TEORIA DE CONTROL DISCRETO

Flavio Torres

Edicin: Depto. Ing. Elctrica - UFRO














1
1


TEORIA DE SISTEMAS DISCRETOS



1.1 INTRODUCCIN

El control por computador es hoy en da una herramienta comn en la industria actual. Por tanto es importante
entender los aspectos tericos involucrados en los sistemas controlados por computador.
En la figura 1.1 se muestra un proceso controlado por computador


Los trminos, como sistemas de control en tiempo discreto, sistemas de control de datos muestreados
y control digital, implican el mismo tipo de sistemas de control por computador.

1.2 SISTEMAS DISCRETOS

Las seales que maneja el computador son discretas, por lo tanto se analizar este tipo de seales. Para
obtenerlas se comenzar con seales continuas que son ms familiares.

Seal de entrada y salida de un proceso. Se convendr en asignar la seal de entrada a un
proceso como u (ya sea como u(t) para seal continua como u(k) para seal discreta) y la salida como y
(ya sea como y(t) seal continua como y(k) para seal discreta), tal como se muestra en la figura 1.2. Para
no confundir la seal de entrada con la seal escaln, se sealizar explcitamente cundo corresponda a un
escaln.



Figura 1.2 seales de proceso
Proceso
y
u


Proceso
real
Salida
Entrada
Figura 1.1 Sistema de control por computador
2
Representacin de un proceso continuo Las formas ms comunes de representar
matemticamente un proceso son:

- Funcin de transferencia
- Variables de estado

Ambas representaciones son equivalentes en el sentido que desde la funcin de transferencia se puede llegar a
la representacin de estado y viceversa.

Ejemplo 1.1
Obtener la representacin de estado de la siguiente funcin de transferencia continua


2 1
2
2 1
) (
a s a s
b s b
s G
+ +
+


(1.1)

Solucin Usando el mtodo de equivalencias de bloques tenemos:



2 1
2
2 1
a s a s
b s b
+ +
+
y(s) u(s)




2 1
2
1
a s a s + +
y(s) u(s)
2 1
b s b +




) ( 1
2 1
2
2
a s a s
s
+ +

u(s)
2
b
s
1
b
y(s)
+
+





2
b
s
1
b
y(s)
+
+
2
s
2 1
a s a +
+
u(s)
-




3

2
b
s
1
b
y(s)
+
+
2
s
+
u(s)
-
s
1
a
2
a
-



2
b
s
1
b
y(s)
+
+
2
s
+
u(s)
-
s
1
a
2
a
-
1
s
s



2
b
1
b
y(s)
+
+
1
s
+
u(s)
-
1
a
2
a
-
1
s
x
1
(s)
x
2
(s)


Con la asignacin de variables del ultimo diagrama de bloques podemos deducir lo siguiente:


) ( ) (
2 1
s x s x s
(1.2.a)
) ( ) ( ) ( ) (
1 2 2 1 2
s u s x a s x a s x s +
(1.2.b)
) ( ) ( ) (
1 2 2 1
s x b s x b s y +
(1.2.c)

Expresndolo en forma matricial vectorial (una raya debajo de la letra indica vector), tendremos
finalmente la siguiente la representacin de estado del proceso




4

) ( ) ( ) ( s u B s x A s x s +
(1.3.a)
) ( ) ( s x C s y
T

(1.3.b)

donde


1
]
1

) (
) (
) (
2
1
s x
s x
s x
1
]
1

1 2
1 0
a a
A
1
]
1

1
0
B [ ]
1 2
b b C
T
(1.3.c)

OBS: Usando el resultado del ejemplo 1.1 ( o sea el ltimo diagrama en bloques), podemos extrapolarlo
para generalizar y representar cualquiera funcin de transferencia en un diagrama de bloques donde
los coeficientes del polinomio se expresan en forma separada e individual. Como ejercicio, hacer la
representacin en bloque y de estado de otras funciones de transferencia.

Inversamente, si slo dispusiramos de la representacin de estado dado por ecuaciones (1.3),
podemos retroceder en el anlisis partiendo del final del ejemplo 1.1 y obtener finalmente la funcin de
transferencia dada por la ecuacin (1.1).

Concepto prctico de seal discreta Al hacer pasar una seal continua por un conversor
anlogo digital y luego seguido por un conversor digital anlogo, a la salida se obtiene la seal discretizada
que se muestra en la figura 1.3.

A/D
D/A
Figura 1.3. Obtencin de una seal discreta
Reloj con
periodo T
0
t
t
T
0
2T
0
3T
0
kT
0




1.3 CONTROL POR COMPUTADOR

En un sistema controlado por computador , las seales continuas y discretas aparecen como se muestra en la
figura 1.4













5


PC
Proceso
anlogo
D/A
Figura 1.4. Esquema general de control por computador
u(t)
y(t)
t
A/D
t


La informacin numrica al interior del computador tiene una correspondencia biunvoca con el nivel
de altura de los escalones que se observan a la salida del conversor D/A. En rigor la operatoria es la siguiente:
Sea un nmero al interior del PC que se desea enviar a la salida. Para ello el nmero, que esta codificado en
en byte, es enviado al bus de datos de salida, que lo transporta a la entrada del conversor D/A. A la salida del
conversor se obtiene el nivel de seal (altura voltaje) correspondiente al nmero. Por lo tanto el nivel de
salida u(kT
0
) tiene el mismo valor que el nmero al interior del PC. De manera que el anlisis matemtico a
la seal escalonada es equivalente a considerar sus correspondientes valores numricos al interior del PC.
Ambos enfoques se usan indistintamente porque significan lo mismo. Ms adelante se formalizara una
representacin matemtica ms precisa para representar seales discretas.

Representacin de estado discreta de un proceso Aplicando la transformada inversa de Laplace a
la sistema de variables de estado continuo representado por la ecuacin (1.3), tenemos


) ( ) ( ) ( t u B t x A t x

+

(1.4.a)
) ( ) ( t x C t y
T



(1.4.b)


La solucin de la ecuacin (1.4.a) a partir del instante

0
T k t
k

(1.5)

(ver salida de figura 1.3), conocida la condicin inicial ) (
k
t x , esta dada por

d u B e t x e t x
t
t
t A
k
t t A
k
k
) ( ) ( ) (
) ( ) (

+

(1.6)
Evaluando en t = t
k+1
tenemos


) ( ) ( ) (
1
1 1
) ( ) (
1 k
t
t
t A
k
t t A
k
t u B d e t x e t x
k
k
k k k

+
+ +

+
+

(1.7)

usando el cambio de variable en la integracin
+1 k
t , tenemos

6

+
+ +
+

0
0
) (
1
1 1
1
) (
k k
k k k
k
k
t t
t t
A A
t
t
t A
d e d e d e



(1.8)

por lo tanto la representacin de estado discreta del proceso es


) ( ) ( ) (
1 k
d
k d k
t u B t x A t x +
+


(1.9.a)
) ( ) (
k
T
k
t x C t y

(1.9.b)

donde


0 1
) ( T A t t A
d
e e A
k k


+

(1.10)





+ 0 1
0 0
T
A
t t
A
d
B B d e B d e B
k k




(1.11)

con

0
0
T
A
d e

(1.12)



OBS: En muchos textos usan las variables A y B para representar al sistema discreto dados por A
d
y B
d

(tambin se usan para representar polinomios). Sin embargo la relacin entre la representacin
continua y discreta esta dada por la ecuacin (1.10) y (1.11). En todo caso la clarificacin, si las
variables pertenecen a uno u otro caso, depender implcitamente del planteamiento del problema.

Otra forma de expresar A
d
es usando series de Taylor,


....
! 2
2
0
2
0
0
+ + +
T A
T A I e
T A


(1.13)
con I matriz de identidad. Entonces


......
! 2
0
0
2
0
0
+ +

T
A
T A
T I d e

(1.14)
por lo tanto


+ A I A
d

(1.15)


7
Ejemplo 1.2
Obtener la representacin de estado discreta del siguiente proceso, expresado en variable de estado
continuo

u x x
1
]
1

+
1
]
1

1
0
0 0
1 0


[ ] x y 0 1

Solucin Usando el mtodo de series de Taylor


1
]
1

+
1
]
1

+
1
]
1

+ + +
1 0
1
0
0 0
0
1 0
0 1
....
! 2
0 0
2
0
2
0
0
T T T A
T A I e A
T A
d


Para calcular
d
B , sustituimos T
0
por , o sea


1
]
1

1 0
1
A
d
e A



luego de ecuacin (1.11)


1
1
]
1

1
]
1

0
2
0
0 0
2
1
0 0
T
T
d B d e B
T T
A
d

finalmente tenemos

) ( 2 ) (
1 0
1
) (
0
2
0
0
1 k k k
t u
T
T
t x
T
t x
1
1
]
1

+
1
]
1

+


[ ] ) ( 0 1 ) (
k k
t x t y


Variables de estado con periodo de muestreo T
0
=1 Si T
0
= 1, entonces usando ecuacin (1.5),
ecuacin (1.9) queda


) ( ) ( ) 1 ( k u B k x A k x
d
d

+ +
(16.a)


) ( ) ( k x C k y
T


(16.b)




8

Ejemplo 1.3
Obtener la representacin de estado discreto de

u x x
1
]
1

+
1
]
1

0
1
0 1
0 1


[ ] x y 1 0
usando Laplace.

Solucin Aplicando el mtodo de transformada de Laplace, tenemos de la ecuacin (1.4.a)

( ) ( ) ) ( ) 0 ( ) (
1 1
s u B A I s x A I s s x

+

Ahora aplicando la inversa de Laplace
( ) { } ( ) { } ) ( ) 0 ( ) (
1 1 1 1
s u B A I s L x A I s L t x

+
evaluando en t = T
0
tendremos la misma ecuacin (1.9.a) para k = 0, por lo tanto

( ) { }
0
0
0
0
1
) 1 (
1
0
1
1
1
0 1
1
1
1 1 1
T
T
T
T A
d
s s s
s
L
s
s
L A I s L e A

'

1
1
1
1
]
1

+
+

'

1
]
1

1
]
1

1 1
0
0
0
T
T
d
e
e
A


para el clculo de

d
B de la ecuacin (1.11) tenemos

1
]
1

1
]
1

0
0
0 0
1
1
1
0
0 0
T
T
T T
A
d
e T
e
d
e
e
B d e B

1.4 LA TRANSFORMADA Z

Al igual que la transformada de Laplace para sistemas continuos, existe una transformada para
sistemas discretos denominada transformada z
Para entender su razn de ser y su deduccin, sea una seal continua de la figura 1.5.


x(t)
t
Figura 1.5. seal de proceso


9

la discretizacin de esta seal se muestra en la figura 1.6


t
Figura 1.6 seal discretizada con periodo T
0
m(t)
T
0
2T
0
3T
0
kT
0


La expresin matemtica de la discretizacin es


[ ]

+
0
0 0 0
) ) 1 ( ( ) ( ) ( ) (
k
T k t u kT t u kT x t m

(1.17)


donde ) (
0
kT x es la seal ) (t x evaluada en kT
0
con k = [0,1,2,3,....] y ) (t u es la seal escaln
unitario.



La transformada de Laplace de ) (t m es


[ ]

0
0
0 0
1
1
) ( ) (
k
s T s kT
e
s
e kT x s m

(1.18)



[ ] ) ( 1
1
) (
*
0
s X e
s
s m
s T


(1.19)

con

0
0
*
0
) ( ) (
k
s kT
e kT x s X

(1.20)

donde la transformada de Laplace X
*
(s) posee la informacin bsica de la seal en el tiempo x(t), y
por lo tanto concentra toda la informacin relevante de la seal real m(t) (con T
0
constante) para el anlisis
discreto, o sea cuando se trabaja en procesos controlados por computador. Asignando, por comodidad, la
siguiente variable

s T
e z
0

(1.21)




10

desaparece la variable s y queda la siguiente funcin en z

0
0
) ( ) (
k
k
z kT x z X

(1.22)

tambin se expresa como

[ ] ) ( ) (
0
kT x Z z X
(1.23)

a dicha expresin se le denomina transformada z de la seal continua x(t). Como se ver a
continuacin las facilidades matemticas que otorga la transformada z para sistemas discretos es an ms fcil
que la que otorga Laplace a los sistemas continuos. Por ejemplo para pasar de x(kT
0
) a x(z) y viceversa no
requiere resolver integrales, como ocurre en algunos casos en el sistema continuo. Dada la relacin directa
que existe entre x(t), x(s) y x(kT
0
), se usa indistintamente

[ ] [ ] [ ] ) ( ) ( ) ( ) (
0
t x Z s x Z kT x Z z X
(1.24)

Ejemplo 1.4
Obtener la transformada z de la seal escaln de la figura 1.7

u(t)
1
t
Figura 1.7. seal escaln


Solucin De la ecuacin (1.22) tenemos que

...... 1 ) (
3 2 1
+ + + +

z z z z X


esto representa una serie matemtica, cuya frmula es:


1 1
1
) (
1

z
z
z
z X y converge si 1 > z

Ejemplo 1.5
Obtener la transformada z de la seal exponencial,
at
e

, de la figura 1.8


u(t)
1
t
Figura 1.8. seal exponencial

11

Solucin De la ecuacin (1.22) tenemos

..... ) ( ) ( 1 ) (
2 1
0 0
+ + +

z e z e z X
T a T a





0 0
1
) ( 1
1
) (
T a T a
e z
z
z e
z X

converge para 1
0
> z e
T a




1.5 ALGUNAS PROPIEDADES DE LA TRANSFORMADA Z

Las propiedades ms importantes de la transformada z son la de corrimientos. Para el resto de las propiedades,
ver referencia [1],[2],[3].

Corrimiento hacia la izquierda Sea y(kT
0
) la seal desplazada hacia la izquierda en un instante
de muestreo de la seal x(kT
0
), como se muestra en la figura 1.9


t
x(kT
0
)
Figura 1.9. corrimiento a la
izquierda
T
0
2T
0
3T
0
kT
0
y(kT
0
)=x((k+1)T
0
)



de ecuacin (1.22) tenemos



........ ) 3 ( ) 2 ( ) ( ) 0 ( ) ( ) (
3
0
2
0
1
0
0
0
+ + + +

z T y z T y z T y y z kT y z Y
k
k


(1.25)


........ ) 4 ( ) 3 ( ) 2 ( ) ( ) (
3
0
2
0
1
0 0
+ + + +

z T x z T x z T x T x z Y
(1.26)


........ ) 4 ( ) 3 ( ) 2 ( ) ( ) 0 ( ) 0 ( ) (
3
0
2
0
1
0 0
+ + + + + +

z T x z T x z T x T x x z x z z Y
(1.27)

+
0
0
0
) 1 (
0
) 0 ( ) ( ) ( ) 0 ( ) (
k
k
k
k
x z z kT x z z kT x x z z Y

(1.28)


Luego nos queda la siguiente expresin

12

[ ] ) 0 ( ) ( ) ) 1 (( ) (
0
x z z X z T k x Z z y +
(1.29)

Corrimiento hacia la derecha Sea y(kT
0
) la seal de x(kT
0
) desplazada en un tiempo de
muestreo hacia la derecha como se muestra en la figura 1.10


t
x(kT
0
)
Figura 1.10 corrimiento a la
derecha
T
0
2T
0
3T
0
kT
0
y(kT
0
)=x((k-1)T
0
)


de ecuacin (1.22) tenemos



........ ) 3 ( ) 2 ( ) ( ) 0 ( ) ( ) (
3
0
2
0
1
0
0
0
+ + + +

z T y z T y z T y y z kT y z Y
k
k


(1.30)


........ ) 2 ( ) ( ) 0 ( 0 ) (
3
0
2
0
1
+ + + +

z T x z T x z x z Y
(1.31)

0
0
1
0
1
0
) ( ) ( ) (
k
k
k
k
z kT x z z kT x z Y

(1.32)


Luego nos queda la siguiente expresin


[ ] ) ( ) ) 1 (( ) (
1
0
z X z T k x Z z Y


(1.33)


Ejemplo 1.6
Sea la funcin de transferencia, de la figura 1.4, una constante de valor 1
a) Grafique y(kT
0
), que captura el PC, frente a un escaln unitario u(kT
0
) a la salida del PC
b) Obtenga
) (
) (
) (
z u
z y
z G de la planta unitaria

Solucin
a) El PC sincroniza sus datos de salidas y entradas, es decir, ocurren al mismo instante. Si a la
salida de PC se origina un escaln unitario en k = 0, la entrada del PC no se percatar de este
cambio al mismo instante dado que el conversor A/D requiere un tiempo para hacer la
conversin. Por lo tanto el PC deber esperar el siguiente periodo de muestreo para poder
capturar la data, tal como se muestra en la figura 1.11
13
y(kT
0
)
1
kT
0
Figura 1.11 seal entrada y salida del proceso
T
0
2T
0
u(kT
0
)
1
kT
0
T
0
2T
0



b) De la figura 1.10 vemos que y(kT
0
) = u((k-1)T
0
). Entonces de la propiedad de corrimiento

1
) (

z z G


1.6 LA TRANSFORMADA INVERSA DE Z


La transformada inversa de z consiste en encontrar los valores x(kT
0
) de la ecuacin (1.22), dada
X(z)

Ejemplo 1.7
Obtener la transformada inversa de z de
1
1
) (
2
+ +

z z
z X

Solucin Haciendo divisin sucesiva

... ) (
6 5 3 2
+ +

z z z z z X

Con T
0
=1,

0 ) 0 ( x , 0 ) 1 ( x , 1 ) 2 ( x , 1 ) 3 ( x , 0 ) 4 ( x , 1 ) 5 ( x , 1 ) 6 ( x , . . .


