Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Libro Control Multivariable
Libro Control Multivariable
2 J. Espinosa
Septiembre 2003-Draft Version 3.0
TABLA CONTENIDO
CAPTULO 1 SISTEMAS MULTIVARIABLE ......................................................5 1.1 INTRODUCCIN .....................................................................................................5 1.2 SISTEMAS DINMICOS...........................................................................................6 1.2.1 Funcin de Transferencia .............................................................................8 1.2.2 Respuesta dinmica ......................................................................................9 1.3 CONTROLABILIDAD Y OBSERVABILIDAD .............................................................12 1.3.1 Controlabilidad...........................................................................................12 1.3.2 Observabilidad............................................................................................13 1.3.3 Prueba de Popov-Belevitch-Hautus (PBH) ................................................14 1.4 ESTABILIDAD, ESTABILIZABILIDAD, DETECTABILIDAD .......................................15 1.4.1 Estabilidad ..................................................................................................15 1.4.2 Estabilizabilidad .........................................................................................15 1.4.3 Detectabilidad.............................................................................................16 1.5 TRANSFORMACIONES SIMILARES Y DESCOMPOSICIN CANNICA DE KALMAN..16 1.5.1 Realizacin Mnima ....................................................................................19 1.5.2 Otras Formas Cannicas............................................................................19 1.6 EJERCICIOS DEL CAPITULO ..................................................................................21 CAPTULO 2 CONTROL DESACOPLADO.........................................................25 2.1 INTRODUCCIN ...................................................................................................25 2.2 INTERACCIN EN SISTEMAS MULTIVARIABLES ...................................................25 2.3 LA MATRIZ DE GANANCIAS RELATIVAS .............................................................27 2.4 SELECCIN DE LAZOS DE CONTROL USANDO LA MATRIZ DE GANANCIAS RELATIVAS ...............................................................................................................29 2.5 CONTROL MULTIVARIABLE DESACOPLADO ........................................................32 2.6 COMENTARIOS Y CONCLUSIONES ........................................................................36 2.7 EJERCICIOS DEL CAPITULO ..................................................................................37 CAPTULO 3 MTODO DE UBICACIN DE POLOS ......................................39 3.1 INTRODUCCIN ...................................................................................................39 3.2 REALIMENTACIN DE ESTADO ............................................................................39 3.3 UBICACIN DE LOS POLOS ...................................................................................40 3.3.1 Ubicacin de los Polos-Mtodo Directo.....................................................40 3.3.2 Ubicacin de los Polos-Sistemas de una entrada. Mtodo de Ackermann.40
4 J. Espinosa 3.3.3 Ubicacin de los Polos-Sistemas de mltiple entrada. Mtodo de Ackermann ...........................................................................................................41 3.3.4 Ubicacin de los Polos en sistemas de mltiple entrada-salida - Ecuacin de Sylvester ..........................................................................................................42 3.4 EJEMPLOS............................................................................................................43 3.4.1 Carros Acoplados con Unin Flexible. [12] ..............................................43 3.4.2 Control de un Sistema Lector de Cinta Magntica (Tomado de [3]).........46 3.5 DISEO DE SERVO SISTEMAS E IMPLEMENTACIN DE REFERENCIAS....................50 3.4.3 Ejemplos......................................................................................................52 3.6 OBSERVADORES O ESTIMADORES DE ESTADO.....................................................56 3.6.1 Estimadores de Estado Completos..............................................................56 3.6.2 Estimadores Realimentados........................................................................57 3.6.3 Diseo de Estimadores - Ubicacin de los polos .......................................58 3.6.4 Estimadores de Orden Reducido ................................................................61 3.6.5 Seleccin de los Polos para el Estimador...................................................62 3.7 EJEMPLOS............................................................................................................63 3.7.6 Carros Acoplados con Unin Flexible. [12] ..............................................63 3.7.7 Control de un Sistema Lector de Cinta Magntica.....................................65 3.8 EJERCICIOS DEL CAPITULO ..................................................................................68 CAPTULO 4 REGULADOR OPTIMO CUADRTICO LINEAL....................71 4.1 INTRODUCCIN ...................................................................................................71 4.2 REGULADOR OPTIMO CUADRTICO LINEAL.(LINEAR QUADRATIC REGULATORLQR) ........................................................................................................................72 4.2.1 Problema con Horizonte finito....................................................................72 4.2.2 Problema con Horizonte Infinito ................................................................73 4.2.3 Solucin de la ecuacin algebraica de Riccati...........................................74 4.2.4 Control Optimo en Sistemas Discretos .......................................................74 4.2.5 Regulador Cuadrtico Lineal-Caso discreto..............................................75 4.3 EJEMPLOS............................................................................................................78 4.3.1 Carros acoplados con Unin Flexible........................................................78 4.3.2 Control de un Sistema Lector de Cinta Magntica[4]................................80 4.4 ESTIMACIN OPTIMA-FILTROS DE KALMAN-BUCY.............................................83 4.4.1 Estimacin Optima-Formulacin Discreta.................................................86 4.5 EJEMPLOS DE DISEO DE ESTIMADORES OPTIMOS ..............................................86 4.5.1 Carros Acoplados con Unin Flexible .......................................................86 4.5.2 Estimacin Optima en un Sistema Lector de Cinta Magntica ..................88 4.6 REGULADOR OPTIMO CUADRTICO GAUSSIANO ................................................89 4.7 EJEMPLOS............................................................................................................92 4.7.1 Carros Acoplados con Unin Flexible .......................................................92 4.7.2 Sistema Lector de Cinta Magntica............................................................95 4.8 EJERCICIOS DEL CAPITULO ..................................................................................96
1 2
MIMO - De la sigla en ingls Multiple Input Multiple Output Multiple entrada Multiple salida SISO- De la sigla en ingls Single Input Single Output Una entrada una salida
6 J. Espinosa A este sistema tipo de sistemas se les conoce como sistemas MIMO de 2 x 2 ( dos entradas, dos salidas) Este libro est enfocado al estudio y desarrollo de tcnicas de control lineal aplicables a sistemas multivariables. Este primer captulo se enfoca al estudio y descripcin de sistemas multivariables. Incluye conceptos importantes, como la descripcin de sistemas en espacio de estado y funcin de transferencia, funcin de transferencia multivariable, controlabilidad y observabilidad. El segundo captulo est dedicado al concepto de desacoplamiento y al uso de herramientas tales como RGA3 (Matriz de Ganancias Relativas) para seleccionar y analizar lazos de control, de forma que se puedan aplicar tcnicas usadas en sistemas SISO para controlar sistemas multivariables. El tercer captulo introduce el concepto de realimentacin de estado y el diseo de controladores. El captulo tambin incluye la definicin y el diseo de observadores de estado. El cuarto captulo describe el concepto del Regulador Optimo Cuadrtico (LQR4), el concepto de estimacin ptima y filtros de Kalman y finalmente el Regulador Optimo Gaussiano (LQG5). El quinto captulo est dedicado al diseo de controladores usando las normas H 2 y H .
(1.1)
(1.2) donde x (t ) es el estado del sistema, x (t o ) son las condiciones iniciales del sistema, u(t ) m es la entrada del sistema y y (t ) p es la salida del sistema.
3 4
RGA-Relative Gain Array LQR Linear Quadratic Regulator 5 LQG Linear Quadratic Gaussian regulator
Sistemas Multivariables 7 f(.,.) y g(.,.) son funciones no lineales f : m + n m y g : m + n p . Un sistema dinmico con una entrada (m=1) y una salida (p=1) se conoce como sistema SISO (por la sigla en ingls: Single Input Single Output), en caso contrario el sistema es llamado MIMO (por la sigla en ingls: Multiple Input Multiple Output). En este texto, nuestro anlisis se ver restringido a los sistemas dinmicos lineales. Para obtener una representacin lineal del sistema descrito por las ecuaciones (1.1) y (1.2) se puede aproximar las funciones f(.,.) y g(.,.) alrededor del punto de operacin u*, x* usando series de Taylor de la siguiente forma: f . x f (x* , u * ) + x y g (x* , u * ) + g x (x x* ) +
x*u *
f u g u
(u u * ), x(t o ) = xo
x*u *
(1.3)
(x x* ) +
x*u *
(u u * )
x*u *
(1.4)
Si el punto de operacin es adems un punto de equilibrio f ( x * , u * ) = 0 el sistema se ver reducido a un sistema dinmico lineales con parmetros invariantes en el tiempo. Esta representacin de los sistemas dinmicos es una aproximacin que permite manipular de forma simple las ecuaciones del sistema y as poder llevar a cabo el diseo de sistemas de control; que, pese a las aproximaciones, pueden controlar con aceptable precisin el sistema dinmico alrededor del punto de operacin. El sistema se describe en forma general de la siguiente forma:
x = Ax + Bu,x(t o ) = xo y = Cx + Du
Donde
(1.5) (1.6)
x(t ) x * = x(t ) n es la desviacin del estado del sistema, x (t o ) x * = x (t o ) son las condiciones iniciales del sistema, u (t ) u * = u (t ) m es la desviacin de la entrada del sistema con respecto al punto alrededor del cual se realiz la linealizacin y y (t ) y * = y p es la desviacin de la salida del sistema. A,B,C y D son matrices con parmetros constantes y dimensiones f f g g nn , B = nm ,C = p n y D = p m . A= x x* ,u * u x* ,u * x x* ,u* u x* ,u * Nota para el lector: A partir de este punto en el texto y para simplificar la notacin, las variables de desviacin sern reemplazadas de la siguiente manera: x = x , y = y y u = u En el caso discreto el sistema se puede representar en la forma: xk +1 = Axk + Buk ,
yk = Cxk + Duk
con matrices de las mismas dimensiones.
(1.7) (1.8)
8 J. Espinosa
D
u(t)
. x(t)
x(t)
y(t)
A
(a)
D
uk
xk+1
xk
yk
A
(b) Figura 1.1: Diagramas de bloques de la representacin de estado. (a) Continuo (b) Discreto.
Sistemas Multivariables 9
. x A B x y = C D u
De forma similar para el caso discreto la matriz de transferencia desde u hasta y se define como: Y ( z) = G ( z)U ( z) donde U(z) y Y(z) son las trasformadas zeta de uk y yk con condiciones iniciales (x0=0). G(z) se obtiene a partir de, G ( z) = C ( zI A) 1 B + D Las ecuaciones (1.7) y (1.8) tambin pueden ser escritas en forma matricial:
xk + 1 A B x k y = C D u k k
(1.9) (1.10)
y (t ) = Cx (t ) + Du(t )
En caso de que u(t) = 0, t t 0 , ser posible observar que para cualquier t1 t 0 y t t0 , x ( t ) = e A ( t t1 ) x ( t1 ) La respuesta impulso estar dada por:
10 J. Espinosa g (t ) = Ce At B, t 0 En el caso discreto tendremos: Dadas la condicin inicial x0 y la entrada uk, la respuesta dinmica del sistema para k 0 puede ser calculada a partir de:
xk = A k x0 + Ai Buk 1 i
i =0 k 1
(1.11)
yk = Cxk + Duk
G ( s ) = C ( sI A) 1 B + D =
Una funcin de transferencia se define como mnima si no existen factores comunes entre los polinomios del numerador y el denominador. Una representacin en espacio de estado [ A, B, C , D ] es llamada mnima si el det( sI A) es igual al denominador de la funcin de transferencia mnima. Se definen como ceros del sistema aquellos valores que anula el numerador de la funcin de transferencia (races del polinomio num(s)). Se dice entonces que un cero es un valor s = zi tal que: G ( zi ) = 0 De otro lado los polos del sistema G(s) son las races del denominador o las soluciones de la ecuacin den( s ) = 0 . Los polos son lo valores s = pi de manera que
Sistemas Multivariables 11
G ( pi ) = Para una representacin mnima los polos son la solucin de la ecuacin caracterstica det( sI A) = 0
(1.13)
esta ecuacin define a su vez los valores propios de la matriz A. Los polos son de hecho los valores propios de la matriz de estados del sistema.
