop poles that satisfy our damping ratio criteria 
   
To get an insight into the system behaviour, we can first simulate it in Matlab for different values of  . 
The following Matlab commands define the system for  0.1 and plot the step response, as well as 
closed loop poles. 
 
% Start Matlab text editor, define open loop transfer function:
num = [5];den = [1, 6, 5,0];plant = tf (num,den);%Open loop transfer function
contr =0.1; % Define controller gain K=0.1
system = feedback(contr*plant,1); % Define closed loop unity-feedback system
t = 0:0.01:60;step (system,t) % Plot step response for 0<t<60s
pzmap(system) %command to plot closed loop poles
 
The following are the results obtained for different gain values. 
 
   

24
 
Gain  Step response  Closed loop poles 

K=0.1 

K=1 

K=5 

K=7 

 
The root locus plots the closed loop poles for 0 ∞. Using Matlab, the commands given below 
define an open loop transfer function ‘plant’ =   and plot the root locus. Note that the 
command sgrid also plots the grid of lines of constant damping ratio   and natural frequency  . 
 

25
  Root Locus
3
  0.84 0.74 0.6 0.42 0.22
0.91
num = [5]; 
den = [1,6,5,0]; 
plant = tf  2
(num,den); 0.96
rlocus(plant) 
sgrid 

Imaginary Axis (seconds-1)

1
0.99

5 4 3 2 1
0

0.99
-1

0.96
-2

0.91
0.84 0.74 0.6 0.42 0.22
-3
-5 -4 -3 -2 -1 0 1
-1
Real Axis (seconds )

Typing the following command invokes a function to interactively select a point on the plot for which it 
returns the gain   and the closed‐loop pole locations. 
 [k,poles] = rlocfind(plant) 
 
Using this command, we obtain the following: 
 Marginally stable system (closed loop poles on the imaginary axis) → 6  
 0.64 (closed loop poles on the corresponding line of constant )  → 0.48 
 0.85 (closed loop poles on the corresponding line of constant )  → 0.38  
 1 (closed loop poles at breakaway from real axis)  → 0.23  
 
Manual check:   
We can manually evaluate the gain K corresponding to any point we choose on the locus. 
e.g. From the above root locus plot,  0.64 corresponds to dominant poles at  0.41 0.525 
 
Characteristic equation:   1 0: 
5
1 0 
6 5
6 5 5 0 
 
For the pole at  0.41 0.525: 
0.41 0.525 6 0.41 0.525 5 0.41 0.525 5 0 
0.41 0.525 0.41 0.525 6 0.41 0.525 5 0.41 0.525 5 0 
0.0351 0.207 0.0415 0.245 0.474 2.796 2.22 2.625 5 0 
 
Equating   parts:  
0.0351 0.245 0.474 2.22 5 0 
2.41 5 0 
0.48 
 

26
 5 Steady State Errors
Consider a general closed loop system with non‐unity feedback: 
u(s) e(s) x(s)
+ K.G(s)
-
H(s)
 
From the diagram: 
 
.  
 
Eliminating  , the error signal, as a function of input, is thus given by: 
1
 
1 . .
 
For a given input signal u(s), the steady state value of   is by the final value theorem  
lim lim .  
→ →

The final value theorem is valid provided the limit exists. (Can you think of reasons why it would it not 
exist?) 

Example 5.1 –Time constants

Evaluate  the  steady  state  errors  due  to  step  and  ramp  inputs  for  the  following  unity  feedback  closed 
loop system: 
 

 
 
Open loop transfer function:     
 
Error signal: 
1 1 1 1 2
 
1 . 1 1 1 2
1 1 2
Final value theorem: 
1 1 2
lim lim . lim .  
→ → → 1 1 2
 
Consider now the response to unit step,   
1 1 2 1 1 1 2 1
lim lim . . lim  
→ → 1 1 2 → 1 1 2 1
 
The system can be seen to have a steady state error, which can only be eliminated if  → ∞ 

27
 1
1
1 K

Example 5.2 –Additional integration

Consider  the  steady  errors  of  a  similar  system,  except  the  transfer  function  now  incorporates  an 
integrator   : 

 
Error signal: 
1 1 1 1 2
 
1 . 1 1 1 2
1 1 2
 
Let   , unit step again, and apply the final value theorem 
1 1 2 1 1 1 2
lim lim . . lim 0 
→ → 1 1 2 → 1 1 2
 
This time the steady state error is zero, owing to the integration in the forward path. 
 
Now consider applying a unit ramp input  . The steady state error can be found to be 
1 1 2 1 1 1 2 1
lim lim . . lim  
→ → 1 1 2 → 1 1 2

Example 5.2 –External loads

Consider now the steady state error of the same system as above, but subject to a constant external 
load disturbance of magnitude  . 

 
 
The external load   acts as a second input signal. From the block diagram: 
1
 
1 1 2
. . .  
 
Hence:      . . .  
Therefore: 
1
. .  
1 . 1 .

28
 1
1 1 1 2
. .  
1 1
1 1 2 1 1 2
1 1 2 1
. .  
1 1 2 1 1 2
 
Let  0,    . Notice that we assume that the constant load is applied as a step at  0. 
The resulting steady state error is: 
1
lim lim . .  
→ → 1 1 2

5.1 System Class

From the preceding examples we can conclude that the existence and magnitude of steady state error 
in a particular system depend on the type of input signal we apply and whether the transfer function 
includes pure (free) integrators.  
 
System class is equal to the number of ‘free integrators’ in the open loop transfer function. The class 
determines the steady state errors that the system will exhibit in response to different types of input. 
For  example,  a  ‘class  0’  system  has  no  free  integrators  and  it  will  exhibit  a  finite  positional  error  in 
response to a step input, while ‘class 1’ system will have zero steady state error due to step, but a finite 
steady  state  error  due  to  ramp.  The  overall  classification  and  steady  state  error  properties  are 
summarised in the following table. 
 
