1.

1   General Control Problem 
 
1.2   Introduction  to  Multivariable  Control 
System 
 
1.3   Mathematical tools 

Addis Ababa University, Institute of Technology 1 

1.1   General Control Problem 

Addis Ababa University, Institute of Technology 2 

Control  System  study  include  several  steps.  The  following  four  can 
be key steps. 
4 
Implementation 

3 
 Controller 
System Analysis 

2 
 Controller  WE FOCUS ON
Selection  THESE 3 STEPS

1 
Understanding 
the plant 
3 
(1) Understanding the plant refers to studying the system plant to be controlled
and obtaining initial information about the control objectives.
Modeling the system and simplifying the model if necessary. Analyzing the
resulting model to determine its properties, deciding which variables are to
be controlled outputs and manipulated variables.
What sensors and actuators will be used. where will they be placed. Deciding
on performance specifications based on the overall control objectives

(2)  The  second  important  step  in  control  problem  is  Controller  selection  or 
design. 
The control selection or design refers to selecting the control configuration, 
deciding on the type of controller to be used and Designing the controller 

4 
(3)  The  third  step  in  control  system  problem  is  analysis  of  the 
integration of controller and plant. 
Control  system  analysis  refers  to  analysis  of  the  resulting 
integrated  control  system  to  see  if  the  specifications  are 
satisfied.  If  they  are  not  satisfied  modify  the  specifications  or 
the type of controller. 
Simulating  the  resulting  controlled  system  either  on  computer 
or pilot plant. 
(4)  The  last  and  fourth  step  of  general  control  system  is  Implementation 
issue. 
Implementation of designed control system refers to choosing hardware 
and software and implementing the controller. 
Finally  testing  and  validating  the  control  system  and  tuning  the 
controller on line if necessary. 

Addis Ababa University, Institute of Technology 
5 
Control Engineers should have these stages of control
Engineering in mind while studying any control
techniques.

Addis Ababa University, Institute of Technology 6 

In  linear  classical  control  systems,  plant  model  is  commonly  expressed  as 
transfer function and state space form. 
Transfer function form (SISO SYSTEM): 
Where;
y(s) is the output variable as a function of Laplace variable.
y ( s )  G ( s )u ( s ) u(s) is manipulating variable and G(s) is the transfer
function.

 n s n   n 1s n 1  ...   0
For SISO system:‐  G ( s)  m
s   m 1s m 1  ...   0
For MIMO System we have matrix transfer function where gij is transfer function
between input j and output i.
 g11 ( s ) g12 ( s ) ... g1n ( s ) 
 
g ( s ) g 22 ( s ) ... g 2 n ( s ) 
G ( s )   21
 ... ... ... ... 
 
 g m1 ( s ) g m 2 ( s ) ... g mn ( s )
Addis Ababa University, Institute of Technology 7 
State space form: 
Where;
x  Ax  Bu x is nx1 state variable vector,
y is output of vector mx1
y  Cx  Du U is an lx1 manipulating signal vector
A is nxn system matrix,
B is nxl input matrix,
C is output matrix and
All matrices having constant elements for linear system.

Both transfer function and state space representation of multivariable

systems are utilized for modeling with direct or modified usage of the well
known tools like frequency domain analysis, root locus, Bode plot …
Controllability, observablity, Kalman filter, … are also used in an
appropriate manner.
Addis Ababa University, Institute of Technology 
8 
 For non-linear System we may not be able to express in terms of
transfer function. We can express the output as a function of the input
and time in general.
y  f (u , t )
Both y and u can be scalars or vectors.

Similarly, a nonlinear system in state space representation can be given as

follows.
x  g ( x, u, t )
y  h ( x, u , t )
Here again, g and h are functions of state, input and time in general. The
state x, the input u and the output y can be scalar or vector.

Addis Ababa University, Institute of Technology 
9 
• In nonlinear systems we can not have transfer function or state space
representation using constant matrices.

Please refer to appropriate text for further description and formal

definitions of linear and nonlinear systems.

In this course only linear multivariable systems are considered.

A general system to be controlled can be modeled as a system with inputs

from controller (actuating signal) and disturbance and/or noise having
outputs as the result of these inputs and internal process.
Addis Ababa University, Institute of Technology 
10 
 w In SISO system one output (y) is
y  f ( u , w ) function of one input (u) and the
u SYSTEM  disturbance (w). Disturbance can be
rejected by feedback control.