Existen una serie de mtodos para obtener la transformada inversa de z, como tambin la tabla de
transformada z de seales conocidas. Para tal efecto consultar la referencia [1].



1.7 REPRESENTACIN MATEMTICA DE PROCESOS DISCRETOS

As como una ecuacin diferencial puede representar el comportamiento de un sistema continuo, la
ecuacin de diferencia puede representar el comportamiento de un sistema discreto.
14

Ecuacin de diferencia Sea el siguiente proceso integrador



y u


la ecuacin que representa al proceso es (rea bajo la curva de la seal de entrada)

t
dt t u t y
0
) ( ) (

(1.34)
la ecuacin diferencial correspondiente es

) (
) (
t u
dt
t y d


(1.35)


Aproximando por rectngulos, tenemos (ver figura 1.6)

1
0
0 0 0
) ( ) (
k
q
qT u T kT y

(1.36)

+
k
q
qT u T T k y
0
0 0 0
) ( ) ) 1 ((

(1.37)
restando la ecuacin anterior


) ( ) ( ) ) 1 ((
0 0 0 0
kT u T kT y T k y +
(1.38)


con T
0
=1, tenemos


) ( ) ( ) 1 ( k u k y k y +




) 1 ( ) 1 ( ) ( + k u k y k y
(1.39)


As como la ecuacin 1.(35) se le llama la ecuacin diferencial del proceso, la ecuacin (1.39) se
denomina la ecuacin de diferencia del proceso discreto.
Para encontrar y(t) es necesario resolver la ecuacin (1.35) matemticamente, en cambio para
encontrar y(k) la resolucin de la ecuacin (1.39) es mucho ms simple. Por ejemplo sea u(k) e
y(0)conocidos, entonces la solucin de y(k) es
15

) 0 ( ) 0 ( ) 1 ( u y y +

) 1 ( ) 0 ( ) 0 ( ) 1 ( ) 1 ( ) 2 ( u u y u y y + + +

) 2 ( ) 1 ( ) 0 ( ) 0 ( ) 2 ( ) 2 ( ) 3 ( u u u y u y y + + + +
.

) 1 ( ... ) 2 ( ) 1 ( ) 0 ( ) 0 ( ) 1 ( ) 1 ( ) ( + + + + + + k u u u u y k u k y k y

Funcin de transferencia discreta o funcin de transferencia en z, G(z) La funcin de
transferencia en z de un proceso es el cuociente de seal de salida y entrada en z , o sea


) (
) (
) (
z u
z y
z G

(1.40)

Ejemplo 1.8
Obtener la funcin de transferencia en z de la ecuacin (1.39)

Solucin Aplicando las propiedades de corrimiento, tenemos


) ( ) ( ) (
1 1
z u z z y z z y


(1.41)



[ ] ) ( 1 ) (
1 1
z u z z z y


(1.42)



1
1
1 ) (
) (
) (
1
1

z z
z
z u
z y
z G

(1.43)



que corresponde a la funcin de transferencia discreta del proceso integrador de la figura 1.11.

Representacin polinmica de un proceso Observando la relacin existente entre las ecuaciones
(1.35) y (1.39) podemos decir que la ecuacin diferencial de primer orden de un sistema continuo tiene su
representacin discreta dada por la ecuacin de diferencia de primer orden. Generalizando podemos decir
entonces que una ecuacin diferencial de orden n siguiente

) ( ) ( ... ) ( ) ( ) ( ... ) (
0 1 0 1
t u t u
dt
d
t u
dt
d
t y t y
dt
d
t y
dt
d
n
n
n
n
n
n
+ + + + + +

(1.44)

tiene su representacin discreta dada por la ecuacin de diferencia de orden n siguiente

) ( .... ) 1 ( ) ( ) ( .... ) 1 ( ) (
1 0 1 0
n k u b k u b k u b n k y a k y a k y a
n n
+ + + + + +
(1.45)

16
Aplicando transformada de Laplace y z a ecuaciones (1.44) y (1.45) respectivamente tendremos




) (
) (
) (
) (
) (
s
s
s u
s y
s

(1.46)
) (
) (
) (
) (
) (
z A
z B
z u
z y
z G

(1.47)

con los polinomios ) ( ) ( ), ( ), ( z B y z A s s dados por
0 1
1
1
.... ) ( + + + +

s s s s
n
n
n
n

(1.48)

0 1
1
1
.... ) ( + + + +

s s s s
n
n
n
n

(1.49)

n
n
z a z a z a a z A

+ + + + ... ) (
2
2
1
1 0

(1.50)

n
n
z b z b z b b z B

+ + + + ... ) (
2
2
1
1 0

(1.51)

finalmente la representacin polinmica de procesos reales (b
0
= 0), con el polinomio ) (z A en forma
mnica ( a
0
=1)

) (
) (
... 1
...
) (
1
1
1
1
z A
z B
z a z a
z b z b
z G
n
n
n
n

+ + +
+ +

(1.52)


Obtencin de G(z) a partir de G(s) Sea una planta cualquiera representada en la figura 1.12.




Figura 1.12. Proceso continuo
G(s)
y
u



Circunscribiendo el anlisis al control por computador, nos interesa las seales escalonadas como se
muestra a la salida de la figura 1.3. Observamos que la seal esta compuesta por una suma de seales
escalones. Entonces sea la seal escaln unitaria

s
s u
1
) (

(1.53)
) (
1
) ( s G
s
s y

(1.54)

17
de la tabla de transformada Z, se obtiene




[ ]
1
]
1

s
s G
Z s y Z z y
) (
) ( ) (

(1.55)

pero

) (
) (
) (
z u
z y
z G

(1.56)

de la tabla de transformada Z, el escaln es
1
) (

z
z
z u , por lo tanto la relacin entre ) (z G y ) (s G es

1
]
1

s
s G
Z
z
z
z G
) ( 1
) (

(1.57)

Ejemplo 1.9
Resolver el ejemplo 1.8 usando la ecuacin (1.57)

Solucin El proceso integrador se muestra en la figura 1.13



Figura 1.13. Proceso integrador
y
u
s
s G
1
) (


de ecuacin (1.57) tenemos

1
]
1

2
1 1
) (
s
Z
z
z
z G




de la tabla de transformada z tenemos

2
0
2
) 1 (
1

1
]
1

z
z T
s
Z



por lo tanto

1
1
0 0
2
0
1 1 ) 1 (
1
) (

z
z T
z
T
z
z T
z
z
z G



si T
0
= 1 entonces
18

1
1
) (

z
z G




que corresponde a la misma ecuacin (1.43) resuelto en el ejemplo 1.8


1.8 ANALISIS DE SISTEMAS DISCRETOS

Usando tcnicas lineales similares a las del sistema continuo, se pueden obtener informacin
relevante de los sistemas discretos. Por ejemplo es importante saber si un proceso es realizabable y/o estable.

Ganancia en estado estacionario de un proceso En estado estacionario se cumple que

0
) ( ........ ) 2 ( ) 1 ( ) ( Y n k y k y k y k y
(1.58)

y

0
) ( ........ ) 2 ( ) 1 ( ) ( U n k u k u k u k u
(1.59)

con
0 0
U y Y constantes, por lo tanto de ecuacin (1.45), con ) (z A mnico, tendremos


) ..... ( ) ..... 1 (
2 1 0 2 1 0 n n
b b b U a a a Y + + + + + + +
(1.60)

luego la ganancia en estado estacionario, K, ser

) 1 (
.... 1
....
2 1
2 1
0
0
G
a a a
b b b
U
Y
K
n
n

+ + + +
+ + +


(1.61)

En consecuencia, la ganancia en estado estacionario de cualquier funcin de transferencia expresada en z, es
la funcin de transferencia evaluada en z=1, o sea ) 1 ( G .

Proceso de retardo puro Un proceso con retardo puro de T tiempo, se representa por

s T d Ts
e e s G
0
) (


(1.62)

con d = 1,2, ... , numero entero dependiendo de la magnitud del retardo, T, y del periodo de muestreo T
0


por lo tanto de la ecuacin (1.21)

d
z z G

) (
(1.63)

Proceso generalizado ms retardo Se obtiene del proceso de la ecuacin (1.52) seguido
por el proceso de la ecuacin (1.630)

d
z
z A
z B
z G

) (
) (
) (
(1.64)

19
Realizabilidad Un proceso se dice realizable si se cumple la ley causa efecto, es decir la salida
de un proceso no puede reaccionar antes que se le aplique una excitacin en la entrada.



Ejemplo 1.10

Determine si la siguiente ecuacin de diferencia representa a un proceso realizable

) 1 ( ) 1 ( ) ( + + k u k y k y



Solucin Se observa que la salida depende de entrada futura por lo tanto no se cumple la ley causa
efecto.

Condicin general de realizabilidad. Primero el denominador debe quedar expresado en forma de
polinomio mnico dado por la ecuacin (1.52). Ahora, si existen exponentes positivos en el denominador,
entonces deben multiplicarse el numerador y denominador de G(z) por un factor z con exponente
correspondiente al negativo del exponente positivo ms grande presente en el denominador. En estas
condiciones, entonces decimos que una funcin de transferencia , G(z), es realizable si no existen exponentes
positivos (con cero incluido) en la variable z del numerador.

Ejemplo 1.11

Determinar si el siguiente proceso es realizable

) 2 ( ) 1 ( ) 2 ( ) 2 ( ) 1 ( ) (
1 0 1 2 0 1
+ + + + + + +

k u b k u b k u b k y a k y a k y a


, , , , , ,
1 0 1 2 1 0
b b b a a a

constantes cualquiera distintos de cero.

Solucin Aplicando propiedades de desplazamientos, tenemos

) ( ) ( ) ( ) ( ) ( ) (
2
1 0
2
1
2
2 0 1
z u z b z u z b z u z b z y z a z y a z z y a

+ + + +



2
2 1 0
2
1 0
2
1
) (

+ +
+ +

z a a z a
z b z b z b
z G


Multiplicando por
1
1

z
z
, tenemos
3
2
1
1 0
3
1 0 1
) (

+ +
+ +

z a z a a
z b b z b
z G


Podemos deducir que el proceso no es realizable dado que posee potencia positiva de z en el numerador

Respuesta a pulso de un proceso Es la evolucin que experimenta la salida de un proceso frente a
un pulso, como el de la figura 1.14, a la entrada del proceso, con condiciones iniciales cero




20





u(kT
0
)
1
kT
0
T
0
2T
0
Figura 1.14 seal de entrada pulso


a este pulso se le conoce en los textos como Delta de Kroneker y su definicin es

'

0 0
0 1
) (
k
k
k
K


(1.65)
O sea ) ( ) ( k k u
K
corresponde a la figura 1.14 con T
0
= 1

Ejemplo 1.12
Sea un proceso dado por la siguiente ecuacin de diferencia

) 2 ( ) 1 ( ) 2 ( ) 1 ( ) (
2 1 2 1
+ + k u b k u b k y a k y a k y


Obtener los valores de y(k) para k = 0,1,2 y 3 cuando se le aplica un Delta de Kroneker a la entrada

Solucin
0 ) 0 ( y

1
) 1 ( b y


2 1 1
) 2 ( b b a y +


1 2 1 1 2 1
) ( ) 3 ( b a b a b a y


Ejemplo 1.13
Demostrar que la transformada inversa de z de una funcin de transferencia discreta de un proceso
corresponde a la respuesta a pulso del proceso. Use el proceso del ejemplo 1.12 para la demostracin

Solucin
El G(z) del ejemplo 1.12 es

2
2
1
1
2
2
1
1
1
) (


+ +
+

z a z a
z b z b
z G


haciendo la divisin entre los polinomios tenemos

[ ] .. ) ( ) ( ) 1 ( : ) (
3
1 2 1 1 2 1
2
1 1 2
1
1
2
2
1
1
2
2
1
1
+ + + + + +

z b a b a b a z b a b z b z a z a z b z b

3
1 2
2
1 1
1
1

z b a z b a z b

3
1 2
2
1 1 2
) (

z b a z b a b

21

4
1 1 2 2
3
1 1 2 1
2
1 1 2
) ( ) ( ) (

z b a b a z b a b a z b a b

[ ]
4
1 1 2 2
3
1 2 1 1 2 1
) ( ) (

z b a b a z b a b a b a


De ecuacin 1.22 vemos que

0
0
) ( ) (
k
k
z kT g z G

(1.66)

Donde la transformada inversa de G(z) es g(k) con

0 ) 0 ( g

1
) 1 ( b g


2 1 1
) 2 ( b b a g +


1 2 1 1 2 1
) ( ) 3 ( b a b a b a g


Que corresponde a la respuesta a pulso del proceso del ejemplo 1.12 , tal como lo muestra en la figura 1.15

Figura 1.15 Proceso integrador
) (z G
) (k
K
) (k g




Convolucin discreta Cualquiera entrada u(k) se puede expresar como

n
K
n k n u k u ) ( ) ( ) (

(1.67)


Sabemos que la entrada y salida del proceso estn dadas por

) ( ) ( ) ( k g k y k
K

(1.68)

) ( ) ( ) ( ) ( ) ( n k g n u k y n k n u
K

(1.69)


por lo tanto para una entrada cualquiera

n n
K
n k g n u k y n k n u k u ) ( ) ( ) ( ) ( ) ( ) (

(1.70)


Para que se cumpla la condicin de realizabilidad (ley causa efecto) la sumatoria debe llegar hasta k-1, dado
que y(k) slo es afectado hasta u(k-1). Por lo tanto

1
) ( ) ( ) (
k
n
n k g n u k y

(1.71)

22

Haciendo el cambio de variables n k tenemos finalmente la convolucin discreta

1
) ( ) ( ) (

k u g k y

(1.72)


Que tiene su equivalencia a la convolucin de en sistemas continuos

d t u g t y
t
) ( ) ( ) (
0

(1.73)



Respuesta en frecuencia Veremos qu ocurre cuando a un proceso discretizado, G(z), se le aplica
una seal sinusoidal de frecuencia , o sea cuando la entrada es ( 1
0
T )


{ }
k j
e k k u

cos ) (

(1.74)


OBS: si 1
0
T , )
2
cos( ) cos( ) (
0 0
s
w
k
k T kT u

, con
0
2
T
w
s


de ecuacin (1.72)

{ }

'

) ( ) (
1
) ( ) ( ) (

k j k j
e g e g k y

(1.75)



{ } ) ( ) ( ) (
1

j k j j k j
e G e e g e k y

'

(1.76)


[ ] ( ) [ ] { } ) ( ) ( 1 ) (
jw jw
e G arctg e G k k y

(1.77)


) cos( ) ( ) (

+ k w e G k y
j


(1.78)


con
( ) ) (

j
e G arctg

(1.79)


) (
j
e G con se conoce como funcin de frecuencia de G(z). ) (
j
e G es conocida como
Transformada de Fourier de Tiempo Discreto (DTFT) de g(m)


23
Estabilidad Decimos que un proceso es estable si frente a un pulso en la entrada ( condicin
inicial distinta de cero), la salida, luego de un transiente, decae a cero.







Ejemplo 1.13

Determine si el siguiente proceso es estable


) 1 ( ) 1 ( 4 ) ( 2 + k u k y k y


Solucin Despejando y(k), tenemos

) 1 ( 5 . 0 ) 1 ( 2 ) ( + k u k y k y


para k k u y 0 ) ( , 1 ) 0 ( , evaluando tenemos

2 ) 0 ( 2 ) 1 ( y y
4 ) 1 ( 2 ) 2 ( y y
.
.
k
k y k y 2 ) 1 ( 2 ) (

vemos que el proceso es inestable porque y(k) crece hacia valor infinito cuando k

Condicin de estabilidad Sabemos que el denominador de G(s) puede expresarse en factores de
primer orden usando el mtodo de fracciones parciales, consiguiendo con esto ser expresado en los polos del
sistema. Por lo tanto si los polos del sistema estn en el semiplano derecho ,el sistema es inestable. Sea
entonces la siguiente funcin de transferencia

a s
K
s G
+
) (

(1.80)

usando ecuacin (1.57), tenemos
1
]
1

) (
1
) (
a s s
K
Z
z
z
z G

(1.81)

de la tabla de transformada z, [1]tenemos

1
1
) (
a z
b
z G
+


(1.82)

donde


24
) 1 (
0
1
T a
e
a
K
b



(1.83)

y

0
1
T a
e a



(1.84)

el lmite de establidad de G(s) es para el polo ubicado en el eje imaginario jw a que corresponde, en el
plano z, al polo
1
a ubicado en
0
1
T w j
e a

, con < < w . Vemos que al variar w, el polo
1
a traza
un circulo unitario en el plano z que corresponde al lmite de estabilidad en el plano z. Por lo tanto podemos
deducir que G(z) es estable si posee todos sus polos dentro del circulo unitario y consecuentemente es
inestable si posee al menos un polo fuera del circulo unitario.