Input signal  U(s)  Steady state error for class 
    0  1  2  3 
Unit step  1 1
    0  0  0 
1
Unit ramp  1 1
  → ∞    0  0 

Unit accn  1 1
  → ∞  → ∞    0 

 
 
Note:  A system with 2 or more free integrators will very likely be unstable. The final value theorem 
tells us nothing about stability, so the steady state error calculation is valid only if the system is 
by other means shown to be stable. 
 
   

29
6 Frequency Response Analysis
Frequency  response  analysis  has  much  in  common  with  signal  processing  methods  and  treats  the 
dynamic system as a filter of the input signal. It is a different (but closely related) approach to that using 
the root locus method. It leads to Bode diagrams, which are also widely used in signal‐processing (filter 
design) and in vibrations analysis. 
 
Frequency response implies providing the system with a harmonic input (e.g. sine or cosine) of a certain 
frequency   and unit amplitude and recording the corresponding output amplitude and phase shift.  
 
Previously  we  used  Laplace  transforms  to  represent  signals  as  functions  of  complex  frequency 
  and  used  it  in  the  expression  for  signals  and  transfer  functions.  Now  however,  the  signal 
amplitudes  are  constant,  so  0  and  the  complex  frequency  variable  is  purely  harmonic.  We  can 
therefore simply replace   by  , as shown below: 
 
cos j. sin
 

     
Fig. 6.1:   Pure harmonic signal ( 0) 

6.1 Transfer function in the frequency domain

Following the above, a given transfer functions may be simply re‐written in terms of   instead of  .  
For example: 
 
     now becomes   
 
As we said, the transfer function   can be viewed as a filter (low‐pass, high‐pass, band pass etc.), 
which results in an amplitude change and a phase shift of the output signal relative to the input.  
 
x(t)
K.G ( j)


 
Fig. 6.2:   Transfer function as a change in magnitude and phase 

The  magnitude  and  phase  relationships  between  input  and  output  can  be  also  seen  by  using  phasor 
diagrams to represent harmonic  signals. Remember, each phasor represents a complex number, while 
the transfer function   is itself also a complex quantity. 
Im Im

Vi


KG(j) Vo
ωt
ωt
Re Re
 
Fig. 6.3:   Phasor representation of magnitude and phase change 

High‐order transfer functions can be viewed as a cascade of simpler (first order) transfer functions, very 
much in the way that a low‐pass and a high‐pass filter can combine to give a band‐pass or a notch filter 
(ME2  Mechatronics).  Each  of  the  transfer  function  blocks  in  a  cascade  results  in  a  magnitude  change 
and a phase shift, contributing to the overall effect as shown below. 

30
 1

 
Fig. 6.4:   Cascade of transfer functions, magnitude and phase are modified at each stage. 

The overall magnitude is then the product: 
| | | | | | | | 
 
If expressed in decibels, the overall magnitude then becomes the sum: 
20 log 20 log 20 log 20 log  
The overall phase shift is the sum:   
 

6.2 Bode diagram

The  Bode  diagram  is  a  set  of  magnitude  and  phase  plots  on  the  logarithmic  frequency  scale.  The 
magnitude  is  expressed  in  dB.  This  allows  us  to  perform  graphical  addition  of  both  magnitude  and 
phase corresponding to individual transfer functions in a cascade.  
 
Note:  1. For Bode analysis, it is more convenient to express the transfer function in a form of a 
time constant, for example   instead of the equivalent    
2. Smooth plots can be approximated well using corner plots 
 
The table below summarises Bode diagrams of common first order systems. 
 
 
 
Table 6.1: Bode diagrams of simple 1st order transfer functions 

0.1 1 10 100

-3dB
Integration time constant 
-20dB
Slope:
  - 20dB/decade
-40dB
 
 
1 0.1 1 10 100
| |   
1
1 5


∠ tan    45
 
 90
 

31
 Differentiation time constant 
  
 
 
  90
| | 1  
1 45
∠ tan  
 5

0.1 1 10 100
 

Pure integration 

 
 
 
  
1
| |  
∠ 90°   45
 
 90
 


Pure differentiation 
 
 
 
| |  
 90
∠ 90° 
 
 45



Pure gain 
 
 
 

0

 
 
   

32
Example 6.1: Aircraft roll‐angle control system – Bode diagram
In Sec. 3 we considered the automatic roll‐angle control system for an aircraft. The open loop transfer 
function was given by: 
5
 
1 5
We now want to plot the Bode diagram corresponding to the open loop transfer function. 
 
To  start,  the  transfer  function  factors  should  be  expressed  in  the  form  1   which  is  more 
convenient for plotting Bode diagrams. 
5 1
 
1 5 1 1 0.2
 
 can be seen to be a cascade of 3 first order transfer functions – 2 integration time constants 
and a pure integration. 
 
 

1 1 1
1  jω 1  0.2 jω jω

Integrator

2 x time‐constant elements 
st

 
20.log10 K* ωτ* 


ωτ*
 45
 5
 45 

 90

 90 

 
 
Plotting the Bode diagram by hand 
The easiest way to plot the Bode magnitude diagram is as a corner plot; the corners can be rounded at 
the end to give more accurate plot, if needed. 
 
In principle, you can plot the Bode magnitude and phase diagrams for each of the of the constituent 1st 
order transfer functions on one graph, then draw the plots for the overall system as a sum of these. 
Notice, however, that each time constants element contributes 0db to the magnitude below its corner 
frequency.  We can use this to construct the magnitude plot in terms of slopes, while the 0dB line is 
constructed at the end according to the gain. The phase plot is easiest to construct by evaluating a few 
points of the graph. This is summarised by the following procedure: 
 
Magnitude plot 
1. Mark all corner frequencies for the transfer function on the frequency axis. 
In this example they are 1 /  and 5 / . 
2. Draw the Bode magnitude line in the range below all corner frequencies.  If the system contains no 
pure integrators this line is horizontal; if it contains one pure integrator it is at a slope of 
20 / . 

