Introducción a las desigualdades
lineales matriciales y su aplicación
Mauricio Junca
Peláez1
Víctor Hugo
Grisales Palacio2
Alain Gauthier
Sellier3
1
Profesor Asistente Departa-
mento de Matemáticas, Uni-
versidad de los Andes.
2
Profesor investigador Labo-
ratorio de Automática, Mi-
croelectrónica e Inteligencia
Computacional (LAMIC),
Universidad Distrital FJDC.
3
Profesor Titular Facultad de
Ingeniería e Investigador del
Grupo de Investigación en
Automatización y Produc-
ción (GIAP), Universidad de
los Andes.
Artículo recibido en
Septiembre de 2005
Aceptado en Octubre de 2005
30 Vol. 10 No. 2
Ingeniería
en control automático
RESUMEN
Este artículo presenta una breve introducción
y aplicaciones de las desigualdades lineales
matriciales en control automático. Esta nueva
técnica matemática consiste en llevar los pro-
blemas de control a problemas de optimización
convexa y resolverlos por medio de eficientes
algoritmos computacionales disponibles hoy en
día. Usando métodos numéricos se pueden re-
solver en un tiempo razonable un buen núme-
ro de problemas de control automático que no
se les conoce solución analítica o no la tienen.
En este trabajo se consideran como aplicacio-
nes el análisis de estabilidad cuadrática así como
las especificaciones de desempeño en términos
de restricciones. Estos conceptos se emplean
para el diseño de un sistema de control para un
péndulo invertido. Los resultados de simula-
ción ilustran la aplicación de la técnica y mues-
tran el cumplimiento de las especificaciones de
diseño planteadas.
Palabras clave: control no lineal, control
automático, desigualdades lineales matriciales,
estabilidad cuadrática, métodos numéricos,
optimización.
ABSTRACT
This article presents a brief introduction and
applications of the linear matrix inequalities in
automatic control. This new mathematical
technique consists of transforming the con-
trol problems to convex optimization problems
and to solve them by means of efficient
computational algorithms available nowadays.
A good number of automatic control problems,
for which there are not analytic solution or they
don’t have it, can be solved by using numeric
methods in a reasonable time. In this work they
are considered as applications the analysis of
quadratic stability as well as the performance
specifications in terms of restrictions. These
concepts are used to design a control system
for an inverted pendulum. The simulation
results illustrate the application of the technique
and show the fulfillment of the design
specifications established.
Key words: nonlinear control, automatic
control, linear matrix inequalities (LMIs),
quadratic stability, numeric methods,
optimization.
1. INTRODUCCIÓN
Numerosos avances a lo largo de las últimas
dos décadas han dado como resultado solucio-
nes numéricas a problemas procedentes del con-
trol automático [1] [2]. En primer lugar, el con-
tinuo crecimiento en el poder computacional,
en segundo lugar, los adelantos en la teoría de
optimización generando algoritmos, especial-
mente en optimización convexa, y en tercer lu-
gar, los recientes avances en álgebra lineal nu-
mérica.
Los problemas de optimización que
involucran Desigualdades Lineales Matriciales
(LMI por sus siglas en inglés) constituyen una
especial y amplia clase de problemas de
optimización convexa que atrae considerable
atención de teóricos de la optimización e in-
vestigadores en control [3]-[5]. Dos razones que
explican este interés son la gran variedad de
especificaciones y restricciones de diseño que
se pueden expresar mediante LMIs; y que una
vez formulado en términos de LMIs, un pro-
blema se puede resolver mediante algoritmos
muy eficientes de optimización convexa, espe-
cialmente los basados en métodos de punto in-
terior [6] [7]. Como consecuencia, usando mé-
todos numéricos, se pueden resolver actualmen-
te una gran variedad de problemas de control
automático cuya solución analítica es descono-
cida o no la tienen. El campo de aplicaciones la función φ dan una aproximación suave de la Usando métodos
se extiende a diversas técnicas, como control forma del conjunto factible X. Esta aproxima- numéricos de
robusto, control óptimo y control difuso, en- ción por líneas de contorno es ilustrada en la optimización
tre otros. Figura 1. convexa se
pueden resolver
En este artículo se presentarán algunas pro- actualmente una
piedades y especificaciones de diseño para sis- gran variedad de
temas describibles mediante ciertas inclusiones problemas de
diferenciales lineales, que se pueden plantear control
en términos de LMIs. El artículo está organi- automático.
zado de la siguiente forma: la sección dos in-
troduce algunos problemas definibles con des-
igualdades lineales matriciales. En la sección tres
se presentan las inclusiones diferenciales linea-
les de interés. Luego, en la sección cuatro, se
aborda el análisis de estabilidad cuadrática en
el sentido de Lyapunov y en la sección cinco, el
Figura 1. Líneas de contorno de la función
diseño con restricciones en la salida de con- φ (x), las cuales dan una aproximación suave
trol. Estos conceptos se emplean para el dise- de la forma del conjunto factible X.
ño de un sistema de control de equilibrio de un Varias LMIs F 1(x),...,F j(x) se pueden expre-
péndulo invertido [8] [9], el cual es ilustrado en sar como la LMI diag(F 1(x),...,F j(x))>0. Una
la sección seis. Finalmente se presentan las con- LMI también permite expresar finitas desigual-
clusiones y perspectivas de trabajo futuro. dades lineales. Si se quiere expresar Ax ≤ b (es
claro que esta desigualdad es componente por
2. ALGUNOS PROBLEMAS componente) de la forma (1), se toma
DEFINIBLES CON LMIs F0=diag(b1,...,bm ) y Fi=diag(-a1i,...,-ami ), donde aij
son las entradas de la matriz A y bi las del vector
Una desigualdad lineal matricial (LMI) es una
b. Una restricción cuadrática convexa
restricción convexa [2], expresada usualmente
(Ax+b)T(Ax+b)-cTx-d ≤0, con x∈ℜk, se puede
de la forma
escribir, usando los complementos de Schur [2]
m
[3], de la forma
F ( x ) = F0 + ∑ xi Fi > 0 (1)  I Ax + b 
i =1   ≥ 0 (3)
 ( Ax + b)T c x+d
T
 
