Not As Control

Analisis de Sistemas de Control
Nicanor Quijano
c Borrador Editado 30 de abril de 2010
Indice general
Contenido
Prefacio
1. Introducci
on
1.1. Que es Retroalimentacion? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Que es Control? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Historia del Control Automatico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1. Inicios del Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2. Perodo Pre-Clasico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3. Perodo Clasico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4. Control Moderno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Ejemplos de Sistemas de Control Retroalimentado y Future Directions . . . . . . . . . . . . .
2. Modelamiento de Sistemas
2.1. Filosofa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Principios de Modelamiento Matematico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.1. Esquema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3. Sistemas de Primer Orden y Controlador ON-OFF . . . . . . . . . . . . . . . . . . . . . . . .
15
2.4. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4.1. Transformada Unilateral de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4.2. Propiedades de la Transformada de Laplace
. . . . . . . . . . . . . . . . . . . . . . .
19
2.4.3. Solucion de ODEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
2.5. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.6. Linealizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.7. Diagramas en Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.7.1. Combinacion en Serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.7.2. Combinacion en Paralelo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.7.3. Puntos de Partida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.7.4. Bloques con Sumadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
INDICE GENERAL
ii
2.7.5. Sistemas Retroalimentados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.7.6. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.8. Ley de Mason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3. Caractersticas de los Sistemas
37
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.2. Se
nal de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.3. Sensitividad de Sistemas de Control para Variaciones de Parametros . . . . . . . . . . . . . .
38
4. Respuesta de los Sistemas
41
4.1. Sistemas de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4.1.1. Entrada paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4.1.2. Entrada rampa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.2. Sistemas de Segundo Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.2.1. Respuesta a Entrada Paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
4.2.2. Caractersticas Temporales del Sistema Subamortiguado . . . . . . . . . . . . . . . . .
48
4.3. Sistemas de Orden Superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.4. Ubicacion de las Races en el Plano-s y la Respuesta Transitoria . . . . . . . . . . . . . . . .
55
5. Estabilidad de los Sistemas
57
5.1. Criterio de Estabilidad Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
5.1.1. Robustez y Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
6. Sistemas de Control Retroalimentado
65
6.1. Analisis de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
6.2. Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.2.1. Controlador Proporcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.2.2. Controlador Proporcional e Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.2.3. Controlador Proporcional, Integral, y Derivativo . . . . . . . . . . . . . . . . . . . . .
68
6.2.4. Controlador Proporcional y Derivativo . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
6.2.5. Implementacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
6.2.6. Sintetizando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
6.3. Sintonizacion de Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
6.3.1. Sintonizacion de Controladores PID: Metodo Manual . . . . . . . . . . . . . . . . . . .
70
6.3.2. Sintonizacion de Controladores PID: Ziegler/Nichols . . . . . . . . . . . . . . . . . . .
71
6.3.3. Sintonizacion de Controladores PID: Cohen y Coon . . . . . . . . . . . . . . . . . . .
73
6.3.4. Sintonizacion de Controladores PID: Metodo del Coeficiente de Ajustabilidad . . . . .
73
6.3.5. Sintonizacion de Controladores PID: Internal Model Control (IMC)
. . . . . . . . . .
73
6.3.6. Sintonizacion de Controladores PID: Sntesis Directa . . . . . . . . . . . . . . . . . . .
73
6.4. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
INDICE GENERAL
iii
6.5. PID Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
6.6. Criterios de Desempe

no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
6.7. Dise
no con Pole Placement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
7. Variables de Estado: Introducci

on
81
7.1. Definicion de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
7.1.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
7.1.2. ODEs Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
7.2. Representacion y Solucion de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . .
84
7.2.1. Representacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
7.2.2. Solucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
7.3. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
7.4. Formas Canonicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
7.4.1. First Companion Form: Forma Canonica Controlable . . . . . . . . . . . . . . . . . . .
93
7.4.2. Second Companion Form: Forma Canonica Observable . . . . . . . . . . . . . . . . . .
94
7.4.3. Jordan Form . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
7.5. Equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
7.6. Estabilidad y Acotamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

7.6.1. Conceptos Locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.6.2. Conceptos Globales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8. Variables de Estado: Dise

no
105
8.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

8.2. Transformacion de las Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.3. Dise
no de Controladores Utilizando State Feedback . . . . . . . . . . . . . . . . . . . . . . . . 109
8.4. Dise
no de Estimadores en el Espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.5. Integrated Full-State Feedback and Observer . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9. Control Multivariable
119
9.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

9.2. Analisis de los Sistemas Multivariables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.2.1. Representacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.2.2. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.2.3. Problemas de Interaccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.2.4. Relative Gain Array . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.2.5. Seleccion de Lazos Utilizando RGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.3. Control Multivariable Desacoplado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
iv
INDICE GENERAL
Indice de figuras
1.1. Sistemas de malla abierta a), y de lazo cerrado b). . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Componentes de un sistema de control asistido por computador [32]. . . . . . . . . . . . . . .
2.1. Primeros pasos en el dise

no de un sistema de control [27]. . . . . . . . . . . . . . . . . . . . .
2.2. Otra metodologa en el modelamiento de procesos [27]. . . . . . . . . . . . . . . . . . . . . . .
10
2.3. Tanque de flujo continuo perfectamente agitado. . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.4. Respuesta a entrada paso de un sistema de primer orden. . . . . . . . . . . . . . . . . . . . .
15
2.5. Sistema termico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.6. Ejemplo de un sistema de control on-off. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.7. Transformadas tpicas de Laplace [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.8. Sistema Masa-Resorte-Amortiguador [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.9. Representacion del sistema en el plano-s [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.10. Representacion del sistema en el plano-s [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.11. Representacion como vara en el plano-s cuando n se mantiene constante [7]. . . . . . . .
28
2.12. Respuesta en tiempo del sistema masa-resorte-amortiguador [7] . . . . . . . . . . . . . . . . .
28
2.13. Sistema masa-resorte-amortiguador [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.14. Representacion del sistema en terminos de la variable desviacion [31] . . . . . . . . . . . . . .
30
2.15. Algunas reglas u

tiles cuando se manejan diagramas en bloques [31, 22].
. . . . . . . . . . . .
33
2.16. Combinacion Serie [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.17. Ejemplo de puntos de partida [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.18. Ejemplo de puntos de partida [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.19. Ejemplo del algebra de bloques [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.20. Ejemplo del algebra de bloques [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.21. Ejemplo del algebra de bloques para sistemas retroalimentados [7]. . . . . . . . . . . . . . . .
35
4.1. Diversos tipos de entradas comunes en el analisis de sistemas de control. . . . . . . . . . . . .
42
4.2. Respuesta a entrada paso del sistema de primer orden (4.1) cuando K = 1, y = 10. La lnea
punteada roja representa el valor final cuando se ha cumplido el primer , mientras que la
punteada negra representa el valor final cuando se han cumplido 2 . . . . . . . . . . . . . . .
43
4.3. Respuesta a entrada rampa del sistema de primer orden (4.1) cuando K = 1, y = 10 para
el panel superior, y = 1 para el panel inferior. . . . . . . . . . . . . . . . . . . . . . . . . . .
44
vi
INDICE DE FIGURAS
4.4. Sistema de segundo orden [7]. En a) se tiene el grafo, mientras que en b) el diagrama en bloques. 44
4.5. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3). En este caso, se
tiene que = 0 para el panel superior izquierdo, = 0,2 para el panel superior derecho,
= 0,4 para el panel inferior izquierdo, y = 0,8 para el panel inferior derecho. En todos los
casos, wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
4.6. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 1 y
wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
4.7. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 2 y
wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
1 2. .
49
4.9. Curvas envolventes para la respuesta a entrada paso del sistema de segundo orden [22]. . . . .
50
4.10. Respuesta a entrada paso del sistema de segundo orden descrito por (4.7). En este caso,
K1 = 1, wn = 23,53, and = 0,46. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
4.11. Relacion entre M P y . Ademas, se incluye la relacion entre wn tp y el factor de amortiguamiento [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
4.12. Diagrama en bloques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.13. Respuesta a entrada paso del sistema de segundo orden dise

nado para obtener los parametros
MP y tp definidos en el ejercicio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.14. Ubicacion de polos de un sistema de tercer orden en el plano-s [7]. . . . . . . . . . . . . . . .
53
4.15. a) Porcentaje de overshoot como funcion de y n cuando un sistema de segundo orden posee
un cero. b) Respuesta a entrada paso para diversos valores de a/(n ). A=5, B=2, C=1,
D=0.5, cuando = 0,45 [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
4.16. Ubicacion de los polos y ceros en el plano-s para un sistema de tercer orden [7]. . . . . . . . .
55
4.17. Respuesta a entrada paso para un sistema de tercer orden con un cero. Si se desprecia el polo
(-), el overshoot es mayor, pero su ts es menor. Si no se desprecia (), se tiene que el overshoot
disminuye, haciendo que el tiempo de establecimiento aumente. . . . . . . . . . . . . . . . . .
55
4.18. Respuesta impulso para varias ubicaciones de las races en el plano-s. El complejo conjugado
no se muestra [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
5.1. Sistema retroalimentado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
5.2. Dise
nar Kc para que el sistema sea estable . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
5.3. Sistema con tiempo muerto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
6.1. Sistema de control tpico. La referencia o el set point viene siendo R(s), mientras que la
variable controlada es C(s). La perturbacion es D(s). . . . . . . . . . . . . . . . . . . . . . . .
66
6.2. Sistema retroalimentado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6.3. Proceso de tomar una se

nal continua y(t) que es generada por el proceso, y convertirla en una
secuencia de n
umeros y[n]. El computador toma una decision y la convierte en otra secuencia
de n
umeros u[n], los cuales se convierten luego en una se
nal continua u(t) que act
ua sobre el
proceso. Figura adaptada de [2]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
6.4. Figura adaptada de [2]), la cual muestra el efecto de aliasing utilizando dos diferentes se
nales
x1 (t) = sin(2f1 t) (punteada) and x2 (t) = sin(2f2 t) (solida), con sus respectivas frecuencias (f1 = 0,1 Hz, f2 = 0,9 Hz, y fs = 1 Hz). Este es un excelente ejemplo de como el aliasing
puede afectar la reconstruccion perfecta de las se
nales . . . . . . . . . . . . . . . . . . . . . .
78
4.8. Ubicacion de los polos en el plano-s [7]. Para este caso = , = w n , y wd = wn
INDICE DE FIGURAS
vii
7.1. Modelo mecanico que corresponde a una masa, sujetada por un amortiguador y un resorte.
La posicion esta dada por y, y se le aplica una fuerza inicial f0 . . . . . . . . . . . . . . . . . .
83
7.2. Modelo en Simulink que corresponde a la Figura 7.1. . . . . . . . . . . . . . . . . . . . . . . .
84
7.3. Simulacion en Simulink del sistema descrito en la Figura 7.1. Para este caso se utilizaron los
parametros f0 = 5N, M = 2kg, k = 16N/m, y cuatro valores para b. En la parte superior
izquierda, se tiene b = 2N.s/m; en la parte superior derecha, se tiene b = 4N.s/m; en la parte
inferior izquierda, se tiene b = 8N.s/m; y en la parte inferior derecha, se tiene b = 16N.s/m.
En todos los casos se tiene que posicion esta dada por la lnea (-), mientras que la velocidad
es la lnea punteada (- -). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
7.4. Simulacion en Simulink del sistema descrito en la Figura 7.1, cuando u

nicamente se aplica una
fuerza f0 durante un determinado tiempo. Para este caso se utilizaron los parametros f 0 = 5N,
M = 2kg, k = 16N/m, y b = 2N.s/m. La posicion esta dada por la lnea (-), mientras que la
velocidad es la lnea punteada (- -). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
7.5. Diagrama en bloques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
7.6. Representacion en diagramas en bloques de la Ecuacion (7.22). Figura tomada de [12].
. . .
93
7.7. Representacion en diagramas en bloques de la Ecuacion (7.23). Figura tomada de [12]. . . . .
94
7.8. Representacion en diagramas en bloques de la forma canonica controlable. Figura tomada de

[12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
7.9. Representacion en diagramas en bloques de la forma canonica de Jordan cuando las races son
diferentes. Figura tomada de [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
7.10. Representacion en diagramas en bloques de la forma canonica de Jordan cuando las races son
repetidas. Figura tomada de [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
7.11. SISL de un punto de equilibrio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

7.12. ES de un punto de equilibrio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.13. UUB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.1. Diagrama en bloques para (8.1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.2. Realimentacion de estado por medio de una ganancia K. . . . . . . . . . . . . . . . . . . . . . 109
8.3. Comportamiento de la definicion de controlabilidad en R3 . . . . . . . . . . . . . . . . . . . . . 110
8.4. Realimentacion de estado con referencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.5. Realimentacion de estado por medio de una ganancia K. . . . . . . . . . . . . . . . . . . . . . 114
8.6. Observador asociado con la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.7. Observador asociado con la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
viii
INDICE DE FIGURAS
Indice de Tablas
6.1. Valores de los parametros de los controladores para el metodo de malla cerrada. . . . . . . . .
71
6.2. Valores de los parametros de los controladores para el metodo de malla abierta. . . . . . . . .
72
6.3. Valores de los parametros de los controladores para el metodo de Cohen y Coon. . . . . . . .
73
6.4. Valores de los parametros de los controladores para el metodo del coeficiente de ajustabilidad . 73
ix
INDICE DE TABLAS
Prefacio
Estas notas de clase son para uso exclusivo de la clase. Este es un primer borrador, el cual contiene
muchos errores de toda ndole. En muchos casos no le doy el credito correspondiente a algunos resultados.
Sin embargo, una falta de referencia no significa que los resultados sean del todo originales. En efecto, todos
los resultados presentados en estas notas han sido tomados de libros y artculos que no necesariamente son
mos (a excepcion de algunos ejemplos).
INDICE DE TABLAS
Captulo 1
Introducci
on
Whenever you feel like criticizing any one,-he told me,- just remember that all the people in the world
havent had the advantages that youve had.
The Great Gatsby, F.S. Fitzgerald
El curso de sistemas de control se basa en un principio basico: retroalimentaci

on 1 . En esta primera entrega
se brindan las definiciones necesarias para entender un sistema de control retroalimentado, ademas de una
historia breve del control automatico y el futuro del area. Las siguientes notas han sido adaptadas a partir
de varios textos de control (e.g., [32], [12], [3], and [21]).
1.1.
Qu
e es Retroalimentaci
on?
El termino retroalimentacion se utiliza para referirse a una situacion en la cual uno tiene dos (o mas)
sistemas dinamicos2 interconectados de tal forma que cada sistema influye al otro y a sus dinamicas. Este
termino fue originalmente un neologismo introducido en los a
nos 1920s por parte de los ingenieros electronicos
(con enfasis en sistemas radiales) para describir los efectos que se producen cuando la se
nal amplificada de
salida afecta los circuitos de entrada.
En la vida diaria se pueden encontrar varios ejemplos. Gracias al mecanismo de retroalimentacion, un
mamfero puede mantener la temperatura corporal constante (dentro de un rango) independientemente de
los cambios de la temperatura ambiente. Otro ejemplo en el ambito de la ingeniera lo encontramos en la
parte aeronautica. Un avion puede mantener su altitud y velocidad (ademas de aterrizar) sin que el piloto
intervenga. El mecanismo basico en este caso es nuevamente retroalimentacion.
Graficamente, la Figura 1.1 ilustra en forma de diagrama de bloques el concepto principal detras de un
sistema retroalimentado. Normalmente, se utilizan los terminos de malla abierta y lazo cerrado 3 . Un sistema
se dice que es de lazo cerrado si los sistemas estan interconectados en forma cclica, tal como lo muestra la
Figura 1.1b). Si la interconexion se rompe, entonces estamos hablando de sistemas en malla abierta como lo
muestra la Figura 1.1a).
La retroalimentacion tiene muchas propiedades interesantes. Por ejemplo, la retroalimentacion permite
que un sistema se vuelva menos sensible a perturbaciones externas, a las variaciones de los elementos que
componen los equipos, o tambien puede servir para crear un comportamiento lineal a partir de un sistema no
lineal (practica muy utilizada en componentes electronicos). Sin embargo, si la retroalimentacion se emplea
de forma incorrecta, se pueden generar inestabilidades en el sistema. Por ejemplo, un ruido indeseado de
1 En ingl
es se conoce como feedback. El diccionario Merriam Webster define el t
ermino como: The return to the input of a
part of the output of a machine, system, or process (as for producing changes in an electronic circuit that improve performance
or in an automatic control device that provide self-corrective action) [1920]
2 Un sistema cuyo comportamiento cambia con el tiempo debido a una respuesta o a un est
mulo externo es un sistema
din
amico.
3 En ingl
es, los t
erminos utilizados son open loop y closed loop, respectivamente

CAPITULO 1. INTRODUCCION
Sistema 1
Sistema 2
a) Sistema de malla abierta
Sistema 2
Sistema 1
b) Sistema de lazo cerrado
Figura 1.1: Sistemas de malla abierta a), y de lazo cerrado b).

un sensor sera amplificado por la retroalimentacion, por lo que se necesitara un filtro que responda a este
tipo de detalles. Otro problema cuando se tiene un sistema retroalimentado mal implementado es el hecho
de inestabilidad. Uno de los casos mas comunes son los efectos de la realimentacion positiva cuando la
amplificacion de un microfono es demasiado alta dentro de un salon. Este es un ejemplo de inestabilidad
debida a la retroalimentacion, lo cual por supuesto, se quiere evitar, aunque no es sencillo. Esta es la
razon fundamental por la que la mayor parte del estudio de los sistemas retroalimentados esta dedicada al
entendimiento de las dinamicas y las tecnicas de dise
no de sistemas dinamicos y su control.
1.2.
Qu
e es Control?
La real academia de la lengua define control como: Comprobacion, inspeccion, fiscalizacion, intervencion; Dominio, mando, preponderancia; Oficina, despacho, dependencia, etc., donde se controla; Regulacion,
manual o automatica, sobre un sistema; Dispositivo que regula a distancia el funcionamiento de un aparato,
mecanismo o sistema. Si bien el termino tiene muchas definiciones, control se definira como sigue.
Definition 1 Control es un dispositivo que por medio del uso de algoritmos y retroalimentaci
on regula el
funcionamiento de un sistema.
As pues, se puede decir que control incluye ejemplos tales como controladores de set point en procesos
qumicos, fly-by-wire en sistemas aeronauticos, ademas de protocolos para el control de trafico en la
Internet. En la actualidad, las aplicaciones que estan emergiendo entre otras incluyen vehculos y robots
autonomos y sistemas bioinspirados. El area de control es esencialmente una ciencia que incluye informacion
de tipo analogo y digital.
La idea basica en un controlador moderno es sensar lo que esta sucediendo en el sistema, comparar
el comportamiento de este con el objetivo inicial, corregir aquello que no este saliendo bien, y enviar esta
informacion para que el sistema act
ue. Es decir, es un sistema retroalimentado donde se sensa, se computa,
y se act
ua para obtener el cambio deseado. El punto clave en este caso es dise
nar un controlador que
asegure que las dinamicas del sistema en malla cerrada sean estables y que el resultado final sea siempre
el deseado. Para ello se necesitan tecnicas de modelaje y analisis para capturar los elementos fsicos para
poder describir de manera adecuada el comportamiento de un sistema, para poderlo hacer robusto cuando
se tienen perturbaciones, ruido, y otras fallas debido a los componentes.
La figura 1.2 muestra un ejemplo de este tipo de sistemas. En ella se pueden observar los elementos
necesarios para sensar, computar, y actuar. En los sistemas de control moderno, el uso de computadores
es esencial, con lo cual se requieren components tales como conversores analogos y digitales (ADC y DAC
seg
un sus siglas en ingles). Las perturbaciones que entran al sistema se modelan de varias formas (e.g., ruido,

1.3. HISTORIA DEL CONTROL AUTOMATICO
perturbaciones en el sistema). El algoritmo de control tiene que ser lo suficientemente robusto para poder
responder rapida y adecuadamente a este tipo de incertidumbres. Este algoritmo se conoce generalmente
como ley de control. Para poder dise
nar de manera adecuada el controlador, por lo general es necesario tener
un buen modelo del sistema que se quiere controlar.
Figura 1.2: Componentes de un sistema de control asistido por computador [32].
1.3.
Historia del Control Autom

atico
Por mas de 2000 a

nos se han utilizado sistemas retroalimentados de control. Dentro de los primeros
ejemplos se tienen los relojes de agua descritos por Vitruvius y que se le atribuyen a Tesibios (circa 270 B.C.).
Cerca de trescientos a
nos despues, Heron de Alejandra describa un tipo de automato el cual empleaba un
mecanismo de retroalimentacion. La historia del control automatico se divide en cuatro perodos:
Inicios del Control: Hasta 1900.
Perodo del control pre-clasico: 1900-1940.
Perodo del control clasico: 1935-1960.
Perodo del control moderno: 1955 en adelante.
1.3.1.
Inicios del Control
Hacia el final del renacimiento se descubrieron en occidente las ingeniosas ideas de sistemas de control
del perodo helenico, las cuales haban sido preservadas por la cultura islamica. A partir de ese momento,
nuevos inventos comenzaron a aparecer durante el siglo XVIII. Uno de los primeros ejemplos es el control
de temperatura en incubadoras (utilizando dispositivos automaticos) propuesto por Rene-Antoine Ferchault
de Reamur. Durante el siglo XIX se inventaron varios dispositivos termostaticos, los cuales tenan como
caracterstica el hecho de que la potencia para operar el actuador era extrada del sistema de medida.
El mas importante desarrollo de control durante el siglo XVIII fue la maquina de vapor. En 1788
Matthew Boulton le describio a su socio James Watt el mecanismo (flyball governor ) que le permitio a este
u
ltimo controlar la velocidad de la maquina de vapor y reducir las variaciones de carga. El primer dise
no se
realizo en Noviembre de 1788, y el controlador se utilizo por primera vez en 1789. Este sistema tiene varios
problemas: tiene un controlador proporcional que proporciona un u
nico punto de operacion; solo puede

funcionar a velocidades bajas; se necesita un mantenimiento permanente. Sin embargo, este fue uno de los
avances mas importantes durante la revolucion industrial.
Mejoras a este sistema se realizaron durante los primeros setenta a
nos del siglo XIX, dentro de los
cuales se podran rescatar aquellas patentadas por Siemens (1846; 1853), Porter (1858), y otros. En 1868
Maxwell publico el paper On Governors, el cual describa un modelo matematico utilizando ecuaciones
diferenciales para controlar la turbina de vapor, y empezo a analizar la estabilidad del sistema. Por primera
vez se determino que la estabilidad estaba dada por la ubicacion de los polos de la ecuacion caracterstica.
Maxwell determino condiciones suficientes y necesarias para ecuaciones hasta de cuarto orden. En su epoca
su trabajo no fue tan valorado como lo fue en el siglo XX.
El trabajo que realizo Maxwell fue retomado por Routh, el cual publico los primeros resultados en
1874. En 1877, Routh produce un tratado sobre Stability of Motion.en el cual expone los principios de
estabilidad de lo que hoy se conoce como el criterio de estabilidad Routh-Hurwitz (su trabajo tomaba ideas
de Cauchy y Sturm, y en 1895 Hurwitz es el que deriva la misma idea independientemente).
La mayora de los inventos de la epoca tenan que ver con control y estabilidad de temperatura,
presion, nivel, y velocidad de rotacion de maquinas. Luego las aplicaciones comenzaron a realizarse en la
parte naval con la aparicion de barcos navales y armas de guerra. Una de los primeros motores dirigidos y
controles de posicion en malla cerrada fueron dise
nados por Farcot en 1866, el cual sugirio por primera vez
el nombre de servo-moteur.
El desarrollo de la electricidad y su mejor comprension, permitieron que se crearan mas aplicaciones
en el area de control (se tenan mas mecanismos para sensar y manipular se
nales, y por ende para crear
actuadores).
1.3.2.
Perodo Pre-Cl
asico
Las aplicaciones que se vieron en los primeros a

nos del siglo XX eran de todo tipo (e.g., control de
voltage, corriente, regulacion de frecuencia, control de velocidad de motores electricos, control de temperatura, presion, y procesos industriales). Sin embargo, todos estos dispositivos que se dise
naron no posean un
total entendimiento de las dinamicas, lo cual genero problemas. La u
nica herramienta teorica que se tena
era el analisis de estabilidad de Routh-Hurwitz, el cual implica conocer todos los parametros del sistema,
ademas de no proveer herramientas para entender el grado de estabilidad.
En 1922, Nicholas Minorsky presento por primera vez un analisis de control de posicion, y formulo lo
que hoy se conoce como un controlador PID. Su analisis partio del estudio de como un capitan controlaba
la posicion de su barco. Sin embargo, su trabajo careca de herramientas a ser aplicadas.
Por la misma epoca, Harlod Black comenzo a estudiar el incremento de ancho de banda en las lneas de
transmision telefonica, para que no hubiese tantas perdidas y distorsion. El fue el primero en crear un circuito
con retroalimentacion negativa. Su colaborador inmediato fue Harry Nyquist, cuyo paper Regeneration
Theorypublicado en 1932 formula las bases del analisis que lleva su nombre. Este es uno de los papers mas
importantes, ya que permite entender los beneficios de la retroalimentacion negativa, y provee herramientas
para el analisis y dise
no de sistemas de control sin que se requiriesen ecuaciones diferenciales (la sola respuesta
en frecuencia, combinada con los datos calculados permitan establecer el grado de estabilidad del sistema,
y tambien ayudaba a estimar los cambios necesarios para mejorar el desempe
no).
Uno de los trabajos que se hicieron a la par del de Black, fue el de Clesson Mason en Foxboro. Mason
utilizo retroalimentacion negativa, e hizo que por primera vez en 1928 una compa
na tuviese controladores
con amplificacion lineal o integral.
1.3.3.
Perodo Cl
asico
En diversos pases se comenzo a entender y analizar los sistemas de control desde un punto de vista
mas matematico. Los esfuerzos en los Estados Unidos se debieron mas al esfuerzo que Bell Telephone
Laboratoriespuso en aras de obtener mas ancho de banda. En 1940, Hendrik Bode, demostro que existe
una relacion una atenuacion caracterstica y el mnimo cambio de fase asociado con ella. A su vez, utilizo el

1.3. HISTORIA DEL CONTROL AUTOMATICO
punto (-1,0), en vez del (1,0) que originalmente utilizo Nyquist para introducir los conceptos de margen de
ganancia y de fase (ademas de las limitaciones de ganancia de ancho de banda).
En 1942 Ziegler y Nichols publicaron un paper describiendo como encontrar los parametros adecuados
para un controlador PI y PID. Coon en los 50s, extendio dicha teora que hoy se conoce como el metodo de
sintonizacion de Ziegler-Nichols.
Un tercer grupo en MIT encabezado por Hazen y Brown, desarrollo por primera vez el estudio de
diagramas en bloques, ademas de crear el primer simulador de sistemas de control por intermedio de un
analizador diferencial.
La segunda guerra mundial hizo que el area de control se centrara en temas especficos, entre los cuales
se tiene la deteccion de posicion de una aeronave, ademas de calcular su posicion futura, y el movimiento
de un arma de alto calibre para poder dispararle. De aca se generaron varios temas de investigacion teorica,
los cuales dieron pie al analisis de sistemas discretos (e.g., el trabajo de Tustin), y el estudio de sistemas
estocasticos de Norbert Wiener.
Al finalizar la guerra, casi todas las tecnicas de control clasico se haban desarrollado (la u
nica excepcion era el trabajo del lugar de las races de Walter Evans en 1948). Las metodologas de dise
no realizadas
eran para sistemas lineales y de una sola entrada, con coeficientes constantes (lo que generaba problemas,
ya que los sistemas son no lineales y de m
ultiples entradas). Si bien las tecnicas de respuesta en frecuencia
eran bastante utilizadas, algunos preferan la solucion mediante ecuaciones diferenciales utilizando transformadas de Laplace, ya que seg
un los ingenieros de la epoca, esta era mas ajustada a la realidad. Tambien se
comenzo a estudiar optimizacion, area en la que intervinieron personas de la talla de Bellman, y LaSalle.
1.3.4.
Control Moderno
Los misiles guiados, la conquista del espacio, y el desarrollo de los computadores marcaron el inicio de
esta nueva etapa de conocimiento del control. As pues, gracias a las ideas expuestas por Henri Poincare en
torno a ecuaciones diferenciales de primer y segundo orden, se comenzo a estudiar todo desde el punto de
vista de state-space.
Richard Bellman entre 1948 y 1952, trabajando para la corporacion RAND, estudio el problema de
asignar un misil a un objetivo determinado para que este causara la mayor cantidad de da
no posible. Esto
lo llevo a formular el principio de optimalidad y genero lo que se conoce como programacion dinamica
(cuya maxima dificultad radica en la cantidad de memoria de computo que se requiere para resolver estos
problemas). Bellman utilizo formulaciones mecanicas como las expuestas por Lagrange y Hamilton para
poder resolver los problemas optimos que se planteaban. A la par de Bellman, Pontryagin (1956) planteaba
el maximum principle, el cual sento las bases de la teora de control optimo. Estas dos teoras permitieron
que se empezara a profundizar en problemas matematicos del area de control. Logicamente, el desarrollo de
los computadores incidieron en que muchos de los problemas pudiesen resolverse mas rapido de lo que se
esperaba.
Kalman en los a
nos cincuenta presento un paper en el cual mostraba como problemas de control
multivariable estaban ligados a aquellos de filtros, lo cual abra una nueva area de investigacion dentro del
control (tambien se encuentra dentro de todo este desarrollo los aportes que hiciera Bucy tiempo despues
para generar el famoso filtro Kalman-Bucy). As pues, se generaron conceptos tales como observabilidad
y controlabilidad, hoy utilizados extensamente en el desarrollo de controladores bajo el uso de sistemas
modelados a partir de variables de estado.
Despues de estos primeros pasos, se empezaron a abrir otras areas de investigacion: control adaptativo;
control no lineal (con tecnicas que van desde phase plane, describing functions, hasta teora de estabilidad
de Lyapunov); tecnicas dentro de las cuales se comienza a ver una influencia de varias areas de la ciencia:
algoritmos geneticos, fuzzy logic, redes neuronales, y otras nuevas tales como foraging theory.
1.4.
Ejemplos de Sistemas de Control Retroalimentado y Future

Directions
Un sistema retroalimentado tiene propiedades buenas y malas. Un sistema que era inestable puede
volverse estable, o se pueden reducir los problemas que se pueden producir por un incremento de las perturbaciones o del ruido. A continuacion se presentan ciertos ejemplos de sistemas de control retroalimentado.
Como se vio en el contexto historico, los primeros controladores retroalimentados se dedicaban mas al
control de temperatura. Un ejemplo es el termostato. Este dispositivo mide la temperatura en alg
un lugar,
compara la temperatura con aquella que se desea, y utiliza retroalimentacion para saber si se tiene que
aumentar la temperatura en un determinado lugar o no. Si bien la explicacion parece sencilla, esta ilustra
el concepto basico de control retroalimentado. En la vida real, hoy en da, los termostatos tienen elementos
que permiten evitar los problemas que se pueden producir por los retardos de transporte que existen a la
hora de medir y actuar.
Otro de los ejemplos donde se ve el progreso de los sistemas de control retroalimentado es en el area de
la aeronautica y la industria automotriz. En el caso vehicular, uno de los ejemplos esta en el cruise control.
En 1958 se introdujo por primera vez esta tecnologa que hace que el vehculo por intermedio de un sistema
retroalimentado controle la velocidad. As pues, la velocidad se mantiene constante independientemente
de si se esta subiendo una cuesta, o si se esta conduciendo en bajada. Hoy en da, este tipo de sistemas
han mejorado de tal forma que entre otras caractersticas novedosas, se puede optimizar el consumo de
combustible y reducir la polucion.
Mas ejemplos incluyen redes, robots, maquinas inteligentes, e instrumentacion. En estas areas, la
retroalimentacion juega un papel muy importante, tanto que sin ella no se podran tener redes rapidas y
estables, o robots que realicen tareas tan complicadas como jugar f
utbol, o dise
nar equipos para el control
de la insulina en pacientes diabeticos.
Finalmente, cabe mencionar una de las areas que mas interes esta presentando en estos momentos:
systems biology. Es bien sabido que la naturaleza ha aportado un sin n
umero de ideas para el desarrollo
de tecnologa. Sin embargo, su estudio ha sido mas desde el punto de vista biologico que matematico y
tecnologico. Actualmente, se tienen mas herramientas para comprender y modelar de una forma mas completa
los sistemas naturales, lo cual nos puede llevar a explorar soluciones en ambitos de la ciencia como lo son
la medicina, la biologa, y los ecosistemas. En biologa por ejemplo, uno de los temas mas recurrentes es el
tratar de tratar de entender lo que pasa con sistemas complejos en ingeniera como las redes, para poder
entender como funcionan ciertos aspectos moleculares (e.g., scale-free networks). Desde el punto de vista
de los ecosistemas, es claro que estos son sistemas complejos, los cuales podran verse como de m
ultiples
entradas y salidas. En un ecosistema pueden haber varias capas de retroalimentacion, y a
un se necesitan
elementos teoricos que puedan explicar el funcionamiento de los mismos. Sin embargo, el traer estas ideas al
area de control, permite que se vayan desmenuzando paulatinamente dichos problemas, y porque no, llegar
a una solucion futura de ciertos problemas basicos (e.g., redes bacteriales).
Captulo 2
Modelamiento de Sistemas
Entusiasmo es una palabra griega que significa rozado por el ala de Dios. El entusiasmo es eso. Un
roce, un instante
Historia Argentina, Rodrigo Fres

an
En este captulo se pretende entender como se modelan los sistemas dinamicos. Para ello, se empieza
con una rese
na filosofica, para luego definir las ideas para el modelado matematico de un sistema. Se presentan
ejemplos y simulaciones para que el estudiante comience a familiarizarse con herramientas tales como Matlab
y Simulink. Las siguientes notas han sido adaptadas a partir de varios textos de control (e.g., [27, 22, 16, 12,
31, 28, 7]).
2.1.
Filosofa
Cuando uno se enfrenta a un problema de control, por lo general se siguen ciertos procedimientos. La
Figura 2.1 nos da una primera idea de como modelar un sistema.
PROCESO
Ganar intuicin y
entender la planta
Especificar los objetivos

de diseo
MODELAR
Figura 2.1: Primeros pasos en el dise
no de un sistema de control [27].
9
CAPITULO 2. MODELAMIENTO DE SISTEMAS
10
El modelamiento es la base para dise

nar un buen sistema de control. Sin un buen modelo no podramos
dise
nar un sistema de control que cumpla ciertas caractersticas. Sin embargo, ning
un modelo es perfecto,
lo cual ciertas veces dificulta el dise
no. Lo bueno es que cualquier tipo de incertidumbre puede llegar a ser
modelada de tal forma que se incluya en el proceso de dise
no. De esta forma, se estara frente a un modelo
mas completo, y por ende, se tendran mas herramientas a la hora del dise
no de un controlador. En este
curso, solo se utilizaran sistemas lineales e invariantes en el tiempo (LTI por sus siglas en ingles), ya que
estos nos dan una primera aproximacion del modelo de un sistema. Otro tipo metodologa que se sigue por
lo general esta descrito por la Figura 2.2.
PROCESO
Modelamiento fsico
SYSID, APPROX
Modelo Verdadero
Modelo Diseado
Approx (reduccin,
linealizacin)
Figura 2.2: Otra metodologa en el modelamiento de procesos [27].
2.2.
Principios de Modelamiento Matem

atico
Una de las razones fundamentales para el uso de modelos matematicos es que las expresiones analticas
que se encuentran proveen una vision importante entre lo que son las caractersticas del sistema fsico (e.g.,
temperatura, flujo, etc.), y sus dinamicas. En lo que sigue se presenta un procedimiento para modelar
sistemas, que en un principio cualquier inexperto debera seguir. Sin embargo, con el paso del tiempo, el
estudiante ira adquiriendo intuicion e ideas de como se podra desarrollar un modelo matematico de un
sistema fsico.
2.2.1.
Esquema
Un esquema basico que debera seguirse se define a continuacion. En la siguiente seccion se presenta
un ejemplo que nos lleva paso a paso con el fin de entender cada uno de los puntos expuestos en el siguiente
esquema.
1. Definir Objetivos
a) Especificar las decisiones que se deben tomar para el dise
no.
b) Valores numericos.
c) Relaciones funcionales.
d ) Requisitos de precision.
2. Preparar Informacion
a) Hacer un bosquejo del proceso e identificar el sistema.
b) Identificar las variables de interes.

