‫باسمه تعالی‬

‫کنترل مدرن‬

‫‪ ‬مرجع‬

‫‪ ‬اصول کنترل مدرن‪ ،‬تألیف دکتر علی خاکیصدیق‪ ،‬انتشارات دانشگاه تهران‬

‫‪ ‬مباحث مورد نظر‬

‫‪ ‬مقدمات‬

‫‪ ‬فصل اول‪ :‬مقدمات جبرخطی‬

‫‪ ‬فصل دوم‪ :‬نمایش سیستمهای خطی‬

‫‪ ‬فصل سوم‪ :‬کنترلپذیری و رؤیتپذیری‬

‫‪ ‬فصل چهارم‪ :‬تئوری تحقق‬

‫‪ ‬فصل پنجم‪ :‬تحلیل پایداری‬

‫‪ ‬فصل ششم‪ :‬سیستمهای کنترل خطی فیدبک حالت‬

‫‪ ‬فصل هفتم‪ :‬رؤیتگرهای خطی و طراحی جبرانساز‬

‫‪ ‬بارم بندی‬

‫‪ ‬کوییزها ‪%10‬‬

‫‪ ‬پرسش و پاسخ کالسی ‪%5‬‬

‫‪ ‬حضور و غیاب ‪%5‬‬

‫‪ ‬تکالیف و حل تمرین ‪% 15‬‬

‫‪ ‬میانترم ‪%30‬‬

‫‪ ‬پایانترم ‪%35‬‬

‫‪1‬‬
 ‫توضیحات تکمیلی‪:‬‬

‫‪ ‬پرسش و پاسخ کالسی شامل پرسش مستقیم یک سؤال از یک دانشجوی خاص و یا پاسخ به سؤال عمومی‬

‫مطرح شده حین درس میباشد‪.‬‬

‫‪ ‬برای شش جلسه غیبت به بعد‪ ،‬مجوز حضور در امتحان پایانترم لغو میشود‪ .‬برای دانشجویان بدون غیبت‬

‫کالسی و یا یک جلسه غیبت‪ 0.5 ،‬نمره مثبت‪ ،‬اضافه بر بارم حضور و غیاب منظور میشود‪.‬‬

‫‪ ‬تکالیف و حل تمرین‪ ،‬شامل حل کامل و صحیح تمرینات منتخب هر فصل به همراه حضور فعال در کالس حل‬

‫تمرین در جهت کسب رضایت مدرس حل تمرین است‪.‬‬

‫چرا کنترل مدرن؟؟؟‬

‫‪ ‬در کنترل کالسیک‪ ،‬تحلیل و طراحیها در حوزه فرکانس است حال آنکه در کنترل مدرن‪ ،‬این کارها در‬

‫حوزه زمان انجام میشود‪ .‬به بیان دیگر مدلها در کنترل کالسیک تابع تبدیل و در کنترل مدرن‪ ،‬فضای‬

‫حالت است‪.‬‬

‫‪ ‬در کنترل کالسیک‪ ،‬ابزار موجود برای ساختن سیگنال کنترلی فقط خروجی سیستم است‪ ،‬اما در کنترل‬

‫مدرن حالتهای سیستم است‪ .‬به دست آوردن حالتهای یک سیستم‪ ،‬قابلیتی است که مدلسازی در‬

‫حوزه زمان به ما میدهد‪.‬‬

‫‪ ‬منظور از خروجیهای سیستم‪ ،‬متغیرهایی است که توسط سنسورها اندازهگیری شدهاند‪ ،‬حال آنکه منظور‬

‫از حالتها تمام متغیرهای داخلی سیستم است‪.‬‬

‫‪ ‬مثالً در یک مخزن حاوی مخلوط دو ماده‪ ،‬اگر از یک ترموکوپل استفاده کرده باشیم‪ ،‬خروجی سیستم‬

‫دما است‪ ،‬در حالیکه متغیرهای حالت آن فشار سیال‪ ،‬غلظت (درصد جرمی) یک ماده‪ ،‬دمای مخلوط و ‪...‬‬

‫است‪.‬‬

‫‪2‬‬
‫‪ ‬مثالً در یک سیستم سیلندر‪-‬پیستون هیدرولیکی اگر از یک پتانسیومتر استفاده کرده باشیم‪ ،‬خروجی‬

‫سیستم موقعیت پیستون است‪ ،‬در حالیکه متغیرهای حالت آن سرعت پیستون‪ ،‬موقعیت پیستون‪ ،‬اختالف‬

‫فشار سیال دو طرف پیستون و ‪ ...‬است‪.‬‬

‫‪ ‬کنترل مدرن‪ ،‬رسیدن به اهداف و الزامات از پیش تعیین شدهای را که توسط کنترل کالسیک غیرممکن‬

‫است‪ ،‬بعضاً امکانپذیر میکند‪.‬‬

‫‪ ‬کنترل مدرن نسبت به کنترل کالسیک‪( ،‬معموالً) سادهتر به اهداف و الزامات کنترلی از پیش تعیینشده‬

‫میرسد‪.‬‬

‫‪ ‬مثال‪ .‬با استفاده از فیدبک خروجی‪ ،‬کنترلکننده پایدارسازی برای سیستم زیر طراحی نمایید‪.‬‬
‫)𝑠(𝑦‬ ‫‪1‬‬
‫‪= 2‬‬
‫‪𝑢(𝑠) 𝑠 − 2𝑠 + 2‬‬
‫حل‪ .‬فرض کنید در گام اولکنترلکننده را به صورت زیر انتخاب کنیم‪:‬‬
‫𝑦𝑘 ‪𝑢 = 𝑟 −‬‬
‫با اعمال این ورودی کنترل به سیستم خواهیم داشت‪:‬‬
‫𝑦‬ ‫‪1‬‬
‫⟹ 𝑦𝑘 ‪(𝑠 2 − 2𝑠 + 2)𝑦 = 𝑟 −‬‬ ‫‪= 2‬‬
‫)‪𝑟 𝑠 − 2𝑠 + (𝑘 + 2‬‬
‫مشاهده میشود که به ازای هیچ مقداری از 𝑘 سیستم حلقهبسته پایدار نخواهد بود‪.‬‬

‫حال در گام دوم فرضکنید کنترلکننده را به صورت زیر انتخاب کنیم‪:‬‬

‫̇𝑦 ‪𝑢 = 𝑟 − 𝑘1 𝑦 − 𝑘2‬‬
‫با اعمال این ورودی کنترل به سیستم خواهیم داشت‪:‬‬
‫𝑦‬ ‫‪1‬‬
‫‪= 2‬‬
‫)‪𝑟 𝑠 + (𝑘2 − 2)𝑠 + (𝑘1 + 2‬‬
‫مشاهده میشود که امکان پایدارسازی در حال حاضر فراهم است‪.‬‬

‫تفاوت ظریف را در اینجا ذکر میکنیم‪ .‬در کنترل کالسیک فرض بر آن است که صرفاً اطالعات مربوط به 𝑦 از طریق‬

‫سنسور مربوطه در دسترس است و لذا برای پیادهسازی کنترلکننده گام دوم‪ ،‬الزم است مشتق 𝑦 را نیز محاسبه کنیم‪ .‬نویز‬

‫فرکانس باالی ناشی از سنسور که در اطالعات 𝑦 موجود است‪ ،‬باعث میشود که هنگام مشتق گرفتن از 𝑦‪ ،‬یک سیگنال با‬

‫‪3‬‬
‫دامنه و فرکانس باال در آن ظاهر شود که مستقیماً در سیگنال کنترلی ظاهر شده و لذا در ورودی عملگر سیستم کنترل‬

‫ظاهر خواهد شد که نتیجه آن استهالک عملگر است و لذا استفاده از چنین رویه و سیگنال کنترلی در عمل به هیچ وجه‬

‫توصیه نمیشود‪.‬‬

‫در کنترل مدرن فرض بر آن است که اطالعات مربوط به ̇𝑦 نیز از طریق سنسور مربوطه یا یک روش تخمینی‪ ،‬در دسترس‬

‫است و بنابراین مشکل حالت قبل در مورد پیادهسازی قانون کنترل مورد نظر وجود نخواهد داشت‪.‬‬

‫البته کنترل کالسیک در مورد این مسأله‪ ،‬ناتوان نیست‪ .‬برای تضعیف اثر نویز از یک فیلتر پایینگذر در خروجی ̇𝑦 استفاده‬

‫میشود و لذا قانون کنترل به صورت زیر اصالح میشود‪:‬‬

‫)𝑠(𝑦𝑠‬
‫‪𝑢(𝑠) = 𝑟 − 𝑘1 𝑦(𝑠) − 𝑘2‬‬ ‫‪𝑇≪1‬‬
‫𝑠𝑇 ‪1 +‬‬
‫با اعمال این ورودی به سیستم‪ ،‬مقادیر ‪ 𝑘2 ،𝑘1‬و 𝑇 طوری یافت میشوند که سیستم حلقهبسته پایدار شود‪.‬‬

‫‪ ‬بنابراین‪ ،‬اگرچه امکان پایدارسازی با کنترل کالسیک امکانپذیر است‪ ،‬اما نسبت به کنترل مدرن مسیر دشوارتری‬

‫طی میشود‪.‬‬

‫‪ ‬مثال‪ .‬با استفاده از فیدبک خروجی‪ ،‬کنترلکنندهای برای سیستم زیر طراحی نمایید که سیستم حلقهبسته مرتبه دو‬

‫‪√2‬‬
‫= ‪ ζ‬و ‪.𝜔𝑛 = √2‬‬ ‫استاندارد بوده و در آن‬
‫‪2‬‬

‫)𝑠(𝑦‬ ‫‪1‬‬
‫‪= 2‬‬
‫‪𝑢(𝑠) 𝑠 + 𝑠 + 1‬‬
‫حل‪ .‬باید داشته باشیم‪:‬‬
‫)𝑠(𝑦‬ ‫‪2‬‬
‫‪= 2‬‬ ‫𝑟‪⟹ (𝑠 2 + 2𝑠 + 2)𝑦 = 2𝑟 ⟹ (𝑠 2 + 𝑠 + 1)𝑦 + (𝑠 + 1)𝑦 = 2‬‬
‫‪𝑟(𝑠) 𝑠 + 2𝑠 + 2‬‬

‫𝑦𝑠 ‪⟹ 𝑢 = 2𝑟 − 𝑦 −‬‬

‫واضح است که پیادهسازی چنین ساختاری از طریق فیدبک خروجی منجر به استهالک عملگر سیستم کنترل شده و قابل‬

‫توصیه نیست‪ .‬اما همانطور که قبالً گفته شد‪ ،‬پیادهسازی این ساختار با کنترل مدرن مقدور است‪.‬‬

‫‪4‬‬
 ‫مشاهده میکنید که در این مسأله خاص‪ ،‬رسیدن به هدف تعیین شده توسط کنترل کالسیک غیرممکن است‪.‬‬

‫‪ ‬در مورد مزایای کنترل مدرن صحبت شد‪ .‬علت کارکرد بهتر کنترل مدرن چیست؟‬

‫اگر توجه کرده باشید‪ ،‬این قابلیت به واسطه اضافه شدن ورودیهای سیستم کنترل به وجود آمده است‪ .‬در کنترل کالسیک‪،‬‬

‫ورودیهای کنترلکننده‪ ،‬خروجی سیستم تحت کنترل است در حالیکه در کنترل مدرن‪ ،‬ورودیهای کنترلکننده‪ ،‬حالتهای‬

‫سیستم تحت کنترل است‪.‬‬

‫به بیان دیگر‪ ،‬در کنترل مدرن یا تعداد سنسورها اضافه میشود یا مکانیزمی برای تخمین حالتهای سیستم استفاده میشود‬

‫که در هر دو حالت به وضوح ورودیهای سیستم کنترل در قیاس با کنترل کالسیک‪ ،‬افزایش یافته است و لذا قابلیت باالتر‬

‫کنترل مدرن نسبت به کنترل کالسیک دور از ذهن نیست‪.‬‬

‫‪5‬‬
 ‫فصل اول‪ :‬مقدمات جبرخطی‬

‫‪ ‬میدان‬

‫‪ ‬مجموعهی 𝐹 از اسکالرها به همراه دو عمل جمع و ضرب میدان نامیده میشود اگر‪:‬‬

‫𝐹 ∈ 𝑦𝑥 ‪ 𝑥 , 𝑦 ∈ 𝐹 ∶ 𝑥 + 𝑦 ∈ 𝐹 ,‬به ازای هر‬

‫و شرایط زیر نیز برآورده شود‪:‬‬

‫‪ .1‬جمع و ضرب دارای خاصیت جابجایی و شرکتپذیری باشند‪.‬‬

‫𝑧 ‪ 𝑥 , 𝑦, 𝑧 ∈ 𝐹 ∶ 𝑥 + 𝑦 = 𝑦 + 𝑥 , 𝑥 + (𝑦 + 𝑧) = (𝑥 + 𝑦) +‬به ازای هر‬

‫𝑥𝑦 = 𝑦𝑥‬ ‫‪,‬‬ ‫𝑧)𝑦𝑥( = )𝑧𝑦(𝑥‬

‫‪ .2‬عضو خنثی عمل جمع در 𝐹 وجود داشته باشد‪.‬‬

‫‪∋ 0 ∈ 𝐹:‬‬ ‫𝑥 = ‪ 𝑥 ∈ 𝐹 , 𝑥 + 0‬به ازای هر‬

‫‪ .3‬عضو خنثی عمل ضرب در 𝐹 وجود داشته باشد‪.‬‬

‫‪∋ 1 ∈ 𝐹:‬‬ ‫𝑥 = ‪ 𝑥 ∈ 𝐹 , 𝑥 × 1‬به ازای هر‬

‫‪ .4‬عضو قرینه عمل جمع در 𝐹 وجود داشته باشد‪.‬‬

‫‪ 𝑥 ∈ 𝐹 , ∋ −𝑥 ∈ 𝐹 ∶ 𝑥 + (−𝑥) = 0‬به ازای هر‬

‫‪ .5‬عضو معکوس عمل ضرب در 𝐹 وجود داشته باشد‪.‬‬

‫‪1‬‬ ‫‪1‬‬
‫∋ ∶ 𝐹 ∈ ‪ 𝑥 ≠ 0‬به ازای هر‬ ‫‪∈ 𝐹 , 𝑥( ) = 1‬‬
‫𝑥‬ ‫𝑥‬
‫‪ .6‬دارای شرکتپذیری ضرب روی جمع باشد‪ ،‬یعنی‪:‬‬

‫𝑧𝑥 ‪ 𝑥 , 𝑦, 𝑧 ∈ 𝐹 ∶ 𝑥(𝑦 + 𝑧) = 𝑥𝑦 +‬به ازای هر‬

‫‪ ‬مثال‪ .‬کدامیک از مجموعههای زیر با اعمال جمع و ضرب معمولی تشکیل میدان میدهد؟‬

‫‪ .1‬مجموعه اعداد حقیقی‬

‫‪ .2‬مجموعه اعداد طبیعی‬

‫‪6‬‬
 ‫‪ .3‬مجموعه اعداد صحیح‬

‫‪ .4‬مجموعه اعداد گویا‬

‫‪ ‬فضای برداری‬

‫‪ ‬یک فضای برداری متشکل است از‪:‬‬

‫‪ .1‬مجموعهای از اسکالرها به نام میدان 𝐹‬

‫‪ .2‬مجموعهای از بردارها به نام 𝑉‬

‫‪ .3‬یک قاعده به نام جمع برداری‪ ،‬به طوریکه به ازای هر ‪ α‬و ‪ β‬عضو 𝑉‪:‬‬
‫𝑉∈ 𝛽‪𝛼+‬‬
‫و‪:‬‬

‫الف‪ .‬دارای خاصیت جابجایی است‪ ،‬یعنی 𝛼 ‪𝛼 + 𝛽 = 𝛽 +‬‬

‫ب‪ .‬دارای خاصیت شرکتپذیری است‪ ،‬یعنی به ازای هر ‪ γ‬عضو 𝑉 ‪𝛼 + (𝛽 + 𝛾) = (𝛼 + 𝛽) + 𝛾 :‬‬

‫ج‪ .‬بردار یکتای صفر در 𝑉 موجود است به طوریکه‪α + 0 = α :‬‬

‫د‪ .‬به ازای هر 𝛼 عضو 𝑉 بردار یکتای 𝛼‪ −‬در 𝑉 وجود داشته باشد به طوریکه‪α + (−α) = 0 :‬‬

‫‪ .4‬یک قاعده به نام ضرب اسکالری که به ازای هر اسکالر 𝑐 از میدان 𝐹 و هر بردار ‪ α‬از 𝑉‪:‬‬
‫𝑉 ∈ 𝛼𝑐‬
‫و‪:‬‬

‫الف‪1α = α .‬‬

‫ب‪ .‬به ازای هر اسکالر ‪ 𝑐1‬و ‪ 𝑐2‬از میدان 𝐹‪(𝑐1 𝑐2)𝛼 = 𝑐1 (𝑐2 𝛼) :‬‬

‫ج‪ .‬به ازای هر بردار ‪ β‬از 𝑉‪𝑐(𝛼 + 𝛽) = 𝑐𝛼 + 𝑐𝛽 :‬‬

‫د‪ .‬به ازای هر اسکالر ‪ 𝑐1‬و ‪ 𝑐2‬از میدان 𝐹‪(𝑐1 + 𝑐2 )𝛼 = 𝑐1 𝛼 + 𝑐2 𝛼 :‬‬

‫‪ ‬مثال‪ .‬کدامیک از مجموعههای زیر یک فضای برداری است؟ (وقتی از میدان صحبتی نشده‪ ،‬منظور میدان‬

‫اعداد حقیقی است و وقتی به جمع و ضرب خاصی اشاره نشده‪ ،‬منظور جمع و ضرب معمولی است)‬

‫‪7‬‬
 ‫‪ .1‬مجموعه 𝑛تاییهای 𝑛‪ℝ‬‬

‫‪ .2‬مجموعه توابع چندجملهای از درجه 𝑛 (‪)𝑛 ≥ 1‬‬

‫‪ .3‬مجموعه ماتریسهای 𝑛×𝑚‪ℝ‬‬

‫‪ .4‬مجموعه توابع چندجملهای حداکثر از درجه 𝑛 (‪)𝑛 ≥ 1‬‬

‫‪ .5‬مجموعه اعداد مختلط‬

‫‪ .6‬مجموعه اعداد حقیقی روی میدان اعداد مختلط‬

‫‪ ‬قضیه‪ :‬یک زیرمجموعه غیرتهی 𝑊 از فضای برداری 𝑉‪ ،‬زیرفضایی از 𝑉 است اگر و تنها اگر به ازای هر ‪ α‬و‬

‫‪ β‬از 𝑊 و هر اسکالر 𝑐 از 𝐹‪ 𝑐𝛼 + 𝛽 ،‬عضو 𝑊 باشد‪.‬‬

‫‪ ‬مثال‪ .‬کدامیک از مجموعههای زیر خود یک فضای برداری است؟‬

‫‪ .1‬زیر مجموعه }‪ {0‬از فضای برداری دلخواه 𝑉‬

‫‪ .2‬مجموعه سهتاییهای ‪ ℝ3‬به صورت ) ‪ (𝑥1 , 𝑥2 , 𝑥3‬با شرط ‪ 𝑥1 = 0‬و ‪𝑥2 = 𝑥3 + 2‬‬

‫‪ .3‬مجموعه ماتریسهای متقارن 𝑛×𝑛‪ℝ‬‬

‫‪ .4‬مجموعه ماتریسهای هرمیتی 𝑛×𝑛𝔽 روی میدان اعداد مختلط‬

‫‪ .5‬مجموعه جواب دستگاه معادالت ‪𝐴𝑥 = 0‬‬

‫‪ ‬اگر ‪ 𝑛 ،𝑣𝑛 ،...،𝑣1‬بردار باشند‪ ،‬کلیه ترکیبات خطی آنها تشکیل یک فضا میدهند‪.‬‬

‫‪ ‬استقالل خطی‪ :‬یک مجموعه از بردارهای ‪ 𝑣𝑛 ،...،𝑣1‬مستقل خطی گفته میشود اگر از تساوی‬

‫‪ 𝑐1 𝑣1 + 𝑐2 𝑣2 + ⋯ + 𝑐𝑛 𝑣𝑛 = 0‬تنها و تنها نتیجه ‪ 𝑐1 = 𝑐2 = ⋯ = 𝑐𝑛 = 0‬حاصل شود‪.‬‬

‫‪ ‬هر مجموعهای که شامل بردار صفر باشد‪ ،‬وابسته خطی است‪.‬‬

‫‪ ‬پایه فضای برداری‪ :‬فرض کنید 𝑉 یک فضای برداری باشد‪ .‬یک پایه برای 𝑉‪ ،‬یک زیرمجموعه مستقل خطی از 𝑉‬

‫مانند 𝐵 است که فضای 𝑉 را پدید میآورد‪.‬‬

‫تذکر‪ :‬منظور از پدیدآوردن‪ ،‬آن است که هر عضو 𝑉 به صورت ترکیب خطی اعضای 𝐵 قابل بیان باشد‪.‬‬

‫‪8‬‬
‫‪ ‬قضیه‪ :‬فرض کنید 𝑉 فضای برداری پدیدآمده توسط مجموعه بردارهای ‪ ،𝛽2 ،𝛽1‬تا 𝑚𝛽 باشد‪ .‬در این صورت‪ ،‬هر‬

‫زیرمجموعه مستقل از 𝑉 بیش از 𝑚 عنصر ندارد‪.‬‬

‫‪ ‬نتیجه‪ :‬اگر 𝑉 یک فضای برداری باشد‪ ،‬هر دو پایه از 𝑉 به تعداد مساوی عضو دارند‪.‬‬

‫‪ ‬تخصیص بعد به فضای برداری‪ :‬به تعداد اعضای پایه یک فضای برداری‪ ،‬بعد آن فضا گفته میشود‪.‬‬

‫تذکر‪ :‬پایه برای }‪ {0‬مجموعه } { است و لذا بعد این فضای برداری‪ ،‬صفر است‪.‬‬

‫‪ ‬مثال‪ .‬بعد فضاهای زیر را تعیین کنید‪.‬‬

‫‪ .1‬مجموعه سهتاییهای ‪ℝ3‬‬

‫‪ .2‬مجموعه جواب دستگاه معادالت ‪𝐴3×5 𝑥 = 0‬‬

‫‪ .3‬مجموعه ماتریسهای متقارن 𝑛×𝑛‪ℝ‬‬

‫‪ ‬قضیه‪ :‬مجموعه 𝑚 بردار مستقل از فضایی با بعد 𝑛‪ ،‬بخشی از یک پایه برای آن فضاست‪.‬‬

‫‪ ‬نتیجه‪ :‬مجموعه 𝑛 بردار مستقل از فضایی با بعد 𝑛‪ ،‬یک پایه برای آن فضاست‪.‬‬

‫‪ ‬نتیجه‪ :‬در یک فضا با بعد 𝑛 حداکثر 𝑛 بردار مستقل میتوان یافت‪.‬‬

‫‪ ‬پایه مرتب‪ :‬به پایهای برای فضای برداری 𝑉 گفته میشود که در آن ترتیب عناصر مهم است‪.‬‬

‫‪ ‬اگر ‪ α‬یک بردار دلخواه از فضای𝑉 باشد و } 𝑛𝑣 ‪ 𝐵 = {𝑣1 , … ,‬یک پایه مرتب برای این فضا باشد‪ .‬بدیهی‬

‫است که میتوان ‪ α‬را به صورت ترکیب خطی ‪ 𝑣1‬تا 𝑛𝑣 نوشت یعنی‪:‬‬

‫𝑛𝑣 𝑛𝑐 ‪𝛼 = 𝑐1 𝑣1 + ⋯ +‬‬
‫‪𝑐1‬‬
‫‪.‬‬
‫به ] ‪ 𝐶 = [ .‬مختصات بردار 𝛼 در پایه مرتب 𝐵 گفته میشود و به صورت 𝐵]𝛼[ نمایش داده میشود‪ ،‬یعنی‪:‬‬
‫𝑛𝑐‬
‫‪𝑐1‬‬
‫‪.‬‬
‫] ‪[𝛼]𝐵 = [ .‬‬
‫𝑛𝑐‬
‫‪ ‬مختصات بردار دلخواه 𝛼 در پایه مرتب 𝐵 منحصر به فرد است‪.‬‬

‫‪9‬‬
 ‫‪ ‬تبدیل خطی‬

‫‪ ‬فرض کنید 𝑉 و 𝑊 دو فضای برداری روی میدان 𝐹 باشند‪ .‬یک تبدیل خطی از 𝑉 به 𝑊‪ ،‬تابعی است از 𝑉 به 𝑊‬

‫که به ازای هر ‪ α‬و ‪ β‬عضو𝑉 و هر اسکالر 𝑐 عضو 𝐹‪:‬‬

‫)𝛽(𝑇 ‪𝑇(𝑐𝛼 + 𝛽) = 𝑐𝑇(𝛼) +‬‬
‫‪ ‬تبدیل خطی‬
‫‪𝑇: 𝑅 𝑛×1 ⟶ 𝑅 𝑚×1‬‬
‫𝑋 𝑛×𝑚𝐴 = )𝑋(𝑇‬
‫را در نظر بگیرید‪ .‬با توجه به آن‪ ،‬هر ماتریس 𝑛×𝑚𝐴 را میتوان نماینده یک تبدیل خطی در نظر گرفت‪ .‬لذا در این درس‪ ،‬از‬

‫این به بعد مفاهیم مربوط به تبدیل 𝑇 به ماتریس 𝐴 نسبت داده میشود‪ .‬پس به جای )𝑋(𝑇 خواهیم گفت )𝑋(𝐴 که‬

‫منظورمان همان 𝑋𝐴 است‪.‬‬

‫‪ ‬مجموعه تصویر ماتریس 𝐴‪:‬‬

‫}𝑦 = 𝑥𝐴 ‪𝐼𝑚(𝐴) = {𝑦 ∈ 𝑅 𝑚 |∋ 𝑥 ∈ 𝑅 𝑛 ,‬‬
‫‪ ‬مجموعه پوچساز ماتریس 𝐴‪:‬‬
‫}‪𝐾𝑒𝑟(𝐴) = 𝑁(𝐴) = {𝑥 ∈ 𝑅 𝑛 | 𝐴𝑥 = 0‬‬
‫‪ ‬هر دو مجموعه تصویر و پوچساز ماتریس 𝐴‪ ،‬یک فضای برداری هستند‪.‬‬

‫‪ ‬زیرفضای سطری و ستونی و دستگاه معادالت 𝒚 = 𝒙𝑨‬

‫زیرفضای سطری و ستونی یک ماتریس‪ :‬به زیرفضای پدیدآمده توسط سطرهای ماتریس 𝐴 (ستونهای ماتریس‬ ‫‪‬‬

‫𝐴) زیرفضای سطری ماتریس 𝐴 گفته میشود‪ .‬در حقیقت‪ ،‬زیرفضای سطری یک ماتریس‪ ،‬مجموعه کلیه ترکیبات‬

‫خطی سطرهای (ستونهای) آن ماتریس است‪.‬‬

‫زیرفضای ستونی یک ماتریس مانند 𝐴‪ ،‬همان فضای تصویر ماتریس 𝐴 است‪.‬‬ ‫‪‬‬

‫تصویر ماتریس 𝑛×𝑚𝐴‪ ،‬در حقیقت همان بردارهای 𝑦 به فرم 𝑥𝐴 هستند‪.‬‬

‫‪𝑥1‬‬
‫‪𝑦 = 𝐴𝑥 = [𝑎1‬‬ ‫…‬ ‫𝑛𝑎 𝑛𝑥 ‪𝑎𝑛 ] [ … ] = 𝑥1 𝑎1 + ⋯ +‬‬
‫𝑛𝑥‬

‫‪10‬‬
‫همانطور که مشاهده میکنید تصویر ماتریس‪ ،‬تمامی ترکیبات خطی ستونهای آن ماتریس یا همان زیرفضای ستونی آن‬

‫ماتریس است‪.‬‬

‫‪ ‬قضیه‪ :‬اگر 𝑛×𝑚 𝑅 ∈ 𝐴‬

‫𝑛 = )𝐴(𝑚𝐼 𝑚𝑖𝑑 ‪𝑑𝑖𝑚 𝑁(𝐴) +‬‬

‫‪ ‬شرط وجود و یکتایی جواب دستگاه معادالت 𝑦 = 𝑥 𝑛×𝑚𝐴‬

‫‪ .1‬شرط (الزم و کافی) وجود همیشگی جواب برای دستگاه معادالت فوق آن است که 𝑚𝑅 = )𝐴(𝑚𝐼 یعنی تصویر‬

‫ماتریس 𝐴 کل فضای 𝑚𝑅 باشد‪.‬‬

‫‪ .2‬شرط (الزم و کافی) یکتایی جواب (در صورت وجود) دستگاه معادالت فوق آن است که }‪.𝐾𝑒𝑟(𝐴) = {0‬‬

‫اثبات مورد دوم‪ .‬فرض نمایید }‪ .𝐾𝑒𝑟(𝐴) = {0‬نشان میدهیم‪ ،‬جواب معادله فوق‪ ،‬یکتاست‪.‬‬

‫فرض نمایید‪ ،‬جواب دستگاه معادله 𝑦 = 𝑥𝐴 یکتا نیست‪( .‬فرض خلف)‬

‫پس‪:‬‬
‫𝑦 = 𝑥𝐴‬
‫𝑦 = ‪∋ 𝑥1 ≠ 𝑥2 : {𝐴𝑥1‬‬ ‫‪⟹ 𝐴(𝑥1 − 𝑥2 ) = 0 ⟹ 𝑥1 − 𝑥2 ∈ 𝐾𝑒𝑟(𝐴) ⟹ 𝑥1 − 𝑥2 = 0‬‬
‫‪2‬‬

‫‪⟹ 𝑥1 = 𝑥2‬‬
‫که این تناقض است با ‪.𝑥1 ≠ 𝑥2‬‬

‫حال فرض نمایید‪ ،‬جواب دستگاه معادله فوق یکتاست‪ .‬نشان میدهیم }‪𝐾𝑒𝑟(𝐴) = {0‬‬

‫فرض نمایید‪( 𝐾𝑒𝑟(𝐴) ≠ {0} ،‬فرض خلف)‪.‬‬

‫پس‪:‬‬

‫‪∋ 𝑥1 ≠ 0: 𝐴𝑥1 = 0‬‬ ‫)∗(‬

‫جواب یکتای دستگاه معادله 𝑦 = 𝑥𝐴 را ‪ 𝑥 ′‬فرض نمایید‪ .‬پس‪:‬‬

‫𝑦 = ‪𝐴𝑥 ′‬‬
‫لذا‪:‬‬
‫𝑥𝐴 = ) ‪𝐴(𝑥 ′ + 𝑥1‬‬
‫𝑥𝐴 ‪⏟′ +‬‬
‫𝑦 = ‪⏟1‬‬
‫𝑦‬ ‫‪0‬‬

‫‪11‬‬
 ‫بنابراین‪ 𝑥 ′ + 𝑥1 ،‬جواب دیگری برای دستگاه معادله 𝑦 = 𝑥𝐴 است که این تناقض است با فرض یکتایی جواب دستگاه‪.‬‬

‫‪ ‬رتبه یک ماتریس و ارتباط بین دترمینان با بعد فضای پوچساز و فضای تصویر‬

‫در یک ماتریس 𝑛×𝑚𝐴‪ ،‬تعداد سطرهای مستقل با تعداد ستونهای مستقل برابر است‪.‬‬ ‫‪‬‬

‫رتبه یک ماتریس‪ :‬به تعداد سطرهای (ستونهای) مستقل یک ماتریس‪ ،‬رتبه آن ماتریس گفته میشود‪ .‬رتبه یک‬ ‫‪‬‬

‫ماتریس‪ ،‬در حقیقت بعد زیرفضای سطری (ستونی) آن ماتریس است‪.‬‬

‫ماتریس رتبه کامل (‪ :)Full Rank‬به ماتریس 𝑛×𝑚𝐴‪ Full Rank ،‬گفته میشود‪ ،‬اگر بعد فضای سطری‬ ‫‪‬‬

‫(ستونی) آن برابر مینیمم تعداد سطرها و ستونهای آن باشد‪.‬‬

‫‪ ‬میدانید که در مورد ماتریس مربعی 𝑛×𝑛𝐴‪ ،‬نتیجه ‪ Full Rank‬بودن‪ ،‬آن است که ‪ 𝑑𝑒𝑡(𝐴) ≠ 0‬و بالعکس‪ .‬در‬

‫این حالت به 𝐴 ماتریس ناویژه گفته میشود‪.‬‬

‫‪ ‬پس میتوان گفت‪:‬‬

‫𝑛 ≠ )𝐴(𝑚𝐼 𝑚𝑖𝑑 ⟹ ‪𝑑𝑒𝑡(𝐴) = 0‬‬
‫‪ ‬با توجه به قضیه‬
‫𝑛 = )𝐴(𝑚𝐼 𝑚𝑖𝑑 ‪𝑑𝑖𝑚 𝑁(𝐴) +‬‬
‫میتوان نتیجه گرفت که در مورد یک ماتریس با دترمینان صفر‪ ،‬داریم‪:‬‬
‫}‪𝑑𝑖𝑚 𝑁(𝐴) ≠ 0 ⟹ 𝐾𝑒𝑟(𝐴) ≠ {0‬‬
‫و بالعکس‪.‬‬

‫به بیان دیگر‪:‬‬

‫}‪𝑑𝑒𝑡(𝐴) = 0 ≡ 𝑁(𝐴) ≠ {0‬‬

‫تذکر‪ :‬به بعد فضای پوچ ماتریس 𝐴‪ ،‬پوچی نیز گفته میشود‪.‬‬

‫‪ ‬بردار ویژه و مقدار ویژه و نحوه محاسبه‬

‫‪ ‬به بردار ‪ ،𝑣 ≠ 0‬یک بردار ویژه برای ماتریس مربعی 𝐴 گفته میشود‪ ،‬اگر نگاشت این بردار تحت ماتریس 𝐴 با‬

‫خود این بردار موازی باشد‪ .‬یعنی‪:‬‬

‫‪12‬‬
‫)∗( 𝑣𝜆 = 𝑣𝐴‬
‫در این صورت‪ ،‬به ضریب توازی در رابطه فوق یعنی 𝜆‪ ،‬مقدار ویژه ماتریس 𝐴 (متناظر با بردار ویژه 𝑣) گفته میشود‪.‬‬

‫‪ ‬محاسبه همزمان 𝑣 و 𝜆 از رابطه (*) کمی مشکل است‪ .‬روشی برای یافتن جداگانه این دو پارمتر ارائه میکنیم‪.‬‬

‫گام اول‪ :‬از رابطه (*)‪ ،‬خواهیم داشت‪:‬‬

‫𝟎 = )𝑰𝝀 ‪(𝐴 − 𝜆𝐼)𝑣 = 0 ⟹ 𝑁(𝐴 − 𝜆𝐼) ≠ {0} ⟹ 𝒅𝒆𝒕(𝑨 −‬‬ ‫)‪(1‬‬

‫همانطور که از رابطه (‪ )1‬پیداست‪ ،‬برای یافتن مقدار(های) ویژه ماتریس 𝐴 کافی است معادله ‪ 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0‬بر‬

‫حسب 𝜆 حل گردد‪.‬‬

‫واضح است که عبارت )𝐼𝜆 ‪ 𝑑𝑒𝑡(𝐴 −‬بر حسب 𝜆 یک چندجملهای از درجه 𝑛 است که 𝑛 همان ابعاد ماتریس 𝐴 است‪.‬‬

‫بنابراین‪ ،‬میتوان نتیجه گرفت که تعداد مقادیر ویژه یک ماتریس 𝑛 × 𝑛‪ ،‬برابر 𝑛 است‪.‬‬

‫گام دوم‪ :‬حال که مقادیر ویژه ماتریس 𝐴 محاسبه شدند‪ ،‬با جایگذاری هر یک از این مقادیر در رابطه (*)‪ ،‬بردار ویژه متناظر‬

‫با آن مقدار ویژه را مییابیم‪.‬‬

‫تذکر‪ :‬موقع یافتن بردار ویژه 𝑣 متناظر با مقدار ویژه 𝜆‪ ،‬در حقیقت دستگاه معادله ‪ (𝐴 − 𝜆𝐼)𝑣 = 0‬را حل میکنیم‪ .‬طبق‬

‫آنچه قبالً گفتهایم‪ ،‬جواب این دستگاه یکتا نیست‪ .‬به بیان دیگر‪ ،‬متناظر با هر مقدار ویژه 𝜆‪ ،‬یک مجموعه جواب برای 𝑣‬

‫وجود خواهد داشت که همان )𝐼𝜆 ‪ 𝑁(𝐴 −‬است‪( .‬البته به غیر از ‪ .)𝑣 = 0‬بنابراین جواب این دستگاه همواره به صورت‬

‫زیر قابل بیان خواهد بود‪:‬‬

‫} 𝑚𝑣 ‪𝑣 = 𝑠𝑝𝑎𝑛{𝑣1 , 𝑣2 , … ,‬‬
‫که ‪ 𝑣1‬تا 𝑚𝑣 جوابهای مستقل دستگاه ‪ (𝐴 − 𝜆𝐼)𝑣 = 0‬هستند‪.‬‬

‫‪ ‬با توجه به آنکه مشخص شد متناظر با هر مقدار ویژه‪ ،‬مجموعهای که خود یک فضای برداری است به عنوان‬

‫بردار ویژه موجود است‪ ،‬از 𝑣 با نام فضای ویژه متناظر با مقدار ویژه 𝜆 نیز یاد میشود‪.‬‬

‫‪ ‬مثال‪ .‬مقادیر ویژه و فضاهای ویژه ماتریس زیر را تعیین نمایید‪.‬‬

‫‪3‬‬ ‫‪1 −1‬‬
‫‪𝐴 = [2‬‬ ‫]‪2 −1‬‬
‫‪2‬‬ ‫‪2 0‬‬

‫‪13‬‬
 ‫‪𝜆−3‬‬ ‫‪−1‬‬ ‫‪1‬‬
‫‪det(𝜆𝐼 − 𝐴) = | −2‬‬ ‫‪𝜆−2‬‬ ‫‪1| = (𝜆 − 1)(𝜆 − 2)2‬‬
‫‪−2‬‬ ‫‪−2‬‬ ‫𝜆‬
‫پس مقادیر ویژه این ماتریس‪ ،‬عبارتند از‪:‬‬
‫‪𝜆1 = 1 , 𝜆2,3 = 2‬‬
‫محاسبه فضای ویژه متناظر با مقدار ویژه ‪:𝜆1‬‬
‫‪2 1‬‬ ‫‪−1‬‬ ‫‪0 0 0 𝑣1‬‬
‫‪(𝐴 − 𝐼)𝑣 = 0 ⟹ [2 1‬‬ ‫‪−1] 𝑣 = 0 ⟹ [2 1 −1] [𝑣2 ] = 0 ⟹ 𝑣2 = 0, 𝑣3 = 2𝑣1‬‬
‫‪2 2‬‬ ‫‪−1‬‬ ‫‪0 1 0 𝑣3‬‬
‫‪𝑣1‬‬
‫یعنی‪ ،‬مجموعه جواب عبارت است از‪ [ 0 ] :‬یا‬
‫‪2𝑣1‬‬
‫‪1‬‬
‫}]‪𝑣𝜆1 = 𝑠𝑝𝑎𝑛 {[0‬‬
‫‪2‬‬
‫محاسبه فضای ویژه متناظر با مقدار ویژه ‪:𝜆2‬‬
‫‪1‬‬ ‫‪1 −1‬‬ ‫‪1 1‬‬ ‫‪−1‬‬ ‫𝑣‪𝑣 = 2‬‬
‫‪(𝐴 − 2𝐼)𝑣 = 0 ⟹ [2‬‬ ‫‪0 −1] 𝑣 = 0 ⟹ [2 0‬‬ ‫‪−1] 𝑣 = 0 ⟹ { 𝑣3 = 𝑣 1‬‬
‫‪2‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪2 −2‬‬ ‫‪0 0‬‬ ‫‪0‬‬
‫‪𝑣1‬‬
‫یعنی‪ ،‬مجموعه جواب عبارت است از‪ [ 𝑣1 ] :‬یا‬
‫‪2𝑣1‬‬
‫‪1‬‬
‫‪𝑣𝜆2‬‬ ‫}]‪= 𝑠𝑝𝑎𝑛 {[1‬‬
‫‪2‬‬
‫‪ ‬مثال‪ .‬مقادیر ویژه و فضاهای ویژه ماتریس زیر را تعیین نمایید‪.‬‬
‫‪5‬‬ ‫‪−6 −6‬‬
‫‪𝐴 = [−1‬‬ ‫‪4‬‬ ‫]‪2‬‬
‫‪3‬‬ ‫‪−6 −4‬‬