(1.14)
De otra manera se puede decir que los ceros multivariables son los valores de s=z de manera que: A zI rank C B < min(n y , nu ) D (1.15)
Esta condicin lo que indica es que la salida ser cero para una entrada diferente de cero Y ( s ) = 0 = G ( s )U ( s ) usando la transformada de Laplace de la representacin de estado, tendremos:
sY ( s ) = AX ( s ) + BU ( s ) Y ( s ) = 0 = CX ( s ) + DU ( s )
sI A M B X ( s) 0 L L L = L M D C U ( s ) 0
(1.16)
12 J. Espinosa este problema se puede reducir a un problema de valores propios generalizados. El problema de valores propios consiste en que dadas dos matrices A y B encontrar los valores de los escalares y x de manera que Ax = Bx . En este caso la ecuacin se puede resolver planteando el problema como un problema de valores propios generalizados de la siguiente forma: A M B X (s) I M 0 X ( s) L L L = s L L L C M D U ( s) 0 M 0 U ( s)
Entonces
x k +1 = A k +1 x 0 + A k Bu 0 + ... + Bu k operando y presentando en forma matricial,
rango B AB ... A k B = rango B AB ... An 1 B (Ver: Teorema de Cayley-Hamilton) Obsrvese, que solo ser posible calcular un vector de entradas
Sistemas Multivariables 13
uk u k..1 . u 0 que lleve la planta del estado x0 al estado xk+1,s el rango( ) = n. Las matrices de controlabilidad para sistemas continuos y para sistemas discretos tienen la misma forma.
1.4.2 Observabilidad
Un sistema es observable si conociendo la entrada u y la salida y es posible determinar el estado x. La matriz de observabilidad est como:
C CA O = .. . n 1 CA
(1.18)
Para ilustrar esta idea, se tomar el sistema autnomo (sin entrada) definido por:
xk +1 = Axk yk = Cxk
La respuesta del sistema estar dada por: yk = CA k x0
y0 C y CA .1 = . x . . . 0 k yk CA
14 J. Espinosa
C C CA CA = rango rango ... ... k n 1 CA CA
Obsrvese que siempre que el rango( ) = n ser posible calcular el valor de x0 a partir de las salidas observadas. Las matrices controlabilidad para sistemas continuos y discretos son iguales.
A T q = q BT q = 0 Si existe un vector propio q y un valor propio tal que q es perpendicular a B se puede decir que el modo correspondiente al valor propio es no controlable. En caso contrario se dice que el modo es controlable. Por ejemplo (tomado de [3]):
* A = i , * 0 * B = 0, q = 1 0 *
q T A = q T qT B = 0
entonces: q T AB = q T B = 0 y q T A 2 B = q T AB = 0 y as sucesivamente hasta que: q T C(A,B) = q T B
AB K A n1 B = 0
Sistemas Multivariables 15
* A = i
, *
0 C = * 0 * , p = 1 0
. Un sistema dinmico autnomo x = Ax es estable s y solo s la parte real de todos los valores propios de A son menores que cero (estn ubicados en la parte izquierda del plano complejo), p.e., Re(A)<0. Para el caso discreto, se dice que un sistema dinmico autnomo xk + 1 = Axk es estable s todos los valores propios de A estn ubicados dentro del circulo unitario en el plano complejo, p.e., |(A)|<1. Una matriz A con esta propiedad se dice que es estable o Hurwitz. Es importante recordar que los valores propios de A son las races de la expresin,
det( I A) =0
Recordando la representacin como matriz de transferencia del sistema [A,B,C,D] G ( s) = C ( sI A) 1 B + D = C adj( sI A) B+D det( sI A)
se puede observar que los polos de la matriz de transferencia son los valores propios de A.
1.5.2 Estabilizabilidad
16 J. Espinosa Un sistema con matrices (A,B) se dice estabilizable, si sus modos no controlables son estables. Esta propiedad garantiza que cuando se aplique un sistema de control al sistema, las variables que no sean controlables no crecern a lmites que pongan en peligro la operacin o la integridad del sistema.
1.5.3 Detectabilidad
Un sistema con matrices (A,C) se dice detectable, si sus modos inestables son observables. Esta propiedad garantiza que se puede construir estimadores de estado estables. Ejemplo: Dado el sistema dinmico discreto,
Estable? no si no
Estabilizable? si si si
Detectable? no si si
Nota: para verificacin del anterior ejemplo utilice las pruebas PBH de controlabilidad y observabilidad.
Sistemas Multivariables 17
Entonces en el nuevo sistema de coordenadas las ecuaciones el sistema dinmico (1.5) y (1.6) sern . x = T 1 AT x + T 1 Bu y = CT x + Du
(1.19)
Estas ecuaciones representan el mismo sistema dinmico, para cualquier matriz no singular T. Obsrvese, que la matriz A se ve transformada por una operacin de la forma T 1 AT , esta transformacin matricial se conoce con el nombre de transformacin de similaridad [11]. Fcilmente, se puede probar que la matriz de transferencia G(s) no se ve alterada por el cambio de coordenadas, G ( s ) = C ( sI A) 1 B + D = CT ( sI T 1 AT ) 1 T 1 B + D. El principio de la descomposicin de Kalman formula que: Dado un sistema dinmico descrito por [A,B,C,D]. Siempre es posible encontrar una transformacin T invertible, tal que las matrices transformadas tengan la estructura:
r1 T AT = r2 r3 r4
1
Aco A21 0 0
r1
r2 0 Aco 0 0
r1 T B = r2 r3 r4
1
(1.20)
(Cco
r1
r2
r3
r4
0 Cc o
0)
[A
co
, Bco , Cco , D
18 J. Espinosa Aco A21 es controlable. El subsistema Aco 0 es observable. El subsistema A13 Bco , , (C Aco 0 co Cco ), D 0 Bco , , (C Aco Bco co 0), D
[A
no es controlable, no observable.
co
, 0, 0, D
Para explicar un poco mejor la funcin de los distintos bloques observe el siguiente sistema dinmico [A,B,C,D] transformado a travs de la descomposicin de Kalman en:
. xco . x .co xco . xco Aco 0 = 0 0 0 xco Bco x 0 0 Aco co + Bco u 0 Aco 0 xco Bco 0 0 Aco xco Bco xco x co 0 Cco 0] xco xco 0 0
y = [Cco
La respuesta en el tiempo del sistema ser: t A ( t ) A t Bco u( )d xco (t ) e co xco (0) + 0 e co x (t ) A t t Aco ( t ) co co Bco u( )d = e xco (0) + 0 e xco (t ) Aco t 0 e x ( ) co xco (t ) e Ac o t xco (0)
y (t ) = Cco xco (t ) + Cco xco (t ); Observe, que xc o (t ) y xc o ( t ) no son alterados por la entrada u, estos son los estados no controlables, en tanto que xco ( t ) y xc o ( t ) no tienen influencia en la salida y, estos son los estados no observables. Si asumimos x ( 0) = 0 la salida queda reducida a:
Sistemas Multivariables 19 Para efectos prcticos la matriz de transformacin T se puede calcular a partir de la factorizacin en valores singulares de la matrices de controlabilidad y observabilidad , la matriz T esta compuesta por cuatro submatrices descritas as: T = [T1 T2 T3 T4 ] donde T1 = R S T2 = R S T3 = R S T4 = R S R es una base del subespacio controlable, S es una base del subespacio observable y R y S son los respectivos complementos ortogonales o sea las bases de los subespacios no controlables y no observables.
Cont rolable Obser vable Cont rolable No Obser vable No Cont rolable Obser vable No Cont rolable No Obser vable
Figura 1.2 Descomposicin cannica de Kalman La descomposicin cannica de Kalman es aplicable a sistemas discretos sin ninguna modificacin.
20 J. Espinosa
(1.21)
C1 = [ 1
2 ...
n 1
n ], d1 = d
donde
G(s) = C(sI A) b + d =
1s n 1 + 2 s n 2 + ... + n 1s + n
s n + a1s n 1 + ... + an 1s + an b1 d1
+ d,
1 Tc b A1 A b Tc ATc G( s ) = = = C 1 d C d CTc 1
A1 n 1b1 .
Es importante comentar que esta forma cannica es apropiada para anlisis y clculos manuales, pero en algunos casos puede generar problemas de condicionamiento numrico en clculos computacionales [9].
Sistemas Multivariables 21 A B G( s ) = , B n m , c T n , d T m c d asumiendo que (c, A) es observable. El sistema G(s) se puede transformar en un sistema de la forma:
a1 a .2 . A1 = . a n 1 an C1 = [ 1 1 0 .. . 0 0 0 0 1 .. . 0 1 0 .2 .. . , . , B1 = . 0 ... 1 n 1 0 ... 0 n 0 ... 0], d1 = d ... ...
(1.22)
donde
G(s) = C(sI A) 1 b + d =
1s n 1 + 2 s n 2 + ... + n 1s + n
s n + a1s n 1 + ... + an 1s + an B1 d1
+ d,
1 To b A1 A B To ATo G( s ) = = = c 1 d c d cTo 1
Es importante, tener en cuenta, que esta forma cannica es apropiada para anlisis y clculos manuales, pero sus propiedades desde el punto de vista numrico son pobres y pueden generar errores de clculo[9].
22 J. Espinosa
1 -construya el siguiente sistema dinmico continuo [A B C D] 0 0 0 cc(1) 1 cc(2) 2 cc(3) + 1 0 0 A= cc(3) 1 cc(2) 2 0 0 cc(4) 3 0 0 0 0 0 cc(5) + 1 0 0 cc(6) + 1 B= 0 cc(5) + cc(6) + 1 cc(7) + 1 0 0 0 0 0 0 cc(1) + 1 C= 0 cc(8) + 1 0 0 0 0 0 D= 0 0 0 2- Verifique la estabilidad del sistema. 3- Construya las matrices de controlabilidad y observabilidad. 4- Corrobore la controlabilidad y la observabilidad usando el mtodo PBH. 5- Construya una matriz T que permita realizar la descomposicin cannica de Kalman, verifique el resultado 6- Para cada una de las entradas genere una matriz de transformacin T que permita obtener la representacin cannica controlable. 7- Para cada una de las salidas genere una matriz de transformacin T que permita obtener la representacin cannica observable.
Ejercicios tericos.
1 Pruebe el criterio de observabilidad PBH 2- Pruebe que para cualquier par [A1,B] donde 0 0 0 A1 = 0 1 y B = b b 0 0 0 0 siempre ser no controlable. 3- Encuentre las condiciones que debe tener el vector fila c tal que [c,A2]sea siempre observable.
