Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Automatizacion Control Discreto
Automatizacion Control Discreto
Flavio Torres
Edicin: Depto. Ing. Elctrica - UFRO
1
TEORIA DE SISTEMAS DISCRETOS
1.1 INTRODUCCIN
El control por computador es hoy en da una herramienta comn en la industria actual. Por tanto es importante
entender los aspectos tericos involucrados en los sistemas controlados por computador.
En la figura 1.1 se muestra un proceso controlado por computador
Entrada
Proceso
real
Salida
Proceso
Las
formas
ms
comunes
de
representar
Funcin de transferencia
Variables de estado
Ambas representaciones son equivalentes en el sentido que desde la funcin de transferencia se puede llegar a
la representacin de estado y viceversa.
Ejemplo 1.1
Obtener la representacin de estado de la siguiente funcin de transferencia continua
G( s) =
Solucin
b1 s + b2
s + a1 s + a 2
(1.1)
b1 s + b2
s + a1 s + a2
u(s)
1
s + a1 s + a2
u(s)
b1 s + b2
s
s 2
1 + s 2 (a1 s + a2 )
u(s)
y(s)
y(s)
b1
+
+
b2
y(s)
b1
+
u(s)
a1 s + a2
b2
y(s)
b1
+
u(s)
s 2
-
b2
y(s)
a1
a2
b1
+
u(s)
+
-
s 2
s 1
b2
y(s)
a1
a2
b1
u(s)
+
-
x2(s)
x1(s)
b2
y(s)
a1
a2
Con la asignacin de variables del ultimo diagrama de bloques podemos deducir lo siguiente:
s x1 ( s ) = x 2 ( s )
s x 2 ( s) = a1 x 2 ( s) a 2 x1 ( s) + u ( s)
y ( s ) = b1 x 2 ( s ) + b2 x1 ( s )
(1.2.a)
(1.2.b)
(1.2.c)
Expresndolo en forma matricial vectorial (una raya debajo de la letra indica vector), tendremos
finalmente la siguiente la representacin de estado del proceso
s x(s) = A x( s) + B u (s)
(1.3.a)
y ( s ) = C x( s )
(1.3.b)
donde
x (s)
x( s) = 1
x 2 ( s)
OBS:
0
A=
a 2
1
a1
0
B=
1
C = [b2
T
b1 ]
(1.3.c)
Usando el resultado del ejemplo 1.1 ( o sea el ltimo diagrama en bloques), podemos extrapolarlo
para generalizar y representar cualquiera funcin de transferencia en un diagrama de bloques donde
los coeficientes del polinomio se expresan en forma separada e individual. Como ejercicio, hacer la
representacin en bloque y de estado de otras funciones de transferencia.
A/D
D/A
T 0 2T 0 3T 0
kT 0
PC
y(t)
u(t)
Proceso
anlogo
D/A
A/D
x(t ) = A x (t ) + B u (t )
(1.4.a)
y (t ) = C x(t )
(1.4.b)
t k = k T0
(1.5)
(ver salida de figura 1.3), conocida la condicin inicial x (t k ) , esta dada por
t
x (t ) = e A(t t k ) x(t k ) + e A( t ) B u ( ) d
tk
(1.6)
x (t k +1 ) = e A(t k +1 tk ) x (t k ) +
t k +1
tk
e A(t k +1 ) d B u (t k )
(1.7)
t k +1
tk
e A(t k +1 ) d =
e A ( d ) =
t k +1 t k
t k +1 t k
0
e A d
(1.8)
x (t k +1 ) = Ad x (t k ) + B d u (t k )
y (t k ) = C x (t k )
(1.9.a)
(1.9.b)
donde
Ad = e A( tk +1 t k ) = e A T0
Bd =
t k +1 t k
0
e A d B = e A d B = B
(1.10)
T0
(1.11)
con
T0
= e A d
0
OBS:
(1.12)
En muchos textos usan las variables A y B para representar al sistema discreto dados por Ad y Bd
(tambin se usan para representar polinomios). Sin embargo la relacin entre la representacin
continua y discreta esta dada por la ecuacin (1.10) y (1.11). En todo caso la clarificacin, si las
variables pertenecen a uno u otro caso, depender implcitamente del planteamiento del problema.
Otra forma de expresar Ad es usando series de Taylor,
e A T0 = I + A T0 +
A 2T02
+ ....
2!
(1.13)
A T02
+ ......
2!
(1.14)
T0
0
e A d = I T0 +
por lo tanto
Ad = I + A
(1.15)
Ejemplo 1.2
Obtener la representacin de estado discreta del siguiente proceso, expresado en variable de estado
continuo
0 1
0
x=
x + u
0 0
1
y = [1 0] x
Solucin Usando el mtodo de series de Taylor
Ad = e A T0 = I + A T0 +
A 2T02
1 0 0 T0
1 T0
+ .... =
+
+0=
2!
0 1 0 0
0 1
1
Ad = e A =
0 1
Bd = e
0
d B =
T0
0
T02
1 d = 2
T0
finalmente tenemos
T02
1 T0
x (t k +1 ) =
x (t k ) + 2
T0
0 1
u (t k )
y (t k ) = [1 0] x (t k )
Variables de estado con periodo de muestreo T0 = 1
ecuacin (1.9) queda
x (k + 1) = Ad x (k ) + B u (k )
(16.a)
y (k ) = C x(k )
(16.b)
Ejemplo 1.3
Obtener la representacin de estado discreto de
1 0
1
x=
x + u
1 0
0
y = [0 1] x
usando Laplace.
Solucin Aplicando el mtodo de transformada de Laplace, tenemos de la ecuacin (1.4.a)
x ( s ) = (s I A) x (0) + (s I A) B u ( s )
1
x (t ) = L1 (s I A)
}x(0) + L {(s I A)
B u ( s)
Ad = e A T0 = L1 (s I A)
e T0
Ad =
T0
1 e
T0
1
1
s + 1
+
s
1
0
1
= L1
= L 1
1 s T
0
s ( s + 1)
s
T0
T0
T0 e
1 e T0
=
d
B d = e A d B =
T0
0
0 1 e
T0 1 + e
1.4 LA TRANSFORMADA Z
Al igual que la transformada de Laplace para sistemas continuos, existe una transformada para
sistemas discretos denominada transformada z
Para entender su razn de ser y su deduccin, sea una seal continua de la figura 1.5.
x(t)
t
Figura 1.5. seal de proceso
T 0 2T 0 3T 0
kT
t
Figura 1.6 seal discretizada con periodo T0
La expresin matemtica de la discretizacin es
(1.17)
k =0
m( s ) = x(kT0 ) e kT0 s
k =0
m( s ) =
1
1 e T0 s
s
1
1 e T0 s X * ( s )
s
(1.18)
(1.19)
con
X * ( s ) = x (kT0 ) e kT0 s
(1.20)
k =0
donde la transformada de Laplace X*(s) posee la informacin bsica de la seal en el tiempo x(t), y
por lo tanto concentra toda la informacin relevante de la seal real m(t) (con T0 constante) para el anlisis
discreto, o sea cuando se trabaja en procesos controlados por computador. Asignando, por comodidad, la
siguiente variable
z = e T0 s
(1.21)
10
X ( z ) = x (kT0 ) z k
(1.22)
k =0
X ( z ) = Z [x(kT0 )]
(1.23)
X ( z ) = Z [x (kT0 )] = Z [x( s )] = Z [x (t )]
Ejemplo 1.4
Obtener la transformada z de la seal escaln de la figura 1.7
u(t)
1
t
Figura 1.7. seal escaln
Solucin De la ecuacin (1.22) tenemos que
X ( z ) = 1 + z 1 + z 2 + z 3 + ......
esto representa una serie matemtica, cuya frmula es:
X ( z) =
1
z
=
1
z 1
1 z
y converge si
z >1
Ejemplo 1.5
Obtener la transformada z de la seal exponencial, e
at
, de la figura 1.8
u(t)
1
t
Figura 1.8. seal exponencial
(1.24)
11
X ( z ) = 1 + (e a T0 z ) 1 + (e a T0 z ) 2 + .....
X ( z) =
1
1 (e
a T0
z)
z
z e a T0
converge para
e a T0 z > 1
x(kT0)
y(kT0)=x((k+1)T 0)
T0 2T0 3T0
kT0
(1.25)
(1.26)
k =0
k =0
k =0
(1.27)
(1.28)
12
(1.29)
x(kT0)
y(kT0)=x((k-1)T 0)
T0 2T0 3T0
kT0
(1.30)
(1.31)
k =0
k =0
k =0
Y ( z ) = x (kT0 ) z k 1 = z 1 x (kT0 ) z k
(1.32)
Y ( z ) = Z [x((k 1)T0 )] = z 1 X ( z )
(1.33)
Ejemplo 1.6
Sea la funcin de transferencia, de la figura 1.4, una constante de valor 1
a) Grafique y(kT0), que captura el PC, frente a un escaln unitario u(kT0) a la salida del PC
b) Obtenga G ( z ) =
y( z)
de la planta unitaria
u(z)
Solucin
a) El PC sincroniza sus datos de salidas y entradas, es decir, ocurren al mismo instante. Si a la
salida de PC se origina un escaln unitario en k = 0, la entrada del PC no se percatar de este
cambio al mismo instante dado que el conversor A/D requiere un tiempo para hacer la
conversin. Por lo tanto el PC deber esperar el siguiente periodo de muestreo para poder
capturar la data, tal como se muestra en la figura 1.11
13
u(kT 0)
T 0 2T 0
kT 0
y(kT 0)
T 0 2T 0
kT 0
G ( z ) = z 1
1.6 LA TRANSFORMADA INVERSA DE Z
La transformada inversa de z consiste en encontrar los valores x(kT0) de la ecuacin (1.22), dada
X(z)
Ejemplo 1.7
Obtener la transformada inversa de z de
X ( z) =
1
z + z +1
2
X ( z ) = z 2 z 3 + z 5 z 6 + ...
Con T0 =1,
14
Ecuacin de diferencia
y (t ) = u (t ) dt
0
(1.34)
d y (t )
= u (t )
dt
(1.35)
y (kT0 ) = T0 u (qT0 )
(1.36)
q =0
(1.37)
(1.38)
q=0
y (k + 1) y (k ) = u (k )
y (k ) = y (k 1) + u (k 1)
(1.39)
As como la ecuacin 1.(35) se le llama la ecuacin diferencial del proceso, la ecuacin (1.39) se
denomina la ecuacin de diferencia del proceso discreto.