U  u1 u 2 . . u m 
W  w1 w 2 ... w l T
T

 y1  W  w1 w2 . . wl 
T
 u1 
u  y 
 2  2
U  .  Y  .  Y   y1 y2 . . yn 
T

  SYSTEM   
 . 
 . 
um   yn 

For multi-input-multi-output system with Coupling between variables an output

is function of all inputs and disturbances in general.
yi  f (u1,..., um , w1,...w l )
Manipulation  of  one  input  affects  multiple  outputs  and  results  the  difficulty  in 
control  of  MIMO  system.  Feedback  control  of  such  systems  is  subject  of 
multivariable systems.   11 
Addis Ababa University, Institute of Technology 
12 
Controller 

Addis Ababa University, Institute of Technology 
Inputs (actuating signals)  Controlled outputs state variables 
• Feed water through valve control  • Steam flow rate 
• Fuel flow rate through valve control  • Steam temperature 
• Air flow through guide‐vane  • Steam pressure 
Internal Variables 
• Furnace temperature 
• Furnace vacuum 
• Dram level 
• … 
Reference Inputs 
MIMO System Transfer Function G(s) 
Multivariable and interaction between variables 
Multivariable system has interaction. One output is function of a multi input
variables. The figure shows a three input three output system.
Y1 is function of u1, u2 and u3, while y2 is function of u1, u2 and u3.
In general an output is a function of two or more input variables in MIMO
systems
Problems arising from Control loop 
interaction 
‐ Closed loop system my be destabilized 
‐ Controller tuning become more difficult 
General lxm system 
 y1   g11 g13   u1 
 y   g
g12
g22 g23   u2 
Y  G ( s )U ( s )
 2   21
 y3   g31 g32 g33  u31 
 y1   g11 . . . g1m   u1 
.  . . . . .   . 
  
‫ݕ‬ଵ ൌ ݃ଵଵ ‫ݑ ݏ‬ଵ ൅ ݃ଵଶ ‫ ݏ‬ ‫ݑ‬ଶ ൅ ݃ଵଷ ሺ‫ݏ‬ሻ‫ݑ‬ଷ    .  . . . . .  . 
    
‫ݕ‬ଶ ൌ ݃ଶଵ ‫ݑ ݏ‬ଵ ൅ ݃ଶଶ ‫ ݏ‬ ‫ݑ‬ଶ ൅ ݃ଶଷ ሺ‫ݏ‬ሻ‫ݑ‬ଷ   .  . . . . .  . 
 yl   gl1 . . . glm  um 
‫ݕ‬ଷ ൌ ݃ଷଵ ‫ݑ ݏ‬ଵ ൅ ݃ଷଶ ‫ ݏ‬ ‫ݑ‬ଶ ൅ ݃ଷଷ ሺ‫ݏ‬ሻ‫ݑ‬ଷ   15 
Addis Ababa University, Institute of Technology 
Introduction 
Manipulation of transfer function Matrix for MIMO System 
z  G2u1
u1  G1u
z  G2G1u
G  G2G1

y  G1v
v  u  G2 y
 G1G2 y  G1u
G  ( I  G1G2 ) 1G1 ( I  G1G2 ) y  G1u
For appropriately sized matrices 
y  ( I  G1G2 ) 1G1u
( I  G1G2 ) 1G1  G1 ( I  G2G1 ) 1

G  ( I  G1G2 ) 1G1  G1 ( I  G2G1 ) 1 16 

Addis Ababa University, Institute of Technology 
 d
r – reference signal
ym – measured output
Gd(s) u – manipulating signal
d – disturbance signal
r+ u + y
+ y – output signal
K G(s) n – measurement noise

- +
ym + n
It can be shown that the output y is expressed as; T – is complementary
y  I  GK  GK r  I  GK  Gd d  I  GK  GK n
1 1 1 sensitivity function
    
T S T S – is sensitivity function
It is clear that, complementary sensitivity function, T, has to be unity for y to track r,
while sensitivity function, S, has to be zero for the disturbance effect on output y to be
zero. Also, it is
S T  I
Addis Ababa University, Institute of Technology  17 
For a unity feedback system shown above, determine the expression for;

(a)  ery
(b)  u
(c) Investigate the following considering L = GK;
1. Performance, good disturbance rejection requires large loop gain: L large
2. Performance, good command following: L large
3. Stabilization of unstable plant: L large
4. Mitigation of measurement noise on plant outputs: L small
5. Small magnitude of input signals: K small and L small
6. Physical controller must be strictly proper: K→0 at high frequencies
7. Nominal stability (stable plant): L small (because of RHP-zeros and time
delays
8. Robust stability (stable plant): L small (because of uncertain or neglected
dynamics)
Addis Ababa University, Institute of Technology  18 
(1) Shaping of Transfer function in frequency response  
• Shaping the open loop transfer function gain as function of frequency 
• Shaping of closed‐loop transfer function as a function of frequency 
considering sensitivity, complementary sensitivity, … in which we can 
consider optimization. 