2.2. PRINCIPIOS DE MODELAMIENTO MATEMATICO
11
c) Hacer suposiciones y toma de datos.

3. Formular el Modelo
a) Balances de conservacion
b) Plantear las ecuaciones.
c) Combinar las ecuaciones y los terminos que se han ido obteniendo.
d ) Verificar los grados de libertad para saber si el n
umero de ecuaciones es el adecuado.
4. Determinar la Solucion
a) Analticamente.
b) Numericamente.
5. Analizar los Resultados
a) Verificar resultados para saber que tan acertados estan.
1) Limitar y aproximar las respuestas.
2) Precision de los metodos numericos.
b) Interpretar resultados.
1)
2)
3)
4)
Graficar la solucion.
Relacionar suposiciones y resultados de los datos.
Evaluar sensitividad.
Responder a preguntas del tipo y si?
6. Validar el Modelo
a) Seleccionar valores claves para validar.
b) Comparar con resultados experimentales.
c) Comparar con resultados de modelos mas complejos.
2.2.2.
Ejemplo
Para poder entender el procedimiento de modelado previamente descrito, tomemos el ejemplo de un

tanque de flujo continuo perfectamente agitado (continuous-flow stirred tank de la Figura 2.3).
Figura 2.3: Tanque de flujo continuo perfectamente agitado.

Objetivo: Determinar la respuesta dinamica del tanque a un cambio tipo escalon en la C A0 , as como
la velocidad y forma de respuesta. Todo esto depende del volumen y del flujo. Una de las suposiciones que se
12
tienen es que la salida no puede ser utilizada a no ser que el 90 % del cambio de concentracion haya ocurrido.
Por lo tanto, otro de los objetivos es determinar cuanto tiempo se necesita para llegar a este valor.
Informaci
on: Para poder preparar la informacion, primero se identifica el sistema, y la manera mas
sencilla de hacerlo es mediante un diagrama. Con ello se pueden identificar las variables y tener una idea de
los balances a formular. Para este caso, el sistema es el lquido en el tanque. El tanque ha sido bien dise
nado
tal que la concentracion sea uniforme en el lquido. Se asumira luego que,
Es un well-stirred vessel, i.e., permite el uso de ODEs en lugar de PDEs.
Se tiene un flujo constante de entrada.
La densidad es la misma para A y el solvente.
A nivel de datos, se asume que,
F0 = 0,086m3 /min.
V = 2,1m3 .
CAIN IT = 0,925mole/m3 .
Despues de aplicar una entrada paso, se tiene que CA0 = 1,85mole/m3 .
El sistema esta en estado estable al principio, i.e., CA0 = CA = CAIN IT , cuando t = 0.
Formulaci
on: Primero, para poder formular el modelo, tenemos que seleccionar las variables de cuyo comportamiento queremos predecir. Una vez se tengan estas variables, las ecuaciones pueden ser deducidas
basados en principios fundamentales, como lo es la conservacion. Estos balances de conservacion son relaciones que obedecen ciertos supuestos en sistemas fsicos. Estos balances de conservacion se pueden ver por lo
general como,
ACC = IN - OUT + GENERA
donde si ACC = 0 para un well-mixed system, se tendra una ODE, mientras que si ACC = 0 para un
well-mixed system, se tendra una ecuacion algebraica. Los mas utilizados son los balances de masa y energa.
Balance de masa total: Acumulacion de masa = Masa IN - Masa OUT
Balance de masa por componente: Acumulacion del componente de masa = Comp Masa IN - Comp
Masa OUT + Generacion del Componente de Masa.
Balance de energa: Acumulacion de U+PE+KE = (U+PE+KE IN por convex) - (U+PE+KE OUT
por convex) + Q - W
donde U es la energa interna, PE la energa potencial, KE la cinetica, Q la temperatura transferida al
sistema por el ambiente, y W el trabajo (si el volumen es constante, W=Ws).
Hay casos especficos en los que se utiliza cada uno de los balances previamente descritos. A continuacion se
da un ejemplo de los mas utilizados.
Si la variable es el total de masa del lquido en un tanque o la presion en un recipiente, el balance de
materia total es el mas apropiado.
Si la variable es la concentracion de un componente, el balance de masa por componente es el apropiado.
Si la variable es temperatura, el balance de energa es el apropiado.
Logicamente, si se tienen varias variables, es claro que se pueden utilizar varios balances para poder obtener
el modelo matematico. En ciertos casos los balances no son suficientes, por lo que se utilizan ecuaciones que
pueden relacionar varias variables. Por ejemplo,

2.2. PRINCIPIOS DE MODELAMIENTO MATEMATICO
13
Transferencia de calor: Q = hA(T ).

Tasa Reaccion Qumica: rA = k0 eE/RT CA .
Flujo: F = CV (P/)1/2 .
Ecuacion de estado: P V = nRT .
Estas relaciones dependen del problema en cuestion, ya que por lo general no son universalmente aplicables.
Finalmente, la formulacion del modelo queda completa cuando se tiene el n
umero adecuado de ecuaciones. Para ello, existe un elemento conocido como grado de libertad (degree of freedom, DOF), el cual viene
dado por DOF = N V N E, donde N V es el n
umero de variables dependientes (i.e., variables que dependen del comportamiento del sistema y deberan ser evaluadas por medio de las ecuaciones del modelo), y
N E es el n
umero de ecuaciones independientes. Si DOF = 0, el sistema esta exactamente especificado; si
DOF < 0, el sistema esta sobreespecificado, i.e., no existe una solucion del modelo; si DOF > 0, el sistema
esta subespecificado, i.e., existe un n
umero infinito de soluciones.
Para el ejemplo en cuestion, como se tienen concentraciones, los balances de mas son adecuados. El
balance total de masa para un incremento de tiempo t viene dado por,
(V )(t+t) (V )t = F0 t F1 t
donde es la densidad. Dividiendo por t, y tomando el lmite cuando tiende a 0, se tiene que la acumulacion
de masa es igual a la masa de entrada menos la masa de salida, i.e.,
(V )(t+t) (V )t
= F0 F 1
t0
t
lm
d(V )
= F0 F 1
dt
d
dV
V
+
= F0 F 1
dt
dt
Como la densidad es constante,
d
dt
= 0, por lo que se tendra que

dV
= F0 F1
dt
(2.1)
Es claro que F0 es una variables externa que no depende del comportamiento del sistema. Como el lquido
sale al rebosarse el lquido, entonces el flujo de salida F1 esta correlacionado con el nivel del lquido. Para
ello se utiliza una ecuacion de presa que viene dada por,
F1 = k F
L Lw ,
para L > Lw
donde kF es una constante, L = V /A es el nivel del lquido en el tanque, y Lw es el nivel en el cual se

desborda la presa. En este caso, L > Lw por lo que el nivel nunca esta por debajo del overflow, y la altura
por encima del desborde L Lw es peque
na comparada con el nivel del lquido en el tanque L. Por lo tanto,
se asumira que el nivel del lquido en el tanque es aproximadamente constante, y que F 0 = F1 = F , por lo
que (2.1) se convierte en
dV
= F0 F1 = 0 V = constante
(2.2)
dt
Ahora se necesita formular el balance de masa del componente A. Como es un tanque well-mixed, las concentraciones del tanque y las de salida son las mismas, por lo que,
(M WA V CA )(t+t) (M WA V CA )t = (M WA F CA0 M WA F CA )(t) + 0
donde M WA corresponde al peso molecular del componente A, CA esta en moles/volumen del componente
A, y como no hay reaccion qumica, la generacion es igual a 0. Esto implicara finalmente que,
M WA V
dCA
= M WA F (CA0 CA )
dt
(2.3)
14
Por lo tanto, las Ecuaciones (2.2) y (2.3) describen nuestro sistema. Se tiene entonces que las variables son
CA y F1 , y las variables externas son F0 y CA0 , entonces el DOF = 0. Se tiene que tener en cuenta que los
parametros no cambian con el tiempo, lo cual no es real, pero es valido siempre y cuando los cambios sean
lentos.
Soluci
on Matem
atica: Una de las ventajas de una solucion analtica es que se puede calcular
valores especficos de la solucion, as como determinar las relaciones entre las variables y el comportamiento
del sistema.
El modelo en (2.3) es una ODE lineal de primer orden, que puede ser escrita como
dCA
1
1
+ C A = C A0
dt
(2.4)
donde = V /F = 24,7min, y se conoce como la constante de tiempo del sistema.

Para resolver este tipo de ecuaciones, se recurre a lo visto en ecuaciones diferenciales. Se sabe que
e
t 1
dt
0
= et/
(2.5)
Multiplicando por este factor a ambos lados de (2.4) se obtiene que

1
dCA
+ CA
dt
et/
1
CA0 et/
Pero por (2.5),

et/
det/
1
dCA
+ CA
= CA0 et/
dt
dt
1
d(et/ CA )
= CA0 et/
dt
1
CA0 et/ dt
es constante incluso despues de hacer el cambio a entrada escalon, entonces

d(et/ CA ) =
Como se asumio que CA0
d(et/ CA ) =
et/ CA (t) =
1
C A0
et/ dt
1
CA0 et/ + I
donde I es una constante. Originalmente se ha asumido que si t = 0, y C A (0) = CAIN IT , por lo que
I = CAIN IT CA0
Escrito de otra forma sera,
CA = CA0 + (CAIN IT CA0 )et/
Se sabe que CAIN IT = CA0IN IT , por lo que
CA CAIN IT = CA0 + (CAIN IT CA0 )et/ CAIN IT
CA CAIN IT = (CA0 CAIN IT )(1 et/ )
Escrito de otra forma, esto podra verse como
y(t) = u(t) 1 et/
Si la entrada u(t) es un escalon unitario, la salida sera y(t) = 1 et/ para t 0, lo que graficamente sera
equivalente a lo que se ve en la Figura 2.4).
2.3. SISTEMAS DE PRIMER ORDEN Y CONTROLADOR ON-OFF
15
Figura 2.4: Respuesta a entrada paso de un sistema de primer orden.

Como se puede ver, una de las caractersticas primordiales de un sistema de primer orden es que si
t = , el valor de y(t) sera igual al 63.2 % del valor final, i.e.,
y(t = ) = 1 e1 = 0,632
Se puede observar tambien que entre mas peque
na sea la constante de tiempo , mas rapida es la respuesta
del sistema. Otra caracterstica importante de este tipo de sistemas es que la lnea tangente en t = 0 es 1/ ,
ya que
1
1
dy(t)
=
= et/
dt
t=0
Es claro tambien que si no se tuviese una entrada escalon unitario sino x(t) = Ku(t), entonces la salida sera
y(t) = K(1 et/ )
donde el valor final vendra dado por
lm y(t) = lm K lm Ket/ = K
Para el caso del ejemplo en cuestion, CAIN IT = 0,925 y = 24,7min, lo cual nos brinda la rapidez con la
que responde el sistema. Todo esto depende del equipo (i.e., por el volumen V ), y la operacion del proceso
(i.e., F ).
2.3.
Sistemas de Primer Orden y Controlador ON-OFF
Otro ejemplo interesante a modelar es el de un sistema simple de calentamiento como el que se muestra
en la Figura 2.5)
En un clima fro, la temperatura de una casa puede mantenerse a una temperatura deseada haciendo
circular agua caliente a traves de un intercambiador de calor. Un termostato determina la temperatura en
un cuarto, y se desea mantener dicha temperatura en un rango determinado.
Objetivo: Determinar la respuesta dinamica de la temperatura en un cuarto. Ademas, se quiere
garantizar que el horno conmute solo cada 3 min, lo cual ayudara a que los gases sean purgados antes de
volver a ser encendido.
Informaci
on: Variables importantes: Temperatura del cuarto; Estados ON/OFF del horno.
Suposiciones: El aire en el cuarto es well-mixed; No existe intercambio de material desde/hacia
cuarto; El calor transmitido solo depende de la T = Troom Tout ; No hay transferencia de calor del suelo
o del techo; Efectos de energa cinetica y potencial son despreciables.
Datos: La capacidad del aire CV = 0,17 cal/(g C); Densidad es = 1190g/m3 ; El coeficiente de
transferencia total de calor UA = 45 103 cal/( Ch); Tama
no del cuarto 5m 5m 3m; Switcheo entre
16
Figura 2.5: Sistema termico.

17 C ON y 23 C OFF; TINroom = 20 C, y el horno esta apagado originalmente; La temperatura ambiente
es TA = 10 C.
Formulaci
on: El sistema se define como el aire dentro de la casa. Para determinar la temperatura,
un balance de energa es necesario (como no hay material que se transmite, no se necesita hacer balance de
materia). La aplicacion del balance de energa dara:
dY
= 0 0 + Q Ws
(2.6)
dt
Sin embargo, Ws = 0. Utilizando los principios de termodinamica y transferencia de calor, y sabiendo que
la acumulacion de energa cinetica y potencial son despreciables,
dU
dt
donde
= CV V dT
dt
= U A(T TA ) + Qh
0
1,5 106
Qh =
sin cambio
(2.7)
T > 23
T < 17
17 T 23
Por lo tanto las Ecuaciones (2.6) y (2.7) describen totalmente el sistema. El DOF es 0 ya que ademas se
tienen dos variables (i.e., T y Qh ), cuatro parametros (i.e., U A, CV , V , y ), y una variable externa TA . La
ecuacion que describira finalmente todo el sistema es
CV V
dT
= U A(T TA ) + Qh
dt
(2.8)
Soluci
on: Ordenando (2.8) se tiene que
1
U ATA + Qh
dT
+ T =
dt
CV V
(2.9)
La solucion de (2.9) depende claramente del valor de Qh , por lo que

T TIN IT = (TF IN AL TIN IT )(1 et/ )
(2.10)
donde t es el tiempo desde el paso en Qh y = 0,34h de acuerdo a los valores asignados originalmente. El
valor de TF IN AL viene dado por
TF IN AL = TA +
Qh
=
UA
10 C cuando Qh = 0
43,3 C cuando Qh = 1,5 106
El valor de TIN IT es el valor de temperatura cuando un paso en Qh ocurre.
En la Figura 2.6) se muestra un ejemplo de como sera la respuesta de un controlador ON-OFF.
17
2.4. TRANSFORMADA DE LAPLACE
Figura 2.6: Ejemplo de un sistema de control on-off.
2.4.
Transformada de Laplace
Buena parte del material de esta seccion fue tomado de [6, 11, 13, 25].
2.4.1.
Transformada Unilateral de Laplace
La transformada unilateral de Laplace de una se

nal x(t), X(s), se define como
L {x(t)} = X(s) =
x(t)est dt
(2.11)
donde s = + jw es una variable compleja. El termino est es una exponencial decreciente que ayuda a la
convergencia del sistema. Existen ciertas limitantes en x(t) para que exista transformada de Laplace:
1. x(t) debe ser piecewise continuous en cualquier intervalo finito 0 t 1 t t2 .
2. x(t) debe ser de orden exponencial.
Definition 2 Una funci
on x(t) es piecewise continuous en un intervalo finito si este intervalo puede ser
dividido en un n
umero finito de subintervalos sobre los cuales la funci
on es continuo y se tienen lmites por
izquierda y derecha de x(t).
Definition 3 Una funci
on x(t) es de orden exponencial si existe una constante a tal que e at |x(t)| este acotada para todo valor de t mayor que un valor finito T .
Esta u
ltima limitante impone la restriccion de que , i.e., la parte real de s tiene que ser mayor a un lmite
inferior a , para el cual el producto ea t |x(t)| es de orden exponencial. Esto es lo que se conoce como el
concepto de region of convergence (ROC).
Ejemplo 2.4.1 Sea x(t) = eat u(t), con a R+ . Cu
al es L {x(t)}?
18
Utilizando (2.11),
X(s)
x(t)est dt
eat est dt
e(s+a)t dt
1
s+a
lmt e((+a)+jw)t +
1
s+a
0 if + a > 0
1
s+a
X(s) =
esto es valido para Re{s} > a.
Ejemplo 2.4.2 Sea x(t) = cos(wt)u(t), con w R+ . Cu

al es L {x(t)}?
Utilizando (2.11),
X(s) =
cos(wt)est dt
Por Euler cos(wt) se convierte en
X(s) =
Sin embargo,
1
2
1
X(s) =
2
e(jws)t dt +
e(jws)t dt
1
1
lm e(jws)t
lm e(jws)t
jw s t
jw + s t
lm e(jwjw)t = 0 if > 0
lm e(jwjw)t = 0 if > 0
Por ende,
s
s2 +w2
L {cos(wt)u(t)} =
Ejemplo 2.4.3 Sea x(t) = tu(t). Cu
al es L {x(t)}?
Utilizando (2.11),
X(s) =
test dt
Integrando por partes, y utilizando

b
udv =
b
[uv]a
vdu
a
Sea u = t y dv = est dt. Entonces,

X(s)
=
=
st
te s
0
1
s2
est
s dt
[est ]0
Por ende,
L {tu(t)} =
1
s2
if Re{s} > 0
1
2
1
1
jw s jw + s
19
2.4.2.
Propiedades de la Transformada de Laplace
Linearidad
Si
L
x1 (t) X1 (s)
L
x2 (t) X2 (s)
Entonces,
L
a1 x1 (t) + a2 x2 (t) a1 X1 (s) + a2 X2 (s)
Corrimiento en tiempo
Si
L
x(t) X(s)
Entonces,
L
x(t t0 ) X(s)est0
Proof: Por (2.11)
L {x(t t0 )} =
x(t t0 )est dt
Cambiando de variables = t t0 , d = dt,

L {x(t t0 )}
x( )es( +t0 ) d
est0
x( )es d
est0 X(s)
Shifting in the s-Domain

Si
L
x(t) X(s)
Entonces,
L
es0 t x(t) X(s s0 )

Ejemplo 2.4.4
L
e3t x(t) X(s 3)

L {cos(w0 t)x(t)}
= L { 21 x(t) ejw0 t + ejw0 t }}

= L { 12 x(t)ejw0 t } + L { 12 x(t)ejw0 t }
=
1
2 X(s
jw0 ) + 12 X(s + jw0 )
20
Time Scaling
Si
x(t) X(s)
Entonces,
1
s
X
|a|
a
x(at)
Proof: Por (2.11)
L {x(at)} =
Cambiando de variables y definiendo = at,
1
a d
L {x(at)}
= dt, entonces si a > 0
1
a
Si a < 0, se tiene
L {x(at)} =
Cambiando de variables y definiendo = at,
L {x(at)}
x( )es( a ) d
1
aX
1
a d
x(at)est dt
x(at)est dt
= dt,
0
1
a
a1
x( )es( a ) d
a1 X
x( )es( a ) d
s
a
Combinando los resultados de (2.12) y (2.13) para a > 0 y a < 0, se tiene

L {x(at)} =
1
s
X
|a|
a
Time Reversal
Si
x(t) X(s)
Entonces,
L
x(t) X(s)
Differentiation
Si
(2.12)
s
a
x(t) X(s)
Entonces,
dx(t) L
sX(s) x(0)
dt
(2.13)
21

Proof: Por (2.11)
dx(t)
dt
dx(t) st
e dt
dt
Integrando por partes con u = e

L
st
dx(t)
dt
dx(t)
dt dt,
y dv =
=
=
=
se tiene
[est x(t)]0
x(t)(s)est dt
lmt est x(t) es0 x(0) + s

lmt est x(t) x(0) + sX(s)
x(t)est dt
Por hipotesis x(t) es de orden exponencial, lo que implica que

eat |x(t)| < c |x(t)| < ceat
Esto implica que para cualquier s tal que Re{s} > a,
lm est x(t) = 0
Entonces,
dx(t)
dt
= sX(s) x(0)
NOTA: Si x(t) es discontinua en t = 0 o si x(t) contiene un impulso o derivada de un impulso en t = 0, es

necesario tomar el tiempo inicial como 0 . Entonces,
dx(t) L
sX(s) x(0 )
dt
Note que si x(t) = 0 para t < 0, entonces x(0 ) = 0.
La definicion general sera
Si
x(t) X(s)
Entonces,
dn x(t) L n
s X(s) sn1 x(0) sn2 x(0)
. . . sxn2 (0) xn1 (0)

dtn
donde xn1 (0) corresponde a la derivada n 1 de x evaluada en t = 0.
Ejemplo 2.4.5 Sea x(t) = et u(t). Encuentre L
dx(t)
dt
Utilizando tablas o definiciones se tiene que

dx(t)
= et u(t) + (t)et = et u(t) + 1.(t)
dt
Por tablas, se sabe que
L
(t) 1
eat u(t)
1
s+a
dx(t)
dt
s
s+1
Entonces
L
22
Si se utilizan las propiedades,
L
dx(t)
dt
= sX(s) x(0 )
Pero x(0 ) = 0. Entonces

L
dx(t)
dt
=s
1
s+1
Differentiation in the s-Domain

Si
x(t) X(s)
Entonces,
L
tN x(t) (1)N
dN
X(s)
dsN
Integration
Si
x(t) X(s)
Entonces,
t
L
x()d
1
X(s)
s
Convoluci
on
Si
x1 (t) X1 (s)
L
x2 (t) X2 (s)
Entonces,
L
x1 (t) x2 (t) X1 (s)X2 (s)

En la Figura 2.7 tomada de [31] se pueden ver algunas de las transformadas tradicionales de Laplace.
.
2.4.3.
Soluci
on de ODEs
Ejemplo 2.4.6 [29] Un calibrador o

ptico utilizado por la Chrysler Corporation, el cual se utiliza para
verificar el perfecto alineamiento de todos los componentes met
alicos de varias clases de Sedan de cuatro
puertas, tiene unas din
amicas en lazo cerrado dadas por
y + 5y + 6y = f (t)
Asumiendo que f (t) = 0, y que y(0) = 1, y(0)
= 0, halle y(t).
Primero tendramos que colocar el sistema en terminos de la transformada de Laplace como sigue
s2 Y (s) sy(0) y(0)
+ 5sY (s) 5y(0) + 6Y (s) = 0

Y (s)(s2 + 5s + 6) = sy(0) + 5y(0)
23
Figura 2.7: Transformadas tpicas de Laplace [31]

Esto es equivalente a
Y (s) =
2
3
s+5
=
+
(s + 3)(s + 2)
s+3 s+2
Tomando la transformada inversa de Laplace se obtiene finalmente que

y(t) = 3e2t 2e3t
Un ejemplo de como se obtendran los residuos en Matlab viene dado por:
[r,p,k] = residue([1 5],[1 5 6])

r =
-2.0000
3.0000
p =
-3.0000
-2.0000
k =
[]
Para poder obtener la transformada inversa de Laplace se utilizan por lo general fracciones parciales.
24
Polos Sencillos
Sea
P (s) =
N (s)
=
D(s)
n
i=1
ki
(s pi )
donde
ki = [(s pi )P (s)]|s=pi
siempre y cuando el grado del numerador sea menor a la del denominador.
Polos M
ultiples
Sea
P (s) =
donde
k11
k1r
k21
k2m
N (s)
=
+ ... +
+
+ ... +
+ ...
r
D(s)
(s p1 )
(s p1 )
(s p2 )
(s p2 )m
k1r = [(s p1 )r P (s)]|s=p1
k1i =
1 di [(s p1 )r P (s)]
i!
dsi
s=pi
i = 1, . . . , r 1
y as sucesivamente para todos los polos.

Ejemplo 2.4.7 Sea
P (s) =
s2 (s
P (s) =
k11
k12
k21
k22
+ 2 +
+
s
s
(s + 1) (s + 1)2
P (s) =
1
2
1
2
+ 2+
+
s
s
(s + 1) (s + 1)2
>> [r,p,k]=residue([1],conv([1 0 0],[1 2 1]))

r =
2
1
-2
1
p =
-1
-1
0
0
k =
[]
%
1
+ 1)2
25

Polos Complejos Conjugados
P (s) =
donde
ki
ki+1
+
ki = ki+1
(s ( + j)) (s ( j))
ki = [(s + ( j))P (s)]|s=+j
Por lo tanto,
p(t) = ki e(j)t + ki e(+j)t
p(t) = 2|ki |et cos (t + ki )
Ejemplo 2.4.8 Sea
3
y + 2y + y = 0
4 3s
3s2 + 2s + 1
1
2
s=
3
3
P (s) =
Ejemplo 2.4.9 [7] Se tiene un sistema simple de masa resorte como se ve en la Figura 2.8. Este sistema
representa, por ejemplo, un amortiguador de choques para un vehculo. En el se puede ver el diagrama de
cuerpo libre de la masa M , donde b es el amortiguamiento viscoso (i.e., la fuerza de fricci
on es linealmente
proporcional a la velocidad de la masa), y la constante de un resorte ideal k.
Figura 2.8: Sistema Masa-Resorte-Amortiguador [7]

.
La ecuaci
on diferencial vendra dada por la suma de fuerzas actuando sobre M , i.e., utilizando la
segunda ley de Newton,
Ma =
F
En otras palabras sera,
M y + by + ky = r(t)
Si y(0 ) = y0 y y(0
) = 0, y r(t) = 0, por lo que tendramos que la representaci
on en Laplace sera,
M (s2 sy(0 ) y(0
)) + b(sY (s) y(0 )) + kY (s) = 0
Y (s) =
n(s)
(M s + b)y0
=
M s2 + bs + k
d(s)
(2.14)
26
Si d(s) = 0, estamos hablando de la ecuaci

on caracterstica, porque las races de esta ecuaci
on determinan
la caracterstica de la respuesta en tiempo. Las races de la ecuaci
on caracterstica se conocen como polos o
singularidades del sistema. Las races de n(s) se denominan ceros.
Consideremos el caso cuando k/m = 2 y b/m = 3, por lo que
Y (s) =
(s + 3)y0
(s + 1)(s + 2)
La Figura 2.9 [7] muestra como se graficara este sistema en el plano-s.
Figura 2.9: Representacion del sistema en el plano-s [7]

.
Utilizando expansi
on en fracciones parciales se tiene
Y (s) =
2
1
s+1 s+2
Tomando la transformada inversa de Laplace se obtiene finalmente que

y(t) = 2et e2t
Usualmente tambien se desea obtener el valor final o valor en estado estacionario. Para ello se utiliza
una de las propiedades m
as u
tiles de la transformada de Laplace, i.e., el teorema del valor final. Este se
puede ver como
lm y(t) = lm sY (s)
t
s0
Cabe aclarar que esto s

olo es v
alido si lmt y(t) existe. Para el ejemplo en cuesti
on, es claro que lmt y(t) =
0, lo que implica que la posici
on final de la masa es la posici
on y = 0.
Podramos ilustrar los puntos principales de la transformada de Laplace hasta ahora enunciados por
metodos gr
aficos. Para ello, tomemos la Ecuaci
on (2.14) nuevamente, i.e.,
Y (s) =
(s +
b
M )y0
b
s2 + ( M
)s +
k
M
Esto podra escribirse como

Y (s) =
(s + 2n )y0
2
+ 2n s + w
s2
donde es la tasa de amortiguamiento (no tiene dimensiones), y n es la frecuencia natural del sistema. El
polinomio caracterstico sera
2
=0
d(s) = s2 + 2n s + w
27

Por lo que las races vendran dadas por
s1,2 = n w
Para este caso especfico, n =
k
M,
y=
2 1
(2.15)
b
.
2 kM
Si analiz
aramos la Ecuaci
on (2.15) es claro que
Cuando > 1, las races son reales.
Cuando < 1, las races son complejas conjugadas.
Cuando = 1, las races son repetidas y reales. Esta u
ltima condici
on se conoce como amortiguamiento crtico.
Para el caso cuando > 1, la respuesta es subamortiguada, y las races de (2.15) se podran escribir como
s1,2 = n jw
1 2
Si grafic
aramos en el plano-s los polos y ceros de Y (s) obtendramos lo que se ve en la Figura 4.8 [7].
Figura 2.10: Representacion del sistema en el plano-s [7].

donde = cos1 . Si asumimos que n es constante, las races complejas conjugadas variaran dependiendo del valor de como se ve en la Figura 2.11 [7].
Es claro que la respuesta transitoria aumentar
a sus oscilaciones a medida que las races tiendan al
eje j, i.e., cuando tiende a cero.
Si calcul
aramos la transformada inversa utilizando la expansi
on en fracciones parciales para el caso
en que < 1, tendramos que
k1
k1
Y (s) =
+
s s1
s s2
donde
s1 = n + jw
1 2
s2 = n jw
1 2
Utilizando las ideas vistas previamente, obtenemos que

1
1
k1 = y 0 j y 0
2
2
1 2
28
Figura 2.11: Representacion como vara en el plano-s cuando n se mantiene constante [7].
Por lo tanto,
|k1 | =
1
y0
2
y
k1 = tan1
Finalmente, la respuesta en tiempo sera igual a
y(t) = y0
1
1
1
1 2
1 2
en t cos n t 1 2 + tan1
1 2
Gr
aficamente, esto se vera como se observa en la Figura 2.12 [7].
Figura 2.12: Respuesta en tiempo del sistema masa-resorte-amortiguador [7]

.
Mrese ahora la relaci
on entre la respuesta en tiempo y la ubicaci
on de los polos y ceros en el plano-s.
Si n vara, entonces la envolvente en t tambien, por lo que la respuesta cambiara. Entre m
as grande
sea el valor de n , m
as r
apido ser
a el amortiguamiento de la respuesta. Esto implicara desplazar bastante
los polos hacia la izquierda del plano-s.
Es claro que en aplicaciones de control se tendr
an m
as polos, por lo que la respuesta transitoria
depender
a de la contribuci
on de todos ellos. Estas ideas se analizar
an m
as adelante.
29
2.5. FUNCIONES DE TRANSFERENCIA
2.5.
Funciones de Transferencia
Definition 4 La funci
on de transferencia de un sistema lineal e invariante en el tiempo, es la relaci
on en
frecuencia que existe entre la entrada y la salida cuando las condiciones iniciales son iguales a cero.
En esta definicion, valida para sistemas lineales e invariantes en el tiempo, se tiene que para un sistema como
(7.18), la relacion entre la entrada u y la salida y estara dado por una transformacion en frecuencia de las
se
nales, siempre y cuando las condiciones iniciales sean nulas.
y n + a1 y n1 + . . . + an1 y + an y = b0 um + b1 um1 + . . . + bm1 u + bm u
nm
(2.16)
Esto sera,
H(s) =
L [salida]
L [entrada]
CI=0
donde L [] es la transformada de Laplace. Aplicando esto a (7.18), se obtiene que

H(s) =
b0 sm + b1 sm1 + . . . + bm1 s + bm
Y (s)
=
U (s)
sn + a1 sn1 + . . . + an1 s + an
(2.17)
Cabe aclarar que en realidad la respuesta de un sistema esta dada por dos componentes:
Y (s)
n(s)
R(s)
d(s)
Respuesta a Estado Cero
Respuesta Forzada
Funcion de Transferencia
p(s)
d(s)
Respuesta a Entrada Cero

Respuesta Natural
Ejemplo 2.5.1 [7] Se tiene el sistema que se ve en la Figura 2.13 [7]. Obtener la funci
on de transferencia
que relaciona la velocidad v1 (t) y la fuerza r(t).
Figura 2.13: Sistema masa-resorte-amortiguador [7]

. Al modelar el sistema, se tiene el siguiente conjunto de ecuaciones,
M1 v 1 + (b1 + b2 )v1 b1 v2
M2 v 2 + (v2 (t) v1 (t))b1 + kx2 (t)
= r(t)
= 0
donde x2 (t) corresponde a la posici

on asociada a la velocidad v2 (t). Si las condiciones iniciales son iguales
a 0, tendramos en frecuencia que
30
M1 sV1 (s) + (b1 + b2 )V1 (s) b1 V2 (s)

M2 sV2 (s) + (V2 (s) V1 (s))b1 + k V2s(s)
= R(s)
= 0
Despejando en terminos de V1 (s) se tiene que la funci

on de transferencia sera
V1 (s) =
2.6.
M2 s + b 1 +
k
s
(M1 s + b1 + b2 )(M2 s + b1 + ks ) b21
R(s)
Linealizaci
on
Las aproximaciones de un sistema no lineal a uno lineal se realiza para estudiar el comportamiento
local de un sistema, donde los efectos no lineales son peque
nos y practicamente despreciables. Para que
una ecuacion sea lineal, cada uno de los terminos no debe contener variables cuya potencia sea mayor que
uno. Existe una tecnica de linealizacion mediante la cual es posible aproximar las ecuaciones no lineales
que se pueden analizar mediante la transformada de Laplace. La suposicion basica es que la respuesta de
la aproximacion lineal representa la respuesta del proceso en la region cercana a un punto de operacion, al
rededor del cual se realiza la linealizacion [31, 7].
El manejo de las ecuaciones linealizadas se facilita en gran medida con la utilizacion de las variables
desviacion, las que se definen como la diferencia entre el valor de la variable y su valor en un punto de
operacion dado. Esto se podra escribir como
x
(t) = x(t) x
(2.18)
En (2.18) se tiene que x(t) es la variable que se esta analizando, y x

es el punto de operacion al rededor
del que deseamos trabajar. En otras palabras, la variable desviacion mide la diferencia entre el valor de la
variable y un valor de operacion sobre el que deseamos trabajar (ver Figura 2.14 [31]).
Figura 2.14: Representacion del sistema en terminos de la variable desviacion [31]

.
La transformacion del valor absoluto de una variable al de desviacion equivale a mover el cero sobre
el eje de esa variable hasta el valor base, i.e., x
. Se tiene que
dn x(t)
dn x
(t)
=
n
dt
dtn
Supongamos que se tiene la ecuacion diferencial
x(t)
= f (x(t))
La expansion por series de Taylor de la funcion no lineal f (x(t)) alrededor de un punto de operacion x
esta dada por

f (x(t)) = f (
x) +
df (x(t))
dx
x=
x
(x x
) +
1 d2 f (x(t))
2!
dx2
x=
x
(x x
)2 +
1 d3 f (x(t))
3!
dx3
x=
x
(x x
)3 + . . .

