⚡ electrical engineering

Analysis of Non-Square Nonlinear MIMO Systems using Scaled Relative Graphs

Este artículo presenta un método de análisis de Gráficos Relativos Escalados (SRG) generalizado para sistemas no lineales MIMO no cuadrados, logrando esto mediante la incrustación de operadores en un espacio de Hilbert común que preserva la dimensión de entrada original para evitar conservadurismo, y establece teoremas de estabilidad y fórmulas de cálculo aplicables a representaciones fraccionarias lineales (LFR).

Autores originales: Julius P. J. Krebbekx, Roland Tóth, Amritam Das

Publicado 2026-04-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Julius P. J. Krebbekx, Roland Tóth, Amritam Das

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para un nuevo tipo de "brújula" matemática que ayuda a los ingenieros a construir puentes, redes eléctricas y sistemas de control que no se caigan, incluso cuando son muy complejos y desordenados.

Aquí tienes la explicación en español, usando analogías sencillas:

🌍 El Problema: El Mapa que no encajaba

Imagina que los ingenieros tienen una herramienta llamada Gráfico Relativo Escalado (SRG). Piensa en esto como un mapa de calor que les dice si un sistema (como un robot o un circuito) va a funcionar bien o si se va a descontrolar.

Hasta ahora, este mapa solo funcionaba perfectamente para sistemas "cuadrados".

Sistema Cuadrado: Imagina una caja con 3 entradas (como 3 botones) y 3 salidas (3 luces). Todo encaja perfecto.
Sistema No Cuadrado: Imagina una caja con 5 botones pero solo 2 luces, o al revés: 2 botones y 5 luces.

Antes, si alguien intentaba usar este mapa en sistemas "rectangulares" (no cuadrados), tenía que hacer trampa: añadía botones o luces falsas (imaginarias) para que la caja pareciera cuadrada. El problema es que esa "trampa" hacía que el mapa fuera muy conservador (miedo a que todo fallara) o, peor aún, que el mapa dijera que el sistema era inestable cuando en realidad funcionaba bien. Era como intentar medir un rectángulo con una regla cuadrada: los resultados siempre estaban un poco torcidos.

💡 La Solución: El "Truco de la Mochila"

Los autores de este artículo (Julius, Roland y Amritam) han desarrollado una nueva forma de usar este mapa que no necesita trampa.

Su idea genial es como poner una mochila especial en el sistema:

La Mochila (El Espacio Común): Imaginan que todos los sistemas, sean de 2 botones o de 100, caben en una gran sala común (un espacio matemático).
La Regla de Oro (Restricción): Cuando analizan el sistema, se aseguran de ignorar las partes de la mochila que no existen realmente. Si el sistema original tenía 2 botones, el mapa solo mira esos 2 botones y hace como que los otros 3 botones de la mochila no están ahí.

La analogía del restaurante:
Imagina un restaurante que tiene 5 mesas (salidas) pero solo 2 camareros (entradas).

El método viejo: Decía "¡Espera! Necesitamos 5 camareros para que funcione". Si no los tenía, decía que el restaurante iba a colapsar.
El método nuevo: Dice "Ok, tenemos 5 mesas, pero solo usaremos 2 camareros. Vamos a ver cómo funcionan esas 2 mesas con los 2 camareros reales". ¡Y resulta que el restaurante funciona perfectamente!

🛠️ ¿Qué logran con esto?

Gracias a este nuevo método, pueden:

Evitar el pánico innecesario: Ya no dicen que un sistema es inestable solo porque sus dimensiones no coinciden.
Analizar sistemas reales: Muchos sistemas del mundo real (como redes de energía o robots con muchos sensores pero pocos actuadores) son "rectangulares". Ahora pueden analizarlos con precisión.
Usar la forma LFR: Usan una forma de representar sistemas llamada "Representación Fraccional Lineal" (LFR). Imagina que es como desarmar un juguete complejo en dos partes: una parte que es mecánica y predecible (Lineal) y otra parte que es un poco loca o impredecible (No Lineal). Su método permite analizar cómo interactúan estas dos partes sin importar cuántas piezas tenga cada una.