33
 In this example the low‐frequency portion of the plot is at the slope of  20 / , because 
there is one pure integration. 
3. Draw the subsequent line segments. At each corner frequency the slope changes by  20 /  
if it corresponds to a differentiation time constant,  20 /  if it is an integration time 
constant. 
In this example the slopes progressively change to  40 /  and then to  20 /  because 
there are two integration time constants. 
4. Construct the 0dB line.  
a. If the low‐frequency segment is horizontal (no pure integrators) then the magnitude of transfer 
as  → 0 is 20 log  . 
b. If pure integration is present, the magnitude |KG jω | → ∞ as  → 0. However, below all 
corner frequencies the plot effectively corresponds to KG jω .  
Therefore in this region |KG jω | .  
0  line crosses the low frequency segment  frequency K ω 
In this example we assume K 1, so 0dB line crosses at ω 1 rad/s 
 
1
1  jω 1
K
j 1  0.2 jω

20 dB
0 dB

0.1 1 5 10 100 1000

 
 
Phase plot 
This can be produced by adding phase corner plots of each element, but in practice it easier to calculate 
the phase shift analytically at a few frequencies in the range of interest. 
 
  Phase shift may be calculated as follows 
Differentiation time constant       tan 1  
1
Integration time constant:      tan  
Pure integration:    90° 
Pure differentiation:    90° 
   
  In this example the overall phase is: 
90° tan 1 tan 1
0.2  
0.1 0.5 1 10 50 100
‐97 ‐122 ‐146 ‐238 ‐263 ‐267  
 

34
 0.1 1 5 10 100 1000

1
-45 1  0.2 jω
1
1  jω
-90
1
jω

-135

-180

-225

-270
 
Bode diagram using Matlab 
Open loop transfer function: 
5 5
K  
jω jω 1 jω 5 6 5
To plot the Bode diagram or K=1: 
Matlab comands: 
num = [5];den = [1,6,5,0];plant = tf (num,den); 
bode(plant) 
 

 
Note: 
 Increasing gain by an amount K adds  20 log  to all points on the magnitude plot (raises the plot) 
 Changing K does not affect the phase plot. 
 When plotting by hand, it is easier to redraw the 0  line as the gain is changed, instead of 
redrawing the whole magnitude graph. 

35
6.3 Stability Investigation
The above analysis is applied to the open loop transfer function, generally of the form: 
  dependent
x
 K.G ( j)
e
Independent of  e KG( j) x
     
 
For the purposes of control, we employ negative feedback. The simplest and sufficiently general for 
analysis is the "unity feedback" closed loop system 
u e KG ( j) x


 
Thus  K.G ( j) is the open loop transfer function, while the closed loop transfer function is  

 
1

6.3.1 Stability criterion

Consider the frequency response of a unity feedback closed loop system. It is quite reasonable to 
expect that, for a given system, there exists a combination of values   and  , such that the forward 
transfer function takes the value  1. 
 
In this case the closed loop system becomes self‐oscillatory, since the negative feedback makes Loop 
Transfer = +1. Once set in motion, the system will oscillate forever, even if input u=0. 
 

1
e
u0 KG ( j) x


 
Fig. 6.5:  Self‐sustained oscillations. 

This represents the marginal stability case. In general  

if  K.G ( j)  1 , but smaller magnitude, 

then the system is stable. 

if  K.G ( j)  1 , but larger magnitude,  

then the system is unstable. 
 
Remembering that   is a complex number, representing magnitude and phase of x(t) relative to 
e(t), the stability condition of critical stability  1 can be defined as: 
 
Magnitude condition:  | | 1 0  
Phase condition:  ∠ 180° 

36
 
These conditions can be easily analysed using Bode diagrams, as shown in the following diagrams for an 
arbitrary  , open loop. 
 
 
 
 
 
Marginally stable 
 
 
| | 1 0  
at   for which 
∠ 180° 
 

 
 
 
Stable 
 
 
| | 0  
at   for which 
∠ 180° 
 

 
 
 
Unstable 
 
 
| | 0  
at   for which 
∠ 180° 
 

Fig. 6.6:   Bode diagrams for an arbitrary system at various gain settings 

37
6.3.2 Measures of Stability: Phase and Gain Margins
As explained above, a closed loop system is marginally stable if the gain   has a value   for which 
there exists a frequency  , such that the open loop transfer  1. Therefore 
| | 0  
∠ 180° 
 
If a system is stable ( ), then the stability margins are defines as follows: 
Gain Margin – additional system gain that can be introduced before the onset of instability 
Phase Margin – additional phase lag that can be introduced before the onset of instability 
 
These conditions can be readily investigated using the Bode diagrams. 

20 log10 K.G ( j)

0dB
0.1 1 10 100 
Gain Margin

0 
0.1 1 10 100

K.G ( j)
Phase Margin
180

 
Fig. 6.7:   Definition of gain margin and phase margin 

Gain and phase margins are measure of "how stable" the closed loop system is. The smaller the margins 
the more oscillatory the transient behaviour. They are used as performance measures when designing 
the transient response using frequency response analysis. An unstable system will have negative 
stability margins. 

6.3.3 2nd order system: GM, PM and Closed Loop Transient Response
It is important to remember that the Bode diagram analyses the frequency response of the open loop 
system,  while  the  design  task  is  concerned  with  the  performance  of  the  unity  feedback  closed  loop 
system.  
 
How is the open loop frequency response is related to the closed loop time response?  
 Transient  response  (stability,  overshoot,  rise  time,  settling  time)  is  determined  by  the  high‐
frequency  part  of  the  frequency  response  (gain  margin,  phase  margin,  bandwidth,  180°  phase 
cross‐over frequency) 
 Steady state errors are determined by the low‐frequency part of the frequency response (d.c. gain) 
 
To show this we shall consider a unity feedback second order system whose open loop transfer function 
in the standard form is   

38
 2n
G( j)   
j j  2n 
and the closed loop transfer function is then 
G ( j)  2n
C( j)    
1  G ( j)  j2  2n j  2n
where ξ<1 is the damping ratio and ωn is the undamped natural frequency. 
 