2.6. LINEALIZACION
31
La aproximacion lineal consiste en tomar u

nicamente los primeros elementos de la serie, i.e., aquellos que no
estan elevados a ninguna potencia. Por lo tanto,
f (x(t))
f (
x) +
df (x(t))
dx
x=
x
(x x
)
(2.19)
Si se plantea en terminos de las variables desviacion se tiene que

f (x(t))
f (
x) +
df (x(t))
dx
x=
x
Ejemplo 2.6.1 [31] Linealizar la ecuaci

on de Arrhenius para la dependencia de las tasas de reacci
on
qumica de la temperatura,
k(T ) = k0 eE/RT
Supongamos que T es el punto de operaci
on alrededor del cual queremos linealizar. Tomando (2.19) se tiene
que
dk
k(T ) = k(T) +
T
dt T =T
Es decir que
k(T ) = k(T) + k(T)
E
T
RT 2
Ejemplo 2.6.2 Analicemos el problema de un tanque acoplado con una v

alvula que se observa en la Figura...
ANADIR FIGURA
Primero, antes de plantear las ecuaciones diferenciales que nos ayudaran a entender el sistema,
recordemos c
omo se modela un sistema hidr
aulico.
El flujo de lquido a traves de una v
alvula que est
a totalmente abierta est
a dado por
q(t) = CV
P
G
donde q(t) corresponde al flujo, CV es el coeficiente de la v

alvula en gpm/(psi)1/2 y G es la gravedad especfica
del lquido que fluye a traves de la v
alvula. Esta ecuaci
on se puede reducir a
q(t) = K P
Donde la v
alvula se modela como se muestra en la Figura...
ANADIR FIGURA
La resistencia al flujo del lquido se define como la variaci
on de diferencia de nivel necesaria para
producir una variaci
on unitaria en el gasto.
Se sabe que
h
A()d
V =
(2.20)
P = gh + Pa
(2.21)
donde A es el a
rea del tanque, h la altura, la densidad, g la gravedad, y P a es la presi
on atmosferica. La
presi
on P y el volumen V de un tanque est
an relacionados por dV
=
C
como
se
observa
en la Figura...
dP
ANADIR FIGURA
Utilizando la regla de la cadena, se tiene que
dV dh
dV
=
dP
dh dP
32
Reemplazando (2.20) y (2.21) se obtiene que
1
dV
= A(h)
dP
g
1
Por lo tanto C = A(h) g
.
Por otra parte, el volumen en funci

on del tiempo est
a dado por
h
V (t) = V (0) +
0
(qi () qo ())d
donde qi es el flujo de entrada y qo es el flujo de salida.

Lo que implica que V = qi qo , y por ende
1
dP
= (qi qo )
dt
C
Retomando el problema original, tenemos que P1 = P1 Pa , qo = K1 P1 , y por lo tanto

1
(qi K1
P 1 =
C1
P1 )
1 , se obtiene que
Si linealizamos el sistema alrededor de los puntos de operaci
on qo y P
qo = qo +
1 = P1 Pa , por lo que
Pero, P
K1
1)
(P1 P
1
2 P
qo = qo +
1
(P1 P1 )
R1
Reemplazando en la ecuaci
on diferencial, obtenemos que
1
P1 =
C1
qi
1
P1
R1
Si se tomaran las funciones de transferencia de las variables desviaci

on (asumiendo que los puntos de operaci
on son las mismas condiciones iniciales para simplificar el problema), se obtendran dos sistemas de primer
orden, i.e.,
R1
P1
=
qi
1 + sC1 R1
1
qo
=
qi
1 + sC1 R1
Para ver el comportamiento de este sistema, sera u
til utilizar Simulink para ver el comportamiento tanto
del sistema no lineal y el lineal asumiendo que Pa = 3, P1 = 6, C1 = 5, y K1 = 2.
Un sistema de una entrada y una salida se puede ver como
dx
dt
= f (x, u)
= h(x, u)
(2.22)
con x Rn , u, y R.
Asumamos que los puntos de operacion son x = xe y u = ue . Para estudiar comportamientos locales
del sistema al rededor del punto de operacion, se asume que las variables desviacion x
= x xe y u
=
u ue son se
nales peque
nas, tal que las perturbaciones no lineales al rededor del punto de operacion pueden
ser despreciadas con respecto a los terminos lineales. Utilizando el cambio de variables por las variables
33
2.7. DIAGRAMAS EN BLOQUES
desviacion, y tomando w = y h(xe , ue ), ademas del hecho que por series de Taylor, y despreciando los
terminos de orden superior, se tiene que
f (x, u) = f (xe , ue ) +
f
f
(xe , ue )
x+
(xe , ue )
u + ...
x
u
Mas formalmente, se puede definir la linealizacion Jacobiana del sistema no lineal (2.22) como
x
= A
x + Bu
w = Cx
+ D
u
f
h
h
donde A = f
olo se
x |xe ,ue , B = u |xe ,ue , C = x |xe ,ue , y D = u |xe ,ue . Es importante recalcar que s
puede definir la linealizacion de un sistema con respecto a un punto de operacion.
Es decir, si uno generalizara para una funcion con n variables xi , i = 1, . . . , n tendramos que esta se
linealiza como
n
f
f (x1 , . . . , xn ) = f (
x1 , . . . , x
n ) +
(xk x
k )
(2.23)
xk (x1 ,...,xn )
k=1
Ejemplo 2.6.3 [31] Sea la funci

on
f (x, y, z) = 2x2 + xy 2 3
y
z
Demuestre que la aproximaci

on lineal de f () en x
= 1, y = 2, y z = 3 es f = 8
x + 3
y + 23 z.
2.7.
Diagramas en Bloques
Previamente, se haban utilizado sumadores, integradores, y bloques de ganancia u

nicamente para
hacer una representacion en diagramas en bloques. Ahora, tendremos bloques que representaran directamente
la funcion de transferencia, por lo cual si quisieramos representar las condiciones iniciales de un determinado
sistema, tendramos que tener bloques adicionales que representaran dicha energa inicial [5, 28, 7, 22].
En la Figura 2.15 [31, 22] se muestran algunas de las reglas de diagramas en bloques que se utilizaran.
Sin embargo, a continuacion se describen de manera mas profunda algunas de ellas.
Figura 2.15: Algunas reglas u

tiles cuando se manejan diagramas en bloques [31, 22].
34
2.7.1.
Combinaci
on en Serie
Se dice que se tiene una combinacion en serie cuando se tienen dos funciones de transferencia conectadas una despues de otra. En la Figura 2.16 [7] se muestra un sistema cuya salida X 3 (s) = X2 (s)G2 (s)
esta conectada con un sistema que tiene una salida X2 (s) = X1 (s)G1 (s). Reemplazando W (s) en la primera
ecuacion, se tiene que X3 (s) = X1 (s)G1 (s)G2 (s), lo que es equivalente al diagrama en bloques que tambien
se puede ver en la Figura 2.16 [7].
Figura 2.16: Combinacion Serie [7].
2.7.2.
Combinaci
on en Paralelo
Cuando dos sistemas tienen una entrada en com

un, y sus salidas estan atadas a un sumador, se
tiene una combinacion en paralelo. Analticamente, se tendra que X 1 (s) = X(s)F1 (s), X2 (s) = X(s)F2 (s), y
Y (s) = X1 (s)+X2 (s). As pues, el diagrama en bloques se puede reducir tal que Y (s) = X(s)(F 1 (s)+F2 (s)).
2.7.3.
Puntos de Partida
Un pick-off point es un punto donde llega una variable y de ah se divide en mas de un bloque. Las
Figuras 2.17 y 2.18 [7] muestran un par de ejemplos.
Figura 2.17: Ejemplo de puntos de partida [7].
Figura 2.18: Ejemplo de puntos de partida [7].
2.7.4.
Bloques con Sumadores
Las Figuras 2.19 y 2.20 [7] muestran un par de ejemplos.
35
2.8. LEY DE MASON
Figura 2.19: Ejemplo del algebra de bloques [7].
Figura 2.20: Ejemplo del algebra de bloques [7].
2.7.5.
Sistemas Retroalimentados
En la Figura 2.21, G(s) se conoce como la forward transfer function, mientras que H(s) se conoce
como la feedback transfer function. El conjunto G(s)H(s) se conoce como la open-loop transfer function. La
funcion de transferencia que relaciona la entrada y la salida de un sistema retroalimentado como el que se
ve en la Figura 2.21 sera,
G(s)
T (s) =
1 G(s)H(s)
Figura 2.21: Ejemplo del algebra de bloques para sistemas retroalimentados [7].
2.7.6.
2.8.
Ejemplos
Ley de Mason
En [18, 17] S. Mason definio las ideas para resolver ecuaciones lineales utilizando grafos o diagramas
de flujo, pero teniendo en cuenta aquello que Tustin omitio en un artculo previo. Esto dio origen a lo que
se conoce como Masons gain formula.
Los diagramas de flujo son una forma alternativa de representar graficamente los sistemas dinamicos.
Las se
nales se representan en estos casos por medio de nodos que estan conectados entre si por ramas. Cada
nodo representa una variable del sistema, y cada rama que conecta dos nodos representa una funcion de
transferencia o ganancia. El flujo va en una u
nica direccion, la cual se indica mediante una flecha. Sobre esta,
se coloca el valor de la ganancia entre dos nodos, lo que indica una relacion entre dos se
nales determinadas.
La idea es poder utilizar este tipo de ideas para poder obtener relaciones entrada salida sin tener que utilizar
el algebra de bloques descrito previamente.
A continuacion se explicara la terminologa utilizada, y luego se definira dicha formula. Estas definiciones fueron sacadas del [22].
36
Definition 5 Un nodo es un punto que representa una variable o se

nal.
Definition 6 Una rama es un segmento lineal dirigido que une dos nodos.
Definition 7 Un nodo de entrada (source) es un nodo que s
olo tiene una rama saliente. Un nodo de salida
(sink) es un nodo que s
olo tiene ramas entrantes. Un nodo mixto es aquel que tiene tanto ramas de entrada
y de salida. Un nodo suma las se
nales de todas las ramas entrantes y transmite esta suma a todas las ramas
salientes.
Definition 8 Un trayecto es una conexi
on entre ramas de un nodo a otro con las flechas en la misma
direcci
on. Es decir, todas las se
nales van en la misma direcci
on de un nodo a otro.
Un trayecto directo es aquel que conecta un nodo de entrada con un nodo de salida donde ning
un nodo
se encuentra m
as de una vez.
Definition 9 Un lazo es una trayectoria cerrada (loop) en la cual ning
un nodo se repite. N
otese que ning
un
nodo de entrada puede ser parte de una trayectoria cerrada ya que cada nodo en un lazo debe tener al menos
una rama que llegue al nodo y al menos otra rama saliendo.
Se dice que un lazo es disyunto cuando no se tiene un nodo en com
un.
Definition 10 La ganancia del trayecto es el producto de las funciones de transferencia de todas las ramas
del trayecto.
Es claro que para un sistema dado pueden existir varias formas de realizar el diagrama de flujo. Para
determinar la relacion entrada salida, se puede reducir el diagrama de flujo utilizando algebra (similar a lo
que vimos previamente), o se puede utilizar le ley de Mason que definimos a continuacion. La funcion de
transferencia entre un nodo de salida y uno de entrada, esta dada por
F (s) =
Pk k
(2.24)
k=1
donde n es el n
umero de trayectos directos, Pk es la ganancia del trayecto directo k, es el determinante
del diagrama, y k es el cofactor del determinante de la k-esima trayectoria directa del diagrama eliminando
los lazos que se tocan en el k-esimo camino directo; esto es, se eliminan los lazos que tocan el camino directo
Pk . se define a continuacion.
=1
La
a
Suma de todas las

ganancias de
lazos individuales
Lb Lc
+
b,c
Suma de los productos

ganancias de
lazos disyuntos (dos)
Ld Le Lf
d,e,f
Suma de los productos

ganancias de
lazos disyuntos (tres)
+...
Captulo 3
Caractersticas de los Sistemas

Pero las lenguas son sustancias radioactivas que hunden sus races en nuestro coraz
on m
as primitivo,
en la oscura e irracional memoria de la horda. Rosa Montero
3.1.
Introducci
on
Como se ha visto previamente, un sistema de control se compone de una serie de elementos que estan
interconectados de tal forma que se obtiene una respuesta deseada del sistema. Ya que lo que uno desea
es conocido, una se
nal proporcional al error producido entre la se
nal deseada y la actual se puede generar
(ver Figura 4.1p213). Para ello, alg
un tipo de retroalimentacion es necesaria, la cual redundara en un mejor
comportamiento del sistema. Es claro que este tipo de retroalimentacion aparece en varios sistemas en la
naturaleza, como lo son los sistemas biologicos y fisiologicos.
ANADIR FIGURA
Para poder entender las ventajas y caractersticas a la hora de introducir la retroalimentacion, comparemos con un sistema en malla abierta como el de la Figura...
ANADIR FIGURA
En este caso, es claro que la perturbacion TD (s) influye directamente Y (s), por lo que en ausencia
de retroalimentacion, el sistema de control es bastante sensible a las perturbaciones y a los cambios en los
parametros de G(s).
Por otro lado, un sistema retroalimentado negativamente sera como el que se observa en la Figura...
ANADIR FIGURA
A pesar de la complejidad, se tiene una serie de ventajas como:
1. Decremento de la sensitividad del sistema a variaciones en los parametros del proceso.
2. Mejora el rechazo a perturbaciones.
3. Mejora la atenuacion de la medicion del ruido.
4. Reduce el valor del error en estado estacionario del sistema.
5. Mas facil de controlar y ajustar la respuesta transitoria del sistema.
37
CAPITULO 3. CARACTERISTICAS DE LOS SISTEMAS
38
3.2.
Se
nal de Error
El sistema de la Figura... tiene tres entradas (i.e., R(s), D(s), N (s)), y una salida Y (s). El error de
seguimiento estara dado por
E(s) = R(s) Y (s)
Si asumimos que H(s) = 1 por simplicidad, se tiene que
Y (s) =
Gc (s)Gp (s)
Gp (s)
Gc (s)Gp (s)
R(s) +
D(s)
N (s)
1 + Gc (s)Gp (s)
1 + Gc (s)Gp (s)
1 + Gc (s)Gp (s)
(3.1)
Por lo que el error vendra dado por

E(s) =
Gp (s)
Gc (s)Gp (s)
1
R(s)
D(s) +
N (s)
1 + Gc (s)Gp (s)
1 + Gc (s)Gp (s)
1 + Gc (s)Gp (s)
(3.2)
Definamos la funcion
L(s) = Gc (s)Gp (s)
como la ganancia de lazo, lo cual dara
E(s) =
Gp (s)
Gc (s)Gp (s)
1
R(s)
D(s) +
N (s)
1 + L(s)
1 + L(s)
1 + L(s)
Por otro lado, se define

F (s) = 1 + L(s)
con lo que la funci
on de sensitividad sera
S(s) =
1
F (s)
(3.3)
y la funci
on de sensitividad complementaria sera
C(s) =
L(s)
1 + L(s)
Por lo tanto (3.2) se convertira en

E(s) = S(s)R(s) S(s)Gp (s)D(s) + C(s)N (s)
(3.4)
Analizando (3.4) se puede ver que para un Gp (s) dado, si queremos minimizar el error, se necesita que S(s)
y C(s) sean lo mas peque
nos posibles. Sin embargo, ambas funciones dependen de G c (s), y ademas
S(s) + C(s) = 1
Por lo que no podran minimizarse ambas funciones al tiempo. Para poder entender que significa que una
funcion sea grande o no, analicemos la magnitud de L(s), i.e., |L(j)| a lo largo de un rango de frecuencias
de interes. Para reducir la influencia de D(s) en E(s) se quiere que L(s) sea grande en el rango de
Gp (s)
sera peque
no, haciendo que la influencia de
frecuencias que caracterizan la perturbacion. Por ende, 1+L(s)
D(s) disminuya. Al tener L(s) = Gc (s)Gp (s) se requiere que la magnitud de Gc (s) sea alta. Para atenuar la
influencia del ruido N (s) en E(s), se requiere que L(s) sea peque
no en el rango de frecuencias que caracterizan
L(s)
el ruido. Por ende, 1+L(s)
sera peque
no, haciendo que Gc (s) tenga que tener una magnitud peque
na en ese
mismo rango de frecuencias.
3.3.
Sensitividad de Sistemas de Control para Variaciones de Par

ametros
Un proceso Gp (s) esta sujeto a una gran cantidad de variaciones en sus parametros que afectan el
proceso de control. En un sistema de malla abierta esta redundara en bastantes errores en la salida, mientras

3.3. SENSITIVIDAD DE SISTEMAS DE CONTROL PARA VARIACIONES DE PARAMETROS
39
que en un sistema de malla cerrada esto podra reducirse gracias al sensado de la salida en la entrada. Para
ello, la sensitivdad es de vital importancia.
Por ejemplo, si Gc Gp >> 1 para toda frecuencia, la salida sera Y (s) R(s) cuando D(s) = N (s) = 0.
Esto implicara que la salida y la entrada seran similares, pero Gc Gp >> 1 causara oscilaciones y se podra
llegar a la inestabilidad del sistema.
El hecho de que aumente la magnitud de la ganancia de lazo, disminuye el efecto de G p (s) en la salida,
es de mucha utilidad. Por lo tanto, la primera ventaja de un sistema retroalimentado es que el efecto en las
variaciones de los parametros del proceso Gp (s) se ve reducida.
Supongamos que la planta se ve sujeta a una serie de cambios en los parametros (e.g., cambios del
ambiente, envejecimiento) de tal forma que la verdadera funcion de transferencia del proceso es
Gp (s) + Gp (s)
Consideremos los efectos que se producen en el error E(s) debidos a Gp (s), asumiendo que D(s) = N (s) = 0,
y que solo tenemos como entrada la referencia.
E(s) + E(s) =
1
R(s)
1 + Gc (s)(Gp (s) + Gp (s))
Sabiendo la relacion que existe entre E(s) y R(s), se tiene que

E(s) =
Gc (s)Gp (s)
R(s)
(1 + Gc (s)(Gp (s) + Gp (s)))(1 + Gc (s)Gp (s))
Por lo general, Gc (s)Gp (s) >> Gc (s)Gp (s), i.e.,

E(s)
Gc (s)Gp (s)
R(s)
(1 + L(s))2
Esto quiere decir que el error se ve reducido por un factor 1 + L(s), el cual por lo general se hace mucho mas
grande que 1 en el rango de frecuencias de interes. Es decir que por lo general, 1 + L(s) L(s), haciendo
que
1 Gp (s)
E(s)
R(s)
L(s) Gp (s)
La sensitividad se vera reducida para cambios en el proceso siempre y cuando L(s) sea grande, i.e., sensitividad S(s) menor. Para este caso, la sensitividad del sistema se define como la proporcion de cambio
en la funcion de transferencia del sistema a cambios en el Gp (s) para peque
nos cambios incrementales. Es
decir, si la funcion de transferencia del sistema es
T (s) =
S(s) =
Y (s)
R(s)
T (s)/T (s)
Gp (s)/Gp (s)
En el lmite, para peque

nos cambios, esta ecuacion se convierte en
T
(s) =
SG
p
T (s) Gp (s)
ln T (s)
=
Gp (s) T (s)
ln Gp (s)
La sensitividad en malla abierta a cambios de la planta Gp (s) es igual a 1. Demostremos que en malla
cerrada, se tiene lo mismo obtenido previamente.
T (s) =
T
(s) =
SG
p
Gc (s)Gp (s)
1 + Gc (s)Gp (s)
Gc (s)
T (s) Gp (s)
=
Gp (s) T (s)
(1 + Gc (s)Gp (s))2
Gp (s)
Gc (s)Gp (s)
1+Gc (s)Gp (s)
1
1 + Gc (s)Gp (s)
CAPITULO 3. CARACTERISTICAS DE LOS SISTEMAS
40
En muchos casos, lo que se busca obtener es la sensitividad a variaciones de un parametro de la funcion

de transferencia del proceso Gp (s), i.e., ST . Utilizando la regla de la cadena, se tiene que
T
ST (s) = SG
(s)SGp (s)
p
Cuando la funcion de transferencia del sistema depende de un parametro que esta sujeto a variaciones del
estado, i.e.,
N (s, )
T (s) =
D(s, )
Su funcion de sensitividad estara dada por
ST (s) =
ln T (s)
ln N (s, )
=
ln
ln
ln D(s, )
ln
= SN (s) SD (s)
donde 0 es el valor nominal del parametro.

Ejemplo 3.3.1 Se tiene el sistema en malla cerrada con retroalimentaci
on negativa unitaria y ganancia de
a
lazo 1+KK
como
se
ve
en
la
Figura...
a (+1)
ANADIR FIGURA
La funci
on de transferencia est
a dada por
T (s) =
Ka
1+Ka (+1)
a
1+KK
a (+1)
Ka
1 + Ka
La sensitividad a variaciones de Ka sera

T
SK
(s)
a
T G
= SG
S Ka
T (s) G(s) G(s) Ka
= G(s) T (s) Ka G(s)
=
=
T (s) Ka
G(s) T (s)
1
1+Ka
Captulo 4
Respuesta de los Sistemas

Hemos renunciado a buscar un mundo perfecto quiz
a porque sabemos que la perfecci
on es imposible y a
lo mejor indeseable. Todos aspiramos con las justas a ser sobrevivientes dignos y nos resignamos con
humor a las injusticias, la corrupci
on y la violencia que vemos a diario. Alonso Cueto
Antes de iniciar con el dise

no de los controladores, necesitamos entender como se comportan los
sistemas con respecto a diversas entradas. Los sistemas que analizaremos son sistemas lineales e invariantes
en el tiempo (LTI), por lo cual se utilizara la transformada de Laplace para poder analizar el comportamiento
de sistemas de primero y segundo orden. Luego, se muestra que los sistemas de orden superior son una
combinacion de las respuestas de primer y segundo orden. Las entradas mas comunes en los sistemas de
control, de las cuales cuatro se ilustran en la Figura 4.1. Estas seran:
Entrada paso (escalon unitario): Este tipo de entrada se encuentra en varios sistemas como lo son
sistemas de temperatura donde se quiere conservar la misma temperatura en alg
un lugar determinado.
Entrada rampa: En el aterrizaje automatico de un avion, la aeronave sigue una entrada rampa que le
indicara la pendiente de planeacion a seguir (por lo general es igual a 3). Otro ejemplo que se encuentra
en la industria es el del tratamiento del calentamiento del acero. La temperatura se incrementa de forma
gradual a lo largo del tiempo.
Entrada sinusoidal: Su utilidad no parece evidente a simple vista, ya que por lo general no se requiere
que un sistema siga este tipo de se
nales. Sin embargo, si se conoce la respuesta de este tipo de
entradas en sistemas LTI para todas las frecuencias, se podra tener una descripcion mas completa del
sistema. De esta forma, se podran dise
nar compensadores o controladores para un sistema.
Hay otro tipo de entradas que se pueden utilizar como son las parabolicas, o aquellas que podran ser
descritas de forma general como
r(t) = tn
Es claro que como su transformada de Laplace es
R(s) =
n!
sn+1
su respuesta estara relacionada con otras se

nales de prueba.
En el siguiente analisis se vera que la respuesta en tiempo de un sistema esta compuesto de dos
elementos: (i) la respuesta transitoria (o respuesta natural), que es aquella que representa la forma como se
va desde el estado inicial hasta el estado final, y (ii) la respuesta en estado estacionario (o entrada forzada),
que representa el comportamiento del sistema cuando el tiempo tiende a infinito.
Para el siguiente analisis, se presentan ejemplos y simulaciones en Matlab y Simulink. Las siguientes
notas han sido adaptadas a partir de varios textos de control (e.g., [22, 31, 28, 7]).
41
CAPITULO 4. RESPUESTA DE LOS SISTEMAS
42
Entrada paso
Entrada rampa
10
8
1.5
6
1
4
0.5
tiempo
10
Entrada senoidal
tiempo
10
10
Entrada parablica
100
80
0.5
60
0
40
0.5
20
tiempo
10
tiempo
Figura 4.1: Diversos tipos de entradas comunes en el analisis de sistemas de control.
4.1.
Sistemas de Primer Orden
Asumamos que se tiene un diagrama en bloques como el que se muestra en la Figura... Utilizando lo
visto en el captulo anterior, se tiene que la funcion de transferencia viene dada por
H(s) =
K
s + 1
(4.1)
K
, donde R(s) puede ser una entrada paso, rampa, o
La salida de este sistema es igual a C(s) = R(s) s+1
sinusoidal. Algunas veces vale la pena estudiar la entrada impulso.
4.1.1.
Entrada paso
Si se tiene una entrada paso, entonces R(s) = 1s por lo que, utilizando fracciones parciales, C(s) se
vuelve igual a
K
K
C(s) =
s
s + 1
Tomando la transformada inversa de Laplace, se obtiene que
t
c(t) = K 1 e
(4.2)
En lneas generales, la salida c(t) se puede escribir como

c(t) = css (t) + ctr (t)
donde ctr (t) corresponde a la respuesta que va del estado inicial al estado final, y c ss (t) corresponde a la
manera como se comporta la salida del sistema conforme t .
La Figura 4.2 ilustra el resultado de (4.2) cuando K = 1, y = 10. En (4.2) la primera parte de
t
la respuesta corresponde a la respuesta en estado estacionario, mientras que la segunda parte, i.e., Ke
corresponde a la respuesta transitoria del sistema. Esto se debe a que si tomamos el lmite cuando t tiende
a infinito de (4.2) , obtenemos que
lm c(t) = lm sC(s) = K
t
s0
43
4.1. SISTEMAS DE PRIMER ORDEN
Por lo cual K corresponde al valor final o el valor en estado estable. La constante se conoce como la
constante de tiempo, y como se puede observar en la figura, despues de 4 o 5 el sistema ya esta cerca del
valor final. Por lo general, para t 4 la respuesta permanece dentro del 2 % del valor final.
Step Response
1
0.9
0.8
0.7
Amplitude
0.6
0.5
0.4
0.3
0.2
0.1
10
20
30
40
Time (sec)
50
60
70
80
Figura 4.2: Respuesta a entrada paso del sistema de primer orden (4.1) cuando K = 1, y = 10. La lnea
punteada roja representa el valor final cuando se ha cumplido el primer , mientras que la punteada negra
representa el valor final cuando se han cumplido 2 .
Otro punto interesante a analizar es lo que puede verse en la Figura 4.2. Cuando t = , el valor final
es igual al 63.2 % del valor final, ya que c( ) = K Ke1 = 0,632K. Cuando t = 2 se llega al 86.5 % del
valor final. Estos dos puntos se representan en la Figura 4.2. As pues, cuando la constante de tiempo es
peque
na, la respuesta es mas rapida, y esto se puede ver porque la pendiente de la curva en t = 0 es igual a
K
.
4.1.2.
Entrada rampa
En este caso, la funcion de transferencia expandida viene dada por

C(s) =
K
K
K
+
2
s
s
s + 1
Por lo tanto, en tiempo esto viene siendo equivalente a

t
c(t) = Kt K + K e
para t 0
La Figura 4.3 muestra un par de ejemplos de este tipo de respuesta. Para este caso, Kt K corresponde al
t
estado estacionario, mientras que K e corresponde a la respuesta natural. El error en este caso vendra
dado por e(t) = Kr(t) c(t), por lo que
t
e(t) = K + K e
Tomando el lmite de esta se
nal, tendremos que lmt e(t) = K . Por lo tanto, entre mas peque
no K
menor sera la diferencia entre la entrada y la salida en estado estacionario. Esto se puede apreciar mas
claramente si comparamos las dos graficas en la Figura 4.3. En el panel superior el valor del error es 10,
mientras que en el segundo caso es igual a 1. De esta forma, se puede observar claramente como el error
disminuye.
44
Respuesta rampa de un sistema de primer orden con = 10

80
70
Amplitude
60
50
40
30
20
10
0
10
20
30
40
Time (sec)
50
60
70
80
50
60
70
80
Respuesta rampa de un sistema de primer orden con = 1

80
70
Amplitude
60
50
40
30
20
10
0
10
20
30
40
Time (sec)
Figura 4.3: Respuesta a entrada rampa del sistema de primer orden (4.1) cuando K = 1, y = 10 para el
panel superior, y = 1 para el panel inferior.
4.2.
Sistemas de Segundo Orden
Consideremos el diagrama en bloques que se ve en la Figura 4.4, el cual podra ser equivalente a un
K
sistema que representa un servosistema con una funcion de transferencia dada por C(s)
R(s) = Js2 +Bs+K , donde
K es una constante de proporcionalidad, B es una constante de friccion y J es una constante de inercia.
Manipulando algebraicamente esta ecuacion, obtendremos
C(s)
= 2
R(s)
s +
K
J
B
Js
K
J
Una forma conveniente y estandar de escribir dicha expresion es

C(s)
wn2
= 2
R(s)
s + 2wn s + wn2
(4.3)
Esta forma se conoce como la forma estandar del sistema de segundo orden. Para el caso especfico del
B
ermino wn se conoce como la frecuencia
servosistema descrito previamente, wn2 = K
J , y 2wn = 2 = J . El t
natural no amortiguada, es el factor de amortiguamiento relativo del sistema, y es la atenuaci
on. El
factor de amortiguamiento relativo es el cociente real B y el amortiguamiento crtico B c = 2 JK.
Figura 4.4: Sistema de segundo orden [7]. En a) se tiene el grafo, mientras que en b) el diagrama en bloques.
El comportamiento dinamico del sistema se describe en terminos de w n y . Como se vio previamente,
si 0 < < 1 los polos del sistema son complejos conjugados y se encuentran ubicados en el semi-plano
izquierdo del plano-s. En este caso, se dice que el sistema es subamortiguado y su respuesta transitoria
es oscilatoria. Si = 0, la respuesta transitoria no es amortiguada, y si = 1 el sistema se denomina
crticamente amortiguado; finalmente, si > 1 el sistema es sobreamortiguado. A continuacion se analizaran
algunos de estos casos.
45
4.2. SISTEMAS DE SEGUNDO ORDEN
4.2.1.
Respuesta a Entrada Paso
Caso Subamortiguado (0 < < 1)

La Ecuacion (4.3) se puede escribir en este caso como
C(s)
wn2
=
R(s)
(s + wn + jwd )(s + wn jwd )
donde la frecuencia natural amortiguada del sistema wd es igual a wd = wn
paso, se tiene que
C(s)
=
=
=
1 2 . Si R(s) es una entrada
2
wn
s(s+wn +jwd )(s+wn jwd )
s+2wn
1
2
s s2 +2wn +wn
wn
s+wn
1
2 (s+w )2 +w 2
s (s+wn )2 +wd
n
d
Recordando la transformada inversa de Laplace para este caso, se tiene que

L 1
s + wn
= ewn t cos(wd t)
(s + wn )2 + wd2
L 1
wd
= ewn t sin(wd t)
(s + wn )2 + wd2
Esta u
ltima ecuacion podra asociarse a la que tenamos previamente de la siguiente forma
L 1
wd
wn w
d
(s + wn
)2
wd2
(1 2 )
ewn t sin(wd t)
Por lo tanto,
c(t) = 1 ewn t cos(wd t)
ewn t sin(wd t)
(1 2 )
Si se utiliza la identidad trigonometrica C cos + D sin = C 2 + D2 sin + tan1

1
c(t) = 1
(1 2 )
ewn t sin wd t + tan1
(1 2 )
C
D
, se obtiene
(4.4)
De (4.4) se puede deducir que la frecuencia de oscilacion por parte de la respuesta transitoria es igual a w d ,
i.e., depende directamente de . Si analizaramos la se
nal de error para este caso, obtendramos que
e(t)
=
=
r(t) c(t)
ewn t cos(wd t) +
(1 2 )
sin(wd t)
Como se puede ver, la se

nal de error presenta una oscilacion amortiguada, por lo que si t , entonces no
existe error. El u
nico caso crtico sera si = 0, donde se tiene una oscilacion permanente, con una frecuencia
wn (porque?). Un ejemplo de como sera la respuesta en tiempo para diversos casos se ilustra en la Figura
4.5.
Caso Crticamente Amortiguado ( = 1)
Si los dos polos de (4.3) son iguales, el sistema tendra que = 1, por lo que a entrada paso se tiene
que
C(s) =
wn2
s(s + wn )2
46
Figura cuando = 0
1.4
1.6
1.2
1.4
1.2
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
10
12
14
16
18
20
Figura cuando = 0.4
1.4
10
12
14
16
18
20
14
16
18
20
Figura cuando = 0.8
1.4
1.2
1.2
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0
Figura cuando = 0.2
1.6
1.8
0.2
10
12
14
16
18
20
10
12
Figura 4.5: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3). En este caso, se tiene
que = 0 para el panel superior izquierdo, = 0,2 para el panel superior derecho, = 0,4 para el panel
inferior izquierdo, y = 0,8 para el panel inferior derecho. En todos los casos, w n = 24.
La transformada inversa de Laplace sera
c(t) = 1 ewn t (1 + wn t)
(4.5)
Esto parte de la base que si = 1, tocara aproximar uno de los factores de (4.4) a
lm
sin(wd t)
1 2
= wn t
La Figura 4.6 muestra un ejemplo de como respondera el sistema para este caso.
Figura cuando = 1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
20
Figura 4.6: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 1 y w n = 24.
47

Caso Sobreamortiguado ( > 1)
En este caso, los dos polos de la funcion de transferencia en (4.3) son reales negativos y diferentes.
Para una entrada paso, se tiene que
C(s) =
wn2
2 1)(s + wn wn
s(s + wn + wn
2 1)
La transformada inversa de Laplace nos da

c(t) = 1 +
wn
2 1
es2 t
es1 t
s1
s2
(4.6)
donde s1 = wn + wn 2 1 y s2 = wn wn 2 1. Si se analiza (4.6) se puede ver que se tienen

dos factores exponenciales que decaen. Entre mas grande es el valor de , uno de las exponenciales decae
mas rapidamente (s2 sera considerablemente menor a s1 , por lo que la exponencial asociada a este polo
podra despreciarse). El efecto que tiene s2 en el sistema sera muchsimo mas relevante, por lo cual (4.6)
se aproxima mediante
s2
C(s)
=
R(s)
s + s2
Esta respuesta es similar a la respuesta de un sistema de primer orden. La Figura 4.7 muestra un ejemplo
de esta situacion.
Figura cuando = 2
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
20
Figura 4.7: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 2 y w n = 24.
Entrada Impulso
Para este caso, se tendra que
C(s) =
wn2
s2 + 2wn s + wn2
Por lo tanto, la respuesta en tiempo del sistema estara dada por

c(t)
wn
1 2
ewn t sin wn
1 2t
Es claro que este factor es la derivada del termino que se obtuvo en la seccion anterior para entrada paso.
En la Figura... se observa el comportamiento para diferentes s.
48
4.2.2.
Caractersticas Temporales del Sistema Subamortiguado
Para este caso, se asumira que se tiene una funcion de transferencia de la forma
H(s) =
Esto puede ser escrito como
H(s) = K1
s2
k
+ 2wn s + wn2
wn2
= K1 H1 (s)
+ 2wn s + wn2
s2
(4.7)
Por lo general, al dise

nar un sistema de control se especifican ciertas caractersticas que se definen en el ambito
del tiempo. Estas caractersticas estan ligadas a la respuesta transitoria, la cual depende de la entrada o la
perturbacion que se le aplique al sistema. La entrada clasica que se utiliza para ver dicho comportamiento es
el escalon unitario, ya que es facil de generar y es lo suficientemente drastico para observar el comportamiento
del sistema (ademas, al conocer su respuesta en tiempo, se pueden obtener todas las demas respuestas). Como
esta respuesta depende de las condiciones iniciales, se asumira que estas son cero, i.e., el sistema esta en
reposo al inicio.
Asumiendo que se tiene una entrada paso y el sistema es subamortiguado, se vio previamente que esto
puede ser escrito como
wn2
C(s) = K1 2
s(s + 2wn s + wn2 )
C(s)
K1
1
s
K1
1
s
s+2wn
2
s2 +2wn s+wn
s+wn
wn
2 (s+w )2 +w 2
(s+wn )2 +wd
n
d
Utilizando lo visto previamente, se obtiene finalmente que

c(t) = K1
1
(1 2 )
ewn t sin wd t + tan1
(1 2 )
(4.8)
Para simplificar nuestro analisis, se asumira que K1 = 1.

