Calcolatore Matrici A B C D su MATLAB

Inserisci i valori della matrice di stato spaziale e calcola le matrici A, B, C, D per il tuo sistema dinamico in MATLAB

Ordine del Sistema (n):

Matrice A (n×n):

Matrice B (n×m):

Numero di Ingressi (m):

Matrice C (p×n):

Numero di Uscite (p):

Matrice D (p×m):

Operazione:

Risultati:

Guida Completa: Come Calcolare le Matrici A B C D su MATLAB

Le matrici A, B, C, D rappresentano la rappresentazione nello spazio di stato di un sistema dinamico lineare tempo-invariante (LTI). Questa formulazione è fondamentale in teoria del controllo, automazione e ingegneria dei sistemi, poiché consente di analizzare e progettare sistemi complessi in modo sistematico.

1. Fondamenti Teorici delle Matrici di Stato

Un sistema LTI può essere descritto dalle seguenti equazioni differenziali:

Equazione di stato: ẋ(t) = Ax(t) + Bu(t)

Equazione di uscita: y(t) = Cx(t) + Du(t)

Dove:

x(t): vettore di stato (n×1)
u(t): vettore di ingresso (m×1)
y(t): vettore di uscita (p×1)
A: matrice di stato (n×n)
B: matrice di ingresso (n×m)
C: matrice di uscita (p×n)
D: matrice di feedthrough (p×m)

2. Come Definire le Matrici in MATLAB

MATLAB offre strumenti potenti per lavorare con le matrici di stato. Ecco come definirle:

2.1 Creazione delle Matrici

% Esempio per un sistema del secondo ordine con 1 ingresso e 1 uscita
A = [0 1; -2 -3];    % Matrice di stato 2×2
B = [0; 1];         % Matrice di ingresso 2×1
C = [1 0];          % Matrice di uscita 1×2
D = 0;              % Matrice feedthrough 1×1

sys = ss(A, B, C, D); % Crea oggetto spazio di stato

2.2 Visualizzazione della Rappresentazione

% Visualizza le matrici
disp('Matrice A:'); disp(A);
disp('Matrice B:'); disp(B);
disp('Matrice C:'); disp(C);
disp('Matrice D:'); disp(D);

% Visualizza l'oggetto sistema
disp('Oggetto sistema:'); disp(sys);

3. Analisi dei Sistemi nello Spazio di Stato

3.1 Calcolo degli Autovalori

Gli autovalori della matrice A determinano la stabilità del sistema:

eigenvalues = eig(A); % Calcola autovalori
disp('Autovalori:'); disp(eigenvalues);

% Verifica stabilità (tutti gli autovalori devono avere parte reale < 0)
if all(real(eigenvalues) < 0)
    disp('Il sistema è asintoticamente stabile');
else
    disp('Il sistema NON è asintoticamente stabile');
end

3.2 Verifica di Controllabilità e Osservabilità

La controllabilità e osservabilità sono proprietà fondamentali:

% Matrice di controllabilità
Co = ctrb(sys);
controllability_rank = rank(Co);

% Matrice di osservabilità
Ob = obsv(sys);
observability_rank = rank(Ob);

disp(['Rango matrice di controllabilità: ', num2str(controllability_rank)]);
disp(['Rango matrice di osservabilità: ', num2str(observability_rank)]);

% Il sistema è completamente controllabile/se il rango è uguale a n
if controllability_rank == size(A, 1)
    disp('Il sistema è completamente controllabile');
else
    disp('Il sistema NON è completamente controllabile');
end

4. Simulazione delle Risposte Temporali

MATLAB consente di simulare facilmente le risposte del sistema:

4.1 Risposta al Gradino

t = 0:0.01:10;       % Tempo di simulazione
u = ones(size(t));   % Ingresso a gradino unitario

% Calcola risposta al gradino
[y, t, x] = lsim(sys, u, t);

% Plotta i risultati
figure;
subplot(2,1,1);
plot(t, y);
title('Risposta al Gradino - Uscita');
xlabel('Tempo [s]');
ylabel('Ampiezza');

subplot(2,1,2);
plot(t, x);
title('Risposta al Gradino - Stati');
xlabel('Tempo [s]');
ylabel('Ampiezza');
legend('x_1', 'x_2');

4.2 Risposta all'Impulso

impulse(sys); % Risposta all'impulso
title('Risposta all''Impulso del Sistema');

