Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis y CTRL Sist Space-State
Analisis y CTRL Sist Space-State
ANALISIS
Y CONTROL DE SISTEMAS EN ESPACIO DE ESTADO
DE SISTEMAS
IDENTIFICACION
CONTROL ADAPTATIVO
CONTROL PREDICTIVO
Rev. 5/05/2005
Indice general
Lista de figuras
IX
10
12
15
INDICE GENERAL
ii
1.6.1. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
17
1.6.3. Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
19
. . . . . . . . . . .
19
20
20
21
21
22
24
24
27
28
30
1.9.2.1. Calculo de Ke . . . . . . . . . . . . . . . . . . . . . . .
32
. . . . . . . . . .
34
35
36
41
INDICE GENERAL
iii
43
43
45
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
46
46
48
3. Introducci
on a la identificaci
on de sistemas
51
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
52
52
53
54
54
54
55
55
57
58
INDICE GENERAL
iv
58
59
60
62
4. Identificaci
on por mnimos cuadrados
63
63
65
67
70
71
72
73
73
73
74
77
78
5. Introducci
on al control adaptativo
5.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . .
81
81
INDICE GENERAL
82
84
87
89
93
93
95
96
99
105
INDICE GENERAL
vi
117
. . . . . . 132
INDICE GENERAL
vii
9. Controladores predictivos
135
151
. . . . . . . . . . . . . . . . . . . . . . 156
10.1.4.1. Tecnicas de b
usqueda de soluciones factibles . . . . . . 157
viii
INDICE GENERAL
Indice de figuras
1.1. Diagrama de bloques de la representacion en espacio de estados de un
sistema LTI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
1.3. Diagrama de bloques de un sistema LTI controlado mediante una realimentacion del vector de estados que estima el estado con un observador. 31
1.4. Diagrama de bloques de un observador de orden completo. . . . . . . .
31
. . . . . . .
47
48
. . . . . . . . . . . . . . . . . .
55
57
3.3. Ejemplo de se
nal de entrada del tipo PRBSS. . . . . . . . . . . . . . .
59
4.1. Diagrama de flujo del proceso de identificacion mediante mnimos cuadrados recursivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
75
ix
INDICE DE FIGURAS
75
82
. . . .
84
. . . .
85
86
87
88
94
95
. . . . . . . . . . . . . . .
99
. . . . . . . . . . . . . 101
7.1. PID industrial moderno con funcion de autoajuste (ABB modelo ECA). 107
7.2. Determinacion de T y L por areas. . . . . . . . . . . . . . . . . . . . . 109
7.3. Estructura usada en el metodo basado en oscilaciones de rele. . . . . . 110
INDICE DE FIGURAS
xi
. . 112
. . . . . . . . . . . . 113
xii
INDICE DE FIGURAS
Captulo 1
Control de sistemas discretos en el
espacio de estados
1.1.
Representaci
on de sistemas discretos en el espacio de estados
Definici
on 1.1 Concepto de estado: El estado de un sistema dinamico es el conjunto mas peque
no de variables (llamadas variables de estado) tal que, el conocimiento
de esas variables en un determinado instante t0 junto con el conocimiento de los valores
de la se
nal de entrada para los instantes t t0 , permite determinar el comportamiento
y evolucion del sistema para cualquier instante de tiempo t t0 .
Las variables de estado se agrupan en el llamado vector de estado y el espacio ndimensional que determinan los posibles valores de esas variables, se denomina espacio
de estados.
La dinamica de un sistema se puede describir en funcion del valor del vector de
estados y de la se
nal de entrada (asumiendo que el sistema es no autonomo mediante
1
DE LA REPRESENTACION
DE EN ESPACIO DE ESTADOS DE SISTEMAS DISCRETOS
2OBTENCION
(1.1)
u(k)
x(k+1)
+
z-1
x(k)
G
Figura 1.1: Diagrama de bloques de la representacion en espacio de estados de un sistema LTI.
1.2.
Obtenci
on de la representaci
on de en espacio
de estados de sistemas discretos
Y (z)
b0 + b1 z 1 + b2 z 2 + + bn z n
=
U (z)
1 + a1 z 1 + a2 z 2 + + an z n
(1.3)
A continuacion se expondran dos de los metodos disponibles para obtener la representacion en espacio de estados del sistema descrito por (1.3).
1.2.1.
M
etodo de programaci
on directa
Y (z)
U (z)
(1.4)
se obtiene:
(1.5)
(1.6)
con:
Y (z)
U (z)
=
1
n
1
(b1 a1 b0 )z + + (bn an b0 )z
1 + a1 z + + an z n
(1.8)
De ah se obtiene que:
Q(z) = a1 z 1 Q(z) a2 z 2 Q(z) an z n Q(z) + U (z)
(1.9)
(n1)
Q(z)
Xn (z) = z 1 Q(z)
lo que teniendo en cuenta las propiedades de la transformada Z, implica que:
zX1 (z) = X2 (z)
zX2 (z) = X3 (z)
(1.11)
DE LA REPRESENTACION
DE EN ESPACIO DE ESTADOS DE SISTEMAS DISCRETOS
4OBTENCION
(1.12)
x2 (k + 1) = x3 (k)
xn1 (k + 1) = xn (k)
Notese que seg
un la u
ltima igualdad de (1.11) se tiene que Q(z) = zXn (z), luego
teniendo en cuenta esto y el resto de las igualdades de (1.11) podemos reescribir la
expresion de Q(z) en (1.9) como:
zXn (z) = a1 Xn (z) a2 Xn1 (z) an X1 (z) + U (z)
(1.13)
o lo que es lo mismo:
xn (k + 1) = an x1 (k) an1 x2 (k) a1 xn (k) + u(k)
(1.14)
x1 (k + 1)
0
1
0
0
x1 (k)
0
x2 (k + 1) 0
0
1
0
x2 (k) 0
..
..
..
.
.
.
.
..
..
..
..
= .
+ . u(k)
.
xn1 (k + 1) 0
0
0
1 xn1 (k) 0
xn (k + 1)
an an1 an2 a1
xn (k)
1
(1.15)
Por otra parte, podemos reescribir tambien (1.10) teniendo en cuenta las igualdades
de (1.11) de manera que:
Y (z) = (b1 a1 b0 )Xn (z) + (b2 a2 b0 )Xn1 (z) + + (bn an b0 )X1 (z)
(1.16)
y(k) =
bn an b0 bn1 an1 b0
x1 (k)
x2 (k)
..
.
b 1 a 1 b0
xn1 (k)
xn (k)
+ b0 u(k)
(1.18)
Las ecuaciones (1.15) y (1.18) forman una representacion en espacio de estados del
sistema descrito por la funcion de transferencia (1.3) que se denomina forma canonica
controlable.
1.2.2.
M
etodo de programaci
on anidada
(1.19)
(1.20)
(1.21)
(1.22)
Sustituyendo esta expresion en la definicion de las variables de estado (1.21) y multiplicando por z en ambos lados de cada igualdad se obtiene:
zXn (z) = Xn1 (z) a1 Xn (z) + (b1 a1 b0 )U (z)
zXn1 (z) = Xn2 (z) a2 Xn (z) + (b2 a2 b0 )U (z)
..
.
zX2 (z) = X1 (z) an1 Xn (z) + (bn1 an1 b0 )U (z)
zX1 (z) = an Xn (z) + (bn an b0 )U (z)
Antitransformando lo anterior:
x1 (k + 1) = an xn (k) + (bn an b0 )u(k)
x2 (k + 1) = x1 (k) an1 xn (k) + (bn1 an1 b0 )u(k)
..
.
xn1 (k + 1) = xn2 (k) a2 xn (k) + (b2 a2 b0 )u(k)
xn (k + 1) = xn1 (k) a1 xn (k) + (b1 a1 b0 )u(k)
(1.23)
LA REPRESENTACION
0
x1 (k + 1)
1
x2 (k + 1)
..
..
=
.
0
xn1 (k + 1)
(1.24)
bn a n b0
x1 (k)
0 0 0 an
..
..
..
.. ..
..
+
.
.
.
. .
.
0 1 0 a2 xn1 (k) b2 a2 b0
b1 a 1 b0
xn (k)
0 0 0 1 a1
xn (k + 1)
x1 (k)
x2 (k)
.
.
y(k) =
0 0 0 1
+ b0 u(k)
.
xn1 (k)
xn (k)
u(k)
(1.25)
1.3.
La representaci
on en espacio de estados de un
sistema no es u
nica
x(k + 1) = G
(1.27)
= P 1 GP y H
= P 1 H. De la misma manera la ecuacion, de la salida del
con G
sistema se puede expresar como:
(1.28)
1.4.
Resoluci
on de las ecuaciones del espacio de estados
1.4.1.
Procedimiento recursivo
Iterando las ecuaciones del estado para un sistema LTI como (1.1) a partir de k = 0:
x(1) = Gx(0) + Hu(0)
x(2) = Gx(1) + Hu(1) = G2 x(0) + GHu(0) + Hu(1)
x(3) = Gx(2) + Hu(2) = G3 x(0) + G2 Hu(0) + GHu(1) + Hu(2)
..
.
generalizando para cualquier k > 0:
k
x(k) = G x(0) +
k1
X
Gkj1 Hu(j)
(1.29)
j=0
Observese que en la ecuacion (1.28) el estado aparece con , indicando que el vector de estados
es diferente al original. La salida sin embargo si coincide con la del sistema original pues ambas
representaciones son equivalentes.
Observese que x(k) depende del estado inicial y de los valores de la entrada. Por otra
parte, la salida se puede expresar como:
k
y(k) = CG x(0) + C
k1
X
(1.30)
j=0
1.4.2.
Matriz de transici
on de estados
Considerese la ecuacion:
x(k + 1) = Gx(k)
(1.31)
(0) = I
es decir:
(k) = Gk
A (k) se le llama la matriz de transicion de estados y contiene toda la informacion
sobre los movimientos libres del sistema descrito por (1.31). Estos movimientos libres
se refieren a los cambios de estado o evolucion del estado del sistema en ausencia de
entrada.
En terminos de (k) la solucion de la ecuacion de estados para el sistema (1.1)
viene dada por:
x(k) = (k)x(0) +
k1
X
(k j 1)Hu(j)
(1.32)
j=0
= (k)x(0) +
k1
X
(j)Hu(k j 1)
j=0
lo que lleva a:
y(k) = C(k)x(0) + C
k1
X
j=0
(j)Hu(k j 1) + Du(k)
(1.33)
1.4.3.