‫‪det(𝜆𝐼 − 𝐴) = (𝜆 − 1)(𝜆 − 2)2‬‬

‫پس مقادیر ویژه این ماتریس‪ ،‬عبارتند از‪:‬‬
‫‪𝜆1 = 1 , 𝜆2,3 = 2‬‬
‫محاسبه فضای ویژه متناظر با مقدار ویژه ‪:𝜆1‬‬
‫‪3‬‬
‫}]‪(𝐴 − 𝐼)𝑣 = 0 ⟹ 𝑣𝜆1 = 𝑠𝑝𝑎𝑛 {[−1‬‬
‫‪3‬‬

‫‪14‬‬
 ‫محاسبه فضای ویژه متناظر با مقدار ویژه ‪:𝜆2‬‬
‫‪2 2‬‬
‫‪(𝐴 − 2𝐼)𝑣 = 0 ⟹ 𝑣𝜆2‬‬ ‫}]‪= 𝑠𝑝𝑎𝑛 {[1] , [0‬‬
‫‪0 1‬‬

‫‪ ‬ماتریس و دترمینان‬

‫‪ ‬چند رابطه مهم و کاربردی مربوط به ماتریس و دترمینان در ادامه ذکر شده است‪.‬‬

‫برای ماتریسهای مربعی و ناویژه 𝐴 و 𝐵‪:‬‬

‫𝐴‬ ‫𝐶‬ ‫𝐴‬ ‫‪0‬‬
‫[ 𝑡𝑒𝑑‬ ‫[ 𝑡𝑒𝑑 = ]‬ ‫)𝐵(‪] = det(𝐴) det‬‬
‫‪0‬‬ ‫𝐵‬ ‫𝐶‬ ‫𝐵‬
‫اگر ‪:det(𝐴) ≠ 0‬‬
‫𝐴‬ ‫𝐷‬
‫[ 𝑡𝑒𝑑‬ ‫)𝐷 ‪] = det(𝐴) det(𝐵 − 𝐶𝐴−1‬‬
‫𝐶‬ ‫𝐵‬
‫اگر ‪:det(𝐵) ≠ 0‬‬
‫𝐴‬ ‫𝐷‬
‫[ 𝑡𝑒𝑑‬ ‫)𝐶 ‪] = det(𝐵) det(𝐴 − 𝐷𝐵 −1‬‬
‫𝐶‬ ‫𝐵‬

‫‪15‬‬
 ‫فصل دوم‪ :‬نمايش سیستمهای خطی‬

‫تابع تبدیل و فضای حالت‬ ‫‪‬‬

‫مدل تابع تبدیل یک توصیف خارجی و مدل فضای حالت یک توصیف داخلی از رفتار سیستم ارائه مینمایند‪.‬‬ ‫‪‬‬

‫مزایای مدلسازی با فضای حالت عبارتند از‪:‬‬ ‫‪‬‬

‫‪ .1‬مدلسازی سیستمهای غیرخطی و تغییرپذیر با زمان به سادگی به وسیله آن قابل انجام است‪.‬‬

‫‪ .2‬اتفاقات درونی سیستم و چگونگی تداخل متغیرها با استفاده از آن قابل نمایش است‪ .‬عدم وجود این ویژگی در تابع‬

‫تبدیل‪ ،‬باعث میشود که بخشی از زیرفضاهای یک سیستم در تابع تبدیل ظاهر نشده و لذا‪ ،‬مدل تابع تبدیل‬

‫توصیف کاملی از رفتار سیستم ارائه نمیدهد‪.‬‬

‫‪ .3‬شرایط اولیه در مدلسازی سیستم لحاظ میشود‪ .‬عدم وجود این ویژگی در مدل تابع تبدیل‪ ،‬خود باعث ناقص‬

‫بودن این نوع مدلسازی است‪.‬‬

‫‪ ‬نمایش فضای حالت‬

‫‪ ‬در حالت کلی‪ ،‬مدل فضای حالت یک سیستم میتواند به صورت زیر نمایش داده شود‪:‬‬
‫)𝑡 ‪𝑥̇ = 𝑓(𝑥(𝑡), 𝑢(𝑡),‬‬

‫که در آن 𝑡 متغیر زمان‪ 𝑥 ،‬بردار حالت با بعد 𝑛‪ 𝑢 ،‬بردار ورودی کنترل با بعد 𝑚‪ ،‬و 𝑓 نیز یک تابع غیرخطی توصیف کننده‬

‫سیستم است‪ .‬به معادله فوق‪ ،‬معادله حالت میگویند‪.‬‬

‫حال فرض کنید 𝑦 متغیر دلخواهی با بعد 𝑙 از این سیستم باشد‪( .‬مثالً متغیری که توسط سنسور اندازهگیری شده است)‪ .‬در‬

‫این صورت‪:‬‬
‫)𝑡 ‪𝑦 = 𝑔(𝑥(𝑡), 𝑢(𝑡),‬‬

‫𝑔 یک تابع غیرخطی توصیف کننده خروجی سیستم است‪ .‬به معادله فوق‪ ،‬معادله خروجی سیستم میگویند‪.‬‬

‫به معادالت (‪ )1‬و (‪ ،)2‬معادالت سیستم گفته میشود‪.‬‬

‫‪16‬‬
 ‫‪ ‬در مورد یک سیستم خطی‪ ،‬معادالت سیستم به صورت زیر در میآید‪:‬‬
‫)𝑡(𝑢)𝑡(𝐵 ‪𝑥̇ = 𝐴(𝑡)𝑥(𝑡) +‬‬
‫)𝑡(𝑢)𝑡(𝐷 ‪𝑦(𝑡) = 𝐶(𝑡)𝑥(𝑡) +‬‬

‫که در آن 𝐴 ماتریس حالت‪ 𝐵 ،‬ماتریس ورودی‪ 𝐶 ،‬ماتریس خروجی و 𝐷 ماتریس ارتباط مستقیم نامیده میشوند‪.‬‬

‫واضح است که 𝑛×𝑛𝑅 ∈ 𝐴‪ 𝐶 ∈ 𝑅𝑙×𝑛 ،𝐵 ∈ 𝑅𝑛×𝑚 ،‬و 𝑚×𝑙𝑅 ∈ 𝐷 است‪.‬‬

‫‪ ‬در مورد یک سیستم خطی تغییرناپذیر با زمان‪ ،‬معادالت سیستم به صورت زیر در میآید‪:‬‬
‫)𝑡(𝑢𝐵 ‪𝑥̇ = 𝐴𝑥(𝑡) +‬‬
‫)𝑡(𝑢𝐷 ‪𝑦(𝑡) = 𝐶𝑥(𝑡) +‬‬

‫‪ ‬خطیسازی سیستمهای غیرخطی‬

‫‪ ‬اگرچه دینامیک حاکم بر اکثر سیستمهای صنعتی و واقعی غیرخطی است‪ ،‬اما با توجه به پیچیدگی تحلیل و‬

‫همینطور طراحی کنترلکننده برای سیستمهای غیرخطی‪ ،‬معموالً تالش میشود تا با مشخص کردن یک نقطه‬

‫کار مناسب‪ ،‬رفتار سیستم غیرخطی در حوالی آن نقطه با یک سیستم خطی تقریب زده شود‪ ،‬تا فرایند تحلیل آن‬

‫سیستم و همچنین طراحی کنترلکننده برای آن ساده گردد‪ .‬نتایج تجربی حاصل از این کار نیز نشان از موفقیت‬

‫قابل توجه این کار داشته است‪.‬‬

‫‪ ‬یک روش کاربردی خطیسازی بر اساس بسط سری تیلور است‪.‬‬

‫‪ ‬تابع تحلیلی 𝑓 را در نظر بگیرید‪ .‬بر اساس بسط تیلور‬

‫∞‬
‫𝑛 ‪1‬‬
‫∑ = )𝑥(𝑓‬ ‫| )𝑥( 𝑓‬ ‫𝑛) ‪(𝑥 − 𝑥0‬‬
‫!𝑛‬ ‫‪𝑥 = 𝑥0‬‬
‫‪𝑛=0‬‬

‫یعنی‪:‬‬
‫⋯ ‪𝑓(𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) +‬‬
‫به ‪ 𝑥0‬نقطه کار گفته میشود‪.‬‬

‫میتوان گفت‪:‬‬
‫) ‪𝑓(𝑥) ≈ 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0‬‬ ‫)∗(‬

‫‪17‬‬
 ‫البته واضح است که تقریب فوق هر چقدر 𝑥 به ‪ 𝑥0‬نزدیکتر باشد‪ ،‬دقیقتر است‪.‬‬

‫مشاهده میکنید که رابطه (*)‪ ،‬یک تقریب خطی برای تابع )𝑥(𝑓 ارائه میدهد و دقت آن نیز زمانی که 𝑥 به ‪ 𝑥0‬نزدیک‬

‫باشد‪ ،‬قابل قبول است‪ .‬همین موضوع‪ ،‬ایده خطیسازی یک سیستم با استفاده از بسط تیلور است‪.‬‬

‫‪ ‬معادالت یک سیستم غیرخطی را به صورت زیر در نظر بگیرید‪:‬‬

‫)𝒖 ‪𝒙̇ = 𝑓(𝒙,‬‬ ‫)‪(1‬‬

‫)𝒖 ‪𝒚 = 𝑔(𝒙,‬‬ ‫)‪(2‬‬

‫توجه نمایید که 𝑓 و 𝑔 توابع برداری به صورت زیر هستند‪:‬‬

‫) 𝑚𝑢 … ‪𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬ ‫) 𝑚𝑢 … ‪𝑔1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬

‫) 𝑚𝑢 … ‪𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬ ‫) 𝑚𝑢 … ‪𝑔1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬
‫‪.‬‬ ‫‪.‬‬
‫=𝑓‬ ‫‪.‬‬ ‫=𝑔 ‪,‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬
‫]) 𝑚𝑢 … ‪[𝑓𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬ ‫]) 𝑚𝑢 … ‪[ 𝑔𝑙 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑢1 , 𝑢2 ,‬‬

‫با فرض آنکه رفتار این سیستم حوالی ) ‪ (𝒙0 , 𝒖0‬باشد‪ ،‬یعنی‪:‬‬
‫‪𝑥 = 𝑥0 + 𝛿𝑥 ,‬‬ ‫𝑢𝛿 ‪𝑢 = 𝑢0 +‬‬

‫که 𝑥𝛿 و 𝑢𝛿 کوچکند و با استفاده از بسط تیلور در رابطه (‪:)1‬‬

‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬
‫‪𝑥1̇ (0) + 𝛿𝑥̇ 1 = 𝑓1 (𝑥0 , 𝑢0 ) +‬‬ ‫|‬ ‫‪𝛿𝑥1 +‬‬ ‫|‬ ‫‪𝛿𝑥 + ⋯ +‬‬
‫) ‪𝜕𝑥1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑥2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬

‫|‬ ‫‪𝛿𝑥𝑛 +‬‬ ‫|‬ ‫‪𝛿𝑢1 +‬‬ ‫|‬ ‫⋯ ‪𝛿𝑢 +‬‬
‫) ‪𝜕𝑥𝑛 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫) ‪𝜕𝑢1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑢2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫‪𝜕𝑓1‬‬
‫|‬ ‫𝑢𝛿‬
‫𝑚 ) ‪𝜕𝑢𝑚 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬

‫و‪:‬‬

‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬
‫‪𝑥2̇ (0) + 𝛿𝑥̇ 2 = 𝑓2 (𝑥0 , 𝑢0 ) +‬‬ ‫|‬ ‫‪𝛿𝑥1 +‬‬ ‫|‬ ‫‪𝛿𝑥 + ⋯ +‬‬
‫) ‪𝜕𝑥1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑥2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫‪18‬‬
‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬
‫|‬ ‫‪𝛿𝑥𝑛 +‬‬ ‫|‬ ‫‪𝛿𝑢1 +‬‬ ‫|‬ ‫⋯ ‪𝛿𝑢 +‬‬
‫) ‪𝜕𝑥𝑛 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫) ‪𝜕𝑢1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑢2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫‪𝜕𝑓2‬‬
‫|‬ ‫𝑢𝛿‬
‫𝑚 ) ‪𝜕𝑢𝑚 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬

‫و با ادامه این کار در نهایت خواهیم داشت‪:‬‬

‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬
‫‪𝑥𝑛̇ (0) + 𝛿𝑥̇ 𝑛 = 𝑓𝑛 (𝑥0 , 𝑢0 ) +‬‬ ‫|‬ ‫‪𝛿𝑥1 +‬‬ ‫|‬ ‫‪𝛿𝑥 + ⋯ +‬‬
‫) ‪𝜕𝑥1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑥2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬

‫|‬ ‫‪𝛿𝑥𝑛 +‬‬ ‫|‬ ‫‪𝛿𝑢1 +‬‬ ‫|‬ ‫⋯ ‪𝛿𝑢 +‬‬
‫) ‪𝜕𝑥𝑛 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫) ‪𝜕𝑢1 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬ ‫‪𝜕𝑢2 (𝑥, 𝑢) = (𝑥0 , 𝑢0 ) 2‬‬

‫𝑛𝑓𝜕‬
‫|‬ ‫𝑢𝛿‬
‫𝑚 ) ‪𝜕𝑢𝑚 (𝑥, 𝑢) = (𝑥0 , 𝑢0‬‬

‫که میتوان آنها را به صورت ماتریسی زیر نمایش داد‪:‬‬

‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬

‫…‬ ‫…‬
‫) ‪𝑓1 (𝒙0 , 𝒖0‬‬ ‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑥2‬‬ ‫𝑛𝑥𝜕‬ ‫‪𝜕𝑢1‬‬ ‫‪𝜕𝑢2‬‬ ‫𝑚𝑢𝜕‬
‫) ‪𝑓2 (𝒙0 , 𝒖0‬‬ ‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑢1‬‬
‫= ̇𝒙𝜹‬ ‫‪+ .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪𝜹𝒙 + .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫𝒖𝜹‬
‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫𝑓𝜕 ]) ‪[𝑓𝑛 (𝒙0 , 𝒖0‬‬ ‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬
‫𝑛‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪[𝜕𝑥1‬‬ ‫𝒙(=)𝒖‪𝜕𝑥𝑛 ](𝒙,‬‬ ‫‪[𝜕𝑢1‬‬ ‫𝒙(=)𝒖‪𝜕𝑢𝑚 ](𝒙,‬‬
‫𝟎𝒖‪𝟎 ,‬‬ ‫)‬ ‫) 𝟎𝒖‪𝟎 ,‬‬

‫یا‪:‬‬

‫) ‪𝜹𝒙̇ = 𝐴 𝜹𝒙 + 𝐵 𝜹𝒖 + 𝒇(𝒙0 , 𝒖0‬‬ ‫)∗(‬

‫که در آن‪:‬‬

‫‪19‬‬
 ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬
‫…‬ ‫…‬
‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑥2‬‬ ‫𝑛𝑥𝜕‬ ‫‪𝜕𝑢1‬‬ ‫‪𝜕𝑢2‬‬ ‫𝑚𝑢𝜕‬
‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑢1‬‬
‫‪𝐴= .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪,‬‬ ‫‪𝐵= .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬ ‫𝑛𝑓𝜕‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪[𝜕𝑥1‬‬ ‫𝒙(=)𝒖‪𝜕𝑥𝑛 ](𝒙,‬‬ ‫‪[𝜕𝑢1‬‬ ‫𝒙(=)𝒖‪𝜕𝑢𝑚 ](𝒙,‬‬
‫) 𝟎𝒖‪𝟎 ,‬‬ ‫) 𝟎𝒖‪𝟎 ,‬‬

‫به همین ترتیب با استفاده از بسط تیلور در رابطه (‪ )2‬در نهایت خواهیم داشت‪:‬‬

‫𝐮𝛅 𝐷 ‪𝜹𝒚 = 𝐶 𝜹𝒙 +‬‬

‫که در آن‪:‬‬
‫‪𝜕𝑔1‬‬ ‫‪𝜕𝑔1‬‬ ‫‪𝜕𝑔1‬‬ ‫‪𝜕𝑔1‬‬ ‫‪𝜕𝑔1‬‬ ‫‪𝜕𝑔1‬‬
‫…‬ ‫…‬
‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑥2‬‬ ‫𝑛𝑥𝜕‬ ‫‪𝜕𝑢1‬‬ ‫‪𝜕𝑢2‬‬ ‫𝑚𝑢𝜕‬
‫‪𝜕𝑔2‬‬ ‫‪𝜕𝑔2‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑢1‬‬
‫‪𝐶= .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪,‬‬ ‫‪𝐷= .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫𝑙𝑔𝜕‬ ‫𝑙𝑔𝜕‬ ‫𝑙𝑔𝜕‬ ‫𝑙𝑔𝜕‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪[ 𝜕𝑥1‬‬ ‫𝒙(=)𝒖‪𝜕𝑥𝑛 ](𝒙,‬‬ ‫‪[𝜕𝑢1‬‬ ‫𝒙(=)𝒖‪𝜕𝑢𝑚 ](𝒙,‬‬
‫) 𝟎𝒖‪𝟎 ,‬‬ ‫) 𝟎𝒖‪𝟎 ,‬‬

‫تذکر‪ .‬رابطه (*) به دلیل وجود ) ‪ ، 𝑓(𝑥0 , 𝑢0‬شرط خطی بودن را نقض مینماید‪ .‬البته اگر ‪ 𝑥0‬و ‪ 𝑢0‬طوری انتخاب شوند که‬

‫) ‪ 𝑓(𝑥0 , 𝑢0‬برابر صفر باشد‪ ،‬مشکل برطرف میشود‪ .‬میدانید که نقطهای با این شرط‪ ،‬همان نقطه تعادل سیستم است‪.‬‬

‫مثال‪ .‬معادالت غیرخطی سیستمی عبارتند از‪:‬‬

‫‪𝑥̇ 1 = 𝑥1 2 − sin(3𝑥2 ) + 𝑢1 3 − 𝑢2‬‬

‫‪𝑥̇ 2 = 𝑥2 − 𝑢1 + 𝑥1 𝑒 −𝑥2‬‬

‫حول نقطه )‪ (𝒙, 𝒖) = (0,0‬آن را خطیسازی نمایید‪.‬‬

‫‪20‬‬
 ‫به سادگی خواهیم داشت‪:‬‬

‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬
‫‪𝜕𝑥1‬‬ ‫‪𝜕𝑥2‬‬ ‫‪2𝑥1‬‬ ‫) ‪−3cos(𝑥2‬‬ ‫‪0‬‬ ‫‪−3‬‬
‫=𝐴‬ ‫[=‬ ‫] ‪−𝑥2‬‬ ‫[=‬ ‫]‬
‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬ ‫‪𝑒−𝑥2‬‬ ‫𝑒 ‪1 − 𝑥1 𝑥2‬‬ ‫)𝟎‪(𝒙,𝒖)=(𝟎,‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪[𝜕𝑥1‬‬ ‫)𝟎‪𝜕𝑥2 ](𝒙,𝒖)=(𝟎,‬‬

‫‪𝜕𝑓1‬‬ ‫‪𝜕𝑓1‬‬
‫‪𝜕𝑢1‬‬ ‫‪𝜕𝑢2‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪−1‬‬
‫=𝐵‬ ‫‪= [3𝑢1‬‬ ‫‪−1‬‬
‫]‬ ‫[=‬ ‫]‬
‫‪𝜕𝑓2‬‬ ‫‪𝜕𝑓2‬‬ ‫‪−1‬‬ ‫)𝟎‪0 (𝒙,𝒖)=(𝟎,‬‬ ‫‪−1‬‬ ‫‪0‬‬
‫‪[𝜕𝑢1‬‬ ‫)𝟎‪𝜕𝑢2 ](𝒙,𝒖)=(𝟎,‬‬

‫پس‪:‬‬

‫‪0‬‬ ‫‪−3‬‬ ‫‪0‬‬ ‫‪−1‬‬

‫[ = ̇𝒙𝜹‬ ‫[ ‪] 𝜹𝒙 +‬‬ ‫𝒖𝜹 ]‬
‫‪1‬‬ ‫‪1‬‬ ‫‪−1‬‬ ‫‪0‬‬

‫‪ ‬انتخاب متغیرهای حالت‬

‫‪ ‬متغیرهای حالت‪ ،‬متغیرهایی (معموالً مستقل) هستند که دینامیک سیستم بر حسب مشتق مرتبه اول آنها به فرم‬

‫)𝑡 ‪𝑥̇ = 𝑓(𝑥(𝑡), 𝑢(𝑡),‬‬

‫قابل بیان است‪.‬‬

‫‪ ‬مجموعه متغیرهای حالت برای توصیف داخلی یک سیستم‪ ،‬منحصر به فرد نیست‪.‬‬

‫‪ ‬یک روش‪ ،‬جهت اطمینان از صحت انتخاب متغیرهای حالت‪ ،‬استفاده از متغیرهای فیزیکی مربوط به عناصر نگه‪-‬‬

‫دارنده انرژی در حوزه مربوطه است‪.‬‬

‫‪ ‬مثالً در حوزه مدارهای الکتریکی‪،‬خازن و سلف به عنوان عناصر نگهدارنده انرژی و متغیرهای فیزیکی مربوطه‬

‫یعنی ولتاژ خازن و جریان سلف میتوانند به عنوان متغیر حالت انتخاب شوند‪.‬‬

‫‪ ‬مثالً در حوزه مکانیکی‪ ،‬جرم‪ ،‬ممان اینرسی و فنر به عنوان عناصر نگهدارنده انرژی تعمیمیافته و متغیرهای‬

‫فیزیکی مربوطه یعنی سرعت انتقالی‪ ،‬سرعت چرخشی و جابجایی میتوانند به عنوان متغیر حالت انتخاب شوند‪.‬‬

‫‪21‬‬
‫‪ ‬مدل حالت مینیمال‪ ،‬مدلی است که در آن تنها از متغیرهای حالت مستقل استفاده شده است‪ .‬در غیر این صورت‪،‬‬

‫مدل حالت غیرمینیمال نامیده میشود‪.‬‬

‫‪ ‬استخراج معادالت حالت‬

‫در مورد مدار الکتریکی زیر با انتخاب متغیرهای فیزیکی به عنوان متغیر حالت‪ ،‬معادالت حالت مدار را بنویسید‪.‬‬

‫حل‪ .‬متغیرهای حالت فیزیکی عبارتند از جریان سلفهای ‪ 1‬و ‪ 2‬و ولتاژ خازن‪ .‬پس‪:‬‬

‫𝑣‬
‫‪𝑒1‬‬
‫] 𝑒[ = 𝑢 ‪𝑥 = [𝑖1 ] ,‬‬
‫‪2‬‬
‫‪𝑖2‬‬

‫با توجه به مدار‪:‬‬

‫‪𝑑𝑥1 𝑑𝑣 𝑖𝑐 𝑖1 + 𝑖2 1‬‬ ‫‪1‬‬

‫=‬ ‫= =‬ ‫‪= 𝑥2 + 𝑥3‬‬
‫𝑡𝑑‬ ‫𝐶 𝑡𝑑‬ ‫𝐶‬ ‫𝐶‬ ‫𝐶‬

‫𝑣 ‪𝑑𝑥2 𝑑𝑖1 𝑉𝐿1 −𝑅1 𝑖1 + 𝑒1 −‬‬ ‫‪1‬‬ ‫‪𝑅1‬‬ ‫‪1‬‬

‫=‬ ‫=‬ ‫=‬ ‫‪= − 𝑥1 − 𝑥2 + 𝑢1‬‬
‫𝑡𝑑‬ ‫𝑡𝑑‬ ‫‪𝐿1‬‬ ‫‪𝐿1‬‬ ‫‪𝐿1‬‬ ‫‪𝐿1‬‬ ‫‪𝐿1‬‬

‫𝑣 ‪𝑑𝑥3 𝑑𝑖2 𝑉𝐿2 𝑒2 −‬‬ ‫‪1‬‬ ‫‪1‬‬

‫=‬ ‫=‬ ‫=‬ ‫‪= − 𝑥1 + 𝑢2‬‬
‫𝑡𝑑‬ ‫𝑡𝑑‬ ‫‪𝐿2‬‬ ‫‪𝐿2‬‬ ‫‪𝐿2‬‬ ‫‪𝐿2‬‬

‫و لذا فرم بردار ماتریسی معادالت حالت عبارتند از‪:‬‬

‫‪22‬‬
 ‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫𝐶‬ ‫𝐶‬ ‫‪1‬‬
‫‪1‬‬ ‫‪𝑅1‬‬ ‫‪0‬‬
‫‪𝒙̇ = −‬‬ ‫‪−‬‬ ‫‪0 𝒙 + 𝐿1‬‬ ‫𝒖‬
‫‪𝐿1‬‬ ‫‪𝐿1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪0‬‬
‫‪−‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫[‬ ‫] ‪𝐿2‬‬
‫‪[ 𝐿2‬‬ ‫]‬

‫سؤال‪ :‬آیا میتوان متغیرهای حالت را جریان خازن‪ ،‬ولتاژ خازن و ولتاژ مقاومت انتخاب کرد؟ چرا؟‬

‫سؤال‪ :‬آیا میتوان متغیرهای حالت را جریان خازن‪ ،‬ولتاژ سلف اول و جریان سلف دوم انتخاب کرد؟ چرا؟‬

‫‪ ‬حل معادالت حالت ورودی صفر‬

‫‪ ‬با فرض شرایط اولیه )‪ ،𝑥(0‬معادله حالت ورودی صفر به صورت زیر خواهد بود‪:‬‬

‫𝑥𝐴 = ̇𝑥‬

‫مشابه حالت اسکالر‪ ،‬پاسخ این معادله دیفرانسیل برابر است با‪:‬‬

‫)‪𝑥(𝑡) = 𝑒 𝐴𝑡 𝑥(0‬‬

‫و در حالت شرایط اولیه ) ‪ ،𝑥(𝑡0‬به صورت زیر است‪:‬‬

‫) ‪𝑥(𝑡) = 𝑒 𝐴(𝑡−𝑡0 ) 𝑥(𝑡0‬‬

‫‪ ‬ماتریس انتقال حالت‪ ،‬ماتریسی است که حالت سیستم را از لحظه ‪ 𝑡0‬به لحظه 𝑡 میبرد و با )𝑡 ‪ Φ(𝑡0 ,‬نمایش‬

‫داده میشود‪ .‬با توجه به این تعریف‪ ،‬ماتریس انتقال حالت یک سیستم خطی تغییرناپذیر با زمان (بدون ورودی)‪،‬‬

‫عبات است از‪:‬‬

‫) ‪Φ(𝑡0 , 𝑡) = 𝑒 𝐴(𝑡−𝑡0‬‬

‫که با توجه به بسط تیلور آن‪ ،‬خود یک ماتریس مربعی با ابعاد ماتریس 𝐴 است‪.‬‬

‫‪ ‬خواص ماتریس انتقال حالت 𝑡𝐴 𝑒 = )𝑡(‪Φ‬‬

‫‪Φ𝑛 (𝑡) = Φ(𝑛𝑡) .1‬‬

‫‪23‬‬
 ‫‪Φ−1 (𝑡) = Φ(−𝑡) .2‬‬
‫‪Φ(0) = 𝐼 .3‬‬

‫‪ ‬حل معادالت حالت کامل‬

‫‪ ‬با فرض شرایط اولیه )‪ ،𝑥(0‬معادله حالت به صورت زیر خواهد بود‪:‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬

‫با استفاده از تبدیل الپالس طرفین‪ ،‬این معادله را به صورت زیر حل میکنیم‪:‬‬

‫)𝑠(𝑈𝐵 ‪𝑠𝑋(𝑠) − 𝑥(0) = 𝐴𝑋(𝑠) + 𝐵𝑈(𝑠) ⟹ 𝑋(𝑠) = (𝑠𝐼 − 𝐴)−1 𝑥(0) + (𝑠𝐼 − 𝐴)−1‬‬

‫با گرفتن عکس تبدیل الپالس‪ ،‬خواهیم داشت‪:‬‬

‫})𝑠(𝑈𝐵 ‪𝑥(𝑡) = ℒ −1 {(𝑠𝐼 − 𝐴)−1 𝑥(0)} + ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬ ‫)∗(‬

‫با توجه به آنکه پاسخ ورودی صفر برابر بود با‬

‫)‪𝑥(𝑡) = 𝑒 𝐴𝑡 𝑥(0‬‬ ‫)∗∗(‬

‫با مقایسه روابط (*) و (**)‪ ،‬میتوان گفت‪:‬‬

‫} ‪𝑒 𝐴𝑡 = ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬

‫از طرفی‪:‬‬

‫)𝑡(𝑢 ∗ )𝑡(𝑔 = })𝑠(𝑈𝐵 ‪ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬

‫که در آن‪:‬‬

‫𝐵 𝑡𝐴 𝑒 = }𝐵 ‪𝑔(𝑡) = ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬

‫بنابراین‪ ،‬رابطه (*)‪ ،‬به صورت زیر قابل بازنویسی است‪:‬‬

‫‪24‬‬
 ‫𝑡‬
‫𝜏𝑑 )𝜏(𝑢𝐵 )𝜏‪𝑥(𝑡) = 𝑒 𝑥(0) + ∫ 𝑒 𝐴(𝑡−‬‬
‫𝑡𝐴‬
‫‪0‬‬

‫مشاهده میکنید که رابطه باال‪ ،‬حل معادالت حالت کامل است‪.‬‬

‫حال‪ ،‬محاسبه خروجی سیستم خطی تغییرناپذیر با زمان نیز امکانپذیر بوده و عبارت خواهد بود از‪:‬‬

‫𝑡‬
‫)𝑡(𝑢𝐷 ‪𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡) = 𝐶𝑒 𝑥(0) + 𝐶 ∫ 𝑒 𝐴(𝑡−𝜏) 𝐵𝑢(𝜏) 𝑑𝜏 +‬‬
‫𝑡𝐴‬
‫‪0‬‬

‫‪ ‬نکته‪ :‬در حین حل معادالت حالت‪ ،‬یک روش برای محاسبه ماتریس انتقال حالت نیز به دست آمد‪ .‬دیدیم‪:‬‬

‫} ‪𝑒 𝐴𝑡 = ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬

‫‪25‬‬
 ‫‪ ‬تبدیل همانندی‬

‫‪ ‬فرض نمایید‪ ،‬بعد از انتخاب یک مجموعه متغیر حالت به نام 𝑥 و استخراج معادالت حالت و خروجی به فرم‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬

‫𝑢𝐷 ‪𝑦 = 𝐶𝑥 +‬‬

‫از یک تغییر متغیر به فرم 𝑥𝑇 = 𝑧 استفاده کنیم که در آن 𝑇 مربعی و معکوسپذیر باشد‪ .‬با توجه به معادالت باال‪ ،‬میتوان‬

‫نوشت‪:‬‬

‫𝑢𝐵𝑇 ‪𝑇 −1 𝑧̇ = 𝐴𝑇 −1 𝑧 + 𝐵𝑢 ⟹ 𝑧̇ = 𝑇𝐴𝑇 −1 𝑧 +‬‬ ‫)∗(‬

‫و‪:‬‬

‫𝑢𝐷 ‪𝑦 = 𝐶𝑇 −1 𝑧 +‬‬ ‫)∗∗(‬

‫به معادالت (*) و (**)‪ ،‬توجه بفرمایید‪ .‬داریم‪:‬‬

‫𝑢 ̂𝐵 ‪𝑧̇ = 𝐴̂𝑧 +‬‬

‫𝐷 ‪𝑦 = 𝐶̂ 𝑧 +‬‬
‫𝑢̂‬

‫که در آن‪:‬‬

‫‪𝐴̂ = 𝑇𝐴𝑇 −1 , 𝐵̂ = 𝑇𝐵 ,‬‬ ‫𝐷 ‪𝐶̂ = 𝐶𝑇 −1 ,‬‬

‫𝐷=̂‬

‫‪ ‬با توجه به آنچه گفته شد‪ ،‬میتوان نتیجه گرفت‪ ،‬برای یک سیستم بینهایت نمای فضای حالت میتوان نوشت‪.‬‬

‫زیرا بینهایت ماتریس مربعی معکوسپذیر 𝑇 وجود دارد‪ .‬اما در عمل‪ ،‬معموالً نمایشهایی انتخاب میشوند که‬

‫متغیرهای حالت آنها به صورت فیزیکی قابل حس بوده و یا فرایند طراحی در مورد آنها راحتتر باشد‪.‬‬

‫‪ ‬مثال‪ .‬معادالت حالت و خروجی یک سیستم عبارتند از‪:‬‬

‫̇𝑥‬ ‫‪0 −1 𝑥1‬‬ ‫‪1‬‬
‫[ = ]‪[ 1‬‬ ‫𝑢] [ ‪][ ] +‬‬
‫‪𝑥̇ 2‬‬ ‫‪1 −1 𝑥2‬‬ ‫‪0‬‬
‫‪𝑥1‬‬
‫] 𝑥[ ]‪𝑦 = [0 1‬‬
‫‪2‬‬

‫‪1‬‬
 ‫با تغییر متغیر ‪ 𝑧1 = 𝑥1‬و ‪ 𝑧2 = 𝑥1 − 𝑥2‬معادالت حالت و خروجی سیستم را بازنویسی نمایید‪.‬‬

‫حل‪.‬‬

‫داریم‪:‬‬
‫‪1‬‬ ‫‪0‬‬
‫[=𝑧‬ ‫𝑥]‬
‫‪1‬‬ ‫‪−1‬‬

‫پس‪:‬‬

‫‪1 0 0 −1 1‬‬ ‫‪0 −1‬‬ ‫‪1‬‬ ‫‪0 1‬‬ ‫𝟏 𝟏‪−‬‬ ‫𝟏‬

‫[ = ̇𝑧‬ ‫[]‬ ‫[]‬ ‫[‪] 𝑧+‬‬ ‫[ = ̇𝒛 ⟹ 𝑢 ] [ ]‬ ‫𝒖] [ ‪]𝒛 +‬‬
‫‪1 −1 1 −1 1‬‬ ‫‪−1‬‬ ‫‪1‬‬ ‫‪−1 0‬‬ ‫𝟎 𝟏‪−‬‬ ‫𝟏‬

‫‪1 0 −1‬‬
‫[ ]‪𝑦 = [0 1‬‬ ‫𝟏[ = 𝒚 ⟹ 𝑧 ]‬ ‫𝒛]𝟏‪−‬‬
‫‪1 −1‬‬

‫‪ ‬قطریسازی معادالت حالت‬

‫‪ ‬یکی از مفیدترین نمایشهای معادالت حالت در تحلیل و طراحی‪ ،‬نمایش قطری‪ ،‬نرمال یا مدال است‪.‬‬

‫‪ ‬در این نمایش‪ ،‬ماتریس حالت قطری است‪ .‬در حقیقت‪ ،‬در این نوع نمایش‪ ،‬متغیرهای حالت به گونهای انتخاب‬

‫شدهاند که اثر تداخلی روی یکدیگر ندارند‪.‬‬

‫‪ ‬سؤال اینجاست که آیا هر سیستمی نمایش قطری دارد و اگر داشته باشد چگونه به دست می‪-‬‬

‫آید؟ برای پاسخ به این سؤال‪ ،‬مقدماتی ذکر میکنیم‪.‬‬

‫‪ ‬مقدمه ‪:1‬‬

‫قضیه‪ .‬فرض کنید‪ ،‬ماتریس 𝑛×𝑛‪ A‬دارای 𝑛 مقدار ویژه متمایز است‪ .‬بردارهای ویژه متناظر با این مقادیر ویژه متمایز‪،‬‬

‫مستقلند‪.‬‬

‫اثبات‪ .‬فرض کنیم ‪ 𝜆𝑛 ،... ،𝜆2 ،𝜆1‬مقادیر ویژه متمایز ماتریس 𝐴 و ‪ 𝑣𝑛 ،... ،𝑣2 ،𝑣1‬بردارهای ویژه متناظر باشند‪.‬‬

‫ابتدا نشان میدهیم ‪ 𝑣1‬و ‪ 𝑣2‬مستقلند‪.‬‬

‫‪2‬‬
‫‪𝑐1 𝑣1 + 𝑐2 𝑣2 = 0‬‬ ‫)‪(1‬‬

‫با ضرب طرفین رابطه در ماتریس 𝐴 خواهیم داشت‪:‬‬

‫‪𝑐1 𝐴𝑣1 + 𝑐2 𝐴𝑣2 = 0 ⟹ 𝑐1 𝜆1 𝑣1 + 𝑐2 𝜆2 𝑣2 = 0‬‬ ‫)‪(2‬‬

‫با ضرب طرفین رابطه (‪ )1‬در ‪ 𝜆1‬خواهیم داشت‪:‬‬

‫‪𝑐1 𝜆1 𝑣1 + 𝑐2 𝜆1 𝑣2 = 0‬‬ ‫)‪(3‬‬

‫با استفاده از روابط (‪ )2‬و (‪ ،)3‬خواهیم داشت‪:‬‬

‫‪𝑐2 (𝜆2 − 𝜆1 )𝑣2 = 0‬‬

‫که نتیجه آن این است که ‪ .𝑐2 = 0‬و حال با استفاده از رابطه (‪ ،)1‬خواهیم داشت ‪ 𝑐1 = 0‬و این یعنی ‪ 𝑣1‬و ‪ 𝑣2‬مستقلند‪.‬‬

‫حال نشان میدهیم ‪ 𝑣2 ،𝑣1‬و ‪ 𝑣3‬مستقلند‪.‬‬

‫‪𝑐1 𝑣1 + 𝑐2 𝑣2 + 𝑐3 𝑣3 = 0‬‬ ‫)‪(4‬‬

‫با ضرب طرفین رابطه در ماتریس 𝐴 خواهیم داشت‪:‬‬

‫‪𝑐1 𝐴𝑣1 + 𝑐2 𝐴𝑣2 + 𝑐3 𝐴𝑣3 = 0 ⟹ 𝑐1 𝜆1 𝑣1 + 𝑐2 𝜆2 𝑣2 + 𝑐3 𝜆3 𝑣3 = 0‬‬ ‫)‪(5‬‬

‫با ضرب طرفین رابطه (‪ )4‬در ‪ 𝜆3‬خواهیم داشت‪:‬‬

‫‪𝑐1 𝜆3 𝑣1 + 𝑐2 𝜆3 𝑣2 + 𝑐3 𝜆3 𝑣3 = 0‬‬ ‫)‪(6‬‬

‫با استفاده از روابط (‪ )5‬و (‪ ،)6‬خواهیم داشت‪:‬‬

‫‪𝑐1 (𝜆3 − 𝜆1 )𝑣1 + 𝑐2 (𝜆3 − 𝜆2 )𝑣2 = 0‬‬

‫که نتیجه آن این است که ‪ 𝑐1 = 𝑐2 = 0‬و حال با استفاده از رابطه (‪ ،)4‬خواهیم داشت ‪ 𝑐3 = 0‬و این یعنی ‪ 𝑣2 ، 𝑣1‬و‬

‫‪ 𝑣3‬مستقلند‪.‬‬

‫با ادامه این روند‪ ،‬میتوان نشان داد که ‪ 𝑣𝑛 ،... ،𝑣2 ،𝑣1‬مستقلند‪.‬‬

‫‪3‬‬
 ‫‪ ‬مقدمه ‪:2‬‬

‫فرض کنید با استفاده از بردارهای ‪ 𝑣𝑛 ،... ،𝑣2 ،𝑣1‬ماتریسی به صورت زیر بسازیم‪.‬‬
‫‪𝑇 = [𝑣1‬‬ ‫‪𝑣2‬‬ ‫] 𝑛𝑣 …‬

‫این ماتریس معکوسپذیر خواهد بود‪.‬‬

‫‪ ‬مقدمه ‪:3‬‬

‫میدانیم‪:‬‬
‫… ‪𝐴𝑣1 = 𝜆1 𝑣1 , 𝐴𝑣2 = 𝜆2 𝑣2 ,‬‬ ‫𝑛𝑣 𝑛𝜆 = 𝑛𝑣𝐴 ‪,‬‬
‫پس‪:‬‬
‫‪𝐴𝑇 = 𝐴[𝑣1‬‬ ‫‪𝑣2‬‬ ‫…‬ ‫‪𝑣𝑛 ] = [𝐴𝑣1‬‬ ‫‪𝐴𝑣2‬‬ ‫…‬ ‫‪𝐴𝑣𝑛 ] = [𝜆1 𝑣1‬‬ ‫‪𝜆2 𝑣2‬‬ ‫…‬ ‫] 𝑛𝑣 𝑛𝜆‬

‫‪𝜆1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪𝜆2‬‬ ‫‪0‬‬ ‫‪0‬‬
‫[𝑇 =‬ ‫]‬
‫‪0‬‬ ‫‪0‬‬ ‫…‬ ‫‪0‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫𝑛𝜆‬