Para encontrar y(t) es necesario resolver la ecuacin (1.35) matemticamente, en cambio para
encontrar y(k) la resolucin de la ecuacin (1.39) es mucho ms simple. Por ejemplo sea u(k) e
y(0)conocidos, entonces la solucin de y(k) es
15
G( z) =
funcin
y( z)
u(z)
de
(1.40)
Ejemplo 1.8
Obtener la funcin de transferencia en z de la ecuacin (1.39)
Solucin Aplicando las propiedades de corrimiento, tenemos
y ( z ) z 1 y ( z ) = z 1u ( z )
y ( z ) 1 z 1 = z 1u ( z )
G( z) =
y( z)
z 1
1
=
=
1
u( z) 1 z
z 1
(1.41)
(1.42)
(1.43)
que corresponde a la funcin de transferencia discreta del proceso integrador de la figura 1.11.
Representacin polinmica de un proceso Observando la relacin existente entre las ecuaciones
(1.35) y (1.39) podemos decir que la ecuacin diferencial de primer orden de un sistema continuo tiene su
representacin discreta dada por la ecuacin de diferencia de primer orden. Generalizando podemos decir
entonces que una ecuacin diferencial de orden n siguiente
dn
d
dn
d
y
(
t
)
+
...
+
y
(
t
)
+
y
(
t
)
=
u (t ) + ... + 1 u (t ) + 0 u (t )
n
1
0
n
n
dt
dt
dt
dt
(1.44)
(1.45)
16
y ( s ) ( s )
=
u ( s ) ( s )
y ( z ) B( z )
G( z) =
=
u ( z ) A( z )
(s) =
(1.46)
(1.47)
( s ) = n s n + n 1 s n 1 + .... + 1 s + 0
(1.48)
( s ) = n s n + n 1 s n 1 + .... + 1 s + 0
(1.49)
A( z ) = a 0 + a1 z 1 + a 2 z 2 + ... + a n z n
(1.50)
B( z ) = b0 + b1 z 1 + b2 z 2 + ... + bn z n
(1.51)
G( z) =
b1 z 1 + ... + bn z n
B( z )
=
1
n
A( z )
1 + a1 z + ... + a n z
(1.52)
G(s)
Circunscribiendo el anlisis al control por computador, nos interesa las seales escalonadas como se
muestra a la salida de la figura 1.3. Observamos que la seal esta compuesta por una suma de seales
escalones. Entonces sea la seal escaln unitaria
u(s) =
1
s
1
y(s) = G( s)
s
(1.53)
(1.54)
17
G( s)
y ( z ) = Z [ y ( s)] = Z
(1.55)
pero
y( z)
u(z)
(1.56)
u( z) =
z
, por lo tanto la relacin entre G (z ) y G (s ) es
z 1
G( z) =
G( z) =
z 1 G (s)
Z
z
s
(1.57)
Ejemplo 1.9
Resolver el ejemplo 1.8 usando la ecuacin (1.57)
Solucin El proceso integrador se muestra en la figura 1.13
G( s) =
1
s
G( z) =
z 1 1
Z 2
z
s
T0 z
1
Z 2 =
2
s ( z 1)
por lo tanto
T0
T0 z 1
z 1 T0 z
=
=
G( z) =
z ( z 1) 2 z 1 1 z 1
si T0 = 1 entonces
18
G( z) =
1
z 1
y (k ) = y (k 1) = y (k 2) = ........ = y (k n) = Y0
(1.58)
u (k ) = u (k 1) = u (k 2) = ........ = u (k n) = U 0
(1.59)
con Y0 y U 0 constantes, por lo tanto de ecuacin (1.45), con A(z ) mnico, tendremos
(1.60)
K=
Y0
b + b2 + .... + bn
= 1
= G (1)
U 0 1 + a1 + a 2 + .... + a n
(1.61)
G ( s ) = e Ts = e d T0 s
(1.62)
con d = 1,2, ... , numero entero dependiendo de la magnitud del retardo, T, y del periodo de muestreo T0
por lo tanto de la ecuacin (1.21)
G( z) = z d
Proceso generalizado ms retardo
por el proceso de la ecuacin (1.630)
G( z) =
(1.63)
Se obtiene del proceso de la ecuacin (1.52) seguido
B( z ) d
z
A( z )
(1.64)
19
Realizabilidad
Un proceso se dice realizable si se cumple la ley causa efecto, es decir la salida
de un proceso no puede reaccionar antes que se le aplique una excitacin en la entrada.
Ejemplo 1.10
Determine si la siguiente ecuacin de diferencia representa a un proceso realizable
y (k ) = y (k 1) + u (k + 1)
Solucin Se observa que la salida depende de entrada futura por lo tanto no se cumple la ley causa
efecto.
Condicin general de realizabilidad. Primero el denominador debe quedar expresado en forma de
polinomio mnico dado por la ecuacin (1.52). Ahora, si existen exponentes positivos en el denominador,
entonces deben multiplicarse el numerador y denominador de G(z) por un factor z con exponente
correspondiente al negativo del exponente positivo ms grande presente en el denominador. En estas
condiciones, entonces decimos que una funcin de transferencia , G(z), es realizable si no existen exponentes
positivos (con cero incluido) en la variable z del numerador.
Ejemplo 1.11
Determinar si el siguiente proceso es realizable
a1 y (k ) + a 0 y (k + 1) = a 2 y (k 2) + b1u (k + 2) + b0 u (k + 1) + b1u (k 2)
a 0 , a1 , a 2 , b1 , b0 , b1 , constantes cualquiera distintos de cero.
Solucin Aplicando propiedades de desplazamientos, tenemos
a1 y ( z ) + z a 0 y ( z ) = a 2 z 2 y ( z ) + b1 z 2 u ( z ) + b0 z u ( z ) + b1 z 2 u ( z )
G( z) =
Multiplicando por
b1 z 2 + b0 z + b1 z 2
a 0 z + a1 + a 2 z 2
z 1
, tenemos
z 1
b1 z + b0 + b1 z 3
G( z) =
a 0 + a1 z 1 + a 2 z 3
Podemos deducir que el proceso no es realizable dado que posee potencia positiva de z en el numerador
Respuesta a pulso de un proceso
Es la evolucin que experimenta la salida de un proceso frente a
un pulso, como el de la figura 1.14, a la entrada del proceso, con condiciones iniciales cero
20
u(kT0)
T0 2T0
kT0
1 k = 0
K (k ) =
0 k 0
(1.65)
y (k ) = a1 y (k 1) a 2 y (k 2) + b1u (k 1) + b2 u (k 2)
Obtener los valores de y(k) para k = 0,1,2 y 3 cuando se le aplica un Delta de Kroneker a la entrada
Solucin
y (0) = 0
y (1) = b1
y (2) = a1b1 + b2
y (3) = a1 (b2 a1b1 ) a 2 b1
Ejemplo 1.13
Demostrar que la transformada inversa de z de una funcin de transferencia discreta de un proceso
corresponde a la respuesta a pulso del proceso. Use el proceso del ejemplo 1.12 para la demostracin
Solucin
El G(z) del ejemplo 1.12 es
G( z) =
b1 z 1 + b2 z 2
1 + a1 z 1 + a 2 z 2
21
G ( z ) = g (kT0 ) z k
(1.66)
k =0
g ( 0) = 0
g (1) = b1
g (2) = a1b1 + b2
g (3) = a1 (b2 a1b1 ) a 2 b1
Que corresponde a la respuesta a pulso del proceso del ejemplo 1.12 , tal como lo muestra en la figura 1.15
K (k )
g (k )
G (z )
Convolucin discreta
u (k ) =
u ( n)
n =
( k n)
(1.67)
K (k )
y (k ) = g (k )
(1.68)
u (n) K (k n)
y (k ) = u (n) g (k n)
(1.69)
u (k ) =
u ( n)
n =
( k n)
y (k ) =
u ( n) g ( k n )
(1.70)
n =
Para que se cumpla la condicin de realizabilidad (ley causa efecto) la sumatoria debe llegar hasta k-1, dado
que y(k) slo es afectado hasta u(k-1). Por lo tanto
y (k ) =
k 1
u ( n) g ( k n)
n =
(1.71)
22
y (k ) = g ( ) u (k )
(1.72)
=1
y (t ) = g ( ) u (t ) d
(1.73)
u (k ) = cos k = e j k
(1.74)
2 k
2
) , con ws =
ws
T0
de ecuacin (1.72)
y (k ) = g ( ) e j ( k ) = g ( ) e j ( k )
=1
(1.75)
y (k ) = e j k g ( ) e j = e j k G (e j )
=1
(1.76)
]}
(1.77)
y (k ) = [1 k ]
[ G (e
jw
) arctg (G (e jw ) )
y (k ) = G (e j ) cos( w k + )
con
= arctg G (e j )
(1.78)
(1.79)
23
Estabilidad
Decimos que un proceso es estable si frente a un pulso en la entrada ( condicin
inicial distinta de cero), la salida, luego de un transiente, decae a cero.
Ejemplo 1.13
Determine si el siguiente proceso es estable
2 y (k ) = 4 y (k 1) + u (k 1)
Solucin Despejando y(k), tenemos
y (k ) = 2 y (k 1) + 0.5 u (k 1)
para y (0) = 1, u ( k ) = 0
k , evaluando tenemos
y (1) = 2 y (0) = 2
y (2) = 2 y (1) = 4
.
.
y (k ) = 2 y (k 1) = 2 k
vemos que el proceso es inestable porque y(k) crece hacia valor infinito cuando k
Condicin de estabilidad Sabemos que el denominador de G(s) puede expresarse en factores de
primer orden usando el mtodo de fracciones parciales, consiguiendo con esto ser expresado en los polos del
sistema. Por lo tanto si los polos del sistema estn en el semiplano derecho ,el sistema es inestable. Sea
entonces la siguiente funcin de transferencia
K
s+a
(1.80)
z 1 K
Z
z
s ( s + a)
(1.81)
G( s) =
usando ecuacin (1.57), tenemos
G( z) =
G( z) =
donde
b1
z + a1
(1.82)
24
b1 =
K
(1 e a T0 )
a
(1.83)
a1 = e a T0
(1.84)
a = jw que corresponde, en el
, con < w < . Vemos que al variar w, el polo a1 traza
G( z) =
B( z )
1 + a1 z 1 + a 2 z 2
(1.85
a2
1
-2
-1
-1
a1
25
G( z) =
z 1 + 2 z 2
1 + 0.5 z 1 0.3 z 2
Solucin Trazando las coordenadas a1 y a 2 en figura 1.13 obtenemos el punto que se muestra en
la figura 1.17
a2
1
0.5
-2
-1
-0.3
a1
-1
tenemos
z x( z ) = Ad x ( z )+ Bd u ( z )
(1.86.a)
y ( z ) = C x( z )
(1.86.b)
Observando la similitud de estas ecuaciones con las ecuaciones (1.3) podemos deducir que el
tratamiento de variables de estado discretas es similar al de sistemas continuos debido a que su estructura son
semejantes. Ver referencia [1],[2]
EJERCICIOS
1.- Determine cuales de las siguientes ecuaciones de diferencia posee su representacin de estado continuo
a) y ( kT0 + T0 ) 0.5 y ( kT0 ) = 6 u ( kT0 )
b)
2.- sea d una variable entera positiva y Z x (T0 ) = X ( z ) , entonces demostrar que
26
d 1
d
b) Z [x(( k d )T0 )] = z X ( z )
a)
1
0
1
x (k + 1) =
x( k ) + u ( k )
0.16 1
1
y (k ) = [1 0] x (k )
a)
[( z I A ) z ]
1
5) Comprobar que la transformada z de una funcin en el tiempo x(t) es nica, sin embargo a la inversa no lo
es. Compare con el anlisis de la transformada de Laplace.