Sistemas Multivariables 23 1 0 A2 = 0 1 0 0
26 J. Espinosa
u1
G11
y1
G12
G21
u2
G22
y2
1 + K p1G11 = 0 y 1 + K p 2 G 22 = 0
Ya que los sistemas son de primer orden el sistema ser estable para cualquier valor de ganancia en el controlador. Ahora suponga que los dos lazos estn interactuando ( G12 , G21 0 ), entonces obtendremos una nica ecuacin caracterstica del sistema, de la forma:
(1 + K p1G11 )(1 + K p 2 G22 ) G12 K p 2 G21 K p1 = 0
La aparicin del signo negativo en la ecuacin caracterstica nos indica que el sistema ser estable, solo para ciertos valores de las ganancias proporcionales Kp1 y Kp2. Entonces diremos que existe interaccin si la respuesta de una variable controlada frente al cambio de una variable manipulada cambia al cerrar otro de los lazos presentes en el sistema. El problema de interaccin entre lazos puede ser aliviado a travs de una seleccin adecuada de pares de variables manipuladas y controladas. Para un sistema de 2x2 el problema es relativamente simple. Si el sistema en el cual la variable u1 controla la variable y1 y la variable u2 controla la variable y2 no presenta un desempeo adecuado, entonces el sistema se deber organizar de forma que u1 controle y2 y u2 controle y1. Sin embargo sistemas ms grandes sern mucho ms complejos, al punto que un sistema de NxN tiene N! (N factorial) posibles combinaciones. Es por ello que es importante evaluar de manera cuantitativa el grado de interaccin entre los distintos lazos de control. Esta informacin se puede utilizar para disear un sistema con mnimas interacciones. Esa herramienta cuantitativa existe y se conoce con el nombre de Matriz de Ganancias Relativas (Relative Gain Array-RGA).
Control Desacoplado 27
y1 u1
u2
si en lugar de mantener u2 constante, ahora mantenemos la salida y2 constante cerrando el lazo entre u2 y y2 (control perfecto!!). Un paso de magnitud u1 producir un cambio diferente y1 . La ganancia bajo estas nuevas condiciones ser expresada de la forma: y K11 y = 1 2 u1 y
2
A pesar de que las ganancias anteriores fueron obtenidas entre la misma entrada y salida esta puede presentar valores distintos ya que ha sido obtenida bajo distintas condiciones. Si existe interaccin con otros lazos estas dos ganancias sern distintas. El cociente, 2.2 K11 u 2 11 = K11 y
2
donde 11 es un valor adimensional llamado ganancia relativa entre la salida y1 y la entrada u1 y que provee la siguiente informacin: Si 11 = 0 quiere decir que el cambio en la entrada u1 no afecta la salida y1 y por ende no deber ser utilizada para controlar y1. Si 11 = 1 quiere decir que K 11 u es igual a K 11 y . Eso quiere decir que la
2 2
ganancia entre la salida y1 y la entrada u1 no se vera afectada por el lazo entre la entrada u2 y la salida y2. En un sistema de 2x2 existen otras tres ganancias relativas:
12 = 21 = 22 =
K12 K12 K 21 K 22 K 22
u1 y2
2
K 21 u
y1 u2 y2
(y1 = (y1 (y 2 = (y 2 (y 2 = (y 2
u 2 ) y u1 ) u
u 2 ) u
2.3
2
2.4
2 1
u 2 ) y
u 2 ) u
u1 ) y
2.5
2 2
28 J. Espinosa Finalmente agrupando los elementos ij se construye la Matriz de Ganancias Relativas (Relative Gain Array-RGA).
12 = 11 21 22 De manera general para un sistema de N entradas y N salidas, existen (NxN) elementos de ganancia relativa entre la salida yi y la entrada u j esos elementos estn dados por la expresin: 2.6 (yi u j ) u K ij u ij = = (yi u j ) K ij
y y
1N 2 N NN
2.7
El clculo de los parmetros de la matriz de ganancias relativas puede parecer complicado y tedioso, en la practica no es ese el caso ya que los elementos de la matriz tienen las siguientes propiedades: La suma de todos los elementos de cada columna es igual a uno
i =1
ij
= 1, j = 1, 2, , N
j =1
ij
= 1, i = 1, 2,, N
Eso implica que para un sistema de (2x2) solo un elemento deber ser calculado ( 11 ) 12 = 1 11 21 = 12 22 = 11 de la misma manera en un sistema de NxN solo (N-1)*(N-1) elementos debern ser calculados. El mtodo presentado anteriormente es un mtodo experimental. Si conocemos un modelo del sistema ser posible calcular la matriz de ganancias relativas de manera analtica. Si tomamos el siguiente modelo de estado estacionario, y1 = K11u1 + K12 u 2 y 2 = K 21u1 + K 22 u 2 donde K ij son las ganancias de estado estable de la matriz de la funcin de transferencia del sistema. Entonces y K 11 u = 1 = K11 2 u1 u
2
Control Desacoplado 29
y1 = K11u1 + K12 ( y 2 K 21u1 ) / K 22 Derivando con respecto a u1 y manteniendo constante y2 nos da: y K11 y = 1 = K11 + K12 K 21 / K 22 2 u1 y
2
La ganancia relativa 11 estar dada por la expresin: K11 u 1 2 = 11 = K11 y 1 ( K12 K 21 ) /( K11 K 22 )
2
30 J. Espinosa
AC
m1
FC Analizador
m2
Para efectos de estudios asumiremos solo relaciones estticas en nuestro modelo, el balance de masa del sistema y de los componentes estar dado por:
F = m1 + m2 m1 x= m1 + m2
2.8 2.9
En este sistema el objetivo es controlar el flujo total F de manera que mantenga la concentracin x en un valor dado. La pregunta es: Cul es la influencia de cada variable manipulada m1 y m2 sobre las variables controladas F y x? Primero calculamos la ganancia m1-F cuando el lazo m2-x esta abierto. Derivando la ecuacin (2.8): 2.10 F =1 m1 m
2
Ahora se hace el anlisis asumiendo control perfecto de la concentracin x . Nuevamente derivamos la ecuacin (2.8). 2.11 F m =1+ 2 m1 x m1 x El trmino
Control Desacoplado 31
2.13
2.14
x 1 x
1 x x
2.15
El anlisis de sistemas con un mayor numero de entradas puede parecer tedioso si se realiza de la manera que se ha hecho hasta este punto. Afortunadamente existe un mtodo eficiente que nos permite calcular la matriz de ganancias relativas de forma matricial: 2.16 RGA(G ( j )) = G ( j ).*(G ( j ) 1 )T Donde el smbolo .* denota una multiplicacin termino a termino. Observe que hasta este instante solo se haban hecho anlisis para valores de = 0 , sin embargo la expresin (2.16) nos muestra que dicho anlisis puede ser extendido a cualquier frecuencia por lo general este anlisis solo tiene sentido hacerlo a la frecuencia 0 y a la frecuencia de corte ( c ) esperada para el sistema. Las reglas de seleccin se pueden resumir de la siguiente manera: 1- Trate de hacer lazos con aquellos elementos en los cuales el RGA(G ( j c )) lo ms cercano posible al punto 1+j0 en el plano complejo. 2- Evite hacer lazos con aquellos pares que tienen valores negativos de ganancia relativa en estado estable RGA(G (0)) .
Ejemplo 2-1
En este ejemplo utilizaremos una columna de destilacin para separacin de crudo pesado. La columna es alimentada por el plato inferior y genera tres fracciones, nuestro inters se centra en la composicin de la fraccin superior e intermedia. Consideramos como variables controladas: y1 Concentracin del compuesto retirado en la cabeza de la columna. y2 Concentracin del compuesto retirado en la parte media de la columna. y3 Temperatura de reflujo inferior. Las variables manipuladas son:
32 J. Espinosa
u1 Flujo del compuesto de la cabeza de la columna. u2 Flujo del compuesto intermedio. u3 Referencia al controlador de la temperatura del plato inferior.
U1 ( s ) Y1 ( s ) Y ( s ) = G ( s ) U ( s ) 2 2 Y ( s ) U 3 ( s ) 3
donde
4.05e 27 s 50 s + 1 5.39e 18s G(s) = 50 s + 1 4.38e 20 s 33s + 1 1.77e 28s 60 s + 1 5.72e 14 s 60 s + 1 4.42e 22 s 44 s + 1 5.88e 27 s 50 s + 1 6.90e 15s 40 s + 1 7.20 19 s + 1
asumiendo un ancho de banda 1/50 rad/s, para el anlisis usaremos nicamente las variables manipuladas ligadas a la composicin el anlisis nos dar los siguientes resultados: 0.3203 0.5946 1.2744 ~ RGA(G (0)) = 0.017 1.5733 0.5563 y 0.4792 0.3558 j 0.6325 0.0158 j 1.1532 + 0.3716 j ~ RGA(G ( j / 50)) = 0.1256 + 0.3558 j 1.5763 + 0.0158 j 0.4507 0.3716 j Para hacer el anlisis de cual variable deber controlar y1 , para ello debemos mirar la primera fila de las matrices RGA, de ellas es posible deducir que la variable manipulada u2 deber ser evitada ya que tiene signo negativo. Es claro que para las dos frecuencias la entrada u3 es la mejor eleccin para controlar y1 . De manera similar podemos decir que la mejor eleccin para controlar y2 es la entrada u2 . La composicin de la cabeza ser controlada a travs de la referencia de la temperatura del plato inferior, la composicin del compuesto ser controlada a travs del flujo de dicho compuesto.
Control Desacoplado 33 La funcin de los desacopladores es la de descomponer el sistema multivariable en subsistemas de una variable. Si dicho sistema puede ser implementado de manera ideal el sistema multivariable podr ser controlado usando controladores independientes.
Controlador
Desacoplador
Planta
w1
C1
u1
D11
u1*
G11
y1
D12
G12
D21
G21
y2
C2
D22
w2
u2
D ESAC O PLAD O R
u2*
G22
P L A N TA
Este sistema se encuentra descrito por las siguientes ecuaciones: Y ( s ) = G ( s )U * ( s ) U * ( s ) = D( s )U ( s ) U ( s ) = C ( s )(W ( s ) Y ( s )) Resolviendo
Y ( s ) = G ( s ) D ( s )U ( s ) = G ( s ) D ( s )C ( s )(W ( s ) Y ( s ))
2.20
Nuestro objetivo es construir un sistema diagonal, ya que el controlador C(s) es un sistema diagonal el objetivo ser alcanzado garantizando que:
2.21
2.22
G ( s ) 1 =
G (s) adj ( G ( s )) = 22 G 21 ( s )
entonces el desacoplador tendr la forma:
G12 ( s ) G11 ( s )
2.24
La representacin ms simple ser asumiendo los trminos en la diagonal principal iguales a uno, con lo cual se obtiene el sistema:
2.25
G12G21 G11 ( s ) G 22 G ( s) D( s) = 0
2.26
Consideraciones sobre la implementacin de desacopladores Las acciones aplicadas por el desacoplador son similares a una accin de tipo feedforward y por ello se encontrarn el mismo tipo de dificultades a la hora de implementar dichos controladores. El uso de los desacopladores esta restringido a la planta lineal, esto debido a que se utiliza un mecanismo de cancelacin. Un cambio de punto de operacin en una planta lineal causara que la cancelacin no sea eficaz. El hecho de ser un mecanismo de cancelacin restringe la aplicabilidad del mtodo ya que no podr ser aplicado con plantas que tienen ceros de fase no mnima ya que la cancelacin generara polos inestables. Errores en el modelo tambin pueden causar problemas.