‫‪𝜆1‬‬ ‫‪0‬‬ ‫‪0 0‬‬

‫‪0‬‬ ‫‪𝜆2‬‬ ‫‪0 0‬‬
‫‪ [ 0‬را با 𝐽 نمایش دهیم‪ ،‬خواهیم داشت‪:‬‬ ‫‪0‬‬ ‫‪… 0‬‬
‫اگر ماتریس قطری ]‬
‫‪0‬‬ ‫‪0‬‬ ‫𝑛𝜆 ‪0‬‬

‫𝑻𝑨 𝟏‪𝐴𝑇 = 𝑇𝐽 ⟹ 𝑱 = 𝑻−‬‬

‫‪ ‬با دقت به مبحث تبدیل همانندی‪ ،‬میتوان گفت که اگر در معادالت حالت یک سیستم‪ ،‬از تغییر متغیر‬

‫𝑥 ‪ 𝑧 = 𝑇 −1‬استفاده کنیم که در آن ] 𝑛𝑣 … ‪( 𝑇 = [𝑣1 𝑣2‬یعنی ماتریسی که ستونهای آن بردارهای‬

‫ویژه ماتریس 𝐴 باشند) خواهیم داشت‪:‬‬

‫𝑢𝐵 ‪𝑧̇ = 𝑇 −1 𝐴𝑇𝑧 + 𝑇 −1 𝐵𝑢 = 𝐽𝑧 + 𝑇 −1‬‬

‫مشاهده میکنید‪ ،‬که ماتریس حالت در معادله حالت فوق‪ ،‬قطری است‪.‬‬

‫‪4‬‬
‫‪ ‬از آنچه تا اینجا گفته شد میتوان نتیجه گرفت که اگر مقادیر ویژه ماتریس حالت یک سیستم‪ ،‬متمایز باشند‪ ،‬آن‬

‫سیستم دارای نمایش قطری بوده و نحوه محاسبه این نمایش قطری نیز با استفاده از تغییر متغیر 𝑥 ‪𝑧 = 𝑇 −1‬‬

‫‪.𝑇 = [𝑣1‬‬ ‫‪𝑣2‬‬ ‫است که ] 𝑛𝑣 …‬

‫‪ ‬پاسخ جامعتر و کاملتر به سؤال ابتدای بخش‪ :‬اگر به ازای هر 𝑖 بعد فضای ویژه متناظر با مقدار ویژه مکرر 𝑖𝜆 با‬

‫مرتبه تکرار 𝑖𝑟‪ ،‬برابر 𝑖𝑟 باشد‪ ،‬سیستم مورد نظر‪ ،‬دارای نمایش قطری بوده و نحوه محاسبه این نمایش قطری نیز‬

‫با استفاده از تغییر متغیر 𝑥 ‪ 𝑧 = 𝑇 −1‬است که 𝑛 ستون 𝑇‪ 𝑛 ،‬بردار ویژه مستقل هستند‪.‬‬

‫‪ ‬یک مثال برای روشنتر شدن مطلب‪ :‬فرض کنید ‪ 𝐴4×4‬و مقادیر ویژه آن عبارت باشند از } ‪.{𝜆1 , 𝜆1 , 𝜆2 , 𝜆3‬‬

‫اگر بعد فضای ویژه متناظر با مقدار ویژه ‪ 𝜆1‬برابر ‪ 2‬باشد (دو بردار ویژه مستقل متناظر با ‪ 𝜆1‬موجود باشد)‪ ،‬این سیستم‬

‫دارای نمایش قطری بوده و و نحوه محاسبه این نمایش قطری نیز با استفاده از تغییر متغیر 𝑥 ‪ 𝑧 = 𝑇 −1‬است و‬
‫‪𝑇 = [𝑣1‬‬ ‫‪𝑣2‬‬ ‫‪𝑣3‬‬ ‫] ‪𝑣4‬‬

‫که ‪ 𝑣1‬و ‪ 𝑣2‬بردارهای ویژه متناظر با ‪ 𝑣3 ،𝜆1‬بردار ویژه متناظر با ‪ 𝜆2‬و ‪ 𝑣4‬بردار ویژه متناظر با ‪ 𝜆3‬است‪.‬‬

‫تمرین‪ .‬نشان دهید ‪ 𝑣3 ،𝑣2 ،𝑣1‬و ‪ 𝑣4‬در مثال فوق‪ ،‬مستقلند‪.‬‬

‫‪ ‬قطری بلوکی سازی معادالت حالت‬

‫‪ ‬اگر سیستمی فرم قطری نداشته باشد‪ ،‬نزدیکترین نمایش به فرم قطری‪ ،‬تحت عنوان قطری بلوکی (کانونیکال‬

‫جردن) را حتماً خواهد داشت‪ .‬منظور از فرم قطری بلوکی‪ ،‬ماتریسهایی به صورت زیر است‬

‫‪5‬‬
 ‫‪ ‬طبعاً این حالت برای ماتریسهای پیش میآید که مقادیر ویژه آنها مکرر بوده و بعد فضای ویژه متناظر با یک یا‬

‫تعداد بیشتری از مقادیر ویژه با مرتبه تکرار آنها برابر نباشد‪.‬‬

‫‪ ‬جالب اینجاست که تعداد بلوکهای متناظر با یک مقدار ویژه‪ ،‬معرف بعد فضای ویژه متناظر با آن مقدار ویژه‬

‫است‪.‬‬

‫‪ ‬فرم قطری بلوکی چگونه به دست میآید؟‬

‫‪ ‬برای پاسخ به سؤال فوق‪ ،‬مقدمهای تحت عنوان معرفی بردارهای ویژه تعمیمیافته نیاز است‪.‬‬

‫‪ ‬مقدمه ‪:1‬‬

‫طبعاً در حالتی که ماتریس حالت‪ ،‬قطری نمیشود‪ ،‬ما نمیتوانیم 𝑛 بردار ویژه مستقل داشته باشیم تا با آن ماتریس مربعی‬

‫معکوسپذیر 𝑇 را بسازیم‪ .‬برای کامل کردن تعداد ستونهای ماتریس 𝑇 از بردارهای ویژه تعمیمیافته کمک میگیریم‪.‬‬

‫‪ ‬مقدمه ‪:2‬‬

‫فرض کنید 𝑣 بردار ویژه متناظر با مقدار ویژه ‪ λ‬باشد‪ .‬به بردار ‪ ،𝑣1 ≠ 0‬بردار ویژه تعمیمیافته متناظر با مقدار ویژه ‪ λ‬گفته‬

‫میشود اگر‬
‫𝑣 ‪𝐴𝑣1 = 𝜆𝑣1 +‬‬
‫یا‬
‫𝑣 = ‪(𝐴 − 𝜆𝐼)𝑣1‬‬
‫حال‪ ،‬فرض کنید ‪ 𝑣1‬بردار ویژه تعمیمیافته متناظر با مقدار ویژه ‪ λ‬باشد‪ .‬بردار ‪ ،𝑣2 ≠ 0‬نیز بردار ویژه تعمیمیافته متناظر با‬

‫مقدار ویژه ‪ λ‬است اگر‬

‫‪𝐴𝑣2 = 𝜆𝑣2 + 𝑣1‬‬
‫یا‬
‫‪(𝐴 − 𝜆𝐼)𝑣2 = 𝑣1‬‬

‫‪6‬‬
‫‪ ‬از آنچه گفته شد‪ ،‬میتوان نتیجه گرفت که برای یک مقدار ویژه 𝜆 بینهایت بردار ویژه تعمیمیافته میتوان‬

‫ساخت‪ .‬ما برای کامل کردن ستونهای ماتریس 𝑇 به تعداد محدودی از این بردارها نیاز خواهیم داشت که از‬

‫آنها استفاده خواهیم کرد‪.‬‬

‫‪ ‬یک مثال برای روشنتر شدن مطلب‪ :‬فرض کنید ‪ 𝐴4×4‬و مقادیر ویژه آن عبارت باشند از } ‪.{𝜆1 , 𝜆1 , 𝜆2 , 𝜆3‬‬

‫اگر بعد فضای ویژه متناظر با مقدار ویژه ‪ 𝜆1‬برابر ‪ 1‬باشد (یک بردار ویژه مستقل متناظر با ‪ 𝜆1‬موجود باشد)‪ ،‬این‬

‫سیستم دارای نمایش قطری نبوده و و نحوه محاسبه نمایش قطری بلوکی آن با استفاده از تغییر متغیر 𝑥 ‪𝑧 = 𝑇 −1‬‬

‫است و‬
‫‪𝑇 = [𝑣1‬‬ ‫‪𝑣2‬‬ ‫‪𝑣3‬‬ ‫] ‪𝑣4‬‬

‫که ‪ 𝑣1‬بردار ویژه متناظر با ‪ ،𝜆1‬و ‪ 𝑣2‬بردار ویژه تعمیمیافته متناظر با ‪ 𝑣3 ،𝜆1‬بردار ویژه متناظر با ‪ 𝜆2‬و ‪ 𝑣4‬بردار ویژه‬

‫متناظر با ‪ 𝜆3‬است‪.‬‬

‫‪ ‬مثال‪ .‬فرض کنید ماتریس زیر‪ ،‬ماتریس حالت یک سیستم است‪ .‬آیا این سیستم‪ ،‬دارای نمایش فضای حالت‬

‫قطری است؟ در صورت مثبت بودن پاسخ‪ ،‬ماتریس تبدیل به فرم قطری را بیابید و در غیر اینصورت‪ ،‬ماتریس‬

‫تبدیل به فرم قطری بلوکی (جردن) را یافته و فرم قطری بلوکی را نیز نمایش دهید‪.‬‬

‫‪1‬‬ ‫‪1 2‬‬

‫‪𝐴 = [0‬‬ ‫]‪1 3‬‬
‫‪0‬‬ ‫‪0 2‬‬

‫حل‪ .‬ابتدا مقادیر ویژه ماتریس ‪ A‬را محاسبه میکنیم‪.‬‬

‫‪𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 0 ⟹ 𝜆1,2 = 1, 𝜆3 = 2‬‬

‫محاسبه بردار ویژه متناظر با ‪𝜆 = 1‬‬

‫‪0 1‬‬ ‫‪2‬‬ ‫‪1‬‬

‫‪(𝐴 − 𝐼)𝑣 = 0 ⟹ [0 0‬‬ ‫‪3‬‬‫]‬ ‫𝑣‬ ‫=‬ ‫‪0‬‬ ‫⟹‬ ‫𝑣‬‫‪3‬‬ ‫=‬ ‫‪0,‬‬ ‫𝑣‬‫‪2‬‬ ‫=‬ ‫‪0,‬‬ ‫𝑣‬‫‪1‬‬ ‫=‬ ‫𝑒𝑒𝑟𝑓‬ ‫⟹‬ ‫𝑣‬‫‪𝜆=1‬‬ ‫=‬ ‫[‬ ‫]‪0‬‬
‫‪0 0‬‬ ‫‪1‬‬ ‫‪0‬‬

‫‪7‬‬
‫با توجه به آنکه مقدار ویژه ‪ 𝜆 = 1‬مکرر از مرتبه ‪ 2‬بوده و بعد فضای ویژه متناظر با آن یک است‪ ،‬لذا این سیستم دارای‬

‫نمایش فضای حالت قطری نخواهد بود‪ .‬برای محاسبه فرم قطری بلوکی‪ ،‬نیاز به یک بردار ویژه تعمیم یافته برای ‪𝜆 = 1‬‬

‫داریم‪.‬‬

‫‪0‬‬ ‫‪1 2‬‬ ‫‪1‬‬ ‫‪0‬‬

‫‪′‬‬
‫‪(𝐴 − 𝐼)𝑣 = 𝑣 ⟹ [0‬‬ ‫‪′‬‬ ‫‪′‬‬ ‫‪′‬‬ ‫‪′‬‬ ‫‪′‬‬
‫]‪0 3] 𝑣 = [0] ⟹ 𝑣 3 = 0, 𝑣 2 = 1, 𝑣 1 = 𝑓𝑟𝑒𝑒 ⟹ 𝑣 𝜆=1 = [1‬‬
‫‪0‬‬ ‫‪0 1‬‬ ‫‪0‬‬ ‫‪0‬‬

‫و حال محاسبه بردار ویژه متناظر با ‪𝜆 = 2‬‬

‫‪−1 1 2‬‬ ‫‪5‬‬

‫]‪(𝐴 − 2𝐼)𝑣 = 0 ⟹ [ 0 −1 3] 𝑣 = 0 ⟹ 𝑣2 = 3𝑣3 , 𝑣1 = 5𝑣3 ⟹ 𝑣𝜆=2 = [3‬‬
‫‪0‬‬ ‫‪0 0‬‬ ‫‪1‬‬

‫و لذا‪:‬‬

‫‪1 0‬‬ ‫‪5‬‬

‫‪𝑇 = [0 1‬‬ ‫]‪3‬‬
‫‪0 0‬‬ ‫‪1‬‬

‫‪1‬‬ ‫‪0 −5‬‬

‫پس با تغییر متغیر به فرم 𝑥 ]‪ 𝑧 = 𝑇 −1 𝑥 = [0 1 −3‬نمایش فضای حالت‪ ،‬قطری بلوکی خواهد شد و در فرم‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫قطری بلوکی خواهیم داشت‪:‬‬

‫‪1 1‬‬ ‫‪. 0‬‬

‫‪0 1‬‬ ‫‪. 0‬‬
‫[ = 𝑇𝐴 ‪𝐽 = 𝑇 −1‬‬ ‫]‬
‫‪.. ..‬‬ ‫‪. ..‬‬
‫‪0 0‬‬ ‫‪. 2‬‬

‫‪ ‬روش دیگری برای محاسبه ماتریس انتقال حالت‬

‫‪ ‬به یاد دارید که‪:‬‬

‫} ‪Φ(𝑡) = 𝑒 𝐴𝑡 = ℒ −1 {(𝑠𝐼 − 𝐴)−1‬‬

‫‪8‬‬
 ‫از طرفی‪ ،‬میدانید‪:‬‬
‫‪𝐴2 𝑡 2‬‬
‫‪𝑒 𝐴𝑡 = 𝐼 + 𝐴𝑡 +‬‬ ‫⋯‪+‬‬
‫!‪2‬‬
‫با فرض قطری پذیر بودن ماتریس 𝐴‪ ،‬میتوان گفت‪:‬‬
‫‪𝐴 = 𝑇𝐽𝑇 −1‬‬
‫که در آن 𝐽 ماتریس قطری شامل مقادیر ویژه و 𝑇 ماتریس مربعی معکوسپذیری است که ستونهای آن بردارهای ویژه‬

‫ماتریس 𝐴 هستند‪.‬‬

‫پس‪:‬‬
‫‪𝑇 2 𝐽2 𝑇 −2 𝑡 2‬‬ ‫‪𝐽2 𝑡 2‬‬
‫‪𝑒 𝐴𝑡 = 𝐼 + 𝑇𝐽𝑇 −1 𝑡 +‬‬ ‫‪+ ⋯ = 𝑇 (𝐼 + 𝐽𝑡 +‬‬ ‫‪+ ⋯ ) 𝑇 −1 = 𝑇𝑒 𝐽𝑡 𝑇 −1‬‬
‫!‪2‬‬ ‫!‪2‬‬
‫به راحتی میتوان نشان داد که‪:‬‬

‫𝑡 ‪𝑒 𝜆1‬‬ ‫‪0‬‬ ‫‪..‬‬ ‫‪0‬‬

‫𝑒‬ ‫𝑡𝐽‬
‫‪=[ 0‬‬ ‫𝑡 ‪𝑒 𝜆2‬‬ ‫‪..‬‬ ‫] ‪0‬‬
‫‪..‬‬ ‫‪...‬‬ ‫‪..‬‬ ‫‪..‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪..‬‬ ‫𝑡 𝑛𝜆 𝑒‬
‫بنابراین‪:‬‬

‫𝒕 𝟏𝝀 𝒆‬ ‫𝟎‬ ‫‪..‬‬ ‫𝟎‬

‫𝟏‪𝒆𝑨𝒕 = 𝑻𝒆𝑱𝒕 𝑻−‬‬ ‫𝒆𝒓𝒆𝒉𝒘‬ ‫𝟎 [ = 𝒕𝑱𝒆‬ ‫𝒕 𝟐𝝀 𝒆‬ ‫‪..‬‬ ‫] 𝟎‬
‫‪..‬‬ ‫‪...‬‬ ‫‪..‬‬ ‫‪..‬‬
‫𝟎‬ ‫𝟎‬ ‫‪..‬‬ ‫𝒕 𝒏𝝀 𝒆‬

‫تمرین‪ .‬در صورتی که ماتریس 𝐴 قطری پذیر نباشد‪ ،‬با ایجاد تغییری در محاسبات فوق‪ ،‬روش محاسبه ماتریس انتقال حالت‬

‫در آن شرایط را نیز به دست آورید‪.‬‬

‫‪ ‬بردار ویژه چپ و تحلیل جالب پاسخ ورودی صفر‬

‫‪ ‬آن چه تا به حال در مورد بردار ویژه گفته شد‪ ،‬در حقیقیت روش محاسبه بردار ویژه راست بود‪ .‬به خاطر دارید که‬

‫‪ 𝑣 ≠ 0‬بردار ویژه بود اگر‬

‫𝑣𝜆 = 𝑣𝐴‬

‫‪9‬‬
‫از آنجا که در زمان محاسبه‪ ،‬این بردار در سمت راست ماتریس 𝐴 قرار دارد‪ ،‬به آن بردار ویژه راست میگویند‪ .‬به طریق‬

‫مشابه ‪ 𝑤 ≠ 0‬بردار ویژه چپ ماتریس 𝐴 است اگر‪:‬‬

‫𝑤𝜆 = 𝐴 𝑇 𝑤‬

‫‪ ‬نشان میدهیم که اگر ستونهای ماتریس 𝑇 بردارهای ویژه راست ماتریس 𝐴 باشند‪ ،‬آنگاه سطرهای ‪𝑇 −1‬‬

‫بردارهای ویژه چپ ماتریس 𝐴 خواهند بود‪.‬‬

‫چون ستونهای ماتریس 𝑇 بردارهای ویژه راست ماتریس 𝐴 هستند‪ ،‬پس‪:‬‬

‫‪𝐴𝑇 = 𝑇𝐽 ⟹ 𝑇 −1 𝐴𝑇 = 𝐽 ⟹ 𝑇 −1 𝐴 = 𝐽𝑇 −1‬‬

‫𝑇 ‪𝑎1‬‬
‫𝑇‬
‫‪ 𝑇 −1‬نمایش دهیم‪ ،‬رابطه فوق را میتوان به صورت زیر بازنویسی کرد‪:‬‬ ‫اگر ماتریس ‪ 𝑇 −1‬را به صورت ‪= 𝑎2‬‬
‫…‬
‫] 𝑇 𝑛𝑎[‬

‫𝑇 ‪𝑎1‬‬ ‫‪𝜆1‬‬ ‫‪0‬‬ ‫𝑇 ‪. . 0 𝑎1‬‬ ‫𝑨 𝑻 𝟏𝒂‬ ‫𝑻 𝟏𝒂 𝟏𝝀‬

‫𝑇‬ ‫𝑇 ‪. . 0 𝑎2‬‬ ‫𝑻‬ ‫𝑻‬
‫‪𝑎2 𝐴 = [ 0‬‬ ‫‪𝜆2‬‬
‫]‬ ‫𝟐𝒂 𝟐𝝀 = 𝑨 𝟐𝒂 ⟹‬
‫…‬ ‫‪..‬‬ ‫‪...‬‬ ‫‪.. ..‬‬ ‫…‬ ‫…‬ ‫…‬
‫𝑇‬ ‫] 𝑇 𝑛𝑎[ 𝑛𝜆 ‪. .‬‬
‫] 𝑛𝑎[‬ ‫‪0‬‬ ‫‪0‬‬ ‫] 𝑻 𝒏𝒂 𝒏𝝀[ ]𝑨 𝑻 𝒏𝒂[‬

‫رابطه فوق نشان میدهد که 𝑖𝑎ها (سطرهای ‪ )𝑇 −1‬بردارهای ویژه چپ ماتریس 𝐴 هستند‪.‬‬

‫‪ ‬میدانیم‪:‬‬

‫𝑇 ‪𝑤1‬‬ ‫‪𝑤1 𝑇 𝑣1‬‬ ‫‪𝑤1 𝑇 𝑣2‬‬ ‫‪..‬‬ ‫𝑛𝑣 𝑇 ‪𝑤1‬‬

‫𝑇‬ ‫𝑇‬
‫‪𝑇 −1 𝑇 = 𝐼 ⟹ 𝑤2 [𝑣1‬‬ ‫‪𝑣2‬‬ ‫…‬ ‫‪𝑣𝑛 ] = 𝐼 ⟹ 𝑤2 𝑣1‬‬ ‫‪𝑤2 𝑇 𝑣2‬‬ ‫‪..‬‬ ‫𝐼 = 𝑛𝑣 𝑇 ‪𝑤2‬‬
‫…‬ ‫‪..‬‬ ‫…‬ ‫‪..‬‬ ‫‪..‬‬
‫] 𝑇 𝑛𝑤[‬ ‫‪[𝑤𝑛 𝑇 𝑣1‬‬ ‫‪0‬‬ ‫‪..‬‬ ‫] 𝑛𝑣 𝑇 𝑛𝑤‬

‫بنابراین‪:‬‬

‫‪1‬‬ ‫𝑗=𝑖‬
‫𝑇‬ ‫𝑇‬
‫{ = 𝑗𝑤 𝑖𝑣 = 𝑗𝑣 𝑖𝑤‬ ‫)∗(‬
‫‪0‬‬ ‫𝑗≠𝑖‬

‫‪10‬‬
‫‪ ‬حال تحلیلی در مورد پاسخ ورودی صفر با توجه به این مفاهیم جدید‪ ،‬انجام میدهیم‪ .‬برای سادهتر شدن تحلیل‪،‬‬

‫فرض بر آن است که مقادیر ویژه سیستم‪ ،‬متمایزند‪ .‬میدانید پاسخ ورودی صفر یک سیستم خطی تغییر ناپذیر با‬

‫زمان عبارت است از‪:‬‬

‫𝑡 ‪𝑒 𝜆1‬‬ ‫‪0‬‬ ‫‪..‬‬ ‫‪0‬‬ ‫𝑇 ‪𝑤1‬‬

‫‪𝑥(𝑡) = 𝑒 𝐴𝑡 𝑥(0) = 𝑇𝑒 𝐽𝑡 𝑇 −1 𝑥(0) = [𝑣1‬‬ ‫‪𝑣2‬‬ ‫…‬ ‫‪𝑣𝑛 ] [ 0‬‬ ‫𝑡 ‪𝑒 𝜆2‬‬ ‫‪..‬‬ ‫)‪0 ] 𝑤2 𝑇 𝑥(0‬‬
‫‪..‬‬ ‫‪...‬‬ ‫‪..‬‬ ‫‪..‬‬ ‫…‬
‫] 𝑇 𝑤[ 𝑡 𝑛𝜆‬
‫‪0‬‬ ‫‪0‬‬ ‫‪..‬‬ ‫𝑒‬ ‫𝑛‬

‫پس‪:‬‬

‫)‪𝑥(𝑡) = 𝑣1 𝑒 𝜆1 𝑡 𝑤1 𝑇 𝑥(0) + 𝑣2 𝑒 𝜆2 𝑡 𝑤2 𝑇 𝑥(0) + ⋯ 𝑣𝑛 𝑒 𝜆2 𝑡 𝑤𝑛 𝑇 𝑥(0‬‬ ‫)‪(1‬‬

‫و از آنجا که بردارهای ‪ 𝑣2 ،𝑣1‬تا 𝑛𝑣 یک پایه برای 𝑛𝑅 است‪ ،‬هر شرط اولیهای را میتوان به صورت ترکیب خطی این‬

‫بردارها نوشت‪ .‬یعنی‪:‬‬

‫𝑛𝑣 𝑛𝑐 ‪𝑥(0) = 𝑐1 𝑣1 + 𝑐2 𝑣2 + ⋯ +‬‬ ‫)‪(2‬‬
‫با جایگذاری (‪ )2‬در (‪ )1‬و استفاده از رابطه (*)‪ ،‬خواهیم داشت‪:‬‬

‫𝒕 𝒏𝝀𝒆 𝒏𝒗 𝒏𝒄 ⋯ ‪𝒙(𝒕) = 𝒄𝟏 𝒗𝟏 𝒆𝝀𝟏 𝒕 + 𝒄𝟐 𝒗𝟐 𝒆𝝀𝟐 𝒕 +‬‬ ‫)𝟑(‬

‫با توجه به رابطه فوق‪ ،‬میتوان گفت‪:‬‬

‫الف‪ -‬اگر شرایط اولیه سیستم‪ ،‬موازی با یکی از بردارهای ویژه راست باشد (مثالً ‪ )𝑥(0) = 𝛼𝑣2‬در این صورت‪:‬‬

‫𝑡 ‪𝑥(𝑡) = 𝛼𝑣2 𝑒 𝜆2‬‬

‫یعنی فقط مد ‪ 𝜆2‬تحریک خواهد شد‪.‬‬

‫ب‪ -‬اگر شرایط اولیه عمود بر یکی از بردارهای ویژه چپ باشد (مثالً ‪ 𝑥(0) ⊥ 𝑤2‬یا ‪ )𝑤2 𝑇 𝑥(0) = 0‬از رابطه (‪)2‬‬

‫خواهیم داشت‪:‬‬

‫‪𝑤2 𝑇 𝑥(0) = 𝑤2 𝑇 𝑐1 𝑣1 + 𝑤2 𝑇 𝑐2 𝑣2 + ⋯ + 𝑤2 𝑇 𝑐𝑛 𝑣𝑛 = 0 ⟹ 𝑐2 = 0‬‬

‫و لذا‪:‬‬

‫‪11‬‬
‫𝑡 𝑛𝜆 𝑒 𝑛𝑣 𝑛𝑐 ⋯ ‪𝑥(𝑡) = 𝑐1 𝑣1 𝑒 𝜆1 𝑡 + 𝑐3 𝑣3 𝑒 𝜆3 𝑡 + 𝑐4 𝑣4 𝑒 𝜆4 𝑡 +‬‬
‫یعنی مد ‪ 𝜆2‬تحریک نخواهد شد‪.‬‬

‫‪ ‬از تحلیل فوق‪ ،‬میتوان نتیجه گرفت که شرایط اولیه نقش تعیینکننده در تحریک هر یک از مودهای سیستم‬

‫داشته و با مشاهده و آنالیز شرایط اولیه میتوان در مورد تحریک یا عدم تحریک هر یک از مودهای سیستم اظهار‬

‫نظر کرد‪.‬‬

‫‪ ‬یک مثال برای روشنتر شدن مطلب‪ :‬فرض نمایید که بردارهای ویژه یک سیستم مرتبه سه عبارتند از‪:‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫]‪𝑣1 = [1] , 𝑣2 = [ 0 ] , 𝑣3 = [−1‬‬
‫‪1‬‬ ‫‪−1‬‬ ‫‪1‬‬
‫و شرایط اولیه این سیستم به صورت زیر باشد‪:‬‬
‫‪3‬‬
‫]‪𝑥0 = [−2‬‬
‫‪3‬‬
‫در مورد پاسخ ورودی صفر این سیستم میتوان گفت‪ ،‬مدهای ‪ 𝜆2‬و ‪ 𝜆3‬در پاسخ حالتها ظاهر خواهند شد‪ ،‬ولی مد ‪𝜆1‬‬

‫تحریک نخواهد شد‪ .‬زیرا‬

‫‪3‬‬
‫‪𝑥0 = [−2] = 2𝑣3 − 𝑣2‬‬
‫‪3‬‬

‫فصل سوم‪ :‬کنترلپذیری و رؤیتپذیری‬

‫‪ ‬کنترلپذیری و رؤیتپذیری از جمله مفاهیمی هستند که با ایده فضای حالت مطرح شدند و مختص تحلیل فضای‬

‫حالت (و نه تحلیل حوزه فرکانس) هستند‪.‬‬

‫‪ ‬کالمن‪ ،‬در اواسط دهه ‪ 50‬با استفاده از این دو مفهوم دالیل عدم موفقیت پایدارسازی یک سیستم ناپایدار را از‬

‫طریق جانمایی صفر کنترلکننده در محل قطب ناپایدار سیستم توضیح داد‪.‬‬

‫‪12‬‬
 ‫‪ ‬کنترلپذیری‬

‫‪ ‬سیستم خطی داده شده با معادله حالت‬

‫)𝑡(𝑢𝐵 ‪𝑥̇ (𝑡) = 𝐴𝑥(𝑡) +‬‬ ‫)‪(1‬‬

‫را در نظر بگیرید‪ .‬این سیستم را کنترلپذیر کامل حالت گوییم‪ ،‬اگر سیگنال کنترل )𝑡(𝑢 وجود داشته باشد که بتواند‬

‫حالت سیستم را از هر حالت اولیه دلخواه ) ‪ 𝑥(𝑡0‬به هر حالت نهایی دلخواه ) ‪ 𝑥(𝑡1‬در زمان محدود ‪ 𝑡1 − 𝑡0‬منتقل کند‪.‬‬

‫‪ ‬استخراج یک روش بررسی کنترلپذیری‪ :‬سیستم (‪ )1‬را به صورت تک ورودی و با شرایط اولیه )‪ 𝑥(0‬در‬

‫نظر بگیرید‪ .‬میدانیم‪:‬‬

‫‪𝑡1‬‬ ‫‪𝑡1‬‬
‫𝜏𝑑 )𝜏(𝑢𝐵 )𝜏‪𝑥(𝑡1 ) = 𝑒 𝐴𝑡1 𝑥(0) + ∫ 𝑒 𝐴(𝑡1 −𝜏) 𝐵𝑢(𝜏) 𝑑𝜏 ⟹ 𝑥(𝑡1 ) − 𝑒 𝐴𝑡1 𝑥(0) = ∫ 𝑒 𝐴(𝑡1 −‬‬
‫‪0‬‬ ‫‪0‬‬

‫با استفاده از بسط تیلور‪:‬‬

‫‪𝑡1‬‬
‫‪𝐴2 (𝑡1 − 𝜏)2‬‬
‫‪𝑥(𝑡1 ) − 𝑒 𝐴𝑡1 𝑥(0) = ∫ (1 + 𝐴(𝑡1 − 𝜏) +‬‬ ‫𝜏𝑑 )𝜏(𝑢𝐵) ⋯ ‪+‬‬
‫‪0‬‬ ‫‪2‬‬
‫بنابراین‪:‬‬
‫‪𝑡1‬‬ ‫‪𝑡1‬‬ ‫𝑡( ‪𝑡1‬‬
‫‪𝐴𝑡1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪− 𝜏)2‬‬
‫𝑒 ‪𝑥(𝑡1 ) −‬‬ ‫∫ 𝐵 𝐴 ‪𝑥(0) = 𝐵 ∫ 𝑢(𝜏) 𝑑𝜏 + 𝐴𝐵 ∫ (𝑡1 − 𝜏)𝑢(𝜏) 𝑑𝜏 +‬‬ ‫⋯ ‪𝑢(𝜏) 𝑑𝜏 +‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬

‫عبارت فوق را میتوان به صورت زیر نوشت‪:‬‬

‫‪𝑡1‬‬
‫𝜏𝑑 )𝜏(𝑢 ∫‬
‫‪0‬‬
‫‪𝑡1‬‬
‫𝐵⏟[ = )‪⏟ 1 ) − 𝑒 𝐴𝑡1 𝑥(0‬‬
‫𝑡(𝑥‬ ‫𝐵𝐴‬ ‫𝐵 ‪𝐴2‬‬ ‫𝜏𝑑 )𝜏(𝑢)𝜏 ‪…] ∫ (𝑡1 −‬‬ ‫)∗(‬
‫‪0‬‬
‫𝑌‬ ‫‪𝐴′‬‬ ‫𝑡( ‪𝑡1‬‬
‫‪1‬‬ ‫‪− 𝜏)2‬‬
‫∫‬ ‫𝜏𝑑 )𝜏(𝑢‬
‫‪2‬‬
‫‪[ 0‬‬
‫⏟‬ ‫…‬ ‫]‬
‫𝑋‬

‫با توجه به رابطه مهم فوق‪ ،‬شرط کنترلپذیری کامل حالت‪ ،‬همان شرط وجود همیشگی جواب برای دستگاه معادله‬

‫𝑌 = 𝑋 ‪ 𝐴′‬است‪ .‬در فصل اول نشان دادیم که شرط وجود همیشگی جواب برای این دستگاه معادله آن است که‬

‫‪13‬‬
‫𝑛 𝑅 = ) ‪𝐼𝑚(𝐴′‬‬ ‫𝑛 = }) ‪𝑂𝑅 𝑑𝑖𝑚 {𝐼𝑚(𝐴′‬‬

‫پس‪ ،‬شرط الزم و کافی برای کنترلپذیری کامل حالت‪ ،‬آن است که ماتریس ‪ 𝐴′‬فولرنک باشد‪.‬‬

‫… 𝐵 ‪ Φ𝑐 = [𝐵 𝐴𝐵 𝐴2‬برابر است و لذا شرط‬ ‫حال نشان میدهیم که رنک (مرتبه) دو ماتریس ‪ 𝐴′‬و ] 𝐵 ‪𝐴𝑛−1‬‬

‫الزم و کافی برای کنترلپذیری کامل حالت سیستم خطی تغییر ناپذیر با زمان (‪ ،)1‬آن است که ماتریس 𝑐‪ Φ‬فولرنک باشد‪.‬‬

‫‪ ‬اثبات هم رتبهبودن ‪ 𝐴′‬و 𝑐‪: Φ‬‬

‫فرض کنید‪ .𝐵 = 0 ،‬در این صورت ‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑐 ) = 0‬‬

‫حال فرضکنید ‪ 𝐵 ≠ 0‬بوده و بردارهای 𝐵 و 𝐵𝐴 مستقل نباشند‪ .‬در این صورت‬

‫‪𝐴𝐵 = 𝑐1 𝐵 ,‬‬ ‫‪𝐴2 𝐵 = 𝐴(𝐴𝐵) = 𝐴(𝑐1 𝐵) = 𝑐1 2 𝐵 = 𝑐1 ′ 𝐵 ,‬‬ ‫⋯ = 𝐵 ‪𝐴3‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑐 ) = 1 :‬‬

‫حال فرض کنید 𝐵 و 𝐵𝐴 مستقل باشند‪ ،‬ولی 𝐵 و 𝐵𝐴 و 𝐵 ‪ 𝐴2‬مستقل نباشند‪ .‬در این صورت‬
‫𝐵𝐴 ‪𝐴2 𝐵 = 𝑐1 𝐵 + 𝑐2‬‬

‫)𝐵𝐴 ‪𝐴3 𝐵 = 𝐴(𝐴2 𝐵) = 𝐴(𝑐1 𝐵 + 𝑐2 𝐴𝐵 ) = 𝑐1 𝐴𝐵 + 𝑐2 𝐴2 𝐵 = 𝑐1 𝐴𝐵 + 𝑐2 (𝑐1 𝐵 + 𝑐2‬‬

‫𝐵𝐴‪= (𝑐1 + 𝑐2 2 )𝐴𝐵 + 𝑐1 𝑐2 𝐵 = 𝑐1 ′𝐵 + 𝑐2 ′‬‬

‫⋯ = 𝐵 ‪𝐴4‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑐 ) = 2 :‬‬

‫به همین ترتیب میتوان تا مرحلهای پیش رفت که در آن 𝐵 ‪ 𝐴𝑛−2 𝐵 ،... ،𝐴𝐵 ،‬مستقل باشند‪ ،‬ولی 𝐵 ‪𝐴𝑛−1 𝐵 ،... ،𝐴𝐵 ،‬‬

‫مستقل نباشند‪ .‬در این صورت‬

‫𝐵 ‪𝐴𝑛−1 𝐵 = 𝑐1 𝐵 + 𝑐2 𝐴𝐵 + ⋯ + 𝑐𝑛−1 𝐴𝑛−2‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑐 ) = 𝑛 − 1 :‬‬

‫‪14‬‬
 ‫در این صورت 𝑛 = ) 𝑐‪.𝑅𝑎𝑛𝑘(Φ‬‬ ‫حال فرض کنید که 𝐵 ‪ 𝐴𝑛−1 𝐵 ،... ،𝐴𝐵 ،‬مستقل باشند‪.‬‬

‫با توجه به آنکه در فضایی با بعد 𝑛 حداکثر 𝑛 بردار مستقل میتوان یافت‪ ،‬پس‪:‬‬

‫𝐵[(𝑘𝑛𝑎𝑅 = ) ‪𝑅𝑎𝑛𝑘(A′‬‬ ‫𝐵𝐴‬ ‫𝐵 ‪𝐴2‬‬ ‫𝐵 ‪… 𝐴𝑛−1‬‬ ‫𝐵 𝑛𝐴‬ ‫𝑛 = ]…‬

‫و اثبات تمام است‪.‬‬

‫حال با قطعیت بیان میکنیم که‪:‬‬

‫شرط الزم و کافی برای کنترلپذیری کامل حالت سیستم خطی تغییر ناپذیر با زمان (‪ ،)1‬آن است که‬

‫𝑩𝑨 𝑩[ = 𝒄𝚽 فولرنک باشد و به بیان دیگر دارای رتبه 𝒏 باشد‪.‬‬ ‫𝑩 𝟐𝑨‬ ‫…‬ ‫ماتریس ]𝑩 𝟏‪𝑨𝒏−‬‬

‫‪ ‬رؤیتپذیری‬

‫‪ ‬سیستم خطی داده شده با معادله حالت و خروجی‬

‫)𝑡(𝑢𝐵 ‪𝑥̇ (𝑡) = 𝐴𝑥(𝑡) +‬‬

‫)‪(1‬‬
‫)𝑡(𝑥𝐶 = )𝑡(𝑦‬

‫را در نظر بگیرید‪ .‬این سیستم را رؤیتپذیر کامل حالت گوییم‪ ،‬اگر بتوان با داشتن اطالعات )𝑡(𝑢 و )𝑡(𝑦 در بازه‬

‫زمانی ‪ 𝑡0‬تا ‪ ،𝑡1‬حالت اولیه سیستم یعنی ) ‪ 𝑥(𝑡0‬را به صورت یکتا تعیین کنیم‪.‬‬

‫‪ ‬استخراج یک روش بررسی رؤیتپذیری‬

‫‪ ‬سیستم (‪ )1‬را به صورت تک خروجی با شرایط اولیه )‪ 𝑥(0‬در نظر بگیرید‪ .‬میدانیم‪:‬‬
‫𝑡‬
‫𝜏𝑑 )𝜏(𝑢𝐵 )𝜏‪𝑦(𝑡) = 𝐶𝑥(𝑡) = 𝐶𝑒 𝐴𝑡 𝑥(0) + 𝐶 ∫ 𝑒 𝐴(𝑡−‬‬
‫‪0‬‬

‫بنابراین‪:‬‬

‫‪15‬‬
 ‫𝑡‬
‫)‪𝑦(𝑡) − 𝐶 ∫ 𝑒 𝐴(𝑡−𝜏) 𝐵𝑢(𝜏) 𝑑𝜏 = 𝐶𝑒 𝐴𝑡 𝑥(0‬‬
‫‪0‬‬

‫با توجه به داشتن اطالعات )𝑡(𝑢 و )𝑡(𝑦 در بازه زمانی صفر تا 𝑡‪ ،‬سمت چپ تساوی فوق معلوم بوده و میتوان آن را بعد‬

‫از محاسبه با )𝑡(𝑓 نمایش داد‪ .‬با مشتقگیری ازدو طرف رابطه فوق‪ ،‬خواهیم داشت‪:‬‬

‫)‪𝑓 ′ (𝑡) = 𝐶𝐴𝑒 𝐴𝑡 𝑥(0‬‬

‫و با ادامه مشتقگیری به همینترتیب‪ ،‬میتوان نوشت‪:‬‬

‫)𝑡(𝑓‬ ‫𝐶‬
‫𝑡𝐴 𝐴𝐶‬
‫)𝑡(‪[ 𝑓′‬‬
‫‪′′‬‬
‫⏟ ]‪] = [ 2‬‬
‫)‪𝑒 𝑥(0‬‬
‫)𝑡( 𝑓‬ ‫𝐴𝐶‬
‫𝑋‬
‫… ⏟‬ ‫…⏟‬
‫𝑌‬ ‫‪𝐴′‬‬

‫با توجه به رابطه مهم فوق‪ ،‬شرط رؤیتپذیری کامل حالت‪ ،‬همان شرط یکتایی جواب برای دستگاه معادله 𝑌 = 𝑋 ‪ 𝐴′‬است‪.‬‬