M
etodo basado en la transformada Z
G =Z
(zI G) z
k1
X
j=0
Gkj1 Hu(j) = Z1 (zI G)1 HU (z) (1.34)
0
1
0,16 1
H=
1
1
C=
1 0
z
1
0,16 z + 1
"
z+1
(z+0,2)(z+0,8)
0,16
(z+0,2)(z+0,8)
"
1
4 1
31 z+0,8
3 z+0,2
1
1
0,8
+ 0,8
3 z+0,2
3 z+0,8
1
(z+0,2)(z+0,8)
z
(z+0,2)(z+0,8)
5 1
1
35 z+0,8
3 z+0,2
1
1
13 z+0,2
+ 34 z+0,8
(1.35)
10
(0,8)
(0,2)
(0,8)
k
1
1
3
3
3
3
(k) = G = Z
(zI G) z =
0,8
1
4
k
k
k
(0,2)
+
(0,8)
(0,2)
+
(0,8)k
0,8
3
3
3
3
(1.36)
El ejemplo se puede completar resolviendo completamente la ecuacion de estado y la
de la salida para una se
nal de entrada dada por:
1
u(k) = 1 k = 0, 1, 2,
x(0) =
1
Teniendo en cuenta la transformada Z de la entrada (escalon unitario) y que se sabe
que:
X(z) = (zI G)1 [zx(0) + HU (z)]
se calcula:
zx(0) + HU (z) =
z
z
z
z1
z
z1
"
z2
z1
z 2 +2z
z1
17
(0,2)k + 22
(0,8)k +
6
9
17,6
3,4
(0,2)k 9 (0,8)k +
6
25
18
7
18
1.4.3.1.
Se observa en el ejemplo 1.1 que gran parte del calculo se emplea en calcular (zI
G) . Esto puede ser muy engorroso cuando el orden de las matrices involucradas es
superior a 3. A continuacion se detalla un procedimiento alternativo para esos casos.
En primer lugar es conocido que, por definicion de matriz inversa:
1
(zI G)1 =
Adj(zI G)
|zI G|
11
a1 = traza(G)
a2 = 12 traza(GH1 )
H1 = G + a 1 I
12
1
1
Adj(zI G) = Iz +
0,16 0
z+1 1
=
0,16 z
Finalmente:
(zI G)1
z+1 1
0,16 z
=
(z + 0,2)(z + 0,8)
1.5.
Discretizaci
on de las ecuaciones de estado continuas
(1.37)
(1.38)
donde puede observarse que las matrices G y H dependen del tiempo de muestreo T .
Para determinar el valor de G(T ) y H(T ) usaremos la solucion de la ecuacion de estado
en tiempo continuo:
At
x(t) = e x(0) + e
At
eA Bu( )d
(1.39)
para
kT t kT + T
(1.40)
13
Se tiene que:
x((k + 1)T ) = e
x(kT ) = e
A(k+1)T
AkT
x(0) + e
x(0) + e
AkT
A(k+1)T
kT
(k+1)T
eA Bu( )d
(1.41)
eA Bu( )d
(1.42)
donde = T . Sea:
G(T ) = eAT
R T A
e d B
H(T ) =
0
(1.45)
(1.46)
que es la ecuacion a la que tenamos que llegar y por tanto se ha obtenido la ecuacion
de estado continuo discretizada.
En el caso particular (aunque muy com
un, y por tanto interesante) de que A sea
una matriz invertible se tiene que:
H(T ) = eAT I A1 B
(1.47)
14
s 0
0 s
0 1
0 2
s 1
0 s+2
1
s
1
s(s+2)
1
(s+2)
Ejemplo 1.4
Como ejemplo de discretizacion de las ecuaciones de estado en tiempo continuo, considerese el siguiente sistema:
x = ax + u
y = x
Usando las expresiones de (1.45) se obtiene:
G(T ) = eAT
= eaT
y
H(T ) =
=
=
R
T A
e d B
0
R
T a
e
d
0
1eaT
a
15
Luego:
x(k + 1) = eaT x(k) +
y(k) = x(k)
1.6.
1eaT
a
u(k)
Controlabilidad y Observabilidad
1.6.1.
Controlabilidad
Definici
on 1.2 Un sistema de control es completamente controlable o de estado completamente controlable, si es posible transferir al sistema desde un estado inicial arbitrario a cualquier estado deseado en un tiempo finito. Tambien puede decirse que
sera completamente controlable, si cada variable de estado se puede controlar en un
tiempo finito por una se
nal de control que no este sujeta a ning
un tipo de restriccion.
x(nT ) = G x(0) +
n1
X
j=0
Gnj1 Hu(jT )
16
CONTROLABILIDAD Y OBSERVABILIDAD
x(nT ) Gn x(0) =
.
.
.
H .. GH .. .. Gn1 H
donde la matriz
Mc =
.
.
.
H .. GH .. .. Gn1 H
u((n 1)T )
u((n 2)T )
..
.
u(0)
i
(1.50)
(1.51)
1.6.2.
17
(1.52)
(1.54)
sera:
..
.
.
.
. CH .. CGH .. .. CGn1 H
io
=m
(1.55)
Notese que en esta segunda forma de la ecuacion de salida, la presencia del termino
Du(kT ) no empeora la controlabidad del sistema, sino justo lo contrario. De hecho, al
introducirse una columna extra en la matriz de controlabilidad (la correspondiente a
D), se puede dar el caso que se pase de tener m1 columnas linealmente independientes
a tener m, por lo que se lograra la controlabilidad de la salida. Dicho de otra manera,
encontrar m vectores linealmente independientes siempre sera igual o mas facil entre
n + 1 vectores que entre solo n de esos vectores.
1.6.3.
Observabilidad
(1.56)
Definici
on 1.3 El sistema autonomo (1.56) es completamente observable si todo estado inicial x(0) se puede determinar de la observacion de y(kT ) durante un n
umero
finito de intervalos de muestreo. Para que ello ocurra, cada transicion del estado debe
afectar a todos los elementos del vector de salida.
18
CONTROLABILIDAD Y OBSERVABILIDAD
19
1.6.4.
Principio de Dualidad
(1.59)
1.7.
Transformaci
on de un sistema en formas can
onicas
(1.60)
Notese que los sistemas S1 y S2 son diferentes, es decir, S2 no es una representacion alternativa
de S1 .
TRANSFORMACION
20
1.7.1.
Obtenci
on de la forma can
onica controlable
M=
.
.
.
H .. GH .. .. Gn1 H
W =
an1 an2
an2 an3
..
..
.
.
a1
1
1
0
a1
1
..
.
0
0
1
0
..
.
0
0
donde los coeficientes ai son los coeficientes de la ecuacion caracterstica del sistema,
es decir:
|zI G| = z n + a1 z n1 + + an1 z + an = 0
Se define el estado x(k) en funcion de la transformacion de otro vector de estados x(k):
x(k) = T x(k)
Entonces el sistema:
x(k) + Hu(k)
x(k + 1) = G
y(k) = Cx(k)
+ Du(k)
(1.61)
= T 1 GT , H
= T 1 H, C = CT , D
= D esta en forma canonica controlable.
con G
1.7.2.
Obtenci
on de la forma can
onica observable
..
.
.
. G C .. .. (G )n1 C
= Q1 GQ, H
= Q1 H, C = CQ, D
= D y defnase el estado x(k) como
Sea G
x(k) = Q
x(k). Entonces el sistema (1.61) esta en forma canonica observable.
1.8.
21
Colocaci
on de polos mediante realimentaci
on
del vector de estados
En esta seccion se presentara una estrategia de control que permite elegir la situacion
de los polos de bucle cerrado del sistema, mediante la realimentacion lineal del vector
de estados. Se vera que la condicion necesaria para que esto se pueda conseguir es que
el sistema sea controlable. Por otra parte, se asumira que todas las variables de estados
son accesibles, es decir, podemos medirlas directamente sin tener que estimarlas por
otros procedimientos.
1.8.1.
Condici
on necesaria y suficiente para la colocaci
on arbitraria de polos
x(k+1)
z-1
x(k)
G
u(k)
-K
Figura 1.2: Diagrama de bloques de un sistema controlado por una realimentacion del vector de
estados.
Lema 1.2 Se demuestra que la condicion necesaria y suficiente para que por medio de
una realimentacion del vector de estados puedan escogerse los polos de bucle cerrado
(es decir, los autovalores de (G HK)) es que el sistema en bucle abierto sea de estado
completamente controlable. Si esta condicion no se cumple, no se podran elegir todos
los polos de bucle cerrado.
1.8.2.
Sean 1 ,2 , ,n los valores deseados para los polos de bucle cerrado, es decir,
para los autovalores de (G HK). Aquellos que sean complejos siempre iran por pares
conjugados. La ecuacion caracterstica del sistema en bucle abierto es:
|zI G| = z n + a1 z n1 + + an = 0
Se define una matriz de transformacion T = M W exactamente igual que la matriz
de transformacion necesaria para obtener la forma canonica controlable descrita en la
seccion 1.7.1. Se obtiene:
0
1
0
0
0
0
1
0
0
.
.
..
..
..
=
=
T 1 GT = G
T 1 H = H
..
..
.
.
.
0
0
0
0
1
1
an an1 an2 a1
Se define a continuacion:
= KT =
K
Entonces:
K
=
H
0
0
..
.
n n1 1
0
0
..
.
0
0
..
.
0
0
..
.
n n1
1
0
0 0
1
n n1 1
23
.. ..
.
.
..
.
..
.. ..
= z . .
.
0 0 0 0
0
0
a an1 an2
0 0 1
n
0
0 0
0
0
0
..
.
.
..
..
+ .
0
0 0
n n1 1
z
1
0
0
z
0
..
..
..
=
.
.
.
0
0
1
an + n an1 + n1 z + a1 + 1
0
0
..
.
1
a1
(1.62)
que coloca los polos de bucle cerrado del sistema en los valores deseados. Notese
que si el sistema en bucle abierto viene dado en forma canonica controlable, se verifica
que T = I = T 1 .
1.8.2.1.
Procedimiento alternativo: la f
ormula de Ackermann
Existen otros procedimientos alternativos para el calculo de la matriz K. Aqu mencionaremos uno muy conocido, el que emplea la formula de Ackermann. Seg
un esto, la
expresion para K tomara la forma:
i1
h
.
.
.
n1
.
.
.
K = 0 0 0 1
(G)
H . GH . . G H
donde:
(G) = Gn + 1 Gn1 + + n1 G + n I
Los coeficientes i se calcularan como en el apartado anterior.
Finalmente, otro procedimiento que puede ser u
til para sistemas de bajo orden
consiste en tomar
K = k1 k2 k n
plantear la ecuacion caracterstica en funcion de los ki :
|zI G + HK| = 0
e igualar a los coeficientes de
z n + 1 z n1 + 2 z n2 + + n1 + n = 0
1.8.3.
Control Dead-Beat
Este es un tipo de control que resulta ser un caso particular del control por colocacion de polos.
Definici
on 1.4 Dado un sistema LTI, entenderemos como control dead-beat aquel que
consigue llevar el estado a cero en como maximo n intervalos de muestreo, donde n es
el orden del sistema.
Para obtener este tipo de control se deben especificar los polos de bucle cerrado conforme a lo que se establece en el siguiente lema.