Criterios de estabilidad Existen varios mtodos para saber si una funcin de transferencia, G(z) es
estable. Ver referencia [1],[2].

Estabilidad para procesos de hasta segundo orden Para polinomios de hasta segundo orden en el
denominador existe un procedimiento grfico para determinar en forma rpida si el sistema es estable o no.
Sea el proceso dado por

2
2
1
1
1
) (
) (

+ +

z a z a
z B
z G

(1.85

donde B(z) dado por la ecuacin (1.51)

Usando el mtodo de estabilidad de Jury [1] se puede demostrar que G(z) es estable si
2 1
a y a estn dentro
de la zona delimitada por la figura 1.16









1 2
-1
1
-1 -2
a
1
a
2
Figura 1.16 Zona de estabilidad

Ejemplo 1.14

Determine si el siguiente proceso es estable

25
2 1
2 1
3 . 0 5 . 0 1
2
) (


+
+

z z
z z
z G



Solucin Trazando las coordenadas
2 1
a y a en figura 1.13 obtenemos el punto que se muestra en
la figura 1.17





1 2
-1
1
-1 -2
a
1
a
2
Figura 1.17 Zona de estabilidad
0.5
-0.3


deducimos entonces que el sistema es estable porque las coordenadas caen dentro de la zona de estabilidad

Propiedades de variables de estados discretas Aplicando transformada z a la ecuacin (1.16),
tenemos

) ( ) ( ) ( z u B z x A z x z
d d

+
(1.86.a)
) ( ) ( z x C z y
T


(1.86.b)


Observando la similitud de estas ecuaciones con las ecuaciones (1.3) podemos deducir que el
tratamiento de variables de estado discretas es similar al de sistemas continuos debido a que su estructura son
semejantes. Ver referencia [1],[2]



EJERCICIOS

1.- Determine cuales de las siguientes ecuaciones de diferencia posee su representacin de estado continuo
a) ) ( 6 ) ( 5 . 0 ) (
0 0 0 0
kT u kT y T kT y +
b) ) ( 6 ) ( 5 . 0 ) (
0 0 0 0
kT u kT y T kT y + +




2.- sea d una variable entera positiva y [ ] ) ( ) (
0
z X T x Z , entonces demostrar que

26
a) [ ]

,
_

1
0
0 0
) ( ) ( ) ) ((
d
q
q d
z qT x z X z T d k x Z
b) [ ] ) ( ) ) ((
0
z X z T d k x Z
d


3.- sea el siguiente sistema






) (
1
1
) (
1 16 . 0
1 0
) 1 ( k u k x k x
1
]
1

+
1
]
1

+

[ ] ) ( 0 1 ) ( k x k y


a) Obtener la matriz de transicin de estado [ ] z A I z Z
d
1 1
) (


b) Calcular ) (k x e ) (k y para ) (k u escaln unitario y
1
]
1

1
1
) 0 ( x

4).- Deducir la expresin en funcin de k del ejemplo 1.5, o sea hallar x(k)

5) Comprobar que la transformada z de una funcin en el tiempo x(t) es nica, sin embargo a la inversa no lo
es. Compare con el anlisis de la transformada de Laplace.

6) sea
a s
K
s G
+

'
) ( con
'
K y a constantes. Obtener ) (z G
7) Obtener G(z) del proceso continuo caracterizado por la ecuacin diferencial ) ( ) (
3
3
t u t y
d
d
. Use T
0
= 1.

8) Frente a un funcin de transferencia determine cul es la correcta secuencia de anlisis: estabilidad y luego
realizabilidad viceversa

9) Sea la funcin de transferencia
1
1
1
1
) (

z a
z
z G . Graficar y(k) en funcin de k para y(0) = 1 y
u(k) = 0, en los siguientes casos
a) 2
1
a b) 1
1
a c) 5 . 0
1
a d) 0
1
a
f) 5 . 0
1
a g) 1
1
a h) 2
1
a

10) Si los polos de la funcin de transferencia continua , G(s), se mueven dentro de la zona de la figura 1.18


27

s

j
2 /
4 /
2 /
4 /
Figura 1.18. zona de los polos de G(s)



al transformar a funcin de transferencia discreta G(z), Cul es la zona de los correspondientes polos en el
plano z?





12) Sea el siguiente proceso realimentado de la figura 1.18


+
R(s)
-
y(s)
u(s)
1
1
) (
+

s
s G
c
s
s G
p
1
) (
E(s)
Controlador
Planta
Figura 1.18 Controlador continuo


Transformar el control analgico, G
c
(s), al digital G
c
(z). Luego grafique u(k) e y(k) con periodo de muestreo
T
0
= 0.5 y escaln unitario en la referencia.

13) Explique porqu b
0
= 0 e n la ecuacin (1.51) para procesos reales

14) Usando los pasos de la ecuacin (4) a la (8) deduzca la representacin de estado discreta para un proceso
de tiempo continuo con retardo
0
T , o sea para el proceso

) ( ) ( ) ( +

t u B t x A t x


) ( ) ( t x C t y
T




15) Obtenga la respuesta en frecuencia de un conversor A/D. Grafique la magnitud y fase versus frecuencia






28


2

CONTROLADORES DETERMINISTICOS




2.1 INTRODUCCIN

El control determinstico se refiere al diseo de control de un proceso cuando las entradas y/o perturbaciones
(ruidos) que le afectan son aproximadas a seales concretas expresables matemticamente (seal impulso,
escaln, sinusoidal, etc.). En consecuencia se usan las tcnicas de teora de sistemas lineales. Nos
concentraremos en procesos de una sola entrada y una sola salida SISO (Single Input Single Output).
Obviamente existen procesos MISO (Mltiple Input Single Output) y MIMO (Mltiple Input Mltiple
Output) que sern tratados en cursos superiores. Controladores de estados basados en la teora de variables de
estado tambin sern tratados en cursos superiores.

2.2 CONTROL EN LAZO ABIERTO Y CERRADO

Como sabemos , el objetivo bsico de un controlador es que la salida del proceso alcance un valor deseado.
Par alcanzar este objetivo existen dos tcnicas

- control en lazo abierto (controlador prealimentado o de cancelacin)
- control en lazo cerrado (controlador realimentado)


Control en lazo abierto El control en lazo abierto esta orientado a aquellos procesos donde se
conocen exactamente su formulacin matemtica y donde las perturbaciones y ruidos son tambin conocidos
exactamente o despreciables. es as como el controlador de cancelacin de la figura 2.1 se logra que la salida
es exactamente la seal deseada, es decir el control perfecto

Figura 2.1. Controlador de cancelacin
G
p
(z)
y
u
G
p
(z)
1 _____
Ref
Controlador Planta


Para lograr lo anterior se debe cumplir que el controlador sea realizable y estable. Si ahora se desea una
funcin de transferencia , G
T
(z), preestablecida entre salida y Ref, entonces el controlador deber ser:

) (
) (
) (
z G
z G
z G
p
T
c


(2.1)

Para que ) (z G
c
sea estable en la prctica, ) (z G
p
no debe poseer ceros fuera del circulo unitario. Porque si
ocurriese lo contrario entonces cualquier corrimiento del cero de la planta, el polo inestable del controlador no
se eliminara y por lo tanto el sistema sera inestable.

29

Control en lazo cerrado Cuando no se puede encontrar un controlador en lazo abierto que sea
estable o cuando el conocimiento de la planta y las perturbaciones o ruidos impiden determinar
satisfactoriamente a ) (z G
p
en ecuacin (2.1), se recurre al control en lazo cerrado como se muestra en al
figura 2.2.

y(z)
) (z G
c
+
Ref(z)
-
) (z G
p
u(z)
Figura 2.2. Sistema realimentado


El control en lazo abierto no tiene mucha ciencia, porque es prcticamente directo su diseo. En cambio el
diseo de controladores en lazo cerrado requiere mayor anlisis.

Esquema general de control Consiste en una frmula que contemple los dos tipos de control: lazo
abierto y cerrado. La formula es la siguiente

) ( ) ( ) ( Re ) ( ) ( ) ( z y z S z f z T z u z R
(2.2)

El esquemtico se muestra en la figura 2.3


y(z)
+
Ref(z)
-
u(z)
Figura 2.3. Esquema general de control
) (
) (
z R
z T
) (z G
p
) (
) (
z R
z S



Si S = 0 entonces corresponde a un control en lazo abierto. Para el caso de la figura 2.1, el control
que resulta es

) (
1
) (
) (
) (
z G z R
z T
z G
p
c


(2.3)

y el diseo de los polinomios T y R son directos

Si T(z) = S(z) entonces corresponde a un control en lazo cerrado. Segn la figura 2.2 , el control que
resulta es

) (
) (
) (
z R
z T
z G
c


(2.4)

30

El diseo de T y R va a corresponder a algn criterio de control en lazo cerrado como se ver ms adelante.
El control en lazo cerrado es ms comn en la industria que el control en lazo abierto, por lo tanto se har
hincapi en estos tipos de controladores durante todo el curso. Estos controladores tambin son denominados
controladores realimentados


2.3 CONTROLADORES REALIMENTADOS

En figura 2.4 se muestra un esquema general de control de proceso SISO

y(z)
) (z G
c
+
Ref(z)
-
) (z G
p
u
v
(z)
Figura 2.4. Proceso realimentado ms perturbaciones
n(z)
u(z)
+
+ +
+
e(z)


donde u
v
(z) y n(z) representa los ruidos perturbaciones a la entrada y salida del proceso.

Sea la planta

) (
) (
) (
z A
z B
z G
p


(2.5)

El controlador ) (z G
c
se expresa, al igual que la planta, en un cuociente de polinomios en z, a saber

) (
) (
) (
z P
z Q
z G
c


(2.6)

Con

n
n
z q z q z q q z Q

+ + + + ... ) (
2
2
1
1 0

(2.7)

n
n
z p z p z p p z P


+ + + + ... ) (
2
2
1
1 0

(2.8)

donde

n y

n son los ordenes de los polinomios Q(z) y P(z) respectivamente

Tipos de controladores Existen bsicamente dos tipos de controladores: de parmetros
optimizados y de estructura optimizada.
En los controladores de parmetros optimizados

n y

n son fijos y se debe encontrar los

coeficientes de los polinomios para que se obtenga una respuesta deseada. Ejemplo de este tipo de
controladores es el PID , que se ver luego. En cambio los controladores de estructura optimizados los
ordenes de los polinomios dependen de un criterio de minimizacin de error entre salida y referencia.
Ejemplos de este tipo de controladores son los de ubicacin de polos y de Deadbeat (latido muerto) que
tambin se ver ms adelante.
31

2.4 CONTROLADORES DE PARMETROS OPTIMIZADOS

El objetivo principal de este tipo de controladores es asegurar que en estado estacionario el error sea cero.
Adems que el error alcance el cero lo ms pronto posible y sin excesiva oscilaciones en la salida.
Lamentablemente cumplir todos requisitos al mismo tiempo es difcil y requiere mayor atencin.

Anlisis del error en estado estacionario Suponga un proceso suficientemente estable, es decir
polos al interior del circulo unitario. De figura 2.4 vemos que

) ( ) ( 1
) ( ) (
) ( ) ( 1
) ( ) ( Re
) (
z G z G
z u z G
z G z G
z n z f
z e
p c
v p
p c
+

(2.9)

Para escaln en Ref(z) n(z) en
v
u , el valor del error en estado estacionario se obtiene aplicando el
teorema del valor final , ver ecuacin (1.61). Si deseamos que el error en estado estacionario sea cero,
entonces debe cumplirse que

) 1 ( ) 1 (
p c
G G
(2.10)

pero dado que ) (z G
p
es estable, entonces

) 1 (
p
G
(2.11)

por lo tanto el controlador debe ser

) 1 (
c
G
(2.12)

finalmente tenemos entonces que el controlador debe tener la siguiente forma

) 1 ( ) (
) (
) (
'

z z P
z Q
z G
c


(2.13a)

o tambin

) 1 ( ) (
) (
) (
1 '
1

z z P
z z Q
z G
c


(2.13b)

Por lo tanto el controlador debe tener una componente integral, donde

) 1 ( ) ( ) (
'
z z P z P
(2.14a)



) 1 ( ) ( ) (
1 '
z z P z P
(2.14b)





32

2.4.1 CONTROLADOR PI D DI SCRETO

Del controlador PID anlogo tenemos

) ( )
1
1 ( ) ( s e s T
s T
K s u
D
I
+ +

(2.15)

Recordemos que el error en estado estacionario, con slo la parte P, no asegura que sea cero. Con la parte I el
error es cero. Por ltimo con la parte D, corrige anticipadamente el error, dado que la derivada da la tendencia
del error.
La inversa de Laplace es

dt
t de
KT d e
T
K
t e K t u
D
t
I
) (
) ( ) ( ) (
0
+ +

(2.16)

discretizando con periodo de muestreo T
0

0
0 0
1
0
0 0
) ) 1 (( ) ( (
) 1 ( ) ( ) (
0
T
T k e kT e
KT i e
T
KT
kT e K kT u
D
kT
i I

+ +

(2.17)

Esta expresin se conoce como estructura posicional del controlador PID

Evaluando en ) ) 1 ((
0
T k u , tenemos

0
0 0
) 1 (
1
0
0 0
) ) 2 (( ) ) 1 (( (
) 1 ( ) ) 1 (( ) ) 1 ((
0
T
T k e T k e
KT i e
T
KT
T k e K T k u
D
T k
i I

+ +

(2.18)

haciendo la resta ) ) 1 (( ) (
0 0
T k u kT u , tenemos

2 (( ) ) 1 (( 2 ) ( ( ) ) 1 (( )) ) 1 (( ) ( ( ) ) 1 (( ) (
0 0
0
0
0
0 0 0 0
K e T k e kT e
T
KT
T k e
T
KT
T k e kT e K T k u kT u
D
I
+ + +

(2.19)

Aplicando transformada z tenemos

)) ( ) ( 2 ) ( ( ) ( ) 1 ( ) ( ) 1 ( ) (
2 1
0
1 0 1 1
z e z z e z z e
T
KT
z e z
T
KT
z z e K z z u
D
I

+ + +

(2.20)


La funcin de transferencia del controlador queda entonces

1
2
0
1 0
0 0
1
2
1 1
) (
) (
) (
) (
) (

1
]
1

,
_

+ +

z
z
T
T
z
T
T
T
T
T
T
K
z e
z u
z P
z Q
z G
D
i
D D
c

(2.21)

33

aparece el factor ) 1 (
1
z en el denominador como en la ecuacin (2.13b) con 1 ) ( ' z P , por lo tanto
asegura el error en estado estacionario cero. Ahora de ecuacin (2.20) despejando ) (z u , tenemos

) ( ) 1 ( ) 1 ( ) ( ) 1 ( ) ( ) 1 ( ) (
1 1
0
0 1 1
z e z z
T
KT
z e
T
KT
z z e K z z u
D
I

+ +

(2.22)


) ( ) 1 (
) 1 (
) (
) ( ) (
1
0
1
0
z e z
T
KT
z
z e
T
KT
z e K z u
D
I

+

(2.23)

A esta expresin se le conoce como forma de velocidad del controlador PID

El controlador discreto del PID permite otras variantes propuestas por diferentes autores. Por
ejemplo Takahashi propuso la siguiente modificacin para evitar grandes valores en la variable manipulada
frente a cambios en la referencia. Para ello en la parte derivativa de la ecuacin 2.20 se sustituye e(z) por y(z).
En el resto de la frmula se sustituye e(z) por Ref(z)-y(z), quedando

1
]
1

+ +

)) ( ) ( ) ( 2 ( )) ( ) ( (Re ) 1 ( ) ( ) 1 ( ) (
2 1
0
0 1 1
z y z y z z y z
T
T
z y z f
T
T
z z y K z z u
D
I


(2.24)


Para sintonizar los parmetros del controlador discreto PID y de Takahashi se usan las conocidas tcnicas
empricas de Ziegler y Nichols que aparecen en la referencia [3]. Estas tcnicas son iguales a las aplicadas al
PID continuo. La regla emprica para seleccionar el tiempo de muestreo es que

4 1
0

T
T
r

(2.25)

Donde
r
T es el tiempo de subida de la respuesta a escaln del proceso continuo en lazo abierto. Grficamente
se obtiene sacando la mxima pendiente de la curva, hacindola proyectar a las coordenadas del valor final y
cero. La diferencia en el tiempo de estas dos intersecciones arroja el valor de
r
T

Efecto del retardo de la planta bajo control realimentado Por lo general el retardo en los
procesos produce efectos nefastos en los sistemas realimentados. Por ejemplo si a un sistema realimentado
debidamente sintonizado aparece en forma repentina un retardo en el proceso (que es comn en la industria)
puede llegar a ser inestable el sistema. Otro efecto negativo es que el sistema completo se hace ms lento
frente a cambios en la referencia.