La Figura 4.10 muestra un ejemplo de la se
nal c(t) en (4.3). En esta figura, se pueden identificar cinco
puntos importantes:
tr : tiempo de subida. Es el tiempo que se necesita para subir del 10 al 90 por ciento del valor final (como
se muestra en la Figura 4.10). Sin embargo, esta definicion aplica mas para el caso sobreamortiguado.
La definicion que se utilizara aca es el tiempo que toma la se
nal de pasar del 0 al 100 % del valor final.
Utilizando (4.4), tenemos que el tiempo de subida viene dado cuando c(t r ) = 1. Esto quiere decir que
1 = c(t) = 1
1
(1
2)
ewn tr sin wd tr + tan1
(1 2 )
Como ewn tr = 0, esta ecuacion se puede escribir como

tan(wd tr ) =
1
(1 2 )
En la Figura 4.8 se muestra una solucion grafica para poder despejar la tangente en la ecuacion anterior.
Eso sera igual a
wd
1
tan1
tr =
wd
Entonces,
tr =
wd
49
Figura 4.8: Ubicacion de los polos en el plano-s [7]. Para este caso = , = w n , y wd = wn
1 2.
tp : tiempo de pico. Es el tiempo que se requiere para que la respuesta alcance el primer pico del
overshoot.
Para esto, se tiene que hallar la derivada de c(t) evaluada en tp , ya que esta sera igual a 0.
dc
dt
=0
t=tp
Esto sera equivalente a

wn ewn tp
cos wd tp +
sin wd tp
wn
1 2
+ ewn tp
wd sin wd tp
wd
1 2
cos wd tp
=0
ewn tp sin wd tp = 0
Lo que dara que sin wd tp = 0, por lo que wd tp = 0, , 2, . . .. Como el tp corresponde al primer pico,
tp =
wd
Si el sistema es sobreamortiguado, el tiempo de pico no estara definido, y en este caso el dise

no suele
tener en cuenta tr .
M P : Maximo pico porcentual. Es el valor del maximo pico de la respuesta medido con respecto al
valor de estado estable. El valor se define por lo general como
MP =
c(tp ) c()
100 %
c()
Utilizando esta idea, se obtiene que

M P = e
Por lo tanto,
wn w
cos
1 2
sin
50
MP = e
1 2
100 %
ts : tiempo de asentamiento. Es el tiempo que se requiere para que la respuesta del sistema llegue a un
rango dentro del cual se considera que el sistema esta en estado estable. Por lo general se utilizan las
reglas del 2 y el 5 % (i.e., estar dentro del 2 o el 5 % del valor final).
wn t
e
Si se analiza el sistema, se puede ver que las curvas 1
1 2
son las curvas envolventes de la respuesta
transitoria (ver Figura 4.9). Por lo tanto, la constante de tiempo de estas curvas es = w1 n . Como
bien se mencionaba previamente, el ts depende de la tolerancia, i.e., 2 % o 5 % del valor final. Si
es el 2 % del valor final, se tendra que esperar 4 para que el sistema ingrese dentro de esta banda,
mientras que si es el 5 %, se tendra que esperar 3 para que el sistema llegue a este rango. En el primer
caso,
ts =
4
wn ,
2%
ts =
3
wn ,
5%
mientras que en el segundo caso,
Figura 4.9: Curvas envolventes para la respuesta a entrada paso del sistema de segundo orden [22].
Ganancia DC: Este es el valor en estado estable del sistema.
A partir de todo esto, es claro que si uno desea una respuesta rapida, wn debe ser grande. Ademas,
para limitar M P y reducir ts , no debe ser demasiado peque
no. La Figura 4.11 ilustra como sera la relacion
en este caso.
51

Step Response
1.4
1.2
MP
DC gain
Amplitude
0.8
0.6
0.4
0.2
tr
tp
Time (sec)
ts
Figura 4.10: Respuesta a entrada paso del sistema de segundo orden descrito por (4.7). En este caso, K 1 = 1,
wn = 23,53, and = 0,46.
Figura 4.11: Relacion entre M P y . Ademas, se incluye la relacion entre wn tp y el factor de amortiguamiento
[7].
Ejemplo 4.2.1 Halle los valores de K y Kh en la Figura 4.12 para que el M P = 20 % y tp = 1.

La funci
on de transferencia en este caso est
a dada por
K
C(s)
= 2
R(s)
s + s(1 + KKh ) + K
Si comparamos con (4.3), se puede deducir que wn2 = K y que 2wn = 1 + KKh . Utilizando las ecuaciones
para M P y tp podemos obtener los valores de y wn , para luego obtener las variables deseadas. En este caso,
52
s2+s
R(s)
C(s)
Transfer Fcn
Subsystem
1+sKh
Figura 4.12: Diagrama en bloques.

se tiene que
e
= 0,2
1 2
Despejando, se obtiene que = 0,456. Como

tp =
wd
Por lo que al despejar se obtiene que wn = 3,53. Con esto se tiene que K = 12,46 y Kh = 0,1781. La Figura
4.13 muestra el resultado de la simulaci
on utilizando estos valores. Es claro que los par
ametros de dise
no
fueron cumplidos.
Step Response
1.4
System: untitled1
Peak amplitude: 1.2
Overshoot (%): 20
At time (sec): 0.988
1.2
System: untitled1
Final Value: 1
System: untitled1
Settling Time (sec): 2.36
1
System: untitled1
Rise Time (sec): 0.442
Amplitude
0.8
0.6
0.4
0.2
0.5
1.5
2
Time (sec)
2.5
3.5
Figura 4.13: Respuesta a entrada paso del sistema de segundo orden dise
nado para obtener los parametros
MP y tp definidos en el ejercicio.
4.3.
Sistemas de Orden Superior
Por lo general, el analisis que se ha hecho de sistemas de segundo orden nos da una clara vision del
comportamiento de los sistemas. Un concepto que aparece en el analisis previo, es el de races dominantes.
Estas races, que para el caso anterior eran los polos del sistema, son las que contienen la mayor cantidad
de informacion sobre el comportamiento del mismo. Para sistemas de orden superior a dos, la respuesta a
53
4.3. SISTEMAS DE ORDEN SUPERIOR
entrada paso se puede asemejar a lo visto previamente, haciendo algunas suposiciones (de esta forma, no es
necesario obtener la transformada inversa de Laplace para determinar el comportamiento del sistema).
Por ejemplo, tomemos el sistema de tercer orden,
T (s) =
1
(s2 + 2s + 1)(s + 1)
Si se mostrara el comportamiento en el plano-s se obtendra lo que se observa en la Figura 4.14, el cual

sera un sistema normalizado con wn = 1. Clement en (falta ref...) demostro que la performance del sistema
calculada por M P y ts se podra asemejar a un sistema de orden dos cuando
1
10|wn |
Es decir, que la respuesta de un sistema de tercer orden puede aproximarse a uno de segundo orden por sus
1
races dominantes siempre y cuando la parte real de dichas races sea menor que 10
de la parte real de la
tercer raz.
Figura 4.14: Ubicacion de polos de un sistema de tercer orden en el plano-s [7].

Por otro lado cabe aclarar que el analisis de un sistema de segundo orden es valido si la funcion
de transferencia no tiene ceros finitos, ya que si estos estan localizados relativamente cerca de los polos
complejos dominantes, la respuesta transitoria del sistema se vera altamente afectada. Por ejemplo, si se
tiene un sistema cuya funcion de transferencia es de la forma
T (s) =
2
n
a
(s + a)
(s2 + 2n s + n2 )
El porcentaje de overshoot a una respuesta escalon unitario sera funcion del termino a/, cuando 1,
como se puede ver en la Figura 4.15.
Otro ejemplo de lo que puede suceder cuando se le a
nade un polo y un cero adicional se tiene en el
siguiente caso. Asuma que se tiene un sistema cuya funcion de transferencia es de la forma
T (s) =
2
n
a
(s2
(s + a)
+ 2n s + n2 )(1 + s)
54
Figura 4.15: a) Porcentaje de overshoot como funcion de y n cuando un sistema de segundo orden posee
un cero. b) Respuesta a entrada paso para diversos valores de a/(n ). A=5, B=2, C=1, D=0.5, cuando
= 0,45 [7].
Cuyos polos y ceros pueden afectar la respuesta transitoria del sistema. Si a

n y
1/(n ), entonces
el polo y el cero no tendran mucho efecto sobre la respuesta a entrada paso. Sin embargo, si se tuviera un
sistema donde
T (s) =
(s2
62,5(s + 2,5)
+ 6s + 25)(s + 6,25)
Entonces, s habra inconvenientes. Por ejemplo, la ubicacion de los polos en el plano-s sera la que se observa
en la Figura 4.16.
Notese que la ganancia DC es igual a 1 (i.e., T (0) = 1), por lo que se espera tener un error en estado
estacionario nulo a entrada paso. A su vez, se tiene que n = 3, = 0,16, y a = 2,5. Si quisieramos
despreciar el polo real, la funcion de transferencia sera
T (s) =
10(s + 2,5)
(s2 + 6s + 25)
donde el factor de 62.5 cambio por el de 10 para preservar el valor DC de la funcion. Es claro que en este
caso se tendra que = 0,6, y n = 5, lo que implicara que se tienen polos dominantes acompa
nados de
un cero con a/(n ) = 0,833. Utilizando Matlab, se tiene que el M P = 55 %, y el ts = 1,33 segundos. Sin
embargo, si graficaramos la respuesta a entrada paso del sistema, se ve que se obtiene un overshoot mucho
menor (i.e., 38 %), y que el ts aumenta a 1.6 segundos (ver Figura 4.17). Es decir que los efectos de un tercer
polo en T (s) hacen que se amortig
ue el overshoot, pero que se aumente el tiempo de establecimiento. Por lo
tanto, no se puede despreciar el tercer polo en este caso.
DE LAS RAICES EN EL PLANO-S Y LA RESPUESTA TRANSITORIA

4.4. UBICACION
55
Figura 4.16: Ubicacion de los polos y ceros en el plano-s para un sistema de tercer orden [7].
Step Response
1.6
System: T2
Peak amplitude: 1.54
Overshoot (%): 54.4
1.4
System: T1
Peak amplitude: 1.38
Overshoot (%): 37.9
1.2
System: T2
Amplitude
System: T1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
Time (sec)
1.2
1.4
1.6
1.8
Figura 4.17: Respuesta a entrada paso para un sistema de tercer orden con un cero. Si se desprecia el polo
(-), el overshoot es mayor, pero su ts es menor. Si no se desprecia (), se tiene que el overshoot disminuye,
haciendo que el tiempo de establecimiento aumente.
4.4.
Ubicaci
on de las Races en el Plano-s y la Respuesta Transitoria
La respuesta transitoria de un sistema retroalimentado en malla cerrada puede ser descrito en terminos
de la ubicacion de los polos de la funcion de transferencia. En general se vio que la funcion de transferencia
esta dada por
Pk (s)k (s)
C(s)
= k
T (s) =
R(s)
(s)
donde (s) = 0 es la ecuacion caracterstica del sistema. Para un sistema con ganancia de lazo G(s) y
retroalimentacion negativa con ganancia H(s), la ecuacion caracterstica sera (s) = 1 + G(s)H(s).
56
Para un sistema de malla cerrada, los polos de T (s) son las races de (s) y a su vez los polos de
P
a descrita por las races de (s) (i.e.,
k k (s)k (s), por lo que la respuesta transitoria del sistema estar
los polos y ceros de T (s) estan incluidos en (s)).
La salida de un sistema con ganancia 1 a entrada paso unitaria, donde no hay races repetidas se
puede expresar como
M
N
Ai
Bk + C k
1
+
C(s) = +
2
s i=1 s + i
s + 2k s + (k2 + k2 )
k=1
donde Ai , Bk , Ck son constantes. Las races del sistema seran s = i y s = k jk , por lo que al tomar
la transformada inversa se tendra una respuesta transitoria que sera la suma de varios terminos, i.e.,
N
Ai e
c(t) = 1 +
i=1
i t
Dk ek t sin k t + k
+
k=1
donde Dk es una constante que depende de Bk y Ck , k , k . La respuesta transitoria se compone de la salida

en estado estable, los terminos exponenciales, y los terminos senoidales amortiguados. Para que el sistema
sea estable, i.e., para que la salida sea acotada a una entrada paso, la parte real de las races i y k
debe estar ubicada en el semi-plano izquierdo del plano-s. En la Figura 4.18 se ve la respuesta impulso para
varias ubicaciones de las races.
Figura 4.18: Respuesta impulso para varias ubicaciones de las races en el plano-s. El complejo conjugado
no se muestra [7].
A medida que se vaya tomando experiencia, se va a ver que la ubicacion de los ceros tambien es
fundamental en la respuesta del sistema. Los polos de T (s) determinan los modos particulares que estaran
presentes en la respuesta, mientras que los ceros estableceran un peso relativo en cada uno de los modos.
Por ejemplo, mover un cero cerca de un polo reducira la contribucion relativa del modo correspondiente al
polo. El ejemplo siguiente ilustra mejor estos detalles (ver ppt para el ejemplo...).
Captulo 5
Estabilidad de los Sistemas

Me costaba entender que no tena que caerle bien a todos para ser respetado, ni tampoco que el agrado
o desagrado que nos procura una persona es algo caprichoso, incapaz de ser explicado s
olo por la raz
on
La materia del deseo, Edmundo Paz Sold

an
Uno de los problemas que se tiene a la hora de dise
nar los controladores, es el de la estabilidad. Un
sistema puede ser estable o inestable, pero al interactuar con otros dispositivos, las caractersticas pueden
cambiar. Existen varios metodos, que sirven de base para el desarrollo de controladores.
Criterio de estabilidad Routh-Hurwitz: este criterio fue de los primeros metodos de estabilidad desarrollados. Su importancia radicaba en la consecucion del n
umero de races con parte real positiva, con
lo que se poda determinar si un sistema era o no estable. Se dice que un sistema es de fase mnima si
todos los polos y ceros estan ubicados en el semiplano izquierdo del plano s (si al menos uno se ubica
en el semiplano derecho, se dicen de fase no mnima).
Criterio del lugar de las races: Evans desarrollo un metodo grafico que permita entender mas claramente como se desplazaban los polos y ceros de la ecuacion caracterstica. Durante muchos a
nos su
uso fue fundamental para el desarrollo de controladores, y en la actualidad existen herramientas de
computador que permiten graficar lugares de las races complejos.
Diagramas de Bode y Nyquist: Estas dos herramientas tambien permiten observar el comportamiento
de un sistema desde un punto de vista practico.
En el siguiente analisis se presentan ejemplos y simulaciones en Matlab y Simulink, ademas de la teora del
criterio de estabilidad de Routh-Hurwitz, ademas de una extension a la parte robusta como lo es el metodo
de Kharitonov. Las siguientes notas han sido adaptadas a partir de varios artculos y textos de control
(e.g., [10, 22, 9, 15, 31, 28, 7, 26]).
5.1.
Criterio de Estabilidad Routh-Hurwitz

La funcion de transferencia del sistema de la Figura 6.2 se puede escribir como
C(s)
G(s)
=
R(s)
1 + G(s)H(s)
b0 sm + b1 sm1 + . . . + bm1 s + bm
C(s)
=
R(s)
a0 sn + a1 sn1 + . . . + an1 s + an
mn
(5.1)
donde el denominador se conoce como la ecuacion caracterstica del sistema. Las races de esta ecuacion
definen la estabilidad del sistema, por lo que estas tienen que estar en el semi-plano izquierdo del plano
57
CAPITULO 5. ESTABILIDAD DE LOS SISTEMAS
58
s. Las ventajas del metodo establecido paralelamente por E. J. Routh y A. Hurwitz es que no se tienen
que factorizar el denominador para encontrar exactamente la ubicacion de las races. El metodo original se
desarrollo en terminos de los determinantes, pero para explicar de una manera mas clara, se utilizara una
forma mas sencilla que involucra un conjunto de elementos en forma de filas y columnas. En (5.1), se elimina
cualquier raz cero (i.e., an = 0), y se hace el analisis siempre y cuando todos los coeficientes ai sean positivos,
cuando uno esta interesado en estabilidad absoluta del sistema (esto se debe a que si se tienen a i 0 y al
menos un aj > 0, entonces al menos existe una raz imaginaria o con una parte real positiva, lo cual implica
que el sistema es inestable).
1
R(s)
G(s)
1
C(s)
G(s)
H(s)
H(s)
Figura 5.1: Sistema retroalimentado.

El criterio de estabilidad parte de organizar el polinomio de la ecuacion caracterstica como
a0 sn + a1 sn1 + . . . + an1 s + an = 0
donde todos los coeficientes ai > 0. Luego, se define la siguiente tabla
sn
s
sn2
sn3
..
.
a0
a1
b1
c1
..
.
a2
a3
b2
c2
..
.
s2
s
s0
e1
f1
e2
e2
n1
0 a3
0 a5
donde b1 = a1 a2aa
, b2 = a1 a4aa
, b3 =
1
1
b1 a5 b3 a1
b1 a7 b4 a1
c2 =
, y c3 =
, entre otros.
b1
b1
a1 a6 a0 a7
,
a1
a4
a5
b3
c3
..
.
a6
a7
...
...
..
.
y as sucesivamente. Por ejemplo, c1 =
b1 a3 b2 a1
,
b1
El criterio de estabilidad de Routh-Hurwitz propone que el n

umero de races con parte real positiva
en la ecuacion caracterstica es equivalente al n
umero de cambios de signo en los coeficientes de la primera
columna de la matrizformada previamente. Si todos los coeficientes en esta primera columna son positivos,
entonces el sistema es estable.
Ejemplo 5.1.1 Determine la estabilidad del sistema
a0 s 3 + a 1 s 2 + a 2 s + a 3 = 0
s3
s2
s
s0
a0
a1
a1 a2 a0 a3
a1
a2
a3
a3
Por lo tanto, para que el sistema sea estable, se requiere que a1 a2 > a0 a3 .
59
5.1. CRITERIO DE ESTABILIDAD ROUTH-HURWITZ

Ejemplo 5.1.2 Determine la estabilidad del sistema
s4 + 2s3 + 3s2 + 4s + 5 = 0
s4
s3
s2
s
s0
1
2
1
6
5
3
4
5
5
0
Por lo tanto, al haber dos cambios de signo, existen dos races con parte real positiva. Esto puede ser comprobado directamente utilizando el comando roots en Matlab. En este caso, se obtendran las siguientes races:
1,28 j0,86 y 0,29 j1,41.
Existen un par de casos especiales que se trataran a continuacion.
1. Caso 1: Si un termino en la primera columna es cero, pero el resto no, el cero se sustituye por un valor
peque
no que se denominara .
Ejemplo 5.1.3 La ecuaci
on caracterstica est
a dada por
s3 + 2s2 + s + 2 = 0
s3
s2
s
s0
1
2
1
2
0
2
Como no hay cambio de signo, pero el sistema presenta un , se puede decir que el sistema es crticamente (marginalmente) estable.
a dada por
s5 + 2s4 + 4s3 + 8s2 + 10s + 6 = 0
s5
s4
s3
s2
s
s0
Hay dos cambios de signo, ya que
inestable.
1
2
4 10
8 6
7
6
0
8 14
7
6
> 0, por lo que el factor
8 14
< 0. Por lo tanto, el sistema es
2. Caso 2: Si toda una fila de elementos es igual a cero, esta tiene que ser sustituida por la derivada de
la fila anterior.
a dada por
s4 + 4 = 0
s4
s3
1
0
0
0
En este caso, se toma como polinomio auxiliar el que corresponde a la fila anterior a la que se tiene
llena de ceros. En este caso, P (s) = s4 + 4, y su derivada corresponder
a ahora a la nueva fila de s3 .
En este caso, se tendra que
s4
1
0 4
s3
4
0
s2 0
4
s 16/
s0
4
Hay dos cambios de signo, ya que
> 0. Por lo tanto, el sistema es inestable.
60
Este criterio es bastante utilizado en el dise

no de controladores.
Ejemplo 5.1.6 Hallar el rango de Kc en la Figura 5.2 para que el sistema sea estable.
1
R(s)
0.016
50
3s+1
30s+1
Transfer Fcn1
Transfer Fcn2
Kc
Kc
1
C(s)
Transfer Fcn
1
10s+1
Figura 5.2: Dise

nar Kc para que el sistema sea estable
La ecuaci
a dada por
1 + Kc
50
1
0,016
=0
3s + 1 30s + 1 10s + 1
Esto se puede escribir como

900s3 + 420s2 + 43s + (1 + 0,8Kc ) = 0
Utilizando el criterio de estabilidad de Routh-Hurwitz, se tiene que
s3
s2
s
s0
900
420
17160720Kc
420
1 + 0,8Kc
43
1 + 0,8Kc
Por lo tanto el rango de Kc tiene que ser 1,25 < Kc < 23,83.
Ejemplo 5.1.7 Se tiene un proceso inestable cuya funci
on de transferencia viene dada por
P (s) =
1
(s 1)(s2 + 2s + 2)
Lo que se desea en este caso es utilizar un compensador G(s) de la forma

G(s) =
K(s + 2)
s+3
tal que el sistema en malla cerrada unitaria con retroalimentaci

on negativa sea estable. Halle el rango de K
para que esto se logre.
3 < K < 14
68 K K 2 > 0
Por lo que se tiene que
3<K<
68,25 0,5
7,76
Ejemplo 5.1.8 Halle el rango de K en funci

on de T para que el sistema sea estable para el sistema de la
Figura 5.3.
La ecuaci
on caracterstica, est
a dada por
s + 1 + KeT s = 0
Sistemas con Tiempo Muerto
Existen sistemas en los cuales la respuesta no es inmediata, con lo que se tiene un tiempo muerto o
retardo de transporte. Por lo general, la salida viene siendo una se
nal desplazada un determinado tiempo T .
61
1
R(s)
Ke^(Ts)/(s+1)
1
C(s)
Kc
Figura 5.3: Sistema con tiempo muerto

En frecuencia, un desplazamiento en tiempo, implica multiplicar el sistema por una exponencial e sT . Para
poder hacer el an
alisis, se utilizan aproximaciones, dentro de las cuales, la m
as conocida es la aproximaci
on
de Pade. En general, la aproximaci
on de Pade de orden n viene dada por
Pd (s) = eT s =
donde
ck =
n
k
k k
k=0 (1) ck T s
n
k k
k=0 ck T s
(2n k)!n!
k = 0, . . . , n
2n!k!(n k)!
Por ejemplo, para n = 1, c0 = 1 y c1 = 1/2. Es decir que la aproximaci

on de Pade de primer orden viene
dada por
1 T2 s
esT =
1 + T2 s
Para n = 2, se tiene que c0 = 1, c1 = 1/2 y c2 = 1/12, por lo que se tendra que
Pd (s) = esT =
1+
T
2
T
2
s+
s+
(T s)2
12
(T s)2
12
Utilizando la aproximaci
on de Pade descrita previamente, se tiene que
T
T
T 2
s +s 1K +
2
2
2
+ (1 + K) = 0
Utilizando el criterio de Routh-Hurwitz, se tiene que

s2
s
s0
T
2
K T2
1
+
1+K
1+K
T
2
Esto implica finalmente que K > 1 y K < 1 + T2 . Se puede ver claramente que a medida que T aumenta, el
rango de ganancia disminuye, por lo cual el tiempo muerto influye bastante en la estabilidad de los sistemas.
5.1.1.
Robustez y Estabilidad
El criterio de estabilidad de Routh-Hurwitz determina la estabilidad de un polinomio caracterstico

con coeficientes fijos. Sin embargo, si algunos de los parametros tienen ciertos tipos de incertidumbres (debido
a la planta), o parametros libres como los del controlador en los coeficientes de la ecuacion caracterstica, se
necesita hacer una variacion al criterio de Routh-Hurwitz. Para ello, se introduce a continuacion el criterio de
estabilidad de Kharitanov, el cual es u
til en este tipo de problemas (sin embargo, si el n
umero de parametros
es grande, el analisis se vuelve un poco largo y tedioso) [26].
Asumamos que la funcion de transferencia de una planta esta dada por
P (s) =
Kp
s2 + 2n sn2
62
A su vez, supongamos que de acuerdo al conocimiento que se tiene de la planta se sabe que se tienen unos
rangos para cada uno de los parametros, i.e., Kp [0,8, 1,3], [0,2, 0,3] y n [10, 12].
La funcion de transferencia se puede escribir entonces como
q0
P (s) =
2
r0 s + r 1 s + r 2
donde q0 [0,8, 1,3], r0 [1, 1], r1 [4, 7,2], y r2 [100, 144]. Es claro entonces que se tendran una gran
cantidad de posibilidades para formar una u
nica funcion de transferencia del sistema.
Generalizando, se puede ver que cualquier funcion de transferencia que tenga incertidumbre en sus
parametros se puede escribir de la forma
Pq,r (s) =
q0 sm + q1 sm1 + . . . + qm
Np (s)
=
Dp (s)
r0 sn + r1 sn1 + . . . + rn
donde qk [qk , qk+ ] para todo k = 0, . . . , m, y rl [rl , rl+ ] para todo l = 0, . . . , n. Los y + corresponden
a los lmites inferiores y superiores de los parametros, respectivamente. Las plantas P q,r (s) con esta clase de
incertidumbres se conocen como interval plants. Si se tiene un sistema retroalimentado como el que se ve en
Nc (s)
la Figura..., con C(s) = D
, la funcion de transferencia vendra dada por
c (s)
T (s) =
Nc (s)Np (s)
Dc (s)Dp (s) + Nc (s)Np (s)
Por lo que el sistema sera robustamente estable si todas las races de la ecuacion caracterstica D c (s)Dp (s) +
Nc (s)Np (s) = 0 estan ubicadas en el semi-plano izquierdo para todas las posibles combinaciones de P (s)
Pq,r (s).
ANADIR FIGURA
Ejemplo 5.1.9 Sean
s+2
s2 + 2s + 2
q0
P (s) =
r0 s3 + r 1 s2 + r 2 s + r 3
con r0 [1, 1,1], r1 [4, 4,2], r2 [6, 8], r3 [10, 20], y q0 [3, 5]. Entonces, el polinomio caracterstico
estara dado por
(s2 + 2s + 2)(r0 s3 + r1 s2 + r2 s + r3 ) + q0 (s + 2) = 0
C(s) =
Expandiendo este polinomio, se tendra que

a0 s 5 + a 1 s 4 + a 2 s 3 + a 3 s 2 + a 4 s + a 5 = 0
donde a0 [1, 1,1], a1 [6, 6,4], a2 [16, 18,6], a3 [30, 44,4], y a5 [26, 50]. N
otese bien que en este caso
hay seis coeficientes, pero en realidad s
olo cinco son variables caractersticas del sistema (i.e., s
olo los r i s y
q0 son variables).
Consideremos que el polinomio caracterstico es
= a0 sn + a1 sn1 + . . . + an
+
donde los coeficientes ak pueden tomar cualquier valor en un intervalo dado [a
k , ak ], k = 0, . . . , n, cuyos
valores son independientes de aj , j = k. El conjunto de todas las ecuaciones caractersticas esta dado por
+
a := a0 sn + . . . + an : [a
k , ak ], k = 0, . . . , n
Theorem 5.1.1 Teorema de Kharitanov Todos los polinomios en a son estables s y s

olo s los siguientes cuatro polinomios son estables
a1 (s)
a2 (s)
a3 (s)
a4 (s)
+
+
2
3
4
5
= a
n + an1 s + an2 s + an3 s + an4 s + an5 s + . . .
+
+
+
2
3
4
5
= a+
+
a
s
+
a
s
+
a
s
+
a
s
+
a
s
+ ...
n
n1
n2
n3
n4
n5
+
+
+
2
3
4
5
= an + an1 s + an2 s + an3 s + an4 s + an5 s + . . .
+
+
2
3
4
5
= a+
n + an1 s + an2 s + an3 s + an4 s + an5 s + . . .
63
En la literatura, los polinomios a1 (s), . . . , a4 (s) se conocen como los polinomios de Kharitanov. Por medio
del teorema de Kharitanov, la robustez en estabilidad puede ser obtenida al aplicar el teorema de estabilidad
de Routh-Hurwitz a cada uno de los cuatro polinomios. Si se ve desde el punto de vista de complejidad, el
hecho de haber reducido todo el espacio de posibilidades a solo tener que observar el comportamiento en
estos cuatro polinomios es un gran logro.
64
Captulo 6
Sistemas de Control Retroalimentado

Dicen que la manera m
as limpia y sana de salir de un presente que agobia y que no vislumbra ning
un
futuro es poner marcha atr
as e internarse en el pasado. S
olo el pasado, con sus hechos y recuerdos,
podr
a esclarecer lo que hoy nos parece tan enredado y oscuro. Quiz
as. Pero entiendo a los que se
niegan a rebobinar hacia cualquier lado. Si algo tenamos en com
un todos nosotros era que no
queramos ni mirar ni sentir. Nuestra u
nica convicci
on era no volver a tener ninguna.
Por favor, Rebobinar, Alberto Fuguet

La estrategia de control retroalimentado es tratar de mantener el valor de salida cerca de un valor
deseado o set-point por medio de:
1. Medirla salida utilizando un dispositivo determinado, independientemente que la salida de un sensor/transmisor pueda llegar a alterarse.
2. Compararla variable medida con el valor deseado o set-point para obtener la desviacion (que sera la
se
nal de error, o la se
nal de error retroalimentado).
3. Utilizando esta se
nal de error, el controlador procesara dicho valor y su salida sera la alimentacion del
proceso.
4. Esta salida, antes de ir al proceso pasa por un elemento final de control, el cual se encarga de transmitir
dicha se
nal en las unidades determinadas al proceso.
5. Nuevamente se mide la se
nal de salida, y se repite el proceso.
Un sistema de control tpico tiene la forma que se muestra en la Figura 6.1.
A continuacion se analizara en primera instancia lo que sucede con la se
nal de error que surge al
comparar la variable medida con el valor deseado, para luego ver como funcionan diversos tipos de controladores. Las notas de este captulo han sido sacadas de varios libros, dentro de los que se destacan
[22, 31, 7, 11, 8, 24, 16, 32, 2, 23].
6.1.
An
alisis de Error
Por lo general, este sistema se analiza como un sistema retroalimentado como el que se muestra en
G(s)
la Figura 6.2, cuya funcion de transferencia viene dada por C(s)
R(s) = 1+G(s)H(s) . Es bien sabido que los
sistemas responden de manera diferente, dependiendo del tipo de entrada que se aplica al mismo. En estado
estacionario, existen sistemas que tienen errores iguales a cero para una entrada paso, mientras que si la
entrada es una rampa o parabola, entonces el sistema ya no tiene a cero de manera asintotica.
65
CAPITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO
66
2
D(s)
1
R(s)
Gp(s)
Gc(s)
Gv(s)
Controlador
Vlvula
Elemento final de control
1
C(s)
Proceso
Gt(s)
Gs(s)
Transmisor
Elemento Secundario
Sensor
Elemento Primario
Figura 6.1: Sistema de control tpico. La referencia o el set point viene siendo R(s), mientras que la variable
controlada es C(s). La perturbacion es D(s).
1
R(s)
G(s)
1
C(s)
G(s)
H(s)
H(s)
Figura 6.2: Sistema retroalimentado.