Lema 1.3 Se demuestra que si se escogen los polos de bucle cerrado de manera que
esten todos en el origen (es decir, todos los autovalores de (G HK) igual a cero) se
consigue un control dead-beat.
25
Esto se lleva a la practica con una matriz de realimentacion del vector de estados
calculada mediante:
K = an an1 a1 T 1
Este tipo de control no goza de una reputacion excesivamente favorable porque habitualmente se precisa de una se
nal de control de amplitud muy grande para obtener la
respuesta dead-beat. De hecho en este tipo de control, el u
nico parametro de dise
no
que se ha de elegir es el tiempo de muestreo. Si este es muy peque
no, los n intervalos
de muestreo supondran un tiempo total muy corto, de manera que para llevar el estado
a cero partiendo de un estado inicial arbitrario se precisara un valor muy alto de la
se
nal.
Ejemplo 1.5
Sea un sistema
x(k + 1) = Gx(k) + Hu(k)
con
G=
0
1
0,16 1
0
1
Se desea determinar una matriz K, tal que los polos de bucle cerrado sean el par
complejo conjugado z = 0,5 j0,5.
En primer lugar hay que determinar la controlabilidad del sistema. Para ello, se
forma la matriz de controlabilidad:
i 0 1
h
..
H . GH = 1 1
cuyo rango es igual a dos (basta comprobar que su determinante es distinto de cero),
por lo que el sistema es controlable y se puede proceder a calcular K. La ecuacion
caracterstica de bucle cerrado deseada es:
|zI G + HK| = (z 0,5 j0,5)(z 0,5 + j0,5) = z 2 z + 0,5 = 0
(1.63)
por tanto, los coeficientes i son en este caso 1 = 1 y 2 = 0,5. Por otra parte, la
ecuacion caracterstica de bucle abierto del sistema es:
z
1
|zI G| =
0,16 z + 1
por lo que los coeficientes ai son a1 = 1 y a2 = 0,16. A partir de aqu se puede aplicar
cualquiera de los metodos explicados anteriormente.
Metodo 1
K=
.
2 a2 .. 1 a1
T 1
Observese que el sistema viene dado en forma canonica controlable, por lo que T = I
y por tanto:
K = 0,34 2
Metodo 2 (formula de Ackermann)
En este caso la formula de Ackermann sera:
i1
h
..
K= 0 1
(G)
H . GH
donde (G) es
(G) = G2 G + 0,5I
0,16 1
0
1
0,5 0
=
+
0,16 0,84
0,16 1
0 0,5
0,34 2
=
0,32 2,34
por lo que
0 1
K =
0 1
1 1
=
0,34 2
1
0,34 2
0,32 2,34
Metodo 3
Este procedimiento es apropiado para sistemas de bajo orden como el que nos ocupa.
En primer lugar, se toma K = [k1 k2 ] y se formula la ecuacion caracterstica de bucle
cerrado en funcion de K:
z 0
0
0
1
|zI G + HK| =
+
k1 k2
1
0,16
1
0
z
z
1
=
0,16 + k1 z + 1 + k2
= z 2 + (1 + k2 )z + k1 + 0,16 = 0
27
a2 a1
T 1 =
0,16 1
x1 (1)
x2 (1)
x1 (2)
x2 (2)
0 1
0 0
a
b
0 1
0 0
b
0
b
0
0
0
luego este control lleva al estado a cero en 2 pasos y es efectivamente un control deadbeat.
1.9.
En el control por colocacion de polos se asume que el estado se puede medir directamente. En ocasiones, sin embargo, puede que esta suposicion no se cumpla y todas
28
o algunas de las variables de estado no puedan ser medidas. Es decir, puede que haya
variables de estado no accesibles. En cualquier caso, para poder controlar el sistema se
deberan estimar los valores de esas variables de estado no accesibles. Este proceso de
estimacion es lo que se conoce como observacion.
Un observador del estado es un subsistema del sistema de control, que realiza la
estimacion de las variables de estado basandose en los valores medidos (observados) de
las salidas y la se
nal de control. Se distinguen tres tipos de observadores, en funcion
de las variables de estado que se estimen:
1. Observador del estado completo. Es aquel que estima todas las variables de estado.
2. Observador de orden mnimo. En este caso solo se estiman aquellas variables de
estado que no son accesibles.
3. Observador de orden reducido. Este tipo de observador estima todas las variables
no accesibles y algunas de las accesibles.
En esta asignatura nos centraremos en los dos primeros tipos de observadores. Como
en el caso de la colocacion de polos, formularemos en primer lugar las condiciones para
que se pueda llevar a cabo la observacion.
Lema 1.4 Condicion necesaria y suficiente para la observacion del estado. Dado un
sistema LTI, se puede determinar x(k + 1) a partir de y(k), y(k 1), ,y(k n + 1) y
u(k),u(k 1), ,u(k n + 1), donde n es el orden del sistema, s y solo s, el sistema
es completamente observable.
Por tanto x(k + 1) se puede determinar, si el sistema es observable, en n pasos. Sin
embargo, no debe olvidarse que sobre el sistema act
uan ruidos y perturbaciones. Por
esta razon no es posible utilizar un procedimiento algebraico para determinar el estado,
sino que se ha de acudir a un procedimiento iterativo para estimarlo.
1.9.1.
(1.64)
29
Si se dispone de una aproximacion del estado en k, que denotaremos x(k), esta evolucionara seg
un la dinamica del sistema
x(k + 1) = G
x(k) + Hu(k)
y(k) = C x(k)
(1.65)
Si las condiciones iniciales son las mismas, es decir, si x(0) = x(0) entonces se verifica
que x(k) = x(k). Sin embargo, si las condiciones iniciales son diferentes entonces, de
manera general, x(k) 6= x(k). Podemos pues, definir el error de estimacion en k como:
e(k) = x(k) x(k)
Restando la ecuacion de estado aproximada (1.65) de la real (1.64):
x(k + 1) x(k + 1) = G (x(k) x(k))
que teniendo en cuenta la definicion del error de aproximacion es equivalente a:
e(k + 1) = Ge(k)
que se puede considerar como un sistema dinamico autonomo. Si G es una matriz
estable (es decir, si sus autovalores estan dentro del crculo unidad) el ((estado)) de este
sistema tiende a cero, es decir:
e(k) 0 x(k) x(k)
Por tanto, si el sistema es estable, la propia dinamica del sistema hace que la aproximacion del estado tienda al valor real del mismo. Esto quiere decir que podramos usar
la propia ecuacion del sistema para obtener en cualquier instante k una aproximacion
del estado, cuyo error ira decayendo a lo largo del tiempo. Esta convergencia al valor
real, sin embargo, puede ser muy lenta, y por otra parte no siempre se tratara con
sistemas estables. Por tanto, esta estrategia no es muy aconsejable.
Notese que en el esquema que se ha presentado, no se hace uso de la salida del sistema, que siempre sera accesible. Esto puede ser aprovechado para mejorar el rendimiento del observador introduciendose un termino corrector, de manera que la ecuacion para
obtener la aproximacion del estado para el instante k + 1 sera:
x(k + 1) = G
x(k) + Hu(k) + Ke (y(k) C x(k))
donde Ke es una matriz de ponderacion o ganancia. Este termino se puede elegir de
manera que se mejore el rendimiento, incluso si existen discrepancias entre las matrices
del sistema y las del proceso real al que dicho sistema representa.
30
1.9.2.
Sea un sistema LTI observable (1.64) con una ley de control por realimentacion
negativa del vector de estados,
u(k) = Kx(k)
siendo el estado del sistema x(k) no accesible pero s observable. Por tanto, podemos
sustituir el valor del estado por una aproximacion de manera que
u(k) = K x(k)
y de ah, aplicando las consideraciones de la seccion 1.9.1 se obtiene
x(k + 1) = G
x(k) + Hu(k) + Ke (y(k) y(k))
= (G Ke C)
x(k) + Hu(k) + Ke y(k)
= (G Ke C HK)
x(k) + Ke y(k)
(1.66)
Esta
es la llamada ecuacion del observador predictivo. La palabra predictivo se utiliza
para indicar que la estimacion del valor futuro del estado en k + 1, se realiza utilizando
informacion disponible en el instante k. A los autovalores de la matriz (G K e C)
se les suele denominar polos del observador, y como se hizo en la seccion 1.9.1, se
vera a continuacion que marcan la dinamica de la evolucion del error de observacion.
En efecto, si se resta la ecuacion del observador de la del sistema real (1.64) se llega a
que
e(k + 1) = (G Ke C)e(k)
de lo que puede observarse que los polos del observador determinan la dinamica del
error. Si G Ke C es estable, el error convergera a cero independientemente de la
estimacion del estado inicial x(0).
La ecuacion del observador y del propio sistema en espacio de estados controlado
por la realimentacion lineal del vector de estados, pueden representarse mediante un
diagrama de bloques que se ilustra en las figuras 1.3 y 1.4.
Finalmente, es evidente que interesa que la estimacion del estado converja rapidamente al valor real de dicho estado. Una manera evidente de lograr esto es colocar todos
los polos del observador en cero, de manera que se consiga que el error de aproximacion
muestre una respuesta dead-beat. Esto se consigue eligiendo de manera apropiada Ke .
u(k)
x(k+1)
z-1
x(k)
31
y(k)
G
u(k)
-K
x(k)
u(k)
y(k)
OBSERVADOR
Figura 1.3: Diagrama de bloques de un sistema LTI controlado mediante una realimentacion del vector
de estados que estima el estado con un observador.
u(k)
+
+
x(k+1)
+
z-1
x(k)
x(k)
y(k)
Ke
y(k)
32
1.9.2.1.
C
alculo de Ke
El procedimiento para elegir Ke de manera que se coloquen los polos del observador
en unos valores especificados es analogo al de la colocacion de polos vista en la seccion
1.8. Si la ecuacion caracterstica deseada del observador es:
z n + 1 z n1 + + n1 z + n = 0
y la del sistema es
z n + +a1 z n1 + + an1 z + an = 0
entonces
Ke = (W N )1
donde
W =
an1 an2
an2 an3
..
..
.
.
a1
1
1
0
a1
1
..
.
0
0
1
0
..
.
0
0
n a n
n1 an1
..
.
N=
1 a 1
(1.67)
.
.
.
C .. G C .. .. (G )n1 C
es decir, la misma matriz W empleada en la colocacion de polos y la matriz de observabilidad3 . Notese que si el sistema viene indicado en forma canonica observable
(W N )1 = I. Tambien puede emplearse la formula de Ackermann, que para este caso
es:
1
0
C
CG 0
Ke = (G)
..
..
.
.
CGn1
donde
(G) = Gn + 1 Gn1 + + n1 G + n I = 0
Ejemplo 1.7
Considerese un sistema como (1.64) con
0,5
1 1
H=
G=
1
0 1
3
C=
1 0
A fin de obtener un texto mas legible se evita en lo posible hacer referencias a material anterior,
a
un a pesar de que esto pueda alargar la exposicion del tema al repetirse ecuaciones y expresiones.