(2) Signal based using time domain  
• LQG which considers disturbance 
• H∞ 

(3) Numerical Optimization 
• Multi‐objective optimization like rise time, stability margins 
• Model predictive control … 

Addis Ababa University, Institute of Technology  19 
Introduction 
Transfer Function … 
External input Signals:  Important signals of 
r  (reference signal ) interest in control: 
• Output signal, z 
d u  (disturbance at input )
• Command signal, u 
d  (disturbance at output ) • Error signal, e 
n  (measurment noise )

z  Gu  d
u  d u  K (r  n  z )
z  Gd u  GKr  GKn  GKz  d
( I  GK ) z  Gd u  GKr  GKn  d
z   I  GK 1GKr   I  GK 1GKn  G  I  KG 1 d u   I  GK 1 d

Exercise: Determine the transfer functions with error and control 
signal u as output. 
20 
Addis Ababa University, Institute of Technology 
Scope of course in terms of Control targets 
In general, a control target can be one or more of the following. 
Common targets 
• Regulation (disturbance rejection) 
The controller manipulates system control variable such that the controlled 
variable remains constant at the set point. 
• Reference tracking 
Controller manipulates the system control variable such that the controlled 
output tracks desired value as function of time. 
Other targets of control systems (Process Control) are:‐ 
• Generation of sequential procedures (for start up or shut down) 
• Adaptation (change adjust some tunable parameters) 
• Fault detection (avoid process damage or provide reconfiguration) 
• Supervision (changing the operating condition structure or components) 
• Coordination (providing the set point) 
• Learning “intelligent control” (extracting some knowledge from experience) 

Addis Ababa University, Institute of Technology  21
Scope of course in terms of Control targets 

In  this  courses  regulation  (disturbance  rejection) 

and reference tracking of a plant where number 
of  manipulated  variables  affects  several 
controlled  variables  is  considered.  Optimization 
to  minimize  some  cost  functions  to  a  certain 
level,  and  insensitivity  to  model  parameter 
variation (adaption)  are also considered. 

22 
Addis Ababa University, Institute of Technology 
Scope  with  respect  to  input‐output  relation:‐    linear/nonlinear, 
continuous/discrete 

• This  course  is  limited  to  Linear  and  continuous  system.  Discrete 
and nonlinear systems are not treated. 

• Scope with respect to domain of analysis:‐ both time domain and 
frequency domain analysis are used. 

• Modeling  and  System  description:‐  both  Transfer  Function  and 

State  space  representations  are  used.  In  multivariable  control 
system, analysis techniques used in classical and modern control 
are  modified  to  handle  the  multivariable  systems  wherever 
possible  and  additional  techniques  and  mathematical  tools  are 
studied. The multivariable control is limited to linear system. 
23 
Addis Ababa University, Institute of Technology 
Study Appendix: MATRIX THEORY AND
NORMS on text by Sigurd Skogestad

Addis Ababa University, Institute of Technology  24 
Some  Matrix  properties  are  very  important  in  multivariable 
control  analysis  and  design.  For  example,  matrix  norms  to 
indirectly size the vector signals and transfer functions and are 
extensively used. 

2.2   Mathematical Background 
    ‐ Matrix Basics 
    ‐ Eigenvalues and Eigenvectors 
    ‐ Singular value Decomposition 
    ‐ Relative Gain Array 
    ‐ Matrix Norms 
    ‐ Factorization of Sensitivity Function 
    ‐ Linear Fractional Transformation  

Addis Ababa University, Institute of Technology  25 
 Introduction 
1.3.1 Matrix Basics  
A. Definition 

• Matrix is a   
‐ The elements can be constant real or complex numbers 
‐ Variables of time or variables of frequency 
• A matrix with m rows and n columns is said to be an mxn matrix or of 
order mxn. If m = n the matrix is said to be  . 
General expression of matrix: 

 a11 a12 ... a1( n 1) a1n 

 a a21 ... a2( n 1) a2n 
 21 
A   ... ... aij ... ... 
 
a( m 1)1 a( m 1) 2 ... a( m 1)( n 1) a( m 1)( n) 
 am1 am 2 ... a( m )( n 1) a mn 

 identified by their row and column.  Example element in row i 
and column j is denoted as; 
aij
26 
Addis Ababa University, Institute of Technology 
Introduction 

Transpose of matrix A is a matrix whose 
rows and columns are replaced by columns 
 
aij of A  a ji of AT  
and rows of matrix A, respectively. 