K'
'
6) sea G ( s ) =
con K y a constantes. Obtener G (z )
s+a
7) Obtener G(z) del proceso continuo caracterizado por la ecuacin diferencial
d3
y (t ) = u (t ) . Use T0 = 1.
d3
8) Frente a un funcin de transferencia determine cul es la correcta secuencia de anlisis: estabilidad y luego
realizabilidad viceversa
9) Sea la funcin de transferencia G ( z ) =
z 1
. Graficar y(k) en funcin de k para y(0) = 1 y
1 + a1 z 1
c) a1 = 0.5
f) a1 = 0.5
h) a1 = 2
g) a1 = 1
d) a1 = 0
10) Si los polos de la funcin de transferencia continua , G(s), se mueven dentro de la zona de la figura 1.18
27
/2
/4
/ 4
/ 2
Figura 1.18. zona de los polos de G(s)
al transformar a funcin de transferencia discreta G(z), Cul es la zona de los correspondientes polos en el
plano z?
u(s)
Gc ( s ) =
1
s +1
Planta
G p (s) =
1
s
y(s)
Controlador
x(t ) = A x (t ) + B u (t )
y (t ) = C x(t )
T
15) Obtenga la respuesta en frecuencia de un conversor A/D. Grafique la magnitud y fase versus frecuencia
28
2
CONTROLADORES DETERMINISTICOS
2.1 INTRODUCCIN
El control determinstico se refiere al diseo de control de un proceso cuando las entradas y/o perturbaciones
(ruidos) que le afectan son aproximadas a seales concretas expresables matemticamente (seal impulso,
escaln, sinusoidal, etc.). En consecuencia se usan las tcnicas de teora de sistemas lineales. Nos
concentraremos en procesos de una sola entrada y una sola salida SISO (Single Input Single Output).
Obviamente existen procesos MISO (Mltiple Input Single Output) y MIMO (Mltiple Input Mltiple
Output) que sern tratados en cursos superiores. Controladores de estados basados en la teora de variables de
estado tambin sern tratados en cursos superiores.
2.2 CONTROL EN LAZO ABIERTO Y CERRADO
Como sabemos , el objetivo bsico de un controlador es que la salida del proceso alcance un valor deseado.
Par alcanzar este objetivo existen dos tcnicas
-
Control en lazo abierto El control en lazo abierto esta orientado a aquellos procesos donde se
conocen exactamente su formulacin matemtica y donde las perturbaciones y ruidos son tambin conocidos
exactamente o despreciables. es as como el controlador de cancelacin de la figura 2.1 se logra que la salida
es exactamente la seal deseada, es decir el control perfecto
Ref
1
_____
Gp(z)
Controlador
Gp(z)
Planta
Gc ( z ) =
GT ( z )
G p ( z)
(2.1)
Para que Gc (z ) sea estable en la prctica, G p (z ) no debe poseer ceros fuera del circulo unitario. Porque si
ocurriese lo contrario entonces cualquier corrimiento del cero de la planta, el polo inestable del controlador no
se eliminara y por lo tanto el sistema sera inestable.
29
Control en lazo cerrado Cuando no se puede encontrar un controlador en lazo abierto que sea
estable o cuando el conocimiento de la planta y las perturbaciones o ruidos impiden determinar
satisfactoriamente a G p (z ) en ecuacin (2.1), se recurre al control en lazo cerrado como se muestra en al
figura 2.2.
Ref(z)
u(z)
G p (z )
Gc (z )
y(z)
R( z ) u ( z ) = T ( z ) Re f ( z ) S ( z ) y ( z )
(2.2)
Ref(z)
T ( z)
R( z )
u(z)
G p (z )
y(z)
S (z)
R( z )
Figura 2.3. Esquema general de control
Si S = 0 entonces corresponde a un control en lazo abierto. Para el caso de la figura 2.1, el control
que resulta es
Gc ( z ) =
T ( z)
1
=
R( z ) G p ( z )
(2.3)
Gc ( z ) =
T (z)
R( z )
(2.4)
30
El diseo de T y R va a corresponder a algn criterio de control en lazo cerrado como se ver ms adelante.
El control en lazo cerrado es ms comn en la industria que el control en lazo abierto, por lo tanto se har
hincapi en estos tipos de controladores durante todo el curso. Estos controladores tambin son denominados
controladores realimentados
uv (z)
Ref(z)
e(z)
Gc (z )
u(z)
n(z)
G p (z )
+
y(z)
G p (z) =
B( z )
A( z )
(2.5)
Gc ( z ) =
Q( z )
P( z )
(2.6)
Con
Q( z ) = q 0 + q1 z 1 + q 2 z 2 + ... + q n z n
P( z ) = p 0 + p1 z 1 + p 2 z 2 + ... + p n z
(2.7)
(2.8)
31
e( z ) =
G p ( z) uv ( z)
Re f ( z ) n( z )
1 + Gc ( z ) G p ( z ) 1 + Gc ( z ) G p ( z )
(2.9)
Para escaln en Ref(z) n(z) en u v , el valor del error en estado estacionario se obtiene aplicando el
teorema del valor final , ver ecuacin (1.61). Si deseamos que el error en estado estacionario sea cero,
entonces debe cumplirse que
Gc (1) G p (1) =
(2.10)
G p (1)
(2.11)
Gc (1) =
(2.12)
Gc ( z ) =
Q( z )
P ( z ) ( z 1)
(2.13a)
Q ( z ) z 1
P ' ( z ) (1 z 1 )
(2.13b)
'
o tambin
Gc ( z ) =
P( z ) = P ' ( z ) ( z 1)
(2.14a)
P( z ) = P ' ( z ) (1 z 1 )
(2.14b)
32
u ( s ) = K (1 +
1
+ TD s ) e( s )
TI s
(2.15)
Recordemos que el error en estado estacionario, con slo la parte P, no asegura que sea cero. Con la parte I el
error es cero. Por ltimo con la parte D, corrige anticipadamente el error, dado que la derivada da la tendencia
del error.
La inversa de Laplace es
u (t ) = K e(t ) +
K
TI
t
0
e( ) d + KTD
de(t )
dt
(2.16)
KT0
u (kT0 ) = K e(kT0 ) +
TI
kT0
e(i 1) + KT
i =1
(2.17)
KT0
TI
( k 1)T0
e(i 1) + KT
i =1
(2.18)
KT0
KTD
e((k 1) T0 ) +
(e( kT0 ) 2 e((k 1)T0 ) + e(( K 2 (2.19)
TI
T0
u ( z ) (1 z 1 ) = K e( z ) (1 z 1 ) +
KT0 1
KTD
z e( z ) +
(e( z ) 2 z 1 e( z ) + z 2 e( z ))
TI
T0
(2.20)
T
2 TD T0
K 1 + D 1 +
T0
T0
Ti
Q( z ) u ( z )
Gc ( z ) =
=
=
P ( z ) e( z )
1 z 1
1 TD 2
z +
z
T0
(2.21)
33
aparece el factor (1 z ) en el denominador como en la ecuacin (2.13b) con P ' ( z ) = 1 , por lo tanto
asegura el error en estado estacionario cero. Ahora de ecuacin (2.20) despejando u (z ) , tenemos
u ( z ) (1 z 1 ) = K e( z ) (1 z 1 ) +
u ( z ) = K e( z ) +
KT0
KTD
e( z ) +
(1 z 1 ) (1 z 1 ) e( z )
TI
T0
KT0 e( z )
KTD
+
(1 z 1 ) e( z )
1
TI (1 z )
T0
(2.22)
(2.23)
T
T
u ( z ) (1 z 1 ) = K y ( z ) ( z 1 1) + 0 (Re f ( z ) y ( z )) + D (2 z 1 y ( z ) z 2 y ( z ) y ( z ))
TI
T0
(2.24)
Para sintonizar los parmetros del controlador discreto PID y de Takahashi se usan las conocidas tcnicas
empricas de Ziegler y Nichols que aparecen en la referencia [3]. Estas tcnicas son iguales a las aplicadas al
PID continuo. La regla emprica para seleccionar el tiempo de muestreo es que
Tr
=1
4
T0
(2.25)
Donde Tr es el tiempo de subida de la respuesta a escaln del proceso continuo en lazo abierto. Grficamente
se obtiene sacando la mxima pendiente de la curva, hacindola proyectar a las coordenadas del valor final y
cero. La diferencia en el tiempo de estas dos intersecciones arroja el valor de Tr
Efecto del retardo de la planta bajo control realimentado
Por lo general el retardo en los
procesos produce efectos nefastos en los sistemas realimentados. Por ejemplo si a un sistema realimentado
debidamente sintonizado aparece en forma repentina un retardo en el proceso (que es comn en la industria)
puede llegar a ser inestable el sistema. Otro efecto negativo es que el sistema completo se hace ms lento
frente a cambios en la referencia.
34
Ejemplo 2.1
Sea el proceso de la figura 2.5
y(t)
1
1
s +1
y
1
T0 = Tr = 1
El proceso realimentado usando SIMULINK se muestra en la figura 2.6a . Se emplea un controlador
PI dado por la ecuacin (2.23) con TD = 0.
CO NT RO L A DO R P I
S co p e 1
0 .1
Re fe re n ci a
s+ 1
Sum
Sum1
K
Mux
u (1 )/u (2 )
0 .5
Ti
P RO CE S O
S co p e
1
1 -z -1
Ze ro -O rd e r
Ho l d
..