34


Ejemplo 2.1

Sea el proceso de la figura 2.5

Figura 2.5 Proceso y respuesta a escaln
y
u
1
1
+ s
1 2 3 4 t
1
y(t)


Determinar un controlador PI y sintonizarlo empricamente usando SIMULINK
para
a) Proceso sin retardo sintonizado
b) Proceso con retardo con el PI de a)
c) Proceso con retardo sintonizado

Solucin a) De acuerdo a ecuacin (2.25) y grfico de la figura 2.5 se escoge

1
0

r
T T


El proceso realimentado usando SIMULINK se muestra en la figura 2.6a . Se emplea un controlador
PI dado por la ecuacin (2.23) con T
D
= 0.

CONT ROLADOR PI
Zero-Order
Hol d
0.5
T i
Sum1 Sum
Scope1
Scope
1
Referenci a
1
s+1
PROCESO
0.1
K
1
1-z
-1
..
u(1)/u(2)
.
Mux


Figura 2.6a Sistema realimentado usando SIMULINK

Luego de probar distintos valores de K y T
I
se encontr que los valores que dan buena regulacin son
K = 0.4 y T
I
= 0.4. La salida y entrada al proceso se muestra en la figura 2.6b





35


0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
t
u(t)
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
t
y(t)

Figura 2.6b Control PI del proceso


b) Suponga ahora que aparece retardo en el proceso. O sea, ahora el proceso es como se muestra en
la figura 2.7



Figura 2.7 Proceso y respuesta a escaln
y
u
1
2
+

s
e
s
1 3 4
t
1
y(t)
5 0 2



Para representar esta situacin en SIMULINK se puede agregar al proceso de la figura 2.6a el
bloque transport Delay. El nuevo proceso se muestra en la figura 2.8

y u
Transport
Del ay
1
s+1
PROCESO

Figura 2.8 Proceso mas retardo

36
Si se mantienen los mismos parmetros del controlador, el sistema realimentado se vuelve inestable
con retardo igual a 2 instantes de muestreo, tal como se muestra en la figura 2.9

0 5 10 15 20 25 30 35 40
-150
-100
-50
0
50
100
t
y(t)
0 5 10 15 20 25 30 35 40
-200
0
200
400
t
u(t)

Figura 2.9 Comportamiento inestable con retardo




c) Para evitar la inestabilidad y volver a regular bien, se debe resintonizar el PI. Los nuevos
parmetros encontrados fueron K = 0.1 y T
I
= 0.5. En figura 2.10 se muestra la entrada y salida para
esta nueva situacin.

0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
t
y(t)
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
t
u(t)

Figura 2.10 Respuesta del PI sintonizado


De las grficas de las figuras 2.6 y 2.10 se observa que el retardo hace ms lenta la regulacin
37


2.4.2 CONTROL PREDICTOR DE SMITH

Este autor propuso un controlador discreto con el objeto de evitar la lentitud de reaccin de los
controladores PID en presencia de retardo en la planta. Para su deduccin, sean dos sistemas realimentados
para una misma planta, una sin retardo y la otra con retardo, tal como se muestra en la figura 2.11 con sus
respectivos controles PI sintonizados



y(z)
) (z G
c
+
Ref(z)
-
) (z G
p
u(z)
Figura 2.11 Control PI para a) proceso sin retardo y b) proceso con retardo
y(z)
) (
1
z G
c
+ Ref(z)
-
d
p
z z G

) (
u(z)
a) b)


Ahora, supongamos que idealmente, aunque realmente no se pueda, podamos separar el proceso b)
en dos bloques y cambiamos el controlador por el de a) tal como se muestra en la figura 2.12

y(z)
) (z G
c
+
Ref(z)
-
) (z G
p
u(z)
d
z

Figura 2.12. Proceso realimentado con separacin de retardo

La respuesta de esta configuracin con retardo igual a d = 2 corresponde a la grfica de la figura 2.6 pero
desplazada 2 instantes de muestreo, tal como se muestra en la figura 2.13

0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
t
y(t)

Figura 2.13 Respuesta del proceso mas retardo

Igualando las funciones de transferencia de b) de figura 2.11 y figura 2.12 obtenemos el controlador
de Smith , ) (
1
z G
c
. Evaluando tenemos

) ( ) ( 1
) ( ) (
) ( ) ( 1
) ( ) (
1
1
z G z z G
z G z z G
z G z G
z z G z G
p
d
c
p
d
c
p c
d
p c

+


(2.26)

38
despejando ) (
1
z G
c
tenemos


) 1 ( ) ( ) ( 1
) (
) (
1 d
p c
c
c
z z G z G
z G
z G

+

(2.27)

La implementacin del controlador de Smith se muestra en la figura 2.14

y(z)
) (z G
c
+
Ref(z)
-
d
p
z z G

) (
u(z)
Figura 2.14. Controlador de Smith para procesos con retardo
) (z G
p
d
z

1
+
-


Por lo tanto el controlador de Smith da la misma respuesta que el sistema de la figura 2.12, o sea
figura 2.13 a diferencia que aqu no necesitamos separar el retardo de la planta. Ahora comparando la
respuesta del control PI (figura 2.13 ) y control Smith (figura 2.10 ) podemos concluir que el predictor de
Smith es ms rpido en reaccionar en presencia de retardo. No es comn encontrar el equivalente continuo de
controlador de Smith porque agregar un retardo en la realimentacin significa agregar un bloque
T s
e

en el
controlador por lo tanto no sera lineal.

2.5 CONTROLADORES DE ESTRUCTURA OPTIMIZADA

La estructura del controlador resulta despejando el controlador de la figura 2.4 o sea


) ( 1
) (
) (
1
) (
z G
z G
z G
z G
T
T
p
c

(2.28)

Por lo tanto los ordenes de los polinomios del numerador y denominador del controlador no son fijos y
dependen de las funciones de trasferencias deseada en lazo cerrado y de la planta. Se debe tener presente que
la eleccin de la funcin de transferencia ) (z G
T
debe cumplir que ) (z G
c
sea realizable.


2.5.1 CONTROLADOR DE LATI DO MUERTO O DEADBEAT

Es un controlador realimentado que frente a un escaln en la referencia, la salida alcanza la referencia en un
numero finito de periodos de muestreo. No existe un equivalente en controladores continuos porque ellos
requieren un tiempo infinito para llevar el error a cero.
La caracterstica de este controlador discreto produce entonces una funcin de transferencia en lazo
cerrado que es comn en los filtros digitales FIR (Finite Impulse Response), es decir


) (
) ( Re
) (
) ( z W
z f
z y
z G
T


(2.29)
39

Con

n
n n
n n n
n
z
z w z w z w
z w z w z W
1
2
2
1 1
1
....
.... ) (


+ + + +
+ +

(2.30)

es decir, ) (z G
T
posee n polos en el origen. Un ejemplo de funcin de transferencia en lazo cerrado con
control Deadbeat es el siguiente

Ejemplo 2.2
Sea una funcin de transferencia en lazo cerrado dada por

3 2 1
3 . 1 5 . 0 2 . 0 ) (

+ z z z z G
T




Grafique la salida frente a un escaln en la referencia

Solucin La ecuacin de diferencia es

) 3 ( Re 3 . 1 ) 2 ( Re 5 . 0 ) 1 ( Re 2 . 0 ) ( + k f k f k f k y



Luego, evaluando tenemos


.
.
1 ) 4 (
1 ) 3 (
3 . 0 ) 2 (
2 . 0 ) 1 (
0 ) 0 (

y
y
y
y
y




El grfico se muestra en la figura 2.15


0 1 2 3 4 5 6 7 8 9 10
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
k
y(k)

Figura 2.15 respuesta constante a partir de k = 3

Observando la figura 2.4 vemos que para que la salida tenga una forma como el de la figura 2.15 implica que
la variable de control tambin debe estabilizarse en el mismo numero finito de tiempos de muestreo ( en este
40



caso 3). Esto quiere decir que la funcin de transferencia entre u(z) y Ref(z) , ) (z G
u
, tambin debe ser FIR,
o sea

) (
) ( Re
) (
) ( z Q
z f
z u
z G
u


(2.31)

n
n
z q z q q z Q

+ + + .... ) (
1
1 0

(2.32)

Determinacin de numero mnimo de tiempos de muestreo n De acuerdo a la tcnica de
ubicacin de polos en variables de estado, la respuesta transitoria dada por la ecuacin (2.30) se puede lograr
si se puede ubicar los n polos, de la funcin de transferencia en lazo cerrado, en el origen. Esto se consigue si
el proceso es completamente controlable. Si es as, entonces el numero de instantes de muestreo para alcanzar
el estado final debe coincidir con el orden de la matriz A, o lo que es lo mismo coincidir con el orden del
polinomio del denominador de la planta. Por lo tanto en el controlador Deadbeat la salida alcanza la
referencia en un mnimo de n instantes de muestreo, donde n es el orden del polinomio de denominador de la
planta, A(z).

Diseo del controlador Deadbeat Dividiendo las ecuaciones (2.29) y (2.31) obtenemos




) (
) (
) (
) (
) (
z Q
z W
z u
z y
z G
p


(2.33)

o sea

) (
) (
) (
) (
) (
z Q
z W
z A
z B
z G
p


(2.34)

igualando coeficientes, tenemos

n
n
n
n
n
n
n
n
p
z q z q q
z w z w
z a z a
z b z b
z G




+ + +
+ +

+ + +
+ +

...
...
... 1
...
) (
1
1 0
1
1
1
1
1
1


(2.35)
por lo tanto

) ( ) (
0
z A q z Q
(2.36)

y

) ( ) (
0
z B q z W
(2.37)


incorporando ecuaciones (2.29) y (2.33) en ecuacin (2.28) tenemos

41
) ( 1
) (
) (
Z W
z Q
z G
c

(2.38)


usando ecuacin (2.36) y (2.37) tenemos finalmente el diseo del controlador

) ( 1
) (
) (
0
0
z B q
z A q
z G
c

(2.39)

para hallar
0
q aplicamos el teorema del valor final a la ecuacin (2.37)

o sea

) 1 ( ) 1 (
0
B q W
(2.40)

lo que nos da

) ... ( ...
2 1 0 2 1 n n
b b b q w w w + + + + + +
(2.41)

Ahora al aplicar tambin el valor final a la ecuacin (2.30) nos da

1 ... ) 1 (
1
+ +
n T
w w G
(2.42)

lo que da


n
b b
q
+ +

...
1
1
0


(2.43)



Ejemplo 2.3
Disear un controlador Deadbeat para el siguiente proceso


) 3679 . 0 1 ( ) 1 (
) 7181 . 0 1 ( 3679 . 0
) (
1 1
1 1



+

z z
z z
z G
p



Solucin El controlador se obtiene de la ecuacin (2.39). Para ello necesitamos resolver
0
q
de ecuacin (2.43). Por lo tanto tenemos

) 7181 . 0 1 ( 3679 . 0
1
0
+
q


por lo tanto

42
( ) ( )
( )
1 1
1 1
7181 . 0 1 3679 . 0
) 7181 . 0 1 ( 3679 . 0
1
1
3679 . 0 1 1
) 7181 . 0 1 ( 3679 . 0
1
) (


+
+

z z
z z
z G
c



1 1
1 1
) 7181 . 0 1 ( 3679 . 0 ) 7181 . 0 1 ( 3679 . 0
) 3679 . 0 1 ( ) 1 (
) (


+ +

z z
z z
z G
c



Eliminando factores comunes para reducir la expresin, tenemos

2 1
1 1
7181 . 0 3679 . 0 3679 . 0 7181 . 0 3679 . 0 3679 . 0
) 3679 . 0 1 ( ) 1 (
) (


+

z z
z z
z G
c




) 1 ( 7181 . 0 3679 . 0 ) 1 ( 3679 . 0
) 3679 . 0 1 ( ) 1 (
) (
2 1
1 1


+

z z
z z
z G
c



) 1 ( 7181 . 0 3679 . 0 3679 . 0
3679 . 0 1
) (
1
1

+ +

z
z
z G
c



finalmente tenemos




1
1
418 . 0 1
582 . 0 582 . 1
) (

z
z
z G
c



En figura 2.16 se muestra la grfica de la salida y la entrada del proceso en lazo cerrado para el ejemplo 2.3
obtenida de las ecuaciones (2.37) y (2.36) respectivamente

43

y(k)
1 2 3 4 5
1
k
u(k)
1
2
3 4 5
2
k
Figura 2.16 Respuesta de la salida y entrada del ejemplo 2.1
-2




Ejemplo 2.4
Demuestre que u(0) es igual a
0
q

Solucin De ecuaciones (2.31) y (2.32) se tiene que

) 0 (
0
u q




2.6 PROGRAMACIN DE CONTROLADORES DISCRETOS

Una vez definido el tiempo de muestreo se procede a implementar el algoritmo de control en el computador.

Ejemplo 2.4
Programar el controlador del ejemplo 2.3 en un computador

Solucin El controlador debe expresarse en ecuacin de diferencia, por lo tanto

) 1 ( 582 . 0 ) ( 582 . 1 ) 1 ( 418 . 0 ) ( + k e k e k u k u



Por lo general los software de programacin usan variables sin argumentos. Una forma de reasignar las
variables argumentadas de la ecuacin anterior es


44
) 1 ( 1 _
) (
) 1 ( 1 _
) (

k e ek
k e ek
k u uk
k u uk



dependiendo del tipo de programacin el programa bsico del controlador al interior del computador es

ciclo repetir y a Saltar
computador del salida la a uk valor el Mandar
ek ek
uk uk
iables Actualizar
ek ek uk uk
r controlado del salida la Formar
yk f ek error el Formar
yk proceso del salida de dato Capturar
f ferencia Ingresar
) 2 ) 7
) 6
1 _
1 _
: var ) 5
1 _ * 582 . 0 * 582 . 1 1 _ * 418 . 0
: ) 4
1 _ Re : ) 3
1 _ : ) 2
Re : Re ) 1

+








2.7 REDUCCIN DE LAS PERTURBACIONES

La presencia de perturbaciones es una de las principales razones para utilizar la teora de control. Sin
perturbaciones no es necesaria la realimentacin. Las perturbaciones se pueden reducir en el origen que las
produce. Los efectos de las perturbaciones tambin se puede reducir mediante realimentacin local, como
muestra la figura 2.17 por prealimentacin desde el origen de la perturbacin como muestra la figura 2.18.

y(z)
+
-
Figura 2.17. reduccin de perturbaciones por realimentacin
+
+
Realimentacion
local
Perturbacin
u(z)


Por lo general la realimentacin local no es necesario, porque un controlador PI, para la entrada u basta. Sin
embargo se requiere un lazo extra de realimentacin local, por ejemplo para
- Reducir las variaciones de corriente de un motor DC controlado por voltaje
- Reducir las variaciones en el control de temperatura estabilizando la fuente de alimentacin de
tensin

45
+
+
+
-
Proceso
G
v
G
p
Efecto de la
perturbacion
en la salida
Compensador de
prealimentacin G
p
G
v
-1
Perturbacin medida
u
y
Figura 2.18. reduccin de perturbaciones por prealimentacin


Para el caso de la prealimentacin de la figura 2.18, y de acuerdo al esquema de la figura 2.3 el control de
prealimentacin corresponde al compensador de realimentacin ( S = 0 ), o sea

) (
) (
) (
) (
) (
z G
z G
z R
z T
z G
p
v
c


(2.44)

Si ) (z G
c
resulta inestable o irrealizable, debe elegirse, en su lugar, una aproximacin conveniente. La
prealimentacin es particularmente til para perturbaciones generadas por cambios en la seal de referencia, o
bien, para procesos en cascada en los que las perturbaciones en un proceso estn generadas por variaciones en
los procesos precedentes.
Finalmente las perturbaciones se pueden reducir por prediccin. Que es nada menos que una
extensin del principio de prealimentacin que puede utilizarse cuando la perturbacin no puede medirse. El
principio es muy simple: la perturbacin se predice midiendo seales, y la prealimentacin se genera a partir
de la prediccin.


EJ ERCI CI OS

2.1.- Determine la repuesta de un controlador Deadbeat si la referencia es una seal rampa Ref(k) = k

2.2.- Encuentre el controlador deadbeat si el proceso tiene retardo, osea

d
p
z
z A
z B
z G

) (
) (
) (



2.3) Averige qu ocurre con ) 0 ( u cuando el tiempo de muestreo disminuye en los controladores Deadbeat

2,4) Averige para condicin debe cumplir el proceso para que con control deadbeat en lazo cerrado se tenga
que ) 1 ( ) 0 ( u u >
2.5) Si se quiere controlar un proceso continuo con deadbeat
a) Qu hacer?
b) Si se desea alterar el u(0) en lazo cerrado Qu alternativa hay?