🚀 Ejemplos de la vida real en el papel

El artículo prueba su teoría con varios ejemplos divertidos:

Un sistema de resortes: Imagina dos masas unidas por resortes. Algunos resortes son normales, pero uno es "negativo" (empuja en lugar de tirar). El nuevo mapa puede decir exactamente cuánto puede moverse el sistema antes de volverse loco, incluso si los sensores y los motores no son iguales en número.
Circuitos eléctricos: Pueden analizar circuitos donde entran más señales de las que salen, asegurando que no se quemen.

🏁 Conclusión

En resumen, este artículo es como darle unas gafas de realidad aumentada a los ingenieros. Antes, cuando veían un sistema con dimensiones extrañas, las gafas les decían "¡Peligro! No sabemos si funciona". Ahora, con las nuevas gafas (el nuevo método de SRG), pueden ver claramente que el sistema es seguro y estable, ahorrando dinero y tiempo en diseños que antes se descartaban por miedo.

Es un avance importante porque permite diseñar sistemas más eficientes y menos conservadores, aprovechando al máximo la tecnología que ya tenemos, sin tener que forzarla a encajar en moldes cuadrados que no le corresponden.

Aquí presento un resumen técnico detallado del artículo "Análisis de Sistemas MIMO No Lineales No Cuadrados utilizando Gráficos Relativos Escalados (SRG)" (versión ampliada), escrito por Krebbekx, Tóth y Das.

1. Planteamiento del Problema

Los métodos gráficos clásicos de control (como Nyquist y Bode) son fundamentales para sistemas lineales e invariantes en el tiempo (LTI), pero su extensión a sistemas multivariables no lineales (MIMO) sigue siendo un desafío. Recientemente, se propuso el Gráfico Relativo Escalado (SRG) como una herramienta gráfica en el dominio de la frecuencia para analizar sistemas no lineales, ofreciendo condiciones suficientes para la estabilidad y cotas de ganancia $L_2$ (incremental y no incremental).

Sin embargo, las extensiones existentes del análisis SRG a sistemas MIMO presentan una limitación crítica: solo son aplicables a sistemas cuadrados (donde el número de entradas es igual al número de salidas). Esto se debe a la estructura inherente del espacio de Hilbert utilizada en la definición del SRG, que requiere que el dominio y el rango del operador estén en el mismo espacio.

Cuando se intenta analizar sistemas no cuadrados (donde $p \neq q$ ), los enfoques tradicionales suelen "cuadrar" el sistema añadiendo entradas o salidas artificiales (técnicas de squaring up). El problema de este enfoque es que introduce conservadurismo (resultados más pesimistas de lo necesario) y puede destruir propiedades clave como la pasividad o la estabilidad del lazo cerrado, ya que las dimensiones adicionales alteran la geometría del gráfico relativo.

2. Metodología Propuesta

El núcleo de la contribución de este trabajo es el desarrollo de un marco teórico para analizar operadores no cuadrados sin introducir conservadurismo innecesario. La metodología se basa en los siguientes pilares:

Incrustación (Embedding) con Restricción de Dominio:
En lugar de simplemente añadir entradas/salidas no nulas para cuadrar el sistema, los autores proponen incrustar todos los operadores en un espacio de Hilbert común de dimensión $n = \max(p, q)$ .
- Para operadores "anchos" ( $p > q$ ), se añaden salidas cero.
- Para operadores "altos" ( $p < q$ ), se añaden entradas cero.
- Innovación clave: Se restringe estrictamente el espacio de señales de entrada al subespacio original de dimensión $p$ (o $q$ ). Esto significa que, aunque el operador incrustado actúa en un espacio mayor, el análisis SRG solo considera las señales que realmente existen en el sistema original. Esto evita el conservadurismo asociado con las entradas/salidas artificiales no nulas.
Generalización del Cálculo SRG:
Se generalizan las reglas de interconexión del SRG (suma, producto, inversión) para espacios de entrada restringidos. Se demuestran teoremas que garantizan que las propiedades de estabilidad y ganancia se preservan bajo esta incrustación.
Análisis en Forma de Representación Fraccional Lineal (LFR):
El marco se aplica específicamente a sistemas en forma LFR, donde un bloque LTI ( $G$ ) se conecta en retroalimentación con un bloque de no linealidades estáticas o dinámicas ( $\Phi$ ). Se desarrollan teoremas de estabilidad que garantizan la bien planteada (well-posedness), causalidad y cotas de ganancia $L_2$ incremental para la interconexión completa.
Algoritmos de Cálculo:
Se proporcionan fórmulas explícitas y algoritmos computacionalmente tratables para calcular los SRG de:
1. Operadores LTI estables (cuadrados y no cuadrados).
2. Bloques no lineales estáticos diagonales.
3. Bloques no lineales estáticos no cuadrados.