donde x∈ℜm, Fi∈ℜnxn. Las matrices simétri- la cual se puede escribir de la forma (1) con
cas Fi ,i=0,1,...,m son fijas y x es la variable. Por
tanto F(x) es una función afín de los elemen-  I
F0 =  T
b  0
, Fi =  T
ai 
, i = 1,K, k
d  ci  (4)
tos de x. La LMI (1) significa que F(x) es una b  ai
matriz definida positiva. También se puede dar
donde A=(a1,...,ak ). Así mismo, la restricción
en la forma F (x)≥0. Es fácil ver que una LMI
Z ( x ) < 1, donde Z(x) es una matriz, no necesa-
define un conjunto convexo; es decir, el con-
riamente cuadrada, que depende de x, se pue-
junto X={xF(x)>0} es convexo; además, no
de expresar como:
necesariamente tiene una frontera suave. Se
define la función  I Z ( x) 
 >0 (5)
 Z ( x)
T
I 
ln det F ( x) −1 x ∈ X
φ ( x) =  (2)
∞ x∉ X pues Z ( x) < 1, es equivalente a I-Z(x)TZ(x)>0
También se puede plantear el problema de mi-
Esta función tiene la propiedad de ser finita nimizar Z (x) de la forma
únicamente en X y de tender a infinito cuando min t
se acerca a su frontera. Las curvas de nivel de  tI Z ( x)  (6)
sujeto a  Z ( x ) T tI  > 0