5. Progettazione del Controllore

Una delle applicazioni principali delle matrici di stato è la progettazione di controllori:

5.1 Posizionamento dei Poli

% Poli desiderati (esempio: -2, -3)
desired_poles = [-2, -3];

% Calcola la matrice di guadagno K
K = place(A, B, desired_poles);

% Sistema in anello chiuso
A_cl = A - B*K;
sys_cl = ss(A_cl, B, C, D);

disp('Matrice di guadagno K:'); disp(K);

5.2 Controllore LQR (Linear Quadratic Regulator)

Q = [1 0; 0 1]; % Matrice di pesi per gli stati
R = 1;         % Matrice di pesi per l'ingresso

[K, S, e] = lqr(A, B, Q, R);

A_cl = A - B*K;
sys_cl = ss(A_cl, B, C, D);

6. Confronto tra Rappresentazioni

Esistono diverse rappresentazioni per i sistemi dinamici. Ecco un confronto tra spazio di stato e funzione di trasferimento:

Caratteristica	Spazio di Stato	Funzione di Trasferimento
Rappresentazione	Matrici A, B, C, D	Rapporto di polinomi G(s) = N(s)/D(s)
Sistemi MIMO	Nativamente supportati	Richiede matrice di funzioni di trasferimento
Stati Interni	Visibili ed accessibili	Nascosti (solo ingresso-uscita)
Analisi Stabilità	Autovalori di A	Poli di G(s)
Progettazione Controllore	Metodi avanzati (LQR, posizionamento poli)	Metodi classici (PID, lead-lag)
Implementazione in MATLAB	`ss()`, `lqr()`, `place()`	`tf()`, `pidTuner()`

7. Applicazioni Pratiche

Le matrici di stato trovano applicazione in numerosi campi:

Robotica: Controllo di bracci robotici e droni
Aerospaziale: Sistemi di guida e navigazione
Automotive: Controllo elettronico della stabilità (ESC)
Energia: Regolazione di turbine eoliche e sistemi fotovoltaici
Biomedicale: Modelli di sistemi fisiologici

8. Errori Comuni e Soluzioni

Errore: Dimensione delle matrici non compatibile
Soluzione: Verificare che:
- A sia n×n
- B sia n×m
- C sia p×n
- D sia p×m
Errore: Sistema non controllabile/osservabile
Soluzione: Ridurre il modello eliminando gli stati non controllabili/osservabili con [Abar,Bbar,Cbar,T,k] = ctrbf(A,B,C)
Errore: Autovalori con parte reale positiva
Soluzione: Ridisegnare il controllore per spostare gli autovalori nel semipiano sinistro
Errore: Risposta temporale instabile
Soluzione: Verificare i guadagni del controllore e la stabilità del sistema in anello chiuso

9. Risorse Esterne Autorevoli

Per approfondire lo studio delle matrici di stato e del controllo in MATLAB, consultare queste risorse:

University of Michigan - Control Tutorials for MATLAB (Guida completa con esempi interattivi)
MathWorks - State-Space Models Documentation (Documentazione ufficiale MATLAB)
Stanford University - Convex Optimization (Boyd & Vandenberghe) (Testo di riferimento per ottimizzazione e controllo)

10. Esempio Completo: Sistema Massa-Molla-Smorzatore

Consideriamo un sistema meccanico composto da una massa, una molla e uno smorzatore:

Equazioni del moto:

m ẍ + c ẋ + k x = F(t)

Dove:

m = massa [kg]
c = coefficiente di smorzamento [N·s/m]
k = costante elastica [N/m]
F(t) = forza applicata [N]

Rappresentazione nello spazio di stato:

Scegliendo come variabili di stato x₁ = x (posizione) e x₂ = ẋ (velocità):

ẋ₁ = x₂
ẋ₂ = (-k/m) x₁ + (-c/m) x₂ + (1/m) F(t)

y = x₁ (uscita = posizione)

Matrici risultanti:

A = [0     1
     -k/m -c/m]

B = [0
     1/m]

C = [1 0]

D = [0]

% Parametri del sistema
m = 1;   % massa [kg]
k = 10;  % costante elastica [N/m]
c = 1;   % coefficiente di smorzamento [N·s/m]

% Matrici di stato
A = [0     1
     -k/m -c/m];
B = [0
     1/m];
C = [1 0];
D = 0;