33
dise
naremos un observador del estado. En primer lugar, se ha de comprobar que el
sistema es observable. Para ello se comprueba que
io
nh
1
1
.
=2
= rango
rango
C .. G C
0 1
luego el sistema es completamente observable. El siguiente paso es hallar la ecuacion
caracterstica del sistema en bucle abierto:
z 0
1
1
|zI G| =
0 z
0 1
= z 2 2z + 1 = 0
luego a1 = 2 y a2 = 1. Deseamos que el observador tenga una respuesta dead-beat,
luego la ecuacion caracterstica deseada del observador sera:
z 2 = 0 1 = 2 = 0
A continuacion se calculara Ke :
1
Ke = (W N )
con
N=
1 1
0 1
W =
resultando
Ke =
a1 1
1 0
2
1
1
2
2 1
1 0
C
alculo de Ke mediante la f
ormula de Ackermann
En este caso la formula de Ackermann es:
1
0
C
Ke = (G)
1
CG
con
(G) = G2 + 1 G + 2 I = G2
resultando
Ke =
1 1
0 1
2
1 0
1 1
1
0
1
2
1
34
Estudio de la evoluci
on del error de estimaci
on
Vamos a comprobar que el error cae a cero seg
un una respuesta dead-beat. Sea
a2
a1
x(0) =
x(0) =
b2
b1
entonces
e(0) = x(0) x(0) =
a1 a 2
b1 b 2
G Ke C =
1 1
1 1
a
b
error:
1 1
1 1
a + b
a + b
1 1
1 1
0
0
a
b
a + b
a + b
luego, tal y como se pretenda, la estimacion del vector de estados coincide con el
valor real de dicho vector dos tiempos de muestreo despues de iniciarse la estimacion.
Finalmente, la ecuacion del observador es:
x1 (k + 1)
1 1
x1 (k)
0,5
2
=
+
u(k) +
y(k)
x1 (k + 1)
1 1
x1 (k)
1
1
1.9.2.2.
35
planta coincida con la dinamica real de la misma) este termino corrector debera tomar
un valor alto. Sin embargo, si la se
nal de salida esta contaminada por perturbaciones y
ruido en general procedente, por ejemplo, de los sensores de medida, entonces la se
nal
de salida no es fiable en el sentido de que no proviene u
nicamente de la dinamica real de
la planta. Por tanto, en estas situaciones el termino corrector debera ser mas peque
no.
Al seleccionar Ke se debe pensar no solo en reducir el error en base a una correccion
energica, sino que hay que tener en cuenta que cuando hay ruidos o perturbaciones,
una ganancia Ke alta no contribuira a reducir el error, porque las correcciones no iran
en la ((direccion)) correcta. Es decir, hay que llegar a un compromiso entre la velocidad
de respuesta y la sensibilidad a ruidos y perturbaciones.
1.9.2.3.
Efectos de la adici
on del observador
(1.68)
Cabe preguntarse si al usar el observador, se colocan los polos del sistema en el sitio
que se pretende al calcularse la ganancia de realimentacion del vector de estado K.
Que efectos tiene el observador sobre los polos de bucle cerrado? Para estudiar esto,
se analizara el efecto que tiene la adicion del observador sobre la ecuacion caracterstica
del sistema en bucle cerrado.
Sea el sistema (1.64) controlado mediante (1.68). La ecuacion de estado puede
reescribirse como:
x(k + 1) = Gx(k) HK x(k)
= (G HK)x(k) + HK(x(k) x(k))
= (G HK)x(k) + HKe(k)
donde e(k) es el error de observacion en el instante k. Recordemos que el error de
observacion viene dado por:
e(k + 1) = (G Ke C)e(k)
La ecuacion de estado y la del error, se pueden combinar en la ecuacion de un sistema
autonomo aumentado que describe la dinamica del sistema observado (es decir, de todo
el conjunto sistema-controlador-observador):
x(k)
G HK
HK
x(k + 1)
=
e(k)
0
G Ke C
e(k + 1)
36
es decir,
zI G + HK
HK
0
zI G + Ke C
=0
|zI G + HK||zI G + Ke C| = 0
Dado que las races de esta ecuacion son las races de cada uno de los dos determinantes
que aparecen, esto implica que los polos del sistema completo son los polos del sistema
en bucle cerrado, tal y como se han colocado mediante el dise
no de K junto con los
polos del observador. Por tanto, la colocacion de polos y la observacion son dos cosas
independientes, porque la adicion del observador no modifica los polos de bucle cerrado
del sistema tal y como se eligieron al dise
nar K. Por tanto:
Los polos del sistema se eligen para que se cumplan las especificaciones del sistema
de control.
Los polos del observador se escogen de manera que la respuesta del observador
sea mas rapida que la del sistema (para que esta u
ltima resulte dominante),
tpicamente 4 o 5 veces mas rapida.
1.9.3.
Supongase que x(k) es un n-vector y que y(k) es un m-vector. Como las m salidas
son combinaciones lineales del estado, hay m variables que no necesitan ser estimadas.
El observador de orden mnimo sera el que estime las n m restantes.
Para dise
nar el observador de orden mnimo estableceremos una particion del vector
de estados:
xa (k)
x(k) =
xb (k)
donde el m-vector xa (k) son las variables medibles (accesibles) y el n m-vector xb (k)
son las variables no medibles (no accesibles). Esta particion del vector de estados
37
..
G
.
G
ab
xa (k + 1)
Ha
aa .
xa (k)
= .. + u(k)
..
xb (k + 1)
xb (k)
Hb
Gba . Gbb
h
i xa (k)
.
.
y(k) =
I . 0
xb (k)
(1.69)
Por otro lado, la parte del vector de estados que no se puede medir se puede escribir
como:
xb (k + 1) = Gba xa (k) + Gbb xb (k) + Hb u(k)
Observese que en esta ecuacion, los terminos que dependen de xa (k) y u(k) son conocidos mientras que el termino que depende de xb (k) es desconocido. Esta ecuacion la
podemos reescribir como
xb (k + 1) = Gbb xb (k) + [Gba xa (k) + Hb u(k)]
(1.70)
El dise
no del observador de orden mnimo se realiza tomando como referencia el del
observador de orden completo, cuya ecuacion de estados es
x(k + 1) = Gx(k) + Hu(k)
En el caso del observador de orden mnimo, la ecuacion (1.70), es decir, la ecuacion
que describe la evolucion de la parte del estado no medible, es la que hace el papel
de ecuacion de estado. Por otra parte, se conoce que la ecuacion de salida para el
observador de orden completo es:
y(k) = Cx(k)
donde y(k) es medible y Cx(k) es no medible (por serlo x(k)). Observese que se puede
establecer un paralelismo entre los terminos de esta ecuacion y los de la ecuacion (1.69).
En el caso del observador de orden mnimo, por tanto, se considera como ecuacion de
salida la ecuacion (1.69).
38
xb (k)
Gbb
Gba xa (k) + Hb u(k)
xa (k + 1) Gaa xa (k) Ha u(k)
Gab
Ke R(nm)m
(1.72)
39
1.9.2.1. Por ejemplo, si la salida y(k) es un escalar, es decir m = 1, se tienen que estimar
n 1 variables. La formula de Ackermann, por ejemplo, quedara:
1
Gab
0
Gab Gbb 0
Ke = (Gbb )
..
..
.
.
Gab Gn2
bb
donde
n2
(Gbb ) = Gn1
bb + 1 Gbb + + n1 I
C=
1 0
1. Dise
nar un controlador que coloque los polos de bucle cerrado en z = 0,6 j0,4.
2. Asumiendo que y(k) = x1 (k) es el u
nico estado accesible, dise
nar un observador
de orden mnimo con respuesta dead-beat.
En primer lugar, se ha de comprobar la controlabilidad y observabilidad del sistema:
nh
io
0,02
0,06
.
rango
= rango
=2
H .. GH
0,2 0,2
io
nh
1 1
..
=2
= rango
rango
C . GC
0 0,2
40
como
i a 1 0,02 0,02
1
=
1 0
0,2 0,2
..
. GH
lo que lleva a
K=
25 2,5
25 2,5
8 3,2
u(k) = K x(k)
x1 (k)
y(k)
= 8 3,2
= 8 3,2
x2 (k)
x2 (k)
En cuanto al observador de
que es de orden 1. La particion
.
Gaa .. Gab
... =
..
Gba . Gbb
1 .. 0,2
0,02
Ha
.
=
..
.
0,2
Hb
0 .. 1
41
K x(k)
8y(k) 3,2
x2 (k)
8y(k) 3,2(5y(k) + (k))
24y(k) 3,2
(k)
1.10.
Control o
ptimo LQR
Las tecnicas de control optimo conforman una de las ramas del control automatico
mas importantes en el desarrollo de las estrategias modernas de control mas utilizadas
hoy en da. Se han escrito numerosas monografas dedicadas a su estudio, y se ha
publicado una ingente cantidad de artculos en revistas especializadas. No obstante,
en estos apuntes solo se dara una pincelada sobre este particular, centrandonos en el
caso particular del control LQR con horizonte infinito, tambien conocido como LQR
de regimen permanente.
Las estrategias de control optimo calculan la ley de control de manera que se optimiza una cierta medida del rendimiento del controlador. Se parte de un sistema descrito
por
x(k + 1) = Gx(k) + Hu(k)
El objetivo es calcular una ley de control
u(k) = Kx(k)
de tal manera que se minimiza el funcional (que expresa un ndice de funcionamiento)
1X
J=
(x (k)Qx(k) + u (k)Ru(k))
2 k=0
(1.73)
CONTROL OPTIMO
LQR
42
siempre lo mas cerca posible del origen4 . Por otra parte, se observa que en el funcional
hay otro termino que pondera el valor de la secuencia de se
nales de actuacion. Este
termino impide que se obtenga una ley de control que lleve el estado al origen a expensas de una actuacion muy grande. Al minimizarse J, por tanto, se conseguira una ley de
control que por una parte acerque el estado al origen lo mas rapido posible, pero manteniendo un nivel de actuaciones moderado, encontrandose por tanto, una solucion de
compromiso entre el rendimiento del controlador y su nivel de actuacion. El sentido de
este compromiso puede venir dictado por diferentes razones, como por ejemplo moderar
el gasto de energa o combustible necesario para proporcionar la se
nal de actuacion.
Existen razones mas sutiles pero no por ello menos importantes para incorporar esta
ponderacion del esfuerzo de control. Por ejemplo, cuando existen discrepancias entre
el modelo del sistema y su dinamica real (algo que ocurre casi siempre, pues los modelos matematicos no pueden recoger todas las complejidades de los sistemas o procesos
reales) esta ponderacion del esfuerzo de control resulta en un sistema mas estable.