Vol. 10 No. 2 31
Ingeniería
 Desigualdades con variables x y t. Al tipo de programa mate- min λ
en las que las mático que minimiza una función lineal con sujeto a λB(x)- A(x)>0
variables son restricciones expresadas como LMIs se le de- B(x)>0 (10)
matrices, son nomina programa semidefinido. Desigualdades en C(x)>0
comunes en las que las variables son matrices son comunes
problemas que en problemas que vienen de la teoría de con-
vienen de la trol, tal es el caso de la desigualdad de Lyapunov
teoría de 3. INCLUSIONES
control. DIFERENCIALES LINEALES
ATP+PA<0, (7)
Una Inclusión Diferencial (DI) se describe por:
donde A es una matriz de n x n y P =PT es la
variable. La desigualdad (7) se puede expresar
x& ∈ F ( x(t ), t ) , x(0) = x 0 (11)
de la forma (1) así: Sean P1,P2,...,Pm una base
para las matrices simétricas de n x n donde F es una función de ℜn ×ℜ+ en una fa-
(m = n(n+1)/2), entonces se toma F0=0 y milia de subconjuntos de ℜn. Cualquier
Fi=-ATPi-Pi A . Así que no se hará distinción x:ℜ+→ℜn que satisface la DI se le llama trayec-
entre las formas (1) ó (7) de expresar una LMI. toria. Es claro que hay muchas trayectorias para
Los problemas siguientes son llamados proble- una DI dada. Un caso particular de DI es la
mas estándar, necesarios para plantear las apli- lineal. Una Inclusión Diferencial Lineal (LDI)
caciones en control que se tratarán adelante. está dada por:

2.1. Problema LMI x& ∈ {A x A ∈ Ω}, x ( 0) = x 0 (12)

Dada una LMI, F(x)>0, el correspondiente
problema LMI (LMIP) es encontrar un x* tal
que F( x* )>0 ó determinar que tal x* no existe;
es decir, que la LMI no es factible.
2.2. Problema de valores propios
El problema de valores propios (EVP) es
minimizar el valor propio máximo de una ma-
triz que dependa de alguna variable, sujeto a
una LMI, por ejemplo
donde Ω es un conjunto de matrices de
n x n. La anterior definición se puede generali-
zar a sistemas con múltiples entradas y salidas
de la siguiente forma:
x& = Ax + Bu , x (0) = x 0
(13)
y = Cx + Du
donde x:ℜ +→ℜ n es el vector de estado,
u:ℜ+→ℜm es el vector de entradas, y:ℜ+→ℜs
es la salida y las matrices satisfacen que

min λ
 A B
sujeto a λ - A(x)>0 (8) C D  ∈ Ω (14)
B(x)>0  
para todo t ≥ 0 y Ω es un conjunto de matri-
Un EVP también puede aparecer como un pro- ces de (n+s)×(n+m). En adelante solo interesa-
grama semidefinido; es decir, de la forma rán las siguientes clases de LDIs.

min cT x 3.1. Sistemas lineales invariantes

(9) en el tiempo (LTI)
sujeto a F(x)>0
Son sistemas en los cuales Ω es unitario:
2.3. Problema de valores  A B  
propios generalizado Ω =   (15)
C D 
El problema anterior se puede extender a
minimizar el máximo valor propio generaliza- 3.2. LDIs Politópicos (PLDI)
do de un par de matrices que dependen de al- En esta clase se encuentran los sistemas don-
guna variable sujeto a una LMI (GEVP). Su de Ω es un politopo descrito por sus vértices,
forma general es esto es, tiene la forma