46
2.6) Sea el siguiente proceso

2 1
4 2
5 . 0 5 . 1 1
5 . 0
) (


+
+

z z
z z
z G
p




a) Encontrar un controlador de ms bajo orden polinmico, tanto en el numerador como en el
denominador, tal que el error en estado estacionario sea cero.
b) Disee el controlador tal que u(2) = 0.85 cuando se aplica un escaln unitario en al referencia.

2.7) Sea el siguiente proceso

1 10
) (
6
+

s
e
z G
s
p



a) Disee un controlador de latido muerto. El tiempo de muestreo debe ser la quinta parte de la
constante de tiempo del proceso continuo.
b) B) Grafique la salida, y(k) y la entrada u(k) del proceso realimentado con un escaln unitario en la
referencia para k = 0,1,2,3,4 y 5.

2.8) Implementar un programa bsico para calcular el siguiente controlador en tiempo real

) 2 ( ) ( 5 . 1 ) 2 ( 9 . 0 ) ( + k e k e k u k u


2.9) Indique y grafique dos seales senoidales tal que al muestrearlas resulten en una seal peridica y la otra
no peridica.



























47



3

CONTROLADORES ESTOCASTICOS



3.1 INTRODUCCIN

Hasta ahora se supuso perturbaciones determinsticas, o sea conocidas analticamente. Cuando no es posible
describirla analticamente, una aproximacin gruesa (impulso, sinuosidal , etc, ) es suficiente a veces para
representarlas, por lo tanto en general las perturbaciones determinsticas son intentos de aproximacin de
seales de perturbaciones reales.
Sin embargo en la prctica, las perturbaciones son desconocidas e imposibles tratarlas analticamente. El
inters por conocer las perturbaciones con ms detalle es debido a que influyen notoriamente en la calidad
final de ciertos productos industriales. (industria del papel, Industrial del acero, etc.)
De los hechos cotidianos, es comn asociar las perturbaciones a seales aleatorias, como las
que se observan en el osciloscopio cuando se aumenta la sensibilidad de la magnitud. En la figura 3.1 se
muestra una seal tpica de perturbacin ruido.


0 100 200 300 400 500 600 700 800 900 1000
-5
-4
-3
-2
-1
0
1
2
3
4
5

Figura 3.1 Seal aleatoria ruido del haz del osciloscopio


Se observa que es imposible describir la seal matemticamente. Sin embargo si dispusiramos algn tipo de
informacin alternativa sobre ella, es natural pensar que se pueda manejar con mayor dominio y conocimiento
de causa su influencia sobre los procesos industriales. Uno de estas herramientas son las tcnicas de las
probabilidades y variables estadsticas aleatorias. Los controladores digitales que se disean tomando en
consideracin las tcnicas de variables aleatorias, se denominan controladores estocsticos.


3.2 SEALES ALEATORIAS DISCRETAS

Existen variadas seales aleatorias presente en la naturaleza. De all surgi la necesidad de caracterizarlas en
distintas distribuciones de probabilidades. Los tipos de seales aleatorias comnmente encontrados en
procesos industriales tienen distribucin gaussiana, como se ver ms adelante. A continuacin se describen
algunos ejemplos de situaciones aleatorias discretas.

Ejemplo 3.1
Describa la distribucin de la variable aleatoria x en el tiempo del siguiente experimento. Sea x el
valor que resulta un dado una vez lanzado.

48

Solucin Recurriendo a variables estadsticas, sea P la probabilidad que ocurra un evento, entonces
la probabilidad que el dado resulte 1 2, .. 6, es decir

6
1
) 6 ( ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( P P P P P P



La funcin de distribucin de probabilidad es

) ( ) ( x resultado P x F


Matemticamente la funcin de distribucin de probabilidad se puede expresar de la siguiente forma

6
1
) (
6
1
) (
i
i x u x F


Donde la funcin u es el escaln unitario
La funcin de densidad de probabilidad es ) ( ) ( x P x f y esta dado por

) (
6
1
) (
6
1
i x x f
K
i

La grfica de la distribucin y densidad de probabilidad se muestra en la figura 3.2

0 1 2 3 4 5 6 7 8 9 1 0
0
0 . 5
1
1 . 5
x
F (x )
f(x )
0 1 2 3 4 5 6 7 8 9 1 0
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5

Figura 3.2 grfica de F(x) y f(x)

f(x) es constante para todas las posibilidades de ocurrencia, lo que significa que no existe preferencia
por un valor determinado. En Figura 3.3 se muestran el resultado para 11 instantes seguidos de
lanzamientos del dado, en que cada resultado ocurre dos veces








49
0 1 2 3 4 5 6 7 8 9 1 0 1 1
0
1
2
3
4
5
6
7
8
9
1 0
k
x ( k )

Figura 3.3 Evolucin de los resultados del lanzamiento del dado

Ejemplo 3.2
Describa la distribucin de la variable aleatoria x en el tiempo del siguiente experimento. Sea x la
suma de las caras superiores que resultan del lanzamiento de son dados.
Solucin La suma de dos dados va desde 2 hasta 12. El total de ocurrencias distintas son 36
(6x6), por lo tanto las probabilidades de los resultados son

36
1
) 2 ( P
36
2
) 3 ( P
36
3
) 4 ( P
36
4
) 5 ( P
36
5
) 6 ( P
36
6
) 7 ( P

36
5
) 8 ( P
36
4
) 9 ( P
36
3
) 10 ( P
36
2
) 11 ( P
36
1
) 12 ( P


La grfica de la distribucin ( F(x) ) y densidad ( f(x) ) de probabilidad se muestra en la figura 3.4
0 5 1 0 1 5
0
0 . 5
1
1 . 5
x
F ( x )
0 5 1 0 1 5
0
0 . 0 5
0 . 1
0 . 1 5
0 . 2
x
f( x )

Figura 3.4 Distribucin F(x) y f(x) para dos dads
50

A diferencia del ejemplo 3.1, la probabilidad de ocurrencia esta sesgada, o sea hay mayor
probabilidad de ocurrencia de la suma que resulta 7 y disminuyendo a ambos lados de este valor en la
medida que se aleja. De acuerdo a este anlisis un posible variacin de x en el tiempo se muestra en
la figura 3.5 .Note que en x = 7 ocurre mayor repitencia de resultados

0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0
5
1 0
1 5
k
x ( k )

Figura 3.5 Resultado de dos dados para instantes consecutivos que se realiza

Si se repite el ejemplo 3.2 pero con tres dados , en figura 3.6 se muestra la distribucin de densidad de
probabilidad f(x) que resulta

0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0
0
0 . 0 2
0 . 0 4
0 . 0 6
0 . 0 8
0 . 1
0 . 1 2
0 . 1 4
x
f ( x )

Figura 3.6 Distribucin de densidad de probabilidades, f(x), del experimento de tres dados

Del ejemplo 3.2 se observa que si aumenta el numero de dados, la figura 3.6 se va transformndose en una
campana de Gauss y la variable aleatoria en el tiempo de la figura 3.5 se asemeja a la figura 3.1 . Por esta
razn decimos que las perturbaciones ruidos tiene distribucin gaussiana. La distribucin gaussiana se
caracteriza por dos variables estadsticas: desviacin standard ( ) varianza (
2
) y valor promedio
esperanza (

x ). Recordemos algunas propiedades estadsticas





51

Definicin de propiedades estadsticas Recordemos que la esperanza esta dada por

{ }

N
k
N
x
k x
N
k m x k x E
1
_
) (
1
lim ) ( ) (

(3.1)

La funcin de autocorrelacin es

{ }

+ +
N
k
N
x
k x k x r k x k x E autocorr
1
) ( ) ( lim ) ( ) ( ) ( ) (

(3.2)
Una variable aleatoria se caracteriza porque su valor no depende de valores pasados o futuros de la misma
seal (seal independiente), o sea si { } 0 ) ( k x E , entonces 0 ) (
x
r para todo 0
La funcin de autocovarianza es

'

+ ] ) ( [ ] ) ( [ ] , cov[
_ _
x k x x k x E x

(3.3)

La varianza se obtiene para 0 , es decir

[ ]
2
0 , cov ) (
x
x x Var
(3.4)
Si { } 0 ) (
_
x k x E entonces

) 0 ( } )) ( {( ) (
2
x
r k x E x Var
(3.5)


Ejemplo 3.3
Determinar la varianza y esperanza de las distribuciones gaussianas mostradas en la figura 3.7


0 50 100
0
0.01
0.02
0.03
0.04
0.05
(a)
f1(x)
0 50 100
0
0.01
0.02
0.03
0.04
0.05
(b)
f2(x)
0 50 100
0
0.02
0.04
0.06
0.08
0.1
(c)
f3(x)
f4(x)
0 50 100
0
0.02
0.04
0.06
0.08
0.1
(d)

Figura 3.7 Distribuciones gaussianas para distintos proceos
52

Solucin a) Varianza 10 y esperanza 25
b) Varianza 10 y esperanza 50
c) Varianza 5 y esperanza 25
d) Varianza 5 y esperanza 50

En figura 3.8 se muestras las realizaciones de las variables aleatorias para cada representacin gaussiana


0 50 100
0
20
40
60
80
100
(a)
X1(k)
0 50 100
0
20
40
60
80
100
(b)
x2(k)
0 50 100
0
20
40
60
80
100
(c)
x3(k)
0 50 100
0
20
40
60
80
100
(d)
x4(k)

Figura 3.8 variaciones de las variables aleatorias para distintas distribuciones gaussiana


3.3 TRASNFORMADA DISCRETA DE FOURIER (DFT)

Al igual que en sistemas continuos, la trasformada de Fourier discreta es una herramienta til para llevar una
seal en el tiempo discreto al dominio de la frecuencia discreta y viceversa, de tal manera que el anlisis que
se haga en uno u otro dominio es equivalente, facilitando los conceptos durante el anlisis de sistemas
discretos [4].


Seales peridicas Para el presente anlisis, una seal peridicas discreta ser aquella que se
repite cada N instantes de muestreo, es decir

) ( ) ( N k x k x +
(3.6)

Donde k y N son nmeros enteros

Ejemplo 3.4
Cuntas oscilaciones cosenoidales distintas caen en N instantes de muestreo?

Solucin Sea N = 16. En figura 3.9 se muestran cuatro formas peridicas






53


0 5 10 15
-2
-1
0
1
2
(a)
x1(k)
0 5 10 15
-2
-1
0
1
2
(b)
x2(k)
0 5 10 15
-2
-1
0
1
2
(c)
x3(k)
0 5 10 15
-2
-1
0
1
2
x4(k)
(d)

Figura 3.9 Cuatro formas peridicas que caen en N =16

De las figuras podemos deducir que se pueden graficar 16 seales peridicas.

Las formas de onda de la figura 3.9 se pueden expresar matemticamente como la parte real de

k
N
n j
n
e k

,
_

2
) (

(3.7)

con N = 16 y n = 1,....,N. Los grficos de la figura 3.9 son para


(a) n=1
(b) n=2
(c) n=3
(d) n=6

De ecuacin (3.7) se verifica que

) ( ) ( k k
n N r n

+

(3.8)

con r mltiplo entero de N.

Seal peridica como combinacin lineal de ) (k
n
Sea x(k) seal peridica de largo N.
Probaremos entonces que
54

,
_

1
0
2
1
0
) ( ) (
N
n
k
N
n j
n
N
n
n n
e a k a k x



(3.9)

si la seal peridica se considera a partir de n = .. 3, -2, -1 , 2, 3, etc. Por ejemplo a partir de n = 3

2
3
) ( ) (
N
n
n n
k a k x

(3.10)

, si N es par se puede tomar de la siguiente forma

1
2
2
) ( ) (
N
N
n
n n
k a k x

(3.11)


Evaluando la ecuacin (3.9) para 1 , , 1 , 0 N k L

( )

,
_

,
_

1
0
1
2
1
0
2
1
0
) 1 (
.
.
) 1 (
) 0 (
N
n
N
N
n j
n
N
n
N
n j
n
N
n
n
e a N x
e a
x
a x

(3.12)

Vemos que hay N ecuaciones con N incognitas por lo tanto existe solucin para los
n
a

Ahora multipliquemos ambos miembros de la igualdad de la ecuacin (3.12) por
k
N
r j
e

,
_

2
, r entero
cuaquiera

( )
( )
( ) ( ) ( ) ( ) ( )

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

1
0
1
2
1
2
1
0
1
2
1
2
1
0
1
2
1
2
1
0
1
2
1
2
1
0
0
2
0
2
1
0
0
2
0
2
) 1 (
.
.
) 1 (
) 0 (
N
n
N
N
r n j
n
N
N
r j
N
n
N
N
n j
n
N
N
r j
N
n
N
r n j
n
N
r j
N
n
N
n j
n
N
r j
N
n
N
r n j
n
N
r j
N
n
N
n j
n
N
r j
e a e e a e N x
e a e e a e x
e a e e a e x










(3.13)
55

Sumando ambos lados de la igualdad

( )

,
_

,
_

1
0
1
0
2
1
0
2
) (
N
k
N
n
k
N
r n j
n
N
k
k
N
r j
e a e k x



(3.14)

al intercambiar el orden de la sumatoria tenemos

( )

,
_

,
_

1
0
1
0
2
1
0
2
) (
N
n
N
k
k
N
r n j
n
N
k
k
N
r j
e a e k x



(3.15)

Recurriendo a la serie geomtrica

'

1
0
1
1
1
1
N
k
N k
N

(3.16)

tenemos que al al hacer

( )
,
_

N
r n j
e

2

(3.17)

el lado derecho de la igualdad de ecuaciones (3.15) nos da

( )
( )
( )
( )
( )
( )
( )

'

,
_

,
_

,
_

,
_

,
_

) 1 ( 0
1
1
) 1 ( 0
2
2
2
2
1
0
2
1
0
2
1
0

r n j
N
N
r n j
N
r n j
N
N
r n j
N
n
n
N
r n j
r
N
k
k
N
r n j
N
n
n
e e porque
e
e
a
e porque r n para N a
e a
por lo tanto ecuacin (3.15) queda

N a e k x
r
N
k
k
N
r j

,
_

1
0
2
) (



(3.18)



despejando
r
a

,
_

1
0
2
) (
1
N
k
k
N
r j
r
e k x
N
a



(3.19)

como esta ecuacin se cumple para r n r n , 0 entonces

56

,
_

1
0
2
) (
1
N
k
k
N
n j
n
e k x
N
a



(3.20)

por lo tanto x(k) se puede expresar a traves de la ecuacin (3.9) con a
n
dada por la ecuacin (3.20)

Si x(k) se expresa mediante ecuacin (3.11) entonces

,
_

1
2
2
2
) (
1
N
N
k
k
N
n j
n
e k x
N
a



(3.21)


Seales no peridicas sea una seal aperidica mostrada en la figura 3.10

x ( k )
- N 1 N 1 0



Figura 3.10 seal no peridica


Si ahora formamos una seal peridica (de perido N, con N par) con la seal de la figura 3.10, obtenemos la
figura 3.11



Figura 3.11 seal peridica


Vemos que las seales de las figuras 3.10 y 3.11 estan relacionadas por

57

1
) (
~
) ( N k k x k x
(3.22)

Sabemos que para seales peridicas (ver ecuacin(3.21))

,
_

,
_

,
_

k
k
N
n j
N
N
k
k
N
n j
N
N
k
k
N
n j
n
e k x
N
e k x
N
e k x
N
a
2 1
2
2
2 1
2
2
2
) (
1
) (
1
) (
~
1


(3.23)

n
a se puede expresar como

) (
1
0
n X
N
a
n



(3.24)

donde

k
k n j
e k x n X
0
) ( ) (
0



(3.25)

con
N

2
0


de ecuacin (3.11) y usando (3.24)

0
1
2
2
2
0
1
2
2
2
0
0
1
2
2
2
0
1
2
2
2
) (
2
1
) (
2
) (
1
) (
~

,
_

,
_

,
_

,
_

N
N
n
k
N
n j
N
N
n
k
N
n j
N
N
n
k
N
n j
N
N
n
k
N
n j
n
e n X e n X
e n X
N
e a k x




(3.26)

La sumatoria se puede expresar como una suma de N reas. Cada rea tiene una altura de ) (
0
n X y una
anchura de
N

2
0
. El rango completo del eje x, o sea la anchura total, es

2
2
0

N
N N , es
decir fija y de valor 2 para cualquier N.
De modo que cuando
0 0
, ) ( ) (
~
, n y d k x k x N y la sumatoria se
transforma en una integral

d e X k x
k j
) (
2
1
) (

(3.27)
Con

k
k j
e k x X

) ( ) (

(3.28)
58

La ecuacin (3.28) se conoce como la transformada de Fourier Discreta (DFT) de x(k) y la ecuacin (3.27) su
inversa


