Computation of lower bounds for the induced L2 norm of LPV systems

Resumo Técnico: Computação de Limites Inferiores para a Norma $L_2$ Induzida de Sistemas LPV

Definição do Problema
Determinar a norma $L_2$ induzida de sistemas Variantes de Parâmetros Lineares (LPV) é um componente crítico para análise e projeto de controle robusto. Embora a norma exata seja geralmente intratável, a maior parte da literatura existente foca na computação de limites superiores usando teoremas de ganho pequeno escalonados com multiplicadores dinâmicos ou desigualdades de dissipação com funções de Lyapunov dependentes de parâmetros. Uma lacuna significativa permanece na computação de limites inferiores. O único método amplamente disponível para limites inferiores é a análise de "ponto congelado" (frozen point), que avalia o sistema em valores de parâmetros constantes. No entanto, esta abordagem é frequentemente altamente conservadora porque negligencia a variação dinâmica dos parâmetros de escalonamento, falhando em capturar o desempenho de pior caso do sistema variante no tempo.

Metodologia
O artigo propõe um algoritmo complementar para computar limites inferiores restringindo as trajetórias do parâmetro de escalonamento a sinais periódicos. Esta restrição transforma o sistema LPV em um sistema Periódico Variante no Tempo Linear (PLTV). A metodologia aproveita resultados recentes que permitem o cálculo exato da norma $L_2$ induzida de sistemas PLTV.

A abordagem técnica central envolve três componentes principais:

1. Computação de Norma Exata para Sistemas PLTV:
   Os autores utilizam um algoritmo de bisseção baseado na representação de operador "levantado" (lifted) do sistema PLTV. Ao converter o sistema contínuo no tempo periódico em um sistema Linear Invariante no Tempo (LTI) discreto ($G_\gamma$), o problema de determinar se a norma é menor que um escalar $\gamma$ é reduzido à verificação da estabilidade de $G_\gamma$ (especificamente, se $\|G_\gamma\|_\infty < 1$). Esta verificação envolve a resolução de equações diferenciais Hamiltonianas ou, de forma mais robusta, a integração de equações diferenciais de Riccati matriciais para computar as matrizes de estado do sistema levantado.

2. Construção de Entrada de Pior Caso:
   Uma contribuição inovadora é a derivação de um sinal de entrada de pior caso para sistemas PLTV usando apenas operadores no domínio do tempo. Ao analisar a dinâmica Hamiltoniana associada ao sistema, os autores identificam autovalores de módulo unitário da matriz de monodromia. Os autovetores correspondentes são usados para construir um sinal de entrada periódico que atinge o ganho do sistema. Para satisfazer a definição de $L_2$ (que assume condições iniciais nulas e energia finita), o sinal é truncado após um grande número de períodos, e a parte real é extraída caso o sinal seja complexo. Esta construção fornece uma trajetória de entrada "ruim" que aproxima o ganho computado.

3. Algoritmo de Otimização de Limite Inferior:
   O artigo formula o problema do limite inferior como uma otimização não convexa de dimensão finita sobre o espaço de trajetórias periódicas.

   • Parametrização de Trajetória: Trajetórias periódicas são caracterizadas usando funções lineares por partes definidas por um vetor de parâmetros (offset e comprimentos de intervalo) sujeitos a restrições de amplitude e taxa. Isso garante que o espaço de busca seja um polítopo.
   • Estratégia de Otimização: O algoritmo (Algoritmo 3) primeiro computa um limite superior global ($\gamma_{ub}$) para o sistema LPV. Em seguida, otimiza uma função de custo $\nu(c, \gamma_{ub})$ (relacionada à norma do sistema PLTV) sobre o vetor de parâmetros $c$. Se a otimização resultar em um valor $\ge 1$, isso implica que o $\gamma_{ub}$ atual é muito baixo, e o limite inferior é atualizado. Esta abordagem evita o loop de bisseção computacionalmente caro exigido pela maximização direta da norma.

Principais Resultados
O artigo valida o método proposto através de quatro exemplos numéricos:

• Controlador PI com Escalonamento de Ganho: Uma interconexão de feedback de um sistema LPV de primeira ordem e um controlador. O método proposto yielded um limite inferior de 2,84, comparado a um limite inferior de ponto congelado de 1,11 e um limite superior de 2,96. O gap entre o limite superior e o inferior foi reduzido para 0,13, indicando uma estimativa justa.
• Sistema LTI Escalonado: Um sistema onde a diferença entre entradas e saídas escalonadas é zero para parâmetros constantes (limite inferior congelado = 0). O algoritmo identificou com sucesso limites inferiores não nulos para vários limites de taxa ($\mu$), aproximando-se de perto dos limites superiores computados.
• Sistema Rotacionado: Um sistema envolvendo uma rotação dependente de parâmetro. O método melhorou o limite inferior de 2,696 (congelado) para 3,15, contra um limite superior de 3,3.
• Sistema de Dois Parâmetros: Um sistema complexo combinando os exemplos anteriores. O algoritmo alcançou um limite inferior de 5,047 contra um limite superior de 5,38, superando significativamente o limite inferior de ponto congelado de 0.

Em todos os casos, os limites inferiores computados foram significativamente mais justos que as estimativas de ponto congelado e aproximaram-se de perto dos limites superiores conhecidos.

Significância e Alegações
O artigo alega que o algoritmo proposto fornece um método prático e confiável para computar limites inferiores da norma $L_2$ induzida de sistemas LPV. Sua significância é dupla:

1. Complementaridade: Ele complementa as técnicas padrão de limite superior. Um pequeno gap entre o limite inferior e o superior computados indica que a norma do sistema está caracterizada de forma justa, potencialmente tornando desnecessária qualquer análise complexa adicional (por exemplo, usando funções de Lyapunov de ordem superior).
2. Geração de Insights: Diferente dos métodos de limite superior que frequentemente fornecem apenas um valor escalar, este algoritmo retorna a trajetória de parâmetro específica "ruim" e o respectivo sinal de entrada de pior caso. Estes podem ser analisados para fornecer insights físicos sobre as limitações de desempenho do sistema.

Os autores enfatizam que o método é desenvolvido para sistemas LPV "Gridded" (dependência de parâmetro arbitrária), mas é trivialmente aplicável a modelos de Transformação Linear Fracionária (LFT). A abordagem depende de ferramentas numéricas padrão e não assume restrições estruturais específicas para o sistema LPV além da limitação e diferenciabilidade padrão dos parâmetros de escalonamento.