32 Vol. 10 No. 2
Ingeniería
  A B1  A BL   d A los sistemas
Ω = Co  1  , K,  L  (16) V ( x ) ≤ −2αV ( x ) (22)
C1 D1  C L D L   dt en tiempo
discreto (DT)
para toda trayectoria x, entonces también se les
donde Co es la envolvente convexa del conjun- V(x(t))≤ e-2αtV(x(0)) Así que, puede hacer un
to de matrices. Esto permite evaluar todos los
1/ 2 análisis de
estados intermedios incluidos en el politopo. −α t  λ max ( P )  (23)
x (t ) ≤ e   x (0) estabilidad y
 λmin ( P )  estabilización
cuadrática por
para todas las trayectorias, luego la tasa de de-
4. ESTABILIDAD CUADRÁTICA caimiento es al menos α. Ahora, la condición
medio de LMIs.
Se consideran LDIs donde Ω tiene alguna de (22) es equivalente a
las formas descritas anteriormente. Una condi-
ción suficiente para que cualquier trayectoria de AT P + PA + 2αP ≤ 0 ∀A ∈ Ω (24)
una LDI converja al origen cuando t→∞ es la
estabilidad cuadrática; es decir, que exista una fun- Así que, para los tipos de sistemas enunciados,
ción cuadrática V(ξ)=ξTPξ con P > 0 decre- la máxima cota inferior para la tasa de decai-
ciente a lo largo de cualquier trayectoria no trivial miento que se puede encontrar usando funcio-
de la LDI. A esta función V se le llama función nes cuadráticas de Lyapunov, se halla resolvien-
cuadrática de Lyapunov. Si V(ξ)=ξTPξ es una fun- do los siguientes GEVP [3] con variables P y α
ción cuadrática de Lyapunov, entonces
4.1.1. LTI
d
V ( x ) = x T ( AT P + PA) x, (17)
dt max α
luego V es decreciente si y solo si A P+PA<0 T (25)
sujeto a P > 0, AT P + PA + 2αP ≤ 0
para toda A∈Ω.
4.1.2. PLDI
4.1. Sistemas en tiempo continuo max α
Así, que una LDI sea cuadráticamente esta- sujeto a P > 0, AiT P + PAi + 2αP ≤ 0 (26)
ble, es equivalente a que exista una matriz P tal i=1,...,L
que Los problemas anteriores se pueden plantear
P > 0, A P + PA < 0 ∀A ∈ Ω (18)
T también como EVPs de la siguiente forma:
Dividiendo P por el valor propio mínimo de P
Por tanto, para sistemas LTI la condición (18) y α por el doble de tal valor en la ecuación
es entonces
(24), se obtienen αˆ > 0 y Pˆ ≥ I tales que
P > 0, AT P + PA < 0 , (19)
− αˆ Pˆ − AT Pˆ − Pˆ A > 0 (27)
que es el criterio clásico de estabilidad de Como Pˆ ≥ I , entonces
Lyapunov para sistemas LTI. Ahora, para una
PLDI, la condición (18) toma la forma − αˆI − AT Pˆ − Pˆ A ≥ −αˆPˆ − AT Pˆ − Pˆ A > 0 (28)
P > 0, Ai T P + PAi < 0 i = 1,K, L (20) Entonces el problema se plantea como
La tasa de decaimiento, también llamada el mayor min α
exponente de Lyapunov, de una LDI, se define sujeto a P ≥ I , αI − AT P − PA ≥ 0 (29)
como el mayor α tal que
ajustándolo a cada uno de los sistemas enun-
lim eα t x ( t ) = 0 (21) ciados. A un sistema se le llama establilizable cua-
t→∞
dráticamente si existe una ganancia de retroali-
para todas las trayectorias de la LDI. La fun- mentación de estado K tal que el sistema en
ción cuadrática de Lyapunov V(ξ)=ξTPξ sirve lazo cerrado sea cuadráticamente estable. Si se
para establecer una cota inferior para la tasa de fija una matriz K, un sistema es cuadráticamente
decaimiento. Si estable si y solo si existe una matriz P>0 tal
que
Vol. 10 No. 2 33
Ingeniería
 Es factible
( A + BK ) T P + P( A + BK ) < 0 ∀[A B ]∈ Ω
incorporar
restricciones en ó con la expresión equivalente, si existe Q>0
la síntesis del tal que
control usando
desigualdades Q ( A + BK ) T + ( A + BK )Q < 0 ∀[A B ]∈ Ω
lineales
matriciales Ninguna de las dos expresiones anteriores es
(LMIs). una desigualdad convexa en las matrices K y P