Control Desacoplado 35 Un problema aun ms serio se puede presentar cuando la metodologa se aplica a plantas con retardos. Suponga que la planta incluye las siguientes funciones de transferencia: K e 11s K e 12 s y G11 = 11 G12 = 12 1 + 12 s 1 + 11s donde ij y ij son respectivamente el retardo y la constante de tiempo del sistema, ya que el desacoplador incluye la ganancia G12 G11 si calculamos esta relacin obtendremos:
2.27 G12 ( s ) K12 (1 + 11s ) (11 12 ) s = e G11 ( s ) K11 (1 + 12 s ) Si se da el caso de 11 > 12 el argumento de la exponencial ser positivo lo cual se traduce en la necesidad de tener valores futuros para implementar el sistema, lo cual es imposible.
Debido a estas dificultades los desacopladores ideales son raramente utilizados. Una aproximacin se aplica a problemas en los cuales la planta tiene retardos. En la simplificacin se asumen retardos nulos en el desacoplador. Otra aproximacin es ignorar las dinmicas de orden superior. Adicionalmente se pueden utilizar redes de dsacoplamiento parcial donde uno sola de las interacciones es cancelada. Posiblemente la simplificacin ms drstica es la construccin de desacopladores con ganancia fija, calculada bien sea sobre la ganancia esttica o sobre la ganancia a la frecuencia de corte.
Ejemplo 2-2
En este ejemplo se utilizara el modelo de la columna de destilacin presentado en el Ejemplo 2-1. Tomando nicamente las entradas [u3 , u2 ]T hasta la salidas [ y1 , y2 ]T la funcin de transferencia es: 5.88e 27 s 1.77e 28 s 1 60s + 1 G ( s ) = 50s + 15 s 5.72e 14 s 6.90e 60s + 1 40s + 1 el sistema tiene un modelo de perturbacin: Y ( s ) = G ( s )U ( s ) + Gd ( s )V ( s )
36 J. Espinosa
50 s + 1 0 300 s C ( s) = 60s + 1 0 300 s Tomando nicamente la ganancia G(0) 5.88 1.77 G ( s) = 6.90 5.72 El desacoplador diseado con esta estrategia ser: 0.3010 1 D(0) = 1 1.2063 La siguiente grafica compara las respuestas de los dos sistemas, observe la apreciable reduccin del impacto causado por la interaccin entre los lazos del sistema.
Senhales de Salida para el sistema interactivo 1.4 --Y1 Y2 1.2
1 1.2 -- Y1 Y2 Senhales de Salida para el sistema desacoplado
0.8
Cambio en Setpoint de Y2
0.8
Cambio en Setpoint de Y2
0.6
0.6
Cambio en Setpoint de Y1
0.4
Cambio en Setpoint de Y1
0.4
0.2
0.2
200
400
600
800
1000
1200
1400
1600
-0.2
200
400
600
800
1000
1200
1400
1600
(a)
Senhales de entrada para el sistema interactivo 0.3 -- U3 U2 0.2 Cambio en Setpoint de Y2 0.1 Cambio en Setpoint de Y1 0
0 0.1 0.2 0.3
(b)
Senhales de entrada para el sistema desacoplado -- U3 U2
Cambio en Setpoint de Y2
-0.1
-0.2
-0.2
-0.3
-0.3
-0.4
-0.4
200
400
600
800
1000
1200
1400
1600
200
400
600
800
1000
1200
1400
1600
(c)
(d)
Figura 2.5 Comparacin del sistema de control para la columna de destilacin (a) Salidas sin desacoplador (b) Salidas con desacoplador (c) Entradas sin Desacoplador (d) Entradas con desacoplador
Control Desacoplado 37 desacoplador. La seleccin de los pares usando el anlisis de ganancia relativa permite reducir el trabajo que el desacoplador debe ejecutar. Los pasos de diseo usando las tcnicas presentadas en este captulo se pueden resumir as: a) Haga un anlisis de ganancia relativa que permita encontrar los pares de entrada y salida que reducen las interacciones. b) Disee un sistema de control distribuido, y evale el desempeo observando el impacto de las interacciones. c) Si el desempeo de este sistema no es el adecuado debido a las interacciones con otros lazos disee una red de desacople.
38 J. Espinosa Las entradas del sistema son: U1 Entrada de combustible U2- Entrada de aire U3- Entrada de agua U4- Vlvula de control de vapor Las salidas Y1- Es la presin en la caldera Y2- %de oxigeno en los gases de salida Y3 Nivel de agua Y4 Flujo de vapor Si es viable defina un sistema de control que mantenga las variables Y1-Y3 constante y permita alcanzar un flujo de vapor determinado. 4- Para el ejemplo de la columna de destilacin: - Disee una red de desacople esttica evaluada a la frecuencia 1/50 rad/sec - Disee una red de desacople dinmica Compare las respuestas 5- Realice un anlisis de ganancia relativa sistema de control distribuido con y estticos y dinmicos. 1 G ( s) = s + 1 1 s +1 para el siguiente sistema y disee un sin acople. Disee desacopladores 2 s + 3 1 s +1
(3.1)
D v A
1/s
40 J. Espinosa
El sistema ser gobernado por la matriz (A-BK) y los valores propios de esta matriz sern los polos del sistema en lazo cerrado.
c ( s) = s n + 1s n 1 +...+ n
con coeficientes reales y dadas las matrices (A,B) es posible encontrar al menos una matriz K m n tal que det(sI ( A BK )) = c (s) ? La respuesta es siempre que el par (A,B) sea controlable es posible encontrar una matriz K tal que det(sI ( A BK )) = c (s) (ver prueba [7]). Recuerde que la ubicacin de las races de A depende de las especificaciones de control tales como tiempo de subida, mximo sobrepico, ancho de banda, margen de fase, tiempo de establecimiento etc. Otros valores tpicos pueden ser tomados de los polinomios ptimos para el criterio ITAE (Integral of Time multiplied by Absolute Error, ver [8]) dan una respuesta rpida pero con sobreimpulso y los polinomios de Bessel que dan una respuesta ms lenta pero sin sobreimpulso. Sabiendo que la controlabilidad del sistema garantiza la posibilidad de ubicar los polos en un lugar deseado se hace necesario encontrar un mtodo para calcular K. El primer mtodo y el ms intuitivo es el llamado mtodo directo.
Los valores de la matriz K pueden ser calculados igualando trminos a ambos lados de la ecuacin. Sin embargo, este mtodo se vuelve tedioso para sistemas de orden superior a 3.
a1 K1 1 0 Ac Bc K = .. . 0
a2 K2 0 ... ...
...
an Kn 0 .. . .. . 0
c ( s) = s n + 1s n 1 +...+ n = ( s s1 )( s s2 ) ... ( s sn )
los elementos de K sern:
K1 = a1 1 , K2 = a2 2 ,..., Kn = an n
El procedimiento de clculo de K se puede resumir as: Transforme las matrices (A, B) a su forma cannica controlable (Ac, Bc). Halle la ley de control Kc utilizando el anterior procedimiento. Transforme Kc en K = Kc T 1 . En forma compacta el procedimiento de diseo es:
1 K = [ 0 . . . 0 1] C c ( A),
(3.2)
c ( A) = An + 1 An 1 + 2 An 2 +...+ n I
La formula de Ackermann solo es aplicable a sistemas de una entrada y no es aconsejable en sistemas de gran dimensin, debido a que el clculo del polinomio c(A), puede generar errores numricos, cuando los parmetros de A difieren en magnitud de forma significativa[10]. Para el caso de mltiple entrada la solucin de K no es nica.
42 J. Espinosa
Los polos de ( A BK ) estarn en el lugar deseado para una realimentacin de estado aplicada al sistema (A, B), de la forma: u = Kx = ( Kr + vKs ) x El procedimiento de clculo de K se puede reducir a los siguientes pasos: Escoja arbitrariamente Kr y v de forma que ( A BKr , Bv ) sea controlable. Use la frmula de Ackermann para encontrar Ks para ( A BKr , Bv ) . Encuentre la ganancia de realimentacin de estado como K = Kr + vKs .
1 1
...
, . ..
con valores propios: 1 j1 ,..., 1 ,... que son los polos deseados para el sistema en lazo cerrado. Recurdese que para un par controlable (A, B), existe una transformacin de similaridad X tal que:
(Ecuacin de Sylvester en X)
(3.3)
La ecuacin de Sylvester es una ecuacin matricial lineal en X. Se puede resolver si el valor de G es conocido. Y se obtiene la ley de control:
K = GX 1 .
El procedimiento de clculo de K se puede resumir en tres pasos:
Escoja un valor arbitrario de G. Resuelva la ecuacin de Sylvester en X. Calcule la ganancia de realimentacin K = GX 1 . El mtodo puede fallar, encontrndose una matriz X no invertible en ese caso se debe realizar todo el procedimiento partiendo de una matriz G diferente.
Mtodos de Asignacin de Polos 43 Es importante tener en cuenta ciertos detalles, por ejemplo, siempre ser posible encontrar una solucin para X, si A y no tienen valores propios comunes. Para sistema de simple entrada la matriz K es nica e independiente de G.
3.4 Ejemplos
3.4.1 Carros Acoplados con Unin Flexible. [12]
Este sistema est compuesto por dos carros con masas M1 y M2 como se muestra en la Figura 3.2. Los carros estn unidos a travs de un resorte con constante K . El carro de la izquierda tiene un motor elctrico que permite aplicar una fuerza F al sistema. El objetivo del sistema de control es reducir la oscilacin del segundo carro cuando el primero cambia de posicin, se espera un tiempo de establecimiento de 1 segundo y un sobrepico menor al 10%. Como instrumentacin hay instalados en cada carro un potencimetro que permite medir el desplazamiento.
x1
x2
M1
M2
F=
KmKg Ra r1
Km K g Ra r 2 1
&1 x
Donde: M1 Masa del carro uno = 0.98 Kg M2 Masa del carro dos = 0.58 Kg K Constante del resorte = 45.9 N/m x1, x2 Posicin de los carros 1 y 2 respectivamente F Fuerza aplicada al carro uno (N) V Voltaje aplicado al motor que acciona el carro uno
44 J. Espinosa
El rango de ambas matrices es cuatro lo que indica que el sistema es totalmente controlable y observable.
Impulse Response
From: U(1) 0.4 0.3 To: Y(1) 0.2 0.1
Amplitude
Time (sec.)