Para calcular la ley de control que minimiza el ndice (1.73) se define una matriz P
que satisface la siguiente ecuacion de Riccatti:
P = Q + G P G G P H(R + H P H)1 H P G
(1.74)
Esta es una interpretacion que hay que tomar con cierto cuidado, pues puede que se obtenga una
ley de control que provoque que el estado no se acerque al origen todo lo posible al principio pero que
lo lleve a dicho origen muy rapidamente en los instantes siguientes, manteniendo pues el valor de J
muy bajo.
1.10.1.
43
Soluci
on de la ecuaci
on de Riccatti
1.11.
Filtro de Kalman
R = E {(k) (k)}
Q = E {(k) (k)}
P0 = E {(0) (0)}
(1.75)
44
FILTRO DE KALMAN
(1.76)
que son las ecuaciones del filtro de Kalman de regimen permanente. Notese que para
resolver la ecuacion de Riccatti se puede usar el mismo metodo usado en el LQR.
Captulo 2
Modelos de procesos y
perturbaciones
2.1.
Introducci
on
46
2.2.
Como fuente de perturbaciones con una mayor variabilidad que los modelos clasicos
antes comentados, se pueden considerar las perturbaciones deterministas a trozos. Surgen de la necesidad de estudiar el efecto de perturbaciones mas realistas en sistemas
de control que se basan en alg
un tipo de esquema predictivo para calcular la se
nal
de control. En este tipo de sistemas, el considerar una perturbacion absolutamente
predecible (como en el caso de los modelos clasicos) no tiene utilidad alguna, pues se
pueden considerar directamente en el calculo de la ley de control.
Los modelos de perturbaciones deterministas a trozos parten de la suposicion de
que son generados por un sistema lineal, en el que la entrada es cero excepto en ciertos
instantes de tiempo separados por mas de n tiempos de muestreo, donde n es el orden
del sistema:
C(z 1 )
w(k)
y(k) =
A(z 1 )
suponiendose que el grado de C(z 1 ) es igual al grado de A(z 1 ). Si la entrada es
cero excepto en ciertos instantes de tiempo que estan separados, quiere decir que la
se
nal w(k) es un tren de pulsos. La amplitud y momento de aparicion de esos pulsos
son desconocidos. Esto es lo que le da variabilidad a la fuente de perturbaciones. Sin
embargo, una vez que aparecen y se conoce la amplitud del pulso, la evolucion de la
salida y(k) es perfectamente predecible pues la dinamica del sistema es conocida. De
ah el nombre de determinista a trozos.
2.3.
Procesos estoc
asticos
Estocastico: relativo a una variable aleatoria; algo que sigue una determinada distribucion de
probabilidad, usualmente con varianza finita.
47
w=w0
t0
t1
t2
t3
t4
......
Definici
on 2.1 Se denomina proceso estocastico determinista, a aquel cuya evolucion
puede ser predicha exactamente con un predictor lineal 2 en base a medidas pasadas.
En estos procesos, el caracter estocastico solo se manifiesta en la aleatoriedad de las
condiciones iniciales. Para aplicaciones basadas en prediccion no son muy interesantes.
2
48
Definici
on 2.2 Se denomina proceso estocastico estacionario, a aquel cuya distribucion estadstica para X(t1 ), X(t2 ),. . . ,X(tn ) es la misma que para X(t1 + ), X(t2 +
),. . . ,X(tn + ). Es decir, su distribucion no vara con el tiempo.
Definici
on 2.3 Se denomina ruido blanco discreto, a un proceso aleatorio que se puede
considerar como una secuencia cuyos elementos son variables aleatorias independientes
entre s cuya distribucion es identica. Se suele suponer que
E {x(k)} = 0
es decir, que el valor esperado es cero y ademas
E {x(i)x(j)} =
2.4.
En esta seccion veremos como se pueden generar diversos tipos de procesos estocasticos, cuando a un sistema lineal se le inyecta un ruido blanco v(k) ademas de
una entrada externa u(k) a traves de sendas funciones de transferencia.
El caso mas general es el llamado modelo de Box-Jenkins, el cual se ilustra en la
figura 2.2. Esta estructura es demasiado general, y normalmente se utilizan diversas
v(k)
u(k)
y(k)
49
Modelo de Media Movil (MA : Moving Average). Es el caso mas sencillo y viene
descrito por
y(k) = v(k) + c1 v(k 1) + c2 v(k 2) + + cn v(k n)
Con este modelo se pueden describir muchos tipos de perturbaciones aleatorias. Sin embargo, no incluye a los valores pasados de la salida por lo que no
servira para modelar procesos que tengan dinamica.
Modelo Autoregresivo (AR). Viene descrito por
y(k) + d1 y(k 1) + d2 y(k 2) + + dn y(k n) = v(k)
En este caso, la parte aleatoria correspondiente a la perturbacion tiene una estructura muy simple porque no depende de los valores pasados.
Modelo Autoregresivo de Media Movil (ARMA). Es la combinacion de los dos
anteriores, por lo que tomara la forma
y(k) + d1 y(k 1) + + dn y(k n) = v(k) + c1 v(k 1)
+c2 v(k 2) + + cn v(k n)
Este modelo permite describir procesos mas ricos que los anteriores. Sin embargo,
desde el punto de vista del control es interesante poder considerar el efecto de una
entrada externa, por lo que se considera el siguiente tipo de modelos de procesos
con ruidos.
Modelo Autoregresivo de Media Movil con una entrada exogena (ARMAX). Tambien llamado modelo CARMA (Controlled ARMA). Viene descrito por
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bn u(k n)
+v(k) + c1 v(k 1) + + cn v(k n)
Modelo Autoregresivo con entrada exogena para mnimos cuadrados (ARX-LS ).
Este modelo surge como version simplificada del anterior, para el caso en el que
no se necesita que la fuente de perturbaciones tenga una estructura tan compleja.
Viene descrito por
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bn u(k n) + v(k)
Como su nombre indica se utiliza en la identificacion por el metodo de los mnimos
cuadrados (vease el tema 4).
50
Captulo 3
Introducci
on a la identificaci
on de
sistemas
3.1.
Introducci
on
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
52
3.2.
Ideas b
asicas sobre identificaci
on de sistemas
La identificacion de sistemas es la aproximacion experimental al modelado de sistemas. Consiste en obtener un modelo a partir de observaciones obtenidas directamente
del propio sistema que se pretende modelar. La identificacion de un sistema conlleva
una serie de actividades y herramientas, de las que podemos destacar:
A continuacion, se iran desglosando las principales ideas de cada uno de estos aspectos.
3.2.1.
Planificaci
on de los experimentos
Dado que la identificacion de sistemas involucra experimentar con el proceso a modelar, es necesario tener en cuenta que, en general, es muy costoso experimentar con procesos industriales. Por tanto, es necesario elegir una tecnica que nos sea lo mas rentable
desde el punto de vista del tipo de experimentos necesarios. Algunas tecnicas son muy
sencillas, en el sentido de que una vez hecho el experimento es facil obtener el modelo.
Estas tecnicas, sin embargo, requieren que en los experimentos se utilicen se
nales de
entradas preestablecidas de manera muy precisa: pulsos, sinusoides, etc. . . Puede que
el proceso a modelar no pueda ser sometido a este tipo de entradas por consideraciones
de seguridad o motivos economicos. Otras tecnicas de identificacion pueden emplear
casi cualquier tipo de se
nal de entrada (es decir, son menos exigentes en el tipo de
experimentos necesarios), pero una vez realizado el experimento es mas complicado
obtener el modelo. Como comentario general, es necesario que en el experimento se
utilicen se
nales de entrada que exciten todos los modos del sistema. Mas alla de eso,
un buen metodo de identificacion debe ser insensible a las caractersticas de la entrada.
Otro aspecto es que a veces no se puede identificar en bucle abierto y hay que hacerlo
en bucle cerrado. Esto no es siempre posible, pues aunque el sistema sea identificable en
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 3. INTRODUCCION
53
bucle abierto esta propiedad puede perderse en bucle cerrado. Esto ocurre, por ejemplo,
si los perfiles de la consigna o referencia que se usan son muy simples. Tambien, si los
lazos de control son demasiado simples. En general, cuanto mas complejos sean los
lazos de control y mas se mueva la consigna, mas facil sera la identificacion en bucle
cerrado.
3.2.2.
Selecci
on del tipo de modelo
En teora, la seleccion del tipo de modelo debera venir dada por un conocimiento
del proceso y de las perturbaciones que deban ser tenidas en cuenta. Dependiendo de
si conocemos mucho o poco la estructura del proceso elegiremos entre uno u otro tipo
de modelo. En general, los modelos los clasificaremos como:
Modelos de Caja Blanca. Son los obtenidos a partir de leyes fsicas (esto no sera
realmente identificacion porque no se estaran haciendo experimentos).
Modelos de Caja Negra. En estos modelos se postula una estructura matematica
con una serie de parametros libres, a los cuales se les da valor a partir de los
datos obtenidos en los experimentos.
Modelos de Caja Gris. Corresponden a un tipo intermedio entre los dos anteriores.
Parte del modelo se obtiene mediante leyes fsicas y otra parte, se ajusta usando
medidas experimentales. Por ejemplo, mediante leyes fsicas podemos determinar
la estructura del modelo (o de parte de el) y usar experimentos para terminar de
caracterizar el modelo.
Tambien se pueden clasificar los tipos de modelos en parametricos y no parametricos. En los primeros se tienen una serie de parametros que hay que ajustar. Por ejemplo,
en una funcion de transferencia se tendran que ajustar el orden y los coeficientes de
los polinomios. En modelos de espacio de estados tendramos la misma situacion pero
con las matrices del sistema. En los modelos no parametricos, el modelo no tiene una
serie de parametros que definen la dinamica sino que se compone de una cantidad de
informacion sobre la misma, por ejemplo los modelos basados en la respuesta en frecuencia de un sistema. En el caso que aqu nos ocupa los modelos que emplearemos
seran de caja negra y parametricos.
54
3.2.3.
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
Elecci
on de un criterio
3.2.4.
Estimaci
on de los par
ametros
3.2.4.1.
Identificaci
on en lnea
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 3. INTRODUCCION
u(k)
PLANTA
55
y(k)
IDENTIFICACIN
MODELO
ACTUALIZADO
SUPERVISIN
MODELO
CORREGIDO
3.2.4.2.
Identificaci
on fuera de lnea
En este caso se toman los datos del experimento (es decir, series de medidas) y
posteriormente, se ajusta el modelo usando para ello todo el conjunto de datos. Este
tipo de procedimientos suelen obtener modelos mas precisos y son mas fiables en cuanto
a la convergencia de los parametros estimados a los parametros reales del proceso1 . En
cualquier caso, existe un consenso general en que no existe un metodo universalmente
bueno, por tanto, dependiendo de la situacion unos funcionaran mejor que otros.
3.2.5.