o Q, pero con el cambio de variable
Y =KQ en la segunda desigualdad, se obtiene
la expresión equivalente
AQ + QAT + BY + Y T B T < 0 ∀[A B ]∈ Ω
Este LMIP, con variables Q y Y , resulta facti-
ble si y solo si el sistema es estabilizable cua-
dráticamente, con ganancia de retroalimenta-
ción de estado K =YQ-1.
4.2. Sistemas en tiempo discreto
A los sistemas en tiempo discreto (DT) tam-
bién se les puede hacer un análisis de estabili-
dad y estabilización cuadrática por medio de
LMIs. Estos sistemas se pueden describir de la
siguiente forma
x(k+1) =Ax(k), x(0)=x0
donde A∈Ω y Ω es un conjunto como los des-
critos. Un DT es cuadráticamente estable si
existe una función cuadrática definida positiva
tal que
V(x(k+1))-V(x(k))<0
para toda x que satisfaga (33) con x0≠0. Dada
una función cuadrática de Lyapunov
V(ξ)=ξTPξ, con P>0, se tiene
V ( x ( k + 1)) − V ( x ( k ))
= x(k + 1) T Px(k + 1) − x( k ) T Px (k )
= x ( k ) T AT PAx ( k ) − x ( k )T Px ( k )
= x ( k ) T ( AT PA − P ) x (k ) < 0, ∀x ( k ) ≠ 0
así que, una condición necesaria y suficiente
para la estabilidad cuadrática de un DT es la
existencia de una matriz P>0 tal que
AT PA − P < 0, ∀A ∈ Ω
Una forma alternativa de presentar esta condi-
ción, usando los complementos de Schur, es la
factibilidad de la LMI
34 Vol. 10 No. 2
Ingeniería
(30)  P AT P 
  > 0, ∀A ∈ Ω , (37)
 PA P 
con P simétrica. Condiciones para la estabili-
(31) dad cuadrática de sistemas no autónomos en
tiempo discreto también se pueden expresar por
medio de LMIs. Todas las definiciones concer-
nientes se pueden extender a DT. Así, una con-
dición equivalente a la estabilización cuadrática
del sistema es la existencia de las matrices K y
P>0 tales que
(32)
( A + BK )T P ( A + BK ) − P < 0 ∀[A B ]∈ Ω (38)
Ahora, si se multiplica la desigualdad por
P-1a izquierda y derecha y se hace Q=P-1, se
tiene
Q ( A + BK )T Q −1 ( A + BK )Q − Q < 0 (39)
y con el cambio de variable Y=KQ y usando el
complemento de Schur se llega a la LMI
 Q QAT + Y T B T 
 >0 (40)
 AQ + BY Q 
(33)
5. RESTRICCIONES EN LA
SALIDA DEL CONTROL
Una elipsoide ε centrada en el origen es
invariante para una LDI si para toda trayectoria
x, x(t0)∈ε implica que x(t)∈ε para todo t ≥ to.
(34) Esto permite dar una nueva interpretación de
la estabilidad cuadrática, pues, la elipsoide ε,
definida por la matriz Q>0, es invariante para
una LDI si la función V(t)=x(t) TQ-1x(t) es no
creciente, lo que equivale a que
QAT + AQ ≤ 0 ∀A ∈ Ω (41)
(35)
Cuando la condición inicial es conocida, se
puede encontrar una cota máxima en la norma
de la salida del control u=Kx. En efecto, sean
Q>0 y Y matrices que estabilizan cuadrática-
mente un sistema dado y además se supone que
x(0)TQ-1x(0)≤1. La última condición implica
x(t)∈ε para t≥0 (ε es una elipsoide invariante),
(36) así que
 Este es un sistema no lineal con dos varia- Se considera el
max u(t ) = max YQ −1 x (t ) bles de estado. Una representación aproxima- problema de
t≥0 t≥0 poner en
da de este sistema es una PLDI con dos vérti-
≤ max YQ −1 x ces, correspondientes a la linealización alrede- equilibrio un
x ∈ε
dor de dos puntos extremos, e.g., x1=0 y péndulo invertido
−1 / 2
= max YQ y (ε = Q 1 / 2 S n ) (42) x1=4π/9. A partir de esta representación es po- con un grado de
y ≤1
sible evaluar todos los estados intermedios in- libertad, el cual
= λmax (Q −1 / 2Y T YQ −1 / 2 ) (norma espectral) cluidos en el politopo. De esta forma, se tiene: se encuentra
sobre un carro.
= λ max (YQ −1Y T )
 0 1  0 
A1 =   B1 =  a 