La funcion de transferencia que relaciona el error E(s) en la Figura... con la entrada esta dado por
1
E(s)
=
R(s)
1 + G(s)H(s)
donde el termino G(s)H(s) se conoce como la funci
on de transferencia de lazo abierto. Por lo general, esta
funcion se puede escribir como
G(s)H(s) = K
(Ta s + 1)(Tb s + 1) . . . (Tm s + 1)

sN (T1 s + 1)(T2 s + 1) . . . (Tp s + 1)
El termino sN representa la multiplicidad de un polo en el origen, y N representa el tipo de sistema que se

tiene. Entre mas grande sea el valor de N , menor sera la estabilidad del sistema como se vera luego. Cabe
resaltar que el tipo del sistema es diferente del orden de un sistema.
El error en estado estacionario viene dado por
ess = lm e(t) = lm sE(s)
t
s0
De acuerdo al sistema de la Figura.... este error se puede escribir como

ess = lm sR(s)
s0
1
1 + G(s)H(s)
Definamos Kp = lms0 G(s)H(s), por lo que tendramos varios casos dependiendo el tipo de entrada del
sistema.
67
6.2. CONTROLADORES PID

1. R(s) = 1s . En este caso, si N = 0, Kp = K, por lo que ess =
ess = 0.
2. R(s) = s12 . En este caso, si N = 0, ess = . Si N = 1, ess =
que ess = 0.
3. R(s) =
6.2.
1
s3 .
En este caso, si N 1, ess = . Si N = 2, ess =
1
1+K .
1
K.
1
K.
Si N 1, Kp = , con lo que
Finalmente, N 2, Kp = , con lo
Finalmente, si N 3, ess = 0.
Controladores PID
El controlador de tres terminos como se le conoca originalmente aparecio por primera vez en 1922
[19]. En este artculo, Minorsky aplicaba por primera vez ideas de control a barcos, y se basaba en el hecho
de que peque
nas desviaciones (producidas por la linealizacion de los elementos) podran ser utilizadas para
entender las dinamicas de un sistema bajo control. A continuacion se estudiara el controlador Proporcional,
Integral, y Derivativo (PID) en cada una de sus diversas configuraciones.
6.2.1.
Controlador Proporcional
El controlador proporcional es el mas simple (sin contar con el controlador ON-OFF). La ecuacion
tpica esta dada por
u(t) = u
+ Kc (r(t) y(t)) = u
+ Kc e(t)
(6.1)
donde u(t) corresponde a la salida del controlador (por lo general estara dada en unidades de psi o mA);
u
es el valor base (este valor es la salida del controlador cuando el error es 0. Generalmente se fija durante
la calibracion del controlador); Kc es la ganancia del controlador, y e(t) es la se
nal de error. Por lo general,
asumiremos que u
= 0.
Como se puede ver, si y(t) se incrementa de tal forma que supere a r(t), el error se vuelve negativo,
y por ende u(t) decrece. Por otra parte, la salida del controlador es proporcional al error, y esta ganancia
determina cuanto se modifica la salida.
Es claro que como solo tiene un valor que ajustar, se hace mas sencillo. Pero como se vio en la seccion
anterior, existe un error en estado estacionario, dependiendo de la entrada que se tenga, y el proceso que se
esta controlando.
En algunos casos, los controladores reales no utilizan el termino ganancia sino que utilizan el concepto
de Banda Proporcional (BP). Esta es inversamente proporcional a la ganancia K c , y se define como
BP =
100
Kc
En algunos textos se conoce tambien como porcentaje de banda proporcional. Por lo tanto, la ecuacion en
este caso sera,
100
u(t) = u
+
e(t)
(6.2)
BP
Es claro que las Ecuaciones (6.1) y (6.2) son totalmente diferentes, por lo que se tiene que tener saber muy
bien que tipo de controlador se esta utilizando.
ANADIR EJEMPLO
6.2.2.
Controlador Proporcional e Integral
Para evitar ese error en estado estable, se a

nade un elemento que tiene en cuenta lo que sucede y ha
sucedido en terminos del error. Esta accion integral o de reajuste tiene como consecuencia que la Ecuacion
(6.1) se convierta en
Kc
u(t) = u
+ Kc e(t) +
e(t)dt
(6.3)
i
68
donde i corresponde al tiempo de integracion o reajuste (por lo general su valor se da en minutos por
repeticiones). Si se ve graficamente, este valor sera la respuesta que le toma al controlador en repetir la
accion proporcional (ver Figura...).
ANADIR FIGURA
Tanto menor sea i , mas pronunciada es la curva de respuesta, lo que implica que la respuesta del
controlador es mas rapida. Otra forma de verlo es que si i es peque
no, mayor sera el termino constante
delante de la integral, por lo que se le dara mas importancia al controlador. Ademas, recuerdese que la integral
es como una suma, por lo que a medida que e(t) cambia, se van integrando todos los valores presentes y
anteriores, por lo que el controlador tiende a cambiar su respuesta. Cuando e(t) = 0, la integral no es
necesariamente cero, ya que tiene en cuenta los terminos anteriores.
Algunos fabricantes utilizan un termino conocido como la rapidez de reajuste, que corresponde a
ir =
1
i .
ANADIR TABLA FABRICANTES
6.2.3.
Controlador Proporcional, Integral, y Derivativo
Al a
nadir un tercer termino como lo es una accion derivativa, se esta ajustando la rapidez de derivacion o de preactuacion. Este nuevo termino tiene como fin anticipar hacia donde va el proceso durante
la observacion de la rapidez para el cambio del error, i.e., su derivada. En este caso, la Ecuacion (6.3) se
convierte en
de(t)
Kc
e(t)dt + Kc d
u(t) = u
+ Kc e(t) +
(6.4)
i
dt
donde el termino d corresponde a la rapidez de derivacion, y esta dado por lo general en minutos.
Los controladores PID se utilizan en procesos donde las constantes de tiempo son muy largas. En
procesos en los que las constantes son cortas, existe una mayor susceptibilidad al ruido, por lo que la
derivada tendera a amplificarlo. Esto se ve mas claramente al obtener una funcion de transferencia de (6.4)
cuando u
=, i.e.,
1
U (s)
= Kc 1 +
+ d s
E(s)
i s
En la practica, esta funcion de transferencia no se suele implementar, sobre todo por lo que se dijo sobre
el termino derivativo. Mas adelante veremos otro tipo de funciones de transferencias que s se suelen implementar. En general, el uso de filtros y configuraciones diferentes ayudan a la implementacion de dichos
controladores.
6.2.4.
Controlador Proporcional y Derivativo
Este tipo de controlador se utiliza en procesos donde solo es posible utilizar controladores proporcionales, pero que cuentan con cierto tipo de anticipacion. La ecuacion caracterstica para este caso es
u(t) = u
+ Kc e(t) + Kc d
de(t)
dt
(6.5)
Su mayor desventaja radica en el hecho de que u

nicamente opera con una desviacion en la variable que se
controla. Esto solo puede ser eliminado con la accion integral. Sin embargo, un PD puede soportar mayor
ganancia.
6.2.5.
Implementaci
on
Dentro de todas las acciones del controlador de tres terminos, la accion derivativa es la mas complicada
de implementar, y por eso muchos fabricantes no la utilizan. Los problemas de implementacion radican en:
69
6.2. CONTROLADORES PID
El uso o no de un filtro. Esto con el fin de evitar da

nos en los actuadores y no amplificar ruidos de alta
frecuencia. Estos filtros pueden ser de primero o segundo orden, dependiendo del fabricante.
El punto en el cual la accion derivativa act
ua, bien sea en la medida o en el error.
Si la accion derivativa act
ua o no con la accion integral, lo cual depende del algoritmo que se utilice.
El punto de accion depende de si se hace regulacion o tracking. En el primer caso, se requiere que el proceso
este en un estado fijo a pesar de las perturbaciones, por lo que el set point es constante. En este caso, no
importa si la parte derivativa se encuentra a la salida del error o de la medida. Sin embargo, cuando se hace
tracking los cambios son bruscos, ya que el set point es variable, por lo que ubicar la parte derivativa con
respecto a la medida es mucho mas u
til. En estos casos, se suele recurrir tambien al uso del filtro, por lo que
el termino derivativo vendra siendo:
Kd d s
U (s)
=
Y (s)
1 + s Nd
Este sera un filtro ideal utilizando un sistema de primer orden con constante de tiempo Nd . Es claro en este
caso que si las frecuencias son bajas, i.e., s peque
no, se tiene que el factor que predomina es d s, mientras
que si las frecuencias son altas, i.e., s grande, el factor que predomina es dd = N , lo cual lo hace constante a
N
frecuencias altas (N se suele escoger entre 2 y 20). La salida del controlador en este caso sera para un PID
igual a
Kd d s
1
E(s)
Y (s)
U (s) = Kc 1 +
i s
1 + s Nd
6.2.6.
Sintetizando
Hasta este punto se han visto los controladores P, PI, PD, PID, y los parametros asociados a ellos.
Se conoce el concepto de Kc , BP , i , iR , d . Cabe recordar que la forma en la que se basan la mayora de
conceptos de sintonizacion esta basada en la funcion de transferencia ideal.
Si se tuviera un sistema de primer orden
en malla cerrada que T (s) = Ks+1 , donde
Kp
s+1
asociado a un controlador proporcional, se obtendra
K =
Kc Kp
1 + K c Kp
1 + K c Kp
Esto implicara que el controlador proporcional modificara el comportamiento dinamico del sistema, conservando el orden del mismo, pero modificando los valores de los parametros asociados. Uno de los puntos
importantes es ver la contribucion de Kc en el . Si Kc Kp > 0, entonces < , por lo que se hara mas
rapida la respuesta del proceso.
Si en lugar de un regulador proporcional se tuviera un PI, la funcion de transferencia en lazo cerrado
vendra siendo
Kp Kc (i s + 1)
T (s) =
i s2 + (i + Kp Kc i )s + Kc Kp
Es claro que se tiene un cero y dos polos. En el caso anterior, el efecto de P solo era cambiar las caractersticas
del proceso, i.e., sus parametros. En el caso de un PI, se a
naden un polo y un cero a la funcion de transferencia.
Si la entrada fuera un escalon unitario, y se factorizara el denominador. se tendra algo de la forma
C(s) =
1 Kp Kc (i s + 1)
s i (s r1 )(s r2 )
Es decir que c(t) = A0 + A1 er1 t + A2 er2 t . Una serie de conclusiones se pueden obtener en este caso:
El cero puede forzar la existencia de un overshoot.
70
Si r1 y r2 son reales y negativos, el valor se aproxima a su valor final de forma exponencial.

Si r1 y r2 son complejos conjugados con parte real negativa, se tendra una respuesta amortiguada
oscilatoria.
Si al menos uno de los valores r1 o r2 fuera positivo, se tiene un sistema inestable.
No hay offset en este caso.
En el caso de tener un PD en vez de un PI, T (s) tiene un cero y un polo, pero hace que la respuesta transitoria
exhiba error en estado estacionario como el proporcional. Este se va si se tiene un PID, caso en el cual se
tienen dos polos y dos ceros, y 0 error en estado estacionario.
Por lo tanto, se podra decir que las caractersticas de los controladores clasicos seran:
Control P: Acelera la respuesta del sistema de control pero posee un offset para todos los procesos, a
excepcion logica de un proceso de capacidad constante.
Control PI: Elimina offsets pero el sistema se vuelve mas oscilatorio. El a
nadir la accion integral hace
que se aumente la inestabilidad si Kc aumenta.
Control PD: Anticipa y estabiliza pero tiene offset como el controlador P.
Control PID: El termino I elimina el offset y las oscilaciones son compensadas por el termino D. Sin
embargo, estas amplifican las componentes de ruido de las se
nales.
6.3.
Sintonizaci
on de Controladores PID
A continuacion se revisan diversas estrategias conocidas para la sintonizacion de los controladores
PID.
6.3.1.
Sintonizaci
on de Controladores PID: M
etodo Manual
Es basicamente de ensayo y error en el campo y puede ser tedioso y prolongado en algunos casos. La
accion derivativa es particularmente difcil de sintonizar adecuadamente, por lo tanto, esta no es muy utilizada. La sintonizacion se inicia con valores lmites de los parametros del P.I.D, variandolos consecutivamente
hasta lograr la respuesta deseada.
El metodo consta de los siguientes pasos:
Tomar valores lmites de los parametros:
Para Kc y d valores peque
nos
El valor de i debe ser grande.
Luego, se dobla el valor de Kc y se observa la respuesta. Se continua de esta misma forma hasta obtener
oscilaciones sostenidas (Kcu ). El valor final sera Kc = Kcu /2.
Luego, se reduce el valor de i a la mitad de su valor. Se observa su respuesta y se continua de la misma
forma hasta obtener oscilaciones sostenidas (i ). El valor final sera i = 2i .
Se realiza el mismo procedimiento con d . Primero, se aumenta d hasta obtener una respuesta oscilatoria (d ), con lo que el valor final sera d = d /3.
DE CONTROLADORES PID
6.3. SINTONIZACION
Tipo De Regulador
P
PI
PID
Kc
0,5Kcr
0,45Kcr
0,6Kcr
71
i
Pcr /1,2
0,5Pcr
d
0,125Pcr
Tabla 6.1: Valores de los parametros de los controladores para el metodo de malla cerrada.
6.3.2.
Sintonizaci
on de Controladores PID: Ziegler/Nichols
Hasta el momento se ha visto la forma tpica de un controlador de tres terminos, conocido como el
PID. Estos tipos de controladores se dise
nan para mantener un nivel, o una temperatura, por ejemplo. En
general, se requiere que estos controladores sean: estables y robustos en lazo cerrado; que la influencia de
las perturbaciones no sea crtica; que la respuesta sea rapida y suave a cambios de set-point; y que no tenga
error en estado estable, entre otros. Sin embargo, a
un no hemos dado detalles de como seleccionar cada una
de las constantes asociadas al controlador de tres terminos. Logicamente, estos valores van a estar asociados
directamente con las caractersticas del proceso, y esto es lo que se conoce como sintonizacion.
Para poder sintonizar controladores, existen metodos heursticos (aquellos que estan asociados al
conocimiento que tengan los operadores de la planta), metodos matematicos (los cuales requieren de un
modelo matematico del proceso), y un tercer metodo que combina las tecnicas heursticas y analticas. Este
u
ltimo metodo surgio en el a
no de 1942 cuando John G. Ziegler y Nathaniel B. Nichols propusieron unas
tecnicas experimentales simples que permitiesen mejorar las caractersticas de los controladores de la empresa
en la que ellos trabajaban (Taylor Instruments) [35]. Las tecnicas desarrolladas tienen tres funciones basicas:
1. Se realiza un estmulo en el proceso.
2. Se identifica el modelo matematico de acuerdo a los resultados experimentales.
3. Se determinan los parametros del controlador a partir de lo obtenido en 2.
Dentro de estas tecnicas estan las que son de:
Malla abierta requieren la operacion del controlador en la opcion MANUAL. Esta tecnica no es la
adecuada para sistemas que en lazo abierto puedan tener un comportamiento inestable (e.g., reactores
qumicos, o controles de nivel de lquidos).
Malla cerrada, los cuales operan con el controlador en la opcion AUTOMATICO.
Ziegler/Nichols de Malla Cerrada
La idea de este metodo es trabajar el lazo de control en modo automatico con una accion proporcional,
i.e., i = , d = 0, y utilizar el criterio de estabilidad de Routh-Hurwitz asociado con el metodo de
sustitucion directa para caracterizar el proceso con dos parametros:
1. Ganancia u
ltima o crtica: Kcr .
2. Perodo u
ltimo o crtico: Pcr .
En la Figura... se muestra el lazo tpico para la prueba en automatico para este caso.
ANADIR FIGURA
La idea es entonces ir incrementando el valor de Kc desde 0 hasta un valor Kcr , el cual corresponde
al valor de ganancia en el cual la salida presenta oscilaciones sostenidas por primera vez (ver Figura...). El
perodo crtico corresponde al perodo de oscilacion tal como se ve en la Figura... Si estas no se presentan,
este metodo no debera aplicarse. La Tabla 6.1 muestra los valores que se requieren para cada uno de los
tres controladores tpicos que podran sintonizarse bajo este metodo.
72
Tipo De Regulador
P
PI
PID
Kc
T /(L.K)
0,9T /(L.K)
1,2T /(L.K)
i
3,33L
2L
d
0,5L
Tabla 6.2: Valores de los parametros de los controladores para el metodo de malla abierta.
Ejemplo 6.3.1 Asumamos que
Gp (s) =
1
(s + 1)(0,5s + 1)(0,2s + 1)
Como bien se sabe, la estabilidad est

a definida por intermedio de la ecuaci
on caracterstica del sistema, i.e.,
1 + Gp (s)Gc (s) = 0, lo que en este caso dara que
0,1s3 + 0,8s2 + 1,7s + 1 + Kc = 0
Si se utilizar el criterio de Routh-Hurwitz se ve que el sistema es estable si 1 < K c < 12,6 (aunque los
valores negativos de Kc no tengan mucho sentido pr
actico). Es claro que cuando la ganancia llega a su
lmite superior, se tienen oscilaciones sostenidas, ya que el sistema se volvera crticamente estable. Para
comprobar esto, utilicemos el metodo de sustituci
on para hallar Kcr y Pcr . Para ello, se sustituye s = j,
i.e.,
0,1j 3 0,8 2 + 1,7j + 1 + Kc = 0
Se tendra entonces una ecuaci
on para la parte real y otra para la parte imaginaria, i.e.,
0,1 3 + 1,7j = 0
y
Esto nos da que cr =
0,8 2 + 1 + Kc = 0
17, por lo que el Pcr =
2
cr
= 1,52 segundos, y Kcr = 12,6.
Este metodo suele utilizarse cuando el 10 % M P 60 % a entrada escalon unitario.

Ziegler/Nichols de Malla Abierta
El metodo de malla abierta pretende ajustar el controlador a partir del modelo del proceso. Para ello,
es necesario identificar el proceso utilizando una entrada paso en malla abierta como se ve en la Figura....
ANADIR FIGURA
Ziegler y Nichols se refieren a una curva de reaccion, i.e., una curva en forma de S luego de aplicar la
entrada escalon unitario. Esto suele darse si la planta no incluye integrador(es) o polos dominantes complejos
conjugados. Si la respuesta no esta en esta forma, el metodo no debe aplicarse. La respuesta del proceso en
este caso sera
KeLs
C(s)
=
U (s)
Ts + 1
donde L se conoce como el tiempo de atraso, y T es la constante de tiempo del sistema medida como se
puede ver en la Figura....
ANADIR FIGURA
La Tabla 6.2 muestra los valores que se requieren para cada uno de los tres controladores tpicos que
podran sintonizarse bajo este metodo.
DE CONTROLADORES PID
6.3. SINTONIZACION
Tipo De Regulador
P
PI
PD
PID
73
Kc
1 T 3T +L
K L
3T
1 T 10,8T +L
K L
12T
1
K
1
K
T
L
T
L
30T +4L
24T
16T +3L
12T
i
-
d
-
)
L 30+3(L/T
9+20(L/T )
62(L/T )
22+3(L/T )
4L
11+2(L/T )
)
L 32+6(L/T
13+8(L/T )
Tabla 6.3: Valores de los parametros de los controladores para el metodo de Cohen y Coon.
rc
0 a 0.1
0.1 a 0.2
0.2 a 0.5
Kc
5
K
0,5
Krc
0,5(1+0,5rc )
Krc
i
T
T
T (1 + 0,5rc )
d
0
0
0,5rc
T 0,5r
c +1
Tabla 6.4: Valores de los parametros de los controladores para el metodo del coeficiente de ajustabilidad .
6.3.3.
Sintonizaci
on de Controladores PID: Cohen y Coon
Este metodo trabaja con la respuesta temporal del sistema a una entrada escalon, es muy parecido al
de Ziegler-Nichols y tambien utiliza el modelo de primer orden con tiempo muerto para hallar los parametros.
Las reglas para la sintona se encuentran matematicamente establecidas. Una de las grandes ventajas de este
metodo es que se puede seleccionar un controlador PD, cosa que no se logra en los otros metodos. Los valores
de los parametros se calculan basados en las relaciones de la Tabla 6.3.
6.3.4.
Sintonizaci
on de Controladores PID: M
etodo del Coeficiente de Ajustabilidad
Los metodos de Ziegler - Nichols y de Cohen - Coon, son difciles de aplicar en la practica, porque llevan
a un comportamiento muy oscilatorio, por esto los instrumentistas implementaron una version derivada de
estas reglas que tambien se basa en el modelo de primer orden con retardo, para hallar los coeficientes del
P.I.D se utiliza el coeficiente de ajustabilidad rc , definido como:
rc =
L
T
Se recomienda que 0,1 < rc < 1, pero con los valores de este coeficiente se encuentran relaciones especficas
para los parametros del P.I.D. como se ve en la Tabla 6.4. Para un valor mas grande del coeficiente de
ajustabilidad, el sistema es imposible de controlar con un PID.
6.3.5.
Sintonizaci
on de Controladores PID: Internal Model Control (IMC)
COMPLETAR
6.3.6.
Sintonizaci
on de Controladores PID: Sntesis Directa
Este metodo no parte de un algoritmo en particular para el controlador. Su objetivo es encontrar una
funcion de transferencia del controlador que cumpla con las especificaciones de lazo cerrado dadas. Para ello,
se utiliza el modelo de malla abierta del proceso. El problema es que con este metodo no necesariamente
se garantiza que el controlador va a existir en la vida real, pero sirve para tener una idea de que tipo de
controlador podra utilizarse. Para este caso se tiene el sistema de la Figura...
ANADIR FIGURA
74

La funcion de transferencia de lazo cerrado sera
T (s) =
C(s)
Gc (s)Gp (s)
=
R(s)
1 + Gc (s)Gp (s)
En el metodo de Ziegler/Nichols se ajustan los parametros del controlador y se observa la respuesta para
as hacerle ajustes finos a dichas constantes. Sin embargo, en el metodo de sntesis directa lo que se hace es
despejar Gc (s), por lo que
T (s)
Gc (s) =
(6.6)
Gp (s)(1 T (s))
La Ecuacion (6.6) sera la del controlador, ya que uno tiene caractersticas propias de dise
no para T (s). La
Ecuacion (6.6) se conoce como la ecuacion de sntesis, y lo difcil en este caso es la seleccion de T (s). Sin
embargo, algunas caractersticas basicas que se tienen que cumplir son
El error en estado estable debe ser nulo.
La respuesta del sistema debe ser lo suficientemente rapida, pero el sobreimpulso debe ser lo mas
peque
no posible.
T (s) tiene que ser una funcion simple matematicamente hablando.
Las funciones de transferencia que generalmente se utilizan para cumplir estos objetivos son
1
1 s + 1
(6.7)
1
(2 s + 1)(3 s + 1)
(6.8)
T1 (s) =
T1 (s) =
donde los i s son las constantes de tiempo que determinan que tan rapido responde el sistema. Si estos
parametros son peque
nos, el sistema no responde mas rapido, aunque la ganancia del controlador se incrementa. Por ende, de acuerdo al proceso que se tenga, la seleccion de estos parametros es bastante crtica.
Los dos tipos de controladores que aparecen al reemplazar (6.7) y (6.8) en (6.6) son
1
1
Gp (s) 1 s
(6.9)
1
1
Gp (s) s(2 3 s + 3 + 2 )
(6.10)
Gc (s) =
Gc (s) =
Notese bien que el hecho de que se tenga un controlador con un polo en cero, hace que para una entrada
escalon, el error en estado estable tienda a 0.
1
Si Gp (s) = Kp , Gc (s) = 1 K
, por lo que el controlador sera similar a uno con accion integral, y 1
ps
determina que tan rapida sera la respuesta del sistema. Si,
Gp (s) =
Kp
s + 1
y Gc (s) se selecciona de acuerdo a (6.9), se tiene un controlador PI, ya que

Gc (s) =
s + 1
1 Kp s
Si lo comparamos con la ecuacion ideal de un PI tendramos que Kc =
1 K p
y i = .
En los dos casos previamente expuestos se trato de buscar una relacion directa entre la forma del
controlador que se obtiene a partir del proceso y un controlador clasico. Es claro que en ocasiones se tienen
que hacer suposiciones fuertes (e.g., despreciar ciertos parametros) para que el sistema se parezca a una de
las ecuaciones ideales que conocemos.
75
6.4. ALGORITMOS
6.4.
Algoritmos
En general, los controladores comerciales utilizan algoritmos diferentes para implementar un PID. De
este tipo de algoritmo dependen los valores de los parametros obtenidos mediante el metodo de sintonizacion
que se utilice.
Los algoritmos clasicos son:
Ideal:
Gc (s) = KcI
+ dI s
(6.11)
1
+ dP s
iP s
(6.12)
1+
Paralelo o No Interactivo:
Gc (s) = KcP +
Serie o Interactivo:
Gc (s) = KcS 1 +
iI s
1
iS s
1 + dS s
(6.13)
Es claro que los metodos de sintonizacion vistos hasta el momento se basan en (6.11). Por lo tanto, se
tendran que expresar (6.12) y (6.13) en terminos de (6.11) para as poder utilizar los parametros que se
obtienen en los metodos de sintonizacion vistos.
Para (6.13), se tiene que
KcS
1+
dS
iS s
1
+ dS s
iS
Este tipo de controladores se caracterizan porque las acciones derivativa e integral se aplican sucesivamente,
lo que hace que exista una fuerte interaccion entre ambas acciones. Al comparar con un controlador ideal,
se tiene que
S
KcI = KcS 1 + dS
i
iI = dS + iS
dI =
1
dS
1
+
1
iS
Por otro lado, el algoritmo paralelo (utilizado por Modicon, Siemens, Allan Braedley, entre otros) es similar al
ideal ya que tiene las tres acciones estan actuando en forma independiente, pero su sintonizacion es diferente
ya que
KcI = KcP
iI = KcP iP
dI =
6.5.
dP
KcP
PID Digital
CAMBIAR!!!!!
Para poder implementar un controlador de lazo sencillo, se requieren tres acciones basicas que un
procesador realizara de forma permanente para controlar la planta.
Se hace una conversion de las se
nales analogas que provienen de los sensores utilizando un conversor
ADC.
Se procesan los datos, i.e., se hace el calculo del algoritmo de control.
76
Finalmente, se enva el resultado a los actuadores en forma analoga utilizando un conversor DAC.
La secuencia de operacion sera:
1. Esperar la interrupcion de un reloj que sera el encargado de darle la orden al procesador de cada
cuanto se tienen que tomar datos. Esto sera el tiempo de muestreo T s .
2. Leer los datos del sensor.
3. Calcular la se
nal de control por medio de un algoritmo discretizado del PID.
4. Enviar el resultado a los actuadores.
5. Actualizar las variables del controlador modificadas por la discretizacion del algoritmo.
6. Repetir.
En la Figura 6.3 se puede observar un diagrama condensado de un sistema de control digital de un solo lazo.
Un ejemplo tpico mas detallado es el que se muestra en la Figura...
u(t)
y(t)
t
PROCESS
HOLD
SAMPLER
D/A
COMPUTER
A/D
u[n]
y[n]
Figura 6.3: Proceso de tomar una se

nal continua y(t) que es generada por el proceso, y convertirla en una
secuencia de n
umeros y[n]. El computador toma una decision y la convierte en otra secuencia de n
umeros
u[n], los cuales se convierten luego en una se
nal continua u(t) que act
ua sobre el proceso. Figura adaptada
de [2].
ANADIR FIGURA
Los computadores que se utilizan se conectan a los actuadores y al proceso por medio de conversores
de se
nal. La salida es procesada por un DAC durante un perodo fijo de tiempo T el cual se conoce como
el tiempo de muestreo (lo mismo sucede a la entrada). El muestreador es basicamente un interruptor que se
cierra cada T segundos por un instante corto de tiempo. Por ejemplo, en la Figura... se tiene un ejemplo,
que graficamente dara algo como se ve en la Figura...
ANADIR FIGURAS
El DAC es un dispositivo que convierte la se
nal muestreada r (t) en una se
nal continua p(t). Por lo
general, el DAC se representa como un circuito de zero-order hold (ZOH) como se ve en la Figura...
ANADIR FIGURA
La funcion de transferencia del ZOH es
G0 (s) =
1 esT
s
77
6.5. PID DIGITAL
La idea de este retenedor de orden cero es tomar el valor de r[kT ] y retenerloconstante por un tiempo
kT t < (k + 1)T , como se ve en la Figura... para k = 0.
ANADIR FIGURA
El muestreador y el ZOH pueden seguir acertadamente la se
nal de entrada si T es peque
no comparado
con los cambios transientes en la se
nal. Para una rampa y una exponencial se tendra lo que se observa en
las Figuras...
ANADIR FIGURAS
Muy poco se pierde si se hace un muestreo entre instantes muy cercanos, mas sin embargo, mucho
se pierde si los puntos de muestreo se ubican demasiado lejos. Esto se da sobre todo en la conversion de la
se
nal muestreada a una continua. Si la frecuencia de muestreo
2
s =
T
es lo suficientemente grande comparada con la componente de frecuencia mas alta en una se
nal continua,
entonces se puede afirmar que las caractersticas de amplitud de la se
nal se preservan. Para evitar este tipo
de inconvenientes, asumamos que 1 es la frecuencia maxima o ancho de banda de una se
nal x(t), i.e., no hay
componentes de frecuencia por encima de 1 . El siguiente teorema conocido como el teorema de muestreo
de Nyquist, ilustra la escogencia de la frecuencia de muestreo de acuerdo al ancho de banda de la se
nal en
cuestion.
Theorem 6.5.1 Si s =
2
T ,
i.e., la frecuencia de muestreo, cumple con

s > 21
donde 1 es la componente de frecuencia m

as alto en una se
nal continua x(t) (i.e., su ancho de banda),
entonces esta puede ser reconstruida en su totalidad de la se
nal muestreada x (t).
Si esto se cumple, no habra problemas de aliasing, fenomeno que se da cuando se crean nuevos componentes
de frecuencia debidos al muestreo. Si no, se pueden tener dos se
nales diferentes cuya reconstruccion sera
imposible (e.g., Figura 6.4).
Por lo general, se analiza el sistema en frecuencia utilizando la Transformada Z, la cual es un equivalente de la transformada de Laplace en tiempo discreto, pero con
z = esT
En terminos de estabilidad, esta transformacion llevara a que un sistema muestreado es estable si todos los
polos de lazo cerrado de T (z) estan ubicados dentro del crculo unitario en el plano z. Criterios de estabilidad
como el de Jury se aplican en estos casos en lugar de Routh-Hurwitz. En terminos de diagramas en bloques,
hay que tener mucho cuidado donde se ubican los muestreadores, ya que las funciones de transferencia no
seran las mismas. En las Figuras... se muestra un ejemplo donde G(z)H(z) = GH(z).
ANADIR FIGURAS
Para poder implementar un PID en un procesador, es menester discretizar cada una de las funciones.
Por ende, necesitamos expresar las ecuaciones continuas en terminos de ecuaciones de diferencias, lo cual
se puede hacer utilizando algoritmos posicionales e incrementales. Por simplicidad, veremos los primeros
u
nicamente.
El algoritmo posicional recibe su nombre porque este determina directamente la posicion que debe
tomar el actuador. Sea, la Ecuacion (6.4) con u
= 0, y la integral de 0 a t. La aproximacion de la integral se
da por medio de la regla rectangular o trapezoidal de una se
nal, i.e.,
1
i
o
1
i
t
0
t
0
Ts
e( )d
=
i
Ts
e( )d
=
i
h=1
e(hTs )
h=1
e(hTs Ts ) + e(hTs )
2
78
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
10
Figura 6.4: Figura adaptada de [2]), la cual muestra el efecto de aliasing utilizando dos diferentes se
nales
x1 (t) = sin(2f1 t) (punteada) and x2 (t) = sin(2f2 t) (solida), con sus respectivas frecuencias (f1 = 0,1 Hz,
f2 = 0,9 Hz, y fs = 1 Hz). Este es un excelente ejemplo de como el aliasing puede afectar la reconstruccion
perfecta de las se
nales
respectivamente. La Figura... muestra un ejemplo de como se calcularan dichas aproximaciones a partir de
un ejemplo grafico.
ANADIR FIGURA
La accion derivativa tiene por aproximacion
d
de(t) e(nTs ) e(nTs Ts )

= d
dt
Ts
Como se menciono previamente, Ts corresponde al tiempo de muestreo. De esta forma, el PID ideal discretizado se convertira en
u[nTs ] = Kc
e[nTs ] +
Ts
i
e[hTs ] + d
h=1
e[nTs ] e[(n 1)Ts ]

Ts
Observaciones:
Teniendo el controlador PID digital, para poderlo sintonizar utilizando alguno de los metodos vistos
previamente, se recurre a a
nadir T /2 al tiempo muerto del proceso, para as poder utilizar dichos
criterios. Es decir, el nuevo tiempo muerto sera dependiente del tiempo de muestreo, i.e.,
=L+ T
L
2
Con ello, se estara incluyendo el tiempo de muestreo en la seleccion de cada uno de los componentes.
En cuanto al desempe
no, si el muestreo es muy lento/rapido, el PID puede no responder adecuadamente.
Una gua u
til se puede resumir como:
Obtener un modelo emprico del sistema.
Para lograr en un controlador digital un desempe

no cercano al de su contraparte continua, seleccione T 0,05(L + ), donde L y son el tiempo muerto y la constante de tiempo del sistema
de primer orden, respectivamente.

6.6. CRITERIOS DE DESEMPENO
79
= L+ T .
Determinar las constantes de sintonizacion utilizando Ziegler y Nichols por ejemplo, con L
2
Implementar y ajustar de forma mas fina.
6.6.
Criterios de Desempe
no
Hasta este punto se han visto tres criterios fundamentales que uno suele buscar a la hora de dise
nar
un controlador: estabilidad, criterios de estado estacionario, y respuesta dinamica del sistema. Otro de los
criterios que existen, aborda el desempe
no de la integral de tiempo que puede ser utilizado par la escogencia
de los parametros. Los mas comunes son aquellos que involucran minimizar una funcion que contenga la
integral del error. Estos metodos clasicos son:
1. Integral Absolute Error (IAE)
IAE =
0
|e(t)|dt
En algunos casos se toma como lmite superior un tiempo t finito tal que se haya alcanzado el valor en
estado estacionario. Por lo general este es igual al tiempo de establecimiento t s .
2. Integral Squared Error (ISE)
ISE =
e2 (t)dt
La idea en este caso es penalizar errores grandes.