35
1.5
u(t)
0.5
0
0
10
15
20
t
25
30
35
40
10
15
20
t
25
30
35
40
1.5
y(t)
0.5
b) Suponga ahora que aparece retardo en el proceso. O sea, ahora el proceso es como se muestra en
la figura 2.7
y(t)
1
e 2 s
s +1
y
0
Para representar esta situacin en SIMULINK se puede agregar al proceso de la figura 2.6a el
bloque transport Delay. El nuevo proceso se muestra en la figura 2.8
s+1
P RO CE S O
T ra n sp o rt
De l a y
36
Si se mantienen los mismos parmetros del controlador, el sistema realimentado se vuelve inestable
con retardo igual a 2 instantes de muestreo, tal como se muestra en la figura 2.9
400
200
u(t)
0
-200
0
10
15
20
t
25
30
35
40
10
15
20
t
25
30
35
40
100
50
y(t)
0
-50
-100
-150
c) Para evitar la inestabilidad y volver a regular bien, se debe resintonizar el PI. Los nuevos
parmetros encontrados fueron K = 0.1 y TI = 0.5. En figura 2.10 se muestra la entrada y salida para
esta nueva situacin.
1.5
u(t)
0.5
0
0
10
15
20
t
25
30
35
40
10
15
20
t
25
30
35
40
1.5
1
y(t)
0.5
Figura 2.10
De las grficas de las figuras 2.6 y 2.10 se observa que el retardo hace ms lenta la regulacin
37
u(z)
Ref(z) +
G p (z )
Gc (z )
u(z)
Ref(z) +
y(z)
Gc1 ( z )
G p ( z) z d
y(z)
a)
b)
Figura 2.11 Control PI para a) proceso sin retardo y b) proceso con retardo
Ahora, supongamos que idealmente, aunque realmente no se pueda, podamos separar el proceso b)
en dos bloques y cambiamos el controlador por el de a) tal como se muestra en la figura 2.12
u(z)
Ref(z) +
z d
G p (z )
Gc (z )
y(z)
La respuesta de esta configuracin con retardo igual a d = 2 corresponde a la grfica de la figura 2.6 pero
desplazada 2 instantes de muestreo, tal como se muestra en la figura 2.13
1.5
1
y(t)
0.5
10
15
20
t
25
30
35
40
Gc ( z ) G p ( z ) z d
1 + Gc ( z ) G p ( z )
Gc1 ( z ) z d G p ( z )
1 + Gc1 ( z ) z d G p ( z )
(2.26)
38
Gc1 ( z ) =
(2.27)
Gc ( z )
1 + Gc ( z ) G p ( z ) (1 z d )
+
-
Gc (z )
G p ( z) z d
y(z)
G p (z )
1 z d
sT
en el
Gc ( z ) =
GT ( z )
1
G p ( z ) 1 GT ( z )
(2.28)
Por lo tanto los ordenes de los polinomios del numerador y denominador del controlador no son fijos y
dependen de las funciones de trasferencias deseada en lazo cerrado y de la planta. Se debe tener presente que
la eleccin de la funcin de transferencia GT (z ) debe cumplir que Gc (z ) sea realizable.
GT ( z ) =
y( z)
= W ( z)
Re f ( z )
(2.29)
39
Con
wn + z wn 1 + .... + z n 2 w2 + z n 1
zn
W ( z ) = w1 z 1 + .... + wn z n =
(2.30)
es decir, GT (z ) posee n polos en el origen. Un ejemplo de funcin de transferencia en lazo cerrado con
control Deadbeat es el siguiente
Ejemplo 2.2
Sea una funcin de transferencia en lazo cerrado dada por
y (0) = 0
y (1) = 0.2
y (2) = 0.3
y (3) = 1
y ( 4) = 1
.
.
El grfico se muestra en la figura 2.15
2
1.5
1
y(k)
0.5
0
-0.5
-1
-1.5
-2
0
5
k
10
40
caso 3). Esto quiere decir que la funcin de transferencia entre u(z) y Ref(z) , Gu (z ) , tambin debe ser FIR,
o sea
Gu ( z ) =
u( z)
= Q( z )
Re f ( z )
Q ( z ) = q 0 + q1 z 1 + .... + q n z n
(2.31)
(2.32)
G p (z) =
y( z) W ( z )
=
u ( z ) Q( z )
(2.33)
G p (z) =
B( z ) W ( z )
=
A( z ) Q ( z )
(2.34)
o sea
G p ( z) =
b1 z 1 + ... + b n z n
1 + a1 z 1 + ... + a n z n
w1 z 1 + ... + wn z n
q 0 + q1 z 1 + ... + q n z n
(2.35)
por lo tanto
Q ( z ) = q 0 A( z )
(2.36)
W ( z) = q0 B( z )
(2.37)
41
Gc ( z ) =
Q( z )
1 W (Z )
(2.38)
Gc ( z ) =
q 0 A( z )
1 q0 B( z )
(2.39)
W (1) = q 0 B(1)
(2.40)
(2.41)
lo que nos da
GT (1) = w1 + ... + wn = 1
(2.42)
lo que da
q0 =
1
b1 + ... + bn
Ejemplo 2.3
Disear un controlador Deadbeat para el siguiente proceso
G p (z) =
0.3679 (1 + 0.7181 z 1 ) z 1
(1 z 1 ) (1 0.3679 z 1 )
q0 =
por lo tanto
1
0.3679 (1 + 0.7181)
(2.43)
42
)(
1
1 z 1 1 0.3679 z 1
0.3679 (1 + 0.7181)
Gc ( z ) =
1
0.3679 1 + 0.7181 z 1 z 1
1
0.3679 (1 + 0.7181)
Gc ( z ) =
(1 z 1 ) (1 0.3679 z 1 )
0.3679 (1 + 0.7181) 0.3679 (1 + 0.7181 z 1 ) z 1
Gc ( z ) =
(1 z 1 ) (1 0.3679 z 1 )
0.3679 + 0.3679 0.7181 0.3679 z 1 0.3679 0.7181 z 2
Gc ( z ) =
(1 z 1 ) (1 0.3679 z 1 )
0.3679 (1 z 1 ) + 0.3679 0.7181 (1 z 2 )
Gc ( z ) =
1 0.3679 z 1
0.3679 + 0.3679 0.7181 (1 + z 1 )
finalmente tenemos
Gc ( z ) =
1.582 0.582 z 1
1 + 0.418 z 1
En figura 2.16 se muestra la grfica de la salida y la entrada del proceso en lazo cerrado para el ejemplo 2.3
obtenida de las ecuaciones (2.37) y (2.36) respectivamente
43
y(k)
1
u(k)
2
2
1
-2
Ejemplo 2.4
Demuestre que u(0) es igual a q 0
Solucin De ecuaciones (2.31) y (2.32) se tiene que
q0 = u (0)
44
uk = u (k )
uk _ 1 = u (k 1)
ek = e(k )
ek _ 1 = e(k 1)
dependiendo del tipo de programacin el programa bsico del controlador al interior del computador es
1) Ingresar Re ferencia : Re f
2) Capturar dato de salida del proceso : yk _ 1
3) Formar el error : ek = Re f yk _ 1
4) Formar la salida del controlador :
uk = 0.418 * uk _ 1 + 1.582 * ek 0.582 * ek _ 1
5) Actualizar var iables :
uk _ 1 = uk
ek _ 1 = ek
6) Mandar el valor uk a la salida del computador
7) Saltar a 2) y repetir ciclo
Perturbacin
+
u(z)
y(z)
Realimentacion
local
45
Perturbacin medida
Compensador de
prealimentacin
Gv
Efecto de la
perturbacion
en la salida
-1
Gp Gv
+
+
u
Gp
Proceso
Figura 2.18. reduccin de perturbaciones por prealimentacin
Para el caso de la prealimentacin de la figura 2.18, y de acuerdo al esquema de la figura 2.3 el control de
prealimentacin corresponde al compensador de realimentacin ( S = 0 ), o sea
Gc ( z ) =
T ( z ) Gv ( z )
=
R( z ) G p ( z )
(2.44)
EJERCICIOS
2.1.- Determine la repuesta de un controlador Deadbeat si la referencia es una seal rampa Ref(k) = k
2.2.- Encuentre el controlador deadbeat si el proceso tiene retardo, osea
G p (z) =
B( z ) d
z
A( z )
2.3) Averige qu ocurre con u (0) cuando el tiempo de muestreo disminuye en los controladores Deadbeat
2,4) Averige para condicin debe cumplir el proceso para que con control deadbeat en lazo cerrado se tenga
que u (0) > u (1)
2.5) Si se quiere controlar un proceso continuo con deadbeat
a) Qu hacer?
b) Si se desea alterar el u(0) en lazo cerrado Qu alternativa hay?
46
G p (z) =
z 2 + 0.5 z 4
1 1.5 z 1 + 0.5 z 2
a)
e 6 s
G p (z) =
10 s + 1
a)
Disee un controlador de latido muerto. El tiempo de muestreo debe ser la quinta parte de la
constante de tiempo del proceso continuo.
b) B) Grafique la salida, y(k) y la entrada u(k) del proceso realimentado con un escaln unitario en la
referencia para k = 0,1,2,3,4 y 5.
2.8) Implementar un programa bsico para calcular el siguiente controlador en tiempo real
47
3
CONTROLADORES ESTOCASTICOS
3.1 INTRODUCCIN
Hasta ahora se supuso perturbaciones determinsticas, o sea conocidas analticamente. Cuando no es posible
describirla analticamente, una aproximacin gruesa (impulso, sinuosidal , etc, ) es suficiente a veces para
representarlas, por lo tanto en general las perturbaciones determinsticas son intentos de aproximacin de
seales de perturbaciones reales.
Sin embargo en la prctica, las perturbaciones son desconocidas e imposibles tratarlas analticamente. El
inters por conocer las perturbaciones con ms detalle es debido a que influyen notoriamente en la calidad
final de ciertos productos industriales. (industria del papel, Industrial del acero, etc.)
De los hechos cotidianos, es comn asociar las perturbaciones a seales aleatorias, como las
que se observan en el osciloscopio cuando se aumenta la sensibilidad de la magnitud. En la figura 3.1 se
muestra una seal tpica de perturbacin ruido.
5
4
3
2
1
0
-1
-2
-3
-4
-5
100
200
300
400
500
600
700
800
900
1000
Se observa que es imposible describir la seal matemticamente. Sin embargo si dispusiramos algn tipo de
informacin alternativa sobre ella, es natural pensar que se pueda manejar con mayor dominio y conocimiento
de causa su influencia sobre los procesos industriales. Uno de estas herramientas son las tcnicas de las
probabilidades y variables estadsticas aleatorias. Los controladores digitales que se disean tomando en
consideracin las tcnicas de variables aleatorias, se denominan controladores estocsticos.