‫در فصل اول نشان دادیم که شرط یکتایی جواب این دستگاه معادله آن است که‬

‫}‪𝐾𝑒𝑟(𝐴′ ) = {0‬‬ ‫𝑛 = }) ‪𝑂𝑅 𝑑𝑖𝑚 {𝐼𝑚(𝐴′‬‬

‫پس‪ ،‬شرط الزم و کافی برای رؤیتپذیری کامل حالت‪ ،‬آن است که ماتریس ‪ 𝐴′‬فولرنک باشد‪.‬‬
‫𝐶‬
‫𝐴𝐶‬
‫حال نشان میدهیم که رنک (مرتبه) دو ماتریس ‪ 𝐴′‬و ‪ Φ𝑜 = 𝐶𝐴2‬برابر است و لذا شرط الزم و کافی برای رؤیت‪-‬‬
‫…‬
‫] ‪[𝐶𝐴𝑛−1‬‬

‫پذیری کامل حالت سیستم خطی تغییر ناپذیر با زمان (‪ ،)1‬آن است که ماتریس 𝑜‪ Φ‬فولرنک باشد‪.‬‬

‫‪ ‬اثبات هم رتبهبودن ‪ 𝐴′‬و 𝑜‪: Φ‬‬

‫فرض کنید‪ .𝐶 = 0 ،‬در این صورت ‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑜 ) = 0‬‬

‫حال فرضکنید ‪ 𝐶 ≠ 0‬بوده و بردارهای 𝐶 و 𝐴𝐶 مستقل نباشند‪ .‬در این صورت‬

‫‪𝐶𝐴 = 𝑐1 𝐶 ,‬‬ ‫‪𝐶𝐴2 = (𝐶𝐴)𝐴 = (𝑐1 𝐶)𝐴 = 𝑐1 2 𝐶 = 𝑐1 ′ 𝐶 ,‬‬ ‫⋯ = ‪𝐶𝐴3‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑜 ) = 1 :‬‬

‫‪16‬‬
 ‫حال فرض کنید 𝐶 و 𝐴𝐶 مستقل باشند‪ ،‬ولی 𝐶 و 𝐴𝐶 و ‪ 𝐶𝐴2‬مستقل نباشند‪ .‬در این صورت‬
‫𝐴𝐶 ‪𝐶𝐴2 = 𝑐1 𝐶 + 𝑐2‬‬

‫)𝐴𝐶 ‪𝐶𝐴3 = (𝐶𝐴2 )𝐴 = (𝑐1 𝐶 + 𝑐2 𝐶𝐴 )𝐴 = 𝑐1 𝐶𝐴 + 𝑐2 𝐶𝐴2 = 𝑐1 𝐶𝐴 + 𝑐2 (𝑐1 𝐶 + 𝑐2‬‬

‫𝐴𝐶‪= (𝑐1 + 𝑐2 2 )𝐶𝐴 + 𝑐1 𝑐2 𝐶 = 𝑐1 ′𝐶 + 𝑐2 ′‬‬

‫⋯ = ‪𝐶𝐴4‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑜 ) = 2 :‬‬

‫به همین ترتیب میتوان تا مرحلهای پیش رفت که در آن 𝐶 ‪ 𝐶𝐴𝑛−2 ،... ،𝐶𝐴 ،‬مستقل باشند‪ ،‬ولی 𝐶 ‪𝐶𝐴𝑛−1 ،... ،𝐶𝐴 ،‬‬

‫مستقل نباشند‪ .‬در این صورت‬

‫‪𝐶𝐴𝑛−1 = 𝑐1 𝐶 + 𝑐2 𝐶𝐴 + ⋯ + 𝑐𝑛−1 𝐶𝐴𝑛−2‬‬

‫پس‪𝑅𝑎𝑛𝑘(𝐴′ ) = 𝑅𝑎𝑛𝑘(Φ𝑜 ) = 𝑛 − 1 :‬‬

‫𝐶 ‪ 𝐶𝐴𝑛−1 ،... ،𝐶𝐴 ،‬مستقل باشند‪ .‬در این صورت 𝑛 = ) 𝑜‪.𝑅𝑎𝑛𝑘(Φ‬‬ ‫حال فرض کنید که‬

‫با توجه به آنکه در فضایی با بعد 𝑛 حداکثر 𝑛 بردار مستقل میتوان یافت‪ ،‬پس‪:‬‬

‫𝐶‬
‫𝐴𝐶‬
‫‪𝐶𝐴2‬‬
‫𝑛 = ) … (𝑘𝑛𝑎𝑅 = ) ‪𝑅𝑎𝑛𝑘(A′‬‬
‫‪𝐶𝐴𝑛−1‬‬
‫𝑛𝐴𝐶‬
‫] … [‬

‫و اثبات تمام است‪.‬‬

‫حال با قطعیت بیان میکنیم که‪:‬‬

‫‪17‬‬
‫شرط الزم و کافی برای رؤیتپذیری کامل حالت سیستم خطی تغییر ناپذیر با زمان (‪ ،)1‬آن است که‬
‫𝐶‬
‫𝐴𝐶‬
‫ماتریس ‪ 𝚽𝒐 = 𝐶𝐴2‬فولرنک باشد و به بیان دیگر دارای رتبه 𝒏 باشد‪.‬‬
‫…‬
‫] ‪[𝐶𝐴𝑛−1‬‬

‫‪ ‬آزمون ‪ PBH‬برای کنترلپذیری و رؤیتپذیری‬

‫‪ ‬قضیه‪ :‬سیستم داده شده با معادله‬

‫)𝑡(𝑢𝐵 ‪𝑥̇ (𝑡) = 𝐴𝑥(𝑡) +‬‬
‫کنترلپذیر است‪ ،‬اگر رتبه ماتریس‬

‫]𝐵 | 𝐴 ‪[𝑠𝐼 −‬‬

‫به ازای جمیع مقادیر 𝑠 برابر 𝑛 باشد‪.‬‬

‫‪ ‬قضیه‪ :‬سیستم داده شده با معادالت‬

‫)𝑡(𝑢𝐵 ‪𝑥̇ (𝑡) = 𝐴𝑥(𝑡) +‬‬
‫)𝑡(𝑥𝐶 = )𝑡(𝑦‬

‫رؤیتپذیر است‪ ،‬اگر رتبه ماتریس‬

‫𝐴 ‪𝑠𝐼 −‬‬
‫[‬ ‫]‬
‫𝐶‬

‫به ازای جمیع مقادیر 𝑠 برابر 𝑛 باشد‪.‬‬

‫‪ ‬نتیجه قضایای فوق‪ :‬کافی است مقادیر ویژه ماتریس 𝐴 را به جای 𝑠 قرار دهیم‪ .‬اگر به ازای فقط یکی از مقادیر‬

‫ویژه‪ ،‬ماتریس ]𝐵 | 𝐴 ‪ ) [𝑠𝐼 − 𝐴] ( [𝑠𝐼 −‬فولرنک نباشد‪ ،‬سیستم‪ ،‬کنترل پذیر کامل ( رؤیتپذیر کامل)‪،‬‬
‫𝐶‬
‫نخواهد بود‪.‬‬

‫‪18‬‬
‫‪ ‬برتری این روش بررسی کنترلپذیری (رؤیتپذیری) نسبت به روش استفاده از ماتریس کنترلپذیری (رؤیت‪-‬‬

‫پذیری)‪ ،‬آن است که مودهای کنترلپذیر و کنترلناپذیر (رؤیتپذیر و رؤیتناپذیر) با استفاده از این روش قابل‬

‫شناسایی و تفکیک هستند‪.‬‬

‫‪ ‬عیب این روش بررسی کنترلپذیری (رؤیتپذیری) نسبت به روش استفاده از ماتریس کنترلپذیری (رؤیت‪-‬‬

‫پذیری)‪ ،‬آن است که الزم است به تعداد مقادیر ویژه سیستم‪ ،‬یک ماتریس تشکیل داده و رتبه آن بررسی گردد‪.‬‬

‫‪ ‬استفاده از صورتهای کانونیک جردن برای بررسی کنترلپذیری و رؤیتپذیری‬

‫‪ ‬قضیه‪ :‬سیستم داده شده با معادالت‬

‫)𝑡(𝑢𝐵 ‪𝑥̇ (𝑡) = 𝐴𝑥(𝑡) +‬‬
‫)𝑡(𝑥𝐶 = )𝑡(𝑦‬

‫‪ ‬کنترلپذیر (رؤیتپذیر) کامل است‪ ،‬اگر و تنها اگر پس از استخراج فرم قطری بلوکی آن (که فرم قطری نیز یک‬

‫حالت خاص از آن است)‪ ،‬داشته باشیم‪:‬‬

‫‪ -1‬آخرین (اولین) سطرهای (ستونهای) متناظر با بلوکهای مربوط به مقادیر ویژه یکسان از ماتریس 𝐵 ( 𝐶) مستقل‬

‫خطی باشند‪.‬‬

‫‪ -2‬سطرهای (ستونهای) ماتریس 𝐵 ( 𝐶) که متناظر با مقادیر ویژه غیرمکرر هستند‪ ،‬غیرصفر باشند‪.‬‬

‫‪ ‬نتیجه قضیه فوق‪ :‬در مورد سیستمی که دارای مقادیر ویژه متمایز است‪ ،‬میتوان گفت‪ ،‬سیستم مورد نظر کنترل‪-‬‬

‫پذیر (رؤیتپذیر) کامل است اگر و تنها اگر‪ ،‬سطرهای (ستونهای) ماتریس 𝐵 ( 𝐶) در فرم قطری غیرصفر باشند‪.‬‬

‫اگر یکی از سطرهای (ستونهای) ماتریس 𝐵 ( 𝐶) صفر باشند‪ ،‬مقدار ویژه متناظر با آن سطر (ستون) کنترلناپذیر‬

‫(رؤیتناپذیر) خواهد بود‪.‬‬

‫‪ ‬یک مثال برای روشنتر شدن مطلب‪ :‬فرض نمایید‪ ،‬نمایش قطری یک سیستم به صورت زیر است‪.‬‬

‫‪19‬‬
 ‫‪−1 0‬‬ ‫‪0‬‬ ‫‪−1‬‬
‫‪𝑥̇ = [ 0 −2‬‬ ‫𝑢] ‪0 ]𝑥 + [ 2‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪−3‬‬ ‫‪0‬‬

‫‪𝑦 = [1 0‬‬ ‫𝑥]‪−2‬‬

‫واضح است که با استفاده از معادالت فوق‪ ،‬امکان جا به جا کردن ‪ 𝑥1‬و ‪ 𝑥2‬با استفاده از ورودی 𝑢 وجود دارد‪ ،‬ولی این‬

‫امکان در مورد ‪ 𝑥3‬نیست‪ .‬پس حالت ‪( 𝑥3‬یا مقدار ویژه متناظر آن یعنی ‪ )−3‬کنترلناپذیر است‪.‬‬

‫همچنین مشخص است که اثر ‪ 𝑥2‬در خروجی سیستم ظاهر نشده است و لذا با داشتن خروجی‪ ،‬امکان یافتن مقدار اولیه ‪𝑥2‬‬

‫وجود ندارد‪ . .‬پس حالت ‪( 𝑥2‬یا مقدار ویژه متناظر آن یعنی ‪ )−2‬رؤیتناپذیر است‪.‬‬

‫‪ ‬یک مثال دیگر برای روشنتر شدن مطلب‪ :‬تصور نمایید ماتریس حالت و ماتریس ورودی فرم قطری بلوکی یک‬

‫سیستم به صورت زیر باشند‪.‬‬

‫‪1‬‬ ‫‪−2‬‬
‫‪3‬‬ ‫‪1‬‬
‫‪…..‬‬ ‫‪…..‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪…..‬‬ ‫……‬
‫‪0‬‬ ‫‪1‬‬
‫= ‪B′‬‬
‫‪…..‬‬ ‫‪…..‬‬
‫‪2‬‬ ‫‪1‬‬
‫‪….‬‬ ‫……‬
‫‪1‬‬ ‫‪2‬‬
‫……‬ ‫‪…..‬‬
‫‪[ −1‬‬ ‫] ‪−2‬‬

‫این سیستم دو مقدار ویژه مکرر دارد‪.‬‬

‫متناظر با ‪ 𝜆1‬دو بلوک داریم‪ .‬آخرین سطرهای متناظر با هر بلوک از ماتریس ‪ B′‬عبارتند از )‪ (3,1‬و )‪ (1,1‬که مستقل‬

‫هستند‪.‬‬

‫متناظر با ‪ 𝜆2‬هم دو بلوک داریم‪ .‬آخرین سطرهای متناظر با هر بلوک از ماتریس ‪ B′‬عبارتند از )‪ (0,1‬و )‪ (2,1‬که مستقل‬

‫هستند‪.‬‬

‫‪20‬‬
 ‫این سیستم دو مقدار ویژه غیرمکرر دارد‪.‬‬

‫سطر متناظر با مقدار ویژه ‪ 𝜆6‬غیرصفر است‪.‬‬

‫سطر متناظر با مقدار ویژه ‪ 𝜆7‬غیرصفر است‪.‬‬

‫پس‪ ،‬سیستم مورد نظر‪ ،‬کنترلپذیر کامل حالت بوده است‪.‬‬

‫‪ ‬حال فرض نمایید ماتریس حالت و ماتریس ورودی فرم قطری بلوکی به صورت زیر باشند‪.‬‬

‫‪1‬‬ ‫‪−2‬‬
‫‪−1‬‬ ‫‪1‬‬
‫‪….. …..‬‬
‫‪1‬‬ ‫‪1‬‬
‫…… ‪…..‬‬
‫‪3‬‬ ‫‪1‬‬
‫= ‪B′‬‬
‫‪….. …..‬‬
‫‪−6 −2‬‬
‫…… ‪….‬‬
‫‪1‬‬ ‫‪2‬‬
‫‪…… …..‬‬
‫] ‪[ −1 −2‬‬

‫این سیستم دو مقدار ویژه مکرر دارد‪.‬‬

‫متناظر با ‪ 𝜆1‬دو بلوک داریم‪ .‬آخرین سطرهای متناظر با هر بلوک از ماتریس ‪ B′‬عبارتند از )‪ (−1,1‬و )‪ (1,1‬که مستقل‬

‫هستند‪.‬‬

‫متناظر با ‪ 𝜆2‬هم دو بلوک داریم‪ .‬آخرین سطرهای متناظر با هر بلوک از ماتریس ‪ B′‬عبارتند از )‪ (3,1‬و )‪ (−6, −2‬که‬

‫وابسته هستند‪.‬‬

‫پس‪ ،‬سیستم مورد نظر‪ ،‬کنترلپذیر کامل حالت نیست و مود کنترلناپذیر آن ‪ 𝜆2‬است‪.‬‬

‫‪ ‬فرض نمایید ماتریس حالت و ماتریس خروجی فرم قطری بلوکی به صورت زیر باشند‪.‬‬

‫‪21‬‬
 ‫‪0 1‬‬ ‫‪1 2‬‬ ‫‪1 0 0‬‬
‫‪′‬‬
‫‪𝐶 =[ 1 1‬‬ ‫]‪1 1 −1 0 0‬‬
‫‪−1 2‬‬ ‫‪2 −1 −1 1 1‬‬

‫این سیستم دو مقدار ویژه مکرر دارد‪.‬‬

‫متناظر با ‪ 𝜆1‬دو بلوک داریم‪ .‬اولین ستونهای متناظر با هر بلوک از ماتریس ‪ C′‬عبارتند از )‪ (0,1, −1‬و )‪ (1,1,2‬که‬

‫مستقل هستند‪.‬‬

‫متناظر با ‪ 𝜆2‬هم دو بلوک داریم‪ .‬اولین ستونهای متناظر با هر بلوک از ماتریس ‪ C′‬عبارتند از )‪ (2,1, −1‬و‬

‫)‪ (1, −1, −1‬که مستقل هستند‪.‬‬

‫این سیستم دو مقدار ویژه غیرمکرر دارد‪.‬‬

‫ستون متناظر با مقدار ویژه ‪ 𝜆6‬غیرصفر است‪.‬‬

‫ستون متناظر با مقدار ویژه ‪ 𝜆7‬غیرصفر است‪.‬‬

‫پس‪ ،‬سیستم مورد نظر‪ ،‬رؤیتپذیر کامل حالت بوده است‪.‬‬

‫‪ ‬مثال‪ :‬سیستم مکانیکی زیر‪ ،‬متشکل از دو ارابه است که توسط فنری به هم متصل شدهاند‪ .‬به هر کدام از ارابهها‬

‫یک نیروی کنترلی در جهت مخالف هم‪ ،‬ولی به طور مساوی وارد میشود‪ .‬در مورد کنترلپذیری این سیستم‬

‫بحث کنید‪𝑚1 = 𝑚2 = 𝑘 = 1 .‬‬

‫‪22‬‬
‫‪−𝑓 + 𝑘(𝑥2 − 𝑥1 ) = 𝑚1 𝑥̈ 1‬‬

‫‪𝑓 − 𝑘(𝑥2 − 𝑥1 ) = 𝑚2 𝑥̈ 2‬‬

‫دو معادله دیفرانسیل مرتبه دوم داریم که برای استخراج معادالت حالت‪ ،‬باید تبدیل به چهار معادله دیفرانسیل مرتبه اول‬

‫شوند‪ .‬با انتخاب ‪ 𝑋3 = 𝑥2 ،𝑋2 = 𝑥̇ 1 ،𝑋1 = 𝑥1‬و ‪ 𝑋4 = 𝑥̇ 2‬میتوان‪ ،‬دو معادله دیفرانسیل فوق را به صورت زیر‬

‫بازنویسی کرد‪:‬‬

‫‪𝑋̇1 = 𝑋2‬‬

‫𝑘‬ ‫𝑘‬ ‫‪1‬‬

‫‪𝑋̇2 = −‬‬ ‫‪𝑥1 +‬‬ ‫‪𝑥2 −‬‬ ‫𝑓‬
‫‪𝑚1‬‬ ‫‪𝑚1‬‬ ‫‪𝑚1‬‬

‫‪𝑋̇3 = 𝑋4‬‬

‫𝑘‬ ‫𝑘‬ ‫‪1‬‬

‫= ‪𝑋̇4‬‬ ‫‪𝑥1 −‬‬ ‫‪𝑥2 +‬‬ ‫𝑓‬
‫‪𝑚2‬‬ ‫‪𝑚2‬‬ ‫‪𝑚2‬‬

‫پس‪:‬‬

‫‪0‬‬ ‫‪1 0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪−1‬‬ ‫‪0 1‬‬ ‫‪0‬‬ ‫‪−1‬‬
‫[=𝐴‬ ‫]‬ ‫] [=𝐵 ‪,‬‬
‫‪0‬‬ ‫‪0 0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪0 −1‬‬ ‫‪0‬‬ ‫‪1‬‬

‫‪ ‬تشکیل ماتریس کنترلپذیری‪:‬‬

‫‪23‬‬
 ‫‪0 −1 0‬‬ ‫‪2‬‬
‫‪−1 0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫𝐵[ = 𝑐‪Φ‬‬ ‫𝐵𝐴‬ ‫𝐵 ‪𝐴2‬‬ ‫[ = ] 𝐵 ‪𝐴3‬‬ ‫‪] ⟹ 𝑟𝑎𝑛𝑘(Φ𝑐 ) = 2‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0 −2‬‬
‫‪1‬‬ ‫‪0 −2 0‬‬

‫دستور متلب‪ ctrb(A,B) :‬و ))‪ Rank(ctrb(A,B‬برای محاسبه ماتریس کنترلپذیری و رتبه آن‬

‫پس این سیستم کنترلپذیر کامل حالت نیست‪ .‬یعنی با استفاده از وروی کنترل‪ ،‬نمیتوان حالتهای آن را با شروع از یک‬

‫نقطه مشخص‪ ،‬در هر نقطه دلخواهی قرار داد‪.‬‬

‫‪ ‬یک سؤال میتواند این چنین مطرح شود که با شروع از حالت اولیه صفر‪ ،‬با استفاده از ورودی کنترل‪ ،‬به چه‬

‫نقاطی از فضا دسترسی خواهیم داشت؟‬

‫طبیعتاً به زیرفضایی که توسط ستونهای اول و دوم ماتریس کنترلپذیری حاصل میشود‪ .‬یعنی به نقاطی در فضای‬

‫‪0‬‬ ‫‪−1‬‬ ‫𝛼‬

‫‪−1‬‬ ‫‪0‬‬ ‫𝛽‬
‫}] [ ‪𝑉 = 𝑠𝑝𝑎𝑛 {[ ] ,‬‬ ‫] 𝛼‪𝑂𝑅 𝑉 = [−‬‬
‫‪0‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪0‬‬ ‫𝛽‪−‬‬

‫زیرفضای کنترلپذیر‪ ،‬زیرفضایی است که توسط ستونهای مستقل ماتریس کنترلپذیری تولید میشود‪.‬‬

‫‪ ‬مقادیر ویژه این سیستم با صفر قراردادن )𝐴 ‪ 𝑑𝑒𝑡(𝜆𝐼 −‬به صورت زیر به دست میآید‪:‬‬

‫‪𝜆1 = 𝜆2 = 0, 𝜆3 = 𝑗1.41, 𝜆4 = −𝑗1.41‬‬

‫دستور متلب‪ 𝑒𝑖𝑔(𝐴) :‬برای محاسبه مقادیر ویژه ماتریس 𝐴‬

‫‪ ‬آزمون ‪ PBH‬برای بررسی کنترلپذیری‪:‬‬

‫‪0‬‬ ‫‪−1 0‬‬ ‫‪0 .. 0‬‬

‫‪[−𝐴 | 𝐵] = [ 1‬‬ ‫‪0 −1 0 . . −1‬‬
‫‪] ⟹ 𝑅𝑎𝑛𝑘([−𝐴 | 𝐵]) ≠ 4‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0 −1 . . 0‬‬
‫‪−1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0 .. 1‬‬

‫‪24‬‬
‫بنابراین‪ ،‬مقدار ویژه صفر کنترلپذیر نبوده و لذا سیستم‪ ،‬کنترلپذیر کامل حالت نیست‪ .‬به بیان دیگر‪ ،‬با استفاده از ورودی‬

‫کنترل‪ ،‬مقدار ویژه صفر قابل جابجایی نبوده و لذا امکان پایدارسازی این سیستم‪ ،‬وجود ندارد‪.‬‬

‫‪ ‬حال‪ ،‬متغیرهای حالت سیستم را به صورت دیگری انتخاب میکنیم‪ .‬فرض کنید‪ ،‬به جای انتخاب جابجایی هر یک‬

‫از اجسام و مشتق آنها به عنوان متغیرهای حالت‪ ،‬جابجایی مرکز ثقل و تغییر طول فنر و مشتقات آنها را به‬

‫عنوان متغیر حالت انتخاب کنیم‪ .‬یعنی‪:‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪𝑍1 = 2 𝑥1 + 2 𝑥2‬‬ ‫‪,‬‬ ‫‪𝑍2 = 2 𝑥̇ 1 + 2 𝑥̇ 2 ،‬‬ ‫‪𝑍3 = 𝑥2 − 𝑥1‬‬ ‫‪،‬‬ ‫‪𝑍4 = 𝑥̇ 2 − 𝑥̇ 1‬‬

‫پس‪:‬‬

‫‪0.5‬‬ ‫‪0‬‬ ‫‪0.5‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪0.5‬‬ ‫‪0‬‬ ‫‪0.5‬‬
‫[=𝑧‬ ‫𝑋]‬
‫‪−1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪⏟0‬‬ ‫‪−1‬‬ ‫‪0‬‬ ‫‪1‬‬
‫𝑇‬

‫و لذا‪ ،‬معادالت حالت‪ ،‬به صورت زیر قابل بازنویسی است‪:‬‬

‫‪0‬‬ ‫‪1 0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪0 0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫𝑇𝐴𝑇 = ̇𝑍‬
‫𝐵𝑇 ‪⏟ −1 𝑍 +‬‬
‫[=𝑢⏟‬ ‫𝑢] [‪]𝑍 +‬‬
‫‪𝐴′‬‬ ‫‪𝐵′‬‬
‫‪0‬‬ ‫‪0 0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪0 −2‬‬ ‫‪0‬‬ ‫‪2‬‬

‫با توجه به دستگاه فوق‪ ،‬داریم‪:‬‬

‫𝑒𝑡𝑐 = ‪𝑍̇2 = 0 ⟹ 𝑍2‬‬

‫به این معنا که سرعت مرکز ثقل و به تبع آن جابجایی مرکز ثقل سیستم از ورودی کنترلی اثر نمیپذیرد‪ .‬یعنی با کم و زیاد‬

‫کردن ورودی کنترل‪ ،‬سرعت (یا جابجایی) مرکز ثقل قابل تغییر نیستند‪.‬‬

‫همچنین‪ ،‬معادالت سوم و چهارم فضای حالت جدید نشان میدهد که تغییر طول فنر و سرعت این تغییر‪ ،‬متغیرهایی هستند‬

‫که از ورودی کنترل اثر میپذیرند‪ .‬یعنی با کم و زیاد کردن ورودی کنترل‪ ،‬طول فنر و سرعت تغییر طول‪ ،‬تغییر میکنند‪.‬‬

‫‪25‬‬
 ‫ماتریس کنترلپذیری در این حالت به صورت زیر است‪:‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪Φ𝑐 = [𝐵′ 𝐴′𝐵′‬‬ ‫‪𝐴′2 𝐵′‬‬ ‫[ = ]‪𝐴′3 𝐵′‬‬ ‫]‬
‫‪0‬‬ ‫‪2‬‬ ‫‪0 −4‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪−4 0‬‬

‫و زیرفضایی که با استفاده از ورودی کنترل قابل دسترس است عبارت است از‬

‫‪0 0‬‬ ‫‪0 0‬‬ ‫‪0‬‬

‫‪0 0‬‬ ‫‪0 0‬‬ ‫‪0‬‬
‫}] [ ‪𝑉 ′ = 𝑠𝑝𝑎𝑛 {[ ] ,‬‬ ‫}] [ ‪𝑂𝑅 𝑉 ′ = 𝑠𝑝𝑎𝑛 {[ ] ,‬‬ ‫] [ = ‪𝑂𝑅 𝑉 ′‬‬
‫‪0 2‬‬ ‫‪0 1‬‬ ‫𝛼‬
‫‪2 0‬‬ ‫‪1 0‬‬ ‫𝛽‬

‫نتیجه فوق‪ ،‬مؤید این موضوع است که با شروع از نقطه صفر‪ ،‬حالتهای اول و دوم توسط ورودی کنترل قابل جابجایی‬

‫نیستند‪ ،‬در حالیکه حالتهای سوم و چهارم را میتوان در نقطه دلخواه جانمایی کرد‪.‬‬

‫‪26‬‬
 ‫ادامه فصل سوم‬

‫‪ ‬مثال‪ :‬مدار الکتریکی زیر را در نظر بگیرید‪ .‬با فرض آنکه ولتاژ دو سر مقاومت ‪ 𝑅3‬اندازهگیری شده باشد‪ ،‬در مورد‬
‫‪1‬‬
‫‪𝑅1 = 𝑅2 = 2 , 𝑅3 = 1 ,‬‬ ‫رؤیتپذیری سیستم بحث کنید‪𝐶1 = 𝐶2 = 1 , 𝑅0 = 0 .‬‬

‫‪ ‬با انتخاب ‪ 𝑣1‬و ‪ 𝑣2‬به عنوان متغیرهای حالت‪ ،‬خواهیم داشت‪:‬‬

‫‪𝑑 𝑣1 𝑖𝐶1 𝑣2 − 𝑣1 𝑒0 − 𝑣1‬‬ ‫‪1 1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫=‬ ‫=‬ ‫‪+‬‬ ‫‪= − { + } 𝑣1 +‬‬ ‫‪𝑣2 +‬‬ ‫𝑒‬
‫𝑡𝑑‬ ‫‪𝐶1‬‬ ‫‪𝐶1 𝑅3‬‬ ‫‪𝐶1 𝑅1‬‬ ‫‪𝐶1 𝑅1 𝑅3‬‬ ‫‪𝐶1 𝑅3‬‬ ‫‪𝐶1 𝑅1 0‬‬

‫‪𝑑 𝑣2 𝑖𝐶2 𝑣1 − 𝑣2 𝑒0 − 𝑣2‬‬ ‫‪1‬‬ ‫‪1 1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫=‬ ‫=‬ ‫‪+‬‬ ‫=‬ ‫‪𝑣1 − { + } 𝑣2 +‬‬ ‫𝑒‬
‫𝑡𝑑‬ ‫‪𝐶2‬‬ ‫‪𝐶2 𝑅3‬‬ ‫‪𝐶2 𝑅2‬‬ ‫‪𝐶2 𝑅3‬‬ ‫‪𝐶2 𝑅2 𝑅3‬‬ ‫‪𝐶2 𝑅2 0‬‬

‫اگر انتخاب کنیم‪ 𝑥1 = 𝑣1 ،‬و ‪ 𝑥2 = 𝑣2‬خواهیم داشت‪:‬‬

‫‪𝑑 𝑥1‬‬
‫𝑢‪= −3𝑥1 + 𝑥2 + 2‬‬
‫𝑡𝑑‬
‫‪𝑑 𝑥2‬‬
‫𝑢‪= 𝑥1 − 3𝑥2 + 2‬‬
‫𝑡𝑑‬
‫‪𝑦 = 𝑥1 − 𝑥2‬‬
‫پس‪:‬‬
‫‪−3 1‬‬ ‫‪2‬‬
‫[=𝐴‬ ‫]‬ ‫‪,‬‬ ‫] [=𝐵‬ ‫‪,‬‬ ‫]‪𝐶 = [1 −1‬‬
‫‪1 −3‬‬ ‫‪2‬‬

‫‪1‬‬
 ‫‪ ‬تشکیل ماتریس رؤیتپذیری‪:‬‬
‫𝐶‬ ‫‪1 −1‬‬
‫[ = 𝑜‪Φ‬‬ ‫[=]‬ ‫]‬
‫𝐴𝐶‬ ‫‪−4 4‬‬

‫و لذا سیستم رؤیتپذیر کامل حالت نیست‪.‬‬

‫‪ ‬زیرفضای رؤیتناپذیر این سیستم عبارت است از ) 𝑜‪ 𝐾𝑒𝑟(Φ‬و واضح است که‬

‫‪1‬‬ ‫𝑎‬
‫] [ = ) 𝑜‪𝐾𝑒𝑟(Φ𝑜 ) = 𝑠𝑝𝑎𝑛 {[ ]} 𝑂𝑅 𝐾𝑒𝑟(Φ‬‬
‫‪1‬‬ ‫𝑎‬

‫‪ ‬مقادیر ویژه این سیستم عبارتند از ‪ .𝜆1 = −2 , 𝜆2 = −4‬پس‬

‫‪−3𝑣1 + 𝑣2 = −2𝑣1‬‬ ‫‪1‬‬

‫{ ⟹ 𝑣‪𝐴𝑣 = −2‬‬ ‫] [=𝑣⟹‬
‫‪𝑣1 − 3𝑣2 = −2𝑣2‬‬ ‫‪1‬‬

‫‪−3𝑣1 + 𝑣2 = −4𝑣1‬‬ ‫‪1‬‬

‫{ ⟹ 𝑣‪𝐴𝑣 = −4‬‬ ‫] [=𝑣⟹‬
‫‪𝑣1 − 3𝑣2 = −4𝑣2‬‬ ‫‪−1‬‬

‫‪−1‬‬ ‫‪−1‬‬ ‫‪−1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫= ‪𝑇 −1‬‬ ‫[‬ ‫[ = 𝑇و]‬ ‫پس‪] :‬‬
‫‪2‬‬ ‫‪−1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪−1‬‬

‫بنابراین‪ ،‬با استفاده از تغییر متغیر 𝑥 ‪ ،𝑧 = 𝑇 −1‬فرم فضای حالت‪ ،‬قطری خواهد شد و خواهیم داشت‪:‬‬

‫‪−2‬‬ ‫‪0‬‬ ‫‪2‬‬

‫[ = 𝑢𝐵 ‪𝑧̇ = 𝑇 −1 𝐴𝑇𝑧 + 𝑇 −1‬‬ ‫𝑢] [ ‪]𝑧 +‬‬
‫‪0‬‬ ‫‪−4‬‬ ‫‪0‬‬

‫𝑧]‪𝑦 = [0 2‬‬

‫‪ ‬تجزیه سیستمهای کنترلناپذیر و رؤیتناپذیر‬

‫‪ ‬گام اول‪ :‬ستونهای (سطرهای) مستقل ماتریس کنترلپذیری (رؤیتپذیری) را جدا کرده و در ماتریس دیگری‬

‫قرار میدهیم‪ .‬اگر ‪ 𝑒1‬تا 𝑚𝑒‪ ،‬ستونهای (سطرهای) مستقل ماتریس کنترلپذیری باشند‪:‬‬

‫‪𝑇1 = [𝑒1‬‬ ‫‪𝑒2‬‬ ‫…‬ ‫] 𝑚𝑒‬

‫‪2‬‬
‫‪ ‬گام دوم‪ :‬با اضافه کردن 𝑚 ‪ 𝑛 −‬ستون (سطر) دیگر به ماتریس ‪ 𝑇1‬ماتریس دیگری به نام 𝑇 میسازیم‪ .‬البته به‬

‫گونهای که ماتریس مربعی 𝑇 معکوسپذیر (فول رنک) باشد‪.‬‬

‫‪𝑇 = [𝑒1‬‬ ‫‪𝑒2‬‬ ‫…‬ ‫| 𝑚𝑒‬ ‫‪𝑒𝑚+1‬‬ ‫…‬ ‫] 𝑛𝑒‬

‫‪ ‬گام سوم‪ :‬با استفاده از تغییر متغیر 𝑥 ‪ )𝑧 = 𝑇𝑥( 𝑧 = 𝑇 −1‬فضای حالت سیستم را بازنویسی میکنیم‪ .‬اگر مراحل‬

‫گفته شده به درستی انجام شده باشد‪ ،‬فرم فضای حالت جدید برای سیستم کنترلناپذیر عبارت خواهد بود از‪:‬‬

‫‪𝐴11‬‬ ‫‪𝐴12‬‬ ‫𝐵‬

‫[ = ̇𝑧‬ ‫𝑢 ]‪] 𝑧 + [ 1‬‬
‫‪0‬‬ ‫‪𝐴22‬‬ ‫‪0‬‬

‫و مقادیر ویژه ماتریس ‪ 𝐴11‬همان مودهای کنترلپذیر و مقادیر ویژه ماتریس ‪ 𝐴22‬همان مودهای کنترلناپذیر خواهند بود‪.‬‬

‫"طبق تعریف‪ ،‬به سیستمی که مودهای کنترلناپذیر آن پایدار باشند (یا مودهای ناپایدار آن کنترلپذیر باشند)‪ ،‬سیستم‬

‫پایدارپذیر (‪ )Stabilizable‬میگویند‪".‬‬

‫‪ ‬یک نتیجه مهم‪ :‬هر سیستم کنترلپذیری پایدارپذیر است‪ ،‬اما ممکن است یک سیستم‪ ،‬پایدارپذیر باشد‪ ،‬ولی‬

‫کنترلپذیر نباشد‪.‬‬

‫اگر مراحل گفته شده به درستی انجام شده باشد‪ ،‬فرم فضای حالت جدید برای سیستم رؤیتناپذیر عبارت خواهد بود از‪:‬‬

‫‪𝐴11‬‬ ‫‪0‬‬ ‫𝐵‬

‫[ = ̇𝑧‬ ‫𝑢 ]‪] 𝑧 + [ 1‬‬
‫‪𝐴21‬‬ ‫‪𝐴22‬‬ ‫‪𝐵2‬‬

‫‪𝑦 = [𝐶1‬‬ ‫𝑧]‪0‬‬

‫و مقادیر ویژه ماتریس ‪ 𝐴11‬همان مودهای رؤیتپذیر و مقادیر ویژه ماتریس ‪ 𝐴22‬همان مودهای رؤیتناپذیر خواهند بود‪.‬‬

‫"طبق تعریف‪ ،‬به سیستمی که مودهای رؤیتناپذیر آن پایدار باشند (یا مودهای ناپایدار آن رؤیتپذیر باشند)‪ ،‬سیستم‬

‫آشکارپذیر (‪ )Detectable‬میگویند‪".‬‬

‫‪3‬‬
‫‪ ‬یک نتیجه مهم‪ :‬هر سیستم رؤیتپذیری آشکارپذیر است‪ ،‬اما ممکن است یک سیستم‪ ،‬آشکارپذیر باشد‪ ،‬ولی‬

‫رؤیتپذیر نباشد‪.‬‬

‫‪ ‬بنابراین‪ ،‬میتوان یک سیستم را به چهار زیرفضا به شکل زیر تقسیمبندی کرد‪:‬‬

‫زیرفضای 𝑢𝑐𝑆 که کنترلپذیر و رؤیتناپذیر است‪ ،‬زیرفضای 𝑜𝑐𝑆 که کنترلپذیر و رؤیتپذیر است‪ ،‬زیرفضای 𝑜𝑢𝑆 که‬

‫کنترل ناپذیر و رؤیتپذیر است و زیرفضای 𝑢𝑢𝑆 که کنترل ناپذیر و رؤیتناپذیر است‪.‬‬

‫‪ ‬طبق تعریف تابع تبدیل‪ ،‬که نسبت الپالس خروجی به الپالس ورودی با فرض شرایط اولیه صفر است‪ ،‬انتظار‬

‫میرود که صرفاً زیر سیستم 𝑜𝑐𝑆 در تابع تبدیل ظاهر شود‪ .‬از همینجاست که نتیجه میگیریم مدل تابع تبدیل‪ ،‬در‬

‫حالت کلی‪ ،‬مدل کاملی از رفتار یک سیستم ارائه نمیدهد‪ ،‬مگر آنکه سیستم مورد نظر کنترلپذیر و رؤیتپذیر‬

‫بوده باشد‪.‬‬

‫‪ ‬دوگانی سیستمهای خطی‬

‫‪ ‬همانطور که مشاهده شد‪ ،‬تقارن جالبی بین دو مفهوم کنترلپذیری و رؤیتپذیری وجود دارد‪ .‬این تقارن‪ ،‬با معرفی‬

‫موضوع دوگانی به خوبی قابل نمایش است‪.‬‬

‫‪4‬‬
 ‫‪ ‬سیستم خطی تغییرناپذیر با زمان زیر را در نظر بگیرید‪:‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬

‫)‪(1‬‬
‫𝑥𝐶 = 𝑦‬

‫سیستم زیر را دوگان سیستم فوق میگوییم‪:‬‬

‫̂𝑢 𝑇 𝐶 ‪𝑥̂̇ = 𝐴𝑇 𝑥̂ +‬‬

‫)‪(2‬‬
‫𝑇‬
‫̂𝑥 𝐵 = ̂𝑦‬

‫‪ ‬به راحتی میتوان نشان داد که‪:‬‬

‫‪ -1‬سیستم (‪ )1‬کنترلپذیر است‪ ،‬اگر و تنها اگر سیستم (‪ )2‬رؤیتپذیر باشد‪.‬‬

‫‪ -2‬سیستم (‪ )1‬رؤیتپذیر است‪ ،‬اگر و تنها اگر سیستم (‪ )2‬کنترلپذیر باشد‪.‬‬

‫‪ -3‬سیستم (‪ )1‬پایدارپذیر است‪ ،‬اگر و تنها اگر سیستم (‪ )2‬آشکارپذیر باشد‪.‬‬

‫‪ -4‬سیستم (‪ )1‬آشکارپذیر است‪ ،‬اگر و تنها اگر سیستم (‪ )2‬کنترلپذیر باشد‪.‬‬

‫‪ ‬کنترلپذیری خروجی‬

‫‪ ‬یک سیستم را کنترلپذیر خروجی گویند‪ ،‬اگر بتوان با استفاده از ورودی کنترل‪ ،‬خروجی سیستم را از مقدار اولیه‬

‫) ‪ 𝑦(𝑡0‬به مقدار دلخواه ) ‪ 𝑦(𝑡1‬در زمان محدود منتقل کرد‪.‬‬

‫‪ ‬با استفاده از آنچه در بخش کنترلپذیری گفته شد‪ ،‬داریم‪:‬‬

‫‪𝑡1‬‬ ‫‪𝑡1‬‬ ‫𝑡( ‪𝑡1‬‬

‫‪𝐴𝑡1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪− 𝜏)2‬‬
‫𝑒 ‪𝑥(𝑡1 ) −‬‬ ‫∫ 𝐵 𝐴 ‪𝑥(0) = 𝐵 ∫ 𝑢(𝜏) 𝑑𝜏 + 𝐴𝐵 ∫ (𝑡1 − 𝜏)𝑢(𝜏) 𝑑𝜏 +‬‬ ‫⋯ ‪𝑢(𝜏) 𝑑𝜏 +‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬

