Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Not As Control
Not As Control
Nicanor Quijano
c Borrador Editado 30 de abril de 2010
Indice general
Contenido
Prefacio
1. Introducci
on
2. Modelamiento de Sistemas
2.1. Filosofa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.1. Esquema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
15
17
17
. . . . . . . . . . . . . . . . . . . . . . .
19
22
29
2.6. Linealizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
33
34
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
34
34
INDICE GENERAL
ii
35
2.7.6. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
35
37
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.2. Se
nal de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
38
41
42
42
43
44
45
48
52
55
57
57
61
65
65
67
67
67
68
68
6.2.5. Implementacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
6.2.6. Sintetizando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
70
70
71
73
73
. . . . . . . . . .
73
73
6.4. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
INDICE GENERAL
iii
75
79
6.7. Dise
no con Pole Placement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
81
81
7.1.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
82
84
7.2.1. Representacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
7.2.2. Solucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
89
92
93
94
95
7.5. Equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
105
119
iv
INDICE GENERAL
Indice de figuras
1.1. Sistemas de malla abierta a), y de lazo cerrado b). . . . . . . . . . . . . . . . . . . . . . . . .
10
11
15
16
17
23
25
26
27
28
28
29
30
. . . . . . . . . . . .
33
34
34
34
35
35
35
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
52
52
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
58
5.2. Dise
nar Kc para que el sistema sea estable . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
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
66
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
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
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
86
91
. . .
93
94
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
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
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
Sistema 2
Sistema 1
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.
1.3.
1.3.1.
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
CAPITULO 1. INTRODUCCION
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
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.
CAPITULO 1. INTRODUCCION
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
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
MODELAR
Figura 2.1: Primeros pasos en el dise
no de un sistema de control [27].
9
10
Modelamiento fsico
SYSID, APPROX
Modelo Verdadero
Modelo Diseado
Approx (reduccin,
linealizacin)
2.2.
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
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
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
d(V )
= F0 F 1
dt
d
dV
V
+
= F0 F 1
dt
dt
Como la densidad es constante,
d
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
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)
t 1
dt
0
= et/
(2.5)
et/
1
CA0 et/
det/
1
dCA
+ CA
= CA0 et/
dt
dt
1
d(et/ CA )
= CA0 et/
dt
1
CA0 et/ dt
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).
15
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.
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
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)
(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
17
2.4.
Transformada de Laplace
Buena parte del material de esta seccion fue tomado de [6, 11, 13, 25].
2.4.1.
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.
X(s) =
cos(wt)est dt
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
udv =
b
[uv]a
vdu
a
=
=
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.
Linearidad
Si
L
x1 (t) X1 (s)
L
x2 (t) X2 (s)
Entonces,
L
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
x( )es( +t0 ) d
est0
x( )es d
est0 X(s)
x(t) X(s)
Entonces,
L
1
2 X(s
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)}
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
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
dx(t)
dt
dx(t) st
e dt
dt
st
dx(t)
dt
dx(t)
dt dt,
y dv =
=
=
=
se tiene
[est x(t)]0
x(t)(s)est dt
x(t)est dt
Entonces,
dx(t)
dt
= sX(s) x(0)
x(t) X(s)
Entonces,
dn x(t) L n
s X(s) sn1 x(0) sn2 x(0)
dx(t)
dt
(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 )
dx(t)
dt
=s
1
s+1
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
2.4.3.
Soluci
on de ODEs
= 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)
23
2
3
s+5
=
+
(s + 3)(s + 2)
s+3 s+2
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
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
p =
-1
-1
0
0
k =
[]
%
1
+ 1)2
25
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.
n(s)
(M s + b)y0
=
M s2 + bs + k
d(s)
(2.14)
26
(s + 3)y0
(s + 1)(s + 2)
2
1
s+1 s+2
s0
(s +
b
M )y0
b
s2 + ( M
)s +
k
M
(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
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].
donde
s1 = n + jw
1 2
s2 = n jw
1 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].
29
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
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)
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).
= r(t)
= 0
30
= R(s)
= 0
2.6.