3. Contribuciones Clave

Definición del SRG MIMO para Operadores No Cuadrados: Se introduce una definición formal (Definición 1) que permite calcular el SRG de sistemas con dimensiones de entrada y salida diferentes, preservando la fidelidad del sistema original mediante la restricción del dominio.
Teoremas de Estabilidad Generalizados: Se extienden los resultados de homotopía incremental (basados en trabajos previos como [3]) al contexto MIMO no cuadrado, proporcionando condiciones suficientes para la estabilidad y la existencia de lazo cerrado.
Reducción del Conservadurismo: Se demuestra teórica y experimentalmente que el enfoque de incrustación con restricción es significativamente menos conservador que los métodos tradicionales de "cuadrado" (squaring up), especialmente en sistemas donde la adición de dimensiones artificiales destruye la pasividad o la estabilidad.
Herramientas Computacionales: Se presenta una caja de herramientas en Julia (SrgTools.jl) que implementa estos algoritmos, permitiendo el cálculo exacto de SRG para sistemas LTI y la obtención de cotas para sistemas no lineales.

4. Resultados y Ejemplos

Los autores validan su metodología mediante cuatro ejemplos que demuestran las ventajas del enfoque:

Sistema de Lur'e No Cuadrado: Comparando el sistema original con su versión "cuadrada" artificial, se muestra que el método propuesto logra una cota de ganancia $L_2$ mucho más ajustada (ej. $\gamma \leq 0.4$ vs $\gamma \leq 12.5$ en un caso específico) y puede probar la estabilidad en rangos de parámetros donde el método cuadrado falla. Además, preserva la propiedad de pasividad que se pierde al cuadrar el sistema.
Sistema SISO con Múltiples No Linealidades: Se analiza un sistema con dos no linealidades. El enfoque MIMO propuesto logra una cota de ganancia incremental ( $\Gamma \leq 2.33$ ) más ajustada que la obtenida con herramientas SISO puras ( $\Gamma \leq 4.81$ ) y proporciona garantías de causalidad y bien planteada que antes debían asumirse.
Sistema Masa-Resorte-Amortiguador MIMO: Se modela un sistema mecánico con resortes no lineales. El análisis SRG confirma la estabilidad y proporciona una cota de ganancia, demostrando la aplicabilidad en sistemas físicos complejos.
Comparación con Resultados Basados en IQC: En un ejemplo de estabilidad no incremental, los resultados obtenidos con SRG coinciden con los de métodos de Criterios de Integral de Cuadrado (IQC), validando la precisión del método, pero con la ventaja de ser un enfoque puramente gráfico y modular.

5. Significancia e Impacto

Este trabajo es significativo porque cierra una brecha teórica importante en el análisis de sistemas de control no lineal. Permite aplicar la potencia y la intuición gráfica del SRG (análogo a los diagramas de Bode/Nyquist para no lineales) a una clase mucho más amplia de sistemas reales, que a menudo son no cuadrados debido a sensores, actuadores o arquitecturas de control específicas.

La capacidad de analizar sistemas no cuadrados sin sacrificar precisión (reduciendo el conservadurismo) tiene implicaciones directas en el diseño de controladores robustos, la identificación de sistemas y el análisis de redes neuronales recurrentes, donde la forma LFR es común. Además, al proporcionar herramientas computacionales y fórmulas explícitas, el trabajo facilita la adopción práctica de estas técnicas en la ingeniería de control moderna.