Identity Matrix 
Matrix vector is a matrix with one row or one column 
Column vector  Row vector  The identity matrix has 
 x1 
elements which are 1s 
 x  on the diagonal and 
 2  zeros on off‐diagonal. 
X   ...  Y   y1 y2 ... ym 1 ym 
  It is usually denoted by 
x
 n 1  I. 
 x n 
1 0 .. 0 0
0 1 0 0 
...

I  ... 0 ...
... 0
 
0 ... 0 0 ... ...0 1
Zero matrix has all its  0  0 ... 0  0 0 ... 0 1 
 
elements equal to zero.  0 ... 0
27 
Addis Ababa University, Institute of Technology 
Introduction 
B. Operation on Matrix Operation 

Two matrices A and B can be added if they are of the same size, having 
the same number or rows and columns. Additions and subtractions are 
effected element wise. 
c11 ... ... d11 ... ...
 
C  A  B   ... cij  aij  bij ... D  A  B   ... d  a  b
 ij ij ij ... 
 
 ... ... ...  ... ... ...

Two matrices can be multiplied if the columns of the first matrix and the 
rows of the next matrix are equal.  

 a11 ... a1n   b11 ... a1 p   c11 ... a1 p 

   
C  AxB   ... ... ...   ... ... ...    ... cij ...  cij   aik bkj
am1 ... amn  am1 ... amp  am1 ... amp 

If matrix a is mxn matrix and matrix B is an nxp matrix, the product AXB is an mxp matrix. 
Introduction 

Direct division of matrices is not done. Rather 
matrix in denominator means inverse of the 
B
matrix if it has inverse.  D  BC 1 29 
C

Inverse of a square matrix A,  if it exists, is defined as  
adj ( A)
A1 
det( A)
The product of a matrix and its inverse is always the identity matrix of equal 
size to A.  1 1
A A  AA I

If A is non singular so is its transpose.  A   A 
T 1 1 T

A matrix is said to be   if it doesn’t have inverse. 

Addis Ababa University, Institute of Technology 
 Introduction 
Matrix Inverse 
Inverse of a square matrix A  if it exists is defined as  
adj ( A)
A1 
det( A)
A matrix is said to be singular if it doesn’t have inverse. 
The product of a matrix and its inverse is always the identity matrix of equal 
size to A.  A1 A  AA 1  I
If A is non singular so is its transpose.  A   A 
T 1 1 T

Matrix Identities 
Multiplication of any matrix by the identity matrix (with appropriate size) 
results the original matrix. 
AI  IA  A
IF A, B, C are of appropriate size, then;  
A( BC )  ( AB )C A( B  C )  AB  AB  A  B C  AC  BC
Transpose and multiplication 
 AB T  BT AT  AB 1  B 1 A1 30 
Addis Ababa University, Institute of Technology 
Introduction 
A matrix is symmetric matrix if elements Aij=Aji. 
Orthogonality 

If A is a matrix and x is a vector and Ax=0, then the vector x is orthogonal to each row of 
the matrix. 
Matrix conjugate for matrix A having complex numbers is matrix with all 
elements of A conjugated. 
a11 ... ... a ij    j
A   ... a ij ... a ij    j
 ... ... ...
Matrix conjugate transpose is matrix resulting from first conjugating elements and then 
transposing the matrix.  
AH  AT
Hermitan Matrix is a square matrix such that aij is the complex conjugate of aji for all 
elements of aij of the matrix i.e. a matrix in which corresponding elements with respect 
to the diagonal are conjugates of eachother. The diagonal elements are always real 
numbers. 
Unitary Matrix:‐ A matrix is said to be unitary if its hermitan is its inverse.  
A H  A1
Trace of square matrix A, (tr(A)) is sum of diagonal elements.  tr ( A)   aij i  j
i 31 
Addis Ababa University, Institute of Technology 
Introduction 
Example 
Hermitan matrix 
T
 2  i 1  2i   2  i 1 2i  2  i  5i 0 
A   5i 0 5  i  A H    5i 0 5  i    1 0 5 
 0 5  5i   0 5 5i   2i 5 5i 

Unitary matrix 

1 1  i 1  i  H 1 1  i 1  i 
A   
2 1  i 1  i  2 1  i 1  i 
A

H 1 4 0 H 1
   
4 0 4
AA A A

32 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Eigenvalues and Eigenvectors 
Definition: A.1 
Let A be a square nxn matrix. The eigenvalues i, i=1,…,n, are the n 
solutions to the nth order characteristic equation 
det( A  I )  0
The right Eignevector ti corresponding to the eigen value i is the 
nontrivial solution (ti≠0) to   
( A  i I )t i  0  At i  i t i
The corresponding left Eigenvectors qi satisfy 

qiH ( A  i I )  0  qiH A  i qiH

When we just say eigenvector we mean the right eigenvector. 
33 
Addis Ababa University, Institute of Technology 
Introduction 
Lemma A.1: Matrix inversion Lemma. 
If A1, A2, A3 and A4 are defined and are of appropriate size. 
 A1  A2 A3 A4 1  A11  A11 A2 ( A4 A11 A2  A31) 1 A4 A11
Lemma A.2: Inverse of partitioned matrix. 
If A11 and X 1 exist A
A   11
A12 