g
0 − 
 4l / 3 − aml   4l / 3 − aml 

Luego, la restricción u(t ) ≤ µ para todo t≥0  0 

(46)
 0 1
 
se garantiza con λmax(YQ -1 Y T )≤µ2, que es equi- A2 =  2g 
0  B2 =  − aβ 2

 π ( 4l / 3 − amlβ 2 )  4l / 3 − amlβ 2 
   
valente, usando compl ementos de Schur, a
con β=cos(4π/9). Lo primero que se obtu-
vo fue la no estabilidad cuadrática del sistema,
Q Y T  (43) esto es, el LMIP:
 2 
≥ 0,
Y µ I  A1T P + PA1 < 0
a su vez, la condición x(0)TQ -1 x(0)≤1 es equi- A2T P + PA2 < 0 (47)
valente, por el mismo teorema, a P>0
 1 x ( 0)  T
(44) no es factible. Ahora se busca una ley de con-
  ≥ 0, trol que estabilice el sistema. Se resolvió el LMIP:
 x ( 0) Q 
A1Q + QA1T + B1Y + Y T B1T < 0

6. EJEMPLO A2Q + QA2T + B2Y + Y T B2T < 0 (48)

Q>0
Se considera el problema de poner en equili-
brio un péndulo invertido con un grado de li- con el cual se obtiene que
bertad, el cual se encuentra sobre un carro [8] Y = (70028 - 55636) (49)
[9]. Los resultados del ejemplo se obtuvieron y
usando la LMI Toolbox de MatLab. Las
 592.4 − 672.1
ecuaciones de movimiento son: Q =   (50)
 − 672.1 1028.4 
x&1 = x2
satisfacen las desigualdades, luego
x2 =
gsen( x1 ) − amlx22 sen( x2 ) cos( x2 ) − a cos( x1 )u (45)
4l / 3 − aml cos2 ( x1 ) Kest = (219.823 89.565) (51)
estabiliza cuadráticamente el sistema. Los re-
donde x1 es el ángulo del péndulo medido en sultados de simulación con esta matriz de re-
radianes con respecto al eje vertical, x2 es la troalimentación se muestran en la Figura 2. La
velocidad angular del péndulo y u es la fuerza condición inicial es bastante exigente, pues se
aplicada al carro en Newtons. Los otros parte con el péndulo en un ángulo de 1.2
parámetros se muestran en la Tabla I: radianes. Ahora, se resolvió el EVP
Tabla I
Parámetros del modelo del Péndulo invertido
Parámetro Símbolo Valor
Aceleración de la gravedad g 9.8 m/s2
Masa del péndulo m 2 kg
Masa del carro M 8 kg
Longitud del péndulo 2l 1m
1
Factor de masas a= kg-1
m+M

Figura 2. Resultados del control del péndulo invertido. Arriba

la respuesta del ángulo x1 y abajo la velocidad x2.

Vol. 10 No. 2 35
Ingeniería
 A nivel de min α La Figura 5 muestra el comportamiento de la
síntesis se sujeto a Q≥I señal de control (fuerza) usada en el caso del
consideraron αI − A1Q − QA1T − B1Y − Y T B1T ≥ 0 (52) sistema con restricciones. Se aprecia claramente
los casos de αI − A2Q − QA2T − B2Y − Y T B2T ≥ 0 que la señal de control respeta la restricción de
estabilización diseño, permaneciendo por debajo del límite
cuadrática, con el cual se obtiene una matriz de retroali-
superior impuesto de 60 N.
restricción en la mentación que hace menor el tiempo de res-
señal de control puesta. Esta matriz es
y seguimiento Kop=(14398 7012) (53)
ante una
entrada paso. La respuesta del sistema en este caso se ilustra
en la Figura 3.

Figura 5. Señal de control (Fuerza) aplicada

en el caso del sistema con restricciones.