 

 
Fig. 6.8:   Step response parameters 

If we now consider the unit step response of the closed loop system with ξ≤1, we can define a number 
of properties of interest for control design: 
 
Rise time:   time for the output to rise from 10% to 90% of the final value  
   no simple equation available  
 estimated from the time‐response plot, simulation 
Time to reach first peak:   
1
% Overshoot:  /
  % . . 100 
Settling time:  time for the output to settle to within 2% of final value 
4
 
 
Remember also that the closed loop system will exhibit resonance if  0.707 with the following 
√
properties: 
 
Damped resonant 
d  n 1  2  
frequency: 
Resonance peak  1
magnitude:  M  
2
 

39
None of these response properties can be determined directly from the open loop frequency response. 
However,  they  are  determined  by  the  damping  ratio  and  the  natural  frequency  of  the  system,  and 
these values can be related to the frequency response properties such as phase margin. The following 
table and graph summarises how some of these vary with the phase margin (PM).  
 
Response parameters for a 2nd order dynamic system. 
100

ξ  M  % O/S  PM (deg)  90
0  ∞  100  0  80
0.1  5.0  73  12.5  70
0.2  2.5  53  25.9  60
0.3  1.7  37  38.6 

PM
50
0.4  1.3  25  49.1 
40
0.5  1.0  16  57.2 
0.6  0.8  9  63.4  30 Slope ~100
20
0.7  0.7  5  68.0 
0.8  ‐  2  71.5  10

1.0  ‐  0  76.3  0

1.2  ‐  0  79.4  0 0.5 1 1.5 2 2.5 3 3.5

Damping ratio
1.3  ‐  0  80.6 
Fig. 6.9:   Relationship between phase margin and damping ratio. 

Example 6.1 (continued): Aircraft roll control system

The following diagram shows the schematics of a roll control system for an aircraft. The torque on the 
aileron generates a roll rate. The resulting roll angle is then controlled through a feedback system.   
(a)  Plot the Bode diagram for the open loop system, assuming K=1. Estimate the frequency at 
which the phase is −180° 
(b)  Estimate the amplifier gain K for which the closed loop system is stable.  
(c)  Estimate the gain for which the closed loop system will be critically damped (ξ=1). 
 
Amplifier Motor Aileron Aircraft Roll Actual Roll
Desired angle
roll
1 torque 1 rate 1
+ K
angle -
1  jω 1  0.2 jω jω

 
 
 
 
Solution 
Plot the Bode diagram as described above. If using Matlab, for K=1 we get the plot shown below. Note 
that GM and PM are automatically calculated and displayed.

40
(a) From  the  Bode  Diagram,  phase  is  180°  at  frequency  2.2 /   and  the  corresponding 
magnitude  at  that  frequency  is  −15.6dB.  Therefore  gain  margin  is  GM=15.6  dB  (as  displayed  by 
Matlab). 
(b) Maximum gain for stability is the additional 15.6dB = 20log10(K). Therefore Kmax=6.03. 
(c) From the table given above, damping ratio ξ=1 corresponds to Phase Margin ≈76°.  
 
 
Figure  below  illustrates  how  a  new  0dB  may  be  constructed  by  hand,  corresponding  to  gain  being 
reduced from K=1 (0dB) by  12 . Thus the required gain is: 
20log K 12dB 
0.25 
 
Note 
To confirm this gain value, we can look at the low‐frequency portion of the magnitude diagram. This 
corresponds to a pure integration transfer function   and is a line at a slope  20 / . It crosses 
the newly constructed 0  line at frequency   0 1, i.e.  0.25 /  
 
 
 

41
  
 
 
The graphs below the closed loop system output and error signals following a unit step input, for 
different gain settings 
K=1  K = 0.25 

 
   

42
7 Compensation
 

 
Fig. 7.1:   Controller augments the open loop transfer function, modifies the error signal. 

Compensation involves incorporating a controller, which is a signal filter (low‐pass, high‐pass, etc...) in 
the  open  loop  transfer  function,  in  order  to  modify  (hopefully  improve)  the  overall  response 
characteristic. Compensation is generally introduced to improve: 
a) Transient response 
- reduce overshoot (increased damping, stability margins) 
- increase speed of response (increased natural frequency) 
b) Steady state response 
- reduce of steady state errors (step, ramp) 
- reduce sensitivity to disturbance (external loads) 
 
In analogue control systems compensation is almost always implemented as an electronic filter circuit. 
In its simplest form it may be a passive filter (consisting of only resistors, capacitors). However, passive 
filters can only provide attenuation of signals. An active filter can be constructed using op‐amps and it 
can  also  amplify  signals,  but  it  is  more  complex,  requires  power  supply  etc.  Finally,  in  digital  control 
systems,  compensation  is  implemented  in  the  form  of  a  software  algorithm  running  on  the  control 
computer. 
 
What  precisely  do  we  want  the  compensation  to  achieve?  The  answer  to  this  question  can  be 
formulated  from  different  points  of  view,  such  as  re‐shaping  of  the  Bode  diagram,  re‐shaping  of  the 
root locus, or by looking at the time‐signals. We shall briefly cover all of these viewpoints. 

7.1 Improved Bode diagram (frequency response characteristic)

The following diagram illustrates how we may want to improve the transient response by reshaping the 
Bode phase plot. If we can reduce the phase lag at higher frequencies, then this will have the effect of 
increasing the gain and phase margins, making the system less oscillatory. Large stability margins then 
allow applying a higher loop gain, resulting in a faster response (larger bandwidth) and smaller steady 
state errors. This may be achieved using a high pass filter. 

43
  
Fig. 7.2:   The effect of a high‐pass filter with amplification. The compensated system has larger stability margins (GM and PM) 

 
An alternative compensation strategy is shown in Fig. 7.3. In this case we focus on the Bode magnitude 
plot and use a low‐pass filter with amplification to increase the low frequency magnitude. This has the 
effect  of  reducing  the  steady  state  errors.  However,  low‐pass  filter  also  introduces  a  negative  phase 
shift that can make the overall system highly oscillatory, so it has to be applied with caution. 
 