3. Integral Time-weighted Absolute Error (ITAE)
IT AE =
t|e(t)|dt
La idea en este caso es penalizar mas los errores en tiempos grandes.

4. Integral Time-weighted Squared Error (ITSE)
IT SE =
te2 (t)dt
La idea en este caso es penalizar errores grandes en tiempos largos.

ANADIR EJEMPLO
T
En lneas generales, lo que se tiene es I = 0 f (e(t), r(t), y(t))dt, ya que no necesariamente tendra
que ser el error, sino una combinacion de cualquiera de las se
nales que se tengan a disposicion.
6.7.
Dise
no con Pole Placement
En esta forma de dise

no, se desea que los polos de lazo cerrado se ubiquen en lugares previamente
estipulados por la respuesta del sistema. Para un sistema con retroalimentacion unitaria, controlador G c (s)
y proceso Gp (s), la ecuacion caracterstica sera 1 + Gc Gp = 0. Si tuvieramos un sistema de primer orden y
un controlador PID ideal, la ecuacion caracterstica vendra siendo
i
Kc Kp d + 2 1 + K c Kp
s +
i s + 1 = 0
Kp Kc
Kc Kp
Se tendran entonces dos polos de lazo cerrado

r1,2 =
(1 + Kc Kp )
Kc Kp
2(Kc Kp d + ) 2(Kc Kp d + )
(1 + Kc Kp )i
Kc Kp
i (Kc Kp d + )
Kc Kp
80
Como los valores de Kp y del proceso se conocen por lo general, la escogencia de Kc , i , y d nos lleva a
ubicar los polos donde se desee en el plano complejo.
Si se quisiera obtener una salida determinada, uno puede tener un polinomio caracterstico de base/gua
para la ubicacion de los polos. Por ejemplo, para una ecuacion de segundo orden, una funcion de transferencia
sera
1
r2 s2 + 2r r s + 1
Si r = 4 y r = 0,5, en este caso se necesitara que
i
Kc Kp d +
= 16
Kp Kc
1 + K c Kp
i = 4
Kc Kp
Sin embargo, es claro que las respuestas no van a ser exactamente las mismas, ya que solo se estan escogiendo
los polos mientras que los ceros no se tienen en cuenta y estos pueden afectar el desempe
no.
Captulo 7
Variables de Estado: Introducci

on
Es gracias a la muerte que podemos ser felices porque sabemos que en alg
un momento todo va a
terminar Mario Vargas Llosa
Hasta el momento hemos analizado los sistemas desde el punto de vista de funciones de transferencia.
Hemos visto como los modelos matematicos obtenidos por medio de leyes fsicas nos ayudan a modelar
relaciones de toda ndole, ademas de brindarnos la posibilidad de estudiar dichos sistemas para obtener su
estabilidad y buscar metodos de control. Sin embargo, todo este estudio se ha basado en el hecho de que los
sistemas estudiados son lineales y estan representados en el espacio s. Es sabido que cualquier sistema no
lineal se puede transformar en uno lineal por medio de metodos de linealizacion como los vistos previamente.
En este captulo veremos otra forma de representar los sistemas por medio de las variables de estado. El
analisis que se hara en este y los subsiguientes captulos se basa en los sistemas lineales, y su representacion
por medio de ecuaciones diferenciales ordinarias. Primero se repasan los conceptos de variables de estado y su
relacion con cualquier tipo de sistema, y luego se ahonda en la representacion de sistemas lineales. Las notas
de este captulo han sido sacadas de varios libros, dentro de los que se destacan [22, 31, 7, 11, 32, 12, 14, 30, 33].
7.1.
Definici
on de Variables de Estado
El proposito de un modelo de variables de estado es desarrollar una representacion que preserve la

relacion entrada-salida, pero expresada en terminos de n ecuaciones de primer orden. La principal ventaja
de este modelo es que las caractersticas internas del sistema son representadas [28].
Un modelo de variables de estado es un conjunto de ecuaciones diferenciales de primer orden que estan
acopladas, y usualmente se representa de forma vectorial. Supongamos que se tienen n variables de estado y
m entradas.
x i = fi (x1 , x2 , . . . , xn , u1 , u2 , . . . , um ) i = 1, . . . , n
(7.1)
Si se transformase (7.1) en termino de vectores, se tendra que
x = f (x, u, t)
donde x = [x1 , x2 , . . . , xn ] , y u = [u1 , u2 , . . . , um ] . En este caso f () es una funcion vectorial con n + m + 1
argumentos, de dimension n.
7.1.1.
Definiciones
Existen dos tipos de sistemas dinamicos. Aquellos que estan descritos por ecuaciones diferenciales (i.e.,
aquellas que describen la evolucion de los sistemas en tiempo continuo), y aquellos descritos por ecuaciones
de diferencias o iterated maps (i.e., aquellas dinamicas en tiempo discreto). A lo largo del curso se utilizaran
81

CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
82
ecuaciones diferenciales, y mas especficamente las ordinarias (las parciales no seran utilizadas) de la forma
x i = fi (x1 , x2 , . . . , xn , t),
i = 1, . . . , n
(7.2)
i
Con x i dx
on determinada por el problema a tratar. El sistema descrito por (7.25) puede
dt , y f () una funci
ser lineal o no lineal y depende tanto de x como de t.
Definition 11 El sistema descrito por (7.25) se dice que es un sistema aut

onomo si f i () no depende del
tiempo. En caso contrario, decimos que (7.25) es un sistema no aut
onomo o dependiente del tiempo.
Definition 12 El sistema
x i = fi (x1 , x2 , . . . , xn , t, u(t))
(7.3)
se dice que es un sistema forzado o con entrada. Si f () no depende de u(t) se tiene un sistema no forzado.
Definition 13 El vector x Rn es un equilibrio del sistema no forzado (7.26) si
fi (t, x ) = 0
t 0, i {1, . . . , n}
Si x es un equilibrio de (7.26), y las condiciones inciales son xi (t0 ) = xi para todo t t0 , el sistema tiene
una soluci
on u
nica xi (t) = xi .
Es decir que si el sistema est
a en equilibrio desde el principio, este no se mover
a de ah.
Definition 14 El estado de un sistema din
amico es un conjunto de cantidades fsicas, cuyas especificaciones
(en ausencia de otro tipo de excitaci
on) determina completamente la evoluci
on del sistema [12].
Esto implicara que el n
umero de condiciones iniciales que deben ser especificadas constituye el orden del
sistema, y por ende el n
umero de variables de estado necesarias para determinar el mismo.
Ejemplo 7.1.1 Sea
x 1
x 2
=
=
x2 + x1
4 + x 2 x1
(7.4)
Los puntos de equilibrio del sistema estaran dados por (2, 2) y (2, 2).
7.1.2.
ODEs Lineales
Si la ecuacion diferencial en (7.1) es lineal, esta se puede escribir como

x 1 (t)
x 2 (t)
=
=
a11 (t)x1 (t) + . . . + a1n (t)xn (t) + b11 (t)u1 (t) + . . . + b1m (t)um (t)
a21 (t)x1 (t) + . . . + a2n (t)xn (t) + b21 (t)u1 (t) + . . . + b2m (t)um (t)
..
.
x n (t)
an1 (t)x1 (t) + . . . + ann (t)xn (t) + bn1 (t)u1 (t) + . . . + bnm (t)um (t)
(7.5)
La Ecuacion (7.5) se puede reducir a nivel vectorial de tal forma que

x(t)
= A(t)x(t) + B(t)u(t)
(7.6)
donde A(t) y B(t) son matrices de n n y n m, respectivamente. La Ecuacion (7.6) se conoce como la
Ecuaci
on de Estado. En este caso, A(t) y B(t) dependen del tiempo. En nuestro analisis, estas dos matrices
no dependeran por lo general del tiempo. En algunos casos se tienen tambien entradas exogenas (ademas de
las entradas de control) las cuales dependen del ambiente. En esos casos, la Ecuacion (7.6) se transforma en
x(t)
= A(t)x(t) + B(t)u(t) + E(t)x0 (t)

donde x0 es un vector que re
une las entradas exogenas (e.g., perturbaciones, ruido), y E(t) es una matriz de
las ganancias que poseen dichas entradas.
DE VARIABLES DE ESTADO
7.1. DEFINICION
83
Finalmente, lo que nos interesa es la salida en la mayora de los casos, mas no el estado. Por ello, se
define un vector de salida y = [y1 , y2 , . . . , yr ] y estara dado por
y(t) = h(x(t), u(t))
Si se linealizara el sistema, este vector sera el observation vector, y la ecuacion de salida o de observacion
vendra dada por
y(t) = C(t)x(t) + D(t)u(t)
(7.7)
donde C(t) y D(t) son matrices de r n y r m, respectivamente.
Ejemplo 7.1.2 [12, 28] En este caso se tiene un modelo que corresponde a una masa M que est
a sujetada
a un amortiguador cuya constante de amortiguaci
on es b y a un resorte cuya constante es k. La Figura7.1
muestra el sistema.
k
M
fo
Figura 7.1: Modelo mecanico que corresponde a una masa, sujetada por un amortiguador y un resorte. La
posicion esta dada por y, y se le aplica una fuerza inicial f0 .
Por intermedio de las leyes de Newton, sabemos que

M
d2 y(t)
=
dt2
f (t)
Asumiendo que el sistema es lineal en todos sus componentes, se tiene que

M
dy(t)
d2 y(t)
+b
+ ky(t) = f0
dt2
dt
(7.8)
La Ecuacion (7.8) es una representacion de un sistema de segundo orden por intermedio de ecuaciones
diferenciales. Para poder hacer una representacion en variables de estado, se necesita hacer un cambio de
variables de la siguiente forma.
x1 (t) = y(t)
(7.9)
x2 (t) = dy(t)
dt
Por lo tanto
x 1 (t)
x 2 (t)
=
=
x2 (t)
(7.10)
d2 y(t)
dt2
Utilizando (7.8) en (7.10), con el cambio de variables descrito en (7.9) se tiene que
x 1 (t)
x 2 (t)
=
=
x2 (t)
b
x2 (t)
M
k
M x1 (t)
1
M f0
Las Figuras 7.2 y 7.3 muestran la implementacion del sistema utilizando Simulink. La primera corresponde al modelo utilizando diagrama en bloques donde solo se pueden utilizar sumadores, integradores, y
ganancias. La segunda corresponde a la simulacion del sistema para cuatro casos diferente. Como se puede

84
observar, en los cuatro casos la posicion final es la misma ( fk0 , i.e., 0.3125m), pero lo que vara es la respuesta
del sistema. Esto se debe a que los puntos de equilibrio seran x2 = 0 y x1 = k1 f0 . Entre mas grande sea el
amortiguamiento, menos oscilaciones tiene el sistema, pero su respuesta pareciera ser mas lenta. Es el mismo
caso de la velocidad, ya que esta siempre llega a 0, pero con mas o menos oscilaciones. Cabe aclarar que en
estos cuatro casos las otras variables permanecieron exactamente iguales. Un ejemplo de que sucede cuando
se deja de aplicar una fuerza constante f0 se puede ver en la Figura 7.4. Claramente, en este caso, el sistema
cambia su punto de equilibrio luego de 19 segundos, ya que en ese momento f 0 = 0. Esto era de esperarse
debido a la fsica del sistema (i.e., se tiene un amortiguador).
f0
x2
x1
To Workspace2
To Workspace1
To Workspace
1/M
Step
1
s
1
s
Integrator
Integrator1
Gain1
Scope
Gain
b/M
Gain2
k/M

Figura 7.2: Modelo en Simulink que corresponde a la Figura 7.1.
Ejemplo 7.1.3 [12] Representar el sistema descrito en (7.11) por intermedio de diagramas de bloques.
x 1 (t)
x 2 (t)
7.2.
=
=
a11 x1 + a12 x2 (t) + b11 u1 + b12 u2 (t)

a21 x1 + a22 x2 (t) + b21 u1 + b22 u2 (t)
(7.11)
Representaci
on y Soluci
on de Variables de Estado
7.2.1.
Representaci
on
Consideremos el siguiente sistema de n-esimo orden [22]

y n + a1 y n1 + . . . + an1 y + an y = u
(7.12)
En este caso, y n corresponde a la n-esima derivada de y. Para poder hacer una representacion en termino
de ecuaciones de estado, se asume que se conocen las condiciones iniciales y(0), y(0),
. . ., y n1 (0), ademas
de la entrada u(t). Por lo tanto, el conjunto de n variables de estado sera
x1 (t)
x2 (t)
= y(t)
= y
..
.
xn (t)
dn1 y(t)
dtn1
Y SOLUCION
7.2. REPRESENTACION
Simulacin para b=2. Velocidad ()
Simulacin para b=4. Posicin ()
0.6
0.5
0.8
0.4
0.6
0.3
0.4
0.2
0.2
0.1
0.2
0.4
85
0.1
0
10
15
0.2
20
Simulacin para b=8, Velocidad ()
0.4
10
15
20
Simulacin para b=16, Posicin ()
0.35
0.3
0.3
0.25
0.2
0.2
0.1
0.15
0.1
0
0.1
0.05
0
10
15
20
10
15
20
Figura 7.3: Simulacion en Simulink del sistema descrito en la Figura 7.1. Para este caso se utilizaron los
parametros f0 = 5N, M = 2kg, k = 16N/m, y cuatro valores para b. En la parte superior izquierda, se
tiene b = 2N.s/m; en la parte superior derecha, se tiene b = 4N.s/m; en la parte inferior izquierda, se tiene
b = 8N.s/m; y en la parte inferior derecha, se tiene b = 16N.s/m. En todos los casos se tiene que posicion
esta dada por la lnea (-), mientras que la velocidad es la lnea punteada (- -).
Es decir que la Ecuacion (7.12) se puede escribir como
x 1
x 2
=
=
x2
x3
..
.
x n1
x n
=
=
xn
an x1 an1 x2 . . . a1 xn + u
Lo que expresado en una forma matricial sera
x 1
0
1
x 2
0
0
..
.
..
. = ..
.
x n1
0
0
x n
an an1
0
1
..
.
...
...
0
an2
...
...
La salida se obtiene mediante,
...
0
0
..
.
x1
x2
..
.
x1
x2
..
.
1 xn1
a1
xn
xn
0
0
..
.

+

0
1
De esta forma, el sistema de orden n se ve representado por un conjunto de ecuaciones de estado y de salida
como las que se describen en (7.6) y (7.7).

86
Entrada f0=5, nicamente los primeros 19 segundos
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
10
15
20
25
30
35
40
Figura 7.4: Simulacion en Simulink del sistema descrito en la Figura 7.1, cuando u
nicamente se aplica una
fuerza f0 durante un determinado tiempo. Para este caso se utilizaron los parametros f 0 = 5N, M = 2kg,
k = 16N/m, y b = 2N.s/m. La posicion esta dada por la lnea (-), mientras que la velocidad es la lnea
punteada (- -).
Otra representacion mas compleja es la que se describe en (7.13).

y n + a1 y n1 + . . . + an1 y + an y = b0 un + b1 un1 + . . . + bn1 u + bn u
(7.13)
Como se puede observar, el problema en este caso es como definir las variables de estado de tal forma que
se eliminen las derivadas de u en (7.13). Para ello, se plantea la siguiente solucion
x1
x2
x3
= y 0 u
= y 0 u 1 u = x 1 1 u
= y 0 u
1 u 2 u = x 2 2 u
..
.
xn
y n1 0 un1 1 un2 . . . n2 u n1 u = x n1 n1 u
Donde
0
1
2
3
=
=
=
=
b0
b 1 a 1 0
b 2 a 1 1 a 2 0
b 3 a 1 2 a 2 1 a 3 0
..
.
bn a1 n1 . . . an1 1 an 0
Lo que expresado en una forma matricial sera
x 1
x 2
..
.
x n1
x n
0
0
..
.
1
0
..
.
0
1
..
.
...
...
0
an
0
an1
0
an2
...
...
0
0
..
.
x1
x2
..
.
1 xn1
xn
a1
1
2
..
.
n
Y SOLUCION
7.2. REPRESENTACION
87
La salida se obtiene mediante,
...
x1
x2
..
.
xn
+ 0 u
Ejemplo 7.2.1 Transforme la siguiente ecuaci

on en terminos de variables de estado
y + a1 y + a2 y = b0 u
+ b1 u + b2 u
Para ello, se utilizan las transformaciones vistas previamente, por lo cual
x1
x2
= y 0 u
= y 0 u 1 u = x 1 1 u
donde
0
1
2
=
=
=
b0
b 1 a 1 b0
b 2 a 1 1 a 2 0
Reemplazando, se obtiene que

x 1
x2
7.2.2.
=
=
=
=
=
=
x2 1 u
y 0 u
1 u
a1 y a2 y + b0 u
+ b1 u + b2 u b0 u
b1 u + a1 b0 u
a1 (x2 + b0 u + 1 u) a2 (x1 + b0 u) + b2 u + a1 b0 u
a1 x2 a1 b0 u a1 1 u a2 x1 a2 b0 u + b2 u + a1 b0 u
a1 x2 a2 x1 2 u
Soluci
on
Asumamos que se tiene la representacion en el espacio de estado

x(t)
= Ax(t)
Esta ecuacion se puede escribir como
x 1 (t)
x 2 (t)
=
=
a11 x1 (t) + . . . + a1n xn (t)

a21 x1 (t) + . . . + a2n xn (t)
..
.
x n (t)
an1 x1 (t) + . . . + ann xn (t)
Se asume que se conocen las condiciones iniciales del sistema (x(0)), por lo cual se podra integrar a ambos
lados de la ecuacion, para as obtener
x1 (t) x1 (0)
x2 (t) x2 (0)
=
=
t
0
t
0
(a11 x1 ( ) + . . . + a1n xn ( )) d
(a21 x1 ( ) + . . . + a2n xn ( )) d
..
.
xn (t) xn (0)
t
0
(an1 (t)x1 ( ) + . . . + ann xn ( )) d
Esto, escrito de forma matricial, se convierte en

t
x(t) =
Ax( )d
0
+ x(0)
(7.14)

88
Pero, que es x( ) en (7.14)? Si observamos (7.14), x( ) viene siendo la solucion de dicha ecuacion cuando
x(t)|t= . En otras palabras,
Ax( )d
x( ) =
+ x(0)
(7.15)
Reemplazando (7.15) en (7.14),

t
x(t) =
+ x(0) d
Ax( )d
+ x(0)
Si se hiciera esto repetidamente, se obtiene que

t
x(t) =
I+
A2 d d +
Ad +
0
A3 d d d + . . . x(0)
0
Como el sistema es lineal e invariante en el tiempo, la matriz A es constante, por lo que

x(t) =
I + At +
A 3 t3
A 2 t2
+
+ . . . x(0)
2!
3!
El termino entre parentesis es la aproximacion en series de Taylor de una exponencial. Por lo tanto,
x(t) = eAt x(0) = (t)x(0)
(7.16)
El termino (t) = eAt se conoce como matriz de transici

on de estado. Esta matriz se conoce as porque
transfiere el estado del sistema en tiempo 0 a tiempo t. En el paper [20] se deducen 19 diferentes formas de
computar dicha matriz.
Algunas propiedades de la matriz de transicion de estado son
(0) = I
1 (t) = (t)
k (t) = (kt)
(t1 + t2 ) = (t1 )(t2 )
(t2 t2 )(t1 t0 ) = eA(t2 t0 )
Ahora, si se asume que el sistema tiene respuesta forzada, i.e.,
x(t)
= Ax(t) + Bu(t)
Multiplicando a ambos costados por eAt ,
x(t)
Ax(t) = Bu(t)
eAt (x(t)
Ax(t)) = eAt Bu(t)
Pero,
eAt (x(t)
Ax(t)) =
Integrando a ambos lados,
d At
e
x(t)
dt
eA Bu( )d + x(0)
eAt x(t) =
0
Por ende, la solucion cuando se tiene respuesta forzada es

t
x(t) = eAt
eA Bu( )d + eAt x(0)

0
(7.17)
89
7.3.
Funciones de Transferencia
Definition 15 La funci
on de transferencia de un sistema lineal e invariante en el tiempo, es la relaci
on en
frecuencia que existe entre la entrada y la salida cuando las condiciones iniciales son iguales a cero.
En esta definicion, valida para sistemas lineales e invariantes en el tiempo, se tiene que para un sistema como
(7.18), la relacion entre la entrada u y la salida y estara dado por una transformacion en frecuencia de las
se
nales, siempre y cuando las condiciones iniciales sean nulas.
y n + a1 y n1 + . . . + an1 y + an y = b0 um + b1 um1 + . . . + bm1 u + bm u
nm
(7.18)
Esto sera,
H(s) =
L [salida]
L [entrada]
CI=0
donde L [] es la transformada de Laplace. Aplicando esto a (7.18), se obtiene que

H(s) =
b0 sm + b1 sm1 + . . . + bm1 s + bm
Y (s)
=
U (s)
sn + a1 sn1 + . . . + an1 s + an
(7.19)
Cual es la relacion que existe entre la funcion de transferencia y la representacion en variables de estado?
Tomemos la Ecuacion (7.6), y aplicando la transformada de Laplace, se obtiene que
sX(s) x(0) = AX(s) + BU (s)
Como se sabe que las condiciones iniciales son cero, se tiene que
sX(s) AX(s) = BU (s)
Se asume que (sI A) es no singular (porque?), por lo que se deduce que
X(s) = (sI A)1 BU (s)
(7.20)
Por otra parte, la transformada de y(t) en (7.7) viene siendo Y (s) = CX(s) + DU (s), por lo cual si reemplazamos X(s) en (7.20), se obtiene que la funcion de transferencia es
Y (s)
= C(sI A)1 B + D
U (s)
(7.21)
Si se analiza la Ecuacion (7.21) se puede observar que |sI A| corresponde al polinomio caracterstico del
G(s)
, por lo que los
sistema, ya que el resto de terminos podran ser agrupados de tal forma que H(s) = |sIA|
valores propios de A son identicos a los polos de H(s). Su rol es vital ya que las races del polinomio son las
races caractersticas, o valores propios, o polos del sistema, los que determinan las principales caractersticas
del comportamiento del sistema no forzado.
Se sabe que
(t) = eAt = I + At +
A 2 t2
A 3 t3
+
+ ...
2!
3!
Por lo tanto, la transformada de Laplace sera igual a

(s) =
I
A
A2
A3
+ 2 + 3 + 4 + ...
s s
s
s
[sI A](s) = [sI A]

[sI A](s)
A
A2
A3
I
+ 2 + 3 + 4 + ...
s s
s
s
2
I 2 + As + As2 + . . .
2
3
As As2 As3 . . .
= I
Por lo tanto,
eAt = L 1 {(sI A)1 }
En la literatura, la matriz (s) = (sI A)1 se conoce como el resolvent de A (o la matriz caracterstica).
Por lo tanto, los pasos a seguir a la hora de calcular la matriz de transicion de estado son:

90
1. Calcular (sI A).
2. Obtener (s) = (sI A)1 .
3. Tomar la transformada inversa de Laplace de (s) elemento por elemento.

Recuerde que
adj(A)
1
=
(Cij )
|A|
|A|
donde adj(A) es la matriz adjunta, o la matriz de cofactores, la cual tiene como coeficientes (C ij ) =
(1)i+j Mij (Mij es la matriz que remueve la fila i y la columna j, para luego tomar el determinante).
El determinante de una matriz A de n n se puede definir por medio de la expansion de Laplace con
respecto a una fila arbitraria i de la forma
A1 =
detA =
aij Cij
j=1
Esto tambien se puede hacer con respecto a una columna arbitraria k de la forma,
n
detA =
aik Cik
i=1
Ejemplo 7.3.1 [4] Sea
2
A= 3
2
1
2
3
4
0
0
Se tiene entonces la siguiente serie de menores,
M12 =
3
2
2
3
=5
M22 =
2
2
1
3
=4
M32 =
2
3
1
2
=1
Por lo tanto, los cofactores asociados seran C12 = (1)3 5 = 5, C12 = (1)4 4 = 4, y C32 = (1)5 1 = 1.
Por lo tanto, usando la expansi
on de Laplace con respecto a la columna 2, se tiene que |A| = 4C 12 = 20.
Ejemplo 7.3.2 Calcular la matriz adjunta cuando se tiene una matriz cuadrada de n = 2, y n = 3.
A=
a11
a21
b11
B = b21
b31
adj(A) =
b11
B = b21
b31
b22
b32
b21
adj(B) =
b31
b21
b31
b23
b33
b23
b33
b22
b32
a12
a22
b12
b22
b32
a22
a21
b12
b22
b32
b12
b32
b13
b23
b33
a12
a11
b13
b23
b33
b13
b33
b11 b13
b31 b33
b
b
11 12
b31 b32
b12
b22
b
11
b21
b11
b21
b13
b23
b13
b23
b12
b22
91
Ejemplo 7.3.3 [12] Hallar la matriz de transici

on de estado si las din
amicas de un motor DC con inercia
est
an dadas por
= w
w = w + u
d
onde y son constantes del motor.
1
0
eAt =
(1 et )/
et
Ejemplo 7.3.4 Considerese la funci

on de transferencia asociada al diagrama de la Figura 7.5.
a2 s 2 + a 1 s + a 0
Y (s)
= 3
U (s)
s + b2 s2 + b1 s + b 0
U (s)
Y (s)
1
s3 +b2 s2 +b1 s+b0
a2s + a1s + a0
V (s)
Figura 7.5: Diagrama en bloques.

Halle la representaci
on de la forma
x = Ax + Bu
y = Cx + Du
Se tiene entonces que
dv 3
+ b2 v + b1 v + b0 v = u
dt3
Tomando x1 = v, x2 = v,
y x3 = v, se tiene entonces que
0
1
0
0
0
1 x + 0 u
x = 0
b0 b1 b2
1
Por otro lado, se tiene que
a2 v + a1 v + a0 v = y
Por lo tanto, se obtendra que
y = [a0 a1 a2 ]x
Ejemplo 7.3.5 [29] Un calibrador o
ptico utilizado por la Chrysler Corporation, el cual se utiliza para
verificar el perfecto alineamiento de todos los componentes met
alicos de varias clases de Sedan de cuatro
puertas, tiene unas din
amicas en lazo cerrado dadas por
y + 5y + 6y = f (t)
Asumiendo que f (t) = 0, y que y(0) = 1, y(0)
= 0, halle y(t).
Haciendo x1 (t) = y(t), y x2 (t) = x 1 (t), se tiene que
x 1 (t)
x 2 (t)
0
6
1
5
x1 (t)
x2 (t)
y C = [1, 0]. Hallando la matriz de transicion de estado

(sI A)1 =
1
s2 + 5s + 6
s+5
6
1
s

92
s+5
(s+2)(s+3)
6
(s+2)(s+3)
(s) =
(t) =
Como sabemos,
3e2t 2e3t
6e2t + 6e3t
x1 (t)
x2 (t)
1
(s+2)(s+3)
s
(s+2)(s+3)
e2t e3t
2e2t + 3e3t
x1 (0)
x2 (0)
= (t)
Entonces,
y(t) = 3e2t 2e3t
7.4.
Formas Can
onicas
En el siguiente ejemplo se muestra como una misma ecuacion diferencial puede tener varias representaciones en el espacio de estado. Porque? Porque existen varios metodos para transformar las variables de
estado. De ah que surjan diversos tipos de formas que se denominaran las formas canonicas.
Ejemplo 7.4.1 Encuentre la representaci
on en el espacio de estado de
d3 y
+ 6
y + 11y + 6y = 6u
dt3
Seg
un lo visto en la secci
on anterior, se tiene que las matrices A, B, C, y D vienen dadas por
0
1
0
0
1
A= 0
6 11 6
0
B= 0
6
C=
y D = 0. La matriz de transici
on de estado estara dada en Laplace por
2
s + 6s + 11
s+6
1
2
6
s
+ 6s
(sI A)1 = 3
s + 6s2 + 11s + 6
6s
11s 6
Por lo que la funci

on de transferencia sera
H(s) = C(sI A)1 B =
s3
6s2
1
s
s2
6
+ 11s + 6
Si partimos de la funci
on de transferencia, se tiene que
Y (s)
=
=
3
s+1 U (s)
6
3
s+2
U (s) + s+3
U (s)
X1 (s) + X2 (s) + X3 (s)
Por lo que se tendra una representaci

on en el espacio de estado igual a
x 1
x 2
x 3
y
= x1 + 3u
= 2x2 6u
= 3x3 + 3u
= x 1 + x2 + x3
Por ende, se tendran otro tipo de matrices A, B, C, y D.

El resultado del ejemplo anterior nos muestra claramente que una funcion de transferencia puede tener muchas representaciones en el espacio de estado. A continuacion se explicaran los metodos estandares conocidos
como representaciones CANONICAS,

las cuales tienen varias propiedades que seran explotadas a lo largo
del curso.

7.4. FORMAS CANONICAS
7.4.1.
93
First Companion Form: Forma Can

onica Controlable
Arranquemos por definir las variables de estado para la siguiente funcion de transferencia
1
sn + a1 sn1 + . . . + an1 s + an
H(s) =
(7.22)
y n + a1 y n1 + . . . + an1 y + an = u
Esta ecuacion se puede ver como una serie de n integradores, donde la salida del u
ltimo correspondera a la
salida y, la salida del pen
ultimo seria y,
y as sucesivamente. La Figura 7.6 muestra como sera el diagrama
en bloques para este caso.
Figura 7.6: Representacion en diagramas en bloques de la Ecuacion (7.22). Figura tomada de [12].
La representacion en el espacio de estado viene dada por
x 1
x 2
x n1
x n
y
=
=
x2
x3
..
.
= xn
= an x1 an1 x2 . . . a1 xn + u
= x1
Si formasemos la matriz A, se puede ver que tiene una estructura especial: los coeficientes del denominador de
H(s) estan en la u
ltima fila precedidos de un signo menos; el resto de valores son 0, excepto la superdiagonal
cuyos terminos son 1. Este tipo de matrices se conocen como matrices que tienen una companion form.
La funcion de transferencia en (7.22) se modifica de tal forma que ahora, la funcion de transferencia
es
H(s) =
b0 sn + b1 sn1 + . . . + bn1 s + bn
sn + a1 sn1 + . . . + an1 s + an
(7.23)
donde si el grado del numerador fuera menor o igual al grado del denominador, i.e., deg(num) deg(den),
entonces se dice que es una funcion de transferencia propia; si es estrictamente menor, entonces se dice que
es una funcion de transferencia estrictamente propia; y si es mayor, entonces se dice que la funcion de
transferencia es impropia.
Pero esta ecuacion es equivalente a
H(s) =
Por linealidad,
Z(s)
U (s)
Y (s) Z(s)
Z(s) U (s)
sera equivalente a (7.22), mientras que se puede decir que

Y (s)
= b0 sn + b1 sn1 + . . . + bn1 s + bn
Z(s)
As pues, se tiene una parte que es identica a lo expuesto anteriormente, mientras que la segunda sera la
suma escalizada de las salidas de los integradores que se forman de acuerdo a lo visto previamente. Un
diagrama en bloques se puede ver en la Figura 7.7.

94
Figura 7.7: Representacion en diagramas en bloques de la Ecuacion (7.23). Figura tomada de [12].
Las matrices A y B son las mismas que se definieron previamente, mientras que las matrices C y D
estaran dadas en este caso por el hecho de que
y = (bn an b0 )x1 + (bn1 an1 b0 )x2 + . . . + (b1 a1 b0 )xn + b0 u
Esta ecuacion se obtiene por los dos caminos directos que existen, i.e.,
a Uno que multiplica cada uno de los elementos.
b Otro que llega al sumador/restador y se ve multiplicado por b0 .
La estructura en este caso se conoce como la first canonical form. En control se le da el nombre de forma
can
onica controlable.
Ejemplo 7.4.2 EJEMPLO
La forma canonica tiene las siguientes propiedades:
El polinomio caracterstico se puede determinar por la u
ltima lnea de A c , i.e.,
|I A| = 0 an + an1 + . . . + a1 n = 0
Un sistema con esta estructura siempre es controlable, y su matriz de controlabilidad es full rank.
7.4.2.
Second Companion Form: Forma Can

onica Observable
En la first companion form los coeficientes del denominador de H(s) aparecan en alguna fila de la
matriz A. Existe otra forma en la que los coeficientes aparecen en alguna columna de dicha matriz. Tomando
(7.23), y factorizando, se obtiene que
sn (Y (s) b0 U (s)) + sn1 (a1 Y (s) b1 U (s)) + . . . + (an Y (s) bn U (s)) = 0
Dividiendo por sn y despejando Y (s), se tiene que
1
1
Y (s) = bo U (s) + (b1 U (s) a1 Y (s)) + . . . + n (bn U (s) an Y (s))
s
s
El termino s1i corresponde a la funcion de transferencia de una cadena de i integradores. La Figura 7.8 ilustra
este hecho.

95
Figura 7.8: Representacion en diagramas en bloques de la forma canonica controlable. Figura tomada de
[12].
x 1
x 2
x n1
x n
y
=
=
x2 a1 (x1 + b0 u) + b1 u
x3 a2 (x1 + b0 u) + b2 u
..
.
= xn an (x1 + b0 u) + bn1 u
= an (x1 + b0 u) + bn u
= x 1 + b0 u
Si en la Figura 7.8 se numeran las variables de estado de izquierda a derecha (i.e., terminos dentro de
crculos en la figura?) se obtiene la forma
Ao =
0
1
0
...
0
Bo =
Co =
0
0
1
...
0
...
...
...
...
...
an
an1
an2
...
a1
bn a n b0
bn1 an1 b0
..
.
b1 a 1 b0
0
...
y Do = b0 . Esta es la que se conoce como la forma can

onica observable. Si se comparan las matrices de la
seccion anterior con estas, se tiene que Ac = Ao , Bc = Co , y Cc = Bo .
7.4.3.
Jordan Form
Polos de H(s) Diferentes

La funcion de transferencia en (7.23) se convierte en
b0 +
r2
rn
r1
+
+ ... +
s s1
s s2
s sn
En algunos casos, para hallar los residuos de una funcion de transferencia, se puede recurrir a programas
como Matlab. A continuacion se presenta como se debera hacer para obtener dichos residuos de la expansion
en fracciones parciales.