Validaci
on del modelo
Notese que aunque el proceso real no correspondera en general exactamente con el modelo (pues
todo modelo implica un cierto grado de simplificacion de la realidad) se asume que existe un valor del
vector de parametros que es el que mejor describe al proceso.
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
56
2dimension()
1+
N
N
1 X 2
e (t, )
N t=1
donde e(t, ) = y(t) y(t, ) es el error de estimacion para los datos obtenidos en el
instante t.
Tampoco puede descartarse la posibilidad de no usar criterio de validacion alguno y
efectuar una inspeccion visual sobre una simulacion, en la que se usa el modelo estimado
para predecir la salida en base a datos de entradas experimentales.
Finalmente, la tecnica de validacion cruzada, aunque muy popular no es la u
nica.
Otra tecnica que a veces se utiliza es el analisis de residuos. Se entiende por residuos
los errores que comete el modelo una vez ajustado, es decir e(t) = y(t) y(t, ). Si el
modelo estimado es suficientemente bueno, estos residuos tienen que ser independientes
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 3. INTRODUCCION
57
3.2.6.
TOMA DE DATOS
ACONDICIONAMIENTO DE
DATOS
AJUSTAR MODELO
VALIDAR MODELO
NO
VALIDO ?
SI
USAR MODELO
pueda retornar a cualquiera de las pasos intermedios, indica que puede que en cada
58
ALGUNAS PROPIEDADES
iteracion no se realicen todos los pasos. Por otra parte, aparece un paso sobre el que no
se ha comentado nada, el acondicionamiento de datos. Esta tarea consiste en manipular los datos de manera que sean apropiados para el metodo de ajuste elegido. Es algo
que es especfico para cada procedimiento. As por ejemplo, una tarea muy com
un de
acondicionamiento de datos es la eliminacion de los valores de continua de las se
nales
de entrada y salida. Esto sera tratado en mayor profundidad en el tema 4. Finalmente,
en el caso de la identificacion en linea el proceso es mas simple, ya que por ejemplo
no es posible cambiar la estructura del modelo sin descartar el resultado que se ha
obtenido hasta ese momento. Ademas, los datos se toman seg
un van llegando, pues
recordemos que en este tipo de identificacion la identificacion se hace como su propio
nombre indica en tiempo real, es decir, ((en lnea)).
3.3.
Algunas propiedades
3.3.1.
Excitaci
on persistente
1
N
N
X
k=1
A(z 1 )u(k)
!2
>0
para todo polinomio A(z 1 ) no nulo de grado inferior a n. Usando este resultado se
pueden caracterizar las se
nales mas comunes:
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 3. INTRODUCCION
59
voltaje
5.5
4.5
3.5
20
40
60
80
100
120
intervalos de muestreo
140
160
180
200
3.3.2.
Convergencia e identificabilidad
60
ALGUNAS PROPIEDADES
convergencia tiene a su vez una serie de requisitos o condiciones que se pueden resumir
en:
3.3.2.1.
Identificaci
on en bucle cerrado
Q(z 1 )
y(t)
P (z 1 )
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 3. INTRODUCCION
61
Primera condici
on de identificabilidad en bucle cerrado
Los ordenes del modelo del proceso y de las perturbaciones deben ser conocidos con
exactitud.
Segunda condici
on de identificabilidad en bucle cerrado
Si los polinomios A(z 1 ) y C(z 1 ) tienen p ceros comunes (en caso de que sean primos
entre si, p = 0) se ha de cumplir que
max(w mb , d + v ma ) p
Si esto no se cumpliese, la solucion pasa por fijar alguno de los parametros del modelo
a fin de bajar los grados ma o mb . Si fuera factible aumentar el retraso, tambien
podra usarse esto para lograr la identificabilidad en bucle cerrado. Notese que por
estos procedimientos lo que se consigue es que el proceso de identificacion converja a
un valor del vector de parametros que corresponde con el que da un menor error. No
quiere decir que el sistema real se describa mejor por ese modelo. Es decir, puede que
exista otro modelo del mismo orden mejor, pero si no se toman las medidas indicadas
no se llegara a ese modelo ni probablemente se convergera a ning
un otro.
Un caso com
un es que p = 0 y ma = mb = n, por lo que esta condicion se puede
expresar como
max(w, v + d) n
Ejemplo 3.1
Supongamos que ma = mb = n y que
u(k) =
G(z 1 )
y(k)
zB(z 1 )F (z 1 )
62
ALGUNAS PROPIEDADES
3.3.3.
Niveles de supervisi
on y acondicionamiento
Captulo 4
Identificaci
on por mnimos
cuadrados
4.1.
El m
etodo de los mnimos cuadrados
(4.1)
Notese que este modelo es determinista en el sentido de que no considera ruidos aleatorios como en los modelos vistos en el tema 2. Es inmediato comprobar que este modelo
corresponde a la siguiente funcion de transferencia:
G(z 1 ) =
b1 z 1 + + bn z n
1 + a1 z 1 + + an z n
(4.2)
Este metodo se puede aplicar sin cambios conceptuales a modelos multivariables. Sin embargo por
simplicidad nos ce
niremos al caso de modelos monovariables.
63
EL METODO
DE LOS MINIMOS CUADRADOS
64
donde el vector
m(k) =
es llamado regresor y
=
a1 a n b 1 b n
(4.3)
T
el error de
es el vector de parametros. Dado un valor del vector de parametros ,
prediccion para el instante k sera
= y(k) y(k) = y(k) m(k)
e(k, )
Notese que conocido el valor de los valores presentes y pasados de la salida y la entrada,
la expresion (4.2) es una ecuacion en las que las 2n incognitas son los parametros que
forman . Si el proceso a identificar correspondiese exactamente con un modelo como
(4.1) se podra determinar el valor del vector de parametros a partir de 2n medidas u
observaciones de la salida para una serie de entradas conocidas. Es decir, se formara
un sistema de 2n ecuaciones con el que se podra determinar el valor ((real)) de .
El metodo de los mnimos cuadrados parte de N pares (y(k), m(k)) donde N es
generalmente mucho mayor de 2n (este sera el conjunto de estimacion) y permite
ajustar un modelo del tipo (4.1). En el supuesto poco realista de que el proceso coincida
con un modelo como el que se intenta ajustar, se tendra un sistema de ecuaciones
sobredeterminado compatible, de manera que tendra solucion y el error de prediccion
alcanzado sera cero para todas las medidas del conjunto de estimacion. Sin embargo,
en la practica el proceso no se puede describir a la perfeccion mediante un modelo lineal
del tipo (4.1) por lo que el sistema de ecuaciones no tiene solucion en el sentido de que
no existe un valor del vector de parametros que haga que el error de prediccion sea cero
para todas las medidas del conjunto de estimacion. Es decir, el sistema de ecuaciones
es incompatible. Sin embargo si se puede encontrar un valor del vector de parametros
que haga mnimo el error de prediccion, de manera mas precisa que haga mnima la
suma de los cuadrados de los errores de prediccion del conjunto de estimacion. Esta es
precisamente la estrategia del metodo de mnimos cuadrados2 .
Las medidas obtenidas desde k = n hasta k = N se agrupan en vectores de manera
que se obtiene:
E(N, ) = Y (N ) M (N )
donde los vectores E(N ) e Y (N ) son
E(N, ) =
Y (N ) =
2
e(n, ) e(N, )
T
y(n) y(N )
T
65
m(n)
..
M (N ) =
.
m(N )
N
X
e2 (k, )
k=n
(4.4)
y ese es por tanto el valor del vector de parametros del modelo identificado.
Notese que para que el problema de identificacion tenga solucion la matriz [M T (N )M (N )]
tiene que ser invertible al igual que M (N ). Sin entrar en demasiados detalles, tal condicion se verifica cuando la entrada cumple las condiciones de excitacion persistente del
sistema. Se debera acudir por tanto a se
nales de entrada parecidas al ruido blanco (ver
tema 3).
4.2.
La expresion (4.4) implica la inversion de una matriz que puede tener unas dimensiones apreciables, tanto mas si se tiene en cuenta que para identificar correctamente
EN LINEA
ALGORITMO RECURSIVO PARA IDENTIFICACION
66
un sistema se deben tener suficientes medidas para eliminar el efecto de ruidos y perturbaciones ajenas a la dinamica del sistema. Intentar efectuar estos calculos en linea
es bastante ambicioso para el hardware de control habitual3 . Por tanto este algoritmo
se destina a la identificacion fuera de linea. En linea se emplea otro procedimiento que
se muestra a continuacion.
La estimacion para el instante k usando las medidas obtenidas desde el instante n
vendra dada por
(k)
= [M T (k)M (k)]1 M T (k)Y (k)
= P (k)M T (k)Y (k)
= P (k)(M T (k 1)Y (k 1) + mT (k)y(k))
donde
P (k) = [M T (k)M (k)]1 =
"
k
X
mT (i)m(i)
i=n
(4.5)
#1
(k)
=
=
=
1) P (k)mT (k)m(k)(k
1) + P (k)mT (k)y(k)
(k
1) + P (k)mT (k)(y(k) m(k)(k
1))
(k
1) + K(k)(y(k) m(k)(k
1))
(k
(4.6)
Tengase en cuenta que el hardware industrial no se renueva tan rapidamente como el usado
en informatica personal y que ademas tampoco se incorporan las u
ltimas tecnologias con la misma
rapidez.
67
2. En cada instante k
a) Leer los valores de y(k) y u(k).
b) Formar el vector regresor m(k) seg
un la expresion (4.3).
c) Calcular P (k) mediante
P (k) = P (k 1)
P (k 1)mT (k)m(k)P (k 1)
1 + m(k)P (k 1)mT (k)
*&% ')(
$&% ')(
PLANTA
+
FORMAR
REGRESOR
ALGORITMO
RECURSIVO
" # !
+
+-, .)/
Z-1
4.3.
Interpretaci
on estadstica
68
ESTADISTICA
INTERPRETACION
= E (k)
donde V (K) es una matriz donde la fila correspondiente al instante k esta formada por
los valores v(k), ,v(k cn ). Notese ademas que la fila de M (k) correspondiente al
instante k contiene los valores de la salida y de la entrada en los instantes k 1, ,k n
pero no los del instante k (ver expresion (4.3)).
Considerese el caso del modelo ARMAX. Claramente existe relacion entre los componentes de la matriz M (k) y V (k). En efecto, la matriz de regresores esta formada por
valores de la salida y la entrada. Los primeros dependen de los valores de la se
nal de
ruido y los segundos son deterministas, por lo que existe una correlacion entre la matriz
M (k) y V (K). Por lo tanto tambien existe esa correlacion entre [M T (k)M (k)]1 M T (k)
y V (k). Eso implica que seg
un la expresion (4.7) es distinto de cero. Por tanto no
esta garantizada la convergencia del vector de parametros estimados con el ((real)).