 
Fig. 7.3:   The effect of a low‐pass filter with amplification. Increased low frequency gain will result in smaller steady state 
errors 

   
 
From the frequency response point of view it is important to remember that: 
a)  Transient response is controlled by the high frequency characteristic 
- higher stability margins (GM, PM) mean less oscillations, higher damping ratio 
- higher crossover frequency means wider bandwidth, faster response 
b)  Steady state response is controlled by the low frequency characteristic 
- higher DC gain means smaller steady state errors and better disturbance rejection 
 

7.2 Proportional‐Integral‐Derivative (PID) Controller

There are many different types of compensation (filters) but we shall limit our discussion only to the 
PID controller (Proportional‐Integral‐Derivative) and its subsets PI, and PD controllers. As the diagram 

44
below indicates, this controller provides the control signal as a combination of three components: 
error‐proportional, integral‐of‐error and derivative‐of‐error.  
Control External
signal Load
KDs
Error

+ - System
+ KP Amp
- + + + G( s )
KI
s

 
Fig. 7.4:   PID control 

Because of the need to perform integration and differentiation, PID controller can only be implemented 
as an active filter, using op‐amps. 
 

 
Fig. 7.5:   PID controller implementation using op‐amps 

The controller transfer function can be expressed as:    
Or     1  
where:  TI = integration time constant 
TD = differentiation time constant 
 
The graphs below illustrate the relative roles and effects of the tree constituent signals during a typical 
step response: 
 Error‐proportional  term  (P)  provides  a  signal  with  the  sign  that  always  drives  the  system 
towards the target position. 
 
 Derivative‐of‐error term (D) gives an initially large push towards the target position, but as the 
error reduces it becomes negative, effectively ‘applying the brakes’  
- Increases speed of response 
- reduces overshoot. 
 
 Integral‐of‐error term (I) raises the system class by introducing a free integrator in the forward 
loop path, which can hold a steady output after the error has reduced to zero 
- eliminate or reduces the steady state errors 
- also increases the overshhot 

45
 
 

Output Position

Positional Error

Derivative of error

Integral of error

t  
Fig. 7.6:   PID control system signals during step response 

7.3 PID filter characteristics

PD, PI and PID controller characteristic may be represented using Bode diagrams 

7.3.1 PD: High‐pass filter

 

G PD
j
Kp

Kp 
Kd

 90 KP
s 
KD

0 
 
  Compensation poles and zeros in the s‐plane 
Bode diagram 

 
 

46
It can be seen that PD controller acts as a high‐pass filter, providing a differentiation time constant with 
corner frequency   . As such it provides a positive phase shift for frequencies above   , 
therefore increases the overall system Phase Margin and make it less oscillatory.  
 

7.3.2 PI: Low‐pass filter

 

G PI

Kp

KI 
Kp

0  KI
s
KP
 90
 
Compensation poles and zeros in the s‐plane 
 
Bode diagram 

PI controller  can be seen  to combine pure integration ( ) with a  differentiation time constant  (

). Integration on its own would in most cases make the closed loop system unstable, or at least highly 
oscillatory.  
 
 The overall effect is that of a low‐pass filter, with the corner frequency   .  
 PI introduces large negative phase shift at frequencies below  , so   must be kept relatively low 
in order to avoid deterioration in the Phase Margin and too oscillatory response. 

7.3.3 PID: Notch filter

 

GPID

 90

0 

 
 90 Compensation poles and zeros in the s‐plane 

 
Bode diagram 

PID  controller  aims  to  provide  an  optimal  compromise  between  PD  and  PI  control,  i.e.  well‐damped, 
high‐bandwidth transient response and small steady state errors. However, there are 3 parameters to 

47
set and finding the optimum settings is often an iterative process. At each iteration, the designer will 
typically analyse the Root Locus, Bode diagrams and simulations such as step response. An interactive 
tool such as Matlab is clearly useful in such task. 

7.3.4 PID Tuning: Ziegler‐Nichols Method

Selecting  even  the  initial  values  of  the  three  PID  parameters  is  in  practice  often  difficult.  In  principle, 
PID tuning involves the following steps:  
1. apply some initial PID values 
2. evaluate the resulting closed loop system performance using available analysis tools (such as 
Bode diagrams, root locus method, simulation etc.) 
3. modify the selected values to meet specific requirements 
4. repeat steps (2) and (3) until satisfactory performance is achieved. 
 
Clearly,  this  is  an  iterative  procedure  that  demands  a  deep  understanding  of  the  system  in  hand.  It 
would also be extremely useful to have some guidance on how to choose the initial guesses for the PID 
parameters, which would lead us to an acceptable solution. Many techniques for PID tuning have been 
proposed, but the Ziegler‐Nichols method is probably the most widely used one.  
 
The Ziegler‐Nichols rules are fairly straightforward to apply in practical situations and were developed 
to provide guidance in selecting gains for P, PI and PID controllers. It is important to know that these 
rules have been derived on the basis of experience, rather than strict mathematical derivation. Over the 
years they have shown to be highly valuable, especially when the system under consideration can be 
subjected  to  a  few  simple  experiments.  A  great  value  of  the  Ziegler‐Nichols  rules  is  that  can  they  be 
readily  applied  in  situations  when  the  accurate  transfer  function  of  the  system  is  not  known,  using 
experimental response measurements. 
 