 A21 A22 
1 1 1
 A11 A12   A11  A11 A12 X 1 A21 A11
1 1
 A11 A12 X 1 
A  
 21 A22  
1
 X A21 A11 1
X 1


Where;  X  A  A A1 A 1
22 21 11 12 If A22 and Y 1 exis then
1
 A11 A12   Y 1  Y 1 A12 A22
1 
A  1 
 21 A22  1
 A22 A21Y
1 1 1 1
A22  A22 A21Y A12 A22 

1
Y  A11  A12 A22 A21
34 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 

Schur’s Formula for partitioned matrix: 

 A11 A12  1
det    det( A11 ). det( A22  A21 11 A12 )
A
 A21 A22 
1
 det( A22 ). det( A11  A12 A22 A21 )

Addis Ababa University, Institute of 
35 
Technolgoy 
 Introduction‐Mathematical Background 
Eigenvalues and Eigenvectors 
Example: 1  1  1 0    1 1 0 
A  2 3 2 det(I  A)  det   2   3  2 

1 1 2   1  1   2

(  1)(  3)(  2)  2  2(  1)  2(  2)

 (  1)(  2)(  3)

That means the eigenvalues of the matrix are; 
  1,   2,   3
Eigenvectors corresponding to each eigenvalue are solutions of Ax=x; 
1  1 0  x1   x1   x1  x2  x1  x2  0   x1   1 
2 3 2  x   1 x  2 x  3 x  2 x  x  2 x  2 x  0  x   x 
 1   2   2   1 2 3 2 1 3 1 3   x2    0 
1 1 2  x3   x3   x1  x2  2 x3  x3  x1  x3  0   x3   1

1  1 0  x1   x1  x1  x2  2 x1  x1   x2  x1   2
2  2 3 2  x   2  x  2 x1  3 x2  2 x3  2 x2   x2    2 
  2   2  x3   1 
1 1 2  x3   x3  x1  x2  2 x3  2 x3

x1  x2  3 x1  x1   1
1  1 0  x1   x1    x2    2 
2 3 2  x   3 x  2 x1  3 x2  2 x3  3 x2
 3   2   2  x3   3 
x1  x2  2 x3  3 x3
1 1 2  x3   x3 
36 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Eigen Values and Eigenvectors 
Eigenvalues of A and A transpose are the same. 
Eigenvalues are invariant under similarity transformation. 
DAD 1
Inverse of A exists if all eigenvalues of A are non zero. 
Eigenvalues of Hermitan matrix are real. 

Positive Definite:‐ Hermitan matrix is positive definite if all its 
eigenvalues are positive. 

Eigenvalues of loop transfer function i(L(j)) are known as 
characteristic loci. 

Addis Ababa University, Institute of Technology  37 
Introduction‐Mathematical Background 

Eigen values and Eigenvectors 
Some Properties of Eigenvalues of state matrix: 
For a linear system given by   x  Ax  Bu

State x can be transformed to another set of states q by the 
Eigen vector T such that   

x  Tq  q T 1
x q  T 1 ATq  T 1Bu

The system is stable if the real part of the Eigen values are 
negative. 

Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Singular Value Decomposition (SVD) 
The singular values decomposition of an lxm matrix is 
U is   unitary and orthognal matrix  UU T  I
A  U V V is 
H
 unitary and orthognal  VV T  I
Sigma is diagonal given by 
1 
 
  l ≥ m 
 0 
1 Diagonal matrix of real non negative singular values. 
1  diag1  2 ... ,  k ; k  min(l , m )
This factorization is called Singular Value Decomposition. MATLAB can be used to ge

1 2 3   0.3863  0.9224
 0.4287 0.8060 0.4082 
A  U , S ,V   svd ( A) U  
9.5080
S 
0 0
V   0.5663 0.1124  0.8165
 4 5 6  0.9204 0.3863  
 0 0.7729 0
 0.7039  0.5812 0.4082 
1 2
  0.2298 0.8835 0.4082  9.5255 0 
 
A  3 4 U , S ,V   svd ( A) U   0.5247 0.2408  0.8165 S   0 0.5143  0.6196  0.7849
  0.8196  0.4019 0.4082  V  
5 6  0 0   0.7849 0.6196 
Addis Ababa University, Institute of Technology  39 
Introduction‐Mathematical Background 
Singular Value Decomposition 
Singular values of matrix A is given by; 
 i ( A)  i ( A H A)  i ( AA H )
Where i(x) denotes eigenvalues of x.  
MATLAB can be used to determine the singular values of A using 
command  svds ( A)

Singular value decomposition of A_inv  A1  V  1U H

Singular value decomposition is usually done using MATLAB. 