69
La situacion es diferente con el modelo ARX-LS. En este caso los valores de M (k)
no pueden estar relacionados con V (k) (que, al ser cn = 0, solo esta formada por los
valores presentes de v(k) para cada instante k). Por tanto, el estimador por mnimos
cuadrados es insesgado, es decir = 0 y por tanto el valor esperado del estimador
coincide con el valor real del vector de parametros, es decir
n
o
E (k)
=
Por otra parte, el hecho que de que el proceso responda a uno u otro tipo de
modelo tiene una interpretacion fsica inmediata. En el caso del proceso ARMAX el
ruido presenta una cierta dinamica , mientras que en el caso del ARX-LS el ruido no
presenta dinamica alguna y responde u
nicamente a un ruido proveniente del sensor
de medida. Es en este u
ltimo caso cuando el metodo de mnimos cuadrados produce
estimaciones consistentes.
Otra propiedad que resulta interesante conocer es la varianza del estimador. Claramente interesa que esta varianza sea peque
na o por lo menos que disminuya conforme
se acumulan medidas disponibles para usarlas en la estimacion. De esa manera, el vector de parametros estimados estara con seguridad cerca del vector real. La varianza del
estimador se puede calcular como
n
o
)T ((k)
)
varianza((k))
= E ((k)
= 2 P (k)
donde = E{v(i)v(j)} para i = j. Notese que para que la varianza sea peque
na
interesa que P (k) sea ((peque
na)) o que al menos decrezca a medida de que k aumenta.
Una medida del tama
no de P (k) es su traza, por lo que se usa como una medida de la
exactitud de la estimacion, de manera que se busca que la traza vaya decreciendo.
Esta interpretacion estadistica del tama
no de P (k) tambien proporciona una regla
para dar un valor inicial a la matriz P (k). En efecto, en general no se tendra demasiada
confianza en que el valor inicial del vector de parametros estimados, por lo que se
escogera una matriz P (0) ((grande)) para reflejar esa desconfianza, por ejemplo P (0) =
pI donde p es un n
umero muy alto (por ejemplo 10000). Este n
umero sera mas peque
no
70
k
X
mT (i)m(i)
i=n
!1
lo que implica que a medida que N crece P decrece. Se puede demostrar que si el
tama
no del regresor no cambia demasiado P decrece como N1 . Esto quiere decir que la
incertidumbre en la estimacion decrece, es decir, que cada vez se obtiene un estimador
mas cercano al valor real. Ademas la ganacia de adaptacion K(k) tambien decrece
(vease su definicion en la seccion 4.2) lo cual es congruente con el hecho de que cuanto
mas exacta es la estimacion menos correccion de su valor se necesita. Esto es bueno
si la dinamica del proceso no cambia con el tiempo, pero si esto no es as habra que
modificar este esquema.
4.4.
A veces es conveniente dar mas peso a algunas medidas que a otras en la estimacion. Por ejemplo si se identifica un proceso cuya dinamica cambia con el tiempo
interesara dar mas peso a las medidas mas recientes, pues estas seran las que reflejen la
dinamica mas actualizada. Para conseguir esto hay que modificar el ndice de bondad
de ajuste, de manera que se use
T
N
X
w(k)e2 (k, )
k=n
w(n)
...
W (N ) =
w(N )
= [M T (N )W (N )M (N )]1 M T (N )W (N )Y (N )
(4.8)
71
, donde (0, 1) es el llamado factor de olvido. Es facil entender por que se le llama
olvido exponencial: el peso dado a la medida disminuye exponencialmente cuanto mas
antigua sea. De esta manera las medidas muy antiguas se olvidan, pues su peso es tan
peque
no que es como si no se contribuyesen a la estimacion. Habitualmente se usa
[0,98, 1). Por ejemplo, si = 0,99 el estimador tendra una ((memoria)) de unas 100
muestras. En aquellos casos que la dinamica del proceso cambie muy rapidamente se
puede optar por valores mas bajos (por ejemplo, = 0,95).
En el caso de la tecnica de olvido la formulacion recursiva puede aplicarse modificando las expresiones para el calculo de P (k) de manera que:
P (k) =
P (k 1) P (k 1)mT (k)m(k)P (k 1)
Puede observarse que, dado que K(k) = P (k)mT (k), la ganancia de adaptacion K(k)
depende de y a menor mayor ganancia de adaptacion. Esto quiere decir que a menor
mejor se adaptara la identificacion a una dinamica cambiante, ya que se considerara
en la optimizacion solo la informacion mas reciente.
Sin embargo si en el sistema o en las medidas hay mucho ruido, es conveniente
que la dinamica se identifique sobre un conjunto amplio de medidas ya que si no se
identificara el ruido mas que la dinamica del proceso. Por tanto en estos casos conviene
que no sea muy peque
no. Por tanto hay que llegar a un compromiso entre la capacidad
de seguir una dinamica cambiante y el rechazo del ruido en la identificacion.
4.5.
Seg
un se explico en la seccion 4.3 el estimador obtenido mediante mnimos cuadrados es insesgado si el proceso responde a un modelo ARX-LS, pero no si responde a
un modelo ARMAX. En la practica, si la relacion se
nal-ruido es baja el proceso ha de
modelarse con un modelo de perturbaciones mas complejo que el del ARX-LS ya que
la se
nal de ruido y su influencia sobre la dinamica son importantes. En estos casos se
debe recurrir a un modelo ARMAX.
El metodo de los mnimos cuadrados extendidos trata de resolver el problema del
sesgo en la estimacion de modelos ARMAX. La solucion es incluir los coeficientes del
polinomio C(z 1 ) en el vector de parametros del estimador, es decir
=
a1 a n b 1 b n c 1 c n
T
72
Finalmente, existe otra variante de los mnimos cuadrados que son los mnimos
cuadrados generalizados. Sin entrar en demasiados detalles, esta formulacion se usa
cuando se tiene alg
un conocimiento del valor real del polinomio C(z 1 ) o de la matriz
P (matriz de covarianza). En este caso si la matriz N definida como
N = E vv T
4.6.
Estimaci
on de los valores de continua
y(k) = Y (k) Y
donde U (k) e Y (k) son los valores reales de la salida y la entrada y U e Y son
los valores de continua de ambas se
nales. Para estimar dichos valores existen diversas
opciones.
4.6.1.
73
Utilizaci
on de los incrementos de las variables
4.6.2.
C
alculo de los valores medios
La idea es aproximar los valores de continua por los valores medios de las se
nales.
En el caso de la formulacion fuera de linea estos valores medios se calculan mediante
las expresiones tradicionales, es decir
U =
N
1 X
u(i)
N i=1
Y =
N
1 X
y(i)
N i=1
4.6.3.
U (k) = U (k 1) +
1
(U (k) U (k 1))
k
Y (k) = Y (k 1) +
1
(Y (k) Y (k 1))
k
Estimaci
on de una constante
La idea en este caso es que el modelo que se pretende identificar puede reescribirse
como
Y (k) Y = a1 (Y (k 1) Y ) a2 (Y (k 1) Y ) an (Y (k n) Y )
+b1 (U (k d 1) U ) + + bn (U (k d n) U )
74
(4.9)
y en el regresor se incluye un 1
m(k) = y(k 1) y(k n) u(k 1) u(k n) 1
Una vez estimado el valor de K, lo que se hace es dar un valor arbitrario a Y , por
ejemplo igual al valor de la referencia o consigna. Con ese valor se calcula U mediante
la expresion (4.9).
4.7.
El orden del sistema a identificar es algo que debe ser conocido para asegurar la
convergencia e identificabilidad (ver tema 3). En la practica esto no es sencillo, y se
debe recurrir a probar con varios modelos de ordenes y estructuras distintas a ver cual
resulta mejor. Esto quiere decir que se pueden dar situaciones de mala estimacion del
orden del modelo por defecto (incurriendose en lo que se llama infraparametrizacion)
o por exceso (sobreparametrizacion).
Veamos que ocurre cuando se intenta aproximar un sistema por un modelo de
orden inferior. Si esto sucede se llega a una situacion en la que el modelo solo puede
aproximar al sistema real en una banda de frecuencia relativamente estrecha. Si durante
el transcurso del proceso de identificacion la se
nal de entrada cambia su contenido
frecuencial, el modelo estimado (es decir su vector de parametros) evoluciona hasta
aproximar al sistema en torno a la nueva banda de frecuencias. Todo esto implica que
se obtendra un modelo distinto dependiendo de la se
nal de entrada. Este problema se
ilustra en las figuras 4.2 y 4.3. En ambas se muestra el diagrama de bode de un sistema
de segundo orden sobre el que ha sido identificado un modelo de primer orden mediante
dos entradas senoidales de distinta frecuencia. Puede observarse en ambas figuras que
75
20
amplitud dB
10
0
10
20
30
40
1
10
10
10
10
desfase (grados)
50
100
150
200
250
1
10
10
frecuencia rad/s
Figura 4.2: Diagrama de Bode de un sistema de segundo orden (linea continua) y de un modelo de
primer orden estimado para una entrada senoidal de frecuencia = 0,2 rad s 1 .
20
amplitud dB
10
0
10
20
30
40
1
10
10
10
10
desfase (grados)
50
100
150
200
250
1
10
10
frecuencia rad/s
Figura 4.3: Misma situacion que en la figura 4.2 pero con una se
nal de entrada senoidal de frecuencia
1
= 1 rad s .
76
uey
0.5
0
0.5
1
1.5
10
15
20
25
30
35
40
10
15
20
tiempo (s)
25
30
35
40
1.5
0
0.5
a , b estimados
1
0.5
1.5
2
77
0.025
k=30
0.02
k=100
0.015
0.01
0.005
0
0.005
2
1.8
k=180
1.6
1.4
a1
1.2
0.8
0.8
0.6
1.5
1
0.5
k=180
k=100
0
0.5
2
k=30
1.8
1.6
1.4
a1
1.2
0.6
Figura 4.5: Evolucion de unos parametros frente a otros para el modelo sobreparametrizado.
4.8.
Identificaci
on de sistemas con retardo o no lineales
El metodo de los mnimos cuadrados puede aplicarse a procesos con retardo, siempre
que se tengan en cuenta algunas cuestiones. El modelo determinista de un sistema con
retardo puro de d periodos de muestreo se puede poner como
A(z 1 )y(k) = B(z 1 )u(k d 1)
Eso quiere decir que el regresor en el instante k debe contener valores pasados de la
entrada desde k d 1 a k d n donde n es el grado del polinomio B(z 1 ). Por
tanto el regresor queda
m(k) = y(k 1) y(k n) u(k d 1) u(k d n)
Con esta modificacion cualquiera de los algoritmos de mnimos cuadrados vistos anteriormente se puede aplicar a procesos con retardo. El problema estriba en que se ha
de conocer exactamente el retardo (vease tema 3). El metodo usual para conocer este
dato es provocar un cambio en la entrada y observar cuando se manifiesta dicho cambio en la salida (ha de tenerse en cuenta que en todo sistema muestreado los cambios
en la entrada se manifestaran como mucho en el siguiente periodo de muestreo). Este
sencillo esquema se puede complicar por ejemplo si el retardo es variable. Esto es mas
com
un de lo que se cree, pues el retardo as como el resto de parametros de un sistema
suele depender del punto de funcionamiento (por ejemplo, los retardos de transporte
ocasionados por tuberias dependen del caudal de material que se transporta). El problema es que, aunque los metodos de identificacion propuestos puedan seguir cambios
78
CONSIDERACIONES FINALES
en los parametros del modelo (se adaptan a esos cambios) no recogen la posibilidad
de un retardo variable (existen remedios a este problema, pero no se trataran aqu).