3.4 INTERPRETACION DE PROCESOS CON VARIABLES ALEATORIAS

Sea un proceso como muestra en la figura 3.13, con u e y variables aleatorias

G
p
(z)
y
u


Figura 3.13 Proceso

Relacin de esperanzas Usando ecuacin (1.72) tenemos que la esperanza a la salida del proceso
es

{ } { }

1 1
) ( ) ( ) ( ) ( ) ( ) (
n
u y
n
n k m n g k m n k u E n g k y E

(3.29)

o sea la esperanza a la salida del proceso es funcin de la esperanza de entrada

Relacin de autocovarianzas Usando la ecuacin (3.2) tenemos que la autocorrelacin en la
salida es

{ } ) ( ) ( ) ( k y k y E r
y
+
(3.30)

y de ecuacin (1.71) tenemos

'

,
_

,
_

1 1
) ( ) ( ) ( ) ( ) (
l n
y
l k u l g n k u n g E r

(3.31)

acomodando las sumatorias



{ }
) ( ) ( ) (
) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
1 1
1 1
1 1
l g l n r n g
l g l k u n k u E n g
l k u l g n k u n g E r
n
u
l
n l
n l
y

+
+

'

(3.32)

o sea, la autocorrelacin a la salida del proceso es funcin de la autocorrelacin de entrada




59

Relacin de densidades espectrales de potencias La transformada de Fourier Discreta de la
autocorrelacin de una seal, x, se denomina densidad espectral de potencia de la seal y se denomina por
) (
x
. Por lo tanto de ecuacin (3.28) tenemos

k
k j
x x
e k r

) ( ) (

(3.33)

y su inversa

d e k r
k j
x x
) (
2
1
) (

(3.34)


La densidad espectral de potencia en la salida ser entonces

k
k j
y y
e k r

) ( ) (

(3.35)

incorporando ecuacin (3.32) tenemos

) (
1 1
1 1
) ( ) ( ) (
) ( ) ( ) ( ) (
n l k j l j
k
n j
n
u
l
k
k j
n
u
l
y
e e e l g l n k r n g
e l g l n k r n g
+

+
+


(3.36)

haciendo n l k + tenemos

) ( ) ( ) (
) ( ) ( ) ( ) (
1 1
1 1

u
l
l j
n
n j
u
j
l
l j
n
n j
y
l g e n g e
r e l g e n g e

(3.37)

Ahora evaluando ecuacin (1.21) para j s y T
0
= 1, tenemos que la funcin de transferencia del
proceso es (ver ejemplo 1.13)

( ) ) ( ) ( ) (
1
n g e j G z G
n
n
j
p
p

(3.38)

por lo tanto

) ( ) ( ) ( ) (

u
j
p
j
p y
e G e G



(3.39)

Ruido blanco corresponde a una seal que posee todas las componentes del espectro de
frecuencia y adems poseen la misma magnitud, o sea, espectro constante.
60

Propiedad de inpendencia de variables aleatorias Si dos seales aleatorias, y(k) y x(k)
son totalmente independiente una de otra, entonces se cumple que

{ } { } { } ) ( ) ( ) ( ) ( k y E k x E k y k x E

(3.40)


Ejemplo 3.5
Determine la potencia que consume una seal en la banda
1 2
al pasar por una
resistencia de 1 ,

Solucin la potencia es el rea bajo la curva de la densidad espectral de potencia de la seal, o
sea

2
1
) ( 2

d P

Ejemplo 3.6
Determine la densidad espectral de potencia del ruido blanco con esperanza del ruido igual a cero y
varianza
2


Solucin Sea x la seal de ruido blanco. Como es una variable aleatoria entonces se
cumple 0 0 ) ( todo para r
x
, por lo tanto de ecuacines (3.33) y (3.5) se tiene

{ }
2 2
) ( )) ( ( ) 0 ( ) ( x Var k x E r
x x



o sea, es constante y corresponde a la varianza del ruido blanco

Ejemplo 3.7
Sea el proceso de la figura 3.13 siguiente

a z
z G
p

1
) (



) (k u ruido blanco con esperanza { } 0 ) ( k u E y varianza
2
. Determine la densidad espectral de
potencia a la salida del proceso

Solucin Del ejemplo anterior tenemos que la densidad espectral de entrada es

2
) (
u




y de ecuacin (3.39)

cos 2 1 ) ( ) (
) ( ) ( ) (
2
2 2
2
a a a e a e
e G e G
j j
j
p
j
p y
+

Se observa que cuando un ruido blanco se hace pasar a traves de una funcin de transferencia filtro,
a la salida se obtiene ruido que depende de la frecuencia (ruido coloreado)


61

Formula general de varianza a la salida de una funcin de transferencia Sea la funcin de
tranferencia

) (
) (
) (
z A
z B
z G

(3.41)

con ) (z B ) y ) (z A dadas por ecuaciones (1.50) y (1.51) respectivamente, con 1
0
a
) (k u ruido blanco con esperanza cero y varianza 1. De ecuacin (3.39) tenemos

) ( ) (
) ( ) (
) (
1
1

z A z A
z B z B
y


(3.42)

la salida es una variable aleatoria, por lo tanto

) 0 ( ) (
y
r y Var

(3.43)

y de ecuacin (3.34)

d r
y y
) (
2
1
) 0 (

(3.44)

dado que
j
e z , entonces

z
dz
j e
dz
j
d e j
d
dz
j
j
1 1

(3.45)

por lo tanto la ecuacin (3.44) se convierte en la siguiente integral cerrada, usando tambin la ecuacin (3.42)

z
dz
z A z A
z B z B
j
r
y

) ( ) (
) ( ) ( 1
) 0 (
1
1


(3.46)

Se puede comprobar que la solucin de esta integral, para proceso de primer orden es

2
1
1 1 0
2
1
2
0
1
2
) 0 ( ) var(
a
a b b b b
r y
y

+


(3.47)

y para proceso de segundo orden es

2
1 2 1
2
2
1 2
2
1 2 1 1 1 0
) 1 ( ) 1 (
) (
) 0 ( ) var(
a a e a
e a a B a B e B
r y
y

+


(3.48)

donde



62

2 1
2 0 2
2 1 1 0 1
2
2
2
1
2
0 0
1
2
) ( 2
a e
b b B
b b b b B
b b b B
+

+
+ +


(3.49)

ahora si la varianza del ruido blanco a la entrad es
2
, entonces del ejemplo 3.7 y ecuacin (3.44), las
ecuaciones (3.47) y (3.48) se modifican a

2
2
1
1 1 0
2
1
2
0
1
2
) 0 ( ) var(
a
a b b b b
r y
y

+


(3.50)

2
2
1 2 1
2
2
1 2
2
1 2 1 1 1 0
) 1 ( ) 1 (
) (
) 0 ( ) var(
a a e a
e a a B a B e B
r y
y

+


(3.51)
Ejemplo 3.8
Sea la siguiente funcin de transferencia de la influencia de un ruido (no puede representar un
proceso porque 0
0
b )

2 1
1
7 . 0 7 . 1 1
9 . 0 1
) (
) (
) (

z z
z
z u
z y
z G



si la entrada, ) (z u , es ruido blanco con media cero y esperannza
2
. Determine la varianza en la salida,
) (z y

Solucin los coeficientes de la funcin de transferencia son


7 . 0
7 . 1
9 . 0
1
2
1
1
0

a
a
b
b




es un proceso de segundo orden por lo tanto usando ecuaciones (3.49) y (3.51) tenemos que

7 . 1
0
8 . 1
81 . 1
1
2
1
0

e
B
B
B






2
0
017 . 0
) 0 ( ) var(
y
r y



63

3.5 CONTROLADOR DE VARIANZA MINIMA

Este controlador es del tipo regulador, vale decir, en presencia de ruidos y/o perturbaciones mantiene el valor
medio de la salida constante y las desviaciones, o dispersin, con respecto a la media, mnimas, o sea, de
varianza mnima. Mantener las desviaciones mnimas en un proceso otorgan grandes ventajas, por ejemplo,
reduce consumo de energia, de materias primas, aumenta la produccin, aumento de la calidad, etc. En un
proceso sin control de varianza mnima, la salida puede comportarse como el grfico (a) dela figura 3.7
seal (a) de la figura 3.8. En cambio con controlador de varianza mnima , la salida cambia al grfico (c) de la
figura 3.7 seal (c) de la ficura 3.8. En lo que sigue se supondr esperanza de ruido blanco igual a cero; en
caso contrario se especificar claramente.

Un proceso con ruido lo podemos modelar como muestra la figura 3.14



+
+
G
p
(z)
G
v
(z)
v(z)
ruido
blanco
u(z) y(z)
PROCESO
n(z)

Figura 3.14 Proceso con ruido
con ) (z G
p
dado por

d
p
z
z A
z B
z G

) (
) (
) (

(3.52)

los polinomios ) (z B y ) (z A estan dados por la ecuacin (1.52) y d representa el retardo del proceso
) (z G
v
esta dado por

) (
) (
) (
z C
z D
z G
v


(3.53)

donde

n
n
z d z d z d z D

+ + + + L
2
2
1
1
1 ) (

(3.54)

y

n
n
z c z c z c z C

+ + + + L
2
2
1
1
1 ) (

(3.55)


Para entender el concepto del controlador de varianza mnima , veamos un ejemplo sencillo

Ejemplo 3.9
Mediante un sistema realimentado, determine una secuencia de u(k) para reducir el ruido
varianza a la salida del proceso de la figura 3.14 para los siguientes casos

64

a)
1
1
1
1
1
) (

z a
z b
z G
p
y 1 ) ( z G
v

b)
1
1
1
1
1
) (

z a
z b
z G
p
y
1
1
1
1
1
1
) (

+
+

z a
z d
z G
v


Solucin a) En este caso es imposible reducir el ruido porque, dado que ) ( ) ( z v z n ,
con la medicin de y(k) no permite crear un control u(k) que pueda anular el error en
n(k+1) = v(z+1) (donde puede afectarlo) porque no existe manera alguna cuanto valdr v(k+1)
en el instante k. Es decir el ruido n(z) se suma a las salida del proceso sin poder reducirlo.

b) En este caso tenemos

) (
1
1
) (
1
) (
1
1
1
1
1
1
1
1
z v
z a
z d
z u
z a
z b
z y

+
+
+
+


(3.56)

aplicando la transformada inversa de z se obtiene la siguiente ecuacin de diferencia

) 1 ( ) ( ) 1 ( ) 1 ( ) (
1 1 1
+ + + k v d k v k u b k y a k y

(3.57)
la idea es minimizar la varianza en la salida y(k) debido a la presencia del ruido n(k), o sea
minimizar el siguiente criterio

{ } ) (
2
k y E J

(3.58)


ms exactamente

{ } ) 1 (
2
+ k y E J

(3.59)

porque u(k) afectar a y(k+1) y no a y(k)

por lo tanto aumentando en uno el argumento de la ecuacin (3.57) tenemos

) ( ) 1 ( ) ( ) ( ) 1 (
1 1 1
k v d k v k u b k y a k y + + + + +
(3.60)

aplicando la esperanza

{ } ( ) { }
( ) { }
( ) { }
{ } ) 1 (
) 1 ( ) ( ) ( ) ( 2
) ( ) ( ) (
) ( ) 1 ( ) ( ) ( ) 1 (
2
1 1 1
2
1 1 1
2
1 1 1
2
+
+ + + +
+ + +
+ + + + +
k v E
k v k v d k u b k y a E
k v d k u b k y a E
k v d k v k u b k y a E k y E




(3.61)


El segundo trmino del lado derecho de la igualdad es cero porque v(k+1) es independiente de
las otras variables, por lo tanto de acuerdo a ecuacin (3.40) y dado que { } 0 1 ( + k v E , entonces


65

( ) { } ( ) { } { } 0 ) 1 ( ) ( ) ( ) ( 2 ) 1 ( ) ( ) ( ) ( 2
1 1 1 1 1 1
+ + + + + + k v E k d k u b k y a E k v k d k u b k y a E



es correcto decir que

{ } { } ) 1 ( ) 1 (
2 2
+ + k v E k y E
(3.62)

dado que el primer trmino del lado derecho de la ecuacin (3.61) es siempre positivo. La mnima
varianza se logra para

{ } { } ) 1 ( ) 1 (
2 2
+ + k v E k y E
(3.63)


y ello se logra haciendo el primer trmino del lado derecho de la ecuacin (3.61) igual a cero , es
decir

0 ) ( ) ( ) (
1 1 1
+ + k v d k u b k y a



despejando u(k) tenemos

1
1 1
) ( ) (
) (
b
k v d k y a
k u



(3.64)

Como se cumple para todo k, entonces tambin se cumple para

{ } { } ) ( ) (
2 2
k v E k y E
(3.65)


esto implica que es vlido asumir

) ( ) ( k v k y
(3.66)

finalmente tenemos que la ley del control es

) ( ) (
1
1 1
k y
b
d a
k u



(3.67)

y la funcin de transferencia del controlador de varianza mnima, ) (z G
CVM
, es

1
1 1
) (
b
a d
z G
CVM



(3.68)

cuando 0 ) ( Re z f

En figura 3.15 se muestra la implementacin del controlador




66

+
+
v(z)
ruido
blanco
u(z)
y(z)
PROCESO
n(z)
b
1
z
-1
1+ a
1
z
-1
1+d
1
z
-1
1+ a
1
z
-1
d
1
-a
1
b
1
+
Ref(z)=0
-
CONTROLADOR
G
CVM
(z)


Figura 3.15 Controlador de varianza mnima del ejemplo 3.8 (b)


Para ver la salida controlada, reemplazamos el u(k) de la ecuacin (3.60) por el u(k) de la ecuacin
(3.67) y nos da

) ( ) 1 ( ) ( ) 1 (
1 1
k v d k v k y d k y + + + +
(3.69)


aplicando transformada z

1
) (
) (
1
1

+
+

d z
d z
z v
z y


(3.70)

es decir ) ( ) ( k v k y , que coincide con la ecuacin (3.66).


3.6 CONTROLADOR DE VARIANZA MINIMA GENERALIZADO

A continuacin se desarrolla el control de varianza mnima generalizado, ) (z G
CVM
, con 0 ) ( Re z f
ver figura 3.15. Este desarrollo es una extensin del ejemplo 3.9

De figura 3.14 y ecuaciones (3.52) y 3.(53) tenemos

) (
) (
) (
) (
) (
) (
) ( z v
z C
z D
z u z
z A
z B
z y
d
+



(3.71)

sacando factor comn

) ( ) ( ) ( ) ( ) ( ) (
* * *
z v z D z u z z B z y z A
d
+



(3.72)
donde


m
m
m
m
m
m
z d z d z d z A z D z D
z b z b z b z C z B z B
z a z a z a z C z A z A



+ + + +
+ + +
+ + + +
* 2 *
2
1 *
1
*
* 2 *
2
1 *
1
*
* 2 *
2
1 *
1
*
1 ) ( ) ( ) (
) ( ) ( ) (
1 ) ( ) ( ) (
L
L
L



(3.73)

con n m 2
67

OBS: En el caso de que ) ( ) ( z A z C , en la ecuacin (3.72) se tiene

) ( ) (
) ( ) (
) ( ) (
*
*
*
z D z D
z B z B
z A z A

(3.74)

Con retardo, el criterio de la ecuacin (3.59) cambia a

{ } ) 1 (
2
+ + d k y E J
(3.75)

La transformada z de ) 1 ( + + d k y es ) (
1
z y z
d+
. De ecuacin (3.72) se obtiene ) (z y por lo tanto

) (
) (
) (
) (
) (
) (
) (
1
*
*
*
*
1
z v z
z A
z D
z u z
z A
z B
z y z
d d + +
+

(3.76)

Al igual que la parte (b) del ejemplo3.9, la varianza de la ecuacin (3.75) se puede descomponer en ternimos
conocidos y desconocidos. El trmino ) (
) (
) (
*
*
z u z
z A
z B
contiene trminos presente y pasados, por lo tanto son
todos conocidos. Nos queda por analizar el trmino ) (
) (
) (
1
*
*
z v z
z A
z D
d+
. Del ejemplo 1.13 vimos que la
divisin de polinomios puede expresarse como

) ( ) (
) (
* *
*
z A
resto
cuociente
z A
z D
+

(3.77)

y existen infinitas formas de representar el resultado dependiendo de numero de terminos que se desea para el
cuociente. Sin embargo nos sinteresa aquel cuociente y resto tal que en ) (
) (
) (
1
*
*
z v z
z A
z D
d+
se puedan
distinguir y separar los trminos futuros (desconocidos) de los no futuros (presente y pasados conocidos). El
siguiente ejemplo nos ayudar a encontrar estos trminos


Ejemplo 3.10
Efectuar la divisin
) (
) (
*
*
z A
z D
para que resulten dos trmicos en el cuociente