96
RESIDUE Partial-fraction expansion (residues).

[R,P,K] = RESIDUE(B,A) finds the residues, poles and direct term of
a partial fraction expansion of the ratio of two polynomials B(s)/A(s).
If there are no multiple roots,
B(s)
R(1)
R(2)
R(n)
---- = -------- + -------- + ... + -------- + K(s)
A(s)
s - P(1)
s - P(2)
s - P(n)
Vectors B and A specify the coefficients of the numerator and
denominator polynomials in descending powers of s. The residues
are returned in the column vector R, the pole locations in column
vector P, and the direct terms in row vector K. The number of
poles is n = length(A)-1 = length(R) = length(P). The direct term
coefficient vector is empty if length(B) < length(A), otherwise
length(K) = length(B)-length(A)+1.
If P(j) = ... = P(j+m-1) is a pole of multplicity m, then the
expansion includes terms of the form
R(j)
R(j+1)
R(j+m-1)
-------- + -----------+ ... + -----------s - P(j)
(s - P(j))^2
(s - P(j))^m
[B,A] = RESIDUE(R,P,K), with 3 input arguments and 2 output arguments,
converts the partial fraction expansion back to the polynomials with
coefficients in B and A.
Una forma de ver esta ecuacion es utilizar diagramas en bloques como se puede ver en la Figura 7.9.
En este caso
x 1
x 2
=
=
s 1 x1 + u
s 2 xs + u
..
.
x n
y
= s n xn + u
= r 1 x1 + r 2 x2 + . . . + r n xn + b0 u
s1
0
A=
...
0
C=
0
s2
...
0
B=
r1
r2
1
1
..
.
1
... 0
... 0
... ...
. . . sn
...
rn
y D = b0 . Si las races son reales, se podra implementar en hardware. En cualquier otro caso solo servira
desde un punto de vista teorico.
Polos de H(s) con Races Repetidas
Cuando el sistema tiene races repetidas, la expansion en terminos de fracciones parciales no es tan
simple. En este caso, lo que se tiene es algo de la forma
H(s) = bo + H1 (s) + . . . + Hn (s)
(7.24)

97
Figura 7.9: Representacion en diagramas en bloques de la forma canonica de Jordan cuando las races son
diferentes. Figura tomada de [12].
donde n
< n es el n
umero de polos diferentes de H(s), y
Hi (s) =
r2,i
rki ,i
r1,i
+
+ ... +
s si
(s si )2
(s si )ki
con ki como la multiplicidad del polo i (i = 1, . . . , n

). El u
ltimo termino se puede ver como una cadena de
1
ki bloques identicos con una funcion de transferencia del tipo ss
. En la Figura 7.10 se ilustra este hecho.
i
La representacion sera
x 1,i
x 2,i
=
=
si x1,i + u
x1,i + si x2,i
..
.
x ki ,i
yi
=
=
xki 1,i + si xki ,i

r1,i x1,i + r2,i x2,i + . . . + rki ,i xki ,i

98
Figura 7.10: Representacion en diagramas en bloques de la forma canonica de Jordan cuando las races son
repetidas. Figura tomada de [12].
En este caso si definimos xi = [x1,i , x2,i , . . . , xki ,i ] , se tiene la siguiente representacion
xi
yi
=
=
si
1
0
...
0
donde
Ai =
C=
A i xi + bi u
C i xi
0
si
1
...
0
Bi =
r1,i
r2,i
1
0
..
.
0
... 0
... 0
... 0
... ...
. . . si
...
rki ,i
La matriz Ai consiste en dos diagonales: la diagonal principal con los polos mas una subdiagonal de unos.
En algebra esto se conoce como la Jordan form (si se tomara otra nomenclatura, los unos iran en la parte
superior).
Por (7.24) se tienen n
subsistemas de este mismo calibre. Por lo tanto, el sistema general consistira
en concatenar cada uno de ellos, definiendo x = [x1 , x2 , . . . , xn ] , con
A1 0 . . . 0
0 A2 . . . 0
A=
... ... ... ...
0
0 . . . An
B1
B2
B= .
.
.
Bn
C=
y D = b0 .
EJEMPLOS MATLAB/SIMULINK
C1
C2
...
Cn
99
7.5. EQUILIBRIO
7.5.
Equilibrio
Asumamos que se tiene un sistema que puede ser descrito mediante la siguiente ecuacion diferencial
x = f (t, x)
(7.25)
donde x Rn es el estado del sistema, t 0, con una condicion inicial x(t0 ) = x0 , siendo t0 el valor inicial del
tiempo. Por lo general, no existen reglas generales que permitan encontrar de manera explcita las soluciones
del sistema descrito mediante la Ecuacion (7.25). En este caso, el analisis de este tipo de problemas se realiza
de dos formas: i) un analisis cuantitativo mediante el cual se haya de manera explcita la solucion de (7.25)
utilizando metodos numericos y aproximaciones; o ii) un analisis cualitativo, en el cual no se busca una
solucion explcita de la solucion de (7.25), sino que el sistema es estudiado gracias al comportamiento de
la familia de soluciones del problema en cuestion. Nosotros enfocaremos este tutorial en este segundo tem,
ya que los resultados principales de este analisis incluyen las propiedades de estabilidad de un punto de
equilibrio (o posicion de reposo), y el acotamiento de las soluciones de ecuaciones diferenciales de la forma
definida en (7.25).
Empecemos nuestro analisis por definir ciertas propiedades basicas en nuestro problema. La ecuacion
diferencial que nos ata
ne esta definida por intermedio de la Ecuacion (7.25), donde x R n . Para definir el
dominio de f tenemos que considerar dos opciones:
1. Si hablamos de resultados globales debemos asumir que f : R+ Rn Rn , donde R+ = [0, +) es
el dominio del tiempo.
2. Si estamos considerando resultados locales debemos asumir que f : R + B(h) Rn , para un cierto
h tal que B(h) = {x Rn : |x| < h}, y | | es cualquiera de las normas en Rn . Esto quiere decir que
estamos limitando nuestro analisis a una cierta bola de radio h donde esta definido nuestro estado x.
Algunas veces se asume que t R, pero nosotros asumiremos en lo que resta que t [t 0 , +), donde t0 0.
En el siguiente analisis asumiremos que para un determinado t0 , y una condicion inicial x(t0 ) = x0 , el sistema
de la Ecuacion (7.25) posee una solucion u
nica que llamaremos (t, t 0 , x0 ). Esta solucion esta definida para
todo t t0 y depende de manera continua de los datos iniciales, i.e., (t0 , x0 ). Uno de los casos particulares en
los que esta aseveracion es cierta es cuando f satisface la condicion de Lipschitz que definimos a continuacion.
Definition 16 Condici
on de Lipschitz: Sea D un conjunto tal que D R n . Llamemos C(D) al conjunto
donde todos los elementos de f son continuos, i.e., f C(D). Decimos que f C(D) satisface la condici
on
de Lipschitz en D (con respecto a x) con constante Lipschitz L si
|f (t, x) f (t, y)| L|x y|
(7.26)
para todo (t, x), (t, y) que pertenezcan a D. En este caso, la funci
on f es continua seg
un Lipschitz en x.
La Definicion 16 es importante porque nos permite establecer el siguiente teorema.
Theorem 7.5.1 Existencia Local y u
nica: Sea f (t, x) una funci
on continua en todo t que satisface (7.26)
para todo x, y B = {x Rn : ||x x0 || r} y para todo t [t0 , t1 ]. Existe pues un determinado > 0 tal
que la ecuaci
on
x = f (t, x) con x(t0 ) = x0
tiene una soluci
on u
nica sobre [t0 , t0 + ].
Lo que nos quiere decir el Teorema 7.5.1 es que si para cierto xm x0 , entonces la trayectoria (t, t0 , xm )
(t, t0 , x0 ) de manera uniforme en t en |t t0 | para cierto > 0.
Una vez establecidas estas condiciones, podemos definir el punto de equilibrio.
Definition 17 Un punto xe Rn se dice que es un punto de equilibrio de la Ecuaci
on (7.25) (en un tiempo
t R+ ) si,
f (t , xe ) = 0 t t

100
Notese que para sistemas autonomos (aquellos en los cuales la Ecuacion (7.25) no depende del tiempo), un
punto xe Rn es un punto de equilibrio en un determinado tiempo t si y solo si es un punto de equilibrio
para todo tiempo. Notese tambien que si xe es un punto de equilibrio en t , entonces la transformacion
= t t reduce la Ecuacion (7.25) a
dx
= f ( + t , x)
d
y por ende, xe es un punto de equilibrio en = 0. Es por ello que se asumira que t = 0, y omitiremos su
uso en lo que resta del documento. Ademas, si x(t0 ) = xe , el sistema esta en reposo desde el inicio, por lo
cual no tiene porque desplazarse de su punto de equilibrio.
Ejemplo [14]: Consideremos el sistema descrito por
x 1
x 2
=
=
x2
gl sin(x1 )
k
m x2
donde g, l, m, k > 0. Este sistema describe de forma simple el pendulo sin friccion, y como se puede ver tiene
infinitos puntos de equilibrio localizados en (n, 0), n = 0, 1, 2, . . .. Fsicamente solo tiene dos puntos de
equilibrio, y los demas son la repeticion de los dos primeros.
Para poder definir ciertas caractersticas de un punto de equilibrio, introducimos la siguiente definicion.
Definition 18 Un punto xe de (7.25) se dice que es un punto de equilibrio aislado si existe una constante
r > 0 tal que B(xe , r) Rn no contiene m
as puntos de equilibrio de (7.25) que xe . En este caso, la bola de
radio r y centro xe se define como B(xe , r) = {xe Rn : |x xe | r}.
Como podemos observar, todos los puntos de equilibrio de la Ecuacion (7.27) son aislados en R 2 . Sin embargo,
existen sistemas en los cuales los puntos de equilibro no son aislados.
Ejemplo [?]: Consideremos el sistema
x 1
x 2
=
=
ax1 + bx1 x2
bx1 x2
donde a > 0 y b > 0 son constantes. Queda claro que x1e = 0, por lo cual cualquier punto en el eje positivo
de x2 es un punto de equilibrio de (7.27). As pues, el punto de equilibrio no es aislado.
Es claro que existen casos en los cuales no existen puntos de equilibrio. Por ejemplo, tomemos el
siguiente ejemplo
x 1 = 2 + sin(x1 + x2 ) + x1
x 2 = 2 + sin(x1 + x2 ) x1
En lo que nos resta, asumiremos que los puntos de equilibrio son aislados. Tambien asumiremos que el punto
aislado de equilibrio que analizaremos es xe = 0. Por que? Asumamos que xe = 0 es un punto de equilibrio
de (7.25). Si definimos e = x xe , entonces e = 0 es un punto de equilibrio de
e = f (t, e + xe )
(7.27)
Como las propiedades de (7.27) y (7.25) son las mismas, podemos asumir que el punto de equilibrio esta localizado en xe = 0, el cual es conocido como el punto de equilibrio trivial de (7.25).
7.6.
7.6.1.
Estabilidad y Acotamiento
Conceptos Locales
El siguiente analisis definira la estabilidad de un punto de equilibrio x e = 0 de (7.25), mas no de

un conjunto de puntos de equilibrio. La razon primordial de ello es que si quisieramos hacer lo u
ltimo,
tendramos que introducir el concepto de distancia, el cual puede llegar a confundir inicialmente al lector.
En una version mas detallada de este tutorial, es menester incluir este tipo de definiciones.
101
7.6. ESTABILIDAD Y ACOTAMIENTO
Definition 19 Se dice que el punto de equilibrio xe de (7.25) es estable en el sentido de Lyapunov

(SISL) si para cualquier > 0 y cualquier t0 R+ existe un ( , t0 ) > 0 tal que
|(t, t0 , x0 )| <
t > t0
(7.28)
cuando
|x0 | < ( , t0 )
(7.29)
Graficamente esto podra verse como en la Figura 7.11, para el caso de n = 2.
x2
(t,t0,x 0)
x1
(,t0)
Figura 7.11: SISL de un punto de equilibrio.

Cabe reafirmar que es el punto de equilibrio el que es estable, mas no el sistema. Ademas, como en
la definicion se tienen que cumplir las Ecuaciones (7.28) y (7.29) para cualquier > 0 y cualquier t 0 R+ ,
no es logico tratar de probar que un punto de equilibrio es estable por medio de simulaciones. La simulacion
solo ayudara para dar una intuicion sobre lo que podra suceder, mas no es en ning
un caso una prueba
matematica.
En la Definicion 19, ( , t0 ) depende de y t0 . Si es independiente de t0 , i.e., = ( ), entonces se
dice que el punto de equilibrio xe = 0 de (7.25) es uniformemente estable.
Definition 20 Se dice que el punto de equilibrio xe de (7.25) es asint
oticamente estable (AS) si:
1. Es SISL.
2. Para cualquier t0 0, existe un (t0 ) > 0, tal que
lm (t, t0 , x0 ) = 0
si
|x0 | < (t0 )
El dominio de atracci
on del punto de equilibrio xe de (7.25) es el conjunto de todas las condiciones
iniciales x0 Rn tales que (t, t0 , x0 ) 0 cuando t para un cierto t0 0. Si la segunda condici
on es
v
alida, se dice que el punto de equilibrio xe de (7.25) es atrado.
Si en la segunda condici
on no depende de t0 , y adem
as el punto de equilibrio xe de (7.25) es
uniformemente estable, se dice que el punto de equilibrio xe de (7.25) es uniformemente asint
oticamente
estable (UAS).
Cual es la diferencia entre un punto de equilibrio que es SISL y uno que es AS? Cuando hablamos de SISL se
dice que el sistema tiene unas condiciones iniciales tales que si el sistema esta cerca de su punto de equilibrio,
entonces al final el sistema se mantendra cerca del punto de equilibrio. Sin embargo, en la definicion de AS lo
que se tiene es que si el sistema arranca cercano al punto de equilibrio, entonces ademas de que la trayectoria

102
se mantendra cerca, esta convergera al punto de equilibrio.
Ejemplos:
x = 0: Este sistema tiene un punto de equilibrio que es SISL, mas en ning
un momento es AS ya que
las trayectorias no convergen al punto de equilibrio.
x = ax: Si asumimos que a > 0, el punto de equilibrio es xe = 0, y como se puede ver este es SISL
pero ademas como la trayectoria es (t, t0 , x0 ) = x0 eat , tomando el lmite en el infinito, se puede ver
que la trayectoria converge a 0, con lo cual es AS.
Este u
ltimo ejemplo nos muestra una caracterstica adicional, y es cuan rapido las trayectorias convergen al punto de equilibrio. A continuacion la definimos.
Definition 21 El punto de equilibrio xe = 0 es exponencialmente estable (ES) si existe una constante
> 0, y para cualquier > 0, existe un ( ) > 0 tal que
|(t, t0 , x0 )| exp(tt0 )
para todo t t0 cuando |x0 | < ( ) y t0 0.
La Figura 7.12 muestra el comportamiento de (t, t0 , x0 ) en las vecindades de un punto de equilibrio xe = 0
que es ES.
(t)
e- t
x0
Figura 7.12: ES de un punto de equilibrio.

Si un punto de equilibrio xe = 0 de (7.25) no es SISL, entonces se dice que es inestable. Sin embargo,
pueden existir casos en los que las soluciones de (t, t0 , x0 ) tienden a cero cuando t aumenta, por lo cual los
conceptos de inestabilidad y atraccion pueden ser compatibles.
Hasta ahora solo hemos considerado propiedades locales del punto de equilibrio. A continuacion enunciaremos ciertas propiedades globales.
7.6.2.
Conceptos Globales
Definition 22 La soluci
on de (t, t0 , x0 ) de (7.25) es acotada si existen un > 0 tal que
|(t, t0 , x0 )| <
t t0
103
7.6. ESTABILIDAD Y ACOTAMIENTO
El sistema (7.25) posee estabilidad seg

un Lagrange si para cada t0 0 y x0 , la soluci
on (t, t0 , x0 ) es acotada.
En la definicion anterior poda depender de t0 . Si esta constante es tal que para cualquier > 0 y cualquier
t0 R+ , = () > 0 (independiente de t0 ), se tiene que si |x0 | < , entonces |(t, t0 , x0 )| < para todo
t t0 .
Definition 23 Las soluciones de la Ecuaci
on (7.25) son uniformemente y u
ltimamente acotadas
(UUB) si existe una constante B > 0 (que es la constante de acotamiento), y si para cualquier > 0 y
t0 R+ , existe un T = T () (independiente de t0 ) tal que
|x0 | < |(t, t0 , x0 )| <
t t0 + T
Graficamente esta u
ltima definicion puede verse ilustrada en la Figura 7.13. Lo que se ilustra en esta figura
es que si bien se pueden llegar a tener oscilaciones elevadas en un principio, luego de un tiempo T (), las
trayectorias se ven acotadas por una especie de cilindro de radio B.
(t)
x0
T()
Figura 7.13: UUB.
En la definicion de AS si el dominio de atraccion del punto de equilibrio x e = 0 es Rn , se dice que
xe = 0 de (7.25) es globalmente asint
oticamente estable (GAS). Finalmente, el punto de equilibrio
xe = 0 de (7.25) es globalmente exponencialmente estable (GES) si existe un > 0, y para cualquier
> 0 existe un k() > 0 tal que |(t, t0 , x0 )| k()|x0 |e(tt0 ) para todo t t0 cuando |x0 | < .
104
Captulo 8
Variables de Estado: Dise

no
Entre tenerle miedo a todo y tenerle miedo a mi propio miedo, elijo esto u
ltimo, no se olvide que soy
polica y que si le tuviera miedo a todo no podra trabajar. Pero si le tiene miedo a sus miedos su vida
se puede convertir en una observaci
on constante del miedo, y si
estos se activan, lo que se produce es
un sistema que se alimenta a s mismo, un rizo del que le resultara difcil escapar, dijo la directora.
2666, Roberto Bola

no
Las notas de este captulo han sido sacadas de varios libros, dentro de los que se destacan [22, 7, 11,
32, 12, 4].
8.1.
Introducci
on
Normalmente estamos interesados en controlar el sistema con una se

nal de control u(t), que esta ligada
a las variables de estado del sistema. Este controlador opera bajo la informacion disponible, y es un sistema
de compensacion bastante utilizado para optimizacion de sistemas.
Los conceptos de controlabilidad y observabilidad fueron introducidos por R. E. Kalman en los a
nos
50s para explicar porque un metodo de dise
no de compensadores para sistemas inestables por medio de la
cancelacion de los polos en el semiplano derecho por ceros en el mismo semiplano no siempre funcionaba.
Kalman demostro que una cancelacion perfecta polo-cero podra resultar en un sistema inestable incluso
teniendo una funcion de transferencia estable.
Ejemplo 8.1.1 [12] Asumamos que se tiene el sistema descrito por las ecuaciones de estado,
x 1
x 2
x 3
x 4
y
= 2x1 + 3x2 + 2x3 + x4 + u

= 2x1 3x2 2u
= 2x1 2x2 4x3 + 2u
= 2x1 2x2 2x3 5x4 u
= 7x1 + 6x2 + 4x3 + 2x4
La funci
on de transferencia est
a dada por
H(s) = C(sI A)1 B =
s3 + 9s2 + 26s + 24
s4 + 10s3 + 35s2 + 50s + 24
Factorizando, se puede ver como un sistema de cuarto orden se reduce a uno de primer orden de la forma
H(s) =
(s + 2)(s + 3)(s + 4)
1
=
(s + 1)(s + 2)(s + 3)(s + 4)
s+1
Porque sucede esto?

105

CAPITULO 8. VARIABLES DE ESTADO: DISENO
106
Por intermedio de un cambio de variables (que se ver

a m
as adelante), el sistema puede ser escrito
como
z1
z2
z3
z4
y
= z1 + u
= 2z2
= 3z3 + u
= 4z4
= z 1 + z2
(8.1)
El diagrama en bloques que se muestra en la Figura 8.1 nos ilustra que:

La variables z1 se ve afectada por la entrada u y es visible por la salida.
La variables z2 no se ve afectada por la entrada u, pero s es visible por la salida.
La variables z3 se ve afectada por la entrada u, pero no es visible por la salida.
La variables z4 no se ve afectada por la entrada u y no es visible por la salida.
z1
u
+
z2
z3
z4
+
Figura 8.1: Diagrama en bloques para (8.1).

Como Kalman demostro, todo sistema de la forma generica,
x
y
= Ax + Bu
= Cx
puede ser transformado en susbistemas como los del ejemplo anterior. Para este caso especfico, se concluye
que
DE LAS VARIABLES DE ESTADO

8.2. TRANSFORMACION
107
1. El primer subsistema es controlable y observable.

La parte que es controlable se dice que es estabilizable, mientras que la que es observable se dice que
es detectable.
2. El segundo subsistema no es controlable, pero s es observable.
3. El tercer subsistema es controlable, pero no es observable.
4. El u
ltimo subsistema no es ni controlable ni observable.
La funcion de trasferencia esta determinada solo por el subsistema que es tanto controlable como observable.
Se dice que un sistema que contiene un subsistema NO controlable es NO controlable; un sistema que contiene
un subsistema NO observable es NO observable.
Si existe al menos una cancelacion de polos y ceros inestables, cualquier perturbacion llevara al sistema
a volverse inestable. Sin embargo, en este caso no habra problema ya que los polos eran todos estables, por
lo cual la cancelacion polos/ceros no nos afectaba en demasa.
8.2.
Transformaci
on de las Variables de Estado
Muy frecuentemente las variables de estado que se utilizan no son las mejores en la formulacion de un
sistema dinamico
x = Ax + Bu
y = Cx + Du
Esta es una de las razones por las que pasar de G(s) a (A, B, C, D) no es u
nico (realization problem).
Si se escoge
z
z
T 1 z
T 1 z
=
=
=
=
Tx
T x
Ax + Bu
AT 1 z + Bu
Por lo que, la normal/modal canonical form viene siendo

z
y
= T AT 1 x + T Bu
= CT 1 x + Du
Lo que se puede escribir de forma mas sencilla como

z
y
=
=
+ Bu
Az
Cz + Du
Por ejemplo, en el caso de calcular eAt , si la matriz A fuera diagonal, entonces sera mas sencillo calcular
eAt que eAt , ya que los valores propios no se ven afectados bajo una transformacion ideal, i.e.,
|I T AT 1 |
=
=
=
=
|T (I A)T 1 |
|T ||I A||T 1 |
|T ||T 1 ||I A|
|I A|
El problema que surge entonces es escoger T de tal forma que A = T AT 1 sea diagonal.
Definition 24 Una valor propio C de A satisface
e = Ae
donde A Rnn , e Cn . Este u
ltimo es el vector propio de A asociado con .

108
Una de los metodos para hallar T es utilizando la nocion de vectores propios agrupados todos en la matriz
T 1 . Sin embargo, el metodo que se describe a continuacion solo es valido si los n valores propios son
diferentes, i.e., no existe ninguno que sea repetido.
Para hacer la explicacion mas sencilla, supongamos que A tiene tres vectores propios diferentes
e1 , e2 , e3 . A continuacion escogemos las columnas de T 1 como cada uno de los vectores propios, i.e.,
|
|
|
T 1 = e1 e2 e3
|
|
|
la cual sera una matriz diagonal que tendra en su

Luego, se puede obtener T , y por lo tanto calcular A,
diagonal los valores propios i , i = 1, . . . , n. Esto nos permitira encontrar la modal canonical form si es que
existe.
Ejemplo 8.2.1 Encontrar la modal canonical form del siguiente sistema, si es que existe.
x
1 2
0 2
[2 6]x
3
1
x+
En primera instancia, tendramos que hallar los valores propios de A por medio de |I A| = 0, lo que en
este caso implica que = {1, 2}.
Luego, para encontrar T se necesita encontrar una base de vectores propios, i.e., ( i I A)ei = 0,
i = 1, 2. Esto implica que si 1 = 1 se puede escoger que e1 = (1, 0) , y que si 2 = 2 se puede escoger
que e2 = (2, 1) . Por lo tanto se tendra que
1
0
T 1 =
2
1
y
T =
1
0
2
1
Por lo cual
1
0
T AT 1 =
0
2
1
1
TB =
CT 1 = [2, 2]
Otra forma mas sencilla de obtener la matriz T cuando
1 0
0 2
A =
0
0
0
0
Con
T 1
los valores propios son todos diferentes, es utilizar
... 0
0
0
..
. 0
...
1
1
21
..
.
1
2
22
..
.
...
...
...
..
.
1
n
2n
..
.
1n1
2n1
...
nn1
DE CONTROLADORES UTILIZANDO STATE FEEDBACK

8.3. DISENO
109
Ejemplo 8.2.2 Encontrar la modal canonical form del siguiente sistema, si es que existe.
0
0
1
0
0
1 x + 0 u
x = 0
1
18 27 10
y = [1 0 0]x
En primera instancia, tendramos que hallar los valores propios de A por medio de |I A| = 0, lo que en
este caso implica que = {1, 3, 6}.
Si T se escoge como
1
= 1
1
T 1
Se puede comprobar que
T AT 1
1
3
9
1
= A = 0
0
1/10
= 1/6
B
1/15
C = [1, 1, 1]
1
6
36
0
3
0
0
0
6
Tambien podra comprobarse que la escogencia de dicha matriz T se puede obtener por el metodo de los
vectores propios descrito previamente.
Vale resaltar nuevamente que los metodos descritos son validos si se tienen n valores propios diferentes. Si uno
de los valores propios es repetido, el metodo falla, ya que no se tendran n vectores propios independientes.
Otra de las cosas que valdra resaltar es el hecho de que el polinomio () = |I A| = 0 corresponde
al polinomio caracterstico. Esto se hace mas evidente cuando uno recuerda la definicion de funcion de
transferencia que se utilizo previamente.
8.3.
Dise
no de Controladores Utilizando State Feedback
La idea general de hacer todas estas transformaciones y saber cuales estados estan disponibles con
respecto a la entrada, es poder dise
nar controladores para que se cumplan ciertas caractersticas. En lneas
generales, lo que se pretende es obtener una ganancia en funcion del estado, de tal forma que la entrada
cambie, y haciendo que los polos se ubiquen donde uno desea. La Figura 8.5 muestra como se retroalimentara
el estado por medio de una ganancia K. La pregunta sera entonces, cuando se puede utilizar la tecnica
conocida como state-feedback para ubicar los polos de lazo cerrado en cualquier punto?
u
r
+
+
A
Figura 8.2: Realimentacion de estado por medio de una ganancia K.

110
Ejemplo 8.3.1
x
1
3
a
2
0
1
x+
La idea es poder dise

nar un controlador lineal de la forma u = Kx tal que los polos queden ubicados donde
se desee. Por lo tanto, l reemplazar u, se tendra un sistema de la forma
1
3 K1
x =
a
2 K2
Los polos de lazo cerrado est

an determinados por el polinomio caracterstico, i.e.,
|I (A BK)| = 0
2 + (K2 + 3) + 2 + K2 + a(K1 3) = 0
Supongamos que queremos que los polos de lazo cerrado esten ubicados en -2, -3, i.e.,
( + 2)( + 3) = 0
2 + 5 + 6 = 0
Entonces, se tendra finalmente que escoger K2 = 2, y K1 =
2
a
+ 3, con a = 0.
Que sucedera en el problema anterior si a = 0? En ese caso, no se pueden colocar los polos de lazo cerrado
donde uno lo desea, ya que el sistema no sera controlable. La siguiente definicion ilustra mejor este concepto.
x = Ax + Bu
es controlable si y s
olo si es posible transferir, por medio de la entrada u(t), el sistema de cualquier estado
inicial x(t) = x0 a cualquier otro estado x(T ) = xT en un tiempo finito T t 0.
En R3 sera algo como se ve en la Figura 8.3.
x3
xf = x(T )
x0
x2
x1
Figura 8.3: Comportamiento de la definicion de controlabilidad en R3 .

8.3. DISENO
111
x = Ax + Bu
se dice que es controlable si para cualquier polinomio c (s) de orden n existe un u
nico control u = Kx
tal que el polinomio caracterstico de A BK sea igual a c (s).
Otra forma de comprobar si un sistema es controlable o no, es por medio de las caractersticas algebraicas
de sus matrices. Para definir correctamente esto, se necesita recordar lo siguiente.
Theorem 8.3.1 El rango de una matriz A es el n
umero de columnas (o filas) linealmente independientes.
Definition 27 Un conjunto de vectores {v1 , v2 , . . . , vn } son linealmente independientes si
1 v1 + . . . n vn = 0 1 = 2 = . . . = n = 0
Si no, son linealmente dependientes, ya que al menos un i = 0 uno podra expresar el vector asociado con
el como una combinaci
on lineal en terminos de los otros vectores.
Ejemplo 8.3.2 Los vectores [1, 3] , [4, 5] , [6, 4] NO son independientes, porque se pueden escoger
1 = 2, 2 = 2, y 3 = 1, tal que 1 [1, 3] + 2 [4, 5] + 3 [6, 4] = 0.
Theorem 8.3.2 El sistema
x = Ax + Bu A Rnn
se dice que es controlable si rank(C) = n donde
.
.
.
C = [B .. AB .. . . . .. An1 B]
es la matriz de controlabilidad.
Ejemplo 8.3.3 Dado el sistema
x
1
0
0
3
x+
1
1
Determina si
1. El sistema es controlable?
2. Si es as, determine las ganancias K = [K1 , K2 ] tal que los polos de lazo cerrado esten ubicados en
{2, 2}.
Una de las ventajas de las formas canonicas se puede ver a continuacion. Si el sistema esta en la forma
canonica controlable, se tiene que
0
1
0
...
0
0
0
1
...
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A=
0
0
0
...
1
a0 a1 a2 . . . an1
B=
0
0
..
.
1

112
Si se quisieran ubicar los polos en unos puntos determinados con K = [K1 , . . . , Kn ], los valores propios de
A BK estan dados por las races de |I (A BK)| = 0, los cuales son
n + (an1 + Kn )n1 + (an2 + Kn1 )n2 + . . . + a0 + K1 = 0
Si se comparara con el polinomio deseado,
n + 1 n1 + . . . + n1 + n = 0
Por lo tanto, sera muy sencillo obtener los valores de las ganancias Ki , de la forma
K1 = n a 0
K2 = n1 a1
Y as sucesivamente.
Sin embargo, no es necesario transformar el sistema en la forma canonica controlable para hacer la
ubicacion de polos. Se puede hacer esto directamente con el sistema (A, B) y luego calcular la ecuacion
caracterstica con A BK directamente.
Un test interesante con el cual se puede verificar la controlabilidad de un sistema es el PBH test.
.
Theorem 8.3.3 El par (A, B) es controlable si y s
olo si rank[A I .. B] = n para todos los valores propios
de A.
El desarrollo hasta ahora se ha basado en state feedback u = Kx. Se tendra la misma libertad si se
escogieran los polos si se utilizara output feedback, u = Ky?
Ejemplo 8.3.4 [22] Considere la funci
on de transferencia
Y (s)
1
=
U (s)
s(s + 1)(s + 2)
Se desea dise
nar este servosistema para que lo polos en lazo cerrado esten ubicados en 2 j3,464 y 10.
Se supone que la configuraci
on del sistema es la que se ve en la Figura 8.4.
x1
r
K1
x = Ax + Bu
x2
y = Cx
y = x1
x3
K2
K3
Figura 8.4: Realimentacion de estado con referencia.

El sistema en terminos de las variables de estado se ve como
0
0 1
0
1 x + 0 u
x = 0 0
1
0 2 3
y = [1 0 0]x
Y adem
as, a partir de la Figura... es claro que u = (K2 x2 + K3 x3 ) + K1 (r x1 ) = Kx + K1 r.

8.3. DISENO
113
En primera instancia tenemos que determinar si el sistema es controlable. Para ello, se define la
matriz de controlabilidad
2
C = [B
| AB | A B]
0 0
1
= 0 1 3
1 3 7
Por lo tanto, se puede ver que el rank(C) = 3, y por ende, el sistema es controlable. Ahora s podemos mirar
el polinomio caracterstico |I (A BK)| = 0, y compararlo con el deseado. De esta forma se obtienen los
dos polinomios a comparar, i.e.,
3 + 2 (K3 + 3) (2 K2 ) + K1 = 0
Y el polinomio deseado sera
3 + 142 + 56 + 160 = 0
Por lo tanto, K = [160, 54, 11]. El sistema finalmente quedara de la
0
1
0
0
1 x +
x = 0
160 56 14
y = [1 0 0]x
forma
0
0 r
160
Para un sistema de una entrada y una salida, la formula de Ackermann es u

til para calcular la matriz K de
u = Kx, dada la ecuacion caracterstica
q() = n + n1 n1 + . . . + 0
En este caso,
K = [0 0 . . . 1]C 1 q(A)
donde
q(A) = An + n1 An1 + . . . + 0 I
y C es la matriz de controlabilidad.
Ejemplo 8.3.5 Se tiene una funci
on de transferencia
1
Y (s)
= 2
U (s)
s
determinar K tal que los polos esten ubicados en 1 j.
En este caso, el polinomio caracterstico sera de la forma
q() = 2 + 2 + 2
Por lo tanto se tendra que 1 = 0 = 2. La representacion de estado esta dada por
x =
0
0
1
0
0
1
x+
Por ende, la matriz de controlabilidad estara dada por

C = [B|AB] =
0
1
1
0
Lo cual implica que el sistema es controlable (N

otese bien que para obtener K utilizando esta f
ormula,
se requiere que la inversa de la matriz C exista, y esto se da esencialmente al garantizar que C
es full rank, i.e., cuando el sistema es controlable). Por lo tanto, podramos calcular K de la forma
K = [0 1]C 1 q(A)

114
donde
C 1 =
y
q(A) =
0
0
1
0
1
1
0
1
+2
0
0
1
0
1
0
0
1
+2
1
0
1
0
0
1
2
0
2
2
Por lo tanto,
K = [2 2]
8.4.
Dise
no de Estimadores en el Espacio de Estado
En lo que hemos visto, es necesario tener acceso a todas las variables de estado. Recordemos que la
topologa de state feedback viene dada por el diagrama de la Figura 8.5.
u
r
+
Figura 8.5: Realimentacion de estado por medio de una ganancia K.