 ( A H )   ( A);
 ( A) ( B )   ( AB ) or  ( A) ( B )   ( AB )
 ( AT )   ( A);
 ( A) ( B )   ( AB )
 ( AB )   ( A) ( B )
Addis Ababa University, Institute of Technology  40 
Introduction‐Mathematical Background 
Singular Value 

A 0 
 
 max  ( A),  ( B )
 0 B

Pseudo‐inverse (Generalized inverse) 
Consider the set of linear equations  
y  Ax ylx1  Alxm , xmx1
y  Ax 2 is min imized x 2  x12  x 22 ... x m
2

The solution is given in terms of the pseudo‐inverse (Moore‐Penrose 
generalized inverse) of A: 
x  A y
 1 H 1 r
A  Vr  r U r   v i uiH
i 1 i ( A)
Addis Ababa University, Institute of Technology  41 
Introduction‐Mathematical Background 

Singular Value Decomposition 
Pseudo‐inverse exist for any matrix. 

AA  A  A A AA  A

MATLAB command for pseudo‐inverse of A is pinv(A). 

Addis Ababa University, Institute of 
42 
Technolgoy 
Introduction‐Mathematical Background 
Rank  of  a  matrix:  is  equal  to  the  number  of  non‐zero  singular 
values  of  the  matrix.  Let  rank(A)  =  r,  then  the  matrix  A  is  called 
rank  deficient  if  r  <  k=min(l,m),  and  we  have  singular  values  i=0 
for  i=r+1,…k,  A  rank  deficient  square  matrix  is  a  singular  matrix 
(non‐square matrices are always singular) 

Singular Value of a 2x2 matrix 
Let, 
 2 
b  tr ( A A)   a ij , c  det( A H A)
H
i, j
Now the sum of the eigenvalues of a matrix is equal to its trace 
and the product is equal to its determinant, so 
1  2  b, 12  c
b  b 2  4c b  b 2  4c
 ( A)  ;  ( A) 
2 2
1 2  ( A)  (5.465
Example:  A 
3 4  ( A)  0.366

Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Singular Value Decomposition 
Condition number is the ratio of the largest singular value to the smallest singular 
value. If the ratio is high the system said to be ill‐conditioned. 

1 0 10.1 0 
Example:‐   1 0
G 
RGA(G )   
0 1 
G  
 0 0.1
 CN  101
10 1
G is poorly conditioned when CN is large number, usually > 10, small change in the 
model for this process can make it very difficult to control. 
Input output selection can be effected in such a way that the CN is less than 10. 
Example:‐   0.5714 0.3766 0.7292  1.618 0 0   0.0541 0.9984 0.0151 
W V T  
  0.6035 0.4093  0.6843  0 1.143 0   0.9085  0.054  0.0068
 0.5561 0.8311 0.0066   0 0 0.0097  0.006 0.0154  0.999 

0.48 0.9  0.006


G  0.52 0.95 0.008 
CN=166.5 
 0.9  0.95 0.02 

Addis Ababa University, Institute of Technology  44 
Introduction‐Mathematical Background 
Relative Gain Array 
• For a square matrix A of size mxm, the RGA is defined as  

RGA( A)  A( A1 )T

The product is element wise multiplication 
• For a matrix A given by 
1 2 1  2 1    2 3
A  ; A  1.5  0.5 ; RGA( A)   3  2
3 4    

• RGA is a measure of sensitivity to element by element 
uncertainty in the matrix 
• Properties RGA 
‐ The sum of elements in each row and in each column is 1. 
‐ RGA of diagonal matrix is 1 
‐ RGA is scaling invariant 
• RGA can be generated to any matrix using the pseudo 
inverse. However most properties above may not be defined. 
Addis Ababa University, Institute of 
45 
Technolgoy 
Introduction‐Mathematical Background 
Singular Value Decomposition 
 2.4376 3.0241 0.4135
RGA is     1.2211  0.7617 0.5407  Preliminary pairing:‐ y1‐u2, y2‐u3, y3‐u1 
 2.2165  1.2623 0.0458