46 J. Espinosa
Step Response
From: U(1) 0.025 0.02 To: Y(1) 0.015 0.01 0.005 0 0.025 0.02 To: Y(2) 0.015 0.01 0.005 0 0 1 2 3 4 5 6
Amplitude
Time (sec.)
di2 = Ri2 Ke 2 + e2 , dt K D . . T = ( p2 p1 ) + ( p2 p1 ), 2 2 p + p2 p3 = 1 . 2 Descripcin de la variables: D Amortiguacin de la cinta. = 20 N/ms, e1,2 Voltaje aplicado a los motores,(V) I1,2 Corriente en los motores, J Inercia del motor y la rueda, = 4 10 5 kg.m2, K Constante del resorte de la cinta, 4 10 4 N/m, Constante elctrica de los motores = 0.03 V.s, Ke Kt Constante de torque de los motores = 0.03 V.s, L Inductancia de la armadura= 10-3H, R Resistencia de armadura=1, r radio de las ruedas de los transportadores,0.02m, T Tensin de la cinta en el punto de la cabeza de lectura y escritura (N), p1,2,3 Posicin de la cinta en los transportadores y la cabeza, 1,2 Desplazamiento angular de los transportadores, 1,2 Velocidad angular de los transportadores. Tomando un factor de escala de 103 para el tiempo y 10-5 para la posicin, las ecuaciones de estado obtenidas son:
48 J. Espinosa
. p1 . .1 p2 . .2 i1 . i2
0 0.1 0 0.1 0 0
0 0.1 0 0.1 0 0
0 0.75 0 0 1 0
0 p1 0 0 1 0 0 p2 0 + 0.75 2 0 0 i1 1 1 i2 0
0 0 0 e1 , 0 e2 0 1
0.5 0.2
0 0.2
0 0
p1 1 0 p2 0 0 e1 + . 0 2 0 0 e2 i1 i2
0 0 0 0.75 0 1
0 0.07 . 15
0.26 . 015 . 164 . . 015 0.78 013 0.82 0.92 0.002 0.9 0.003 0.002 0.92 0.0024 0.89 0.04 . 013 . 189
0 0 0 . 015 0.75 0.082 0.94 0.25 0.97 0.23 0.95 015 .
0 0.5 0 0.2 0.2 0.2 1 0 1 0.31 0.31 0.04 0 0.25 0.25 0.22 0.062 0.224 0.04 0 0.04 0.026 0.049 0.026 0.018 0 0.018 . 0.005 011 0.11 0.034 0.034 0 0.0456 0.0217 0.0456
El rango de ambas matrices es seis lo que indica que el sistema es totalmente controlable y observable.
Step Response
From: U(1) 150 From: U(2)
To: Y(1)
100
50
Amplitude
Time (sec.)
Los polos deseados son: . ,116 . 0.451 0.937i,0.947 0.581i,116 Tomando una matriz G al azar: 0.8 0.22 2.17 1.01 0.51 0.59 G= 0.53 0.92 0.06 0.61 1.69 0.64 Resolviendo (Ecuacin de Sylvester en X) (3.3) para X con:
0 0 0 0 0.451 0.937 0.937 0.451 0 0 0 0 0 0 0 0.947 0.581 0 c = 0 0 0 0.581 0.947 0 0 0 0 0 0 . 116 0 0 0 0 1.16 0 se obtiene:
50 J. Espinosa 1.06 1.48 6.45 0.24 4.47 3.97 -0.93 0.16 -3.12 1.76 -2.59 -2.3 -2.00 -0.97 -0.52 -0.76 12.45 -4.35 X= 0.91 -0.72 0.46 0.21 -7.22 2.52 0.20 -0.77 1.99 -3.72 2.70 3.26 0.49 0.88 -1.05 -0.18 9.21 -3.53 Calculando la ley de control de acuerdo con la frmula K = GX 1 , se obtiene: 0.51 2.64 -0.08 K= 0.38 0.84 0.73 0.42 1.57 0.53 2.11 0.19 0.85
Mtodos de Asignacin de Polos 51 El diseo de dicho sistema involucra la creacin de una seal de error por cada variable de referencia que se introduzca al sistema. De hecho el orden del sistema en lazo cerrado se vera aumentado en un orden igual al nmero de seales de referencia que se introduzcan. El proceso de diseo del controlador ser idntico al presentado en las secciones anteriores ya que las ganancias de los integradores estarn determinadas por la realimentacin de estado. En la siguiente figura se muestra la descripcin del sistema con las seales de referencia incluidas. Es importante mencionar que en caso de que las especificaciones de control demanden el seguimiento de seales de tipo rampa con cero error de estado estacionario, se debern incluir mas integradores. Por ahora nuestro estudio se limitar al seguimiento de referencias de tipo paso.
D
yref
v
Ki
1/s
B
-
1/s
A
K
Figura 3.8 Sistema con Realimentacin de Estado y Seal de Referencia incluyendo integradores para cero error de estado estacionario.
x = Ax + Bu y = Cx + Du e = yref y
donde yref , e p y p es el nmero de salidas del sistema Expandiendo la anterior expresin obtenemos en lazo abierto: x A 0 x B 0 e = C 0 e + D u + I yref
(3.4)
(3.5)
y = Cx + Du
Si calculamos una realimentacin de estado, esta tendr la siguiente forma
K T = [K
Ki ]
(3.6)
u = [K
x K i ] e
(3.7)
(3.8)
Si analizamos la situacin de estado estacionario y asumiendo que la realimentacin estabiliza el sistema obtendremos: 0 A BK BK i x( ) 0 (3.9) 0 = C + DK DK e() + I y ref () i
x ( ) DK i ] + [0]y ref () e( ) de la segunda fila de la matriz, se desprende: x ( ) 0 = [ C + DK DK i ] + y ref () e( ) y () = [C DK
(3.10)
3.4.3 Ejemplos
Calculando la K = [0 ... 0
acuerdo
con
la
frmula
Mtodos de Asignacin de Polos 53 observe que el ultimo termino corresponde a la ganancia del termino integral. La respuesta del nuevo sistema compensado alcanza un error cero de estado estacionario a una referencia paso, el sobrepico mximo no supera el 6%.
Respuesta paso de la posicion del carro 2 1.4
1.2
Sobrepico 6 %
Tss=1.12 sec
Amplitud
0.8
0.6
0.4
0.2
0.5
2.5
Pos Carro
0.8
0.6
0.4
0.2
0.5
2.5
54 J. Espinosa
0.5
2.5
Step Response
From: U(1) 1.5 From: U(2)
1 To: Y(1)
0.5
Amplitude
0 1.5
1 To: Y(2)
0.5
0 0 4 8 120 4 8 12
Time (sec.)
Figura 3.12 Respuesta paso del sistema de cinta en la figura superior el posicionamiento de la cabeza, figura inferior cambio en la tensin.
Senhales de Entrada- Paso en Posicion 0.8 0.6 Amplitud 0.4 0.2 0 -0.2 0 2 6 8 Tiempo (seg.) Senhales de Entrada- Paso en Tension 4 10 12 Motor 1 -- Motor 2
6 Tiempo (seg.)
10
12
Figura 3.13 Seales de control de los motores en las dos respuestas paso
56 J. Espinosa
& = Ax + Bu x
^ x es el valor estimado de x. El error de estimacin se define como: ~ x = xx Entonces el error estar gobernado por la dinmica: . ~ (0) x = A~ x ,~ x (0) = x(0) x Si A es estable, entonces el error de estimacin tiende a cero con la misma dinmica del sistema, en caso contrario no converger. No existe una forma de influenciar la dinmica del estimador de forma que la estimacin sea ms rpida, es por estas dos razones que este tipo de estimacin no es til en la prctica.
u(t)
. x=Ax+B u
x
C
y(t)
Proceso ^ x
. x=Ax+B u
Observador
(3.11)
donde L n p es la matriz que determina la realimentacin del error de salida ). ( y Cx Se define el error de estimacin como: ~ x = xx Entonces el error estar gobernado por la dinmica: . ~ (0) x = ( A LC ) ~ x ,~ x (0) = x(0) x Ya que la matriz A-LC gobierna la dinmica del error escogiendo un valor apropiado de L se puede lograr que el sistema sea estable y que tenga una convergencia ms rpida que la dinmica del proceso.
58 J. Espinosa
u(t)
. x=Ax+Bu
x C Proceso
. ^ x=Ax+Bu
y(t)
^ x C -
Observador
donde s1, s2,..,sn son las races del polinomio e(s) que es la ecuacin caracterstica del observador. Este problema es equivalente a hallar K = LT en: det( sI ( AT C T K )) = ( s s1 )( s s2 )...( s sn ) Claramente se puede ver que el problema es equivalente al problema de ubicacin de polos para el caso de control. Obsrvese que la matriz de controlabilidad de ( AT , C T ) , es la transpuesta de la matriz de observabilidad del sistema [A, B, C, D]. Mtodos similares a los utilizados en el problema de control de ubicacin de los polos sern aplicados al problema de diseo del observador
donde s1, s2,..,sn son las races del polinomio caracterstico e(s) del observador deseado. Los valores de la matriz L pueden ser calculados igualando trminos a ambos lados de la ecuacin. Este mtodo se vuelve tedioso para sistemas de orden superior a 3.
Ao T Co T Lo T
det( sI ( Ao T Co T Lo T )) = sn + (a1 + L1 ) sn 1 + (a2 + L2 ) sn 1 + ... + (an + Ln ) Dado que el polinomio caracterstico deseado tiene la forma:
L1 = a1 1 , L2 = a2 2 ,..., Ln = an n .
El procedimiento de clculo de L se puede resumir as: Transforme las matrices (A, C) a su forma cannica observable (Ao, Co). Halle la ley de control Lo utilizando el anterior procedimiento. Transforme Lo en L = To 1 Lo . En forma compacta el procedimiento de diseo es: 0 0 1 (3.12) L = e ( A) O . ., . 1 donde es la matriz de observabilidad y
e ( A) = A n + 1 A n 1 + 2 A n 2 +...+ n I
60 J. Espinosa La formula de Ackermann para observadores solo es aplicable a sistemas de una salida y no es aconsejable en sistemas de gran dimensin, ya que el clculo del polinomio e(A), puede generar errores numricos [10]. Para el caso de mltiples salidas la solucin de L no es nica.
1 1
...
, . ..
con valores propios: 1 j1 ,..., 1 ,... que son los polos deseados en el estimador. Visto que el tratamiento para las ecuaciones del estimador es anlogo al del diseo del controlador podemos decir que existe una transformacin de similaridad X tal que:
X 1 ( AT C T LT ) X = AT X X = C T LT X .
Esta ecuacin se puede plantear como:
A T X X = C T G , LT X = G.
(Ecuacin de Sylvester en X)
(3.13)
El procedimiento de clculo de L se puede resumir en tres pasos: Escoja un valor arbitrario de G. Resuelva la ecuacin de Sylvester en X. T Calcule la ganancia de realimentacin L = ( GX 1 ) . El mtodo puede fallar, encontrndose una matriz X no invertible en ese caso se debe realizar todo el procedimiento partiendo de una matriz G diferente.
Recuerde, que siempre ser posible encontrar una solucin para X si A y no tienen valores propios comunes.
. xa Aaa . = x b Aba
Aab xa Ba + u Abb xb Bb xa 0 xb
(3.14)
y= I
T = C
Cn
donde C es la
seudoinversa de C y Cn es una base del espacio de nulidad de C. Observe que xa son los estados medibles y xb son los estados que necesitan ser estimados, y = xa Si descomponemos las dinmicas de las variables medidas y las no medidas se obtiene:
Entonces podemos construir un estimador para los estados xb b = Abb x b + Aba y + Bbu + L ( y Aaa y Ba u Aab x b ) x el error de estimacin en este caso est dado por: . b = y b & Aab xb Aab x Aaa y Ba u Aab x
62 J. Espinosa Note que este estimador es poco inmune al ruido de medicin ya que involucra el b Ly clculo de la derivada de y. Para eliminar la derivada de y, definimos xc = x y el estimador toma la forma:
( 3.15)
Si definimos error de estimacin se define como: ~ b xb = xb x Entonces el error estar gobernado por la dinmica: . ~ xb = ( Abb LAab ) ~ xb El mtodo de diseo para los estimadores de orden reducido se puede resumir asi: Encuentre una transformacin T que convierta el sistema a la forma (3.14). Calcule la matriz L utilizando la frmula Ackermann si el sistema es SISO o ecuacin de Sylvester si es MIMO, substituyendo el par ( A, C ) por ( Abb , Aab ) . Aplique la transformacin T 1 para obtener los estados en las coordenadas originales.