‫میدانیم‪:‬‬

‫)𝑡(𝑢𝐷 ‪𝑦(𝑡) = 𝐶𝑥(𝑡) +‬‬

‫پس‪:‬‬

‫‪5‬‬
‫= )‪𝑦(𝑡1 ) − 𝐶𝑒 𝐴𝑡1 𝑥(0‬‬

‫‪𝑡1‬‬ ‫‪𝑡1‬‬ ‫𝑡( ‪𝑡1‬‬

‫‪1‬‬ ‫‪− 𝜏)2‬‬
‫∫ 𝐵 ‪𝐶𝐵 ∫ 𝑢(𝜏) 𝑑𝜏 + 𝐶𝐴𝐵 ∫ (𝑡1 − 𝜏)𝑢(𝜏) 𝑑𝜏 + 𝐶𝐴2‬‬ ‫) ‪𝑢(𝜏) 𝑑𝜏 + ⋯ + 𝐷𝑢(𝑡1‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬

‫با نوشتن رابطه فوق به صورت بردار‪-‬ماتریسی خواهیم داشت‪:‬‬

‫‪𝑡1‬‬
‫𝜏𝑑 )𝜏(𝑢 ∫‬
‫‪0‬‬
‫‪𝑡1‬‬
‫𝜏𝑑 )𝜏(𝑢)𝜏 ‪∫ (𝑡1 −‬‬
‫⏟ = )‪𝑦(𝑡1 ) − 𝐶𝑒 𝐴𝑡1 𝑥(0‬‬
‫⏟‬ ‫𝐵𝐶[‬ ‫𝐵𝐴𝐶‬ ‫𝐵 ‪𝐶𝐴2‬‬ ‫]𝐷 …‬ ‫‪0‬‬ ‫)∗(‬
‫𝑡( ‪𝑡1‬‬
‫𝑌‬ ‫‪𝐴′‬‬ ‫‪1‬‬ ‫‪− 𝜏)2‬‬
‫∫‬ ‫𝜏𝑑 )𝜏(𝑢‬
‫‪0‬‬ ‫‪2‬‬
‫…‬
‫⏟[‬ ‫) ‪𝑢(𝑡1‬‬ ‫]‬
‫𝑋‬

‫با توجه به رابطه مهم فوق‪ ،‬شرط کنترلپذیری خروجی‪ ،‬همان شرط وجود همیشگی جواب برای دستگاه معادله 𝑌 = 𝑋 ‪𝐴′‬‬

‫است‪ .‬شرط وجود همیشگی جواب برای این دستگاه معادله آن است که‬

‫𝑙 𝑅 = ) ‪𝐼𝑚(𝐴′‬‬ ‫𝑙 = }) ‪𝑂𝑅 𝑑𝑖𝑚 {𝐼𝑚(𝐴′‬‬

‫پس‪ ،‬شرط الزم و کافی برای کنترلپذیری خروجی‪ ،‬آن است که ماتریس ‪ 𝐴′‬فولرنک باشد‪.‬‬

‫… 𝐵 ‪ Φ𝑜𝑝 = [𝐶𝐵 𝐶𝐴𝐵 𝐶𝐴2‬برابر‬ ‫𝐵 ‪𝐶𝐴𝑛−1‬‬ ‫میتوان نشان داد که رنک (رتبه) دو ماتریس ‪ 𝐴′‬و ]𝐷‬

‫است‪.‬‬

‫حال با قطعیت بیان میکنیم که‪:‬‬

‫شرط الزم و کافی برای کنترلپذیری خروجی سیستم خطی تغییر ناپذیر با زمان‪ ،‬آن است که‬

‫… 𝑩 𝟐𝑨𝑪 𝑩𝑨𝑪 𝑩𝑪[ = 𝒑𝒐𝚽 فولرنک باشد و به بیان دیگر دارای‬ ‫ماتریس ]𝑫 𝑩 𝟏‪𝑪𝑨𝒏−‬‬

‫رتبه 𝒍 باشد‪.‬‬

‫‪6‬‬
‫‪ ‬یک سیستم کنترلپذیر کامل حالت‪ ،‬ممکن است کنترلپذیر خروجی نباشد‪ .‬همچنین‪ ،‬یک سیستم کنترل ناپذیر‬

‫حالت‪ ،‬ممکن است کنترلپذیر خروجی باشد‪.‬‬

‫مثالً در مسأله مدار الکتریکی‪ ،‬سیستم کنترلپذیر کامل حالت نیست‪ .‬اگر خروجی این سیستم را مجموع ولتاژ دو سر‬

‫خازنها در نظر بگیریم‪ ،‬خواهیم داشت‪:‬‬

‫‪𝐶 = [1‬‬ ‫]‪1‬‬ ‫) ‪(𝑥1 = 𝑣1 , 𝑥2 = 𝑣2‬‬
‫همچنین‪ ،‬داشتیم‪:‬‬
‫‪−3 1‬‬ ‫‪2‬‬
‫[=𝐴‬ ‫]‬ ‫‪,‬‬ ‫] [=𝐵‬
‫‪1 −3‬‬ ‫‪2‬‬
‫و لذا‪:‬‬
‫𝐵𝐶[ = 𝑝𝑜‪Φ‬‬ ‫𝑘𝑛𝑎𝑅 ‪𝐶𝐴𝐵 ] = [4 − 8] ⟹ Φ𝑜𝑝 𝑖𝑠 𝐹𝑢𝑙𝑙 −‬‬
‫پس‪ ،‬سیستم‪ ،‬کنترلپذیر خروجی است‪.‬‬

‫‪ ‬کنترلپذیری تابعی‬

‫‪ ‬سیستمی که خروجی آن با تنظیم مناسب ورودی‪ ،‬هر سیگنال مرجع از پیشتعیینشدهای را در هر گستره زمانی‬

‫دنبال کند‪ ،‬کنترلپذیر تابعی نامیده میشود‪.‬‬

‫‪ ‬میدانیم که رابطه بین ورودی‪-‬خروجی یک سیستم خطی تغییرناپذیر با زمان با 𝑚 ورودی و 𝑙 خروجی‪ ،‬به صورت‬

‫زیر قابل بیان است‪:‬‬

‫)𝑠(𝑢)𝑠(𝐺 = )𝑠(𝑦‬
‫که در آن 𝐺 یک ماتریس 𝑚 × 𝑙 است‪.‬‬

‫‪ ‬فرض کنید میخواهیم خروجی سیستم‪ ،‬سیگنال مرجع از پیشتعیینشده )𝑡(𝑟 را دنبال کند‪ .‬به شرط معکوس‬

‫پذیری ماتریس )𝑠( 𝑇 𝐺)𝑠(𝐺 با انتخاب‪:‬‬

‫‪−1‬‬
‫)𝑠(𝑟 ))𝑠( 𝑇 𝐺)𝑠(𝐺()𝑠( 𝑇 𝐺 = )𝑠(𝑢‬
‫خواهیم داشت‪:‬‬
‫)𝑠(𝑟 = )𝑠(𝑦‬

‫‪7‬‬
 ‫یعنی هدف ما محقق میشود‪ .‬واضح است که شرط تحقق هدف مورد نظر آن است که )𝑠( 𝑇 𝐺)𝑠(𝐺 معکوسپذیر باشد‪.‬‬

‫تذکر‪ :‬اگر 𝐴 یک ماتریس 𝑛 × 𝑚 باشد‪ ،‬داریم‪𝑅𝑎𝑛𝑘(𝐴𝐴𝑇 ) = 𝑅𝑎𝑛𝑘(𝐴) :‬‬

‫پس میتوان گفت‪ ،‬سیستم مورد نظر کنترلپذیر تابعی است اگر رتبه )𝑠(𝐺 برابر 𝑙 باشد یا ماتریس تابع تبدیل دارای 𝑙 سطر‬

‫مستقل باشد‪.‬‬

‫‪ ‬با توجه به تعاریف ارائه شده‪ ،‬میتوان نتیجه گرفت که کنترلپذیری خروجی و کنترلپذیری تابعی بیانگر یک‬

‫مفهوم بوده و لذا میتوانند به جای هم استفاده شوند‪.‬‬

‫فصل چهارم‬

‫‪ ‬تئوری تحقق‬

‫‪ ‬تئوری تبدیل نمایش سیستم از تابع تبدیل به فضای حالت را تئوری تحقق گویند‪.‬‬

‫‪ ‬با فرض آنکه معادالت فضای حالت سیستم به صورت زیر باشد‪:‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬

‫𝑢𝐷 ‪𝑦 = 𝐶𝑥 +‬‬

‫میدانید که با استفاده از تبدیل الپالس با فرض شرایط اولیه صفر خواهیم داشت‪:‬‬

‫)𝑠(𝑈𝐵 ‪𝑠𝑋(𝑠) = 𝐴𝑋(𝑠) + 𝐵𝑈(𝑠) ⟹ 𝑋(𝑠) = (𝑠𝐼 − 𝐴)−1‬‬

‫و لذا‪:‬‬

‫)𝒔(𝒀‬
‫= )𝒔(𝑮 ⟹ )𝑠(𝑈𝐷 ‪𝑌(𝑠) = 𝐶(𝑠𝐼 − 𝐴)−1 𝐵𝑈(𝑠) +‬‬ ‫|‬ ‫𝑫 ‪= 𝑪(𝒔𝑰 − 𝑨)−𝟏 𝑩 +‬‬
‫𝟎 = 𝟎𝒙 )𝒔(𝑼‬

‫‪ ‬طبق تعریف هر نمایش فضای حالت متشکل از ماتریسهای 𝐴‪ 𝐶 ،𝐵 ،‬و 𝐷 که در معادله فوق صدق کند‪ ،‬یک‬

‫تحقق برای )𝑠(𝐺 نامیده میشود‪.‬‬

‫‪ 𝐺(𝑠) ‬در صورتی تحققپذیر است که سره باشد و ثانیاً تحقق آن منحصر به فرد نیست‪.‬‬

‫‪8‬‬
 ‫‪ ‬ویژگی اصلی یک تحقق مناسب‪ ،‬مینیمال یا کاهشناپذیر بودن آن است‪ .‬تحقق مینیمال‪ ،‬تحققی است که حداقل‬

‫مرتبه ممکن را دارا باشد‪.‬‬

‫‪ ‬تحقق فضای حالت یک تابع تبدیل‪ ،‬درصورتی مینیمال است که آن تحقق کنترلپذیر و رؤیتپذیر باشد‪.‬‬

‫‪ ‬اگر ) ‪ (𝐴1 , 𝐵1 , 𝐶1 , 𝐷1‬و ) ‪ (𝐴2 , 𝐵2 , 𝐶2 , 𝐷2‬دو تحقق مینیمال از )𝑠(𝐺 باشند‪ ،‬توسط یک تبدیل همانندی به‬

‫فرم زیر به هم مرتبط هستند‪:‬‬

‫‪𝑋2 = 𝑇 −1 𝑋1‬‬ ‫‪𝑤ℎ𝑒𝑟𝑒 𝑇 = Φ𝑐1 Φ𝑐2 −1‬‬ ‫𝑅𝑂‬ ‫‪𝑇 = Φ𝑜1 −1 Φ𝑜2‬‬

‫‪ ‬یک راه ساده برای تشخیص مینیمال بودن یک تحقق آن است که مرتبه تحقق با درجه مخرج تابع تبدیل برابر‬

‫باشد‪( .‬البته پس از سادهسازی عوامل مشترک صورت و مخرج)‬

‫‪ ‬اگر )𝑠(𝐺 تحقق مرتبه 𝑛 کنترلپذیر و رؤیتپذیری داشته باشد‪ ،‬هر تحقق مرتبه 𝑛 دیگر آن نیز کنترلپذیر و‬

‫رؤیتپذیر است‪.‬‬

‫‪ ‬تحقق سیستمهای تکورودی‪-‬تکخروجی‬

‫در این بخش‪ ،‬با چگونگی ایجاد چهار تحقق معروف به نامهای کانونیک کنترلکننده‪ ،‬کانونیک رؤیتگر‪ ،‬کانونیک رؤیت‪-‬‬

‫پذیری و کانونیک کنترلپذیری آشنا خواهیم شد‪.‬‬

‫تابع تبدیل سیستم را به صورت زیر در نظر میگیریم‪:‬‬

‫‪𝑏𝑛−1 𝑠 𝑛−1 + 𝑏𝑛−2 𝑠 𝑛−2 + ⋯ + 𝑏1 𝑠 + 𝑏0‬‬

‫= )𝑠(𝐺‬
‫‪𝑠 𝑛 + 𝑎𝑛−1 𝑠 𝑛−1 + ⋯ + 𝑎1 𝑠 + 𝑎0‬‬

‫‪ ‬تحقق کانونیک کنترلکننده‬

‫‪ ‬تحققی به فرم زیر‪ ،‬به نام تحقق کانونیک کنترلکننده معروف است‪ .‬چگونگی انتخاب متغیرهای حالت از دل تابع‬

‫تبدیل برای رسیدن به چنین تحققی در قالب یک مثال ارائه میشود‪.‬‬

‫‪9‬‬
‫‪ ‬مثال‪ :‬تابع تبدیل یک سیستم به صورت زیر داده شده است‪ .‬با انتخاب مناسب متغیرهای حالت‪ ،‬به تحقق کانونیک‬

‫کنترلکننده آن برسید‪.‬‬

‫‪𝑠+4‬‬
‫= )𝑠(𝐺‬
‫‪𝑠 2 + 2𝑠 + 3‬‬

‫حل‪ .‬میتوان نوشت‪:‬‬

‫‪𝑈 = (𝑠 2 + 2𝑠 + 3)𝑍 ,‬‬ ‫𝑍)‪𝑌 = (𝑠 + 4‬‬

‫حال با انتخاب متغیرهای حالت به صورت‪:‬‬

‫𝑍𝑠 = ‪𝑋1 = 𝑍 , 𝑋2‬‬

‫خواهیم داشت‪:‬‬

‫‪𝑠 𝑋1 = 𝑋2‬‬ ‫(‪)1‬‬

‫𝑈 ‪𝑠𝑋2 = 𝑠2 𝑍 = 𝑈 − 2𝑠𝑍 − 3𝑍 = −3𝑋1 − 2𝑋2 +‬‬ ‫(‪)2‬‬

‫و‪:‬‬

‫‪𝑌 = 𝑠𝑍 + 4𝑍 = 𝑋2 + 4𝑋1‬‬ ‫(‪)3‬‬

‫‪10‬‬
 ‫حال معادالت (‪ )2( ،)1‬و (‪ )3‬را در حوزه زمان مینویسیم‪:‬‬

‫‪𝑥̇ 1 = 𝑥2‬‬

‫𝑢 ‪𝑥̇ 2 = −3𝑥1 − 2𝑥2 +‬‬

‫‪𝑦 = 4𝑥1 + 𝑥2‬‬

‫مشاهده میکنید که‪:‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬

‫[=𝐴‬ ‫] [=𝐵 ‪] ,‬‬ ‫]‪, 𝐶 = [4 1‬‬
‫‪−3 −2‬‬ ‫‪1‬‬

‫تحقق کانونیک کنترلکننده همواره کنترلپذیر است‪ ،‬و اگر تابع تبدیل‪ ،‬صفر و قطب مشترکی نداشته باشد‪ ،‬رؤیتپذیر بوده‬

‫و در غیر اینصورت رؤیتناپذیرخواهد بود‪.‬‬

‫‪ ‬تحقق کانونیک رؤیتگر‬

‫‪ ‬تحققی به فرم زیر‪ ،‬به نام تحقق کانونیک رؤیتگر معروف است‪ .‬چگونگی انتخاب متغیرهای حالت از دل تابع‬

‫تبدیل برای رسیدن به چنین تحققی در قالب یک مثال ارائه میشود‪.‬‬

‫‪11‬‬
‫‪ ‬مثال‪ :‬تابع تبدیل یک سیستم به صورت زیر داده شده است‪ .‬با انتخاب مناسب متغیرهای حالت‪ ،‬به تحقق کانونیک‬

‫رؤیتگر آن برسید‪.‬‬

‫‪𝑠+4‬‬
‫= )𝑠(𝐺‬
‫‪𝑠2‬‬ ‫‪+ 2𝑠 + 3‬‬

‫حل‪ .‬میتوان نوشت‪:‬‬

‫)𝑌‪𝑠 2 𝑌 + 2𝑠𝑌 + 3𝑌 = 4𝑈 + 𝑠𝑈 ⟹ 𝑠 2 𝑌 = (𝑈 − 2𝑌)𝑠 + (4𝑈 − 3‬‬

‫⏟ ‪⟹ 𝑌 = 𝑠 −1 (𝑈 − 2𝑌) + 𝑠 −2 (4𝑈 − 3𝑌) = 𝑠 −1 {(𝑈 − 2𝑌) +‬‬

‫})𝑌‪𝑠 −1 (4𝑈 − 3‬‬
‫⏟‬ ‫‪𝑋1‬‬
‫‪𝑋2‬‬

‫یعنی‪:‬‬

‫𝑈‪𝑋1 = 𝑠 −1 (4𝑈 − 3𝑋2 ) ⟹ 𝑠𝑋1 = −3𝑋2 + 4‬‬

‫𝑈 ‪𝑋2 = 𝑠 −1 {(𝑈 − 2𝑋2 ) + 𝑋1 } ⟹ 𝑠𝑋2 = 𝑋1 − 2𝑋2 +‬‬

‫و‪:‬‬
‫‪𝑌 = 𝑋2‬‬

‫با نوشتن معادالت فوق در حوزه زمان‪ ،‬خواهیم داشت‪:‬‬

‫𝑢‪𝑥̇ 1 = −3𝑥2 + 4‬‬

‫𝑢 ‪𝑥̇ 2 = 𝑥1 − 2𝑥2 +‬‬

‫‪𝑦 = 𝑥2‬‬

‫مشاهده میکنید که‪:‬‬

‫‪0 −3‬‬ ‫‪4‬‬

‫[=𝐴‬ ‫] [=𝐵 ‪] ,‬‬ ‫]‪, 𝐶 = [0 1‬‬
‫‪1 −2‬‬ ‫‪1‬‬

‫تحقق کانونیک رؤیتگر همواره رؤیتپذیر است‪ ،‬و اگر تابع تبدیل‪ ،‬صفر و قطب مشترکی نداشته باشد‪ ،‬کنترلپذیر بوده و در‬

‫غیر اینصورت کنترلناپذیرخواهد بود‪.‬‬

‫‪12‬‬
 ‫‪ ‬همانطور که مشاهده میشود‪ ،‬تحقق رؤیتگر دوگان تحقق کنترلکننده است‪.‬‬

‫‪ ‬تحقق کانونیک کنترلپذیری‬

‫‪ ‬تحققی به فرم زیر‪ ،‬به نام تحقق کانونیک کنترلپذیری معروف است‪ .‬چگونگی انتخاب متغیرهای حالت از دل تابع‬

‫تبدیل برای رسیدن به چنین تحققی در قالب یک مثال ارائه میشود‪.‬‬

‫‪ ‬مثال‪ :‬تابع تبدیل یک سیستم به صورت زیر داده شده است‪ .‬با انتخاب مناسب متغیرهای حالت‪ ،‬به تحقق کانونیک‬

‫کنترلپذیری آن برسید‪.‬‬

‫‪𝑠+4‬‬
‫= )𝑠(𝐺‬
‫‪𝑠 2 + 2𝑠 + 3‬‬
‫حل‪ .‬میتوان نوشت‪:‬‬
‫‪𝑈 = (𝑠 2 + 2𝑠 + 3)𝑍 ,‬‬ ‫𝑍)‪𝑌 = (𝑠 + 4‬‬
‫بنابراین‪:‬‬
‫)𝑍‪𝑠 2 𝑍 + 2𝑠𝑍 + 3𝑍 = 𝑈 ⟹ 𝑠 2 𝑍 = −2𝑍𝑠 + (𝑈 − 3𝑍) ⟹ 𝑍 = 𝑠 −1 (−2𝑍) + 𝑠 −2 (𝑈 − 3‬‬

‫‪13‬‬
‫})𝑍‪⟹ 𝑍 = 𝑠 −1 {−2𝑍 + 𝑠⏟−1 (𝑈 − 3‬‬
‫⏟‬ ‫‪𝑋1‬‬
‫‪𝑋2‬‬

‫یعنی‪:‬‬

‫‪𝑋1 = 𝑠 −1 (𝑈 − 3𝑍) ⟹ 𝑠𝑋1 = 𝑈 − 3𝑋2‬‬

‫‪𝑋2 = 𝑠 −1 {−2𝑍 + 𝑋1 } ⟹ 𝑠𝑋2 = −2𝑋2 + 𝑋1‬‬

‫برای خروجی‪ ،‬میتوان نوشت‪:‬‬

‫‪𝑌 = 4𝑍 + 𝑠𝑍 = 4𝑋2 + (−2𝑋2 + 𝑋1 ) = 2𝑋2 + 𝑋1‬‬

‫با نوشتن معادالت فوق در حوزه زمان‪ ،‬خواهیم داشت‪:‬‬

‫𝑢 ‪𝑥̇ 1 = −3𝑥2 +‬‬

‫‪𝑥̇ 2 = 𝑥1 − 2𝑥2‬‬

‫‪𝑦 = 𝑥1 + 2𝑥2‬‬

‫مشاهده میکنید که‪:‬‬

‫‪0 −3‬‬ ‫‪1‬‬

‫[=𝐴‬ ‫] [=𝐵 ‪] ,‬‬ ‫]‪, 𝐶 = [1 2‬‬
‫‪1 −2‬‬ ‫‪0‬‬

‫تحقق کانونیک کنترلپذیری همواره کنترلپذیر است‪ ،‬و اگر تابع تبدیل‪ ،‬صفر و قطب مشترکی نداشته باشد‪ ،‬رؤیتپذیر بوده‬

‫و در غیر اینصورت رؤیتناپذیر خواهد بود‪.‬‬

‫‪ ‬تحقق کانونیک رؤیتپذیری‬

‫‪ ‬تحققی به فرم زیر‪ ،‬به نام تحقق کانونیک رؤیتپذیری معروف است‪ .‬چگونگی انتخاب متغیرهای حالت از دل تابع‬

‫تبدیل برای رسیدن به چنین تحققی در قالب یک مثال ارائه میشود‪.‬‬

‫‪14‬‬
‫‪ ‬مثال‪ :‬تابع تبدیل یک سیستم به صورت زیر داده شده است‪ .‬با انتخاب مناسب متغیرهای حالت‪ ،‬به تحقق کانونیک‬

‫رؤیتپذیری آن برسید‪.‬‬

‫‪𝑠+4‬‬
‫= )𝑠(𝐺‬
‫‪𝑠 2 + 2𝑠 + 3‬‬

‫حل‪ .‬میتوان نوشت‪:‬‬

‫‪𝑠 2 𝑌 + 2𝑠𝑌 + 3𝑌 = 4𝑈 + 𝑠𝑈 ⟹ 𝑠 2 𝑌 − 𝑠𝑈 + 3𝑌 + 2𝑠𝑌 − 4𝑈 = 0‬‬

‫𝑌 ‪(𝑠𝑌 − 𝑈) + 3‬‬
‫⏟𝑠 ⟹‬ ‫‪⏟ + 2𝑠𝑌 − 4𝑈 = 0‬‬
‫‪𝑋2‬‬ ‫‪𝑋1‬‬

‫بنابراین‪:‬‬

‫𝑈 ‪𝑠𝑋1 = 𝑠𝑌 = 𝑋2 +‬‬

‫𝑈‪𝑠𝑋2 = 𝑠(𝑠𝑌 − 𝑈) = −3𝑌 − 2𝑠𝑌 + 4𝑈 = −3𝑋1 − 2(𝑋2 + 𝑈) + 4𝑈 = −3𝑋1 − 2𝑋2 + 2‬‬

‫‪𝑌 = 𝑋1‬‬

‫با نوشتن معادالت فوق در حوزه زمان‪ ،‬خواهیم داشت‪:‬‬

‫𝑢 ‪𝑥̇ 1 = 𝑥2 +‬‬

‫𝑢‪𝑥̇ 2 = −3𝑥1 − 2𝑥2 + 2‬‬

‫‪𝑦 = 𝑥1‬‬

‫‪15‬‬
 ‫مشاهده میکنید که‪:‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬

‫[=𝐴‬ ‫] [=𝐵 ‪] ,‬‬ ‫]‪, 𝐶 = [1 0‬‬
‫‪−3 −2‬‬ ‫‪2‬‬

‫تحقق کانونیک رؤیتپذیری همواره رؤیتپذیر است‪ ،‬و اگر تابع تبدیل‪ ،‬صفر و قطب مشترکی نداشته باشد‪ ،‬کنترلپذیر بوده‬

‫و در غیر اینصورت کنترلناپذیرخواهد بود‪.‬‬

‫‪ ‬همانطور که مشاهده میشود‪ ،‬تحقق رؤیتپذیری دوگان تحقق کنترلپذیری است‪.‬‬

‫‪ ‬طبیعی است که در تحققهای کنترلپذیری و رؤیتپذیری‪ ،‬مقادیر ‪ 𝛽𝑛−2 ،𝛽𝑛−1‬تا ‪ 𝛽0‬بیارتباط به تابع تبدیل‬

‫سیستم نباشند‪ .‬میتوان نشان داد که این پارامترها‪ ،‬همان پارامترهای مارکوف سیستم میباشند‪.‬‬

‫‪ ‬اما منظور از پارامترهای مارکوف چیست؟‬

‫تابع تبدیل سیستم عبارت است از‪:‬‬

‫‪𝐴 −1‬‬ ‫‪𝐴 𝐴2‬‬

‫𝐵 ) ⋯ ‪𝐺(𝑠) = 𝐶(𝑠𝐼 − 𝐴)−1 𝐵 + 𝐷 = 𝐷 + 𝐶𝑠 −1 (𝐼 − ) 𝐵 = 𝐷 + 𝐶𝑠 −1 (𝐼 + + 2 +‬‬
‫𝑠‬ ‫𝑠 𝑠‬

‫𝐵 ‪𝐶𝐵 𝐶𝐴𝐵 𝐶𝐴2‬‬

‫‪=𝐷+‬‬ ‫⋯ ‪+ 2 + 3 + ⋯ = ℎ(0) + ℎ(1)𝑠 −1 + ℎ(2)𝑠 −2 +‬‬
‫𝑠‬ ‫𝑠‬ ‫𝑠‬

‫به )𝑖(‪ℎ‬ها پارامترهای مارکوف سیستم میگویند و در تحققهای کنترلپذیری و رؤیتپذیری داریم‪:‬‬

‫‪𝛽𝑛−1 = ℎ(1) , 𝛽𝑛−2 = ℎ(2) ,‬‬ ‫)𝑛(‪… , 𝛽0 = ℎ‬‬

‫‪ ‬تحقق سیستمهای تکورودی‪-‬چندخروجی‬

‫‪ ‬مثال‪ .‬از آنچه در مورد تحقق کانونیک کنترلکننده گفته شد‪ ،‬تحقق تابع تبدیل زیر را به دست آورید‪.‬‬

‫‪1‬‬
‫)‪(𝑠 2 + 1)(𝑠 + 1‬‬
‫[ = )𝑠(𝐺‬ ‫𝑠‬ ‫]‬
‫)‪(𝑠 + 1)(𝑠 + 2‬‬
‫حل‪ .‬ابتدا یک مخرج مشترک انتخاب کرده و میتوان نوشت‪:‬‬

‫‪16‬‬
 ‫‪1‬‬ ‫‪𝑠+2‬‬ ‫‪1‬‬ ‫‪𝑠+2‬‬
‫= )𝑠(𝐺‬ ‫‪[ 2‬‬ ‫‪]= 4‬‬ ‫[‬ ‫]‬
‫‪(𝑠 2‬‬ ‫)‪+ 1)(𝑠 + 1)(𝑠 + 2) 𝑠(𝑠 + 1‬‬ ‫𝑠 ‪𝑠 + 3𝑠 + 3𝑠 2 + 3𝑠 + 2 𝑠 3 +‬‬
‫‪3‬‬

‫با توجه به تحقق کانونیک کنترلکننده‪ ،‬میتوان نوشت‪:‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2 1‬‬ ‫‪0 0‬‬
‫[=𝐴‬ ‫‪] ,‬‬ ‫] [=𝐵‬ ‫[=𝐶 ‪,‬‬ ‫]‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0 1‬‬ ‫‪0 1‬‬
‫‪−2 −3 −3 −3‬‬ ‫‪1‬‬

‫‪ ‬تحقق سیستمهای چندورودی‪-‬یکخروجی‬

‫مثال‪ .‬یک تحقق برای تابع تبدیل زیر را به دست آورید‪.‬‬

‫‪1‬‬ ‫‪𝑠+3‬‬
‫[ = )𝑠(𝐺‬ ‫]‬
‫‪𝑠2‬‬ ‫)‪(𝑠 + 1)(𝑠 + 2‬‬

‫حل‪ .‬ابتدا ترانهاده ماتریس تابع تبدیل فوق را به دست آورده و سپس تحقق کانونیک کنترلکننده را مشابه آنچه در‬

‫بخش قبل گفته شد‪ ،‬برای آن مینویسیم‪ .‬تحقق)𝑠(𝐺 دوگان تحقق )𝑠( 𝑇 𝐺 خواهد بود‪.‬‬

‫‪1‬‬
‫‪𝑠2‬‬ ‫‪1‬‬ ‫]‪𝑠 2 + 3𝑠 + 2‬‬
‫= )𝑠( 𝑇 𝐺‬ ‫‪𝑠+3‬‬ ‫=‬ ‫[‬
‫‪4‬‬ ‫‪3‬‬
‫𝑠‪𝑠 + 3𝑠 + 2‬‬ ‫‪2‬‬ ‫‪𝑠 3 + 3𝑠 2‬‬
‫])‪[(𝑠 + 1)(𝑠 + 2‬‬

‫تحقق 𝑇 𝐺 عبارت است از‪:‬‬

‫‪0‬‬ ‫‪1 0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪0‬‬ ‫‪0 1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2 3‬‬ ‫‪1 0‬‬
‫[ = ‪𝐴′‬‬ ‫‪] ,‬‬ ‫] [ = ‪𝐵′‬‬ ‫[ = ‪, 𝐶′‬‬ ‫]‬
‫‪0‬‬ ‫‪0 0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0 0‬‬ ‫‪3 1‬‬
‫‪0‬‬ ‫‪0 −2 −3‬‬ ‫‪1‬‬

‫و لذا تحقق 𝐺 به صورت زیر خواهد بود‪:‬‬

‫‪17‬‬
 ‫‪0‬‬ ‫‪0‬‬ ‫‪0 0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪0 0‬‬ ‫‪3‬‬ ‫‪0‬‬
‫[ = 𝑇‪𝐴 = 𝐴′‬‬ ‫‪] ,‬‬ ‫[ = 𝑇‪𝐵 = 𝐶′‬‬ ‫]‬ ‫‪, 𝐶 = 𝐵′𝑇 = [0 0‬‬ ‫]‪0 1‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0 −2‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1 −3‬‬ ‫‪0‬‬ ‫‪1‬‬

‫‪ ‬تحقق سیستمهای چندورودی‪-‬چندخروجی‬

‫مثال‪ .‬یک تحقق برای تابع تبدیل زیر را به دست آورید‪.‬‬

‫‪1‬‬ ‫‪2‬‬
‫‪𝐺(𝑠) = [𝑠 + 1‬‬ ‫]‪𝑠 + 3‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪𝑠+1‬‬ ‫‪𝑠+1‬‬

‫حل‪ .‬ابتدا سیستم را به صورت دو سیستم یک ورودی‪-‬دوخروجی تقسیم میکنیم‪ .‬یعنی‪:‬‬

‫‪𝐺 = [𝐺1‬‬ ‫] ‪𝐺2‬‬

‫‪1‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2𝑠 + 2‬‬
‫= ]‪𝑤ℎ𝑒𝑟𝑒 𝐺1 = [𝑠 + 1‬‬ ‫‪[ ] 𝑎𝑛𝑑 𝐺2 = [𝑠 + 3] = 2‬‬ ‫[‬ ‫]‬
‫‪1‬‬ ‫‪𝑠+1 1‬‬ ‫‪1‬‬ ‫‪𝑠 + 4𝑠 + 3 𝑠 + 3‬‬
‫‪𝑠+1‬‬ ‫‪𝑠+1‬‬

‫حال تحقق هر یک از این سیستمها را مطابق آنچه قبال گفته شد مینویسیم‪ .‬یعنی‪:‬‬

‫‪1‬‬
‫] [ = ‪𝐴1 = −1 , 𝐵1 = 1 , 𝐶1‬‬
‫‪1‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2 2‬‬

‫[ = ‪𝐴2‬‬ ‫[ = ‪] , 𝐵2 = [ ] , 𝐶2‬‬ ‫]‬
‫‪−3 −4‬‬ ‫‪1‬‬ ‫‪3 1‬‬

‫از کنار هم قرار دادن این سیستمها به فرم زیر‪ ،‬تحقق سیستم چندورودی‪-‬چندخروجی مورد نظر حاصل میشود‪:‬‬

‫𝐴‬ ‫‪0‬‬ ‫‪𝐵1‬‬ ‫‪0‬‬

‫‪𝐴=[ 1‬‬ ‫]‬ ‫[=𝐵 ‪,‬‬ ‫]‬ ‫‪,‬‬ ‫‪𝐶 = [𝐶1‬‬ ‫] ‪𝐶2‬‬
‫‪0‬‬ ‫‪𝐴2‬‬ ‫‪0‬‬ ‫‪𝐵2‬‬

‫پس‪:‬‬

‫‪18‬‬
 ‫‪−1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪2 2‬‬
‫‪𝐴=[ 0‬‬ ‫‪0‬‬ ‫]‪1‬‬ ‫‪, 𝐵 = [0‬‬ ‫]‪0‬‬ ‫‪,‬‬ ‫[=𝐶‬ ‫]‬
‫‪1‬‬ ‫‪3 1‬‬
‫‪0‬‬ ‫‪−3 −4‬‬ ‫‪0‬‬ ‫‪1‬‬

‫‪ ‬تعدادی از کدهای مرتبط در متلب‪:‬‬

‫)𝑏 ‪1) 𝑠𝑦𝑠 = 𝑡𝑓(𝑎,‬‬
‫که 𝑎 و 𝑏 صورت و مخرج تابع تبدیل هستند‪.‬‬
‫)𝐷 ‪2) 𝑠𝑦𝑠 = 𝑠𝑠(𝐴, 𝐵, 𝐶,‬‬
‫برای ایجاد یک تحقق از تابع تبدیل‪:‬‬
‫) ‪3) 𝑡𝑓2𝑠𝑠(.‬‬
‫برای محاسبه تابع تبدیل از روی فضای حالت‪:‬‬
‫) ‪4) 𝑠𝑠2𝑡𝑓(.‬‬
‫‪ ‬تحقق موازی یک سیستم تکورودی‪-‬تک خروجی‬

‫‪ ‬اگر بتوان تابع تبدیل را به صورت کسرهای جزئی بسط داده شده مانند‬
‫𝑔‬
‫𝑖𝜆‪𝐺(𝑠) = ∑𝑛𝑖=1 𝑠−‬‬
‫𝑖‬

‫نوشت‪ ،‬در این صورت یک تحقق برای تابع تبدیل‪ ،‬به صورت زیر است‪:‬‬
‫‪𝜆1‬‬ ‫‪0 0‬‬ ‫‪𝑏1‬‬
‫‪𝑥̇ = [ 0‬‬ ‫𝑢 ]…[ ‪… 0 ] 𝑥 +‬‬
‫‪0‬‬ ‫𝑛𝜆 ‪0‬‬ ‫𝑛𝑏‬
‫‪𝑦 = [𝑐1‬‬ ‫…‬ ‫𝑥] 𝑛𝑐‬

‫که در آن 𝑖𝑏ها و 𝑖𝑐ها میتوانند هر عددی باشند به شرط آنکه‪:‬‬

‫𝑖𝑔 = 𝑖𝑐 𝑖𝑏‬

‫با توجه به موضوع فوق‪ ،‬نحوه استخراج تابع تبدیل از یک فضای حالت قطری نیز به سادگی قابل برداشت است‪.‬‬

‫‪19‬‬
 ‫فصل پنجم‪ :‬تحلیل پایداری‬

‫‪ ‬همانطور که میدانید مهمترین مشخصه یک سیستم کنترلی‪ ،‬پایداری آن است‪.‬‬

‫‪ ‬قبالً بر مبنای تابع تبدیل به این نتیجه رسیده بودید که اگر قطبهای سیستم سمت چپ محور موهومی‬

‫باشند‪ ،‬سیستم (خطی تغییرناپذیر با زمان) پایدار است‪.‬‬

‫‪ ‬بسط تحلیل پایداری در مورد سیستمهای غیرخطی و تغییرپذیر با زمان و همینطور ارائه روشهایی که‬

‫پایداری را بدون تعیین مقادیر ویژه مشخص میکنند‪ ،‬اهمیت ویژهای دارد‪.‬‬

‫‪ ‬یکی از کلیترین روشهای تحلیل پایداری‪ ،‬منسوب به آقای لیاپانوف است‪.‬‬

‫‪ ‬ایشان دو روش برای تحلیل پایداری سیستمهای غیرخطی ارائه میکنند‪ .‬یکی مبتنی بر خطیسازی حول‬

‫نقطه تعادل و دیگری یک روش عام تحلیل پایداری‪ .‬روش دوم یا روش مستقیم لیاپانوف کاربرد گستردهای‬

‫در تحلیل و به خصوص طراحی کنترلکننده طی دهههای گذشته پیدا کرده است‪.‬‬

‫‪ ‬معادله حالت زیر را در نظر بگیرید‪:‬‬

‫)𝑡 ‪𝑥̇ = 𝑓(𝑥, 𝑢,‬‬

‫که متناظر با یک سیستم غیرخطی تغییرپذیر با زمان است‪.‬‬

‫‪ ‬تعریف‪ .‬نقطه تعادل 𝑒𝑥 نقطهای است که اگر 𝑒𝑥 = ) ‪ 𝑥(𝑡0‬و ‪ 𝑢 = 0‬آنگاه )𝑡(𝑥 برای تمام ‪ 𝑡 ≥ 𝑡0‬همان 𝑒𝑥‬

‫خواهد بود‪.‬‬

‫‪ ‬برای محاسبه نقاط تعادل سیستم فوق کافی است قرار دهیم‪:‬‬

‫‪𝑓(𝑥, 𝑢 = 0, 𝑡) = 0‬‬

‫در حقیقت‪ ،‬نقاط تعادل صفرهای 𝑓 هستند (وقتی ورودی صفر است)‪.‬‬

‫مثال‪ .‬نقاط تعادل سیستم غیر خطی 𝑢 ‪ 𝑥̇ = −𝑠𝑖 𝑛(𝑥) +‬عبارت است از 𝜋𝑛‪ 𝑥𝑒 = ±‬و … ‪𝑛 = 0,1,2,‬‬

‫‪20‬‬
‫واضح است که در یک سیستم خطی‪ ،‬نقاط تعادل از معادله ‪ 𝐴𝑥 = 0‬به دست میآیند‪ .‬بنابراین‪ ،‬مبدأ همواره یک نقطه‬

‫تعادل برای سیستمهای خطی است‪.‬‬

‫‪ ‬میتوان نتیجه گرفت که اگر یک سیستم خطی بیش از یک نقطه تعادل داشته باشد‪ ،‬بینهایت نقطه تعادل خواهد‬

‫داشت‪.‬‬

‫‪ ‬تعریف پایداری به مفهوم لیاپانوف (‪ )In the sense of Lyapunov‬نقطه تعادل 𝑒𝑥 پایدار به مفهوم‬

‫لیاپانوف است اگر برای هر ‪ ،ε > 0‬یک ‪ δ > 0‬وجود داشته باشد که اگر ‪ ‖𝑥(𝑡0 ) − 𝑥𝑒 ‖ < δ‬برای همه زمان‪-‬‬

‫های ‪ 𝑡 ≥ 𝑡0‬داشته باشیم ‪‖𝑥(𝑡) − 𝑥𝑒 ‖ < ε‬‬

‫‪ ‬وقتی سیستمی به مفهوم لیاپانوف پایدار است‪ ،‬این اطیمنان وجود دارد که با انتخاب شرایط اولیه سیستم به اندازه‬

‫کافی نزدیک به نقطه تعادل میتوان مانع از دور شدن حالتها بیش از حد مشخصی از نقطه تعادل شد‪.‬‬

‫‪ ‬این نوع پایداری صورت ضعیفی از پایداری است و عالقمندی ما عالوه بر نزدیک ماندن حالت سیستم به نقطه‬