% Crea oggetto sistema
mass_spring_damper = ss(A, B, C, D);

% Analisi del sistema
damp(mass_spring_damper); % Smorzamento e frequenza naturale
step(mass_spring_damper); % Risposta al gradino

11. Ottimizzazione delle Prestazioni

Per migliorare le prestazioni del sistema, è possibile:

Regolazione dei poli:
- Poli dominanti dovrebbero avere smorzamento ζ = 0.707 per risposta ottimale
- Frequenza naturale ωₙ determina la velocità di risposta
Progettazione LQR:
- Scegliere Q e R per bilanciare velocità di risposta e consumo di energia
- Q pesa gli stati, R pesa l'ingresso
Osservatore di stato:
- Stimare gli stati non misurabili
- Poli dell'osservatore dovrebbero essere 2-5 volte più veloci di quelli del controllore

12. Confronto tra Metodi di Controllo

Metodo	Vantaggi	Svantaggi	Applicazioni Tipiche
Posizionamento Poli	Semplice, risposta temporale prevedibile	Richiede modello accurato, sensibile a variazioni parametriche	Sistemi SISO con modello noto
LQR	Ottimale per criteri quadratici, robusto	Richiede scelta di Q e R, guadagni alti possono causare saturazione	Sistemi MIMO, robotica
PID	Facile da implementare, buona robustezza	Limitato a sistemi SISO, tuning manuale	Controllo di processo, automazione industriale
H∞	Robusto alle incertezze, gestisce disturbi	Complesso, richiede esperienza	Aerospaziale, sistemi critici
Controllo Adattativo	Adatta ai cambiamenti del sistema	Complessità computazionale, rischio di instabilità	Sistemi con parametri variabili

13. Estensioni Avanzate

Per sistemi più complessi, è possibile estendere l'approccio:

Sistemi non lineari:
- Linearizzazione intorno a punti di equilibrio
- Uso di linmod in MATLAB per ottenere matrici A, B, C, D
Sistemi a tempo discreto:
- Conversione con c2d (continuous to discrete)
- Metodi: Euler, Tustin, ZOH
Controllo robusto:
- Analisi con robuststab e robustperf
- Progettazione H∞ con hinfsyn
Reti di Petri:
- Modellazione di sistemi ad eventi discreti
- Toolbox specifiche per MATLAB

14. Strumenti MATLAB Utili

MATLAB offre numerosi strumenti per lavorare con le matrici di stato:

Funzione	Descrizione	Esempio
`ss`	Crea modello spazio di stato	`sys = ss(A,B,C,D)`
`tf`	Converte in funzione di trasferimento	`tf(sys)`
`eig`	Calcola autovalori	`eig(A)`
`ctrb`	Matrice di controllabilità	`Co = ctrb(A,B)`
`obsv`	Matrice di osservabilità	`Ob = obsv(A,C)`
`place`	Posizionamento poli	`K = place(A,B,poles)`
`lqr`	Controllore LQR	`[K,S,e] = lqr(A,B,Q,R)`
`step`	Risposta al gradino	`step(sys)`
`impulse`	Risposta all'impulso	`impulse(sys)`
`bode`	Diagramma di Bode	`bode(sys)`
`nyquist`	Diagramma di Nyquist	`nyquist(sys)`

15. Conclusioni e Best Practices

L'utilizzo delle matrici A, B, C, D in MATLAB offre numerosi vantaggi:

Flessibilità: Gestione naturale di sistemi MIMO
Potenza analitica: Accesso completo agli stati interni
Strumenti avanzati: Funzioni dedicate per controllo ottimale
Integrazione: Facile conversione tra rappresentazioni

Best practices:

Sempre verificare le dimensioni delle matrici
Analizzare controllabilità e osservabilità prima della progettazione
Utilizzare damp per verificare smorzamento e frequenza naturale
Validare sempre i risultati con simulazioni temporali
Documentare chiaramente le variabili di stato scelte
Considerare le incertezze del modello nella progettazione

La rappresentazione nello spazio di stato è uno strumento potente che, quando padronggiato, consente di affrontare problemi di controllo complessi con eleganza e precisione. MATLAB fornisce tutti gli strumenti necessari per implementare queste tecniche in modo efficiente e affidabile.

Calcolare Matrici A B C D Su Matlab