7.3.4.1  Ziegler‐Nichols First Approach – oscillatory systems 
This approach was designed for systems which exhibit significant oscillatory behaviour. Assume that the 
system in hand has the property that under purely proportional control it is stable for the Open loop 
gains in the range 0 < K < Kc and that it becomes unstable in an oscillatory manner for gains K > Kc. For 
this type of system the following procedure is specified: 
 
(1) Increase the system gain K until the onset of continuous oscillations At this critical gain Kc the 
system is marginally stable. 
(2) Note the gain value Kc and the period of oscillations T. 
(3) The recommended initial controller settings are given by: 
 
P control  K = 0.5 Kc 

PI control  K = 0.45 Kc 
TI = 0.833 T 
PID control  K = 0.6 Kc 
TI = 0.5 T 
Td = 0.125 T 

 
 
7.3.4.2  Ziegler‐Nichols Second Approach – non‐oscillatory systems 
This  approach  is  intended  for  the  systems  which  do  not  exhibit  oscillatory  behaviour  and  possibly 
possess significant response delay. This is typical for process plants with large inertias (e.g. temperature 
control for a boiler or room heating). The specified procedure is as follows. 

48
 
 
Output
R

t
L
 
(1) Generate  a  step  response  for  the  open  loop  plant.  Typically,  the  shape  of  response  will  be  as 
that shown on the graph. 
(2) Measure  the  slope  of  the  response  R  and  the  time  lag  L.  Note  that  the  slope  should  pass 
through the response’s point of inflection and is therefore the maximum possible slope. 
(3) The recommended initial controller settings are given by: 
 
P control  K = 1 / (RL) 

PI control  K = 0.9 / (RL) 
Ti = 3.3 L 
PID control  K = 1.2 / (RL) 
Ti = 2 L 
Td = 0.5 L 

7.4 PID Design Examples ‐ DC Motor Position Control

The following notes have been largely taken from the Carnegie‐Mellon Control Tutorials, available on 
the computer cluster. It is strongly recommended that you should try running these examples in Matlab 
yourselves to gain a better understanding.  
 
In  addition  to  creating  and  running  m‐files,  you  can  also  try  to  use  the  SISO  tool  (Single  Input  Single 
Output) available in Matlab as part of the Control Toolbox. Typing sisotool at the command prompt 
will  bring  the  interactive  GUI,  which  allows  quick  simulation  and  analysis  of  the  transfer  functions 
defined in the main Matlab workspace. 

7.4.1 DC Motor Model

A common actuator in control systems is the DC motor. It directly provides rotary motion and, coupled 
with wheels or drums and cables, can provide transitional motion. The electric circuit of the armature 
and the free body diagram of the rotor are shown in the following figure:  

 
 
 

49
System Equations 
The motor torque, T, is related to the armature current, i, by a constant factor Kt. The back emf, e, is 
related to the rotational velocity by the following equations:  
 
 
In SI units (which we will use), Kt (armature constant) is equal to Ke (motor constant).  
From the figure above we can write the following equations based on Newton's law combined with 
Kirchhoff's law:  
 
 
 
 moment of inertia of the rotor (J) = 3.2284E‐6 kg.m2/s2 
 damping ratio of the mechanical system (b) = 3.5077E‐6 Nms 
 electromotive force constant (K=Ke=Kt) = 0.0274 Nm/Amp 
 electric resistance (R) = 4 ohm  
 electric inductance (L) = 2.75E‐6 H 
 input (V): Source Voltage 
 output (theta): position of shaft 
 The rotor and shaft are assumed to be rigid 
 
Transfer Function 
Using Laplace Transforms the above equations can be expressed in terms of s.  
Θ  
Θ  
By eliminating I(s) we can get the following transfer function, where the rotating speed is the output 
and the voltage is an input.  

 
However during this example we will be looking at the position, as being the output. We can obtain the 
position by integrating  , therefore we just need to divide the transfer function by s.  
 
 

Design requirements 
We will want to be able to position the motor very precisely, thus the steady‐state error of the motor 
position should be zero. We will also want the steady‐state error due to a disturbance, to be zero as 
well. The other performance requirement is that the motor reaches its final position very quickly. In this 
case, we want it to have a settling time of 40ms. We also want to have an overshoot smaller than 16%.  
 
If we simulate the reference input (R) by a unit step input, then the motor speed output should have:  
 
 Settling time less than 40 milliseconds 
 Overshoot less than 16%  
 No steady‐state error  
 No steady‐state error due to a disturbance 
 

7.4.2 PID controller design using simulation (time response)

The following shows an iterative design process of a PID controller based on 
experimentation/simulation and on the intuitive knowledge about the effects of P, I and D terms. 
 

50
Transfer Function 


 

 
We can put the transfer function into MATLAB by defining the numerator and denominator as vectors:  
Create a new m‐file and enter the following commands:  
J=3.2284E‐6; 
b=3.5077E‐6; 
K=0.0274; 
R=4; 
L=2.75E‐6; 
num=K; 
den=[(J*L) ((J*R)+(L*b)) ((b*R)+K^2) 0]; 
motor=tf(num,den); 
 
Now let's see how the original open‐loop system performs. Add the following command onto the end of 
the m‐file and run it in the MATLAB command window:  
step(motor,0:0.001:0.2) 
 
You should get the plot below, showing the motor reaching constant speed with constant voltage 
applied:  

 
Proportional control 
Let's first try using a proportional controller with a gain of KP=1.7.  
To determine the closed‐loop transfer function, we use the feedback command.  
Add the following line to your m‐file:  
Kp=1.7; 
contr=Kp; 
sys_cl=feedback(contr*motor,1); 
   
Response to step input R, D=0 
Add the following to the end of your m‐file, and run it in the command window:  
t=0:0.001:0.2; 
step(sys_cl,t) 
 
You should get the following plot:  

51
 
 

   
 
Response to step disturbance D 
This requires us to rearrange the closed loop system as shown below, assuming R=0. 
Add the following to the end of your m‐file, and run it in the command window:  
dist_cl=feedback(motor,contr); 
step(dist_cl,t) 
 
You should get the following plot:  

 
From the plots above we see that  
 the steady‐state error looks good  
 the settling time,  
 the overshoot is too large.  
 the steady‐state error due to a disturbance is large. 

PID control
Recall that  
 adding an integral term will eliminate the steady‐state error and  
 a derivative term will reduce the overshoot.  
 