48
Solucin Recurriendo a variables estadsticas, sea P la probabilidad que ocurra un evento, entonces
la probabilidad que el dado resulte 1 2, .. 6, es decir
1
6
F ( x ) = P(resultado x)
Matemticamente la funcin de distribucin de probabilidad se puede expresar de la siguiente forma
6
F ( x) =
i =1
1
u( x i)
6
F (x ) 1
0.5
0
0
5
x
10
10
0.5
0.4
f(x )
0.3
0.2
0.1
0
49
1 0
9
8
7
x (k )
6
5
4
3
2
1
0
0
1 0
1 1
1
36
2
P(3) =
36
3
P ( 4) =
36
4
P(5) =
36
5
P(6) =
36
6
P ( 7) =
36
5
36
4
P(9) =
36
3
P(10) =
36
2
P(11) =
36
1
P(12) =
36
P ( 2) =
P(8) =
F (x )
0.5
0
0
10
15
10
15
x
0.2
0 .15
f( x )
0.1
0 .05
0
0
5
x
50
A diferencia del ejemplo 3.1, la probabilidad de ocurrencia esta sesgada, o sea hay mayor
probabilidad de ocurrencia de la suma que resulta 7 y disminuyendo a ambos lados de este valor en la
medida que se aleja. De acuerdo a este anlisis un posible variacin de x en el tiempo se muestra en
la figura 3.5 .Note que en x = 7 ocurre mayor repitencia de resultados
1 5
x (k )
1 0
0
0
1 0
2 0
3 0
4 0
5 0
k
6 0
7 0
80
90
1 00
Figura 3.5 Resultado de dos dados para instantes consecutivos que se realiza
Si se repite el ejemplo 3.2 pero con tres dados , en figura 3.6 se muestra la distribucin de densidad de
probabilidad f(x) que resulta
0 .1 4
0 .1 2
f( x )
0 .1
0 .0 8
0 .0 6
0 .0 4
0 .0 2
0
0
10
x
12
14
16
18
20
Figura 3.6 Distribucin de densidad de probabilidades, f(x), del experimento de tres dados
Del ejemplo 3.2 se observa que si aumenta el numero de dados, la figura 3.6 se va transformndose en una
campana de Gauss y la variable aleatoria en el tiempo de la figura 3.5 se asemeja a la figura 3.1 . Por esta
razn decimos que las perturbaciones ruidos tiene distribucin gaussiana. La distribucin gaussiana se
caracteriza por dos variables estadsticas: desviacin standard ( ) varianza ( ) y valor promedio
2
51
E{x(k )} = x = m x (k ) = lim
1
N N
x( k )
(3.1)
k =1
La funcin de autocorrelacin es
N
(3.2)
k =1
Una variable aleatoria se caracteriza porque su valor no depende de valores pasados o futuros de la misma
seal (seal independiente), o sea si E x (k ) = 0 , entonces rx ( ) = 0 para todo 0
La funcin de autocovarianza es
_
_
(3.3)
Var ( x) = cov[x,0] = x2
(3.4)
Si E {x ( k )} = x = 0 entonces
(3.5)
Ejemplo 3.3
Determinar la varianza y esperanza de las distribuciones gaussianas mostradas en la figura 3.7
0.05
0.05
f1(x) 0.04
f2(x)0.04
0.03
0.03
0.02
0.02
0.01
0.01
0
0
50
(a)
100
0.1
0.1
f3(x) 0.08
f4(x) 0.08
0.06
0.06
0.04
0.04
0.02
0.02
50
(b)
100
50
(d)
100
0
0
50
(c)
100
52
Solucin
a) Varianza 10 y esperanza 25
b) Varianza 10 y esperanza 50
c) Varianza 5 y esperanza 25
d) Varianza 5 y esperanza 50
En figura 3.8 se muestras las realizaciones de las variables aleatorias para cada representacin gaussiana
100
X1(k)
100
80
80
x2(k)
60
60
40
40
20
20
0
0
50
(a)
100
100
x3(k)
50
(b)
100
50
(d)
100
100
80
x4(k)
80
60
60
40
40
20
20
0
0
50
(c)
100
Figura 3.8 variaciones de las variables aleatorias para distintas distribuciones gaussiana
Seales peridicas
Para el presente anlisis, una seal peridicas discreta ser aquella que se
repite cada N instantes de muestreo, es decir
x(k ) = x(k + N )
Donde k y N son nmeros enteros
Ejemplo 3.4
Cuntas oscilaciones cosenoidales distintas caen en N instantes de muestreo?
Solucin
(3.6)
53
x 1(k)
1
x2(k )
-1
-1
-2
-2
0
10
15
(a)
x 3(k)
10
15
10
15
(b)
x 4(k)
1
-1
-1
-2
-2
0
10
15
5
(d)
(c )
n (k ) = e
con N = 16 y
(a)
(b)
(c)
(d)
2
jn
k
N
(3.7)
n=1
n=2
n=3
n=6
n+ rN (k ) = n (k )
(3.8)
54
N 1
N 1
n =0
n=0
x(k ) = a n n (k ) = a n e
2
j n
k
N
(3.9)
x(k ) =
N +2
a
n
n =3
(k )
(3.10)
(k )
(3.11)
x(k ) =
N 1
2
a
n
n= N
x ( 0) = a n
n=0
N 1
x (1) = a n e
2
j n
n =0
(3.12)
.
.
N 1
x ( N 1) = a n e
2
j n
( N 1)
N
n =0
Vemos que hay N ecuaciones con N incognitas por lo tanto existe solucin para los a n
x ( 0) e
2
jr
0
N
N 1
= an e
2
j n
0
N
2
jr
0
N
x (1) e
N 1
= an e
= an e
2
j n
1
N
2
jr
1
N
n =0
2
j (n r )
0
N
N 1
= an e
2
j (n r )
1
N
n =0
(3.13)
.
.
x ( N 1) e
2
jr
( N 1)
N
, r entero
n=0
n=0
2
jr
1
N
N 1
2
jr
k
N
N 1
= an e
n=0
2
j n
( N 1)
N
2
jr
( N 1)
N
N 1
= an e
n =0
2
j (n r )
( N 1)
N
55
x( k ) e
2
jr
k
N
k =0
N 1 N 1
a e
k =0 n =0
2
j (n r )
k
N
(3.14)
2
j (n r )
k
N
(3.15)
x( k ) e
2
jr
k
N
k =0
N 1
= an
n=0
N 1
e
k =0
=1
= 1 N
k =0
1
N 1
(3.16)
=e
2
j (n r )
(3.17)
N 1
N 1
a e
n=0
2
j (n r )
k
N
k =0
2
j (n r )
N
(
)
a
N
para
n
r
0
(
porque
e
=
=1)
=
2
j (n r )
N
2
N 1
N
j (n r )
N
1 e
N
a
=
0
(
porque
e
= e j (n r ) 2 = 1)
n
2
j
n
r
(
)
n =0
N
1 e
x( k ) e
2
jr
k
N
= ar N
k =0
(3.18)
despejando a r
1
ar =
N
N 1
x( k ) e
2
jr
k
N
k =0
n = r entonces
(3.19)
56
an =
1
N
N 1
x(k ) e
2
j n
k
N
(3.20)
k =0
por lo tanto x(k) se puede expresar a traves de la ecuacin (3.9) con an dada por la ecuacin (3.20)
Si x(k) se expresa mediante ecuacin (3.11) entonces
1
an =
N
Seales no peridicas
N 1
2
x( k ) e
k = N
2
j n
k
N
(3.21)
x (k )
-N 1
N 1
Si ahora formamos una seal peridica (de perido N, con N par) con la seal de la figura 3.10, obtenemos la
figura 3.11
Vemos que las seales de las figuras 3.10 y 3.11 estan relacionadas por
57
x(k ) = ~
x (k )
k N1
(3.22)
1
an =
N
N 1
2
~x (k ) e
k = N
2
j n
k
N
1
=
N
N 1
2
x(k ) e
k = N
2
j n
k
N
1
=
N
x(k ) e
2
j n
k
N
(3.23)
k =
1
X (n 0 )
N
(3.24)
donde
x( k ) e
X (n 0 ) =
con
0 =
j n 0k
(3.25)
k =
2
N
~
x (k ) =
N 1
2
an e
n= N
0
2
2
j n
k
N
n= N
2
N 1
2
X (n
n= N
2
k
N
N 1
2
)e
j n
1
X (n 0 ) e
N
(3.26)
2
j n
k
N
1
2
N 1
2
X (n
n= N
)e
2
j n
k
N
La sumatoria se puede expresar como una suma de N reas. Cada rea tiene una altura de X ( n 0 ) y una
2
2
. El rango completo del eje x, o sea la anchura total, es N 0 = N
= 2 , es
N
N
decir fija y de valor 2 para cualquier N.
De modo que cuando N , ~
x (k ) = x(k ) , 0 d y n 0 y la sumatoria se
anchura de 0 =
x(k ) =
1
2
X ( ) e j k d
(3.27)
Con
X ( ) =
x( k ) e
k =
jk
(3.28)
58
La ecuacin (3.28) se conoce como la transformada de Fourier Discreta (DFT) de x(k) y la ecuacin (3.27) su
inversa
Gp(z)
n =1
n =1
(3.29)
salida es
ry ( ) = E {y (k + ) y (k )}
(3.30)
ry ( ) = E g (n) u (k + n) g (l ) u (k l )
l =1
n =1
(3.31)
ry ( ) = E
n =1 l =1
g (n) u (k + n) g (l ) u (k l )
= g (n) E {u (k + n) u (k l )} g (l )
n =1 l =1
= g (n) ru ( n + l ) g (l )
n =1 l =1
(3.32)
59
x ( ) =
r (k ) e
k =
j k
(3.33)
y su inversa
rx (k ) =
1
2
x ( ) e j k d
(3.34)
y ( ) =
r (k ) e
k =
j k
(3.35)
y ( ) =
=
k = n =1 l =1
k = n =1 l =1
g ( n ) ru ( k n + l ) g (l ) e j k
(3.36)
g ( n) ru ( k n + l ) g (l ) e j n e j l e j ( k + l n )
haciendo = k + l n tenemos
n =1
l =1
n =1
l =1
y ( ) = e j n g (n) e j l g (l )
ru ( )
(3.37)
= e j n g (n) e j l g (l ) u ( )
Ahora evaluando ecuacin (1.21) para
proceso es (ver ejemplo 1.13)
s = j
( )
G p ( z) = G p ( j ) = e
n =1
g ( n)
(3.38)
por lo tanto
y ( ) = G p (e j ) G p (e j ) u ( )
(3.39)
Ruido blanco corresponde a una seal que posee todas las componentes del espectro de
frecuencia y adems poseen la misma magnitud, o sea, espectro constante.