Solucin Usando lo polinomios de la ecuacin (3.73) tenemos que la divisin es








68

) 1 ( *
1
*
1
* 2 *
1
*
1
*
1
*
2
*
2
) 1 ( *
1
*
1
* *
1
*
1
*
1
2 *
1
*
1
*
1
1 *
1
*
1
* * 2 *
2
*
2
1 *
1
*
1
* 2 *
2
1 *
1
1 *
1
*
1
* 2 *
2
1 *
1
* 2 *
2
1 *
1
) ( )) ( (
) ( ) ( ) ( ) (
) ( ) ( ) ( 0
1
) ( 1 ) 1 ( : ) 1 (
+
+

+

+ + + +
+
+ + + + + + + + +
m
m
m
m
m
m
m
m m
m
m
m
m
m
m
z a d a z a d a a d
z a d a z a d a z a d a z a d
z a d z a d z a d
z a z a z a
z a d z a z a z a z d z d z d
L
L
L
L
L L







donde

1 *
1
*
1
) ( 1

+ z a d cuociente

(3.78)

y

) 1 ( *
1
*
1
* 2 *
1
*
1
*
1
*
2
*
2
) ( )) ( (
+
+
m
m
z a d a z a d a a d resto L

(3.79)

El resultado del ejemplo 3.10 lo podemos generalizar para p trminos en el cuociente, a saber

m
m
p m
m
p
p
p
z a z a z a
z l z l
z f z f
z A
z D

+

+ + + +
+ +
+ + + +
* 2 *
2
1 *
1
) 1 (
1 0 ) 1 ( 1
1
*
*
1
1
) (
) (
L
L
L

(3.80)

por lo tanto

4 4 4 4 4 4 3 4 4 4 4 4 4 2 1
L
L
4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 2 1
L
* *
* 2 *
2
1 *
1
2
1
1
0
*
2
1
1 1
*
*
1
) ( ) (
) ( ) ( ) ( ) (
) (
) (
m
m
p m d
m
p d
p d
p
d d d
z a z a z a
z v z l z v z l
z v z f z v z f z v z z v z
z A
z D

+

+
+ + +
+ + + +
+ +
+ + + +




(3.81)

observese que si 1 2 + p d , o sea 1 + d p , se distinguen claramente los trminos futuros de
) (z v (*) de los no futuros (presente y pasados) (**). En este caso la ecuacin (3.81 ) se puede expresar como

) (
) (
) (
) ( ) ( ) (
) (
) (
*
1 1
*
*
z v
z A
z L
z v z z F z v z
z A
z D
d d
+
+ +


(3.82)

con

d
d
z f z f z F

+ + + L
1
1
1 ) (
(3.83)

) 1 (
1
1
1 0
) (

+ + +
m
m
z l z l l z L L
(3.84)

dividiendo por ) (z v la ecuacin (3.82) y acomodando los terminos se obtiene la siguiente identidad


69

) ( ) ( ) ( ) (
) 1 ( * *
z L z z A z F z D
d+
+

(3.85)

sustituyendo la ecuacin (3.82) en la ecuacion (3.76) se tiene

) (
) (
) (
) ( ) ( ) (
) (
) (
) (
*
1
*
*
1
z v
z A
z L
z v z z F z u z
z A
z B
z y z
d d
+ +
+ +


(3.86)

separando los trminos conocidos y desconocidos , tenemos

) ( ) ( ) (
1
z R z H z y z
d
+
+


(3.87)

donde

) ( ) ( ) (
1
z v z z F z H
d+

(3.88)

contiene los trminos desconocidos y

) (
) (
) (
) (
) (
) (
) (
* *
*
z v
z A
z L
z u z
z A
z B
z R +
(3.89)

contiene los trminos conocidos

Ahora podemos evaluar la esperanza de la ecuacion (3.75 ), o sea

{ } ( ) { }
2 2
) ( ) ( ) 1 ( k R k H E d k y E + + +
(3.90)

{ } { } { } { }
2 2 2
)) ( ( ) ( ) ( 2 )) ( ( ) 1 ( k R E k R k H E k H E d k y E + + + +


(3.91)

El segundo termino del lado derecho es igual a cero es { } 0 ) ( k H E (ver ejemplo 3.9), por lo tanto

{ } { } { }
2 2 2
)) ( ( )) ( ( ) 1 ( k R E k H E d k y E + + +


(3.92)

la mnima esperanza ocurre para

{ } 0 )) ( (
2
k R E


(3.93)

o sea de ecuacin (3.89 )

0 ) (
) (
) (
) (
) (
) (
* *
*
+ z v
z A
z L
z u z
z A
z B

(3.94)

despejando ) (z v de ecuacin (3.72) y reemplazando en ecuacin ( 3.94 ) obtenemos

70

0 ) (
) ( ) (
) ( ) (
) (
) (
) (
) (
) (
) (
* *
*
* *
*
+ z u
z D z A
z B z L
z y
z D
z L
z u z
z A
z B

(3.95)

reagrupando trminos


0 ) (
) (
) ( ) (
) (
) (
) (
) (
) (
*
*
*
*
*

,
_

z u
z A
z z L z z D
z D
z B
z y
z D
z L
d

(3.96)

reemplazando el trmino entreparentesis por la identidad de la ecuacin (3.85) se tiene

) ( ) (
) (
) (
) (
) (
) (
*
*
*
z u z F z
z D
z B
z y
z D
z L


(3.97)

finalmente la ley de control de varianza mnima es

) (
) ( ) (
) (
) (
*
z y
z F z B z
z L
z u

(3.98)

y el controlador de varianza mnima generalizando, ) (z G
CVM
, es

) ( ) (
) (
) (
*
z F z B z
z L
z G
CVM


(3.99)

Limitaciones del controlador Para la estabilidad los ceros de ) (
*
z B y ) (
*
z D deben estar
dentro del circulo unitario

Obtencin de la salida con controlador de varianza mnima De figura 3.15 tenemos que

d
p CVM
v
z
A
B
z zB
z L
z A
z D
z G z G
z G
z v
z y

) (
) (
1
) (
) (
) ( ) ( 1
) (
) (
) (
*


(3.100)

de ecuacin (3.73)

) ( ) ( ) (
) ( ) (
) (
) (
) (
) (
1
) (
) (
) (
) (
*
*
*
*
*
*
*
z L z z A z F z
z F z D z
z
z A
z B
z zB
z L
z A
z D
z v
z y
d
d

+


(3.101)

reemplazando ) (
*
z D por la ecuacin (3.85)


71

) (
) ( ) ( ) (
) ( )) ( ) ( ) ( (
) (
) (
*
*
z F
z L z z A z F z
z F z L z z A z F z
z v
z y
d
d

+
+

(3.102)



Ejemplo 3.11
De acuerdo a figura 3.14, sea el siguiente proceso

1
2 1
2 1
7 . 0 7 . 1 1
5 . 0
) (



+
+
z
z z
z z
z G
p





2 1
1
7 . 0 7 . 1 1
9 . 0 1
) (

z z
z
z G
v




con ) (z v ruido blanco de media cero y esperanza 2
2

a) Determine la varianza en la salida con 0 ) ( z u , es decir sin control de varianza mnima
b) Disee el controlador de varianza mnima, ) (z G
CVM

c) Obtenga la varianza en la salida en lazo cerrado

Solucin
a) al hacer 0 ) ( z u , se debe analizar entonces la siguiente funcin de tranferencia

2 1
1
7 . 0 7 . 1 1
9 . 0 1
) (
) (
) (

z z
z
z v
z y
z G
v




en el ejemplo 3.8 tenemos este mismo caso por lo tanto

) 0 ( ) var(
y
r y



b) vemos que

1
9 . 0 1 ) ( ) (
5 . 0 ) ( ) (
7 . 0 7 . 1 1 ) ( ) (
1 *
2 1 *
2 1

+
+

d
z z D z D
z z z B z B
z z z C z A




falta por determinar los polinomios ) (z F y ) (z L . De ecuaciones (3.83) y (3.84)

1
1 0
1
1
) (
1 ) (

+
+
z l l z L
z f z F





de la ecuacin de identidad (3.85) tenemos
72

) ( ) 7 . 0 7 . 1 1 ( ) 1 ( 9 . 0 1
1
1 0
2 2 1 1
1
1
+ + + + z l l z z z z f z


igualando coeficientes se obtiene

56 . 0
66 . 0
8 . 0
1
0
1

l
l
f


Por lo tanto el controlador de varianza mnima resulta

2 1
1
4 . 0 3 . 1 1
56 . 0 66 . 0
) (

+ +

z z
z
z G
CVM




b) De ecuacin (3.102) tenemos

{ } { } { } 28 . 3 ) ( ) 1 ( )) ( ) ( ( ) (
2 2
1
2 2
+ k v E f k v k F E k y E





EJ ERCI CI OS

1.- Sea u una seal de voltaje. Demuestre que ) (
u
es una densida espectral de potencia de u y no
una densidad espectral de tensin.

2.- Sea ) (
x
, donde x es seal cualquiera. Demuestre que
a) ) (
x
es real
b) 0 ) (
x

c) ) ( ) (
x


3.- La salida de un proceso estocstico tiene el siguiente espectro

cos 6 . 1 64 . 1
cos 25 . 1
) (
+
+

u




Determine ) (z G
p
del proceso.
4.- Sea

1
1
) (
) (
) (

+ z c
z u
z e
z H



Demuestre que

0
) ( ) ( ) (
n
n
n k e c k u



73

5.- Sea el siguiente lazo realimentado

+
+
v(z)
ruido
blanco
u(z)
y(z)
PROCESO
n(z)
z
-1
1-0.25 z-
1
+0.5 z-
2
1+0.5 z
-1
1-0.25 z-
1
+0.5 z-
2
+
Ref(z)=0
-
CONTROLADOR
K




) (z v ruido blanco con { } 0 ) ( k v E y { } 1 ) ( k v Var
a) Determine la varianza a la salida del proceso
b) Para qu valor de K se obtiene mnima variamza ?

6.- Sea el siguiente proceso

u(z) y(z)
2 z+0.2
2 z+1.8



a) Si k k u 10 ) ( . Determine ) (k y
b) Si se le superpone ruido en a) tal que { } 1 ) ( k u Var . Determine { } ) (k y Var
c) Grafique ) ( ), ( k y k u de b)

7.- Sea el siguiente proceso

u(z)
y(z)
1
1-0.5 z
-1
z
-1
g(z)
+
+



Se sabe que la densidad espectral de ) (z g esta dado por

cos 25 . 1
1
) (
+

g

Disee el controlador de varianza mnima

8.- Dado el siguiente proceso

) ( ) 3 ( 5 . 0 ) 2 ( ) 2 ( 7 . 0 ) 1 ( 5 . 1 ) ( k v k u k u k y k y k y + +



Disee
a) Control de varianza mnima para ) 1 ( 2 . 0 ) ( ) ( k e k e k v con ) (k e ruido blanco
74

b) Control de latido muerto con 0 ) ( k v
c) Encuentre la varianza de ) (k y para a) y b). Compare


9) Sea el siguiente proceso

9 21 t
2
1.26
y
exponencial
y u
PLANTA
En el tiempo t = 0 se aplica un escaln unitario y la salida, en
ausencia de ruido, se muestra en la figura. Disear uin
controlador de varianza mnima. Considere la funcion de ruido
como el siguiente
G
v
(z) =
1
A(z)
con E{v(k)} = 0 y Var{v(k)} = 1

Considere el tiempo de muestreo la cuarta parte de la constante de tiempo de la exponencial


































75





4


CONTROLADORES AVANZADOS




4.1 INTRODUCCION

En procesos complejos , se requiere de controladores ms avanzados que los vistos hasta ahora para
cumplir las exigencias de produccin y calidad de los productos. Entre estos controladores destacaremos dos:
1) Control Adaptivo y 2) Control Fuzzy

4.2 CONTROL ADAPTIVO

El control adaptivo consiste en un controlador en lazo cerrado (como los vistos hasta ahora) que van
modificando sus parmetros en tiempo real segn las variaciones y condiciones de la planta, es decir se va
adaptando a las circunstancias de la planta. Para captar las variaciones de la planta se recurre a la
identificacin de sistemas, pues permite estimar los parmetros de la planta en forma recursiva. En figura 4.1
se muestra el esquema general del control adaptivo.

y(z)
+
Ref(z)
-
CONTROLADOR
PROCESO
ESTIMACION DE
PARAMETROS
CALCULO
PARAMETROS
CONTROLADOR

Figura 4.1 Control adaptivo

Aqu para obtener la identificacin de parmetros no basta con medir las seales de entrada y salida
como en el captulo anterior por la siguiente razn:

Sea el proceso descrito por la siguiente expresin en el dominio z

) ( ) ( ) ( ) ( ) ( ) ( z v z D z u z B z y z A +
(4.1)


y el controlador dado por


76

) (
) (
) (
z P
z Q
z G
c


(4.2)




Para facilitar el anlisis sea la referencia 0 ) ( Re z f . Insertando la ecuacin (4.2) en (4.1) y omitiendo los
argumentos tenemos que

v D y
P
Q
B y A + ) (
(4.3)


Agregando a esta ecuacin un polinomio arbitrario , ) (z S , tenemos que

v D y S y
P
Q
B y S A + + + ) ( ) (
(4.4)



v D y
P
Q
Q
P
S B y S A + + ) ( ) ( ) (
(4.5)


3 2 1
3 2 1
4 3 4 2 1 43 42 1
*
) (
*
) (
*
) (
D
v Q D
u
y
P
Q
B
P S Q B y
A
Q S A + +
(4.6)


lo cual da

v D u B y A
* * *
+
(4.7)


Esto demuestra que que el proceso
A
B
y el ruido
A
D
pueden ser reemplazados por

Q S Q A
P S Q B
A
B
+

*
*

(4.8)


y

Q S Q A
Q D
A
D
+

*
*

(4.9)


respectivamente sin cambiar las seales ) (k u e ) (k y . Como ) (z S es arbitrario, los ordenes de A y B
no pueden determinarse nicamente basados en la medicin de ) (k u e ) (k y . Por lo tanto existen infinitas
estructuras que dan idnticos resultados para las seales ) (k u e ) (k y . Para obviar esta situacin es
necesario inyectar una pequea seal de ruido a la entrada del proceso, no correlacionada con ninguna seal
de proceso, de manera que no se cumpla la relacin (4.9), de lo contrario ( o sea, sin seal externa) es
necesario, pero no suficiente, conocer previamente los ordenes del proceso y el retardo. Sin embargo en
algunas controles adaptivos empricos, una estimacin sesgada puede funcionar adecuadamente.
77

Ejemplo 4.1
Sea el proceso del control adaptivo de la figura 4.1 dado por el proceso de la figura 4.2

+
+
D(z)
v(z)
ruido
blanco
u(z) y(z)
PROCESO
n(z) A(z)
B(z)
A(z)
z
-d


Figura 4.2 Proceso de la figura 4.1

y el controlador de la figura 4.1 de parmetros constantes y conocidos,
) (
) (
) (
z P
z Q
z G
c
. Sean los ordenes
de los polinomios de ) ( ), ( ), ( ), ( z Q z D z B z A y ) (z P ,

m m m m
d b a
, , , y

m respectivamente.

a) Basta conocer los ordenes del proceso y retardo para poder estimar correctamente los parmetros
i
a y
i
b de la planta?
b) Sea el proceso dado por

) ( ) 1 ( ) 1 ( ) ( k v k u b k y a k y + +
(4.10)

analice si el proceso es identificable para los siguientes controladores
b1) ) ( ) (
0
k y q k u
b2) ) 1 ( ) ( ) (
1 0
k y q k y q k u

Solucin a) Si la referencia es igual a cero entonces

) (
) (
1
1
) ( ) ( ) ( ) (
) ( ) (
) (
) (
1
1
1
1
z
z
z z
z z
z Q z z B z P z A
z P z D
z v
z y
m
l
m
r
d

+ + +
+ + +

L
L


(4.11)


los ordenes

m y

m conocidos y corresponden a

[ ]


m m m
d m m m m m
d
b a
+
+ + + , max


(4.12)


Entonces mediante slo la data de salida ) (k y y siguiendo el procedimiento de estimacin de
parmetros con MATLAB dado en el captulo anterior, se puede estimar los parmetros
i
y
i
.
Si ) (z A y ) (z D no tienen factor comn, entonces es posible estimar los
b a
m m + del proceso,
a travs del polinomio ) (z , si

[ ]
b a b a
m m d m m m m + + + +

, max
(4.13)

78

o sea para ser completamente identificable es necesario que se cumpla que



d m m
a

(4.14)




b
m m

(4.15)


b). para que se cumpla la identificabilidad, debe cumplirse la ecuacin (4.14), por lo tanto

b1) Para este controlador se tiene que 0

m y 0

m , por lo tanto no se cumple la

condicin ya que 1
a
m y 1
b
m y por lo tanto no es identificable. Para verificar esto,
multipliquemos la ecuacin del controlador por , o sea

) ( ) (
0
k y q k u
(4.16)



) 1 ( ) 1 (
0
k y q k u
(4.17)

sumando esta ecuacin a la ecuacin (4.10) tenemos

) ( ) 1 ( ) ( ) 1 ( ) ( ) (
0
k v k u b k y q a k y + + +
(4.18)

Para estimar a y b es necesario estimar ) (
0
q a + y ) ( b respectivamente y
tenemos tres incgnitas y vemos que no existe solucin nica, es decir existen infinitas
soluciones

b2) Para este controlador se tiene que 1

m y 0

m , por lo tanto se cumple la

condicin (4.14) y por lo tanto es identificable. Para verificar esto, multipliquemos la
ecuacin del controlador por , o sea

) 1 ( ) ( ) (
1 0
k y q k y q k u




) 2 ( ) 1 ( ) 1 (
1 0
k y q k y q k u


sumando esta ecuacin a la ecuacin (4.10) tenemos

) ( ) 1 ( ) ( ) 2 ( ) 1 ( ) ( ) (
1 0
k v k u b k y q k y q a k y + + +




79

Para estimar a y b es necesario estimar ) (
0
q a + ,
1
q y ) ( b
respectivamente y tenemos tres incgnitas y tres ecuaciones por lo tanto existe solucin
nica, es decir es identificable.