1 1.68 1 1.68 This  suggests  that  outputs  can  be 

  1.47   166.5
From CN,    2 1.143  3 0.0097 controlled.  Eliminate  one  input  and  one 
output reducing 3x3→2x2. 
Analysis of different selections of 2x2; 

pairing Controlled manipulate d

CN 
number var iable var iable
1 y1, y2 u1, u2 184 39
2 y1, y2 u1, u3 72 0.552
3 y1, y2 u2 , u3 133 0.558
4 y1, y3 u2 , u1 1.51 0.640
5 y1, y3 u1, u3 69.4 0.640
6 y1, y3 u2 , u3 139 1.463
7 y2 , y3 u2 , u1 1.45 0.634
8 y2 , y3 u1, u3 338 3.25
9 y2 , y3 u2 , u3 67.9 0.714
Addis Ababa University, Institute of Technology  46 
Introduction‐Mathematical Background 
Matrix Norms 

Norm is a single number used to express indirectly the size or 
magnitude of a vector or matrix or system. 

The most common norm is the Euclidean norm, which is 
distance between two points. 

Addis Ababa University, Institute of Technology  47 
Introduction‐Mathematical Background 
Matrix Norms 
Vectors in n dimensional space 
• A vector having n elements is said to be n‐dimensional 
vector   a1 
 
 . 
 
a . 
• Vector norms   . 
 n 
Three types of vector norms  a 

i) 1‐norm sum of absolute values of elements 

  a 1   ai
i
ii) 2‐norm is square root of sum of square of elements 

2 2
  a
2
  ai
i
iii) ∞‐norm is the maximum of the absolute value of elements  

a max  a   max a i Addis Ababa University, Institute of Technolgoy  48 
i
Introduction‐Mathematical Background 
Matrix Norms 
Similar to vector norms, the followings are matrix norms 

i) sum matrix norm   A
sum  ij
 a
  i, j
ii) Frobenius matrix (Euclidean) norm   2
  A F
  a ij  tr ( A H
A)
i, j
iii) Max element norm  
  A max  max aij
i, j
 
iv) Induced norm for a system with input w, output z and 
transfer function G, induced norm is defined as 
 Gw p
G ip  max
w 0 w p

 p 1 / p
Where w p    i w i  denotes the vector p  norm
;  
Addis Ababa University, Institute of 
49 
Technolgoy 
Introduction‐Mathematical Background 
Matrix Norms 
Signal and system norm;  

1‐norm in time (integral absolute) 

e (t ) 1    ei ( ) d
 i
2‐norm in time 
 
2
e (t ) 2 
2
  ei ( ) d e (t ) 2    e i ( ) d
 i  i

∞‐norm in time 
 
e (t )   max max ei ( ) 
  i 
Power‐norm or RMS norm 
1 T 2
e (t ) power  lim   i
e ( ) d
T   2T T i
50 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Matrix Norms 
• System performance can be evaluated or controller can be designed by taking 
various input signal types and output norms. The most important ones are H2 
and H∞ norms. If (g(t) is impulse response of G(s)) 

‐H2 is defined as G ( s ) 2  g (t ) 2
H∞‐norm is defined as   e (t ) 2
G ( s )   max  G ( j )   max
 d (t ) 2
L1‐norm    e (t ) 
L1 norm : g (t ) 1   g (t )dt  max d ( t )
 d (t ) 

Based on the norms used for input 
and  output,  the  system  d 2 d d

G (s )    usually
performance  can  be  evaluated  by  e2

g (t ) 1  usually
H2, H‐infinity or   e G (s ) 2

L1 norms  e pow 0  G (s )  G ( s)
51  
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Matrix Norms 
Modal Matrix and Similarity transformation 
Consider Matrix A, a vector x and constant ; 
Ax  x
This equation says that multiplying x by A is equal to multiplying x by a constant. 

Vector x of A is known as Eigenvector whileis known as Eigen value. 
Matrix M formed from Eigenvectors is called Modal matrix. 
Eigenvalues of matrix A are obtained from the equation;  
det( A  I )  0

52 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Linear Transformation 

• A function L which maps vector space V to another vector 
space W is said to be linear if  
L(ru  sv )  rL(u)  sL(v ) Where r and s are scalars 

• The above definition of linear function (linear 
transformation) respects additively and homogeneity 

This property helps to express any vector as a sum of two other 
vectors. 

Addis Ababa University, Institute of 
53 
Technolgoy 
Introduction‐Mathematical Background 
For a vector signal with m rows we can define the mxm matrix 
(covariance matrix). Example Rz for z(t) as follows. 

Rz   z (t ) zT (t )dt

If Rz is known for a signal z, we can calculate the sizes of a number 
of  related  signals.  If  we,  for  example,  form  a  scalar  signal  using  a 
linear combination of the components of z, s(t)=Lz(t). 
 