60
Ejemplo 3.5
Determine la potencia que consume una seal en la banda
resistencia de 1 ,
(3.40)
P = 2
2
1
( ) d
Ejemplo 3.6
Determine la densidad espectral de potencia del ruido blanco con esperanza del ruido igual a cero y
varianza
Solucin
Sea x la seal de ruido blanco. Como es una variable aleatoria entonces se
cumple rx ( ) = 0 para todo 0 , por lo tanto de ecuacines (3.33) y (3.5) se tiene
G p (z) =
1
za
u ( ) = 2
y de ecuacin (3.39)
y ( ) = G p (e j ) G p (e j ) 2 =
(e j
2
2
=
a ) (e j a) 1 + a 2 2 a cos
Se observa que cuando un ruido blanco se hace pasar a traves de una funcin de transferencia filtro,
a la salida se obtiene ruido que depende de la frecuencia (ruido coloreado)
61
G( z) =
Sea la funcin de
B( z )
A( z )
(3.41)
B( z ) B( z 1 )
A( z ) A( z 1 )
(3.42)
Var ( y ) = ry (0)
(3.43)
y de ecuacin (3.34)
ry ( 0 ) =
dado que z = e
1
2
y ( ) d
(3.44)
, entonces
dz
= j e j
d
d =
1 dz
1 dz
=
j
j e
j z
(3.45)
por lo tanto la ecuacin (3.44) se convierte en la siguiente integral cerrada, usando tambin la ecuacin (3.42)
ry ( 0 ) =
1 B ( z ) B( z 1 ) dz
j A( z ) A( z 1 ) z
(3.46)
Se puede comprobar que la solucin de esta integral, para proceso de primer orden es
var( y ) = ry (0) =
b02 + b12 2 b0 b1 a1
1 a12
(3.47)
B0 e1 B1 a1 + B2 (a12 a 2 e1 )
var( y ) = ry (0) =
(1 a 22 ) e1 (1 a 2 )a12
donde
(3.48)
62
(3.49)
B1 = 2 (b0 b1 + b1b2 )
B2 = 2 b0 b2
e1 = 1 + a 2
ahora si la varianza del ruido blanco a la entrad es , entonces del ejemplo 3.7 y ecuacin (3.44), las
ecuaciones (3.47) y (3.48) se modifican a
2
var( y ) = ry (0) =
b02 + b12 2 b0 b1 a1 2
1 a12
(3.50)
B0 e1 B1 a1 + B2 (a12 a 2 e1 ) 2
var( y ) = ry (0) =
(1 a 22 ) e1 (1 a 2 )a12
(3.51)
Ejemplo 3.8
Sea la siguiente funcin de transferencia de la influencia de un ruido (no puede representar un
proceso porque b0 0 )
G( z) =
1 0.9 z 1
y( z )
=
u ( z ) 1 1.7 z 1 + 0.7 z 2
si la entrada, u (z ) , es ruido blanco con media cero y esperannza . Determine la varianza en la salida,
2
y (z )
Solucin
b0 = 1
b1 = 0.9
a1 = 1.7
a 2 = 0.7
es un proceso de segundo orden por lo tanto usando ecuaciones (3.49) y (3.51) tenemos que
B0 = 1.81
B1 = 1.8
B2 = 0
e1 = 1.7
var( y ) = ry (0) =
0.017 2
=
0
63
PROCESO
Gv(z)
v(z)
ruido
blanco
n(z)
Gp(z)
u(z)
y(z)
G p (z) =
B( z ) d
z
A( z )
(3.52)
los polinomios B (z ) y A(z ) estan dados por la ecuacin (1.52) y d representa el retardo del proceso
D( z )
C (z)
(3.53)
donde
D ( z ) = 1 + d 1 z 1 + d 2 z 2 + L + d n z n
(3.54)
C ( z ) = 1 + c1 z 1 + c 2 z 2 + L + c n z n
(3.55)
Para entender el concepto del controlador de varianza mnima , veamos un ejemplo sencillo
Ejemplo 3.9
Mediante un sistema realimentado, determine una secuencia de u(k) para reducir el ruido
varianza a la salida del proceso de la figura 3.14 para los siguientes casos
64
b1 z 1
a) G p ( z ) =
1 + a1 z 1
b) G p ( z ) =
b1 z 1
1 + a1 z 1
Gv ( z ) = 1
1 + d1 z 1
1 + a1 z 1
Gv ( z ) =
Solucin
a) En este caso es imposible reducir el ruido porque, dado que n( z ) = v( z ) ,
con la medicin de y(k) no permite crear un control u(k) que pueda anular el error en
n(k+1) = v(z+1) (donde puede afectarlo) porque no existe manera alguna cuanto valdr v(k+1)
en el instante k. Es decir el ruido n(z) se suma a las salida del proceso sin poder reducirlo.
b) En este caso tenemos
b1 z 1
1 + d1 z 1
y( z) =
u( z) +
v( z )
1 + a1 z 1
1 + a1 z 1
(3.56)
y (k ) = a1 y (k 1) + b1u (k 1) + v (k ) + d1v (k 1)
(3.57)
la idea es minimizar la varianza en la salida y(k) debido a la presencia del ruido n(k), o sea
minimizar el siguiente criterio
J = E y 2 (k )
(3.58)
ms exactamente
J = E y 2 (k + 1)
(3.59)
y (k + 1) = a1 y (k ) + b1u (k ) + v(k + 1) + d 1v (k )
(3.60)
aplicando la esperanza
} {
E y 2 (k + 1) = E ( a1 y (k ) + b1u (k ) + v(k + 1) + d 1v (k ) )
= E ( a1 y (k ) + b1u (k ) + d 1v (k ) ) +
2
(3.61)
E v 2 (k + 1)
El segundo trmino del lado derecho de la igualdad es cero porque v(k+1) es independiente de
las otras variables, por lo tanto de acuerdo a ecuacin (3.40) y dado que E{v( k + 1} = 0 , entonces
65
} {
E y 2 (k + 1) E v 2 (k + 1)
(3.62)
dado que el primer trmino del lado derecho de la ecuacin (3.61) es siempre positivo. La mnima
varianza se logra para
} {
E y 2 (k + 1) = E v 2 (k + 1)
(3.63)
y ello se logra haciendo el primer trmino del lado derecho de la ecuacin (3.61) igual a cero , es
decir
a1 y (k ) + b1u (k ) + d 1v(k ) = 0
despejando u(k) tenemos
u (k ) =
a1 y (k ) d1v (k )
b1
(3.64)
} {
E y 2 (k ) = E v 2 (k )
(3.65)
y ( k ) = v( k )
(3.66)
u (k ) =
a1 d1
y (k )
b1
(3.67)
GCVM ( z ) =
d1 a1
b1
cuando Re f ( z ) = 0
En figura 3.15
(3.68)
66
PROCESO
v(z)
ruido
blanco
CONTROLADOR
GCVM(z)
Ref(z)=0
u(z)
d1-a1
1+d1z-1
1+ a1z-1
n(z)
+
+
b1z-1
1+ a1z-1
b1
y(z)
Para ver la salida controlada, reemplazamos el u(k) de la ecuacin (3.60) por el u(k) de la ecuacin
(3.67) y nos da
y (k + 1) + d1 y (k ) = v (k + 1) + d1v(k )
(3.69)
aplicando transformada z
y ( z ) z + d1
=
=1
v( z ) z + d1
(3.70)
y( z) =
B( z ) d
D( z )
z u( z) +
v( z )
A( z )
C (z)
(3.71)
A* ( z ) y ( z ) = B * ( z ) z d u ( z ) + D * ( z )v ( z )
(3.72)
donde
A* ( z ) = A( z ) C ( z ) = 1 + a1* z 1 + a 2* z 2 + L + a m* z m
B * ( z) = B( z ) C ( z) =
D ( z ) = D ( z ) A( z ) = 1 + d z + d z
*
con m = 2n
*
1
*
2
+L+ d z
*
m
(3.73)
67
A* ( z ) = A( z )
B * ( z ) = B( z )
(3.74)
D * ( z ) = D( z )
Con retardo, el criterio de la ecuacin (3.59) cambia a
J = E y 2 (k + d + 1)
La transformada z de
(3.75)
z d +1 y ( z ) =
D * ( z ) d +1
B * ( z)
(
)
z v( z )
z
u
z
+
A* ( z )
A* ( z )
(3.76)
Al igual que la parte (b) del ejemplo3.9, la varianza de la ecuacin (3.75) se puede descomponer en ternimos
B * ( z)
conocidos y desconocidos. El trmino *
z u ( z ) contiene trminos presente y pasados, por lo tanto son
A ( z)
todos conocidos. Nos queda por analizar el trmino
D * ( z ) d +1
z v ( z ) . Del ejemplo 1.13 vimos que la
A* ( z )
D * ( z)
resto
= cuociente + *
*
A (z)
A (z)
(3.77)
y existen infinitas formas de representar el resultado dependiendo de numero de terminos que se desea para el
cuociente. Sin embargo nos sinteresa aquel cuociente y resto tal que en
D * ( z ) d +1
z v ( z ) se puedan
A* ( z )
distinguir y separar los trminos futuros (desconocidos) de los no futuros (presente y pasados conocidos). El
siguiente ejemplo nos ayudar a encontrar estos trminos
Ejemplo 3.10
Efectuar la divisin
Solucin
D* (z)
para que resulten dos trmicos en el cuociente
A* ( z )
68
(1 + d 1* z 1 + d 2* z 2 + L + d m* z m ) : (1 + a1* z 1 + a 2* z 2 + L + a m* z m ) = 1 + (d 1* a1* ) z 1
1 a1* z 1 a 2* z 2 + L a m* z m
0 + (d 1* a1* ) z 1 + (d 2* a 2* ) z 2 + L + (d m* a m* ) z m
(d 1* a1* ) z 1 a1* (d 1* a1* ) z 2 L a m* 1 (d 1* a1* ) z m a m* (d 1* a1* ) z ( m+1)
(d 2* a 2* a1* (d 1* a1* )) z 2 + L a m* (d 1* a1* ) z ( m +1)
donde
(3.78)
(3.79)
El resultado del ejemplo 3.10 lo podemos generalizar para p trminos en el cuociente, a saber
l 0 z p + L + l m 1 z ( m+ p 1)
D* (z)
1
( p 1)
=
1
+
+
L
+
+
f
z
f
z
1
p
1 + a1* z 1 + a 2* z 2 + L + a m* z m
A* ( z )
(3.80)
por lo tanto
D * ( z ) d +1
z v ( z ) = z d +1 v ( z ) + f 1 z d v ( z ) + L + f p z d p + 2 v ( z ) +
*
14444444244444443