Let's first try a PI controller to get rid of the disturbance steady state error. Try and Kp=1.7 (as before) 
and introduce  Ki =20. 
1.7 20
 
Change your m‐file so it looks like:  
J=3.2284E‐6; 
b=3.5077E‐6; 
K=0.0274; 
R=4; 
L=2.75E‐6; 
num=K; 
den=[(J*L) ((J*R)+(L*b)) ((b*R)+K^2) 0]; 
motor=tf(num,den); 
Kp=1.7; 
Ki=20; 
contr=tf([Kp Ki],[1 0]); 
sys_cl=feedback(contr*motor,1); 
t=0:0.001:0.4; 
step(sys_cl,t) 

52
 
Again to plot the step response to disturbance D add the following to your m‐file:  
figure 
dist_cl=feedback(motor,contr); 
step(dist_cl,t) 
 
Following the above, you should get the following step responses:  

 
Evidently, PI control has reduced the steady state error to zero.  

Tuning the PID gains

The settling time is still too long. Let's increase the gains in order to speed up the response. Go back to 
your m‐file and set Kp=17 and Ki =200 (both increased by a factor of 10). Rerun the file and you should 
get plots like these:  
1.7 20 17 200
10  
 

 
 
Note the zero introduced by PI is still at  11.8, but the loop gain has increased 10 , so: 
.
 the response is faster than before,  
 the overshoot has worsened (large).  
 
Let's now try adding a derivative term to reduce the overshoot.  
200
17 0.15  
 
Go back to the m‐file and make the following changes to look at the step response.  
Kp=17; 
Ki=200; 
Kd=0.15; 
contr=tf([Kd Kp Ki],[1 0]); 
sys_cl=feedback(contr*motor,1);   
t=0:0.001:0.1; 
step(sys_cl,t) 
 
You should get the following plots:  

53
  
 
We can see: 
 step response looks really good ‐ less than 16% overshoot, settling time is roughly 40ms,  
 no steady‐state error.  
 However the step disturbance response is now really slow (D‐term ‘applies the brakes’ as the 
system approaches the target).  
Remember that D‐term ‘applies the brakes’ as the system approaches the target. In that sense it 
opposes the I‐term which aims to eliminate the steady state error. 
 
Let us increase Ki to speed up the disturbance response. Change Ki to 600 in your m‐file and rerun the 
file. You should get the following plots:  
 

 
We can see that  
 step response has a settling time of roughly 40ms, it has less than 16% overshoot,  
 no steady state error.  
 step disturbance response also has no steady state error, settles to within 2% in 40 ms.  
 
So all of our design requirements will be satisfied if we use a PID controller with Kp=17, Ki=600, Kd=0.15 
 
   

54
7.4.3 PID Controller Design Using Root Locus
Here we shall repeat the PID controller design for the electric motor position control, this time using 
the Root Locus as the analysis. This should demonstrate how Root Locus method provides a much 
better insight into the problem than simulation alone. 
 
As before, the transfer function is: 
 

 
Create a new m‐file and type in the following commands (refer to main problem for the details of 
getting those commands).  
J=3.2284E‐6; 
b=3.5077E‐6; 
K=0.0274; 
R=4; 
L=2.75E‐6; 
num=K; 
den=[(J*L) ((J*R)+(L*b)) ((b*R)+K^2) 0]; 
motor=tf(num,den); 
 
Design requirements  
 Settling time less than 40 milliseconds 
 Overshoot less than 16%  
 No steady‐state error  
 No steady‐state error due to a disturbance 
 
The settling time of 40 ms means that the closed loop natural modes decay according to   2% 
Hence 
0.04 log 0.02 3.91 
100 
The overshoot requirement <16% implies damping ratio  0.5. It can be shown that in the s‐plane the 
lines of constant   are straight lines through the origin at an angle sin  relative to the  ‐axis 
 
The corresponding regions of the s‐plane are indicated below. 
 
j j

 

 
 
Drawing the root locus 
The main idea of root locus design is to find the closed‐loop response from the open‐loop root locus 
plot. Then by adding zeros and/or poles to the original plant, the closed‐loop response will be modified. 
Let's first view the root locus for the plant. Add the following commands at the end of your m‐file.  
rlocus(motor) 
sgrid(.5,0) %plots lines of constant damping ratio  (radial through origin) 
sigrid(100) %plots lines of constant   in   (vertical) 
 
 

55
 
Matlab Note:  The commands sgrid and sigrid are functions.  
Sgrid is a function in the control systems tool box, but sigrid is not. You need to copy the sigrid.m  
file to your directory. ( provided in the Carnegie‐Mellon tutorial on the cluster) 
 
The variable in the sgrid command are the damping ratio   ( 0.5 corresponds to an overshoot of 
16%), and the   term (no rise time criteria) respectively. The variable in the sigrid command is the 
sigma term (4/0.04 seconds = 100). Run the above m‐file and you should get the root locus plot below:  

 
If you look at the axis scales on this plot, one open‐loop pole is very far to the left (further than ‐
1x10^6). This pole does not affect the closed loop dynamics unless very large gains are used, where the 
system becomes unstable. We will ignore this pole by doing a model reduction.  
 
Model Reduction 
One way of simplifying the model is to notice that L is very small and L/R that determins the 
corresponding pole position is even smaller. Thus simply setting L=0 will reduce the model to 2nd order. 
However, the correct general way to neglect these poles, keeping the DC gain of the transfer function 
constant, is as follows: 
≪
1
 
Let's see what the poles of the original transfer function are. Enter the following command at the 
MATLAB prompt:  
roots(den) 
You should see the following output:  
ans = 
   1.0e+06 * 
 
         0 
   ‐1.4545 
   ‐0.0001 
We want to neglect the pole at ‐1.45e6. This can be translated into MATLAB code as:  
J=3.2284E‐6; 
b=3.5077E‐6; 
K=0.0274; 
R=4; 
L=2.75E‐6; 
num=K; 
den=[(J*L) ((J*R)+(L*b)) ((b*R)+K^2) 0]; 
poles=roots(den); 
den2=deconv(den,[1/max(abs(poles)) 1]);%deconvolution, polynomial division 
motor=tf(num,den2); 
You can now check that the other poles have not been affected by entering  
roots(den2) 
at the MATLAB prompt.  