Con C1=C2=(1 0) este es un sistema con una

Figura 3. Resultados del control del péndulo invertido con
matriz de retroalimentación de estado Kop .
entrada y una salida (el ángulo del péndulo). Se
buscó un control que siguiera una señal de refe-
rencia tipo paso. Puesto que se agrega una va-
riable de estado, correspondiente a la adición de
un integrador, el LMIP de estabilidad cuadrática,
con las matrices aumentadas

Con la matriz Kest y empezando con el pén-

 A 0  B
dulo en 0.5 radianes se necesita una fuerza su- Aˆ =   y Bˆ =   (55)
perior a 100N para estabilizarlo, obteniendo re-  − C 0 0
sultados muy cercanos a los mostrados en la Fi-
gura 2. Se desarrolló el correspondiente LMIP arroja la matriz de retroalimentación Kser y la
imponiendo una restricción en la acción de con- ganancia K asociada al integrador. Los resulta-
dos que se obtuvieron fueron los siguientes
trol para que la fuerza máxima fuera de 60N y se
obtuvo la matriz

(54) Kser =(258.86 107.71), k=-20.45 (56)

Kest=(329.7768 58.6337)

La Figura 4 muestra como la respuesta del sis-
tema se afecta ante esta restricción en la entra-
da. Como era de esperarse, el tiempo de estabi-
lización se hace mucho más grande, alrededor
de 10 segundos contra 4 sin la restricción.
La Figura 6 muestra el seguimiento a la señal
de referencia. Se aprecia que se llega a error
nulo ante la entrada escalón, por la acción del
integrador, y que el tiempo de respuesta es más
grande que para el caso precedente de estabili-
zación.

Figura 6. Respuesta del sistema

Figura 4. Resultados del control del péndulo invertido siguiendo una referencia tipo paso.
con restricciones en la acción de control u.