‫تعادل آن است که در انتها سیستم به حالت تعادل خود بازگردد‪ .‬این عالقمندی به تعریف صورت قویتری از‬

‫پایداری منجر میشود‪.‬‬

‫‪ ‬تعریف پایداری مجانبی (‪ .)Asymptotic Stability‬نقطه تعادل 𝑒𝑥 پایدار مجانبی است اگر‬

‫اوالً‪ :‬پایدار به مفهوم لیاپانوف باشد‪.‬‬

‫ثانیاً‪ :‬وجود داشته باشد یک ‪ ρ > 0‬که اگر ‪ ‖𝑥(𝑡0 ) − 𝑥𝑒 ‖ < ρ‬داشته باشیم ‪𝑙𝑖𝑚𝑡⟶∞ ‖𝑥(𝑡) − 𝑥𝑒 ‖ = 0‬‬

‫‪ ‬فرض کنید 𝑚‪ ρ‬بزرگترین مقدار ممکن برای ‪ ρ‬است که شرط باال را برآورده میکند‪ .‬در این صورت به ناحیه‬

‫‪ ‖𝑥 − 𝑥𝑒 ‖ < ρ‬حوزه جذب سیستم میگویند‪ .‬ویژگی این ناحیه آن است که اگر حالت اولیه سیستم در‬

‫این ناحیه باشد‪ ،‬حالت نهایی آن همان نقطه تعادل خواهد بود‪.‬‬

‫‪ ‬عالقمندی ما این است که حوزه جذب سیستم‪ ،‬تمامی فضای حالت باشد‪ .‬این عالقمندی به تعریف صورت‬

‫قویتری از پایداری منجر میشود‪.‬‬

‫‪21‬‬
 ‫‪ ‬تعریف پایداری مجانبی جامع (‪.)Global Asymptotic Stability‬‬

‫نقطه تعادل 𝑒𝑥 پایدار مجانبی جامع است‬

‫اوالً‪ :‬پایدار به مفهوم لیاپانوف باشد‪.‬‬

‫ثانیاً‪ :‬برای هر ) ‪ 𝑥(𝑡0‬داشته باشیم ‪𝑙𝑖𝑚𝑡⟶∞ ‖𝑥(𝑡) − 𝑥𝑒 ‖ = 0‬‬

‫‪ ‬از تعریف فوق نتیجه میشود که یک شرط الزم برای پایداری مجانبی جامع یک سیستم آن است که فقط یک‬

‫نقطه تعادل داشته باشد‪.‬‬

‫‪ ‬پایداریهای سه نوع فوق‪ ،‬در حقیقت پایداریهای ورودی صفر یا پایداری از منظر شرایط اولیه میباشند‪.‬‬

‫‪ ‬تعریف ناپایداری نقطه تعادل‪ :‬نقطه تعادل سیستم را ناپایدار گویند‪ ،‬اگر پایدار به مفهوم لیاپانوف نباشد‪.‬‬

‫‪ ‬تعاریف ارائه شده از پایداری به پایداری داخلی نیز معروفند‪ ،‬زیرا مبین محدود بودن متغیرهای حالت سیستم‬

‫میباشند‪.‬‬

‫‪ ‬تعریف پایداری ‪( BIBO‬ورودی محدود‪-‬خروجی محدود)‪ :‬سیستم بدون شرایط اولیه را پایدار ‪ BIBO‬گویند‬

‫اگر و فقط اگر به ازای هر ورودی محدود‪ ،‬خروجی محدود داشته باشد‪.‬‬

‫‪ ‬پایداری نوع فوق‪ ،‬در حقیقت پایداری حالت صفر یا پایداری از منظر ورودی میباشد‪.‬‬

‫‪ ‬تعریف پایدار ‪ :T‬یک سیستم دینامیکی خطی را پایدار ‪ T‬گویند‪ ،‬اگر و فقط اگر برای هر شرط اولیه حالت و هر‬

‫ورودی کراندار‪ ،‬خروجی و کلیه متغیرهای حالت سیستم محدود باشند‪.‬‬

‫‪ ‬دقت نمایید که در مورد سیستمهای غیرخطی به جهت پدیدههای پیچیدهای که ممکن است رخ دهد‪ ،‬وقتی‬

‫صحبت از پایداری است‪ ،‬در مورد پایداری نقاط تعادل مختلف صحبت میشود‪ ،‬ولی در مورد سیستمهای‬

‫خطی به راحتی میتوان از پایداری سیستم استفاده کرد‪.‬‬

‫‪22‬‬
 ‫‪ ‬پایداری سیستمهای خطی تغییرناپذیر با زمان‬

‫‪ ‬به خاطر دارید که پاسخ ورودی صفر یک سیستم خطی تغییرناپذیر با زمان قطریپذیر عبارت بود از‪:‬‬

‫)‪𝑥(𝑡) = 𝑣1 𝑒 𝜆1 𝑡 𝑤1 𝑇 𝑥(0) + 𝑣2 𝑒 𝜆2 𝑡 𝑤2 𝑇 𝑥(0) + ⋯ 𝑣𝑛 𝑒 𝜆2 𝑡 𝑤𝑛 𝑇 𝑥(0‬‬

‫در صورتی که سیستم قطریپذیر نباشد‪ ،‬عبارتهایی به صورت 𝑡𝑖𝜆 𝑒 𝑘 𝑡 در پاسخ ظاهر میشود‪.‬‬

‫قضیه‪ .‬سیستم ‪ LTI‬پایدار به مفهوم لیاپانوف است اگر و تنها اگر‬

‫الف‪ -‬تمامی مقادیر ویژه سیستم قسمتهای حقیقی غیرمثبت داشته باشند و‬

‫ب‪ -‬مرتبه بلوک های جردن متناظر با مقادیر ویژه ای که قسمت حقیقی آنها صفر است‪ ،‬یک باشد‪.‬‬

‫‪ ‬قضیه‪ .‬سیستم ‪ LTI‬پایدار مجانبی است اگر و تنها اگر‬

‫تمامی مقادیر ویژه سیستم‪ ،‬قسمتهای حقیقی منفی داشته باشند‪.‬‬

‫‪ ‬قضیه‪ .‬سیستم ‪ LTI‬پایدار مجانبی جامع است اگر و تنها اگر پایدار مجانبی باشد‪.‬‬

‫‪ ‬میدانید که‪:‬‬
‫)𝑠(𝑌‬ ‫‪1‬‬
‫= 𝐷 ‪= 𝐺(𝑠) = 𝐶(𝑠𝐼 − 𝐴)−1 𝐵 +‬‬ ‫𝐵})𝐴 ‪𝐶{𝐴𝑑𝑗(𝑠𝐼 −‬‬
‫)𝑠(𝑈‬ ‫)𝐴 ‪𝑑𝑒𝑡(𝑠𝐼 −‬‬

‫با توجه به رابطه فوق‪ ،‬قطبهای یک سیستم‪ ،‬زیر مجموعهای از مقادیر ویژه آن هستند‪ .‬از آنجا که شرط پایداری (مجانبی)‬

‫‪ BIBO‬سیستم فوق آن است که تمام قطبهای آن قسمتهای حقیقی منفی داشته باشند‪ ،‬میتوان نتیجه گرفت که در‬

‫مورد سیستمهای ‪ LTI‬پایداری مجانبی ورودی صفر‪ ،‬پایداری ‪ BIBO‬را نیز نتیجه میدهد‪.‬‬

‫‪23‬‬
 ‫مثال‪ .‬سیستم داده شده با معادالت زیر را در نظر بگیرید‪:‬‬
‫‪−1 0‬‬ ‫‪0‬‬ ‫‪−1‬‬
‫‪𝑥̇ = [ 0 −2‬‬ ‫𝑢 ] ‪0] 𝑥 + [ 0‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪−2‬‬

‫‪𝑦 = [1 1‬‬ ‫𝑥]‪0‬‬

‫در مورد‪ ،‬پایداری ‪ ،BIBO‬پایداری از منظر شرایط اولیه‪ ،‬کنترلپذیری‪ ،‬رؤیتپذیری‪ ،‬پایدارپذیری و آشکارپذیری سیستم فوق‬

‫بحث کنید‪.‬‬

‫‪ ‬روش اول لیاپانوف‬

‫‪ ‬در این روش‪ ،‬پایداری نقطه تعادل یک سیستم غیرخطی از طریق خطیسازی سیستم‪ ،‬حول نقطه تعادل مورد‬

‫نظر بررسی میشود‪.‬‬

‫‪ ‬قضیه‪ .‬سیستم غیرخطی زیر را در نظر بگیرید‪:‬‬

‫)‪𝑥̇ = 𝑓(𝑥, 0‬‬

‫فرض نمایید‪ ،‬خطیشده این سیستم حول نقطه تعادل 𝑒𝑥 به صورت زیر باشد‪:‬‬

‫𝑥𝛿𝐴 = ̇𝑥‪δ‬‬

‫در این صورت اگر تمامی مقادیر ویژه 𝐴 قسمت حقیقی منفی داشته باشند (پایدار مجانبی باشد)‪ ،‬نقطه تعادل 𝑒𝑥 مربوط به‬

‫سیستم غیرخطی پایدار مجانبی خواهد بود‪.‬‬

‫‪ o‬تذکر ‪ :1‬اگر بعضی از مقادیر ویژه 𝐴 روی محور موهومی باشند در حالیکه بقیه مقادیر ویژه‪ ،‬قسمت حقیقی منفی‬

‫داشته باشند‪ ،‬نمیتوان هیچ نتیجهای در مورد پایداری نقطه تعادل 𝑒𝑥 مربوط به سیستم غیرخطی گرفت‪.‬‬

‫‪ o‬تذکر ‪ :2‬اگر 𝐴 تنها یک مقدار ویژه سمت راست محور موهومی داشته باشد‪ ،‬نقطه تعادل 𝑒𝑥 مربوط به سیستم‬

‫غیرخطی ناپایدار خواهد بود‪.‬‬

‫‪24‬‬
‫‪ ‬مثال‪ .‬به ازای مقادیر مختلف 𝜶 در مورد پایداری نقطه تعادل مبدأ برای سیستم غیرخطی زیر با استفاده از روش‬

‫اول لیاپانوف اظهارنظر نمایید‪.‬‬

‫) ‪𝑥̇ 1 = −𝑠𝑖𝑛(𝑥1 ) + 𝑥2 cos(𝑥1‬‬

‫‪𝑥̇ 2 = 𝑒 𝑥2 𝑥1 − 𝜶𝑥2 − 𝑥1‬‬

‫حل‪ .‬معادالت خطی شده حول نقطه تعادل مبدأ‪ ،‬عبارتند از‪:‬‬

‫‪𝛿𝑥̇ 1 = {−𝑐𝑜𝑠(𝑥1 ) − 𝑥2 𝑠𝑖𝑛(𝑥1 )} | 𝛿𝑥1 + cos(𝑥1 ) | 𝛿𝑥2 = − 𝛿𝑥1 + 𝛿𝑥2‬‬

‫𝑒𝑥‬ ‫𝑒𝑥‬

‫| )‪𝛿𝑥̇ 2 = (𝑒 𝑥2 − 1‬‬ ‫| )𝛼 ‪𝛿𝑥1 + (𝑒 𝑥2 𝑥1 −‬‬ ‫‪𝛿𝑥2 = −𝛼 𝛿𝑥2‬‬

‫𝑒𝑥‬ ‫𝑒𝑥‬

‫‪−1 1‬‬
‫[ = 𝑥𝛿𝐴 = ̇𝑥𝛿‬ ‫𝑥𝛿 ]‬
‫𝛼‪0 −‬‬

‫بنابراین به ازای ‪ 𝛼 > 0‬نقطه تعادل‪ ،‬پایدار مجانبی بوده‪ ،‬به ازای ‪ 𝛼 = 0‬نمیتوان نظری داد و به ازای ‪ 𝛼 < 0‬نقطه‬

‫تعادل‪ ،‬ناپایدار است‪.‬‬

‫‪25‬‬
 ‫ادامه فصل پنجم‬

‫‪ ‬روش دوم لیاپانوف‬

‫‪ ‬در این روش‪ ،‬خطیسازی معادالت غیرخطی صورت نمیگیرد و حتی تعیین مقادیر ویژه برای سیستمهای خطی‬

‫نیز نیازی نیست‪.‬‬

‫‪ ‬این روش برای سیستمهای غیرخطی تغییرپذیر با زمان نیز قابل اعمال است‪.‬‬

‫‪ ‬مقدمات ریاضی‬

‫‪ ‬یک رده از توابع اسکالر که نقش مهمی در تحلیل پایداری بر اساس روش دوم لیاپانوف دارند‪ ،‬صورتهای درجه‬

‫دوم هستند که به صورت زیر نمایش داده میشوند‪:‬‬

‫𝑛‬ ‫𝑛‬

‫𝑗𝑥 𝑖𝑥 𝑗𝑖𝑎 ∑ ∑ = )𝑋(𝑉‬

‫‪𝑖=1 𝑗=1‬‬
‫که در آن 𝑗𝑖𝑎 ها حقیقی هستند‪.‬‬

‫‪ ‬صورت درجه دوم را میتوان به صورت زیر نوشت‪:‬‬

‫𝑋𝐴 𝑇 𝑋 = )𝑋(𝑉‬
‫که در آن‪:‬‬
‫‪𝑋 𝑇 = [𝑥1‬‬ ‫‪𝑥2‬‬ ‫] 𝑛𝑥 …‬

‫‪𝑎11‬‬ ‫‪𝑎12‬‬ ‫…‬ ‫𝑛‪𝑎1‬‬

‫‪𝑎21‬‬ ‫‪𝑎22‬‬ ‫…‬ ‫𝑛‪𝑎2‬‬
‫…[=𝐴‬ ‫…‬ ‫…‬ ‫]…‬
‫‪𝑎𝑛1‬‬ ‫‪𝑎𝑛2‬‬ ‫…‬ ‫𝑛𝑛𝑎‬

‫همواره میتوان‪ ،‬چند جملهای )𝑋(𝑉 را بر حسب ماتریس متقارن 𝑃 به صورت 𝑋𝑃 𝑇 𝑋 بیان کرد‪.‬‬

‫‪ ‬مثال‪ :‬چند جملهای‬

‫‪1 2 2‬‬ ‫‪2‬‬

‫= )𝑋(𝑉‬ ‫‪𝑥1 + 𝑥1 𝑥3 − 𝑥2 2 + 𝑥2 𝑥3 − 𝑥3 2‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬

‫‪1‬‬
 ‫را یکبار به صورت 𝑋𝐴 𝑇 𝑋 که 𝐴 غیرمتقارن و یکبار به صورت 𝑋𝑃 𝑇 𝑋 که 𝑃 متقارن باشد‪ ،‬بیان نمایید‪.‬‬

‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬
‫‪𝑉(𝑋) = 𝑋 𝑇 𝐴𝑋 = 𝑋 𝑇 0‬‬ ‫‪−1‬‬ ‫𝑋 ‪1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪[3‬‬ ‫‪0‬‬ ‫] ‪−‬‬
‫‪3‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪𝑉(𝑋) = 𝑋 𝑇 𝑃𝑋 = 𝑋 𝑇 0 −1‬‬ ‫𝑋‬
‫‪2‬‬
‫‪1 1‬‬ ‫‪2‬‬
‫]‪[3 2 − 3‬‬

‫‪ ‬تعریف مثبت معین‪ :‬تابع اسکالر )𝑋(𝑉 را در محدوده 𝑆 (مثالً محدود 𝑘 < ‖𝑋‖ که شامل مبدأ است) مثبت‬

‫معین (‪ )Positive definite‬یا ‪ PD‬گویند اگر‪:‬‬

‫‪𝑉(𝑋) > 0‬‬ ‫‪𝑋≠0‬‬
‫‪𝑉(𝑋) = 0‬‬ ‫‪𝑋=0‬‬
‫‪ ‬تعریف مثبت نیمهمعین‪ :‬تابع اسکالر )𝑋(𝑉 را در محدوده 𝑆 (مثالً محدوده 𝑘 < ‖𝑋‖ که شامل مبدأ است) مثبت‬

‫نیمه معین (‪ )Positive semidefinite‬یا ‪ PSD‬گویند اگر‪:‬‬

‫‪𝑉(𝑋) ≥ 0‬‬ ‫‪𝑋≠0‬‬
‫‪𝑉(𝑋) = 0‬‬ ‫‪𝑋=0‬‬
‫‪ ‬تعریف منفی معین‪ :‬تابع اسکالر )𝑋(𝑉 را در محدوده 𝑆 (مثالً محدوده 𝑘 < ‖𝑋‖ که شامل مبدأ است) منفی‬

‫معین (‪ )Negative definite‬یا ‪ ND‬گویند اگر‪:‬‬

‫‪𝑉(𝑋) < 0‬‬ ‫‪𝑋≠0‬‬
‫‪𝑉(𝑋) = 0‬‬ ‫‪𝑋=0‬‬
‫‪ ‬تعریف منفی نیمهمعین‪ :‬تابع اسکالر )𝑋(𝑉 را در محدوده 𝑆 (مثالً محدوده 𝑘 < ‖𝑋‖ که شامل مبدأ است) منفی‬

‫نیمه معین (‪ )Negative semidefinite‬یا ‪ NSD‬گویند اگر‪:‬‬

‫‪𝑉(𝑋) ≤ 0‬‬ ‫‪𝑋≠0‬‬
‫‪𝑉(𝑋) = 0‬‬ ‫‪𝑋=0‬‬

‫‪2‬‬
‫‪ ‬تعریف نامعین‪ :‬تابع اسکالر )𝑋(𝑉 را نامعین گویند اگر هر هر دو مقدار مثبت و منفی را در محدوده 𝑆 (مثالً‬

‫محدوده 𝑘 < ‖𝑋‖ که شامل مبدأ است) اختیار کند‪.‬‬

‫‪ ‬ابزارهای تحلیل عالمت صورت درجه دوم )𝑿(𝑽‬

‫‪ -1‬مقادیر ویژه ( 𝑖𝜆)‬

‫اگر )𝑋(𝑉 صورت درجه دوم باشد‪:‬‬

‫‪ ‬مثبت معین (مثبت نیمهمعین) است اگر مقادیر ویژه ماتریس متقارن 𝑃 در نمایش 𝑋𝑃 𝑇 𝑋 = )𝑋(𝑉 مثبت‬

‫(نامنفی) باشند‪.‬‬

‫‪ ‬منفی معین (منفی نیمهمعین) است اگر مقادیر ویژه ماتریس متقارن 𝑃 در نمایش 𝑋𝑃 𝑇 𝑋 = )𝑋(𝑉 منفی‬

‫(نامثبت) باشند‪.‬‬

‫‪ ‬نامعین است اگر تعدای از مقادیر ویژه ماتریس متقارن 𝑃 در نمایش 𝑋𝑃 𝑇 𝑋 = )𝑋(𝑉 مثبت و تعدادی منفی‬

‫باشند‪.‬‬

‫‪ -2‬کهادهای اصلی مقدم ( 𝑖‪)Δ‬‬

‫‪ ‬کهادهای اصلی مقدم ماتریس 𝑃‪ ،‬دترمینان ماتریسهایی هستند که با حذف آخرین 𝑖 ‪ 𝑛 −‬ستون و 𝑖 ‪𝑛 −‬‬

‫سطر ماتریس ‪ P‬برای 𝑛 ‪ 𝑖 = 1,2, … ,‬به دست میآیند‪.‬‬

‫مثال‪ .‬کهادهای اصلی مقدم ماتریس زیر را بیابید‪.‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪𝑃 = 0 −1‬‬
‫‪2‬‬
‫‪1 1‬‬ ‫‪2‬‬
‫]‪[3 2 − 3‬‬
‫حل‪.‬‬

‫‪3‬‬
 ‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪1‬‬ ‫|‬ ‫| ‪1‬‬
‫= ‪Δ1‬‬ ‫| ‪, Δ2 = | 2 0‬‬ ‫‪,‬‬ ‫‪Δ3 = |𝑃| = 0‬‬ ‫‪−1‬‬
‫‪2‬‬ ‫|‬ ‫| ‪2‬‬
‫‪0 −1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪−‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬

‫‪ ‬بنابر قضیه سیلوستر‪ ،‬با فرض آنکه )𝑋(𝑉 صورت درجه دوم باشد‪ ،‬اگر‬

‫الف‪ ... ،Δ2 > 0 ،Δ1 > 0 -‬و ‪ Δ𝑛 > 0‬آنگاه )𝑋(𝑉 مثبت معین است‪.‬‬

‫ب‪ ... ، Δ3 < 0 ،Δ2 > 0 ،Δ1 < 0 -‬و ‪ (−1)𝑛 Δ𝑛 > 0‬آنگاه )𝑋(𝑉 منفی معین است‪.‬‬

‫ج‪ 𝑃 -‬ویژه بوده و ‪ Δ𝑖 ≥ 0‬آنگاه )𝑋(𝑉 مثبت نیمهمعین است‪( .‬حداقل یک ‪ Δ𝑖 ≠ 0‬داشته باشیم)‬

‫د‪ 𝑃 -‬ویژه بوده و ‪ (−1)𝑖 Δ𝑖 ≥ 0‬آنگاه )𝑋(𝑉 منفی نیمهمعین است‪( .‬حداقل یک ‪ Δ𝑖 ≠ 0‬داشته باشیم)‬

‫ه‪ -‬برای هر 𝑖 داشته باشیم ‪ Δ𝑖 = 0‬آنگاه ‪ 𝑉(𝑋) ≠ 0‬ممکن است مثبت نیمهمعین یا منفی نیمهمعین باشد‪.‬‬

‫و‪ .‬در حالتی غیر از حالتهای فوق‪ 𝑉(𝑋) ،‬نامعین است‪.‬‬

‫‪ ‬مثال‪ .‬عالمت چندجملهایهای زیر را تعیین نمایید‪.‬‬

‫‪𝑉1 (𝑋) = −𝑥1 2 − 3𝑥2 2 − 11𝑥3 2 + 2𝑥1 𝑥2 − 4𝑥2 𝑥3 − 2𝑥1 𝑥3‬‬
‫‪𝑉2 (𝑋) = 𝑥2 2‬‬
‫‪𝑉3 (𝑋) = 𝑥1 𝑥2‬‬

‫حل‪ .‬در مورد )𝑋( ‪:𝑉1‬‬

‫‪−1 1‬‬ ‫‪−1‬‬
‫] ‪𝑃1 = [ 1 −3 −2‬‬
‫‪−1 −2 −11‬‬
‫کهادهای اصلی مقدم عبارتند از‪:‬‬
‫‪−1 1‬‬ ‫‪−1‬‬
‫‪−1 1‬‬
‫| = ‪Δ1 = −1 < 0 , Δ2‬‬ ‫‪|>0‬‬ ‫‪,‬‬ ‫‪Δ3 = |𝑃| = | 1 −3 −2 | < 0‬‬
‫‪1 −3‬‬
‫‪−1 −2 −11‬‬

‫‪4‬‬
 ‫حالت (ب) و لذا )𝑋( ‪ 𝑉1‬منفی معین است‪.‬‬

‫در مورد )𝑋( ‪:𝑉2‬‬

‫‪0‬‬ ‫‪0‬‬
‫[ = ‪𝑃2‬‬ ‫]‬
‫‪0‬‬ ‫‪1‬‬

‫کهادهای اصلی مقدم عبارتند از‪:‬‬

‫‪0 0‬‬
‫| = ‪Δ1 = 0 , Δ2‬‬ ‫‪|=0‬‬
‫‪0 1‬‬

‫حالت (ه) و لذا اظهار نظر قطعی از طریق قضیه سیلوستر امکانپذیر نیست‪ .‬از طریق مقادیر ویژه‪ 𝜆1 = 0 ،‬و ‪ 𝜆2 = 1‬و لذا‪،‬‬

‫)𝑋( ‪ 𝑉2‬مثبت نیمهمعین است‪.‬‬

‫و در مورد )𝑋( ‪:𝑉3‬‬

‫‪0 0.5‬‬
‫[ = ‪𝑃3‬‬ ‫]‬
‫‪0.5 0‬‬
‫کهادهای اصلی مقدم عبارتند از‪:‬‬
‫‪0 0.5‬‬
‫| = ‪Δ1 = 0 , Δ2‬‬ ‫‪| = −0.25‬‬
‫‪0.5 1‬‬

‫حالت (و) و لذا )𝑋( ‪ 𝑉3‬نامعین است‪.‬‬

‫‪ ‬معرفی روش دوم یا روش مستقیم لیاپانوف‬

‫‪ ‬آقای لیاپانوف با تکیه بر یک اصل مهم از تئوری مکانیک کالسیک‪ ،‬به این نتیجه رسید که اگر حوالی نقاط تعادل‬

‫سیستم‪ ،‬انرژی دخیره سیستم به طور پیوسته کاهشی باشد‪ ،‬نقطه تعادل پایدار مجانبی است‪.‬‬

‫‪ ‬در حقیقت اگر انرژی ذخیره سیستم در حوالی نقطه تعادل آن به مرور زمان کاهش یافته تا اینکه سرانجام به‬

‫حداقل مقدار آن (صفر) در حالت تعادل برسد‪ ،‬آن نقطه تعادل پایدار مجانبی است‪.‬‬

‫‪ ‬مشکل اصلی اینجا بود که تعریف تابع انرژی برای سیستمهای فیزیکی همیشه کار سادهای نیست‪ .‬لیاپانوف نشان‬

‫داد که هر تابعی مشابه تابع انرژی نیز میتواند جایگزین تابع انرژی انتخاب شود‪ .‬به بیان دیگر‪ ،‬اگر تابع انرژی یا‬

‫‪5‬‬
‫شبه انرژی سیستم در حوالی نقطه تعادل آن به طور پیوسته کاهشی باشد‪ ،‬آن نقطه تعادل پایدار مجانبی است‪ .‬به‬

‫چنین تابعی‪ ،‬تابع لیاپانوف میگویند و با )𝑋(𝑉 نشان میدهند‪.‬‬

‫‪ ‬تابع شبه انرژی‪ ،‬تابع اسکالری است که مقدار آن در نقطه تعادل صفر بوده و در بقیه نقاط پیرامون نقطه تعادل‬

‫مثبت باشد‪.‬‬

‫‪ ‬قضیه‪ .‬نقطه تعادل مبدأ پایدار مجانبی است اگر تابع اسکالری مانند )𝑋(𝑉 وجود داشته باشد که در محدودهای‬

‫مانند ‪ S‬اطراف مبدأ‪،‬‬

‫‪ ‬اوالً‪ :‬مثبت معین باشد‪.‬‬

‫‪ ‬ثانیاً‪ :‬مشتق زمانی آن یعنی )𝑋(̇𝑉 منفی معین باشد‪.‬‬

‫‪ ‬مثال‪ .‬پایداری مجانبی مبدأ را برای سیستم زیر بررسی نمایید‪.‬‬

‫‪𝑥̇ 1 = −𝑥1 − 2𝑥2 2‬‬

‫‪𝑥̇ 2 = 𝑥1 𝑥2 − 𝑥2 3‬‬

‫حل‪ .‬تابع کاندید لیاپانوف را به صورت زیر انتخاب میکنیم‪:‬‬

‫‪1 2‬‬
‫= )𝑋(𝑉‬ ‫‪𝑥 + 𝑥2 2‬‬
‫‪2 1‬‬

‫‪𝑉̇ (𝑋) = 𝑥1 𝑥̇ 1 + 2𝑥2 𝑥̇ 2 = 𝑥1 (−𝑥1 − 2𝑥2 2 ) + 2𝑥2 (𝑥1 𝑥2 − 𝑥2 3 ) = −𝑥1 2 − 2𝑥2 4‬‬

‫مشاهده میشود که )𝑋(̇𝑉 منفی معین است و لذا نقطه تعادل مبدأ‪ ،‬پایدار مجانبی است‪.‬‬

‫‪ ‬قضیه‪ .‬نقطه تعادل مبدأ پایدار به مفهوم لیاپانوف است اگر تابع اسکالری مانند )𝑋(𝑉 وجود داشته باشد که در‬

‫محدودهای مانند ‪ S‬اطراف مبدأ‪،‬‬

‫‪ ‬اوالً‪ :‬مثبت معین باشد‪.‬‬

‫‪ ‬ثانیاً‪ :‬مشتق زمانی آن یعنی )𝑋(̇𝑉 منفی نیمهمعین باشد‪.‬‬

‫‪6‬‬
‫‪ ‬قضیه‪ .‬نقطه تعادل مبدأ پایدار مجانبی است اگر تابع اسکالری مانند )𝑋(𝑉 وجود داشته باشد که در محدودهای‬

‫مانند ‪ S‬اطراف مبدأ‪،‬‬

‫‪ ‬اوالً‪ :‬مثبت معین باشد‪.‬‬

‫‪ ‬ثانیاً‪ :‬مشتق زمانی آن یعنی )𝑋(̇𝑉 منفی نیمهمعین باشد‪.‬‬

‫‪ ‬ثالثاً‪ 𝑉̇(𝑋) = 0 :‬با توجه به معادالت حالت سیستم‪ ،‬صرفاً در نقطه تعادل اتفاق بیفتد‪.‬‬

‫‪ ‬مثال‪ .‬پایداری مجانبی مبدأ را برای سیستم زیر بررسی نمایید‪.‬‬

‫‪𝑥̇ 1 = 𝑥2‬‬

‫‪𝑥̇ 2 = −2𝑥1 − 3𝑥2 − 2𝑥1 3‬‬

‫حل‪ .‬تابع کاندید لیاپانوف را به صورت زیر انتخاب میکنیم‪:‬‬

‫‪1‬‬
‫= )𝑋(𝑉‬ ‫) ‪(𝑥1 4 + 2𝑥1 2 + 𝑥2 2‬‬
‫‪2‬‬
‫خواهیم داشت‪:‬‬

‫) ‪𝑉̇ (𝑋) = 2𝑥1 3 𝑥̇ 1 + 2𝑥1 𝑥̇ 1 + 𝑥2 𝑥̇ 2 = 2𝑥1 3 (𝑥2 ) + 2𝑥1 (𝑥2 ) + 𝑥2 (−2𝑥1 − 3𝑥2 − 2𝑥1 3‬‬

‫‪= −3𝑥2 2‬‬

‫مشاهده میشود که )𝑋(̇𝑉 منفینیمهمعین است و لذا طبق قضیه‪ ،‬نقطه تعادل مبدأ‪ ،‬پایدار به مفهوم لیاپانوف است‪.‬‬

‫از طرفی‪:‬‬

‫‪𝑉̇ (𝑋) = 0 ⟹ 𝑥2 = 0‬‬

‫با جایگذاری در معادالت حالت‪ ،‬خواهیم داشت‪:‬‬

‫‪𝑥̇ 1 = 0‬‬
‫{‬
‫‪0 = −2𝑥1 − 2𝑥1 3‬‬

‫‪7‬‬
‫که نیتجه میدهد ‪ .𝑥1 = 0‬مشاهده میشود که ‪ 𝑉̇(𝑋) = 0‬با توجه به معادالت حالت سیستم‪ ،‬صرفاً در نقطه تعادل اتفاق‬

‫میافتد و لذا نقطه تعادل مبدأ‪ ،‬نوع قویتر پایداری‪ ،‬یعنی پایداری مجانبی را نیز دارد‪.‬‬

‫‪ ‬قضیه‪ .‬یک سیستم پایدار مجانبی جامع است اگر و فقط یک نقطه تعادل داشته و تابع اسکالری مانند )𝑋(𝑉‬

‫وجود داشته باشد که در تمامی فضا‬

‫‪ ‬اوالً‪ :‬مثبت معین باشد‪.‬‬

‫‪ ‬ثانیاً‪ :‬مشتق زمانی آن یعنی )𝑋( ̇𝑉 منفی معین باشد‪( .‬یا مشتق زمانی آن منفی نیمهمعین باشد و ‪𝑉̇ (𝑋) = 0‬‬

‫با توجه به معادالت حالت سیستم‪ ،‬صرفاً در نقطه تعادل اتفاق بیفتد‪).‬‬

‫‪ ‬ثالثاً‪ :‬وقتی ∞ ⟶ ‖𝑥‖ داشته باشیم ∞ ⟶ )𝑋(𝑉‬

‫‪ ‬مثال‪ .‬در مورد پایداری نقطه تعادل مبدأ‪ ،‬برای سیستم غیرخطی زیر بحث کنید‪.‬‬

‫) ‪𝑥̇ 1 = −𝑥1 + 𝑥2 + 𝑥1 (𝑥1 2 + 𝑥2 2‬‬

‫) ‪𝑥̇ 2 = −𝑥1 − 𝑥2 + 𝑥2 (𝑥1 2 + 𝑥2 2‬‬

‫حل‪ .‬تابع کاندید لیاپانوف را به صورت زیر انتخاب میکنیم‪:‬‬

‫‪𝑉(𝑋) = 𝑥1 2 + 𝑥2 2‬‬

‫خواهیم داشت‪:‬‬

‫‪𝑉̇ (𝑋) = 2𝑥1 𝑥̇ 1 + 2𝑥2 𝑥̇ 2‬‬

‫}) ‪= 2𝑥1 {−𝑥1 + 𝑥2 + 𝑥1 (𝑥1 2 + 𝑥2 2 )} + 2𝑥2 {−𝑥1 − 𝑥2 + 𝑥2 (𝑥1 2 + 𝑥2 2‬‬

‫‪= −2𝑥1 2 − 2𝑥2 2 + 2(𝑥1 2 + 𝑥2 2 )2‬‬

‫مالحظه میشود که اگر‬

‫‪2(𝑥1 2 + 𝑥2 2 )2 < 2(𝑥1 2 + 𝑥2 2 ) ⟹ (𝑥1 2 + 𝑥2 2 ) < 1‬‬

‫‪8‬‬
 ‫مشتق تایع لیاپانوف منفی معین خواهد بود‪.‬‬

‫بنابراین‪ ،‬نقطه تعادل مبدأ‪ ،‬پایدار مجانبی بوده و ناحیه داخل دایره واحد‪ ،‬بخشی از حوزه جذب این سیستم است‪.‬‬

‫‪ ‬قضیه‪ .‬نقطه تعادل مبدأ یک سیستم (بدون ورودی) ناپایدار است‪ ،‬اگر تابع اسکالری مانند )𝑋(𝑉 وجود داشته‬

‫باشد که در محدودهای مانند ‪ S‬اطراف مبدأ‪،‬‬

‫‪ ‬اوالً‪ :‬مثبت نیمهمعین باشد‪.‬‬

‫‪ ‬ثانیاً‪ :‬مشتق زمانی آن یعنی )𝑋(̇𝑉 مثبت معین باشد‪.‬‬

‫‪ ‬مثال‪ .‬در مورد پایداری نقطه تعادل مبدأ‪ ،‬برای سیستم غیرخطی زیر بحث کنید‪.‬‬

‫) ‪𝑥̇ 1 = 2𝑥2 + 𝑥1 (𝑥1 2 + 2𝑥2 4‬‬

‫) ‪𝑥̇ 2 = −2𝑥1 + 𝑥2 (𝑥1 2 + 𝑥2 4‬‬

‫حل‪ .‬تابع کاندید لیاپانوف را به صورت زیر انتخاب میکنیم‪:‬‬
‫‪1‬‬
‫= )𝑋(𝑉‬ ‫) ‪(𝑥 2 + 𝑥2 2‬‬
‫‪2 1‬‬
‫خواهیم داشت‪:‬‬

‫) ‪𝑉̇ (𝑋) = 𝑥1 𝑥̇ 1 + 𝑥2 𝑥̇ 2 = 𝑥1 2 (𝑥1 2 + 2𝑥2 4 ) + 𝑥2 2 (𝑥1 2 + 𝑥2 4‬‬

‫و لذا‪ ،‬این نقطه تعادل‪ ،‬ناپایدار است‪.‬‬

‫‪ ‬نکته مهم‪ :‬پیدا کردن یک تابع لیاپانوف که در شرایط پایداری صدق کند بدان معنی است که سیستم پایدار است‪،‬‬

‫اما عدم توانایی در پیدا کردن تابع مورد نظر به معنای عدم وجود آن یا به معنای ناپایداری سیستم نیست‪ .‬به بیان‬

‫دیگر‪ ،‬روش دوم لیاپانوف یک شرط کافی و نه الزم برای پایداری ارئه میدهد‪.‬‬

‫‪ ‬تحلیل پایداری سیستمهای خطی تغییرناپذیر با زمان با روش دوم لیاپانوف‬

‫‪ ‬در اینجا برای سیستم خطی زیر‪ ،‬روش دوم تحلیل پایداری‪ ،‬به صورت پارامتری ارائه میشود‪.‬‬
‫𝑥𝐴 = ̇𝑥‬

‫‪9‬‬
 ‫‪ ‬تابع لیاپانوف کاندید را به صورت زیر انتخاب میکنیم‪:‬‬
‫𝑥𝑃 𝑇 𝑥 = )𝑥(𝑉‬
‫که در آن 𝑃 یک ماتریس متقارن مثبت معین باشد‪.‬‬

‫با مشتقگیری زمانی از 𝑉 خواهیم داشت‪:‬‬

‫𝑥)𝐴𝑃 ‪𝑉̇ (𝑥) = 𝑥̇ 𝑇 𝑃𝑥 + 𝑥 𝑇 𝑃𝑥̇ = 𝑥 𝑇 𝐴𝑇 𝑃𝑥 + 𝑥 𝑇 𝑃𝐴𝑥 = 𝑥 𝑇 (𝐴𝑇 𝑃 +‬‬

‫با نامگذاری‬
‫𝑄‪𝐴𝑇 𝑃 + 𝑃𝐴 = −‬‬
‫طبق تئوری لیاپانوف میتوان گفت‪:‬‬

‫الف‪ -‬اگر 𝑄 مثبت معین باشد‪ ،‬سیستم پایدار مجانبی است‪.‬‬

‫ب‪ -‬اگر 𝑄 مثبت نیمهمعین باشد‪ ،‬نقطه تعادل مبدأ پایدار به مفهوم لیاپانوف است‪.‬‬

‫ج‪ -‬اگر 𝑄 مثبت نیمهمعین بوده و ‪ 𝑉̇(𝑋) = 0‬با توجه به معادالت حالت سیستم‪ ،‬صرفاً در نقطه تعادل مبدأ اتفاق بیفتد‪،‬‬

‫سیستم پایدار مجانبی است‪.‬‬

‫‪ ‬جالب است بدانید که اگر روش دوم لیاپانوف را در مورد سیستمهای خطی تغییرناپذیر با زمان به صورت بر عکس‬

‫انجام دهیم‪ ،‬به کمک یک قضیه‪ ،‬میتوان شرط الزم و کافی برای پایداری مجانبی به دست آورد‪.‬‬

‫‪ o‬مراحل ارائه تحلیل قطعی در مورد پایداری مجانبی یک سیستم ‪ LTI‬با استفاده از تلفیق روش دوم لیاپانوف و یک‬

‫قضیه‬

‫گام اول‪ :‬انتخاب ماتریس متقارن دلخواه مثبت معین 𝑄‬

‫گام دوم‪ :‬حل معادله 𝑄‪ 𝐴𝑇 𝑃 + 𝑃𝐴 = −‬برای 𝑃‪( .‬این معادله‪ ،‬معروف به معادله لیاپانوف است)‬

‫گام سوم‪ :‬تعیین عالمت 𝑃‬

‫قضیه‪ .‬شرط الزم و کافی برای پایداری مجانبی سیستم آن است که پاسخ معادله لیاپانوف (𝑃) یکتا و مثبت معین باشد‪.‬‬

‫‪10‬‬
 ‫گام چهارم‪ :‬نتیجهگیری در مورد پایداری مجانبی با استناد به قضیه فوق‬

‫‪ ‬مثال‪ .‬در مورد پایداری سیستم خطی زیر با استفاده از روش دوم لیاپانوف اظهار نظر کنید‪.‬‬
‫‪−1 4‬‬
‫[ = ̇𝑥‬ ‫𝑥]‬
‫‪0 −2‬‬

‫حل‪ .‬ابتدا از روش معمول لیاپانوف استفاده میکنیم‪:‬‬

‫‪1‬‬
‫= )𝑋(𝑉‬ ‫) ‪(𝑥 2 + 𝑥2 2‬‬
‫‪2 1‬‬
‫خواهیم داشت‪:‬‬

‫‪𝑉̇ (𝑋) = 𝑥1 𝑥̇ 1 + 𝑥2 𝑥̇ 2 = 𝑥1 (−𝑥1 + 4𝑥2 ) + 𝑥2 (−2𝑥2 ) = −𝑥1 2 − 2𝑥2 2 + 4𝑥1 𝑥2‬‬