Mtodos de Asignacin de Polos 63 poner los polos lo mas cerca posible al infinito, pero esta situacin convierte el estimador en un derivador haciendo el sistema sensible al ruido[5]. En forma analtica considere el sistema con ruido en el proceso w y ruido en el sensor v: . x = Ax + Bu u + Bw w, y = Cx + v La dinmica del error de estimacin ser:
. ~ x = ( A LC )~ x + B w w Lv
en este caso el valor de L est relacionado con la dinmica. Si L es grande la dinmica ser ms rpida, pero el ruido debido al sensor tambin aumentar.
3.7 Ejemplos
3.7.6 Carros Acoplados con Unin Flexible. [12]
Para el diseo de observadores se asumir que nicamente el segundo carro tiene potencimetro para medir la posicin. Entonces la matriz C del sistema se reduce a: C = [ 0 0 1 0] La matriz de observabilidad ser,
1 0 0 0 0 0 0 1 O= 76 0 76 0 76 0 0 76
El rango de la matriz es cuatro lo que indica que el sistema es totalmente observable. Se eligen los polos de observador 5 veces los deseados para el sistema en lazo cerrado:
20 27.29i, 60, 60
64 J. Espinosa
3.747 10 6 2.125 10 6 3.732 10 5 6867 6 6 6 9.043 10 3.732 10 5 9.043 10 2.174 10 e ( A) = 7.162 10 5 11598 3.404 10 6 2.692 10 5 7 6.304 10 6 1.994 10 7 3.404 10 6 1.994 10 en este clculo se puede observar nuevamente la desventaja del mtodo de Ackermann, que nos muestra valores con ordenes de magnitud claramente diferentes, lo cual puede generar problemas por errores de clculo. Calculando la ganancia del 0 0 1 L = e ( A) O .. , se obtiene: . 1 estimador de acuerdo con la frmula
2796.6 28612 L= 152.6 8294.4 La respuesta del estimador 1 0 1 0 ^ x (0) = y x(0) = ser: 1 0 1 0 vs. sistema con condiciones iniciales
Figura 3.17 Convergencia del estimador al estado x4 salida del sistema (-), estimador (._)
Mtodos de Asignacin de Polos 65 A continuacin se puede observar el efecto del ruido en el estimador calculado anteriormente y un estimador con los polos del orden de 10 veces los polos deseado en lazo cerrado,
Figura 3.18 Inmunidad al ruido. Estado original (--), estado estimado con polos 5 veces los polos de lazo cerrado (.), estado estimado con 10 veces los polos de lazo cerrado (-).
Escogiendo una matriz G arbitraria, 0.065 0.221 1.303 1.984 0.802 0.939 G= 0.943 0.241 . 1.017 0.228 1.731 1162 y construyendo una matriz e con los polos deseados para el estimador, 0 0 0 0 2.25 4.68 4.68 2.25 0 0 0 0 4.73 2.9 0 0 0 0 e = 2.9 4.73 0 0 0 0 0 5.8 0 0 0 0 5.8 0 0 0 0 0
66 J. Espinosa resolviendo la ecuacin de Sylvester para X y se calcula la ganancia del estimador T como L = ( GX 1 ) 10.5 120.32 51.01 64.4 35.89 111.22 L= 116.2 4.74 13.08 457.52 124.71 287.72 La respuesta del estimador 1 0 1 0 1 ^ 0 x (0) = y x(0) = ser: 1 0 1 0 1 0 vs. sistema con condiciones iniciales
A continuacin se puede observar el efecto del ruido en el estimador clculado anteriormente y un estimador con los polos del orden de 10 veces los polos deseado en lazo cerrado,
10 8 6 4 2 0 -2 -4 -6 -8
0.5
1.5
2.5
3.5
4.5
Figura 3.19 Inmunidad al ruido. Estado original (-), estado estimado con polos 5 veces los polos de lazo cerrado (.-), estado estimado (--).
Mtodos de Asignacin de Polos 67 En la siguiente figura se puede comparar la respuesta del sistema a la funcin paso con realimentacin de los estados generados por el estimador. Ahora se disear un observador de orden reducido, para disear el observador es necesario calcular la matriz de transformacin T de la siguiente forma: T = C
Cn
]
0 0 0 0 1 0 0 0 0 0 0 1
donde C es la seudoinversa de C y Cn es una base del espacio de nulidad de C. 0 1 1.25 0.5 0 1.25 0.5 0.707 0 1 1.25 0.5 T= 0.5 0.707 0 1.25 0 0 0 0 0 0 0 0
Las matrices transformadas sern: 0 0 1.414 0 0 0 0 0.15 0.15 0.67 0.35 0 A A 0 3 . 31 1 . 13 0 0 . 375 0 . 375 ab = At = T 1 AT = aa 0.25 0 0 0.53 0.53 Aba Abb 0 0 0.037 1 0.015 0.021 0 1 0 0 0.037 0.015 0.021
0 0 Ba 0 1 Bt = T B = = Bb 0 1 0 Ct = CT = CC 0 0 0 0 0 1
CCn = [ I 0]
Los polos del estimador de orden reducido sern los primeros cuatro del estimador de orden completo. 2.25 4.68i,4.73 2.90i Con estos datos se puede calcular la ganancia del estimador, resolviendo la ecuacin de Sylvester,
68 J. Espinosa . 11.24 5315 4.90 3.644 L= 1.31 93.38 . 25.53 5512 En la figura se puede observar la comparacin entre la estimacin de orden completo, la estimacin de orden reducido y el estado real del sistema
10
-2
-4
0.5
1.5
2.5
3.5
4.5
Figura 3.20 Estado x3 real (--) estimador de orden completo (.-) y estimador de orden reducido (.).
m x
mg F M
los parmetros del modelo son M= 10 kg m=M/10 kg l=1 m Las ecuaciones del sistema asumiendo un ngulo pequeo son:
( M + m) x + ml = F mx + ml = mg
&, , &] asuma Haga la descripcin de estado del sistema asumiendo como estados [ x, x como salidas medibles la posicin y el ngulo. Ubique los polos del sistema de forma que el tiempo de establecimiento del sistema sea tenga un tiempo de establecimiento de 2 seg y un amortiguamiento de = 0.5 . 1 Recuerde para un sistema de segundo orden con Ts = n
polos n j n 1 2 Simule el sistema en simulink y simule es sistema para las siguientes condiciones iniciales: [0.1,0,0,0] [0,0,0.1,0] 2- Disee un sistema de realimentacin de estado que estabilice el modelo de la caldera mostrado en los ejercicios del capitulo anterior y obtenga un tiempo de establecimiento de 250 s y un amortiguamiento razonable, simule la respuesta del sistema usando distintas condiciones iniciales de forma que cada vez un solo estado sea distinto de cero 3- Disee un sistema de realimentacin de estado para la columna de destilacin asumiendo que no existen retardos. 4- Para los siguientes sistemas introduzca referencias y verifique que el error de estado estacionario se reduce a cero: a. Pndulo invertido variable posicin del carro. b. Columna de destilacin Concentraciones c. Para la caldera En la Presin, contenido de O2 y demanda de vapor
70 J. Espinosa
5- Construya observadores que estimen los estados de las siguientes plantas. Use un factor 5 y un factor 10 para la ubicacin de los polos. Aplique ruido de medicin, a. Pndulo invertido b. Columna de destilacin c. Para la caldera 6- Aplique la realimentacin de estado obtenida en los numerales 1,2 y 3 utilizando los estados estimados por el observador diseado en el punto anterior, en lugar de los estados de la planta. Para la simulacin aada ruido a las mediciones y compare las respuestas con el sistema en el que se realimentaron los estados directamente.
Regulador Optimo Cuadratico Lineal 72 ptimos o filtros de Kalman y finalmente se estudiar la estructura conocida como regulador optimo cuadrtico Gaussiano.
J = x(t f ) Pf x(t f ) +
1 2 T
1 2
( x(t )
Qx(t ) + u (t ) T Ru (t ))dt
(4.1)
to
(4.2)
Las matrices Pf, Q y R son matrices positivas definidas, generalmente diagonales o cuando menos simtricas, que determinan la importancia de cada parmetro dentro de la funcin de costo. La matriz Pf indica la importancia del estado final, la matriz Q la importancia de los estados durante la transicin y R la importancia de la entrada. La formulacin del problema utilizando una matriz R distinta de cero, tiene particular importancia en la prctica ya que esta matriz nos limitar el valor de la entrada u, aplicada al sistema. El problema con las restricciones dadas puede ser formulado como una optimizacin sin restricciones utilizando el mtodo de los multiplicadores de Lagrange, (4.3) &T = H ; (t ) = P x(t ) f f f x H 0= , (4.4) u donde, T T 1 T (4.5) H=1 2 x Qx + 2 u Ru + ( Ax + Bu ) calculando las derivadas indicadas en (4.3) y en (4.4) se obtiene:
& = Qx AT
0 = Ru + B T u = R 1 B T
(4.6) (4.7)
73 J. Espinosa El problema se puede plantear como un sistema de ecuaciones diferenciales con dos puntos como condicin de frontera, . (4.8) x A BR 1 B T x = . A T Q
x(t o ) dado
(4.9)
La ecuacin (4.9) se conoce con el nombre de ecuacin matricial de Riccati. Esta ecuacin se puede resolver utilizando el mtodo del barrido. El mtodo consiste en integrar en sentido inverso (desde tf hasta to) la ecuacin de Riccati con valor inicial (t f ) = Pf x (t f ) , hasta obtener P(to) y ya que x(to) es conocido ser posible calcular (t o ) = P (t o ) x(t o ) . Con estos valores iniciales se puede integrar la ecuacin (4.8)y obtener los valores de (t ) y calcular la entrada ptima como,
Como se puede apreciar en (4.10) la entrada ptima est dada por una realimentacin de estado variable en el tiempo.
y la ley de control ser una matriz K = R 1 B T P invariante en el tiempo. La existencia de una solucin P nica para la ecuacin de Riccati est garantizada si el sistema
Regulador Optimo Cuadratico Lineal 74 (A,B) es estabilizable y (Q, A) es detectable. Adems esta solucin estabiliza el sistema, ya que los valores propios de la matriz, A BR 1 P se encuentran en la parte izquierda del plano complejo (ver detalles [2]). (4.12)
P A + AT P P BR 1 B T P + Q = [P
A BR 1 B T I I ] = 0 T Q A P
(4.13)
En esta representacin tenemos una matriz de 2n 2n asociada a la ecuacin de Riccati, esta matriz se conoce con el nombre de matriz de Hamilton,
A BR 1 B T H = AT Q
(4.14)
Algunas propiedades importantes de la matriz de Hamilton: Los valores propios de H son simtricos con respecto al eje imaginario. Existen las matrices X 1 , X 2 nn y X1 es invertible de forma que la matriz formada por X1 y X2 son los vectores propios de la matriz H, si (A, B) es estabilizable y (Q, A) detectable.