36 Vol. 10 No. 2
Ingeniería
7. CONCLUSIONES
Y TRABAJO FUTURO
Con este artículo se buscó un acercamiento
a nuevas técnicas matemáticas de análisis y di-
seño de sistemas de control automático. Ini-
cialmente se introdujeron las desigualdades li-
neales matriciales (LMIs), dando algunas de sus
generalidades y mostrando su potencial en la
resolución de problemas usando técnicas de
optimización convexa. En segunda instancia se
mostraron aplicaciones de las LMIs a proble-
mas de análisis de estabilidad de sistemas no
lineales y síntesis de leyes de control.
A nivel de la aplicación se presentó el con-
trol de un péndulo invertido de un grado de
libertad. Se consideraron los casos de estabili-
zación cuadrática, restricción en la señal de
control y seguimiento ante una entrada tipo
paso, obteniendo resultados satisfactorios, cum-
pliendo con las especificaciones fijadas. Sin
embargo, los resultados fueron un poco con-
servadores, como sucede en el caso de exigen-
cias de desempeño importantes o bien de una
inclusión diferencial lineal politópica (PLDI)
con muchos vértices. La puesta en práctica de
estas técnicas es, con la ayuda de paquetes de
software especializados en LMIs, simple.
Las aplicaciones acá presentadas fueron solo
una pequeña muestra del poder de las LMIs
para la resolución de problemas de control au-
tomático. Trabajos futuros pueden ir encami-
nados en su aplicación en sistemas
multivariables, así como en otras técnicas de
control susceptibles de utilizar modelos me-
diante inclusiones diferenciales lineales
politópicas, como puede ser el caso del control
óptimo, el control robusto y el control difuso,
entre otros.
8. RECONOCIMIENTOS
Víctor Hugo Grisales desea expresar su reco-
nocimiento por el apoyo económico de la Uni-
versidad Distrital FJDC y el Instituto Colom-
biano para el Desarrollo de la Ciencia y la Tec-
nología, COLCIENCIAS, a través de su Programa
de Apoyo a Doctorados Nacionales, para la de-
dicación parcial en el presente trabajo de inves-
tigación en el marco de los estudios de Docto-
rado en Ingeniería.
9. REFERENCIAS BIBLIOGRÁFICAS
[1] A. Ben-Tal y A. Nemirovsky, «Lectures on Modern Convex
Optimization: Analysis, Algorithms and Engineering
Applications», Society for Industrial and Applied Mathematics:
Mathematical Programming Society, 2001.
[2] J. G. VanAntwerp y R. D. Braatz, «A tutorial on linear and
bilinear matrix inequalities», Journal of Process Control, vol.
10, pp. 363-385, 2000.
[3] S. Boyd, L. El Ghaoui, E. Feron y V. Balakrishnan, «Linear
Matrix Inequalities in Systems and Control Theory», Studies
in Applied Mathematics, Society for Industrial and Applied
Mathematics, vol. 15, 1994.
[4] S. Boyd y L. El Ghaoui, «Method of Centers for Minimizing
Generalized Eigenvalues», Linear Algebra and Applications,
Special. issue on Numerical Lin. Algebra methods in Control,
Signals and Syst., vol. 188, pp. 63-111, 1993.
[5] M. Grötschel, L. Lovász y A. Schrijver, «Geometric Algorithms
and Combinatorial Optimization», Springer-Verlag, 2da. ed., 1993.
[6] Yu. Nesterov y A. Nemirovsky, «Interior-point Polynomial
Methods in Convex Programming», Studies in Applied
Mathematics, Society for Industrial an Applied Mathematics,
vol. 13, 1994.
[7] L. Vandenberghe y S. Boyd, «Semidefinite Programming»,
Society for Industrial and Applied Mathematics Review, vol.
38, pp 49 – 95, 1996.
[8] C.W. Richter Jr., G.B. Sheblé, «Modern Control Engineering»,
Prentice Hall, 3ra. ed., 1997.
[9] D. Muench y A. Titli, «Introduction to the Design of Fuzzy
Controlers Using Linear Matrix Inequalities», Final Internship
Report, Laboratorio LAAS, Toulouse, Francia, 1999.
Mauricio Junca Peláez
Nació en Bogotá, Colombia. Es Ingeniero Eléctrico y Matemático
de la Universidad de los Andes, Bogotá, Colombia. Actualmente
adelanta la Maestría en Matemáticas en la misma universidad. Se
ha desempeñado como Profesor Asistente del Departamento de
Matemáticas de la Universidad de los Andes y actualmente ade-
lanta trabajos de investigación en el área de optimización y
precondicionares numéricos. e-mail: m-junca@uniandes.edu.co
Víctor Hugo Grisales Palacio
Nació en Bogotá, Colombia. Es Ingeniero Electrónico de la Univer-
sidad Distrital, Bogotá. Obtuvo su titulo de Maestría en Ingeniería
Eléctrica en 2002 en la Universidad de los Andes, de Bogotá. Es
candidato a PhD en Ingeniería (Automática) en la Universidad de
los Andes de Bogotá y en la Universidad Paul Sabatier, de Toulouse,
Francia.Se desempeñó durante varios años como ingeniero en el
área de automatización y control en diversos sectores industriales
de Colombia. Desde 1999 está vinculado como Profesor de la Fa-
cultad de Ingeniería de la Universidad Distrital FJDC. Actualmente
se desempeña como profesor en el área de Automática en el Pro-
grama de Ingeniería Electrónica de la Universidad Distrital, de Bo-
gotá y es investigador del Laboratorio de Automática, Microelec-
trónica e Inteligencia Computacional (LAMIC), donde realiza estu-
dios aplicados en sistemas inteligentes y control automático de pro-
cesos. e-mail: vhgrisales@ieee.org
Alain Gauthier Sellier
Es Ingeniero Eléctrico del Institute Universitaire de Technologie,
de Grenoble, Francia. Obtuvo sus títulos de Maestría y Doctorado
en Automática en 1974 y 1977, respectivamente, en el Laboratoire
d’Automatique de Grenoble. INPG, Francia.Se desempeñó como
investigador con la industria privada francesa, en donde desarrolló
varios proyectos relacionados con centrales nucleares. Desde 1982
está vinculado con la Universidad de los Andes, en donde se de-
sempeña como profesor titular en el área de automática. Es inves-
tigador titular del Grupo de Investigación en Automatización y Pro-
ducción (GIAP), Universidad de los Andes. Sus áreas de interés
son el control no lineal, la robótica y los sistemas inteligentes. e-
mail: agauthie@uniandes.edu.co
Vol. 10 No. 2 37
Ingeniería