Si recordaramos el ejemplo anterior, hay sistemas que no tienen todas sus variables de estado accesibles.
Por lo tanto, existen tecnicas que proveen un estimado de los estados inaccesibles. Un sistema dinamico cuyas
variables son las variables de estado de otro sistema se conoce como un observador de este sistema. El termino
fue acu
nado por D. Luemberger en 1963, el cual demostro que para cualquier sistema lineal observable, se
puede dise
nar un observador tal que el error de lo estimado (i.e., la diferencia entre el estado del sistema
actual y el observado), tiende a cero asintoticamente tan rapido como uno lo desee. Esta tecnica de dise
no
es equivalente al dise
no de sistemas retroalimentados por pole placement.
Un observador es un dispositivo que reconstruye una se
nal, el cual provee el estimado de los estados
inaccequibles como e ve en la Figura 8.6.
r
Plant (A, B, C)
Observer
Figura 8.6: Observador asociado con la planta.

Asumamos que existe una planta cuyo comportamiento esta dado por
x
y
= Ax + Bu
= Cx
La entrada u y la salida y estan conectadas al sistema estimado como se muestra en la Figura 8.7.
Si el estado del sistema es z, entonces por inspeccion se tiene
z = (A LC)
z + Bu + Ly
DE ESTIMADORES EN EL ESPACIO DE ESTADO

8.4. DISENO
u
115
+
y
+
Figura 8.7: Observador asociado con la planta.

Por lo tanto, el comportamiento dinamico de la diferencia entre los estados de los dos sistemas esta dado por
z x = (A LC)(
z x)
Si se puede escoger L tal que A LC tenga races con parte real negativa, entonces z x cuando t ,
independientemente de la entrada u.
x
y
= Ax + Bu
= Cx
con condiciones iniciales x(0) = x0 es observable si el estado x(t) puede ser determinado por la entrada
u(s) y la salida y(s), 0 s t.
Theorem 8.4.1 El sistema
x
y
= Ax + Bu
= Cx
.
.
.
.
es observable si rank(O) = n, donde O = [C .. CA .. CA2 .. . . . .. CAn1 ]
es la matriz de observabilidad.
Es claro que los polos del error de lazo cerrado z x = (A LC)(z x) pueden ser colocados en cualquier
posicion (escogiendo L), siempre y cuando el par (A, C) sea observable.
Para un sistema de una entrada y una salida, tambien se pueden seleccionar los valores de L por medio
de la formula de Ackermann, con
L = [L1 L2 . . . Ln ]
Si la ecuacion caracterstica es
() = n + n1 n1 + . . . + 0
En este caso,
L = (A)O 1 [0 0 . . . 1]
donde
(A) = An + n1 An1 + . . . + 0 I
y O es la matriz de observabilidad.
Ejemplo 8.4.1 Para el sistema
x =
2
1
3
4
x+
0
1
y = [1 0]x
asumamos que queremos tener un polinomio caracterstico de la forma

() = 2 + 2n + n2
donde = 0,8 y n = 10.
Halle L para tal efecto.

116
Teniendo estos datos, se sabe entonces que 1 = 16 y que 0 = 100. Por ende, el polinomio caracterstico
utilizando la formula de Ackermann sera
(A) =
2
1
3
4
+ 16
2
1
3
4
donde
O=
+ 100
1
2
1
0
0
1
133
22
66
177
0
3
y
1
2/3
O1 =
Por lo tanto,
0
1/3
L = [22 59]
Esto se pudo haber obtenido como se haba venido haciendo hasta el momento.
x(t)
x(0)
= Ax + Bu
= x0
(8.2)
se dice que es stabilizable si existe una matriz K tal que para u = Kx, el sistema en lazo cerrado
x = (A BK)x
es estable.
De manera informal, lo que nos plantea la definicion es que (8.2) es stabilizable si y solo si todos los modos
inestables son controlables.
Definition 30 El par (C, A) es detectable si existe una matriz L tal que A LC, sea estable.
En otras palabras, desde el punto de vista de los valores propios se tiene que
{A LC} = {A C L }
Entonces, (C, A) es detectable si y solo si (A , C ) es stabilizable.
8.5.
Integrated Full-State Feedback and Observer
El compensador de variables de estado se construye a partir de la union de la ley de control de lo que

se conoce como full-state feedback y el observador. El compensador se muestra en la Figura...
ANADIR FIGURA
Para el dise
no se siguen los siguientes pasos:
1. Se asume que todas las variables de estado son medibles, y se utiliza una ley de control conocida como
full-state feedback control law. En realidad esto no es practico ya que por lo general no es posible medir
todos los estados. En la practica solo algunos estados son medibles, o algunas combinaciones de ellos
existen.
2. Se construye un observador para estimar los estados que no se pueden sensar directamente, ni que
estan disponibles como salidas. Estos observadores pueden ser full-state o de orden reducido (estos en
el caso que algunos estados esten disponibles como salidas, por lo cual no necesitan ser estimados).
3. Se requiere acoplar el observador con el full-state feedback control law. Esto u
ltimo se conoce como
compensador.
117
8.5. INTEGRATED FULL-STATE FEEDBACK AND OBSERVER

4. Adicionalmente, se pueden considerar entradas de referencia para completar el dise
no.
Para el 3er punto, se podra tener que la ley de control esta dada por
u(t) = K x
(t)
(8.3)
Es esta una buena estrategia? Originalmente, K se dise

no para garantizar que el sistema en malla cerrada
fuera estable, i.e.,
det(I (A BK)) = 0
tena races ubicadas en el LHP. Si todos los estados estaban disponibles, entonces al seleccionar K para que
la premisa se cumpla, se tena que x(t) 0 cuando t para cualquier condicion inicial x(t 0 ). Ahora
bien, lo que se necesita es comprobar que con (8.3) el sistema sigue siendo estable. Para ello, se tiene que el
observador de estado viene dado por
x
= (A BK LC)
x + Ly
(8.4)
como se ve en la Figura...
ANADIR FIGURA
El error de estimacion utilizando el compensador de (8.4) dara que
e = x x
= Ax + Bu A
x Bu Ly + LC x
Es decir
e = (A LC)e
(8.5)
lo cual es equivalente al error de estimacion que se obtuvo en el dise

no del observador. Esto implica que el
error de estimacion NO depende de la entrada.
Se tiene el sistema
x
y
Si u = Kx, entonces
= Ax + Bu
= Cx
x = (A BK)x + BKe
(8.6)
donde x
= x e. De forma matricial, combinando (8.5) y (8.6) tendramos que
x
e
A BK
0
BK
A LC
x
e
El objetivo es verificar que la ley de control u = K x

sigue siendo una buena solucion para mantener el
sistema estable.
Para ello, recordemos que la ecuacion caracterstica esta dada por
det(I (A BK))det(I (A LC)) = 0
Si las races del polinomio det(I (A BK)) = 0 estan en el semi-plano izquierdo (lo cual es cierto por el
dise
no de K), y si las races de det(I (A LC)) = 0 estan tambien en dicho semi-plano (lo cual es cierto
por el dise
no del observador), entonces el sistema total sera estable. Por ende, el dise
no de ambas cosas por
separado es valido, y esto se conoce como el separation principle.
As pues, todo se podra resumir de la siguiente manera:
1. Determinar K tal que det(I (ABK)) = 0 tenga races en el semi-plano izquierdo, y ubicar los polos
tal que se cumplan las especificaciones de dise
no. La ubicacion arbitraria de los polos esta garantizada
por el hecho de que el sistema sea completamente controlable.
2. Determinar L tal que det(I (A LC)) = 0 tenga races en el semi-plano izquierdo y ubicar polos
para cumplir los criterios de desempe
no del observador. Esto se da porque el sistema es observable.

118
3. Conectar utilizando
u(t) = K x
La funcion de transferencia del compensador sera
sX(s)
= (A BK LC)X(s)
+ LY (s)
U (s) = K X(s)
U (s) = (K(sI (A BK LC))1 L)Y (s)
Captulo 9
Control Multivariable
Lo expuesto en este captulo esta desglosado en el artculo [34]. Sin embargo, algunos ejemplo han
sido tomados de [1] y [31].
9.1.
Introducci
on
Por lo general, en la industria siempre se tiene mas de un lazo de control para poder fabricar sus
productos. Estos sistemas se conocen como sistemas multivariables o sistemas de m
ultiples entradas y salidas
(MIMO, por sus siglas en ingles). Algunos ejemplos comunes son:
Reactores qumicos.
Columnas de destilacion.
Intercambiadores de calor.
Por ejemplo, en un reactor qumico como el que se ve en la Figura..., las variables de interes son usualmente
la composicion del producto y la temperatura de reaccion.
ANADIR FIGURA
Por lo tanto, habra un lazo dedicado a la composicion, y otro a la temperatura. Sin embargo, cualquier
cambio en uno de los lazos estara afectando al otro por lo que ambos lazos deberan saber que hace el otro
para as poder cumplir sus objetivos de control. Este fenomeno es lo que se conoce como interacci
on de
lazo. Este tipo de interacciones debidas a la forma del proceso o a su dise
no pueden causar problemas de
inestabilidad del sistema.
9.2.
9.2.1.
An
alisis de los Sistemas Multivariables
Representaci
on
Las tecnicas de dise

no de controladores se basa en modelos lineales por lo general por medio de
ecuaciones diferenciales que describen su comportamiento (tambien pueden existir metodos empricos para
determinar la estructura del proceso).
Por lo general, este tipo de modelos se hace mediante aproximaciones de espacio de estado, o utilizando
el modelo de entrada/salida (i.e., funciones de transferencia).
119
CAPITULO 9. CONTROL MULTIVARIABLE
120
9.2.2.
Modelos
Por lo general, los sistemas de dimension elevada se pueden descomponer en subsistemas de 2 2, por
lo que la discusion a seguir se basara en procesos de dos entradas y dos salidas.
Estos modelos pueden asumir varios tipos de formas estructurales. Dos modelos comunes son las
representaciones P- y V-canonical que se muestran en la Figura...
ANADIR FIGURA
Con la estructura en P-canonical se tiene una interaccion conocida como feedforwards, mientras que
la V-canonical posee un acople feedback. Los elementos Gkij corresponden a funciones de transferencia que
determinan las diversas relaciones entrada/salida.
P-canonical Representation
Como se puede ver en la Figura..., las salidas estan determinadas por
y1 = u1 Gp11 + u2 Gp12
y2 = u1 Gp21 + u2 Gp22
Esto se puede ver de manera matricial como
y = Gp u
Es decir
y1
y2
Gp12
Gp22
Gp11
Gp21
u1
u2
V-canonical Representation
Como se puede ver en la Figura..., las salidas estan determinadas por
y1 = (y2 Gv12 + u1 )Gv11
y2 = (y1 Gv21 + u2 )Gv22
Esto se puede ver de manera matricial como
y = [I Gvm GvI ]1 Gvm u
donde
y=
y1
y2
Gvm =
Gv11
0
0
Gv22
GvI =
0
Gv21
Gv12
0
u=
u1
u2

9.2. ANALISIS
DE LOS SISTEMAS MULTIVARIABLES
121
Relaci
on Entre Representaciones
Un sistema puede ser modelado utilizando cualquiera de las estructura P o V, y su relacion esta dada
por
Gp = [I Gvm GvI ]1 Gvm
siempre y cuando la inversa exista.
La pregunta que surgira sera cual de estas dos representaciones tendra que utilizarse. No existen
reglas para ello, sin embargo, lo siguiente debera ser tenido en cuenta:
1. Los parametros del modelo deben ser determinados por los experimentos.
2. El modelo debe ser lo suficientemente representativo del proceso.
3. El modelo debe ser simple y que contenga la mayor cantidad de informacion.
Consideremos primero la V-canonical representation. No es posible obtener las matrices G vm y GvI a partir de
las pruebas de malla-abierta por ejemplo. Esto se debe a que un cambio en cualquiera entrada afectara todas
las otras I/O del sistema. Sin embargo, tecnicas numericas de identificacion permitiran la obtencion de las
funciones de transferencia de la V-canonical representation. Por otro lado, los procesos se ven afectados por
perturbaciones externas de carga. En la V-canonical representation se tiene que
y = [I Gvm GvI ]1 (Gvm + GD v)
donde
GD =
GD1
0
0
GD2
y v es un vector de perturbaciones. Si se tuviesen las mismas perturbaciones de carga en P-canonical representation esto dara
y = Gp u + GD v
Notese que en este caso cada par de I/O esta u
nicamente definido, y los elementos de las funciones de
transferencia Gp y GD se pueden determinar directamente por experimentacion de lazo abierto. Ademas, en
la P-canonical representation el modelo es implcitamente observable y controlable, i.e., las salidas pueden
ser medidas y las entradas pueden ser consideradas para control. Por lo tanto, de ahora en adelante nos
concentraremos en representaciones tipo P-canonical.
9.2.3.
Problemas de Interacci
on
Preguntas como porque se necesita el control multivariable, o cuales son los efectos de la interaccion
en el desempe
no del sistema surgen en estos casos. Para poder ver el efecto de la interaccion, asumamos que
se tiene el sistema de la Figura... con G21 = G12 = 0.
ANADIR FIGURA
Es decir, se tienen dos procesos G11 y G22 los cuales interactuan con unos controladores proporcionales.
Como no existira acople entre los sistemas, se tendran ecuaciones caractersticas independientes de la forma
1 + Kc1 G11 = 0
1 + Kc2 G22 = 0
Si asumimos que los procesos G11 y G22 son de primer orden, con un controlador proporcional se tendra un
sistema estable, independientemente de la magnitud de las ganancias K ci . Sin embargo, la ecuacion caracterstica cuando G21 = 0 y G12 = 0 vendra dada por
1 + Kc1 G11 + Kc2 G21 + Kc1 G11 Kc2 G22 Kc1 Kc2 G12 G21 = 0
(1 + Kc1 G11 )(1 + Kc2 G22 ) Kc1 Kc2 G12 G21 = 0
122
Esta ecuacion nos muestras que en este caso s habra un rango limitado de accion de las ganancias para que
exista estabilidad en el sistema.
El problema de la interaccion puede ser disimuido por la escogencia de los acoples entrada/salida. Para
un sistema de 22, esto sera simple ya que u1 se acopla con y2 , y u2 con y1 , y si estos acoples no surten
efecto en el dise
no entonces se acoplan u1 y1 y u2 y2 . Sin embargo, para sistemas de n dimensiones,
se tendran que intentar n! acoples lo que hace imposible probar todas las posibilidades. Por lo tanto, es
importante evaluar cuantitativamente el grado de interaccion entre lazos de control con el fin de estructurar
el esquema de control que contenga la menor interaccion posible. Una tecnica para ello es lo que se conoce
como el relative gain analysis technique.
9.2.4.
Relative Gain Array
Bristol (REF Bristol 66) desarrolla una tecnica que sirve para la seleccion de manipulative-controlled
variable pairings, as como los comportamientos de las respuestas controladas (REF Skinskey 81). Este
metodo permite determinar si un par entrada/salida es una buena escogencia para implementar un controlador SISO, ya que la interaccion con otros lazos sera despreciable. El analisis se basa en la construccion
del relative gain array (RGA), el cual se presenta a continuacion para un sistema de 2 2 en la forma
p-canonical.
Sean Kij las ganancias de la funcion de transferencia Gij . Asumiendo que u2 permanece constante,
un cambio a entrada paso en u1 de magnitud u1 , producira un cambio y1 en la salida y1 . Entonces, la
ganancia entre u1 y y1 cuando u2 es constante esta dada por
K11 |u2 =
y1
u1
u2
Si ahora se mantiene constante y2 en vez de u2 , entonces un cambio en u1 resultara en un cambio diferente

en y1 , y
y1
K11 |y2 =
u1 y2
Si bien las ganancias estan definidas para el mismo par de variables, sus valores pueden ser diferentes ya que
se obtienen para diferente condiciones. Si existe interaccion, entonces el cambio en y 1 debido al cambio en
u1 para los dos casos (i.e., u2 y y2 constantes) sera diferente.
Se define
11 =
K11 |u2
K11 |y2
como el relative gain entre la salida y1 y la entrada u1 . Se tiene entonces que

Si 11 = 0 entonces el cambio en u1 no influye en y1 . Por ende, no debera ser utilizado para controlar
y1 .
Si 11 = 1 entonces la ganancia entre la salida y1 y la entrada u1 no se ve afectada por el lazo y2 u2 ,
i.e., no existe interaccion.
Para un proceso de 2 2 se tienen los siguientes elementos
12
21
K12 |u1
=
=
K12 |y2
K21 |u2
=
=
K21 |y1
y1
u2
y1
u2
y2
u1
y2
u1
u1
y2
u2
y1

9.2. ANALISIS
DE LOS SISTEMAS MULTIVARIABLES
22
K22 |u1
=
=
K22 |y1
123
y2
u2
y2
u2
u1
y1
Por lo que la matriz RGA sera

11
21
12
22
Para un sistema de n entradas y n salidas se tiene que

Kij |u
=
ij =
Kij |y
yi
uj
yi
uj
Los subndices u y y significan que se tienen valores constantes para u m , m = j y yk , k = i, respectivamente.

Por lo que la matriz RGA sera
11 12 . . . 1n
= ...
21
22
...
nn
Calcular todos estos elementos parecera algo tedioso si no fuere porque:

La suma de todos los elementos en cada columna es 1, i.e.,
n
ij = 1,
i=1
j = 1, . . . , n
La suma de todos los elementos en cada fila es 1, i.e.,

n
ij = 1,
j=1
i = 1, . . . , n
Por lo tanto, en un sistema de 2 2, solo se tiene que determinar un solo elemento del RGA, ya que los
demas se podran encontrar a partir de este, i.e.,
12 = 1 11
21 = 12
22 = 11
De manera similar para un sistema de n n, solo se tienen que determinar (n 1) (n 1) elementos.
Este metodo se basa en un procedimiento experimental. Una determinacion analtica es posible si un
modelo en estado estable esta disponible. Entonces si tenemos
y1 = K11 u1 + K12 u2
y2 = K21 u1 + K22 u2
donde Kij son las ganancias en estado estable de la matriz de funciones de transferencia. Entonces,
K11 |u2 =
y1
u1
= K11
u2
Se sabe que
y1 = K11 u1 + K12
y2 K21 u1
K2 2
124
Entonces
K11 |y2 =
y1
u1
y2
= K11
K12 K21
K22
Por lo tanto, si reemplazaramos obtenemos que

11 =
K11 K22
K11 K22 K12 K21
De esta forma, los demas elementos de la matriz RGA podran ser calculados.
Para un sistema de n n, si se conoce la matriz de ganancias del proceso K, entonces
= K. (K )1
donde . corresponde a la multiplicacion elemento por elemento.
9.2.5.
Selecci
on de Lazos Utilizando RGA
Una vez se tenga , los siguientes casos pueden surgir:

1. Si 11 = 0 entonces la matriz RGA tiene elementos en 0 en la diagonal principal y 1 en la no diagonal.
Es decir, que el control del sistema solo se puede lograr agrupando y1 con u2 y y2 con u1 . El sistema
controlado resultante no tendra interaccion.
2. Si 11 = 1 entonces el sistema no interact
ua entre s, y los pares y1 u1 y y2 u2 son los que estaran
activos. Por ende, u1 (u2 ) no puede ser utilizado para controlar y2 (y1 ).
3. Si 0 < 11 < 0,5 (e.g., 11 = 0,25), entonces los elementos de la diagonal tendran menos peso, i.e., el
mejor acople se dara entre y1 u2 y y2 u1 .
4. Si 0,5 < 11 < 1, es el caso opuesto al anterior, i.e., los elementos que tendran mas peso se dara por el
acople de y1 u1 y y2 u2 .
5. Si 11 > 1, entonces los elementos de la no-diagonal seran negativos. Si los pares y 1 u1 y y2 u2 se
toman en cuenta, se tendra que
K11 |u2
>1
11 =
K11 |y2
y
K22 |u1
22 =
>1
K22 |y1
Suponiendo que K11 |u2 = 1, entonces 0 < K11 |y2 < 1, lo que implica que el cambio en y1 debido al
cambio en u1 es reducido si el lazo y2 u2 esta cerrado. Es decir que las respuestas controladas se
veran afectadas por la interaccion del otro lazo. Entre mayor sea la ganancia relativa, mayor sera el
efecto. Por lo tanto, el par en cuestion requerira el uso de ganancias de controlador mayores. Los pares
y1 u2 y y2 u1 no son los adecuados para ello, ya que las ganancias son negativas. Esto implica que
las interacciones resultantes haran que las salidas controladas se desven de donde se deseaba, y por lo
tanto el controlador no sera el adecuado ya que fallara.
Estos son solo algunos casos, pero si uno quisiera ser mas riguroso tendra que mirar los casos con diferente
n
umero de I/O y perturbaciones, lo cual esta fuera del alcance al que queremos llegar en esta clase. Sin
embargo, una regla general para la seleccion de los lazos de control sera:
Los lazos de control deberan tener pares I/O que tengan positive relative gains
con valores lo mas cercanos posibles a 1.
El uso de las ganancias relativas para determinar el mejor acoplamiento I/O para control de un sistema
multivariable lleva a lo que se conoce como la estrategia de control dominant interaction.
125
9.3. CONTROL MULTIVARIABLE DESACOPLADO

Ejemplo 9.2.1 [1] Un sistema tiene una matriz de ganancias DC dadas por
1 1,5 2,8
1,6
4
K = G(0) = 4
0,15 2 0,1
Cu
ales seran los pares ideales?
La matriz RGA estara dada por

RGA = K. K
0,26
= 0,7328
0,0073
0,0478
0 0163
0,9685
0,6922
0,2835
0,0242
Los pares recomendados en este caso seran y2 u1 , y3 u2 y y1 u3 si se llegasen a utilizar controladores

PI SISO.
9.3.
Control Multivariable Desacoplado
Otra aproximacion para tratar interacciones entre los lazos de control es dise
nar esquemas de control
que no interact
uen entre s, i.e., desacoplados. La idea fundamental es eliminar completamente los efectos de
las interacciones de lazo. Esto se logra por medio de la especificacion de redes de compensacion conocidas
como desacopladas. El rol de estos desacopladores es descomponer un proceso multivariable en una serie
de subsistemas independientes de un solo lazo. Si esto se logra, entonces un desacople completo (o ideal)
ocurre y el proceso multivariable puede ser controlado utilizando controladores independientes de un solo
lazo. La Figura... ilustra el esquema generalmente utilizado en el desacople.
ANADIR FIGURA
La forma de la red de desacople ha sido la causa de cierta controversia, ya que existen diferentes tipos
de representaciones (e.g., P- o V-decouplers), de los cuales la mas popular es el P-decoupler introducido por
Boksenbom and Hood , el cual se ve en la Figura...
ANADIR FIGURA
En este caso, Gc corresponde a la matriz de elementos de desacople,
Gc =
Gc,11
Gc,21
Gc,12
Gc,22
Por otro lado, la matriz G (2 2) es la matriz de funciones de transferencia del proceso descrita previamente,
la cual esta asociada con unos vectores de entrada/salida u y y. Se introduce un vector de set points o
referencias, w = [w1 , w2 ] , lo cual redunda en
y = Gu
u = Gc (w y)
y = GGc (w y)
y = [I + GGc ]1 GGc w
Para que los lazos individuales del sistema de malla cerrada sean independientes el uno del otro, se requiere
que
X = [I + GGc ]1 GGc = diag(x1 , x2 )
i.e., X debe ser una matriz diagonal. Como la suma y el producto de dos matrices diagonales son diagonales,
y la inversa de una matriz diagonal tambien es diagonal, entonces este requisito se cumple si GG c es diagonal,
i.e.,
Gc,11 Gc,12
q1 0
G11 G12
=
GGc =
0 q2
G21 G22
Gc,21 Gc,22
126
donde
q1 = G11 Gc,11 + G12 Gc,21

0 = G11 Gc,12 + G12 Gc,22
0 = G21 Gc,11 + G22 Gc,21
q2 = G21 Gc,12 + G22 Gc,22
Por lo tanto, si los elementos de la funcion de transferencia G se conocen, y teniendo especificados los
elementos de la diagonal de Gc , entonces se pueden seleccionar los elementos de la no diagonal de G c para
determinar el desacople. Esto implicara que
Gc,12 =
G12 Gc,22
G11
Gc,21 =
G21 Gc,11
G22
Si los elementos del camino directo del desacoplador (i.e., Gc,11 y Gc,22 ) se toman como controladores PI por
ejemplo, entonces dadas las funciones de transferencia del proceso, la red de desacople se podra especificar
totalmente. Esta tecnica de dise
no requiere un conocimiento total de G, y por lo tanto se enfatiza en
el uso de la P-canonical form, ya que como se dijo previamente esta representacion puede ser obtenida
experimentalmente.
Notese que esta estructura solo estudia el problema del servomecanismo. El rechazo a perturbaciones
de carga requiere una aproximacion diferente. Con esta configuracion, si los elementos del forward path
(Gc,11 y Gc,22 ) se sintonizan online, entonces los elementos de compensacion de la off-diagonal se tienen que
recalcular. Si bien este no es un gran problema si la estrategia se implemente en un microcontrolador, la
inter-dependencia de los elementos desacoplados se convierte en una desventaja cuando uno de los lazos se
coloca en modo manual. Para este caso, el efecto de desacople se pierde.
Otro metodo es el de Zalkind-Luyben. Previamente se discutio la necesidad del desacople con controladores de lazo independiente como se ve en la Figura...
ANADIR FIGURA
En este caso, se tienen dos bloques extra que representan los controladores del forward-loop. A diferencia del caso anterior, la red de desacople forma una segunda post-compensacion y permitira mas flexibilidad
en la implementacion y commissioning1 del esquema de control non-interacting. Sea Gc la matriz del controlador del forward path con salid u, por lo que
y = Gu
u = Gc u
u = Gc (w y)
y = GGc Gc (w y)
Como Gc es una matriz diagonal, el objetivo de desacople se logra si
X = GGc = diag[x1 , x2 ]
Es decir,
Gc = G1 X =
1
det(G)
G22 x1
G21 x1
G12 x2
G11 x2
La forma mas simple se da con elementos unitarios en la diagonal, i.e.,

Gc,11 = Gc,22 = 1
1A
form of payment to an agent for services rendered. Remuneration.
127
9.3. CONTROL MULTIVARIABLE DESACOPLADO

Lo que hace que
Gc,12 =
G12
G11
Gc,21 =
G21
G22
Lo que indican estas ecuaciones es que con este metodo los elementos de desacople son independientes de
los controladores del forward path. Por lo tanto, la sintonizacion online de los controladores no requiere
un redise
no de los elementos de desacople. Los modos del controlador se pueden cambiar de PI a PID por
ejemplo, y cualquiera de los forward paths se pueden colocar en manual sin perdida de desacople. Notese que
el desacople se hace entre la se
nal de control del forward path y las salidas del proceso, y no entre set points
y salidas, por lo que esta tecnica no esta restringida al servo-problema. Sin embargo, la matriz G tiene que
conocerse.
128
Bibliografa
[1] Pedro Albertos and Antonio Sala. Multivariable control systems: an engineering approach. Springer
Verlag, 2004.
[2] Karl J.
Astrom and Bjorn Wittenmark. Computer Controlled Systems. Prentice Hall, New Jersey, NJ,
1997.
[3] S. Bennett. A brief history of automatic control. IEEE Control Systems Magazine, 16(3):1725, 1996.
[4] W.L. Brogan. Modern control theory. Prentice-Hall, Inc. Upper Saddle River, NJ, USA, 1991.
[5] C.M. Close and D.K. Frederick. Modeling and analysis of dynamic systems. Wiley New York, 2001.
[6] J.J. DAzzo and C.H. Houpis. Linear Control System Analysis and Design. McGraw-Hill, third edition
edition, 1988.
[7] Richard C. Dorf and Robert H. Bishop. Modern Control Systems. Addison-Wesley, Reading, MA, 1995.
[8] Asdr
ubal Espitia. El PID Bajo Control. Asdr
ubal Espitia Guerra, 1999.
[9] G.W. Evans. Bringing root locus to the classroom. IEEE Control Systems Magazine, 24(6):7481, 2004.
[10] WR Evans. Control system synthesis by root locus method. Trans. AIEE, 69:6669, 1950.
[11] Gene F. Franklin, J. David Powell, and Abbas Emami-Naeini. Feedback Control of Dynamic Systems.
Addison-Wesley, Reading, MA, 1994.
[12] B. Friedland. Control System Design: An Introduction to State-space Methods. McGraw-Hill, 1986.
[13] Edward W. Kamen and Bonnie S. Heck. Fundamentals of signals and systems using MATLAB. Prentice
Hall, Upper Saddle River, New Jersey, 1997.
[14] Hassan. K. Khalil. Nonlinear Systems. Prentice Hall, New Jersey, 1996.
[15] K.H. Lundberg. Pole-zero phase maps: visualization helps students develop s-plane intuition. IEEE
Control Systems Magazine, 25(1):8487, 2005.
[16] T.E. Marlin. Process Control: Designing Processes and Control Systems for Dynamic Performance.
McGraw-Hill, 1995.
[17] S.J. Mason. Feedback Theory-Some Properties of Signal Flow Graphs.
41(9):11441156, 1953.
Proceedings of the IRE,
[18] S.J. Mason. Feedback Theory-Further Properties of Signal Flow Graphs. Proceedings of the IRE,
44(7):920926, 1956.
[19] N. Minorsky. Directional stability of automatically steered bodies. J. Am. Soc. Nav. Eng, 34:280, 1922.
[20] C. B. Moler and C.F.V. Loan. Nineteen dubious ways to compute the matrix exponential. SIAM Review,
20(4):801836, 1978.
129
130
BIBLIOGRAFIA
[21] R.M. Murray, K.J.

Astrom, S.P. Boyd, R.W. Brockett, and G. Stein. Future directions in control in an
information-rich world. IEEE Control Systems Magazine, 23(2):20 33, 2003.
[22] K. Ogata. Modern control engineering. Prentice-Hall, Inc. Upper Saddle River, NJ, USA, 1996.
[23] Katsuhiko Ogata. Discrete-Time Control Systems. Prentice Hall, New Jersey, NJ, 1987.
[24] B.A. Ogunnaike and W.H. Ray. Process dynamics, modeling, and control. Oxford University Press New
York, 1994.
[25] Alan V. Oppenheim and Alan S. Willsky. Signals and Systems. Prentice Hall, Upper Saddle River, New
Jersey, 1997.
[26] H. Ozbay.
Introduction to Feedback Control Theory. CRC Press, 1999.
[27] K.M. Passino. Biomimicry for Optimization, Control, and Automation. Springer-Verlag, London, 2005.
[28] C. Phillips and R. Harbor. Feedback Control Systems. Prentice Hall, 1996.
[29] F.H. Raven. Automatic Control Engineering. McGraw-Hill New York, 1995.
[30] S. Sastry. Nonlinear Systems: analysis, stability, and control. Springer, 1999.
[31] C.A. Smith and A.B. Corripio. Principles and practice of automatic process control. Wiley New York,
1985.
[32] Karl J.
Astrom and Richard M. Murray. Feedback Systems: An Introduction for Scientists and Engineers.
2007.
[33] S.H. Strogatz. Nonlinear dynamics and chaos. Addison-Wesley Reading, MA, 1994.
[34] MT Tham. Multivariable Control: An Introduction to Decoupling Control. In K. Warwick and D.Rees,
editors, Industrial Digital Control Systems, volume 1 of IEE Control Engineering Series 37, chapter 8,
pages 119. Peter Peregrinus, 1998.
[35] J.G. Ziegler and N.B. Nichols. Optimum settings for automatic controllers. Trans. ASME, 64(8):759
768, 1942.

Not As Control

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Not As Control

Cargado por

Copyright:

Formatos disponibles

Analisis de Sistemas de Control

1.1. Que es Retroalimentacion? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Que es Control? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Historia del Control Automatico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.1. Inicios del Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.2. Perodo Pre-Clasico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.3. Perodo Clasico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.4. Control Moderno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Ejemplos de Sistemas de Control Retroalimentado y Future Directions . . . . . . . . . . . . .

2.2. Principios de Modelamiento Matematico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Sistemas de Primer Orden y Controlador ON-OFF . . . . . . . . . . . . . . . . . . . . . . . .

2.4. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4.1. Transformada Unilateral de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4.2. Propiedades de la Transformada de Laplace

2.4.3. Solucion de ODEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7. Diagramas en Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7.1. Combinacion en Serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7.2. Combinacion en Paralelo

2.7.3. Puntos de Partida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7.4. Bloques con Sumadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7.5. Sistemas Retroalimentados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.8. Ley de Mason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. Caractersticas de los Sistemas

3.3. Sensitividad de Sistemas de Control para Variaciones de Parametros . . . . . . . . . . . . . .

4. Respuesta de los Sistemas

4.1. Sistemas de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1.1. Entrada paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1.2. Entrada rampa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. Sistemas de Segundo Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2.1. Respuesta a Entrada Paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2.2. Caractersticas Temporales del Sistema Subamortiguado . . . . . . . . . . . . . . . . .

4.3. Sistemas de Orden Superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.4. Ubicacion de las Races en el Plano-s y la Respuesta Transitoria . . . . . . . . . . . . . . . .

5. Estabilidad de los Sistemas

5.1. Criterio de Estabilidad Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.1.1. Robustez y Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6. Sistemas de Control Retroalimentado

6.1. Analisis de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2. Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2.1. Controlador Proporcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2.2. Controlador Proporcional e Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2.3. Controlador Proporcional, Integral, y Derivativo . . . . . . . . . . . . . . . . . . . . .

6.2.4. Controlador Proporcional y Derivativo . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.3. Sintonizacion de Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.3.1. Sintonizacion de Controladores PID: Metodo Manual . . . . . . . . . . . . . . . . . . .

6.3.2. Sintonizacion de Controladores PID: Ziegler/Nichols . . . . . . . . . . . . . . . . . . .

6.3.3. Sintonizacion de Controladores PID: Cohen y Coon . . . . . . . . . . . . . . . . . . .

6.3.4. Sintonizacion de Controladores PID: Metodo del Coeficiente de Ajustabilidad . . . . .

6.3.5. Sintonizacion de Controladores PID: Internal Model Control (IMC)

6.3.6. Sintonizacion de Controladores PID: Sntesis Directa . . . . . . . . . . . . . . . . . . .

6.5. PID Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.6. Criterios de Desempe

7. Variables de Estado: Introducci

7.1. Definicion de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.1.2. ODEs Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.2. Representacion y Solucion de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . .

7.3. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.4. Formas Canonicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.4.1. First Companion Form: Forma Canonica Controlable . . . . . . . . . . . . . . . . . . .

7.4.2. Second Companion Form: Forma Canonica Observable . . . . . . . . . . . . . . . . . .

7.4.3. Jordan Form . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.6. Estabilidad y Acotamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100