M2 s + b 1 +
k
s
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)
= f (x(t))
La expansion por series de Taylor de la funcion no lineal f (x(t)) alrededor de un punto de operacion 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
f (
x) +
df (x(t))
dx
x=
x
(x x
)
(2.19)
f (
x) +
df (x(t))
dx
x=
x
E
T
RT 2
P
G
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
.
V (t) = V (0) +
0
(qi () qo ())d
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
= 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
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
y
z
2.7.
Diagramas en Bloques
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].
2.7.2.
Combinaci
on en Paralelo
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.
2.7.4.
35
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
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
Lb Lc
+
b,c
Ld Le Lf
d,e,f
+...
Captulo 3
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
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)
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)
1
F (s)
(3.3)
y la funci
on de sensitividad complementaria sera
C(s) =
L(s)
1 + L(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.
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))
Gc (s)Gp (s)
R(s)
(1 + Gc (s)(Gp (s) + Gp (s)))(1 + Gc (s)Gp (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)
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)
40
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)
Ka
1+Ka (+1)
a
1+KK
a (+1)
Ka
1 + Ka
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
n!
sn+1
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
4.1.
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)
s0
43
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
K
K
K
+
2
s
s
s + 1
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
Amplitude
60
50
40
30
20
10
0
10
20
30
40
Time (sec)
50
60
70
80
50
60
70
80
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.
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
(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
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
4.2.1.
=
=
=
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
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 )
c(t) = 1
(1 2 )
(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)
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
1.4
10
12
14
16
18
20
14
16
18
20
1.4
1.2
1.2
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0
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
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)
wn
2 1
es2 t
es1 t
s1
s2
(4.6)
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
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.
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)
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
1
(1 2 )
(1 2 )
(4.8)
1
(1
2)
(1 2 )
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
cos wd tp +
sin wd tp
Esto es equivalente a
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
c(tp ) c()
100 %
c()
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
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%
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
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].
52
s2+s
R(s)
C(s)
Transfer Fcn
Subsystem
1+sKh
= 0,2
1 2
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.
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
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)
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.
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].
(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.
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
At time (sec): 0.353
1.4
System: T1
Peak amplitude: 1.38
Overshoot (%): 37.9
At time (sec): 0.565
1.2
System: T2
Settling Time (sec): 1.47
Amplitude
System: T1
Settling Time (sec): 1.59
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
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
5.1.
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
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)
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
...
...
..
.
b1 a3 b2 a1
,
b1
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
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.
Ejemplo 5.1.4 La ecuaci
on caracterstica est
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
8 14
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.
Ejemplo 5.1.5 La ecuaci
on caracterstica est
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
60
0.016
50
3s+1
30s+1
Transfer Fcn1
Transfer Fcn2
Kc
Kc
1
C(s)
Transfer Fcn
1
10s+1
50
1
0,016
=0
3s + 1 30s + 1 10s + 1
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)
K(s + 2)
s+3
68,25 0,5
7,76
61
1
R(s)
Ke^(Ts)/(s+1)
1
C(s)
Kc
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)!
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
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
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) =
+
+
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
+
+
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
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
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)
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.
1
s3 .
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.
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 .
6.2.3.
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.
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)
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
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
Kp
s+1
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
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)
0,8 2 + 1 + Kc = 0
17, por lo que el Pcr =
2
cr
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
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
s + 1
1 Kp s
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]
1 esT
s
77
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 ,
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
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
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.
6.6. CRITERIOS DE DESEMPENO
79
= L+ T .
Determinar las constantes de sintonizacion utilizando Ziegler y Nichols por ejemplo, con L
2
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
IT AE =
t|e(t)|dt
IT SE =
te2 (t)dt
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
Kc Kp d + 2 1 + K c Kp
s +
i s + 1 = 0
Kp Kc
Kc Kp
(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
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
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.
(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
=
=
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)
= 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)
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 .
d2 y(t)
=
dt2
f (t)
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
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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.
=
=
(7.11)
Representaci
on y Soluci
on de Variables de Estado
7.2.1.
Representaci
on
(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
DE VARIABLES DE ESTADO
7.2. REPRESENTACION
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
0.4
10
15
20
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
x 1
0
1
x 2
0
0
..
.
..
. = ..
.
x n1
0
0
x n
an an1
0
1
..
.
...
...
0
an2
...
...
...
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).
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
86
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 (- -).