(4.15)
Entonces la solucin de la ecuacin de Riccati se obtiene por descomposicin de H en sus espacios propios, y la solucin es de la forma: P = X 2 X 11
4.2.4 Control Optimo en Sistemas Discretos
(4.16)
75 J. Espinosa El problema de control consiste en hallar las entradas u k ,k = 1,..., N de forma tal que la funcin de costo
J N = ( wk y k ) T ( wk y k )
k =0 N
(4.18)
sea minimizada, donde wk ,k = 1,..., N es una secuencia dada. Es claro, que entre ms pequeo sea el valor de JN, menor ser la diferencia entre yk y wk. La solucin puede ser obtenida en trminos de las siguientes ecuaciones de entrada y salida: 0 ... ... 0 H0 u0 y0 C H H0 ... ... 0 y CA u 1 .1 = . x + H H1 H0 ... 0 .1 0 2 (4.19) . . . . . . ... ... ... ... N ... u N 1 y N CA H0 ... ... H N 1 H N 2 y = O N x0 + H N u donde Hk son los parmetros de Markov, definidos como:
H 0 = D, H k = CA k 1 B,k = 1,2,..., N . La funcin de costo (4.18)se transforma en:
T T T T T T T J N = wT w + x0 OT N O N x0 + u H N H N u 2w O N x0 2w H N u + 2 x0 O N H N u derivando con respecto a u e igualando a cero se obtiene,
T T HT N H N u = H N w H N O N x0 La secuencia u* optima se puede obtener calculando la solucin de mnimos cuadrados de la ecuacin anterior.
Obsrvese que en este caso el valor de la entrada u no se encuentra limitado, esto quiere decir que la entrada u puede tomar valores muy grandes cosa que en la prctica no es posible por la saturacin del actuador. Es por ello, que se hace necesario formular el problema de control discreto en trminos anlogos a la formulacin en tiempo continuo.
Regulador Optimo Cuadratico Lineal 76 El problema de control consiste en hallar las entradas u k ,k = 1,..., N de forma tal que la funcin de costo,
JN =
1 T 1 N 1 T T x N Px N + x k Qx k + u k Ru k 2 2 k =0
(4.21)
sea minima. Aplicando el mtodo de los multiplicadores de Lagrange para integrar las restricciones del problema, la funcin de costo se convierte en:
JN =
1 T 1 N 1 T T x N Px N + x k Qx k + u k Ru k + T k +1 ( x k +1 + Ax k + Bu k ) 2 2 k =0
(4.22)
Donde k son nuevamente los multiplicadores de Lagrange. Derivando la funcin de costo con respecto a u k , k +1 y x k e igualando a cero se obtiene:
J N u k J N k +1 J N x k J N x N
T = uk R + T k +1 B = 0
= x k +1 + Ax k + Bu k = 0
T T = xk Q T k + k +1 A = 0
= Px N N = 0
Planteando el problema como un sistema de ecuaciones de diferencia con condiciones dos condiciones de frontera tenemos:
x k +1 A + BR 1 B T A T Q BR 1 B T A T x k = A T A T Q k +1 k x 0 dado
(4.27)
N = Px N k = Pk x k
La entrada ptima del sistema estar dada por: Ru k = B T Pk +1 x k +1
(4.28)
Ru k = B T Pk +1 ( Ax k + Bu k ) ( R + B T Pk +1 B)u k = B T Pk +1 Ax k
T 1 u k = S k+ 1 B Pk +1 Ax k
donde
S K = R + B T Pk B
(4.29) (4.30)
77 J. Espinosa
[P
1 T AT Pk +1 + Pk +1 BS k+ 1 B Pk +1 A Q x k = 0,k .
(4.32)
Ya que x k 0 entonces,
1 T Pk = AT Pk +1 + Pk +1 BS k+ 1 B Pk +1 A + Q.
(4.33)
(4.33) es una ecuacin de diferencia de Riccati. Usando el mtodo del barrido, resolvemos a partir de las condiciones de frontera. Del estado final
N = Px N = PN x N .
se pueden calcular todos los valores de Pk hasta P0. La entrada estar descrita como una realimentacin de estado, u k = K k xk , donde,
K k = ( R + B T Pk +1 B ) 1 B T Pk +1 A .
(4.34)
(4.35)
1 T xo Px 0 2
(4.36)
(4.39)
1
La solucin estabilizar el sistema si el par (A,B) es estabilizable y el par ( P 2 , A) es detectable. El costo ptimo ser
min JN =
1 T xo P x0 2
(4.40)
La solucin de la ecuacin algebraica de Riccati para el caso discreto, es similar a la explicada en el apartado 4.2.3.
4.3 Ejemplos
En este captulo se continuar con el estudio de los dos ejemplos mostrados en el captulo anterior. En este apartado se asumir que tenemos acceso a todos los estados y se calcularn leyes de control ptimas.
En la siguiente figura se pueden observar las respuestas de los dos sistemas, es claro que el segundo tiene una respuesta ms rpida, pero en la Figura 4.1 se puede apreciar que para lograr esa respuesta ms rpida se requiere una entrada con mayor amplitud. La seleccin de las matrices de costo esta basada en el compromiso entre una respuesta rpida pero sin saturar la entrada o consumir demasiada energa para llevar el sistema al estado deseado.
Figura 4.1 Respuesta del sistema para los dos controladores propuestos
Esto convierte el diseo en la tarea de encontrar los valores adecuados de Q y R que llenen las especificaciones de control.
J=
1 2
( y(t )
0
Q y (t ) + u (t ) T Ru (t ))dt
J=
1 2
( x(t )
0
C T Q Cx(t ) + u (t ) T Ru (t ))dt
Entonces Q ser de la forma: Q = C T Q C Como primera eleccin escogemos Q y R como: 2 0 1 0 Q' = ,R = 0 2 0 1 Entonces Q ser:
81 J. Espinosa 0.5 0.2 0 0.2 0.5 0.2 2 T Q = C Q' C = 0.2 0 0 0 0 0 0 0.08 0.58 0.08 0.08 0.42 0.08 Q= 0.08 0.08 0 0 0 0
0 0 0 0
0 0 0 0 0 0 0 0
Observe que Q no es diagonal, pero es positiva definida y simtrica. Resolviendo la ecuacin de Riccati para el Q y R dados, se obtiene: 1.02 1.73 0.84 P = 1.36 0.55 0.45 1.73 4.35 1.36 3.02 1.78 1.14 0.84 1.36 1.02 1.73 0.45 0.55 1.36 3.02 1.73 1.14 1.14 1.78 0.55 1.78 0.45 1.14 0.86 0.46 0.45 1.14 0.55 1.78 0.46 0.86
generando la ley de control: 0.55 1.78 0.45 1.14 0.86 0.46 K = 0.45 1.14 0.55 1.78 0.46 0.86 Con esta ley de control los polos de lazo cerrado quedan ubicados en:
- 1.3145 , - 0.6268 0.8650i, - 0.4056 0.7266i, - 1.0413
Si ahora escogemos un nuevo Q, 9 0 1 0 Q' = , R = 0 1 0 9 aplicando el mismo procedimiento anterior obtenemos una ley de control: 1.26 3.31 0.86 1.68 1.38 0.53 K = 0.86 1.68 1.26 3.31 0.53 1.38 y los polos de lazo cerrado para esta ley de control sern:
Las respuestas impulso de ambos sistemas se pueden observar en la Figura 4.3. En la Figura 4.4 se puede comparar las amplitudes de las entradas para los dos controladores propuesto, de nuevo, es claro, que el precio a pagar por un transiente corto es una entrada de mayor amplitud.
Figura 4.4 Salida del controlador del Sistema en Lazo Cerrado durante la respuesta impulso.
83 J. Espinosa
y (t ) = Cx (t ) + v(t ) y el estimador,
(4.41) (4.42)
& (t ) = Ax (t ) + L( y (t ) Cx (t )) + Bu u (t ) x
(4.43)
donde las seales w(t) representan las perturbaciones del sistema, v(t) representa el ruido en el sensor. Ruido y perturbaciones son modelados como ruido blanco, con amplitud unitaria y valor medio cero. Es importante aclarar, que en la realidad el ruido blanco no puede existir en sistemas continuos, ya que el ancho de banda del espectro del ruido blanco debe ser infinito y esto implica a su vez un ruido con contenido de energa infinito. Sin embargo, en la prctica el ruido tiene un ancho de banda mucho mayor al del sistema en estudio y por eso es correcto asumir en trminos prcticos que la seal se puede modelar como un ruido blanco. Como se mencion en el prrafo anterior el ruido se asume blanco no correlacionado con los estados ni con la salida. Lo cual implica que:
donde {.} es el valor esperado. Estas condiciones se conocen tambin como condiciones de ortogonalidad del ruido con respecto a los estados y la salida. De otra parte la covarianza del ruido se define como: {v (t )v (t ) T } = Rv (4.47) (4.48) (4.49)
{w(t ) w(t ) T } = R w
{v(t ) w(t ) T } = 0
El problema consiste ahora en encontrar un valor ptimo de L de forma que la funcin de costo,
(4.50)
sea minimizada. Si la estimacin es ptima, el error de estimacin no tendr ninguna relacin con la salida medida, (4.51) (t )) y ( ) T } = 0 {( x(t ) x reemplazando (4.42) en (4.51) (4.52) (t ))( x( ) T C T + v( ) T )} = 0 {( x(t ) x expandiendo la expresin se obtiene: (4.53) (t )) x( ) T }C T + {x(t )v( ) T } {x (t )v( ) T } = 0 {( x(t ) x 14243 (t )) x( ) }C T = {x (t )v( ) T } {( x(t ) x
T
=0
(t ) = (t ,0) x (0) + (t , ) Bu u ( )d + (t , ) L( ) y ( )d x
0 0
(4.54)
(t , ) = e A(t )
donde la matriz L se asume variante en el tiempo.
(t ) en (4.53) se obtiene: Reemplazando la expresin (4.54) para x
(t )) x( ) T }C T = {( x(t ) x
T (0) + (t , ) Bu u ( )d + (t , ) L( ) y ( )d v( ) (t ,0) x t t
(4.55)
0
(t )) x( ) T }C T = {( x(t ) x
(0) v( ) T + (t , ) Bu u ( )d v( ) T (t ,0) x 1 4 2 4 3 0 1 4 2 4 3
=0
(4.56)
+ (t , ) L( ) y ( )v( ) T d
0
=0
(4.57)
=0
lo cual es igual a:
85 J. Espinosa
(t )) x( ) T }C T = (t , ) L( ) Rv ( )d {( x(t ) x
t 0
(4.58)
(4.59)
(4.60)
donde Q (t ) es la matriz de covarianza del error de estimacin. De esta forma la matriz L (t ) que genera una estimacin optima estar dada por: 1 (4.61) L (t ) = Q (t )C T R v La matriz de covarianza Q (t ) del error de estimacin se obtiene a partir de la ecuacin diferencial que gobierna el error de estimacin y que esta dado por la resta entre la ecuacin (4.41) menos (4.43). (4.62) w(t ) & (t ) = ( A L(t )C )e(t ) + [Bw L(t )] &(t ) = x & (t ) x e v(t ) La matriz Q (t ) de covarianza del error estar gobernada por la ecuacin: & (t ) = Q (t )[ A L(t )C ]T + [ A L(t )C ]Q(t ) (4.63) Q + [Bw
0 Bw T R L(t )] w T 0 Rv L(t ) reemplazando L (t ) de la expresin (4.61) en (4.73) obtenemos & (t ) = Q(t ) AT + AQ(t ) + B R B T Q(t )C T R 1CQ(t ) Q
W w x v
(4.64)
Aplicando un procedimiento similar al aplicado para resolver ley de control ptima descrito en la seccion 4.2.3 y resolviendo Q , el valor ptimo de L para la ganancia del estimador est dado por:
L = QC T Rv1
(4.66)
Uno de los problemas encontrados en el diseo de estimadores ptimos, tiene que ver con las imprecisiones en el modelo de la planta, este problema puede ser corregido aumentado el valor de la covarianza Rw. Entre ms grande sea el valor de Rw se asume mayor incertidumbre eso hace que el estimador sea mas lento pero mas robusto. Este truco es utilizado para robustificar soluciones optimas de control en la literatura se hace referencia a esta estrategia como Loop Transfer Recovery (LTR).