56
Now we can draw the root locus of the reduced system. Add the following commands to the end of 
your m‐file and re‐run it.  
rlocus(motor) 
sgrid(.5,0) 
sigrid(100) 
You should obtain the following plot in which you can see that the closed‐loop system will be stable for 
small gains.  

 
We can see from this plot that the closed‐loop poles are never fast enough to meet the settling time 
requirement (that is, they never move to the left of the sigma=100 vertical line). Also, recall that we 
need an integrator in the controller (not just in the system) to remove steady‐state error due to a 
disturbance.  
 
Integral Control 
Now, let's try using integral control to remove steady‐state error to a disturbance. Note that this adds a 
1/s term to the forward loop. Modify your m‐file so it looks like:  
J=3.2284E‐6; 
b=3.5077E‐6; 
K=0.0274; 
R=4; 
L=2.75E‐6; 
num=K; 
den=[(J*L) ((J*R)+(L*b)) ((b*R)+K^2) 0]; 
poles=roots(den); 
den2=deconv(den,[1/max(abs(poles)) 1]); 
motor=tf(num,den2); 
 
contr=tf(1,[1 0]); 
 
rlocus(contr*motor) 
sgrid(.5,0) 
sigrid(100) 
 
Run this m‐file and you will obtain the following plot.  

57
  
From this root locus we can see that the closed‐loop system under integral control is never stable, and 
another controller must be used.  
 
PI Control 
Now, let's modify the integral controller to a PI controller. Using PI instead of I control adds a zero to 
the open‐loop system. We'll place this zero at  20. The zero must lie between the open‐loop poles 
of the system in this case so that the closed‐loop will be stable.  
i.e. 
20
 
 
Change the lines defining the controller (numcf and dencf) in your m‐file to the following.  
contr=tf([1 20],[1 0]); 
Re‐run your m‐file and obtain the following plot.  

 
 
Note:       You may not get a similar plot in your MATLAB window, depending on which version of the rlocus command you are 
using. If the MATLAB output does not satisfy the rules of the root locus, or does not match your expectations, you 
can always specify which gains you would like MATLAB to plot. For this particular root locus, the following commands 
(replacing the rlocus command above) work well.  
gain = 0:0.1:20; 
rlocus(contr*motor,gain) 
 
Now, we have managed to stabilize the system with zero steady‐state error to a disturbance, but the 
system will still not be fast enough.  
   

58
 
PID Control 
In order to pull the root locus further to the left, to make it faster, we need to place a second open‐loop 
zero, resulting in a PID controller.  
After some experimentation, we can place the two PID zeros at  60 and  70  
i.e. 
60 70 130 4200
 
Change the lines defining the controller in your m‐file to the following.  
numc=conv([1 60],[1 70]); 
denc=[1 0]; 
contr=tf(numc,denc);   
Re‐run your m‐file and obtain the following plot.  

 
Now, we can see  
 two of the closed‐loop poles loop are well within both the settling time and percent overshoot 
requirements.  
 The third closed loop pole moves from the open‐loop pole at  59.2 to the open loop zero 
at  60. This closed‐loop pole nearly cancels with the zero because it is so close. Therefore, 
we can ignore its effect.  
 However, the other open‐loop zero can be seen to pull the root locus branches back to the real 
axis. Somewhat surprisingly, this has the effect that increasing gain will also increase the 
damping and for high gains the system will be overdamped. 
 
Finding the gain using the rlocfind command 
If  you  recall,  we  need  the  settling  time  and  the  overshoot  to  be  as  small  as  possible,  particularly 
because of the effect of the extra zero. Large damping corresponds to points on the root locus near the 
real axis. A fast response corresponds to points on the root locus far to the left of the imaginary axis.  
 
To find the gain corresponding to a point on the root locus, we can use the rlocfind command. We can 
find  the  gain  and  plot  the  step  response  using  this  gain  all  at  once.  To  do  this,  enter  the  following 
commands at the end of your m‐file and rerun it.   
[k,poles] = rlocfind(contr*motor) 
sys_cl=feedback(k*contr*motor,1); 
t=0:0.001:.1;  
step(sys_cl,t) 
 
Go to the plot and select a point on the root locus on left side of the loop, close to the real axis as 
shown below with the small + marks. This will ensure that the response will be as fast as possible with 

59
as little overshoot as possible. These pole locations would indicate that the response would have 
almost no overshoot, but you must remember that the zero will add some overshoot.  

 
After doing this, you should see the following output in the MATLAB command window.  
  
selected_point = ‐1.3943e+02+  1.8502e+01i 
k = 0.1309 
 
poles =   
   1.0e+06 * 
 
Note that the values returned in your MATLAB command window may not be exactly the same, but 
should at least have the same order of magnitude. You should also get the following step response plot:  
 

 
As you can see, the system has an overshoot of approximately 15%, a settling time of approximately 
0.04 seconds, and no steady‐state error.  
 
Let's now look at the disturbance response by computing the closed‐loop disturbance transfer function 
and plotting its step response. Add the following lines to your m‐file:  
dist_cl=feedback(motor,k*contr); 
step(dist_cl,t) 
 
Re‐run your m‐file, selecting the same point on the root locus, and you will get the following plot.  

60
  
You can see that the response to a step disturbance reaches a steady‐state value of zero, and in fact, 
stays within 0.02 (or 2%) after 0.04 seconds. Therefore, all the design requirements have been met.  
 
The final form of the PID controller is therefore 
60 70 0.13 16.9 546
0.13  
 
The controller gains are  Kp=16.9, Ki=546, Kd=0.13. These are very close to the ones derived through 
simulation, but the root locus method involves much less  trial‐and‐error iterations. 
 
 

61