(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
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
DE VARIABLES DE ESTADO
7.2. REPRESENTACION
87
...
x1
x2
..
.
xn
+ 0 u
= 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
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
= Ax(t)
Esta ecuacion se puede escribir como
x 1 (t)
x 2 (t)
=
=
x n (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
x(t) =
Ax( )d
0
+ x(0)
(7.14)
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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)
x(t) =
+ x(0) d
Ax( )d
+ x(0)
x(t) =
I+
A2 d d +
Ad +
0
A3 d d d + . . . x(0)
0
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)
= Ax(t) + Bu(t)
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
x(t) = eAt
(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
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!
I
A
A2
A3
+ 2 + 3 + 4 + ...
s s
s
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:
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
90
1. Calcular (sI A).
2. Obtener (s) = (sI A)1 .
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
2
A= 3
2
1
2
3
4
0
0
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
eAt =
(1 et )/
et
U (s)
Y (s)
1
s3 +b2 s2 +b1 s+b0
a2s + a1s + a0
V (s)
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)
1
s2 + 5s + 6
s+5
6
1
s
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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
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)
= x1 + 3u
= 2x2 6u
= 3x3 + 3u
= x 1 + x2 + x3
7.4. FORMAS CANONICAS
7.4.1.
93
Arranquemos por definir las variables de estado para la siguiente funcion de transferencia
1
sn + a1 sn1 + . . . + an1 s + an
H(s) =
(7.22)
Esto es equivalente a
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)
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.
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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.
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.
7.4. FORMAS CANONICAS
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
...
7.4.3.
Jordan Form
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.
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
96
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)
7.4. FORMAS CANONICAS
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
=
=
si x1,i + u
x1,i + si x2,i
..
.
x ki ,i
yi
=
=
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
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
101
t > t0
(7.28)
cuando
|x0 | < ( , t0 )
(7.29)
x2
(t,t0,x 0)
x1
(,t0)
si
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
CAPITULO 7. VARIABLES DE ESTADO: INTRODUCCION
102
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
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
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
8.1.
Introducci
on
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
CAPITULO 8. VARIABLES DE ESTADO: DISENO
106
z1
z2
z3
z4
y
= z1 + u
= 2z2
= 3z3 + u
= 4z4
= z 1 + z2
(8.1)
u
+
z2
z3
z4
+
= Ax + Bu
= Cx
puede ser transformado en susbistemas como los del ejemplo anterior. Para este caso especfico, se concluye
que
107
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
= T AT 1 x + T Bu
= CT 1 x + Du
=
=
+ 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 .
CAPITULO 8. VARIABLES DE ESTADO: DISENO
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
|
|
|
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
... 0
0
0
..
. 0
...
1
1
21
..
.
1
2
22
..
.
...
...
...
..
.
1
n
2n
..
.
1n1
2n1
...
nn1
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
CAPITULO 8. VARIABLES DE ESTADO: DISENO
110
Ejemplo 8.3.1
x
1
3
a
2
0
1
x+
x =
a
2 K2
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.
Definition 25 El sistema
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 .
111
Definition 26 El sistema
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
CAPITULO 8. VARIABLES DE ESTADO: DISENO
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
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.
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
0
0
1
0
0
1
x+
0
1
1
0
CAPITULO 8. VARIABLES DE ESTADO: DISENO
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
+
Plant (A, B, C)
Observer
= 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
115
+
y
+
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
CAPITULO 8. VARIABLES DE ESTADO: DISENO
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.
Definition 29 El sistema
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.
117
(8.3)
(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)
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
CAPITULO 8. VARIABLES DE ESTADO: DISENO
118
3. Conectar utilizando
u(t) = K x
sX(s)
= (A BK LC)X(s)
+ LY (s)
U (s) = K X(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
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.
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
K11 |u2
K11 |y2
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
12
22
yi
uj
yi
uj
11 12 . . . 1n
= ...
21
22
...
nn
ij = 1,
i=1
j = 1, . . . , 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
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
125
1 1,5 2,8
1,6
4
K = G(0) = 4
0,15 2 0,1
Cu
ales seran los pares ideales?
0,26
= 0,7328
0,0073
0,0478
0 0163
0,9685
0,6922
0,2835
0,0242
9.3.
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
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
127
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.
[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
[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.