Para el caso de un observador variante en el tiempo la ganancia del observador est dada por:
Lk = AQk C T ( Rv + CQk C T ) 1
(4.69)
Donde Qk es una matriz simtrica, positiva semidefinida, que representa la matriz de covarianza del error de estimacin y est dada por la solucin de la ecuacin de diferencia de Riccati,
T Qk +1 = AQ k AT AQk C T ( Rv + CQ k C T ) 1 CQ K A T + B w R w B w
(4.70)
Para el caso invariante en el tiempo tomamos el valor de Q de estado estable y la ecuacin de diferencia se convierte en una ecuacin algebraica de Riccati, de la forma.
T Q A Q A T + A Q C T ( R v + C Q C T ) 1 C Q A T B w R w B w =0
(4.71)
L = AQ C T ( Rv + CQ C T ) 1
(4.72)
Existen otras formulaciones ms detalladas para el filtro de Kalman, la formulacin es basada en la posibilidad de plantear el problema de estimacin como un problema de mnimos cuadrados [10].
87 J. Espinosa Para este caso de nuevo asumimos la misma condicin descrita en el captulo anterior para el diseo de observadores. La condicin consiste en asumir como nica salida la posicin del segundo carro. Suponiendo Bw=B. Asumiendo, Rw = 0.7,Rv = 1 Resolviendo la ecuacin de Riccati se obtiene 1.92e 01 1.84e 02 Q= 1.92e 01 1.9e 02 1.84e 02 1.42e 01 1.83e 02 1.21e 05 1.92e 01 1.9e 02 1.83e 02 1.21e 5 1.95e 01 1.89e 02 1.89e 02 2.39e 01
L = QC T Rv
Figura 4.5 Comparacin en la estimacin con ruido, (-)estado real, (--) estimador con polos 10 veces los polos de lazo cerrado, (.-) estimador con 5 veces los polos de lazo cerrado, (+) estimador ptimo.
Suponiendo que la precisin RMS de la posicin de la cinta es 2.10-5 y la precisin RMS de la medida de tensin de la cinta es 0,01N la matriz de covarianza de v ser, 0 4 Rv = 0 0.0001 La matriz de covarianza de w est dada como 0 0.001 Rw = 0.001 0 resolviendo la ecuacin de Riccati, se obtiene, 2.23e 1 3.16e 3 2.22e 1 Q= 3.02e 3 2.39e 4 1.07e 4 3.16e 3 4.81e 4 3.02e 3 3.35e 4 2.22e 4 5.33e 5 2.22e 1 3.02e 3 2.23e 1 3.16e 3 1.07e 4 2.39e 4 3.02e 3 3.35e 4 3.16e 3 4.81e 4 5.33e 5 2.22e 4 2.39e 4 2.22e 4 1.07e 4 5.33e 5 4.75e 4 1.65e 5 1.07e 4 5.33e 5 2.39e 4 2.22e 4 1.65e 5 4.75e 4
Con la solucin Q se calcula la ganancia L, 5.56e 2 1.67 7.74e 4 0.571 5.56e 2 1.67 = 7.74e 4 0.571 4.32e 5 0.602 4.32e 5 0.602
L = QC T Rv
89 J. Espinosa
Figura 4.6 Comparacin en la estimacin con ruido, (-)estado real, (--) estimador con polos 10 veces los polos de lazo cerrado, (.-) estimador con 5 veces los polos de lazo cerrado, (..) estimador ptimo.
Estos elementos permiten la construccin de un compensador como se muestra en la Figura 4.7 basado en los datos de salida. Sin embargo, la pregunta que surge es: si el compensador construido con una ley de realimentacin de estado ptima y con un estimador ptimo es a su vez ptimo?
(4.73)
y (t ) = Cx (t ) + v(t ) donde w y v son ruido blanco con covarianzas Rw y Rv respectivamente, no correlacionados. Encontrar la entrada u que minimiza la funcin de costo
J = lim
1 T 2T
(x(t )
Qx(t ) + u (t ) T Ru (t ) dt
(4.74)
Con matrices Q y R simtricas, positivas definidas. La solucin ptima est dada por
(t ) u (t ) = K x
(4.75)
91 J. Espinosa
donde,
K = R 1 Bu P
T
(4.76)
PA + AT P PBR 1 Bu P + Q = 0
T
(4.77)
(4.78)
(4.79)
(4.80)
& (t ) = [ A Bu K LC ]x (t ) + Ly (t ), x (t ) u (t ) = Kx
el sistema en lazo cerrado ser
& A Bu K x Bw x = + 0 x & LC A Bu K LC x C 0 x 0 I w y= + 0 0 v 0 0 x 0 w L v
(4.81)
(4.82)
(4.83)
Regulador Optimo Cuadratico Lineal 92 Se puede observar claramente que los valores propios del sistema en lazo cerrado est dado por los valores propios del sistema compensado por realimentacin de estado y los valores propios del estimador. Esta caracterstica es conocida como Principio de Separacin. Y este principio permite disear compensadores ptimos, diseando de forma independiente la ley de control ptima por realimentacin de estado (LQR) y el compensador ptimo (Filtro de Kalman). Entonces los elementos de diseo sern las matrices Q, R, Rw y Rv. No existen procedimientos sistemticos para la seleccin de estas matrices, sin embargo, es importante resaltar que una buena seleccin las matrices Rw y Rv ayuda a compensar los errores en el modelo, en tanto que la seleccin las matrices Q y R nos permiten mantener los estados del sistema lo ms cercano posible al punto de operacin aumentando la validez de modelos linealizados alrededor de un punto de operacin, minimizando el esfuerzo de control.
4.7 Ejemplos
En esta seccin de ejemplos se muestran los compensadores obtenidos al combinar para cada caso la ley de control ptima con el estimador ptimo calculados en los apartados anteriores.
93 J. Espinosa
La explicacin para esta situacin es la siguiente, cuando se realiza el diseo del controlador LQR no se toma en cuenta el ruido en el sistema, por eso el diseo del controlador gener unos polos de frecuencia mayor a los polos del estimador, dejando como polos dominantes los polos del estimador. Como conclusin de este ejemplo podemos sacar que el principio de separacin es una herramienta que permite calcular de manera simple las ganancias del controlador y el estimador, sin embargo, el principio de separacin no nos garantiza que el desempeo del sistema combinado sea el mismo que se obtuvo cuando se realizaron los clculos de controlador y estimador por aparte. El procedimiento obvio es colocar nuestros requerimientos de control dentro de los limites alcanzables y recalcular el controlador, si el controlador no cumple con las especificaciones deseadas, se hace necesario reducir el ruido en el sistema. Para reducir el ruido se debe apelar a dos estrategias una es mejorar el modelo del sistema y la otra es mejorar la calidad de los sensores utilizados o su nmero, es decir medir ms estados. Para el presente caso se recalcular el controlador con unas nuevas matrices de costo, 1 0 0 0 0 1 0 0 , R = [1] Q= 0 0 1 0 0 0 0 1
la respuesta de se observa en la Figura 4.9 y es claramente no satisfactoria por ello tomando un nuevo sensor y aumentando el margen de confianza en nuestro modelo. Se utiliz para el diseo las matrices de costo y covarianza, 1000 0 Q= 0 0 0 0 0 1 0 0 , R = [1], Rw = 7e 02, Rv = 1e 03 0 1000 0 0 0 1
A pesar de que en este ejemplo se variaron de forma arbitraria los parmetros de covarianza del ruido, no se debe olvidar que estos parmetros son dados por la calidad de los sensores y el modelo y por ello no son de libre eleccin en el diseo del compensador, los cambios en estos parmetros deben venir acompaados de cambios en el modelo y en el sensor.
95 J. Espinosa
En la figura es claro nuevamente que los valores propios del estimador, dominan la dinmica del sistema, sin embargo la diferencia en la respuesta no es muy grande y el diseo LQG es menos sensible a las perturbaciones que el diseo realizado por el mtodo de ubicacin de los polos, como lo muestra la Figura 4.12.
Figura 4.12 Desempeo del sistema LQG (-) vs. Mtodo de ubicacin de polos en presencia de ruido.
97 J. Espinosa
Bibliografa
[1] R.E.Kalman, Y.C.Ho, and K.S.Narendra, Controllability of linear dynamical systems Contributions to Differential Equations, vol. 1, no.2, pp.189-213, 1963. [2] O.I.Elgerd, Control Systems Theory, 1 ed., Ed.McGrawHill, 1967. [3] B.DeMoor,Y.Cheng, P.DeGersem and K.Eneman, Computer Aided Control Systems Design, Course Notes. ESAT-SISTA Katholieke Universiteit Leuven, 1996. [4] J.C.Willems and S.K. Mitter, Controllability, Observability, Pole Allocation and State Reconstruction, IEEE Transactions on Automatic Control,vol.16, no.6, pp.582-595 [5] D.G. Luenberger, An Introduction to Observers, IEEE Transactions on Automatic Control,vol.16, no.6, pp.596-602 [6] K.Zhou, J.C. Doyle and K. Glover, Robust And Optimal Control, Ed. Prentice Hall, preprint. 1995 [7] W.M.Wonham, On Pole Assignment in Multi-Input Controllable Linear Systems, IEEE Transactions on Automatic Control,vol.12, no.6, pp.660-665 [8] R.C.Dorf, Modern Control Systems, 6 Ed., Ed.Addison Wesley, 1992 [9] A.Grace, A.J.Laub, J.N.Little y C.M. Thompson, Control System Toolbox Users Guide, Mathworks Inc. 1992 [10] P.Van Dooren, Numerical Linear Algebra for Signals Systems and Control, Draft notes for the Graduate School in Systems and Control, Blgica, 1995 [11] R.A.Horn, C.R. Johnson. Matrix Analysis. Cambridge University Press, Cambridge. 1990 [12] J. Apkarian.A comprehensive and modular laboratory for control systems design and implementation. Quanser Consulting, 1995 [13] T. Kailath. Linear Systems, Ed. Prentice Hall, USA, 1980 [14] F.G. Shinskey. Process Control Systems: Application Design and Tuning, Ed McGraw-Hill, 4 ed. USA, 1996 [15] V. Kucera. Analysis and Design of Discrete Linear Control Systems, Ed Academia, Praga, 1991
Regulador Optimo Cuadratico Lineal 98 [16] A. Preumont. Vibration and Control of Active Structures: An introduction, Ed. Kluwer Academic, Netherlands, 1997 [17] P. Desphande. Multivariable Process Control, Instrument Society of America, USA, 1989 [18] A. Bryson Jr, Y-C Ho. Applied Optimal Control: optimization, estimation and control, Hemisphere Publishing Corp., USA, 1975 [19] S. Skogestad, I. Postlethwaite. Multivariable Feedback Control: Analysis and Design, Ed. John Wiley & Sons, England, 1996