A (z)
*
d p +1
l0 z
v( z ) + L + l m 1 z d m p + 2 v ( z )
1 + a * z 1 + a 2* z 2 + L + a m* z m
14414444
24444443
(3.81)
**
observese que si
v (z ) (*) de los no futuros (presente y pasados) (**). En este caso la ecuacin (3.81 ) se puede expresar como
D * ( z ) d +1
L( z )
z v ( z ) = F ( z ) z d +1 v ( z ) + *
v( z )
*
A (z)
A (z)
(3.82)
F ( z ) = 1 + f 1 z 1 + L + f d z d
(3.83)
L( z ) = l 0 + l1 z 1 + L + l m1 z ( m1)
(3.84)
con
dividiendo por v (z ) la ecuacin (3.82) y acomodando los terminos se obtiene la siguiente identidad
69
D * ( z ) = F ( z ) A* ( z ) + z ( d +1) L( z )
(3.85)
z d +1 y ( z ) =
L( z )
B * ( z)
v( z )
z u ( z ) + F ( z ) z d +1 v ( z ) + *
*
A (z)
A ( z)
(3.86)
z d +1 y ( z ) = H ( z ) + R( z )
(3.87)
donde
H ( z ) = F ( z ) z d +1 v ( z )
(3.88)
B* (z)
L( z )
R( z ) = *
z u( z) + *
v( z )
A (z)
A ( z)
contiene los trminos conocidos
Ahora podemos evaluar la esperanza de la ecuacion (3.75 ), o sea
} {
E y 2 (k + d + 1) = E (H (k ) + R(k ) )
} {
(3.90)
(3.91)
} {
} {
E y 2 (k + d + 1) = E ( H (k )) 2 + E ( R(k )) 2
(3.92)
E ( R(k )) 2 = 0
(3.93)
B* ( z)
L( z )
z u( z) + *
v( z ) = 0
*
A ( z)
A ( z)
despejando v (z ) de ecuacin (3.72) y reemplazando en ecuacin ( 3.94 ) obtenemos
(3.94)
70
(3.95)
L( z ) B * ( z )
L( z )
B * ( z)
(
)
(
)
+
u( z) = 0
y
z
z
u
z
A* ( z ) D * ( z )
D * ( z)
A* ( z )
reagrupando trminos
B * ( z ) D * ( z ) z L( z ) z d
L( z )
(
)
+
y
z
D * ( z )
A* ( z )
D * ( z)
u ( z ) = 0
(3.96)
B * ( z)
L( z )
(
)
z F ( z) u( z)
y
z
=
D * ( z)
D* (z)
(3.97)
u( z) =
L( z )
y( z)
z B ( z) F ( z)
(3.98)
GCVM ( z ) =
Limitaciones del controlador
dentro del circulo unitario
L( z )
z B ( z) F ( z)
(3.99)
D( z )
Gv ( z )
y( z)
A( z )
=
=
L( z ) B d
v ( z ) 1 + GCVM ( z ) G p ( z )
1+ *
z
zB ( z ) A
(3.100)
de ecuacin (3.73)
D* (z)
z D* (z) F (z)
y( z)
A* ( z )
=
=
v( z )
L( z ) B * ( z ) d z F ( z ) A* ( z ) + z d L ( z )
1+ *
z
zB ( z ) A* ( z )
*
(3.101)
71
y ( z ) ( z F ( z ) A* ( z ) + z d L ( z )) F ( z )
= F (z)
=
v( z )
z F ( z ) A* ( z ) + z d L ( z )
(3.102)
Ejemplo 3.11
De acuerdo a figura 3.14, sea el siguiente proceso
G p (z) =
z 1 + 0.5 z 2
z 1
1
2
1 1.7 z + 0.7 z
1 0.9 z 1
Gv ( z ) =
1 1.7 z 1 + 0.7 z 2
con v (z ) ruido blanco de media cero y esperanza
=2
a) Determine la varianza en la salida con u ( z ) = 0 , es decir sin control de varianza mnima
b) Disee el controlador de varianza mnima, GCVM (z )
c)
Solucin
a)
Gv ( z ) =
1 0.9 z 1
y( z)
=
v( z ) 1 1.7 z 1 + 0.7 z 2
var( y ) = ry (0) =
b) vemos que
A( z ) = C ( z ) = 1 1.7 z 1 + 0.7 z 2
B * ( z ) = B ( z ) = z 1 + 0.5 z 2
D * ( z ) = D ( z ) = 1 0.9 z 1
d =1
falta por determinar los polinomios F (z ) y L(z ) . De ecuaciones (3.83) y (3.84)
F ( z ) = 1 + f 1 z 1
L( z ) = l 0 + l1 z 1
de la ecuacin de identidad (3.85) tenemos
72
f1 = 0.8
l0 = 0.66
l1 = 0.56
Por lo tanto el controlador de varianza mnima resulta
GCVM ( z ) =
0.66 0.56 z 1
1 + 1.3 z 1 + 0.4 z 2
} {
E y 2 (k ) = E ( F (k ) v (k )) 2 = (1 + f 12 ) E v 2 (k ) = 3.28
EJERCICIOS
1.- Sea u una seal de voltaje. Demuestre que u ( ) es una densida espectral de potencia de u y no
una densidad espectral de tensin.
2.- Sea x ( ) , donde x es seal cualquiera. Demuestre que
a)
x ( ) es real
b)
x ( ) 0
c)
x ( ) = ( )
u ( ) =
1.25 + cos
1.64 + 1.6 cos
H ( z) =
e( z )
= 1 + c z 1
u( z)
Demuestre que
u ( k ) = ( c ) n e( k n )
n =0
73
CONTROLADOR
Ref(z)=0
1+0.5 z-1
v(z)
ruido
blanco
u(z)
n(z)
z-1
y(z)
u(z)
y(z)
2 z+1.8
k . Determine y (k )
b) Si se le superpone ruido en a) tal que Var{u ( k )} = 1 . Determine Var{y (k )}
c) Grafique u ( k ), y ( k ) de b)
a)
Si u ( k ) = 10
1
y(z)
z-1
1-0.5 z-1
1
1.25 + cos
a)
Disee
Control de varianza mnima para v ( k ) = e( k ) 0.2 e( k 1) con e(k ) ruido blanco
74
PLANTA
2
1.26
En el tiempo t = 0 se aplica un escaln unitario y la salida, en
ausencia de ruido, se muestra en la figura. Disear uin
controlador de varianza mnima. Considere la funcion de ruido
como el siguiente
1
Gv(z) =
A(z)
con E{v(k)} = 0 y Var{v(k)} = 1
exponencial
21
75
CONTROLADORES AVANZADOS
4.1 INTRODUCCION
En procesos complejos , se requiere de controladores ms avanzados que los vistos hasta ahora para
cumplir las exigencias de produccin y calidad de los productos. Entre estos controladores destacaremos dos:
1) Control Adaptivo y 2) Control Fuzzy
4.2 CONTROL ADAPTIVO
El control adaptivo consiste en un controlador en lazo cerrado (como los vistos hasta ahora) que van
modificando sus parmetros en tiempo real segn las variaciones y condiciones de la planta, es decir se va
adaptando a las circunstancias de la planta. Para captar las variaciones de la planta se recurre a la
identificacin de sistemas, pues permite estimar los parmetros de la planta en forma recursiva. En figura 4.1
se muestra el esquema general del control adaptivo.
CALCULO
PARAMETROS
CONTROLADOR
Ref(z)
CONTROLADOR
ESTIMACION DE
PARAMETROS
PROCESO
y(z)
A( z ) y ( z ) = B ( z ) u ( z ) + D ( z ) v ( z )
y el controlador dado por
(4.1)
76
Gc ( z ) =
Q( z )
P( z )
(4.2)
Para facilitar el anlisis sea la referencia Re f ( z ) = 0 . Insertando la ecuacin (4.2) en (4.1) y omitiendo los
argumentos tenemos que
A y = B (
Q
) y+Dv
P
(4.3)
( A + S ) y = B (
( A + S ) y = (B S
Q
) y+S y+Dv
P
P
Q
) ( y ) + D v
Q
P
(4.4)
(4.5)
Q
( A + S ) Q y = ( B Q S P) ( y ) + D Q v
14243
14243 P
123
123
*
*
u
A
B
D*
(4.6)
A* y = B * u + D * v
(4.7)
lo cual da
y el ruido D
B* B Q S P
=
A* A Q + S Q
(4.8)
DQ
D*
=
*
AQ+S Q
A
(4.9)
77
Ejemplo 4.1
Sea el proceso del control adaptivo de la figura 4.1 dado por el proceso de la figura 4.2
PROCESO
v(z)
ruido
blanco
D(z)
A(z)
+
B(z) -d
z
A(z)
u(z)
n(z)
y(z)
Q( z )
. Sean los ordenes
P( z )
de los polinomios de A( z ), B ( z ), D ( z ), Q ( z ) y P (z ) , m a , mb , m d , m y m respectivamente.
y el controlador de la figura 4.1 de parmetros constantes y conocidos, Gc ( z ) =
a)
Basta conocer los ordenes del proceso y retardo para poder estimar correctamente los parmetros
ai y bi de la planta?
b) Sea el proceso dado por
y (k ) = a y (k 1) + b u (k 1) + v (k )
(4.10)
u (k ) = q 0 y (k ) q1 y (k 1)
a) Si la referencia es igual a cero entonces
m
1 + 1 z 1 + L + r z
D( z ) P( z )
y( z)
( z )
=
=
=
d
m
1
v ( z ) A( z ) P( z ) + B( z ) z Q ( z ) 1 + 1 z + L + l z
( z)
(4.11)
m = max ma + m , mb + m + d
m = md + m
(4.12)
max m a + m , mb + m + d ma + mb
(4.13)
78
m ma d
(4.14)
m mb
(4.15)
b). para que se cumpla la identificabilidad, debe cumplirse la ecuacin (4.14), por lo tanto
b1) Para este controlador se tiene que m = 0 y m = 0 , por lo tanto no se cumple la
condicin ya que m a = 1 y mb = 1 y por lo tanto no es identificable. Para verificar esto,
u (k ) = q 0 y (k )
(4.16)
u (k 1) = q 0 y (k 1)
(4.17)
y (k ) = (a + q 0 ) y (k 1) + (b ) u (k 1) + v (k )
(4.18)
u (k ) = q 0 y (k ) q1 y (k 1)
u (k 1) = q 0 y (k 1) q1 y (k 2)
sumando esta ecuacin a la ecuacin (4.10) tenemos
y (k ) = (a + q 0 ) y (k 1) q1 y (k 2) + (b ) u (k 1) + v (k )
79
Para estimar a
y b es necesario estimar ( a + q 0 ) , q1 y (b )
respectivamente y tenemos tres incgnitas y tres ecuaciones por lo tanto existe solucin
nica, es decir es identificable.