‫برای تعیین عالمت )𝑋(̇𝑉 کافی است عالمت کهادهای اصلی مقدم ماتریس زیر را بررسی نماییم‪.‬‬
‫‪−1 2‬‬
‫[=𝑀‬ ‫]‬
‫‪2 −2‬‬
‫داریم‪:‬‬
‫‪∆1 = −1 < 0 , ∆2 = −2 < 0‬‬
‫پس )𝑋(̇𝑉 نامعین بوده و لذا نمیتوان در مورد پایداری اظهار نظر کرد‪.‬‬

‫حال از روش لیاپانوف با تلفیق قضیه استفاده میکنیم‪:‬‬

‫گام اول‪ :‬انتخاب ماتریس متقارن دلخواه مثبت معین 𝑄‬

‫𝐼=𝑄‬
‫گام دوم‪ :‬حل معادله 𝑄‪ 𝐴𝑇 𝑃 + 𝑃𝐴 = −‬برای 𝑃‬

‫‪−1 0‬‬ ‫‪−1 4‬‬ ‫‪−1 0‬‬

‫[‬ ‫[𝑃‪]𝑃 +‬‬ ‫[=]‬ ‫]‬
‫‪4 −2‬‬ ‫‪0 −2‬‬ ‫‪0 −1‬‬

‫‪1 2‬‬
‫] ‪⟹ 𝑃 = [2 3‬‬
‫‪2 19‬‬
‫‪3 12‬‬
‫و‪:‬‬

‫‪11‬‬
 ‫‪1‬‬ ‫‪25‬‬
‫= ‪∆1‬‬ ‫= ‪> 0 , ∆2‬‬ ‫‪>0‬‬
‫‪2‬‬ ‫‪72‬‬
‫پس 𝑃 مثبت معین بوده و لذا سیستم‪ ،‬پایدار مجانبی است‪.‬‬

‫فصل ششم‪ :‬طراحی کننده فیدبک حالت خطی‬

‫‪ ‬مقدمه‬

‫‪ ‬میدانیم که در حالت کلی‪ ،‬اطالعات موجود در خروجیهای یک سیستم‪ ،‬زیرمجموعهای از اطالعات موجود در‬

‫حالتهای آن محسوب میشوند‪.‬‬

‫‪ ‬دیدیم که بر اساس تجزیه کالمن مربوط به فضای حالت‪ ،‬تمام اطالعات جاری سیستم‪ ،‬در متغیرهای حالت آن‬

‫موجودند و لذا هر هدف کنترلی که با بهرهگیری از متغیرهای حالت قابل انجام نباشد‪ ،‬با روش دیگری مانند بهره‪-‬‬

‫گیری از خروجیهای سیستم امکانپذیر نخواهد بود‪.‬‬

‫‪ ‬به بیان دیگر‪ ،‬ممکن است هدف کنترلی که با فیدبک خروجی و مشتقات باالتر آن در عمل قابل تحقق نیست‪ ،‬با‬

‫فیدبک حالت محقق شود‪.‬‬

‫‪ ‬کنترلکننده فیدبک حالت پایدارساز در حالت کلی به صورت )𝑥(𝑔‪ 𝑢 = −‬و در حالت خطی که موضوع این‬

‫درس است به صورت 𝑥𝑘‪ 𝑢 = −‬است‪ .‬بدیهی است که 𝑘 برای یک سیستم تک ورودی یک بردار سطری است‪.‬‬

‫‪12‬‬
 ‫‪ ‬روشهای تعیین بردار بهره فیدبک حالت (سیستم تک ورودی)‬

‫‪ ‬روش سنتی‪ :‬فرض کنید مقادیر ویژه سیستم زیر‪ ،‬سمت راست محور موهومی بوده و یا در محلهایی قرار گرفته‬

‫باشند که رفتار سیستم نامطلوب باشد‪.‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬
‫𝑥𝐶 = 𝑦‬
‫بدیهی است که مقادیر ویژه سیستم فوق ریشههای چندجملهای )𝐴 ‪ 𝑑𝑒𝑡(𝜆𝐼 −‬میباشند‪.‬‬

‫اگر ورودی کنترل 𝑥𝑘‪ 𝑢 = −‬به سیستم اعمال شود‪ ،‬خواهیم داشت‪:‬‬
‫𝑥)𝑘𝐵 ‪𝑥̇ = 𝐴𝑥 + 𝐵(−𝑘𝑥) = (𝐴 −‬‬

‫مقادیر ویژه سیستم حلقهبسته ریشههای چندجملهای })𝑘𝐵 ‪ 𝑑𝑒𝑡{𝜆𝐼 − (𝐴 −‬میباشند‪ .‬در حقیقت‪ ،‬با انتخاب مناسب‬

‫بردار 𝑘 امکان قراردادن مقادیر ویژه سیستم حلقهبسته در نقاط مطلوب وجود دارد‪ .‬اصطالح کنترلکننده جایاب مقادیر ویژه‬

‫(جایاب قطب) نیز به همین جهت به این نوع کنترلکننده اطالق میشود‪.‬‬

‫‪13‬‬
‫‪ ‬طبیعی است که اگر سیستم کنترلپذیر کامل حالت نباشد‪ ،‬اثر گذاری روی بعضی از حالتها از طریق ورودی‬

‫کنترل و به بیان دیگر جابجایی بعضی از مودها یا مقادیر ویژه امکانپذیر نیست‪ .‬به بیان دیگر‪ ،‬ممکن است 𝑘ای‬

‫برای تحقق هدف مسأله وجود نداشته باشد‪.‬‬

‫‪ ‬توجه دارید که اگر مودهای ناپایدار یک سیستم کنترلپذیر باشند (سیستم پایدار پذیر باشد) امکان پایدارسازی از‬

‫طریق فیدبک حالت وجود خواهد داشت‪ .‬به بیان دیگر‪𝑘 ،‬ای برای رسیدن به پایداری وجود دارد‪.‬‬

‫‪ ‬مثالی برای روشن شدن مطلب‪ :‬تصور نمایید مقادیر ویژه یک سیستم ‪ -2 ،-1‬و ‪ 3‬باشند‪ .‬بررسی کنترلپذیری‬

‫نشان داده است که مود ‪ -1‬کنترلناپذیر است‪ ،‬ولی مودهای ‪ -2‬و ‪ 3‬کنترلپذیرند‪ .‬طبیعی است جایابی مقادیر ویژه‬

‫این سیستم در نقاط ‪ a ،-1‬و ‪ b‬امکانپذیر است‪ .‬با انتخاب ‪ a‬و ‪ b‬در سمت چپ‪ ،‬میتوان این سیستم را از طریق‬

‫فیدبک حالت‪ ،‬پایدار کرد‪.‬‬

‫‪ ‬مثال‪ .‬معادالت فضای حالت یک سیستم مرتبه دو به صورت زیر است‪:‬‬

‫‪0 1‬‬ ‫‪0‬‬
‫[ = ̇𝑥‬ ‫𝑢] [ ‪]𝑥 +‬‬
‫‪0 0‬‬ ‫‪1‬‬
‫𝑥]‪𝑦 = [1 0‬‬
‫کنترلکننده فیدبک حالت را برای این سیستم به گونهای طراحی نمایید که مقادیر ویژه سیستم حلقهبسته در نقاط‬

‫‪ −1 ± 𝑗1.414‬قرار گیرند‪.‬‬

‫حل‪.‬‬
‫‪0 1‬‬
‫𝐵[ = 𝑐‪Φ‬‬ ‫[ = ] 𝐵𝐴‬ ‫]‬
‫‪1 0‬‬
‫بنابراین‪ ،‬مسأله جواب دارد‪.‬‬

‫با انتخاب ] ‪ 𝑘 = [𝑘1 𝑘2‬خواهیم داشت‪:‬‬

‫‪0 1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫[ = 𝑘𝐵 ‪𝐴 −‬‬ ‫‪] − [ ] [𝑘1‬‬ ‫[ = ] ‪𝑘2‬‬ ‫]‬
‫‪0 0‬‬ ‫‪1‬‬ ‫‪−𝑘1‬‬ ‫‪−𝑘2‬‬
‫و لذا‪:‬‬
‫𝜆‬ ‫‪−1‬‬
‫| = })𝑘𝐵 ‪𝑑𝑒𝑡{𝜆𝐼 − (𝐴 −‬‬ ‫)‪| = 𝜆(𝜆 + 𝑘2 ) + 𝑘1 = 𝜆2 + 𝑘2 𝜆 + 𝑘1 (1‬‬
‫‪𝑘1‬‬ ‫‪𝜆 + 𝑘2‬‬

‫با توجه به محل مقادیر ویژه مطلوب‪ ،‬چند جملهای مشخصه مطلوب سیستم حلقهبسته عبارت است از‪:‬‬

‫‪14‬‬
‫‪α(λ) = (𝜆 + 1 − 𝑗1.414) = (𝜆 + 1 + 𝑗1.414) = 𝜆2 + 2𝜆 + 3‬‬ ‫)‪(2‬‬

‫با مقایسه روابط (‪ )1‬و (‪ ،)2‬خواهیم داشت‪:‬‬

‫‪𝑘 = [3‬‬ ‫]‪2‬‬
‫به بیان دیگر با اعمال ورودی کنترل 𝟐𝒙𝟐 ‪ 𝑢 = −𝑘𝑥 = −𝟑𝒙𝟏 −‬مقادیر ویژه سیستم حلقهبسته در نقاط مطلوب قرار‬
‫میگیرند‪.‬‬

‫‪ ‬روشهای مبتنی بر فرمولهای اثبات شده افراد مشهور‬

‫‪ -1‬روش بسگیورا (‪)Bass and Gura‬‬

‫قضیه‪ .‬بهره فیدبک حالت 𝑘 در قانون کنترل 𝑥𝑘‪ 𝑢 = −‬برای جایابی دلخواه مقادیر ویژه سیستم حلقهبسته از رابطه زیر‬

‫(فرمول بسگیورا) قابل محاسبه است‪:‬‬

‫‪𝑘 = (𝛼 − 𝑎)Ψ−1 Φ𝑐 −1‬‬

‫که در آن‪:‬‬

‫اوالً‪:‬‬
‫‪α = [𝛼𝑛−1‬‬ ‫‪𝛼𝑛−2‬‬ ‫…‬ ‫] ‪𝛼0‬‬
‫و‪:‬‬
‫‪α(𝜆) = 𝜆𝑛 + 𝛼𝑛−1 𝜆𝑛−1 + 𝛼𝑛−2 𝜆𝑛−2 + ⋯ + 𝛼0‬‬
‫چند جملهای مشخصه مطلوب سیستم حلقهبسته است‪.‬‬

‫ثانیاً‪:‬‬
‫‪𝑎 = [𝑎𝑛−1‬‬ ‫‪𝑎𝑛−2‬‬ ‫…‬ ‫] ‪𝑎0‬‬
‫و‪:‬‬
‫‪a(𝜆) = 𝜆𝑛 + 𝑎𝑛−1 𝜆𝑛−1 + 𝑎𝑛−2 𝜆𝑛−2 + ⋯ + 𝑎0‬‬
‫چند جملهای مشخصه سیستم حلقهباز است‪.‬‬

‫ثالثاً‪:‬‬
‫‪1 𝑎𝑛−1‬‬ ‫‪𝑎𝑛−2‬‬ ‫…‬ ‫‪𝑎1‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪𝑎𝑛−1‬‬ ‫‪… 𝑎2‬‬
‫‪Ψ= 0‬‬ ‫‪1‬‬ ‫…‬ ‫…‬
‫…‬ ‫‪⋱ 𝑎𝑛−1‬‬
‫‪[0‬‬ ‫‪0‬‬ ‫…‬ ‫‪0‬‬ ‫] ‪1‬‬

‫‪15‬‬
 ‫و 𝑐𝜑 هم ماتریس کنترلپذیری سیستم (حلقهباز) است‪.‬‬

‫‪ ‬از فرمول بسگیورا پیداست که اگر قصد جابجایی زیاد مقادیر ویژه را داشته باشیم‪ ،‬سیگنال کنترلی یا همان تالش‬

‫کنترلی بزرگ خواهد شد‪ .‬این بزرگی سیگنال کنترل ممکن است منجر به اشباع عملگرهای سیستم کنترل شود‬

‫که پیامد آن میتواند کاهش عملکرد سیستم حلقهبسته و حتی ناپایداری آن باشد‪.‬‬

‫‪ ‬از فرمول بسگیورا پیداست که هر چه کنترلپذیری سیستم ضعیفتر باشد‪ ،‬تالش کنترلی بزرگ خواهد شد که‬

‫تبعات آن گفته شد‪.‬‬

‫‪ -2‬روش آکرمن‬

‫قضیه‪ .‬بهره فیدبک حالت 𝑘 در قانون کنترل 𝑥𝑘‪ 𝑢 = −‬برای جایابی دلخواه مقادیر ویژه سیستم حلقهبسته از رابطه زیر‬

‫(فرمول آکرمن) قابل محاسبه است‪:‬‬

‫)𝐴(𝛼 𝑇 𝑛𝑞 = 𝑘‬
‫که در آن‪:‬‬
‫‪𝑞𝑛 𝑇 = [0‬‬ ‫‪0 … 0‬‬ ‫‪1]Φ𝑐 −1‬‬
‫در حقیقت‪ 𝑞𝑛 𝑇 ،‬آخرین سطر معکوس ماتریس کنترلپذیری است‪.‬‬

‫‪ ‬از فرمول آکرمن پیداست که برای استفاده از این فرمول‪ ،‬نیازی به دانستن چندجملهای مشخصه سیستم (حلقهباز)‬

‫نیست‪ .‬هر چند یافتن )𝐴(𝛼 به صورت دستی کمی زمانبر است‪.‬‬

‫‪ -3‬روش تحقق کانونیک کنترلکننده‬

‫قضیه‪ .‬بهره فیدبک حالت 𝑘 در قانون کنترل 𝑥𝑘‪ 𝑢 = −‬برای جایابی دلخواه مقادیر ویژه سیستم حلقهبسته از رابطه زیر‬

‫(فرمول تبدیل به تحقق کانونیک کنترلکننده) قابل محاسبه است‪:‬‬

‫‪𝑘 = 𝑘𝑐 Φ𝑐𝑐 Φ𝑐 −1‬‬

‫که در آن‪:‬‬
‫‪𝑘𝑐 = [𝛼0 − 𝑎0‬‬ ‫‪𝛼1 − 𝑎1‬‬ ‫…‬ ‫] ‪𝛼𝑛−1 − 𝑎𝑛−1‬‬

‫‪16‬‬
 ‫و 𝑐𝑐‪ Φ‬ماتریس کنترلپذیری تحقق کانونیک کنترلکننده است‪.‬‬

‫‪ ‬مثال‪ .‬معادالت فضای حالت یک سیستم مرتبه سه به صورت زیر است‪:‬‬

‫‪1‬‬ ‫‪6‬‬ ‫‪−3‬‬ ‫‪1‬‬
‫‪𝑥̇ = [−1 −1‬‬ ‫‪1‬‬ ‫]‬ ‫𝑥‬ ‫‪+‬‬ ‫[‬‫𝑢 ]‪1‬‬
‫‪−2 2‬‬ ‫‪0‬‬ ‫‪1‬‬
‫کنترلکننده فیدبک حالت را برای این سیستم به گونهای طراحی نمایید که مقادیر ویژه سیستم حلقهبسته در نقاط ‪،−1‬‬

‫‪ −2‬و ‪ −3‬قرار گیرند‪.‬‬

‫الف‪ -‬روش بسگیورا‪:‬‬

‫)‪𝑎(𝜆) = 𝑑𝑒 𝑡(𝜆𝐼 − 𝐴) = 𝜆3 − 3𝜆 + 2 = (𝜆 − 1)2 (𝜆 + 2‬‬

‫‪𝛼(𝜆) = (𝜆 + 1)(𝜆 + 2)(𝜆 + 3) = 𝜆3 + 6𝜆2 + 11𝜆 + 6‬‬

‫ماتریس کنترلپذیری عبارت است از‪:‬‬
‫‪1 4‬‬ ‫‪−2‬‬
‫𝐵[ = 𝑐‪Φ‬‬ ‫𝐵𝐴‬ ‫𝐵 𝐴‬ ‫]‬
‫‪2‬‬ ‫=‬ ‫[‬ ‫‪1 −1 −3 ] , 𝑅𝑎𝑛𝑘(Φ𝑐 ) = 3‬‬
‫‪1 0 −10‬‬
‫‪1 0‬‬ ‫‪−3‬‬
‫‪Ψ = [0 1‬‬ ‫]‪0‬‬
‫‪0 0‬‬ ‫‪1‬‬
‫پس‪:‬‬

‫‪1‬‬ ‫‪0 −3 −1 1‬‬ ‫‪4‬‬ ‫‪−2 −1‬‬

‫‪𝑘 = (𝛼 − 𝑎)Ψ−1 Φ𝑐 −1 = [6‬‬ ‫‪14‬‬ ‫‪4] [0‬‬ ‫‪1 0 ] [1‬‬ ‫‪−1 −3 ] = [5 6‬‬ ‫]‪−5‬‬
‫‪0‬‬ ‫‪0 1‬‬ ‫‪1‬‬ ‫‪0 −10‬‬

‫ب‪ -‬روش آکرمن‬

‫‪𝑞3 𝑇 = [0 0‬‬ ‫‪1]Φ𝑐 −1 = [0.0278‬‬ ‫‪0.1111‬‬ ‫]‪−0.1389‬‬

‫و‬
‫‪24‬‬ ‫‪48‬‬ ‫‪−24‬‬
‫‪3‬‬ ‫‪2‬‬
‫‪𝛼(𝐴) = 𝐴 + 6𝐴 + 11𝐴 + 6𝐼 = [−26 −28‬‬ ‫] ‪26‬‬
‫‪−52 −56‬‬ ‫‪52‬‬

‫‪17‬‬
 ‫پس‪:‬‬
‫‪24‬‬ ‫‪48 −24‬‬
‫𝑇‬
‫‪𝑘 = 𝑞3 𝛼(𝐴) = [0.0278‬‬ ‫‪0.1111‬‬ ‫]‬
‫‪−0.1389 [−26‬‬ ‫]‪−28 26 ] = [5 6 −5‬‬
‫‪−52‬‬ ‫‪−56 52‬‬

‫ج‪ -‬روش تبدیل به تحقق کانونیک کنترلکننده‬

‫تحقق کانونیک کنترلکننده سیستم عبارت است از‪:‬‬

‫‪0 1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪𝑧̇ = [ 0 0‬‬ ‫𝑢 ]‪1] 𝑧 + [0‬‬
‫‪⏟−2 3‬‬ ‫‪0‬‬ ‫⏟‬‫‪1‬‬
‫‪𝐴′‬‬ ‫‪𝐵′‬‬

‫و لذا‪:‬‬
‫‪0 0 1‬‬
‫‪Φ𝑐𝑐 = [𝐵′ 𝐴′𝐵′‬‬ ‫]‪𝐴′2 𝐵′] = [0 1 0‬‬
‫‪1 0 3‬‬
‫و‪:‬‬
‫‪𝑘𝑐 = [𝛼0 − 𝑎0‬‬ ‫‪𝛼1 − 𝑎1‬‬ ‫‪𝛼2 − 𝑎2 ] = [4 14‬‬ ‫]‪6‬‬
‫پس‪:‬‬

‫‪0 0‬‬ ‫‪1 1‬‬ ‫‪4‬‬ ‫‪−2 −1‬‬

‫‪−1‬‬
‫𝑐‪𝑘 = 𝑘𝑐 Φ𝑐𝑐 Φ‬‬ ‫‪= [4 14‬‬ ‫‪6] [0 1‬‬ ‫‪0] [1‬‬ ‫‪−1 −3 ] = [5 6‬‬ ‫]‪−5‬‬
‫‪1 0‬‬ ‫‪3 1‬‬ ‫‪0 −10‬‬

‫‪ ‬فرمولهای ارائه شده‪ ،‬صرفاً در زمانی که سیستم کنترلپذیر کامل حالت باشد‪ ،‬قابل استفادهاند‪ .‬اما این بدان معنی‬

‫نیست که اگر سیستم کنترلپذیر کامل حالت نباشد‪ ،‬مسأله طراحی کنترلکننده جواب ندارد‪.‬‬

‫‪ ‬در شرایطی که سیستم کنترلپذیر کامل حالت نیست‪ ،‬ولی مسأله طراحی جواب دارد‪ ،‬میتوان از روش سنتی‬

‫استفاده کرد‪.‬‬

‫‪ ‬میتوان نشان داد در اثر فیدبک حالت صفرهای سیستم جابه جا نمیشوند‪ .‬همچنین فیدبک حالت‪ ،‬کنترل‪-‬‬

‫پذیری سیستم را تحت تأثیر قرار نمیدهد و رؤیتپذیری نیز مشروط به عدم جایابی مقادیر ویژه در محل‬

‫صفرها‪ ،‬بدون تغییر باقی میماند‪.‬‬

‫‪18‬‬
‫‪ ‬جالب است بدانید در سسیتمهای چندورودی‪ ،‬فیدبک حالت برای جایابی مقادیر ویژه سیستم در مکانهای معین‬

‫(معموالً) یکتا نیست و به بیان دیگر‪ ،‬در انتخاب مقادیر بهره فیدبک حالت‪ ،‬درجه آزادی وجود دارد که از این درجه‬

‫آزادی به صورتهای مختلفی میتوان در جهت بهبود عملکرد سیستم حلقهبسته بهره جست که موضوع بحث ما‬

‫نیست‪.‬‬

‫‪ ‬مثال‪ .‬معادالت فضای حالت یک سیستم مرتبه دو به صورت زیر است‪:‬‬

‫‪0 1‬‬ ‫‪1 0‬‬
‫[ = ̇𝑥‬ ‫[ ‪]𝑥 +‬‬ ‫𝑢]‬
‫‪0 0‬‬ ‫‪0 1‬‬
‫𝑥]‪𝑦 = [1 0‬‬
‫کنترلکننده فیدبک حالت را برای این سیستم به گونهای طراحی نمایید که مقادیر ویژه سیستم حلقهبسته در نقاط‬

‫‪ −1 ± 𝑗1.414‬قرار گیرند‪.‬‬

‫حل‪.‬‬

‫𝐵[𝑘𝑛𝑎𝑅 = ) 𝑐‪𝑅𝑎𝑛𝑘(Φ‬‬ ‫‪𝐴𝐵 ] = 2‬‬

‫بنابراین‪ ،‬مسأله جواب دارد‪.‬‬

‫با توجه به محل مقادیر ویژه مطلوب‪ ،‬چند جملهای مشخصه مطلوب سیستم حلقهبسته عبارت است از‪:‬‬

‫‪α(λ) = (𝜆 + 1 − 𝑗1.414) = (𝜆 + 1 + 𝑗1.414) = 𝜆2 + 2𝜆 + 3‬‬ ‫)‪(1‬‬

‫𝑘‬ ‫𝑘‬
‫با انتخاب ] ‪ 𝑘 = [𝑘1 𝑘2‬خواهیم داشت‪:‬‬
‫‪3‬‬ ‫‪4‬‬

‫‪0 1‬‬ ‫‪1 0 𝑘1‬‬ ‫‪𝑘2‬‬ ‫𝑘‪−‬‬ ‫‪1 − 𝑘2‬‬

‫[ = 𝑘𝐵 ‪𝐴 −‬‬ ‫[‪]−‬‬ ‫[]‬ ‫‪]=[ 1‬‬ ‫]‬
‫‪0 0‬‬ ‫‪0 1 𝑘3‬‬ ‫‪𝑘4‬‬ ‫‪−𝑘3‬‬ ‫‪−𝑘4‬‬
‫و لذا‪:‬‬
‫‪𝜆 + 𝑘1‬‬ ‫‪𝑘2 − 1‬‬
‫| = })𝑘𝐵 ‪𝑑𝑒𝑡{𝜆𝐼 − (𝐴 −‬‬ ‫‪| = 𝜆2 + (𝑘1 + 𝑘4 )𝜆 − 𝑘3 (𝑘2 − 1) + 𝑘1 𝑘4‬‬ ‫)‪(2‬‬
‫‪𝑘3‬‬ ‫‪𝜆 + 𝑘4‬‬

‫با مقایسه (‪ )1‬و (‪ )2‬دو درجه آزادی در حل مسأله وجود دارد و هر یک از ماتریسهای بهره حالت زیر‪ ،‬جواب مسألهاند‪:‬‬

‫‪0 0‬‬ ‫‪1 0‬‬

‫[=𝑘‬ ‫]‬ ‫‪,‬‬ ‫[ = ‪𝑘′‬‬ ‫]‬ ‫‪,‬‬ ‫‪… … ..‬‬
‫‪3 2‬‬ ‫‪2 1‬‬

‫‪19‬‬
 ‫‪ ‬طراحی سیستمهای ردیاب با استفاده از فیدبک حالت‬

‫‪ ‬در برخی از کاربردهای صنعتی‪ ،‬هدف اصلی از طراحی سیستم کنترل صرفاً پایدارسازی (بازگشت سیستم به نقطه‬

‫تعادل مورد نظر) است‪ .‬به عنوان نمونه‬

‫‪ -1‬در سیستمهای قدرت معموالً هدف آن است که نوسانات ایجاد شده پس از بروز اغتشاش میرا گردند‪.‬‬

‫‪ -2‬در برخی موشکها‪ ،‬بخشی از سیستم کنترل موشک وظیفه میراکردن حرکات چرخشی موشک را که در اثر‬

‫اغتشاشات ایجاد میگردند به عهده دارد‪.‬‬

‫‪ -3‬در آونگ معکوس‪ ،‬هدف از طراحی کنترلکننده‪ ،‬پایدارسازی نقطه تعادل آونگ و به بیان دیگر بازگشت‬

‫سیستم به این نقطه بعد از انحرافات ایجاد شده توسط اغتشاشات احتمالی است‪.‬‬

‫‪ ‬به نمونههای ذکر شده و بسیاری از مثالهای دیگر‪ ،‬سیستمهای رگوالتور یا پایدارساز گفته میشود‪ .‬میتوان گفت‪،‬‬

‫ورودی مرجع در اینگونه سیستمها صفر است‪.‬‬

‫‪ ‬سیستمهای صنعتی فراوانی میتوان نام برد که در آنها عالوه بر پایدارسازی هدف دیگری به نام ردیابی نیز وجود‬

‫دارد‪ .‬به این سیستمها ردیاب میگویند به عنوان نمونه‬

‫‪ -1‬در یک موتور الکتریکی هدف آن است که موتور به سرعت مشخصی برسد‪.‬‬

‫‪ -2‬در کورههای صنعتی‪ ،‬درجه حرارت داخل کوره باید یک پروفایل حرارتی مشخص را به خوبی دنبال کند‪.‬‬

‫‪ ‬ایده اول طراحی ردیاب (سیستم تک ورودی‪-‬تک خروجی)‬

‫‪ o‬با استفاده از پیشجبرانساز استاتیکی‬

‫‪ ‬میدانیم که در یک سیستم (‪ )LTI‬پایدار (مجانبی)‪ ،‬پاسخ‪ ،‬در حالت ماندگار‪ ،‬مشابه ورودی (ماندگار) است‪.‬‬

‫‪ ‬با استفاده از نکته فوق یک روش طراحی ردیاب مقدار ثابتی مانند 𝑟 آن است که ابتدا قانون کنترل به صورت‬

‫𝑟𝐹 ‪ 𝑢 = −𝑘𝑥 +‬انتخاب شود‪.‬‬

‫‪20‬‬
‫سپس 𝑘 به گونهای طراحی شود که سیستم حلقهبسته پایدار باشد و بعد از آن‪ ،‬مقدار ثابت 𝐹 به گونهای طراحی‬

‫شود که شرط ردیابی محقق گردد‪ .‬چرا با این ساختار امکان تحقق شرط ردیابی وجود دارد؟‬

‫‪ ‬فرض کنید سیستم مورد نظر به صورت زیر است‪:‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬
‫𝑥𝐶 = 𝑦‬
‫تصور نمایید ورودی انتخاب شده به سیستم اعمال شود‪ .‬خواهیم داشت‪:‬‬
‫𝑟𝐹 𝐵 ‪(𝐴 − 𝐵𝑘) 𝑥 +‬‬
‫⏟ = )𝑟𝐹 ‪𝑥̇ = 𝐴𝑥 + 𝐵(−𝑘𝑥 +‬‬ ‫⏟‬
‫‪𝐴′‬‬ ‫‪𝑢′‬‬

‫چون سیستم فوق پایدار است (چرا؟)‪ ،‬حالتها و خروجی سیستم در حالت ماندگار برابر یک مقدار ثابت خواهند بود (چرا؟)‬

‫کافی است 𝐹 به گونهای انتخاب شود که مقدار ثابت خروجی در حالت ماندگار همان 𝑟 باشد‪.‬‬

‫بنابراین‪ ،‬بعد از پایدارسازی سیستم حلقهبسته موضوع اصلی‪ ،‬تعیین 𝐹 است‪.‬‬

‫با توجه به معادالت حالت‪ ،‬بدیهی است که‬

‫𝑟𝐹𝐵 ‪(𝐴 − 𝐵𝑘)𝑥∞ + 𝐵𝐹𝑟 = 0 ⟹ 𝑥∞ = −(𝐴 − 𝐵𝑘)−1‬‬
‫و لذا خروجی سیستم در حالت ماندگار عبارت است از‪:‬‬
‫𝑟𝐹𝐵 ‪𝑦∞ = 𝐶𝑥∞ = −𝐶(𝐴 − 𝐵𝑘)−1‬‬
‫و برای آنکه مقدار ماندگار خروجی با 𝑟 برابر باشد‪ ،‬کافی است‪:‬‬

‫𝟏‪𝑭 = {−𝑪(𝑨 − 𝑩𝒌)−𝟏 𝑩}−‬‬

‫تذکر‪ :‬همانطور که مشاهده میشود‪:‬‬

‫)𝑠(𝑦‬
‫𝐵 ‪= 𝐺𝑐𝑙 (𝑠) = 𝐶(𝑠𝐼 − 𝐴 + 𝐵𝑘)−1‬‬
‫)𝑠(‪𝑢′‬‬
‫میبینیم که‪:‬‬

‫)𝟎( 𝟏‪𝑭 = 𝑮𝒄𝒍 −‬‬

‫به این 𝐹‪ ،‬پیشجبرانساز استاتیکی نیز گفته میشود‪ .‬علت این نامگذاری و توجیه نتیجه به دست آمده یعنی‬

‫)‪ 𝐹 = 𝐺𝑐𝑙 −1 (0‬با توجه به بلوم دیاگرام زیر امکانپذیر است‪.‬‬

‫‪21‬‬
 ‫‪𝒖′‬‬

‫تذکر اول‪ :‬واضح است که اگر سیستم حلقهباز صفری در مبدأ داشته باشد‪ ،‬این روش جوابگو نیست‪.‬‬

‫تذکر دوم‪ :‬محاسبه انجام شده‪ ،‬به سادگی قابل تعمیم به سیستمهای چندورودی‪-‬چندخروجی‪ ،‬مشروط به برابری تعداد‬

‫ورودیها و خروجیها نیز میباشد‪ .‬در آن شرایط‪ 𝐺𝑐𝑙 ،‬ماتریس تابع تبدیل سیستم حلقهبسته بوده و همچنان‪:‬‬

‫)‪𝐹 = 𝐺𝑐𝑙 −1 (0‬‬

‫که در آن 𝐹 ماتریس جبرانساز خواهد بود‪.‬‬

‫‪ ‬ایده دوم طراحی ردیاب (سیستم تک ورودی‪-‬تک خروجی)‬

‫‪ o‬با استفاده از عمل انتگرالی‬

‫‪ ‬ایده روش دوم‪ ،‬برگرفته از این واقعیت است که اگر تابع تبدیل حلقهباز یک قطب در مبدأ داشته باشد‬

‫خطای ماندگار به ورودی مرجع ثابت‪ ،‬نخواهیم داشت‪( .‬به شرط پایداری سیستم حلقهبسته)‬

‫‪ ‬ابتدا حالت جدیدی به نام حالت انتگرالی به صورت زیر تعریف میکنیم‪:‬‬

‫𝑥𝐶 ‪𝑞 = ∫(𝑟 − 𝑦)𝑑𝑡 ⟹ 𝑞̇ = 𝑟 − 𝑦 = 𝑟 −‬‬

‫پس بردار حالت سیستم به صورت زیر در میآید‪:‬‬

‫𝑥‬
‫] 𝑞[ = ̂𝑥‬

‫و لذا معادالت حالت سیستم افزوده‪ ،‬به صورت زیر قابل بیان است‪:‬‬

‫‪22‬‬
 ‫̇𝑥‬ ‫𝐴‬ ‫𝑥 ‪0‬‬ ‫𝐵‬ ‫‪0‬‬
‫[=] [‬ ‫𝑟 ] [ ‪] [𝑞 ] + [ ] 𝑢 +‬‬
‫̇𝑞‬ ‫𝐶‪⏟−‬‬ ‫‪0‬‬ ‫⏟‬
‫‪0‬‬ ‫‪1‬‬
‫‪𝐴′‬‬ ‫‪𝐵′‬‬
‫𝑥‬
‫𝐶⏟[ = 𝑦‬ ‫] 𝑞[ ]‪0‬‬
‫‪𝐶′‬‬

‫‪ ‬میتوان نشان داد که سیستم فوق‪ ،‬کنترلپذیر کامل حالت اگر رتبه ماتریس‬
‫𝐵‬ ‫𝐴‬
‫[‬ ‫]‬
‫‪0‬‬ ‫𝐶‪−‬‬
‫کامل باشد‪.‬‬

‫‪ ‬در حالت فوق‪ ،‬طبعاً میتوان در قانون کنترل 𝑞 ‪ 𝐾1 ،𝑢 = −𝐾𝑥̂ = −𝐾1 𝑥 + 𝐾2‬و ‪ 𝐾2‬را به گونهای یافت که‬

‫سیستم حلقهبسته پایدار باشد‪ .‬با اعمال ورودی پایدارساز به سیستم‪ ،‬خواهیم داشت‪:‬‬
‫̇𝑥‬ ‫‪𝐴 − 𝐵𝐾1‬‬ ‫𝑥 ‪𝐵𝐾2‬‬ ‫‪0‬‬
‫[=] [‬ ‫𝑟] [‪][ ] +‬‬
‫̇𝑞‬ ‫𝐶‪⏟ −‬‬ ‫𝑞 ‪0‬‬ ‫⏟‬‫‪1‬‬
‫‪𝐴′′‬‬ ‫‪𝐵′′‬‬

‫‪ ‬طبق این اصل که در یک سیستم (‪ )LTI‬پایدار (مجانبی)‪ ،‬پاسخ‪ ،‬در حالت ماندگار‪ ،‬مشابه ورودی (ماندگار) است‬

‫خواهیم داشت‪:‬‬
‫𝒓 = ∞𝒚 ⟹ ‪𝑞∞ = 𝑎 ⟹ 𝑞̇ ∞ = 𝑟 − 𝑦∞ = 0‬‬

‫‪ ‬بلوک دیاگرام سیستم کنترل ردیاب پیشنهادی به صورت زیر است‪:‬‬

‫‪ ‬مقایسه دو روش طراحی ردیاب‬

‫‪23‬‬
‫‪ ‬مهمترین مزیت روش دوم‪ ،‬مقاومت باالتر سیستم حلقهبسته در مقابل تغییر پارامترها و همچنین دفع‬

‫کامل اثر اغتشاشات ثابت در حالت ماندگار است‪ .‬چرا؟‬

‫‪ ‬بررسی دفع اثر اغتشاش ثابت‪:‬‬

‫معادالت حالت سیستم در معرض اغتشاش ثابت ‪ d‬را به صورت زیر در نظر بگیرید‪:‬‬
‫𝑑 ‪𝑥̇ = 𝐴𝑥 + 𝐵𝑢 +‬‬
‫با اعمال کنترلکننده اول به سیستم خواهیم داشت‪:‬‬
‫𝑑 ‪𝑥̇ = 𝐴𝑥 + 𝐵(𝐹𝑟 − 𝑘𝑥) + 𝑑 = (𝐴 − 𝐵𝑘)𝑥 + 𝐵𝐹𝑟 +‬‬
‫به دلیل پایداری خواهیم داشت‪:‬‬
‫𝑑 ‪𝑥∞ = −(𝐴 − 𝐵𝑘)−1 𝐵𝐹𝑟 − (𝐴 − 𝐵𝑘)−1‬‬
‫و لذا‪:‬‬

‫𝒅 𝟏‪𝑦∞ = 𝐶𝑥∞ = −𝐶(𝐴 − 𝐵𝑘)−1 𝐵𝐹𝑟 − 𝐶(𝐴 − 𝐵𝑘)−1 𝑑 = 𝒓 − 𝑪(𝑨 − 𝑩𝒌)−‬‬

‫با اعمال کنترلکننده دوم به سیستم خواهیم داشت‪:‬‬

‫̇𝑥‬ ‫‪𝐴 − 𝐵𝐾1‬‬ ‫𝑥 ‪𝐵𝐾2‬‬ ‫‪0‬‬ ‫‪1‬‬
‫[=] [‬ ‫𝑑 ] [ ‪] [𝑞 ] + [ ] 𝑟 +‬‬
‫̇𝑞‬ ‫𝐶‪−‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫به دلیل پایداری خواهیم داشت‪:‬‬
‫𝒓 = ∞𝒚 ⟹ ‪𝑞∞ = 𝑎 ⟹ 𝑞̇ ∞ = 𝑟 − 𝑦∞ = 0‬‬

‫مشاهده میشود که در روش دوم‪ ،‬اثر اغتشاش ثابت 𝑑 در خروجی ماندگار مشاهده نمیشود‪.‬‬

‫‪ ‬سادهتر بودن طراحی و پیادهسازی را شاید بتوان به عنوان مزیت روش اول در قیاس با روش دوم برشمرد‪.‬‬

‫تمرین‪ .‬یک ردیاب شیب 𝑡𝛼 = )𝑡(𝑟 با استفاده از ایده روش اول‪ ،‬طراحی نمایید‪.‬‬

‫‪24‬‬
 ‫ادامه فصل ششم‬

‫مثال‪ .‬معادالت حرکت طولی یک هواپیما به صورت زیر داده شده است‪:‬‬

‫‪𝑎11‬‬ ‫‪𝑎12‬‬ ‫‪0‬‬ ‫𝑔‪−‬‬ ‫‪𝑏1‬‬

‫𝑎‬ ‫‪𝑎22‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫𝑏‬
‫‪𝑥̇ = [ 21‬‬ ‫𝑢 ]‪] 𝑥 + [ 2‬‬
‫‪𝑎31‬‬ ‫‪𝑎32‬‬ ‫‪𝑎33‬‬ ‫‪0‬‬ ‫‪𝑏3‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬

‫که در آن‬
‫𝑣∆[ = 𝑥‬ ‫𝛼‬ ‫𝜃‬ ‫]𝑞‬ ‫‪,‬‬ ‫𝐸𝛿 = 𝑢‬

‫و‪:‬‬

‫𝑣∆ تغییر سرعت‪ 𝛼 ،‬انحراف زاویه حمله (زاویه بردار سرعت با محور طولی)‪ 𝜃 ،‬انحراف زاویه پیچ (زاویه محور طولی نسبت‬

‫به افق)‪ ،‬و 𝑞 سرعت تغییر زاویه پیچ است‪ 𝛿𝐸 .‬نیز انحراف باالبری است که به دم هواپیما متصل بوده و به عنوان عملگر‬

‫سیستم کنترل ایفای نقش میکند‪.‬‬

‫مقادیر پارامترها در شرایط عملیاتی موقعیت فرود در یک هواپیمای ‪ AFTI-16‬به قرار زیر است‪:‬‬

‫‪𝑎11 = −0.507 , 𝑎12 = −3.861 , 𝑎21 = −0.00117 , 𝑎22 = −0.5164‬‬

‫‪𝑎31 = −0.000129 , 𝑎32 = 1.4168 , 𝑎33 = −0.4932 , 𝑏1 = 0‬‬

‫‪𝑏2 = −0.0717 , 𝑏3 = −1.645‬‬

‫‪1‬‬
 ‫‪ ‬قطبهای سیستم حلقهباز در نقاط زیر قرار دارند‪.‬‬

‫‪𝜆1 = 0.1255 , 𝜆2 = −0.3502 ,‬‬ ‫‪𝜆3 = −0.2878 , 𝜆4 = −0.5478‬‬

‫برای محاسبه نرمافزاری محل قطبها به سادگی میتوان از دستور )𝐴(𝑔𝑖𝑒 استفاده کرد‪.‬‬

‫‪ ‬ماتریس کنترلپذیری سیستم عبارت است از‬

‫‪0‬‬ ‫‪0.2768‬‬ ‫‪6.8977‬‬ ‫‪9.0872‬‬

‫‪−0.0717‬‬ ‫‪−1.608‬‬ ‫‪1.6414‬‬ ‫‪−1.2556‬‬
‫𝐵[ = 𝑐‪Φ‬‬ ‫𝐵𝐴‬ ‫𝐵 ‪𝐴2‬‬ ‫[ = ] 𝐵 ‪𝐴3‬‬ ‫]‬
‫‪−1.645‬‬ ‫‪0.8113‬‬ ‫‪−0.4‬‬ ‫‪0.1962‬‬
‫‪0‬‬ ‫‪−0.0717‬‬ ‫‪−1.608‬‬ ‫‪1.6414‬‬