2 T T T T T
s2  Lz (t ) z (t ) L dt L  z (t ) z (t )dtL LRz L
 

The  size  of  the  kth  component  of  Z  is  given  by  the  kth  diagonal 
element Rz.  
2
s 2  coresponds to sum of diagonal elements in matrix Rz
2
s 2  tr ( Rz )
Addis Ababa University, Institute of 
54 
Technolgoy 
Introduction‐Mathematical Background 

Matrix Norm 
Matrix B is similar to matrix A if 
B  P 1 AP
Consider a matrix given below. The eigen value is  and it has one Eigenvector. 
The matrix is called Jordan block.  
 1 
J 2   
0 

Generally an n by n matrix of the form has n Jordan cells with  Eigenvalue and 
single Eigen vector.  
 1 0 . . . 0
 
0  1 . . . 0
. 0  . . . .
 
0 . . . .  1
0 . . . 0 0  


Addis Ababa University, Institute of 
55 
Technolgoy 
Introduction‐Mathematical Background 
Matrix Norm 
Norm of Inxn = 1, 
Norm of Unitary matrix =1 
If U is unitary, norm   

AU  UA  A

Addis Ababa University, Institute of 
56 
Technolgoy 
Introduction‐Mathematical Background 
Matrix Linear fractional Transformations 
Like scalar differential equation matrix differential equations may 
arise when modeling MIMO systems 
A second order vector differential equation is given by; 
A0 x (t )  A1 x (t )  A2 x(t )  0

Taking Laplace transform  
A0 x ( s )  sA1 x ( s )  s 2 A2 x ( s )  0
In SISO systems the transfer function is ratio of two polynomials in s 
N(s) and D(s) .  
N ( s)
G ( s) 
D( s)
Similarly, in MIMO systems the transfer function is ratio of two 
vector polynomials N(s) and D(s) .  
G ( s )  N ( s )D ( s ) 1
This is called matrix fraction description. 
Addis Ababa University, Institute of 
Technolgoy 
57 
Introduction‐Mathematical Background 
Linear Diophantine Equation 
 P11 P12 
P
 P12 P22 

The lower fractional transformation Fl is the transfer function R1 resulting 
from wrapping positive feedback K around the lower part of P. 
z  p11w  p12u
v  p21w  p22u

Eliminating v and u  
z  R1w  Fl ( P , K ) w Fl ( P , K )  P11  p12 K ( I  p22 K ) 1 p21
 [ p11  p12 K ( I  p22 K ) 1 p21 ]w

In words, R1 is written as a lower LFT of P in terms of the parameter K. 
Similarly,  
58 
Addis Ababa University, Institute of Technology 
Introduction‐Mathematical Background 
Linear Diophantine Equation 

Fu ( P , )  P22  p21( I  p11) 1 p12

An interconnection of LFT yields an LFT 

An important property of LFTs is that any interconnection of LFTs is again an LFT. R is 
written in terms of lower a lower LFT of K’, which again is a lower LFT of K, and we want 
to express R directly as an LFT of K. we have 
R  Fl (Q, K ' ) K '  Fl ( M , K ) R  Fl ( P , K )

Addis Ababa University, Institute of 
59 
Technolgoy 
Introduction‐Mathematical Background 
Linear Diophantine Equation 

Fu ( P , )  P22  p21( I  p11) 1 p12
The lower fractional transformation Fl is the transfer function RI resulting 
from wrapping positive feedback K around the lower part of P. 
Eliminating v and u 
z  R2 w  Fu ( P , ) w
 [ p11  p12 K ( I  p22 K ) 1 p21 ]w

Interconnection of LFTs 

R  Fl (Q, K ' ), K '  Fl ( M , K )

R  Fl ( P , K )

p p12 
P   11 
 p21 p22 
Q11  Q12 M11 ( I  Q22 M11 ) 1Q21 Q12 ( I  M11Q22 ) 1 M12 
 
 M 21 ( I  Q22 M11 ) 1Q21 M 22  M 21Q22 ( I  M11Q22 ) 1 M12 

60 
Addis Ababa University, Institute of Technolgoy 
Introduction‐Mathematical Background 

Reference 
‐   Sigurd Skogestad, Multivariable Feedback   Control 
  analysis  and  design,  Wiley  1996 
   P.  Albertos  A.  Sala,  Multivariable  Control 
  Systems:  Engineering  Approach,  Springer 
   Torkel Glad and Lennart Ljung, “Control   Theory 
  multivariable  and  nonlinear  methods,  Taylor  and 
  Francis, 2000 

Addis Ababa University, Institute of 
61 
Technolgoy