Zadeh (1973) inicia el desarrollo de la teora de conjuntos difusos. Desde ese momento diversos autores
contribuyen a crear la teora del control difuso. Especficamente, se introducen las tcnicas basadas en reglas
como una forma de captar la experiencia humana y de tratar las incertidumbres.
Sea el conjunto de la figura 4.3
martes
papa
mesa
sabado
manzana
silla
domingo
viernes
Figura 4.3 conjunto de cosas conceptos
La pregunta es : Seleccione los das de la semana. La respuesta obvia es : martes, sbado, viernes y domingo .
Es decir tal como se muestra en la figura 4..4
80
martes
papa
mesa
sabado
manzana
silla
domingo
viernes
Si ahora nos preguntamos Cules son los das de fin de semana?. Para muchos el fin de semana comienza el
viernes, e incluso hasta el lunes por la maana, por lo tanto la respuesta se muestra en la figura 4.5
martes
papa
mesa
sabado
manzana
silla
domingo
viernes
Como una forma de cuantificar esta situacin, sea verdadero = 1 y falso =0. Entonces,
las preguntas que surgen son las siguientes:
Es sbado fin de semana?
Respuesta: 1
Es martes fin de semna?
Respuesta: 0
Es viernes fin de semana?
Respuesta: 0.8
81
Jueves
viernes
sabado
domingo
lunes
0
Jueves
viernes
sabado
domingo
lunes
82
verano
diciembre
otoo
marzo
mayo
junio
Sabemos que una caracterizacin clsica de un conjunto es, por ejemplo, el siguiente:
A = {x / x f 6}
(4.19)
La caracterizacin de un conjunto fuzzy es una extensin del conjunto clsico. De manera que si X es el
universo de discusin, y sus elementos se asignan por x , entonces un conjunto fuzzy de X es definido
como un par ordenado
A = {x, A ( x ) / x X }
(4.20)
triangular
trapesoidal
gauss
Podemos concluir que los conjuntos fuzzy describen conceptos vagos (ms rpido, muy alto, ms caliente,
etc.). Un conjunto fuzzy admite que un elemento pertenezca parcialmente a l.
Recordemos que la lgica clsica permite hacer, por ejemplo, el anlisis de la figura 4.10.
83
Alto 1
A=
Bajo 0
Blaco 1
B=
Negro 0
Alto y Blanco 1
R=
Bajo y negro 0
Si x es bajo y Negro, entonces R = 0
Si x es bajo y Blanco, entonces R = 0
Si x es alto y Negro, entonces R = 0
Si x es alto y Blanco entonces R = 1
La tabla de verdad es
A
0
0
1
1
B
0
1
0
1
R
0
0
0
1
84
R
Figura 4.11 el ejemplo mediante seales
Para expresarlo en conjunto fuzzy, el ejemplo se transformara en la siguientes seales de la figura 4.12
R
Figura 4.12 relacin de pertenencia para conjunto fuzzy
Ventajas del control Fuzzy
-
85
Etapa de
Defusificacin
Motor de inferencias
Proceso
1/4
Ref
Tiempo
Figura 4.14 Funcionamiento tpico de un r PI
Podemos dividir la seal por zonas, de acuerdo al error y la derivada del error, tal como se muestra en la
figura 4.15
Ref
e=(ref-out)
a1
e(t)
de(t)
a2 a3 a4 a5 a6
- - + + -
- + + - -
Tiempo
dt
Figura 4.15 Dividendo la curva en zonas
86
Si e(k ) y
de(k )
son cero: entonces se mantenga el control constante. u = 0
dt
de(k )
. En zona a2 u < 0 , en zona a4 u > 0
dt
a1
de
dt
a2 a3 a4
de
a1 = e > 0,
< 0
dt
de
a 2 = e < 0,
< 0
dt
de
> 0
a3 = e < 0,
dt
de
> 0
a 4 = e > 0,
dt
Las alternativas de las pendientes en los puntos A y B de la figura 4.14 se muestran en la figura 4.17
87
b2
Ref
b1
b3
b4
b5
b6
de
<<< 0
b1 = e = 0,
dt
de
<< 0
b2 = e = 0,
dt
de
< 0
b3 = e = 0,
dt
de
> 0
b4 = e = 0,
dt
de
>> 0
b5 = e = 0,
dt
de
>>> 0
b6 = e = 0,
dt
Los valores mximos y mnimos con respecto a la referencia se muestran en la figura 4.18
c2
c1
Ref
c4
c3
c6
c5
88
de
c1 = = 0, e <<< 0
dt
de
c 2 = = 0, e << 0
dt
de
c3 = = 0, e < 0
dt
de
c 4 = = 0, e > 0
dt
de
c5 = = 0, e >> 0
dt
de
c 6 = = 0, e >>> 0
dt
De este anlisis emprico, podemos interpretar a los a i , bi y ci como rangos imprecisos, lo cual da origen a
las variables difusas.
NG:
NM:
NP:
CE:
PP:
PM:
PG:
Negativo Grande
Negativo Mediano
Negativo Pequeo
Cero
Positivo Pequeo
Positivo Mediano
Positivo Grande
El encasillamiento de una variables de ingeniera (por ejemplo voltaje) a una variable difusa (por ejemplo
NG), se denomina FUZIFICACIN.
Podemos construir la siguiente matriz de Estados en funcin de e(t ) y
de
dt
89
e(t)
NG NM NP CE PP PM PG
NG
NM
de
NP
dt
CE
PP
PM
PG
a2
a2
a2
b1
a1
a1
a1
a2
a2
a2
b2
a1
a1
a1
a2
a2
a2
b3
a1
a1
a1
c1
c2
c3
CE c4
c5
ca
6
a3
a3
a3
b4
a4
a4
a4
a3
a3
a3
b5
a4
a4
a4
a3
a3
a3
b6
a4
a4
a4
En base a nuestra experiencia con controladores PI podemos construir en forma gruesa las siguiente acciones
de control.
e(t)
NG NM NP CE PP PM PG
NG
NM
de
dt
U <0
NP
CE
U< 0
PP
PM
PG
U
<
0
U =0
U =0
U >0
U
>
0
U >0
precisando este arreglo podemos construir los estados de la accin de control MOTOR DE INFERENCIA
de la figura 4.19. Esta tabla es conocida en la literatura como tabla de 49 reglas
90
e(t)
NG NM NP CE PP PM PG
NG
NM
de
NP
dt
CE
PP
PM
PG
NG NG NG NG NM NP CE
NG NG NM NM NP CE PP
NG NM NP NP CE PP PM
NM NM NP CE PP PM PM
NM NP CE PP PP PM PG
NP CE PP PM PM PG PG
CE PP PM PG PG PG PG
e y
de
se muestra en la figura 4.20
dt
ui(e) ui(de)
NG NM
NP CE
PP PM PG
de=e(k)-e(k-1)
0,8
0,2
-1
-2/3
-1/3
1/3 2/3
e,
de
dt
Una vez inferida la variable de salida, es necesario convertir la variable difusa du en un valor ntido. este
conversin se denomina DEFUSIFICACION .
91
Al entrar el valor de
e y
de
a la tabla de inferencia de la figura 4.18 , siempre interceptar dos curvas para
dt
de
, por lo tanto el anlisis involucra a 4 celtas de la tabla sea a 4 curvas de la figura
dt
de
8
4.19. En figura 4.21 se muestra el anlisis completo para e = 0.8 y
(- 0.26667)
=
dt
30
ui(e)
PM
PG
0,6
u'i(du)
0,4
1/3
2/3
0,6
1
0,4
ui(de)
0,8
PP
NP CE 1
0,2
du
1/3
2/3
0,2
-2/3 -1/3
1/3
de
donde
Finalmente los cuatro anlisis anteriores se traducen en la siguiente relacin, para obtener la variable de
control denominada de medida mxima modificada.
du=(0,6)(1/3)+(0,2)(2/3)+(0,2)(2/3)+(0,4)(2/3)=0,52
0,6+0,2+0,2+0,4
EJERCICIOS
1) Demuestre que una realimentacin de bajo orden introduce dependencia lineal en la matriz
2)
Obtener el du del controlador fuzzy , emulando un PID, en el punto indicado en la grfica para una tabla de 25
implicancias, con conjunto fuzzy: NG,NM,CE,PM,PG
T
92
y
NG
NM
derror CE
PM
PG
Ref = 1
t
0.5
NG
NG
NG
NM
NM
CE
NM
NG
NM
NM
CE
PM
error
CE
NM
NM
CE
PM
PM
PM
NM
CE
PM
PM
PG
PM
CE
PM
PM
PG
PG
3)
Usando una tabla de 25 reglas determinar la
variacin de la variable de control u en el instante t
de
NG
NM
CE
PM
PG
NG
NG
NG
NM
NM
CE
NM
NG
NM
NM
CE
PM
CE
NM
NM
CE
PM
PM
PM
NM
CE
PM
PM
PG
PG
CE
PM
PM
PG
PG
y
1
0.1
0.2
0.7
t1
4)
a) Evale el programa para error = 0.6
b) Evale el programa para error = -0.1
c) Explique qu hace el programa si:
NG = 1
NM = 2
NP = 3
CE = 4
PP = 5
PM = 6
PG = 7
FOR i=1 TO 7
fe(i,1) = 0
fe(i,2) = 0
NEXT i
error = referencia medicin
IF(error < -1) THEN error = -1
IF(error > 1) THEN error = 1
FOR i = 1 To 7
Y = 3 * error + 5 i
IF(Y > 0) AND (Y <= 1) THEN
fe(i,1) = i
fe(i,2) = Y
ELSE
Y = -3 * error + i - 3
IF(Y > 0) AND (Y <= 1) THEN
fe(i,1) = i
fe(i,2) = Y
END IF
END IF
NEXT i
93
5) Resuelva el ejercicio sobre fuzzy ( o sea encontrar U) explicado en clases pero para
e = -0.4
de = 0.1
dt
BIBLIOGRAFA
[1] Ogata K., SISTEMAS DE CONTROL EN TIEMPO DISCRETO, Prentice Hall, 1996
[2] strm K., SISTEMAS CONTROLADOS POR COMPUTADOR, PARANINFO, 1988
[3] sermann R., DIGITAL CONTROL SYSTEMS, Spriager-Verlag, 1981
[4] Oppenheim J.,SIGNALS AND SISTEMS, Prentice Hall, 1985
[5] Ljung L. ,SYSTEM IDENTIFICATION, Printice Hall, 1987
[6] Ljung L., TOOL BOX FOR USE WITH MATLAB, Math Works, 1995