‫رتبه این ماتریس چهار بوده و لذا سیستم کنترلپذیر کامل حالت است‪.‬‬

‫برای محاسبه نرمافزاری این ماتریس و رتبه آن به سادگی میتوان از دستور )𝐵 ‪ 𝑐𝑡𝑟𝑏(𝐴,‬و ))𝐵 ‪𝑅𝑎𝑛𝑘(𝑐𝑡𝑟𝑏(𝐴,‬‬

‫استفاده کرد‪.‬‬

‫‪ ‬برای جایابی قطبهای سیستم حلقهبسته در نقاط مطلوب‬

‫}‪{−1.8 ± 𝑗0.6, −0.9 ± 𝑗1.9‬‬

‫با استفاده از فرمول آکرمن‪ ،‬خواهیم داشت‪:‬‬

‫‪𝑘 = [0‬‬ ‫‪0 0 1]Φ𝑐 −1 𝛼(𝐴) = [0.92 −6.595‬‬ ‫‪−2.351‬‬ ‫]‪−8.977‬‬

‫برای محاسبه نرمافزاری این بردار به سادگی میتوان از دستور )𝑃 ‪ 𝑃𝑙𝑎𝑐𝑒(𝐴, 𝐵,‬استفاده کرد که 𝑃 باید قبل از دستور به‬

‫صورت زیر تعریف شده باشد‪:‬‬

‫]‪𝑃 = [−1.8 + 𝑗0.6 −1.8 − 𝑗0.6 −0.9 + 𝑗1.9 −0.9 − 𝑗1.9‬‬

‫‪ ‬سپس ورودی کنترل 𝑥𝑘‪ 𝑢 = −‬به سیستم اعمال شده و پاسخ سیستم حلقهبسته برای شرایط اولیه‬
‫‪𝑥(0) = [0 1‬‬ ‫𝑇]‪0 0‬‬

‫در ادامه رسم شده است‪ .‬مطابق انتظار بعد از گذشت زمانی‪ ،‬تمامی متغیرهای حالت به صفر میرسند‪.‬‬

‫‪2‬‬
 ‫‪ ‬حال فرض نمایید‪ ،‬بخواهیم سرعت طولی به میزان دلخواه 𝑟 تغییر کند‪ .‬یعنی میخواهیم‬

‫‪ 𝑦 = [1‬ورودی مرجع 𝑟 را دنبال کند‪ .‬با استفاده از روش اول طراحی ردیاب‪ ،‬یعنی پیشجبران‪-‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫𝑥]‪0‬‬

‫ساز استاتیکی‪ ،‬کافی است )‪ 𝐺𝑐𝑙 (0‬را محاسبه کنیم‪.‬‬

‫‪𝐺𝑐𝑙 (0) = 𝐶(−𝐴 + 𝐵𝑘)−1𝐵 = 1.036‬‬

‫و لذا‪:‬‬

‫𝒓𝟑𝟓𝟔𝟗 ‪𝑢 = −𝑘𝑥 + 𝐺𝑐𝑙 −1 (0)𝑟 = −𝟎. 𝟗𝟐𝒙𝟏 + 𝟔. 𝟓𝟗𝟓𝒙𝟐 + 𝟐. 𝟑𝟓𝟏𝒙𝟑 + 𝟖. 𝟗𝟕𝟕𝒙𝟒 + 𝟎.‬‬

‫پاسخ پله سیستم حلقهبسته در شکلهای زیر رسم شده است‪.‬‬

‫‪3‬‬
 ‫‪ ‬برای همین هواپیما‪ ،‬قصد داریم کنترلکننده ردیاب انتگرالی را طراحی میکنیم‪.‬‬

‫‪ ‬شرط کنترلپذیری سیستم افزوده عبارت بود از رتبه کامل بودن ماتریس‬

‫‪0‬‬ ‫‪−0.0507‬‬ ‫‪−3.861‬‬ ‫‪0‬‬ ‫‪−9.81‬‬

‫‪−0.0717‬‬ ‫‪−0.00117‬‬ ‫‪−0.5164‬‬ ‫‪1‬‬ ‫‪0‬‬
‫𝐵‬ ‫𝐴‬
‫[‬ ‫‪] = −1.645‬‬ ‫‪−0.000129‬‬ ‫‪1.4168‬‬ ‫‪−0.4932‬‬ ‫‪0‬‬
‫‪0‬‬ ‫𝐶‪−‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫[‬ ‫‪0‬‬ ‫‪−1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫] ‪0‬‬

‫که رتبه آن پنج بوده و لذا سیستم افزوده کنترلپذیر کامل حالت است‪.‬‬

‫‪ ‬برای جایابی قطبهای سیستم حلقهبسته در نقاط مطلوب‬

‫‪4‬‬
‫}‪{−0.9, −1, −1.6, −2, −2.5‬‬
‫خواهیم داشت‪:‬‬

‫‪𝑘 = [−𝐾1‬‬ ‫‪𝐾2 ] = [1.3227‬‬ ‫‪−11.5516‬‬ ‫‪−3.7152‬‬ ‫‪−15.3929‬‬ ‫]‪−0.4368‬‬

‫و لذا قانون کنترل عبارت است از‪:‬‬

‫𝑥‬
‫‪𝑢 = [−𝐾1‬‬ ‫𝑞‪𝐾2 ] [𝑞 ] = 1.3227𝑥1 − 11.5516𝑥2 − 3.7152𝑥3 − 15.3929𝑥4 − 0.4368‬‬

‫‪ ‬پاسخ پله سیستم حلقهبسته در شکلهای زیر رسم شده است‪.‬‬

‫‪5‬‬
‫‪ ‬پاسخ پله سیستم حلقهبسته در حضور اغتشاش پلهای ]‪ 𝑑 = [1 0 0 0‬در شکلهای زیر رسم شده است و‬

‫توانایی این سیستم در دفع اثر اغتشاش ثابت نمایش داده شده است‪.‬‬

‫‪6‬‬
 ‫فصل هفتم‪ :‬طراحی رؤیتگر و تلفیق آن با سیستم کنترل‬

‫‪ ‬برای پیادهسازی قانون کنترل 𝑥𝑘‪ 𝑢 = −‬در حالت کلی الزم است کلیه متغیرهای حالت برای فیدبک در دسترس‬

‫باشند‪.‬‬

‫‪ ‬در بسیاری از کاربردهای واقعی ممکن است به علت تعداد زیاد متغیرهای حالت‪ ،‬اندازهگیری تمامی آنها دشوار‬

‫باشد و یا سنسور اندازهگیری متغیری خاص گرانقیمت بوده و لذا استفاده از سنسور صرفه اقتصادی نداشته باشد‪.‬‬

‫‪ ‬در چنین مواردی به دلیل عدم دسترسی به تمام متغیرهای حالت برای فیدبک‪ ،‬تخمین آنها ضرورت پیدا میکند‪.‬‬

‫‪ ‬رؤیتگر‪ ،‬سیستمی دینامیکی است که ورودیهای آن ورودی و خروجی سیستم اصلی و خروجی آن متغیرهای‬

‫حالت تخمینزده شده هستند‪.‬‬

‫‪ ‬لیونبرگر نشان داد که برای هر سیستم خطی رؤیتپذیر میتوان رؤیتگری طراحی نمود که خطای تخمین حالت‬

‫آن با سرعت دلخواهی به صفر برسد‪.‬‬

‫‪ ‬طراحی رؤیتگر مرتبه کامل‬

‫‪ ‬سیستم با معادالت حالت زیر را در نظر بگیرید‪:‬‬

‫𝑢𝐵 ‪𝑥̇ = 𝐴𝑥 +‬‬ ‫)∗(‬
‫𝑥𝐶 = 𝑦‬

‫حال سیستم دینامیکی‬

‫̂𝑢‪𝑥̂̇ = 𝐴̂𝑥̂ + 𝐵′‬‬ ‫)‪(1‬‬

‫𝑢‬
‫را که در آن ]𝑦[ = ̂𝑢 و طبعاً ]𝐿 ̂𝐵[ = ‪ 𝐵′‬را در نظر بگیرید‪ .‬پس‬

‫𝑦𝐿 ‪𝑥̂̇ = 𝐴̂𝑥̂ + 𝐵̂ 𝑢 +‬‬ ‫)‪(2‬‬

‫‪7‬‬
‫سؤال اینجاست که آیا با انتخاب مقادیر مناسب برای ̂𝐴‪ 𝐵̂ ،‬و 𝐿 این امکان وجود دارد که حالتهای سیستم (‪ )1‬یعنی ̂𝑥 بعد‬

‫از گذشت زمانی محدود به سمت حالتهای سیستم اصلی یعنی 𝑥 میل کنند؟‬

‫‪ ‬اگر چنین انتخابی وجود داشته باشد‪ ،‬سیستم دینامیکی (‪ )2‬به ازای آن انتخاب‪ ،‬یک رؤیتگر حالت برای سیستم‬

‫اصلی خواهد بود‪.‬‬

‫‪ ‬برای تحقق هدف فوق‪ ،‬کافی است ̂𝑥 ‪ 𝑒 = 𝑥 −‬بعد از گذشت زمانی محدود صفر شود‪ .‬با توجه به رابطه (*) و‬

‫(‪ ،)2‬داریم‪:‬‬

‫𝑥𝐶𝐿 ‪𝑥̇ − 𝑥̂̇ = 𝐴𝑥 − 𝐴̂𝑥̂ + 𝐵𝑢 − 𝐵̂ 𝑢 −‬‬

‫حال اگر انتخاب کنیم‪:‬‬

‫𝐵 = ̂𝐵‬ ‫‪,‬‬ ‫𝐶𝐿 ‪𝐴̂ = 𝐴 −‬‬

‫خواهیم داشت‪:‬‬

‫)̂𝑥 ‪𝑥̇ − 𝑥̂̇ = 𝐴𝑥 − (𝐴 − 𝐿𝐶)𝑥̂ − 𝐿𝐶𝑥 = (𝐴 − 𝐿𝐶)𝑥 − (𝐴 − 𝐿𝐶)𝑥̂ = (𝐴 − 𝐿𝐶)(𝑥 −‬‬

‫یعنی‪:‬‬
‫𝑒)𝐶𝐿 ‪𝑒̇ = (𝐴 −‬‬

‫و اگر 𝐿 به گونهای انتخاب شود که مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬سمت چپ محور موهومی باشند‪ ،‬خطای تخمین با گذشت زمانی‬

‫محدود به صفر خواهد رسید و هدف مورد نظر محقق خواهد شد‪ .‬بنابراین‪ ،‬دینامیک رؤیتگر حالت خطی برای سیستم اصلی‬

‫عبارت است از‪:‬‬

‫𝑦𝐿 ‪𝑥̂̇ = (𝐴 − 𝐿𝐶)𝑥̂ + 𝐵𝑢 +‬‬ ‫)‪(3‬‬

‫که در آن 𝐿 باید به گونهای انتخاب شود که مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬سمت چپ محور موهومی باشند‪.‬‬

‫شکل متداولتر بیان رابطه (‪ )3‬به صورت زیر است‪:‬‬

‫𝒙𝑨 = ̇̂‬
‫𝒙‬ ‫𝒙𝑪 ‪̂ + 𝑩𝒖 + 𝑳(𝒚 −‬‬
‫)̂‬

‫‪ ‬بلوک دیاگرام سیستم دینامیکی رؤیتگر در شکل زیر مشاهده میشود‪.‬‬

‫‪8‬‬
‫‪ ‬شرط الزم و کافی برای وجود بهره 𝐿 به گونهای که مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬در نقاط دلخواه قرار گیرند آن است که‬

‫سیستم رؤیتپذیر باشد‪.‬‬

‫‪ ‬برای آنکه سرعت تخمین حالتها بیشتر شود‪ ،‬باید 𝐿 را به گونهای انتخاب کرد که مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬خیلی‬

‫دور از محور موهومی باشند‪ .‬البته باید توجه داشت که دور کردن مقادیر ویژه از محور موهومی‪ ،‬رؤیتگر را به نویز‬

‫انداهگیری بسیار حساس میکند‪ .‬لذا در کاربردهای عملی باید از فیلتری استفاده کرد که مصالحهای بین سرعت‬

‫تخمین و اثر نویز برقرار میکند‪ .‬نمونهای از این دست رؤیتگرها‪ ،‬فیلتر کالمن است که رؤیتگری بهینه بوده و در‬

‫آینده بیشتر با آن آشنا خواهید شد‪.‬‬

‫‪ ‬با توجه به آنکه‬

‫𝐶 ‪⏟𝑇 −‬‬
‫𝐴( ‪𝑑𝑒𝑡(𝜆𝐼 − (𝐴 − 𝐿𝐶)) = 𝑑𝑒𝑡 (𝜆𝐼 −‬‬ ‫)) 𝑇⏟𝐿 𝑇⏟‬
‫‪𝐴′‬‬ ‫‪𝐵′ 𝐾′‬‬

‫میتوان به این نکته جالب رسید که طراحی بهره رؤیتگر 𝐿 برای یک سیستم همان طراحی بهره فیدبک حالت 𝑇𝐿 برای‬

‫دوگان آن سیستم است‪.‬‬

‫‪9‬‬
 ‫همچنین میتوان گفت جفت )𝐶 ‪ (𝐴,‬رؤیتپذیر است‪ ،‬اگر و تنها اگر جفت ) 𝑇 𝐶 ‪ (𝐴𝑇 ,‬کنترلپذیر باشند‪.‬‬

‫‪ ‬تذکر مهم‪ :‬طبق تعریف‪ ،‬سیستمی آشکارپذیر بود که مودهای ناپایدار آن رؤیتپذیر باشند‪ .‬علت این نامگذاری در‬

‫اینجا قابل توضیح است‪ .‬اگر سیستمی آشکارپذیر باشد‪ ،‬میتوان بهره 𝐿 را به گونهای یافت که مقادیر ویژه‬

‫𝐶𝐿 ‪ 𝐴 −‬سمت چپ محور موهومی قرار گیرند واین بدان معنی است که امکان تخمین حالتهای چنین سیستمی‬

‫وجود دارد‪.‬‬

‫‪ ‬بنابراین‪ ،‬حتی اگر سیستمی رؤیتناپذیر باشد به شرط آشکارپذیری امکان تخمین حالتهای آن وجود دارد‪ .‬نکته‬

‫اینجاست که سرعت تخمین حالتهای چنین سیستمی را نمیتوان به مقدار دلخواه باال برد‪ ،‬در حالیکه در مورد‬

‫سیستم رؤیتپذیر چنین محدودیتی وجود ندارد‪.‬‬

‫‪ ‬طراحی رؤیتگر مرتبه کاهشی‬

‫‪ ‬رؤیتگری که در بخش قبل طراحی شد به دلیل آنکه تمامی متغیرهای حالت را تخمین میزد‪ ،‬رؤیتگر مرتبه کامل‬

‫نام داشت‪.‬‬

‫‪ ‬تخمین متغیرهای حالت میتواند با استفاده از رؤیتگر مرتبه پایینتر در کنار استفاده مستقیم از خروجی سیستم‬

‫انجام شود‪.‬‬

‫‪ ‬لینوبرگر پیشنهاد داد که در گام اول به جای تخمین 𝑥 که دارای ‪ n‬عنصر است‪ ،‬یک ترکیب خطی از متغیرهای‬

‫حالت یعنی 𝑥𝐿 = 𝑧 که 𝐿 یک ماتریس 𝑛 × )𝑙 ‪ (𝑛 −‬است تخمین زده شود‪( .‬طبعاً 𝑧 دارای 𝑙 ‪ 𝑛 −‬عنصر است‬

‫که از ‪ n‬کمتر است)‪ .‬بنابراین بعد از گذشت زمانی 𝑥𝐿 ⟶ 𝑧‪.‬‬

‫در گام دوم با توجه به آنکه 𝑥𝐶 = 𝑦 میتوان گفت بعد از گذشت زمانی‪:‬‬
‫𝑦‬ ‫𝐶‬
‫𝑥] [ = ] [‬
‫𝑧‬ ‫𝐿‬
‫و مشروط به آنکه 𝐿 به گونهای انتخاب شده باشد که ] 𝐶[ معکوسپذیر باشد‪ ،‬میتوان گفت بعد از گذشت زمانی‪:‬‬
‫𝐿‬
‫𝑦 ‪𝐶 −1‬‬
‫] [ ] [=𝑥‬
‫𝐿‬ ‫𝑧‬
‫و اگر‬

‫‪10‬‬
 ‫‪𝐶 −1‬‬ ‫] ‪𝐹2‬‬
‫‪[ ] = [𝐹1‬‬
‫𝐿‬
‫میتوان گفت‪ ،‬بعد از گذشت زمانی‪:‬‬
‫𝑧 ‪𝑥 = 𝐹1 𝑦 + 𝐹2‬‬
‫یعنی 𝑥 ⟶ 𝑧 ‪ 𝐹1 𝑦 + 𝐹2‬یا‬
‫𝒛 𝟐 𝑭 ‪̂ = 𝑭𝟏 𝒚 +‬‬
‫𝒙‬
‫‪ ‬معادله دینامیکی رؤیتگر مرتبه کاهشی لیونبرگر به صورت زیر است‪:‬‬

‫𝒖𝑹 ‪𝒛̇ = 𝑫𝒛 + 𝑻𝒚 +‬‬ ‫)∗(‬

‫هدف آن است که خروجی رؤیتگر یعنی 𝑧 به سمت 𝑥𝐿 میل کند‪.‬‬

‫با توجه به معادله حالت سیستم و معادله (*)‪ ،‬خواهیم داشت‪:‬‬

‫𝑢𝐵𝐿 ‪𝑧̇ − 𝐿𝑥̇ = 𝐷𝑧 + 𝑇𝑦 + 𝑅𝑢 − 𝐿𝐴𝑥 −‬‬
‫اگر انتخاب کنیم‪:‬‬
‫𝑩𝑳 = 𝑹‬
‫خواهیم داشت‪:‬‬
‫𝑥𝐴𝐿 ‪𝑧̇ − 𝐿𝑥̇ = 𝐷𝑧 + 𝑇𝑦 −‬‬
‫اگر‬
‫𝑪𝑻 = 𝑳𝑫 ‪𝑳𝑨 −‬‬
‫خواهیم داشت‪:‬‬

‫)𝑥𝐿 ‪𝑧̇ − 𝐿𝑥̇ = 𝐷𝑧 + 𝑇𝐶𝑥 − (𝑇𝐶 + 𝐷𝐿)𝑥 = 𝐷(𝑧 −‬‬

‫و اگر 𝑥𝐿 ‪ 𝑧 −‬را با 𝑒 نمایش دهیم‪ ،‬خواهیم داشت‪:‬‬
‫𝑒𝐷 = ̇𝑒‬
‫پس اگر 𝑫 به گونهای انتخاب شود که مقادیر ویژه آن سمت چپ محور موهومی باشند‪ 𝑒 ،‬با گذشت زمانی‬

‫صفر شده و لذا 𝑥𝐿 ⟶ 𝑧‬

‫‪ ‬یکی از روشهای طراحی 𝐷‪ 𝑇، 𝐿 ،‬و 𝑅 به صورت زیر است‪:‬‬

‫‪11‬‬
‫گام اول‪ :‬ماتریس مربعی 𝑙‪ 𝐷𝑛−‬با تعیین مقادیر ویژه رؤیتگر تعیین میکنیم‪( .‬معموالً به صورت قطری که عناصر‬

‫روی قطر آن مقادیر ویژه دلخواه رؤیتگر هستند)‬

‫گام دوم‪ :‬انتخاب ماتریس مربعی معکوسپذیر 𝑛𝑄 به گونهای که‬

‫𝑙‪𝐶𝑄 = [0𝑙,𝑛−‬‬ ‫] 𝑙𝐼‬

‫گام سوم‪ :‬محاسبه ماتریس ̃𝐴 از رابطه زیر‬

‫𝑄𝐴 ‪𝐴̃ = 𝑄 −1‬‬

‫و سپس تفکیک آن به صورت زیر‬

‫𝑙‪{𝐴̃11 }𝑛−‬‬ ‫𝑙‪{𝐴̃12 }𝑛−𝑙,‬‬

‫̃‬
‫[=𝐴‬ ‫]‬
‫} ‪{𝐴̃21‬‬ ‫𝑙‪𝑙,𝑛−‬‬
‫𝑙} ‪{𝐴̃22‬‬

‫گام چهارم‪ :‬حل معادله ماتریسی زیر و یافتن 𝑙‪𝐿̃𝑛−𝑙,‬‬

‫𝐷 = ‪𝐴̃11 + 𝐿̃𝐴̃21‬‬
‫گام پنجم‪ :‬یافتن 𝑙‪ 𝑇𝑛−𝑙,‬از رابطه زیر‬

‫𝑇 = ̃𝐿𝐷 ‪𝐴̃12 + 𝐿̃𝐴̃22 −‬‬

‫گام ششم‪ :‬یافتن ماتریسهای 𝐿 و 𝑅 از راوبط زیر‬

‫𝑙‪𝐿 = [𝐼𝑛−‬‬ ‫‪𝐿̃𝑛−𝑙,𝑙 ]𝑄 −1‬‬

‫𝐵𝐿 = 𝑅‬
‫گام هفتم‪ :‬تخمین 𝑥 با یافتن 𝑙‪ {𝐹1 }𝑛,‬و ‪ {𝐹2 }𝑛,𝑛−𝑙,‬از رابطه زیر‪:‬‬

‫‪𝐶 −1‬‬ ‫] ‪𝐹2‬‬

‫‪[ ] = [𝐹1‬‬
‫𝐿‬
‫و رابطه‪:‬‬
‫𝑧 ‪𝑥̂ = 𝐹1 𝑦 + 𝐹2‬‬
‫دیاگرام بلوکی رؤیتگر مرتبه کاهشی لیونبرگر به صورت زیر است‪:‬‬

‫‪12‬‬
 ‫تذکر‪ :‬فرایند طراحی که گام های آن در باال اشاره شد‪ ،‬باعث برقراری رابطه‬
‫𝐶𝑇 = 𝐿𝐷 ‪𝐿𝐴 −‬‬
‫میگردد‪ .‬چرایی برقرار شدن این رابطه را در ادامه بررسی میکنیم‪.‬‬

‫𝑄𝐿𝐷 ‪𝑄𝑄 −1 𝐴 − 𝐷𝐿) 𝑄 = 𝐿𝑄(𝑄 −1 𝐴𝑄) − 𝐷(𝐿𝑄) = 𝐿𝑄𝐴̃ −‬‬

‫⏟ 𝐿( = 𝑄)𝐿𝐷 ‪(𝐿𝐴 −‬‬
‫𝐼‬

‫𝑙‪{𝐴̃11 }𝑛−‬‬ ‫𝑙‪{𝐴̃12 }𝑛−𝑙,‬‬

‫𝑙‪[𝐼𝑛−‬‬ ‫[ ] 𝑙‪𝐿̃𝑛−𝑙,‬‬ ‫𝑙‪] − 𝐷[𝐼𝑛−‬‬ ‫] 𝑙‪𝐿̃𝑛−𝑙,‬‬
‫𝑙‪{𝐴̃21 }𝑙,𝑛−‬‬ ‫𝑙} ‪{𝐴̃22‬‬

‫𝐷 ‪= [𝐴̃11 + 𝐿̃𝐴̃21 −‬‬ ‫]‪𝐴̃12 + 𝐿̃𝐴̃22 − 𝐷𝐿̃] = [0 T‬‬ ‫)‪(1‬‬

‫از طرفی‪:‬‬
‫𝑙‪𝑇𝐶𝑄 = 𝑇[0𝑙,𝑛−‬‬ ‫‪𝐼𝑙 ] = [0‬‬ ‫]‪T‬‬ ‫)‪(2‬‬
‫با مقایسه (‪ )1‬و (‪:)2‬‬
‫𝐶𝑇 = 𝐿𝐷 ‪(𝐿𝐴 − 𝐷𝐿)𝑄 = 𝑇𝐶𝑄 ⟹ 𝐿𝐴 −‬‬

‫‪13‬‬
 ‫‪ ‬مثال‪ .‬برای سیستم آونگ معکوس موجود در کتاب فرایندهای زیر انجام شده است‪:‬‬

‫‪ -1‬استخراج مدل فضای حالت با استفاده از قانون نیوتن‬

‫𝑥[ = 𝑋‬ ‫̇𝑥‬ ‫𝜃‬ ‫]̇𝜃‬

‫‪ -2‬خطیسازی سیستم حول نقطه تعادل (وضعیتی که آونگ رو به باال با زاویه ‪ 90‬درجه نسبت به افق قرار گرفته‬

‫است)‬

‫‪ -3‬تحلیل پایداری و نتیجهگیری ناپایداری این نقطه تعادل‬

‫‪ -4‬طراحی کنترلکننده فیدبک حالت و پایدارسازی سیستم خطی و نتیجهگیری پایداری مجانبی سیستم غیرخطی با‬

‫ناحیه جذب معین‬

‫‪𝑢 = −𝐾𝑥, 𝐾 = [−1.91 −4.262‬‬ ‫]‪−45.49 −15.64‬‬

‫همانطور که مشاهده میشود برای پیادهسازی این سیستم کنترل‪ ،‬احتیاج به مقادیر موقعیت و سرعت ارابه و همچنین زاویه‬

‫و سرعت زاویهای آونگ داریم‪.‬‬

‫‪ ‬حال سؤال اساسی اینجاست که آیا صرفاً با استفاده از یک سنسور موقعیت ارابه‪ ،‬پیادهسازی این سیستم کنترل‬

‫امکانپذیر است؟‬

‫اگر این سیستم‪ ،‬رؤیتپذیر باشد‪ ،‬امکان تخمین حالتهای سیستم با سرعت دلخواه وجود خواهد داشت‪.‬‬

‫‪14‬‬
 ‫𝐶‬
‫𝐴𝐶‬
‫] ‪Φ𝑜 = [ 2‬‬
‫𝐴𝐶‬
‫‪𝐶𝐴3‬‬
‫رتبه این ماتریس بررسی شده و کامل بوده است و این به معنای رؤیتپذیری این سیستم است‪.‬‬

‫‪ ‬بنابراین میتوان بهره 𝐿 را به گونهای یافت که مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬سمت چپ محور موهومی باشند‪ .‬یک‬

‫انتخاب برای چنین 𝐿 ی به صورت زیر انجام شده است‪:‬‬

‫)‪𝑑𝑒 𝑡(𝜆𝐼 − 𝐴 − 𝐿𝐶) = (𝜆 + 2.8 + 𝑗12)(𝜆 + 2.8 − 𝑗12)(𝜆 + 3.2 − 𝑗1.2)(𝜆 + 3.2 + 𝑗1.2‬‬

‫و از آن نتیجه زیر حاصل شده است‪:‬‬

‫‪𝐿𝑇 = [12‬‬ ‫‪204‬‬ ‫‪−7131‬‬ ‫]‪−17965‬‬
‫نتیجه استفاده از رؤیتگر برای این سیستم با شبیهسازی متغیرهای حالت واقعی و تخمینی در شکل های زیر نمایش داده‬

‫شده است‪:‬‬

‫‪15‬‬
 ‫‪ ‬طراحی رؤیتگر مرتبه کاهشی برای سیستم آونگ‬

‫‪ ‬در اینجا فرض میکنیم موقعیت گاری و زاویه آونگ یعنی ‪ 𝑥1‬و ‪ 𝑥3‬اندازهگیری شدهاند‪ .‬پس‪:‬‬
‫‪1 0‬‬ ‫‪0 0‬‬
‫[=𝐶‬ ‫]‬
‫‪0 0‬‬ ‫‪1 0‬‬
‫گام اول‪ :‬انتخاب 𝐷‬

‫𝟎𝟏‪−‬‬ ‫𝟎‬
‫[=𝑫‬ ‫]‬
‫𝟎‬ ‫𝟎𝟏‪−‬‬
‫گام دوم‪ :‬انتخاب 𝑄 به گونهای که‬
‫𝑙‪𝐶𝑄 = [0𝑙,𝑛−‬‬ ‫] 𝑙𝐼‬
‫یک انتخاب به صورت زیر است‪:‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫[=𝑄‬ ‫]‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫گام سوم‪ :‬محاسبه ماتریس ̃𝐴 از رابطه زیر‬

‫𝑄𝐴 ‪𝐴̃ = 𝑄 −1‬‬

‫پس‪:‬‬
‫‪0 0‬‬ ‫‪⋮ 0‬‬ ‫‪−0.1536‬‬
‫‪0 0‬‬ ‫‪⋮ 0‬‬ ‫‪4.8266‬‬
‫⋯ ⋯ = ̃𝐴‬ ‫⋯ ⋮‬ ‫…‬
‫‪1 0‬‬ ‫‪⋮ 0‬‬ ‫‪0‬‬
‫‪[0 1‬‬ ‫‪⋮ 0‬‬ ‫‪0‬‬ ‫]‬
‫گام چهارم‪ :‬حل معادله ماتریسی زیر و یافتن 𝑙‪𝐿̃𝑛−𝑙,‬‬

‫𝐷 = ‪𝐴̃11 + 𝐿̃𝐴̃21‬‬
‫پس‪:‬‬
‫‪−10‬‬ ‫‪0‬‬
‫[ = ̃𝐿‬ ‫]‬
‫‪0‬‬ ‫‪−10‬‬

‫گام پنجم‪ :‬یافتن 𝑙‪ 𝑇𝑛−𝑙,‬از رابطه زیر‬

‫𝑇 = ̃𝐿𝐷 ‪𝐴̃12 + 𝐿̃𝐴̃22 −‬‬

‫گام ششم‪ :‬یافتن ماتریسهای 𝐿 و 𝑅 از راوبط زیر‬

‫‪16‬‬
‫𝑙‪𝐿 = [𝐼𝑛−‬‬ ‫‪𝐿̃𝑛−𝑙,𝑙 ]𝑄 −1‬‬
‫𝐵𝐿 = 𝑅‬
‫پس‪:‬‬
‫‪−10 1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫[=𝐿‬ ‫]‬
‫‪0‬‬ ‫‪0 −10 1‬‬
‫‪0.923‬‬
‫[=𝑅‬ ‫]‬
‫‪−0.4473‬‬
‫گام هفتم‪ :‬با یافتن 𝑙‪ {𝐹1 }𝑛,‬و ‪ {𝐹2 }𝑛,𝑛−𝑙,‬از رابطه زیر‪:‬‬
‫‪−1‬‬
‫𝐶‬ ‫] ‪𝐹2‬‬
‫] [‬ ‫‪= [𝐹1‬‬
‫𝐿‬
‫پس‪:‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪10‬‬ ‫‪0‬‬ ‫‪10‬‬ ‫‪0‬‬
‫[ = ‪𝐹1‬‬ ‫]‬ ‫‪,‬‬ ‫[ = ‪𝐹2‬‬ ‫]‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪10‬‬
‫و تخمین 𝑥 با رابطه‪:‬‬
‫𝑧 ‪𝑥̂ = 𝐹1 𝑦 + 𝐹2‬‬
‫نتیجه استفاده از رؤیتگر برای این سیستم با شبیهسازی متغیرهای حالت واقعی و تخمینی در شکل های زیر نمایش داده‬
‫شده است‪:‬‬

‫‪17‬‬
 ‫‪ ‬تلفیق سیستم کنترل فیدبک حالت با رؤیتگر حالت مرتبه کامل‬

‫‪ ‬همانطور که گفتیم برای پیادهسازی کنترل فیدبک حالت در حالت کلی احتیاج به یک رؤیتگر حالت خواهیم‬

‫داشت‪ .‬در حقیقت بلوک دیاگرام سیستم حلقهبسته به صورت شکل زیر خواهد بود‪:‬‬

‫‪ ‬حال سؤال اساسی اینجاست که طراحی 𝐾 و 𝐿 در ساختار فوق میتواند به صورت مجزای از هم انجام شود؟‬

‫و دیگر اینکه وجود رؤیتگر چه تأثیری روی دینامیک سیستم حلقهبسته دارد؟‬

‫برای پاسخ به سؤاالت فوق‪ ،‬معادالت دینامیکی سیستم حلقهبسته فوق را به دست میآوریم‪ .‬همانور که مشاهده میشود‬

‫این سیستم‪ ،‬دارای 𝑛‪ 2‬متغیر حالت است که میتواند در قالب بردار 𝑧 به صورت زیر نمایش داده شود‪:‬‬
‫𝑥‬
‫] [=𝑧‬
‫̂𝑥‬
‫پس کافی است ‪ 𝐴′‬را در معادله زیر بیابیم‪:‬‬

‫‪18‬‬
‫𝑧 ‪𝑧̇ = 𝐴′‬‬
‫با توجه به معادله حالت پلنت‪ ،‬میدانیم‪:‬‬
‫̂𝑥𝐾𝐵 ‪𝑥̇ = 𝐴𝑥 + 𝐵𝑢 = 𝐴𝑥 + 𝐵(−𝐾𝑥̂) = 𝐴𝑥 −‬‬ ‫)‪(1‬‬
‫و با توجه به معادله دینامیکی رؤیتگر‪ ،‬میدانیم‪:‬‬

‫)‪𝑥̂̇ = (𝐴 − 𝐿𝐶)𝑥̂ + 𝐵𝑢 + 𝐿𝑦 = (𝐴 − 𝐿𝐶)𝑥̂ + 𝐵(−𝐾𝑥̂) + 𝐿𝐶𝑥 = (𝐴 − 𝐿𝐶 − 𝐵𝐾)𝑥̂ + 𝐿𝐶𝑥 (2‬‬

‫با استفاده از روابط (‪ )1‬و (‪ ،)2‬خواهیم داشت‪:‬‬

‫𝐴‬ ‫𝐾𝐵‪−‬‬
‫[ = ̇𝑧‬ ‫𝑧]‬ ‫)‪(3‬‬
‫𝐶𝐿⏟‬ ‫𝐾𝐵 ‪𝐴 − 𝐿𝐶 −‬‬
‫‪𝐴′‬‬

‫معادله حالت فوق‪ ،‬همان معادله حالت سیستم حلقهبسته است‪ .‬مقادیر ویژه‪ ،‬این ماتریس‪ ،‬همان مقادیر ویژه سیستم حلقه‪-‬‬

‫بسته هستند‪ .‬قبل از محاسبه مقادیر ویژه سیستم حلقهبسته از رابطه (‪ ،)3‬با انتخاب متغیرهای حالت سیستم حلقهبسته به‬

‫صورت‬
‫𝑥‬
‫] [ = ‪𝑧1‬‬
‫𝑒‬
‫که در آن ̂𝑥 ‪ ،𝑒 = 𝑥 −‬معادالت حالت سیستم حلقهبسته را باز نویسی میکنیم‪:‬‬

‫𝑒𝐾𝐵 ‪𝑥̇ = 𝐴𝑥 − 𝐵𝐾𝑥̂ = 𝐴𝑥 − 𝐵𝐾(𝑥 − 𝑒) = (𝐴 − 𝐵𝐾)𝑥 +‬‬ ‫)‪(4‬‬

‫و دینامیک خطای تخمین را هم که قبالً به صورت زیر دست آورده بودیم‪:‬‬

‫𝑒)𝐶𝐿 ‪𝑒̇ = (𝐴 −‬‬ ‫)‪(5‬‬
‫یعنی‪:‬‬
‫𝐾𝐵 ‪𝐴 −‬‬ ‫𝐾𝐵‬
‫[ = ‪𝑧̇1‬‬ ‫𝑧]‬ ‫)‪(6‬‬
‫‪⏟ 0‬‬ ‫‪𝐴 − 𝐿𝐶 1‬‬
‫̂𝐴‬

‫میدانیم که مقادیر ویژه سیستم حلقهبسته‪ ،‬همان مقادیر ویژه ماتریس ̂𝐴 در رابطه (‪ )6‬است‪ .‬از طرفی‬
‫𝐾𝐵 ‪𝜆𝐼 − 𝐴 +‬‬ ‫𝐾𝐵‪−‬‬
‫| = )̂𝐴 ‪𝑑𝑒𝑡(𝜆𝐼 −‬‬ ‫|𝐶𝐿 ‪| = |𝜆𝐼 − 𝐴 + 𝐵𝐾||𝜆𝐼 − 𝐴 +‬‬
‫‪0‬‬ ‫𝐶𝐿 ‪𝜆𝐼 − 𝐴 +‬‬

‫با توجه به رابطه فوق‪ ،‬مجموعه مقادیر ویژه سیستم حلقهبسته متشکل از مقادیر ویژه 𝐾𝐵 ‪ 𝐴 −‬و مقادیر ویژه 𝐶𝐿 ‪𝐴 −‬‬

‫است‪.‬‬

‫‪19‬‬
‫از آنچه گفته شد نتیجه میگیریم که طراحی سیستم کنترل با رؤیتگر را میتوان به طور جداگانه انجام داد زیرا که ترکیب‬

‫آنها یک سیستم کنترل پایدار مجانبی را نتیجه خواهد داد‪ .‬به این واقعیت که میتوان کنترل فیدبک حالت و رؤیتگر را به‬

‫صورت جداگانه انجام داد‪ ،‬اصل جداپذیری (‪ )Separation Principle‬میگویند‪.‬‬

‫تمرین‪ .‬معادالت حالت سیستم حلقهبسته با رؤیتگر مرتبه کاهشی را بنویسید و نشان دهید که مجموعه مقادیر ویژه‬

‫سیستم حلقهبسته متشکل از مقادیر ویژه 𝐾𝐵 ‪ 𝐴 −‬و مقادیر ویژه 𝐷 بوده و لذا اصل جداپذیری در آنجا نیز برقرار است‪.‬‬

‫‪ ‬مثال‪ .‬برای مثال حرکت طولی هواپیمای فصل ششم 𝐾 با هدف قرارگیری مقادیر ویژه 𝐾𝐵 ‪ 𝐴 −‬در نقاط‬

‫}‪ {−2.5, −2, −1.5, −1‬و 𝐿 با هدف قرارگیری مقادیر ویژه 𝐶𝐿 ‪ 𝐴 −‬در نقاط }‪ {−3, −4.5, −6, −7.5‬با‬

‫فرض اندازهگیری متغیر حالت اول (سرعت طولی) به صورت زیر به دست آمدند‪:‬‬
‫‪𝐾 = [0.4116‬‬ ‫‪−8.0975‬‬ ‫‪−3.2578‬‬ ‫]‪−9.1956‬‬
‫𝑇]‪𝐿 = [19.93 −23.63 −49.02 −4.89‬‬
‫تذکر‪ :‬کدهای متلب برای رسیدن به بردارهای فوق عبارتند از‬
‫‪𝐾 = 𝑝𝑙𝑎𝑐𝑒(𝐴, 𝐵, [−1‬‬ ‫‪−1.5 −2‬‬ ‫)]‪−2.5‬‬
‫)]‪𝐿𝑇 = 𝑝𝑙𝑎𝑐𝑒(𝐴𝑇 , 𝐶 𝑇 , [−3 −4.5 −6 −7.5‬‬

‫شکلهای زیر پاسخ سیستم حلقهبسته با رؤیتگر (ب) و بدون رؤیتگر (الف) را نمایش میدهد‪ .‬مشاهده میشود که سیستم‬

‫کنترل به خوبی با تخمین متغیرهای حالت سیستم را پایدار کرده است‪.‬‬

‫‪20‬‬
‫یکی از نکات مهمی که قبل از پیادهسازی هر سیستم کنترل طراحی شده باید به آن توجه داشت‪ ،‬میزان انرژی مورد نیاز‬

‫برای تحقق اهداف مسأله است‪ .‬طبیعی است هر عملگری که در سیستم کنترل استفاده شود توان محدودی دارد و توجه به‬

‫توان و همچنین دینامیک عملگر (سرعت پاسخ دهی آن) باید پیش از پیادهسازی سیستم کنترل انجام شود‪ .‬این کار معموالً‬

‫با بررسی سیگنال کنترل در فرایند شبیهسازی انجام میشود‪ .‬برای مسأله فوق‪ ،‬سیگنال کنترلی در دو حالت (الف) در‬

‫دسترس بودن تمام متغیرهای حالت و بدون استفاده از رؤیتگر و (ب) استفاده از رؤیتگر نمایش داده شده است‪.‬‬

‫‪21‬‬
22