4.3 CONTROL FUZZY

En el pensamiento cientfico tradicional, la comprensin de un fenmeno se mide por la capacidad de
analizarlo en trminos cuantitativos. Sin embargo, a medida que la complejidad crece, disminuye la

posibilidad en hacerlo en los mismos trminos, es decir, ya no es posible hacer afirmaciones precisas y
significativas sobre su comportamiento.

Esta imprecisin dio origen al control FUZZY control Difuso. Su premisa se basa en que los elementos
claves del razonamiento humano no son precisamente elementos exactos sino conceptos imprecisos, de all su
nombre FUZZY Difuso.

Aprovechando la capacidad del cerebro humano, en el sentido que no slo puede trabajar en trminos
cuantitativos sino que tambin cualitativos, es que permiti desarrollar esta teora.



Zadeh (1973) inicia el desarrollo de la teora de conjuntos difusos. Desde ese momento diversos autores
contribuyen a crear la teora del control difuso. Especficamente, se introducen las tcnicas basadas en reglas
como una forma de captar la experiencia humana y de tratar las incertidumbres.

Sea el conjunto de la figura 4.3





papa
manzana
martes
sabado
viernes
silla
mesa
domingo


Figura 4.3 conjunto de cosas conceptos


La pregunta es : Seleccione los das de la semana. La respuesta obvia es : martes, sbado, viernes y domingo .
Es decir tal como se muestra en la figura 4..4




80

papa
manzana
martes
sabado
viernes
silla
mesa
domingo


Figura 4.4 Conjunto de los das de la semana


Si ahora nos preguntamos Cules son los das de fin de semana?. Para muchos el fin de semana comienza el
viernes, e incluso hasta el lunes por la maana, por lo tanto la respuesta se muestra en la figura 4.5



papa
manzana
martes
sabado
viernes
silla
mesa
domingo

Figura 4.5 Pertenencia parcial del da viernes al fin de semana


Como una forma de cuantificar esta situacin, sea verdadero = 1 y falso =0. Entonces,
las preguntas que surgen son las siguientes:

Es sbado fin de semana?
Respuesta: 1

Es martes fin de semna?
Respuesta: 0

Es viernes fin de semana?
Respuesta: 0.8

81

Es domingo fin de semana?
Respuesta: 0.95

Un diagrama de esta situacin se muestra en la figura 4.6


Jueves viernes sabado domingo lunes


Figura 4.6 Esquemtico del fin de semana

Un enfoque intuitivo lgico es:
Sea A el conjunto de los das de fin de semana y x la variable que representa un da de la semana.
Entonces frente a la pregunta Es x miembro del conjunto A ?. La respuesta es que x puede pertenecer
parcialmente al conjunto A. Si pertenecer al conjunto A completamente se le asigna un 1, y total ausencia
un 0, vemos que la respuesta es que x puede pertenecer parcialmente al conjunto A. En la figura 4.7 se
representa en forma continua.



Jueves viernes sabado domingo lunes
1
0


figura 4.7 curva de pertenencia de fin de semana

Ejemplo 4.2
Trace una curva de pertenencia para ubicar los meses de las estaciones del ao

solucin En figura 4.8 se muestra una curva lgica de pertenencia











82

diciembre marzo mayo junio
verano otoo

Figura 4.8 Curva de pertenencia de las estaciones del ao


Sabemos que una caracterizacin clsica de un conjunto es, por ejemplo, el siguiente:

{ } 6 / f x x A
(4.19)

La caracterizacin de un conjunto fuzzy es una extensin del conjunto clsico. De manera que si X es el
universo de discusin, y sus elementos se asignan por x , entonces un conjunto fuzzy de X es definido
como un par ordenado

{ } X x x x A
A
/ ) ( ,
(4.20)

donde ) (x
A
se denomina grado de pertenencia funcin miembro de x en A.
Cada elemento de x se mapea a un valor comprendido entre 0 y 1. Existen varias curvas formas de
mapeo. La intuicin heurstica sugiere las formas de la figura 4.9.


triangular trapesoidal gauss

Figura 4.9 Formas de pertenencia


Podemos concluir que los conjuntos fuzzy describen conceptos vagos (ms rpido, muy alto, ms caliente,
etc.). Un conjunto fuzzy admite que un elemento pertenezca parcialmente a l.
Recordemos que la lgica clsica permite hacer, por ejemplo, el anlisis de la figura 4.10.








83

A C B


Figura 4.10 conjunto clsico

la lgica dice:

Si B x y C x entonces A x


Ejemplo 4.3
Seleccionar los hombres que cumplan dos caractersticas simultneamente, a saber , Los hombres
altos y de raza blanca.

Solucin Un mtodo de anlisis es escoger tres conjuntos: El conjunto de altura A, el
conjunto de raza B y el conjunto de altura ms raza R . Los conjuntos se pueden asignar de la siguiente
manera:

'

0
1
Bajo
Alto
A

'

0
1
Negro
Blaco
B

'

0
1
negro y Bajo
Blanco y Alto
R


Si x es bajo y Negro, entonces 0 R
Si x es bajo y Blanco, entonces 0 R
Si x es alto y Negro, entonces 0 R
Si x es alto y Blanco entonces 1 R



La tabla de verdad es

A B R
0 0 0
0 1 0
1 0 0
1 1 1


84

En la figura 4.11 se muestra la tabla mediante seales en el tiempo



A
B
R


Figura 4.11 el ejemplo mediante seales

Para expresarlo en conjunto fuzzy, el ejemplo se transformara en la siguientes seales de la figura 4.12

A
B
R


Figura 4.12 relacin de pertenencia para conjunto fuzzy

Ventajas del control Fuzzy

- Es amigable en su concepcin y diseo
- No necesita sintonizarse para distintos puntos de operacin como ocurre con el PI
- Funciona adecuadamente en un amplio rango de operacin
- Permite abordar fcilmente los imprevistos

Desventajas del control fuzzy

- No existe criterio definido para seleccionar los conjuntos Fuzzy
- Tampoco existe un criterio para atribuir formas de onda a las funciones de pertenencias
- Tampoco hay un criterio para asignar el grado de traslape
- L formacin de la tabla es subjetiva
- No existe un procedimiento sistemtico para el diseo de controladores Fuzzy
- Se requiere bastante consumo de tiempo en pruebas y errores finales
- El software es ms grande que su contraparte PI.

El control fuzzy en procesos reales se estructura de acuerdo a la figura 4.13

85

Base del conocimiento
Motor de inferencias
Etapa
Fusificacin
Etapa de
Defusificacin
Proceso


Figura 4.13 Esquema de un control difuso


Para explicar cada bloque se presentar el siguiente ejemplo

Ejemplo 4.6 Simular un control PI standard por un control difuso. El corazn del bloque "control basado
en el mtodo difuso" es la base del conocimiento a partir de un PI standard.

Solucin Como experto en controladores PI clsico elaboramos la BASE DEL
CONOCIMIENTO. Sabemos que su comportamiento es como se muestra en la figura 4.14 :

Ref
Tiempo
1/4

Figura 4.14 Funcionamiento tpico de un r PI

Podemos dividir la seal por zonas, de acuerdo al error y la derivada del error, tal como se muestra en la
figura 4.15

Ref
e(t)
de(t)
dt
a a a a a a 2 1 3 4 6 5
- -
- -
- -
+
+ +
+ + -
Tiempo
e=(ref-out)
A B


Figura 4.15 Dividendo la curva en zonas
86

Analizando la figura podemos deducir lo siguiente:

1) Si ) (k e y
dt
k de ) (
son cero: entonces se mantenga el control constante. 0 u
Esto ocurre en cuando salida es igual a la referencia en estado estacionario

2) Si ) (k e tiende a cero con velocidad aceptable: se mantenga el control 0 u
Esto ocurre en la zona a
1
y a
3

3) Si ) (k e no est tendiendo a cero, la accin de control depender del signo y magnitud del ) (k e y
dt
k de ) (
. En zona a
2
0 < u , en zona a
4
0 > u



La grfica del error y la derivada del error se muestra en la figura 4.16

de
dt
e
a
1
a
2
a
3
a
4


Figura 4.16 error y derivada del error

La caracterizacin de zonas o sectores es la siguiente:

'

> >

'

> <

'

< <

'

< >
0 , 0
0 , 0
0 , 0
0 , 0
4
3
2
1
dt
de
e a
dt
de
e a
dt
de
e a
dt
de
e a



Las alternativas de las pendientes en los puntos A y B de la figura 4.14 se muestran en la figura 4.17








87

b
b
b
b
b
b
2
1
3
4
6
5
Ref

Figura 4.17 Pendientes en dos puntos de la curva

La caracterizacin en funcin de velocidad y sentido es la siguiente:

'

>>>

'

>>

'

>

'

<

'

<<

'

<<<
0 , 0
0 , 0
0 , 0
0 , 0
0 , 0
0 , 0
6
5
4
3
2
1
dt
de
e b
dt
de
e b
dt
de
e b
dt
de
e b
dt
de
e b
dt
de
e b



Los valores mximos y mnimos con respecto a la referencia se muestran en la figura 4.18

c
c
c
c
c
c
2
1
3
4
6
5
Ref


Figura 4.18 Valores mximos y mnimos

La caracterizacin de los sobreimpulsos es la siguiente






88

'

>>>

'

>>

'

>

'

<

'

<<

'

<<<
0 , 0
0 , 0
0 , 0
0 , 0
0 , 0
0 , 0
6
5
4
3
2
1
e
dt
de
c
e
dt
de
c
e
dt
de
c
e
dt
de
c
e
dt
de
c
e
dt
de
c





De este anlisis emprico, podemos interpretar a los
i i
b a , y
i
c como rangos imprecisos, lo cual da origen a
las variables difusas.

NG: Negativo Grande
NM: Negativo Mediano
NP: Negativo Pequeo
CE: Cero
PP: Positivo Pequeo
PM: Positivo Mediano
PG: Positivo Grande

El encasillamiento de una variables de ingeniera (por ejemplo voltaje) a una variable difusa (por ejemplo
NG), se denomina FUZIFICACIN.
Podemos construir la siguiente matriz de Estados en funcin de ) (t e y
dt
de


















89

NG NM NP CE PP PM PG
NG
NM
NP
CE
PP
PM
PG
CE
de
dt
e(t)
a a a
a
a a a
a a
1 1 1
1 1 1
1 1 1
a a a
a
a a a
a a
4 4 4
4 4 4
4 4 4
a a a
a
a a a
a a
2 2 2
2 2 2
2 2 2
a a a
a
a a a
a a
3 3 3
3 3 3
3 3 3
b
b
b
b
b
b
4
1
2
5
3
6
c c c ca c c 2 1 3 4 6 5



En base a nuestra experiencia con controladores PI podemos construir en forma gruesa las siguiente acciones
de control.

NG NM NP CE PP PM PG
NG
NM
NP
CE
PP
PM
PG
de
dt
e(t)
U
<
0
>
0
U
U =0 U < 0
U
< 0
U =0
U
>0
U >0



precisando este arreglo podemos construir los estados de la accin de control MOTOR DE INFERENCIA
de la figura 4.19. Esta tabla es conocida en la literatura como tabla de 49 reglas









90

NG NM NP CE PP PM PG
NG
NM
NP
CE
PP
PM
PG
CE
CE
CE
CE
CE
CE
CE
PP
PP
PP
PP
PP
PP
NP
NP
NP
NP
NP
NP
NM
NM
NM
NM
PM
PM
PM
PM
PM
PM
NM
NM
PG PP
PG
PG PG PG PG
PG PM
NG NG NG
NG NG
NG
NG
NM
NP
de
dt
e(t)


Figura 4.19 Tabla de inferencia



Una asignacin razonable de funciones de pertenencia para e y
dt
de
se muestra en la figura 4.20






NG NM NP CE PP PM PG
de
dt
-1 -1/3 -2/3 1/3 2/3
1
0,8
de=e(k)-e(k-1)
0,2
u
i
(e) u
i
(de)
i es una variable fuzzy =[NG,NM,NP,CE,PP,PM,PG]
e,


Figura 4.20 Funciones de pertenencia


Una vez inferida la variable de salida, es necesario convertir la variable difusa du en un valor ntido. este
conversin se denomina DEFUSIFICACION .






91

Al entrar el valor de e y
dt
de
a la tabla de inferencia de la figura 4.18 , siempre interceptar dos curvas para
e y dos curvas para
dt
de
, por lo tanto el anlisis involucra a 4 celtas de la tabla sea a 4 curvas de la figura
4.19. En figura 4.21 se muestra el anlisis completo para 8 . 0 e y
30
8

dt
de
(- 0.26667)


0,6
1/3
1 2/3 1/3
-2/3 -1/3 1/3
1 2/3
0,4
1
0,2
0,8
1
0,4
0,6
du
0,2
u'i(du)
CE
ui(e)
ui(de)
de
e
PM PG
NP
PP
u'i(du)= mn[wi , ui(du)] donde wi=mn[ ui(e) , ui(de)]
[ 0,6, 0,8 ]= 0,6



Figura 4.21 Deduccin de la variable de control




Finalmente los cuatro anlisis anteriores se traducen en la siguiente relacin, para obtener la variable de
control denominada de medida mxima modificada.



du=(0,6)(1/3)+(0,2)(2/3)+(0,2)(2/3)+(0,4)(2/3)=0,52
0,6+0,2+0,2+0,4


EJ ERCI CI OS

1) Demuestre que una realimentacin de bajo orden introduce dependencia lineal en la matriz
2)
T

Obtener el du del controlador fuzzy , emulando un PID, en el punto indicado en la grfica para una tabla de 25
implicancias, con conjunto fuzzy: NG,NM,CE,PM,PG







92

Ref = 1
0.5
t
3
t
y
NG NM CE PM PM
NG NG NG NM NM CE
NM NG NM NM CE PM
CE NM NM CE PM PM
PM NM CE PM PM PG
PG CE PM PM PG PG

error
derror







3)
0.1
0.2
0.7
1
t
y
t
1
Usando una tabla de 25 reglas determinar la
variacin de la variable de control u en el instante t
1
NG
NM
CE
PM
PG
NG
NG
NG
NM
NM
CE
NM
NG
NM
NM
CE
PM
CE
NM
NM
CE
PM
PM
PM
NM
CE
PM
PM
PG
PG
CE
PM
PM
PG
PG
e
de

4)

a) Evale el programa para error = 0.6

b) Evale el programa para error = -0.1

c) Explique qu hace el programa si:
NG = 1
NM = 2
NP = 3
CE = 4
PP = 5
PM = 6
PG = 7

FOR i=1 TO 7
fe(i,1) = 0
fe(i,2) = 0
NEXT i
error = referencia medicin
IF(error < -1) THEN error = -1
IF(error > 1) THEN error = 1
FOR i = 1 To 7
Y = 3 * error + 5 i
IF(Y > 0) AND (Y <= 1) THEN
fe(i,1) = i
fe(i,2) = Y
ELSE
Y = -3 * error + i - 3
IF(Y > 0) AND (Y <= 1) THEN
fe(i,1) = i
fe(i,2) = Y
END IF
END IF
NEXT i




93

5) Resuelva el ejercicio sobre fuzzy ( o sea encontrar U) explicado en clases pero para
e = -0.4
de = 0.1
dt

BIBLIOGRAFA

[1] Ogata K., SISTEMAS DE CONTROL EN TIEMPO DISCRETO, Prentice Hall, 1996
[2] strm K., SISTEMAS CONTROLADOS POR COMPUTADOR, PARANINFO, 1988
[3] sermann R., DIGITAL CONTROL SYSTEMS, Spriager-Verlag, 1981
[4] Oppenheim J.,SIGNALS AND SISTEMS, Prentice Hall, 1985
[5] Ljung L. ,SYSTEM IDENTIFICATION, Printice Hall, 1987
[6] Ljung L., TOOL BOX FOR USE WITH MATLAB, Math Works, 1995