Otro problema que puede suceder es que el retardo no sea multiplo exacto del tiempo
de muestreo. Aunque existen formas para describir retardos no enteros (por ejemplo,
el uso de una expansion de Pade) es mas sencillo y menos problematico emplear si es
posible otro tiempo de muestreo para hacer que el retardo sea entero.
Finalmente se comento al principio del tema que el metodo de mnimos cuadrados
tambien permite la identificacion de sistemas no lineales con la limitacion de que el
modelo a identificar sea lineal en los parametros. De este modo, si el sistema se pretende
identificar con un modelo que por ejemplo podra ser
y(k) + ay(k 1) = bu2 (k 1)
el regresor y el vector de parametros seran
m(k) =
respectivamente.
4.9.
y(k 1) u2 (k 1)
(k) =
a b
T
Consideraciones finales
79
y como valor inicial del vector de parametros se puede usar = P (0)M (2n)Y (2n).
80
CONSIDERACIONES FINALES
Captulo 5
Introducci
on al control adaptativo
5.1.
82
REFERENCIA
9;:=<?>A@B:DCFEHGI:D@
EKJMLONP>AEHQRCAS
T CFEB<U>VE
GHS;9RY\NbY\_D<
COMPORTAMIENTO
DESEADO
W RS 9]EB<OY\N W :aGIS
EHGKE T >AEO9]Y`_;<
W XS GIYZGHE[GHSXC
Y <UGKY\9]S^GIS
EO9;>ALHEO97Y`_;<
los parametros del regulador. Para ello se utiliza un mecanismo de adaptacion que en
algunos casos (no siempre) tambien puede actuar directamente sobre la actuacion o
se
nal de control que recibe el proceso. En algunos casos se a
nade un tercer bucle que
tiene como tarea la supervision del sistema de manera que, por ejemplo, se garantice la
estabilidad del sistema en bucle cerrado o se eviten ciertos comportamientos indeseados
tales como cambios demasiado abruptos en los parametros del regulador ajustable.
Es facil ver que en el esquema anterior el mecanismo de adaptacion realiza la tarea
de resolver en tiempo real el problema de dise
nar un regulador apropiado (en el caso
mas sencillo con una estructura predefinida) para un sistema dado de manera que se
cumplan unas determinadas especificaciones de dise
no (dadas por el ((comportamiento
deseado))).
Existen otros controladores que proporcionan una cierta capacidad de adaptacion
pero que no encajan en la definicion anterior ya que la adaptacion se realiza en bucle
abierto, es decir, para adaptar la ley de control no se usan las medidas de la salida o
estado de la planta. Este es el caso de los controladores gain scheduling los cuales se
trataran en la seccion 7.4.
5.1.1.
Clasificaci
on grosso modo de los sistemas de control
adaptativo
AL CONTROL ADAPTATIVO
CAPITULO 5. INTRODUCCION
83
Ambas estrategias suponen que para cualquier juego de valores de los parametros del
sistema y las perturbaciones, existe un controlador lineal que hace que el sistema en
bucle cerrado cumpla los requisitos de dise
no.
Los MRAC intentan alcanzar un comportamiento en bucle cerrado deseado que
viene especificado por un modelo de referencia. Por otra parte, los STR intentan alcanzar un control lo mejor posible (optimo) a partir de un tipo de controlador prefijado y
la informacion obtenida del proceso (se
nales de entrada, salida, etc. . . ).
Las dos tecnicas tienen sus ventajas e inconvenientes. Las ventajas del MRAC pasan
por una rapida adaptacion y la posibilidad de utilizar formulaciones que garanticen
estabilidad (usando metodos de Lyapunov). Sin embargo, la capacidad de adaptacion
de estas estrategias dependen en gran medida de la riqueza dinamica de la se
nal de
control (esto es analogo a lo que ocurre en la identificacion de sistemas, vease el tema
3). Por otra parte, los STR se adaptan bien en casi todas las situaciones y son faciles de
implementar pues admiten tecnicas de programacion modular. Sin embargo, tambien
presentan sus propios inconvenientes como se vera mas adelante.
Otra posible clasificacion de los sistemas de control adaptativos es aquella que
atiende a la forma de obtener los parametros del controlador. En este esquema podemos
encontrarnos:
En los primeros el valor de los parametros se obtiene buscando entre los posibles valores
aquellos que hacen optimo un cierto criterio de comportamiento del sistema. Es decir,
optimizan un criterio de comportamiento o funcionamiento. En este grupo estudiaremos los controladores de mnima varianza y mnima varianza generalizado. Tambien
se puede considerar en este grupo el control predictivo basado en modelo (al que dedicaremos un amplio captulo mas adelante) cuando este tipo de control se utiliza como
controlador ajustable en alguno de los esquemas de control adaptativo referidos al
principio del tema.
84
Los controladores adaptativos sin criterio optimo buscan los parametros del controlador no mediante la optimizacion de un criterio de funcionamiento sino entre aquellos
que cumplen unas ciertas especificaciones, por ejemplo, la colocacion de los ceros y los
polos de bucle cerrado. En estos esquemas el controlador ajustable puede ser por ejemplo un regulador PID, un controlador dead-beat como los estudiados anteriormente o
un controlador por asignacion de polos o de ceros y polos. En tiempo real se resolvera el
problema de dise
nar dichos controladores, de manera que a pesar de los cambios en el
proceso se sigan cumpliendo las especificaciones de dise
no.
5.2.
Justificaci
on del uso de control adaptativo
El control adaptativo conlleva una serie de inconvenientes que pueden hacernos cuestionar su uso. Por ejemplo, su sintona no suele ser tan sencilla como la de los clasicos
controladores PID. Por tanto, hay que ver en que situaciones puede ser ventajoso su
uso y en que situaciones es mejor quedarse con controladores mas sencillos.
En general un controlador convencional esta pensando para controlar sistemas cuyos
parametros permanecen constantes (es decir, su dinamica no vara). Esta suposicion se
corresponde mas o menos con la de un sistema que suele operar siempre cerca de un
determinado punto de operacion y cuyas perturbaciones no son grandes (en relacion a
la variable controlada) y no varan demasiado. Sin embargo, puede suceder que el punto
de trabajo vare frecuentemente y en algunos sistemas puede suponer una variacion de
su dinamica lo suficientemente importante para afectar al rendimiento del controlador.
Por ejemplo, supongamos un sistema realimentado en el que el actuador presenta una
caracterstica de transferencia no lineal (figura 5.2). Esta situacion corresponde por
+
f(u)
G(s)
AL CONTROL ADAPTATIVO
CAPITULO 5. INTRODUCCION
85
14
12
caudal (m /h)
10
10
20
30
40
50
apertura (%)
60
70
80
90
100
general, cuando la variacion en los parametros del sistema o los actuadores se conoce
de antemano y ademas se puede establecer una dependencia entre dichos parametros
y el punto de operacion (o una variable auxiliar) se puede recurrir a tecnicas sencillas
de control adaptativo como el gain scheduling (vease la seccion 7.4). En caso contrario
tendramos que recurrir a tecnicas mas sofisticadas.
Otro hecho a tener en cuenta es que no siempre es facil juzgar la necesidad o
no de utilizar el control adaptativo. Considerese el sistema dado por la funcion de
transferencia
G(s) =
1
(s + 1)(s + a)
(5.1)
La primera aproximacion a este sistema sera hallar su respuesta ante escalon, para
los diversos valores de a. Como se ilustra en la figura 5.4 (izquierda), dicha respuesta
vara mucho en funcion de los valores del parametro a, pasando de hecho de ser un
sistema estable a otro inestable. Parecera que el sistema vara lo suficiente como para
justificar el uso del control adaptativo. Sin embargo, la configuracion que realmente
nos interesa es la del sistema realimentado. En la figura 5.4 (derecha) se muestra la
86
Step Response
1.4
600
1.2
500
400
0.8
Amplitude
Amplitude
Step Response
700
300
0.6
200
0.4
100
0.2
20
40
60
80
100
120
140
160
180
200
Time (sec)
10
12
Time (sec)
Figura 5.4: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (5.1).
Es facil poner un ejemplo en el que la situacion sea la inversa de la anterior. Considerese el sistema dado por la funcion de transferencia
G(s) =
20(1 T s)
(s + 1)(s + 20)(T s + 1)
(5.2)
En este caso la respuesta en bucle abierto del sistema es muy parecida independientemente de los valores de T (figura 5.5 izquierda). Cuando se le realimenta usando como
entrada u = 15(ref y) se obtienen, sin embargo, comportamientos muy diferentes en
funcion del valor de T (figura 5.5 derecha). Es por tanto que en este caso s estara
justificado el uso de tecnicas de control adaptativo. El lector puede comprobar ademas
que no solo hay que juzgar en funcion del comportamiento en bucle cerrado en general,
sino que hay que tener en cuenta cuales van a ser las condiciones de operacion particulares en las que se va a trabajar. En efecto, si se obtiene la respuesta en bucle cerrado
para el sistema (5.2) pero utilizando una realimentacion unitaria (esto es, u = (ref y))
entonces las respuestas son esencialmente iguales independientemente del valor de T .
AL CONTROL ADAPTATIVO
CAPITULO 5. INTRODUCCION
87
Step Response
Step Response
1.5
0.9
0.8
0.7
1
Amplitude
Amplitude
0.6
0.5
0.4
0.5
0.3
0.2
0.1
0
0
0
3
Time (sec)
0.5
1.5
2.5
Time (sec)
Figura 5.5: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (5.2).
5.3.
Es una de las tecnicas mas antiguas de control adaptativo y se basa, como su nombre
indica, en disponer de un modelo de bucle cerrado que es el que se desea que describa al
conjunto controlador-planta. Es decir, se debe partir de un conjunto de especificaciones
deseadas de bucle cerrado que se expresan mediante el modelo de referencia. El controlador ajustable debera adaptar sus parametros para que el modelo de bucle cerrado
del conjunto coincida o se acerque lo mas posible al modelo de referencia. La figura
5.6 muestra la configuracion mas popular (no es la u
nica sin embargo) para este tipo
de controladores. En dicha figura puede observarse un controlador primario ajustable
que en principio puede ser cualqier tipo de controlador. El mecanismo de adaptacion
es el que se va a encargar de ajustar los parametros del control primario para que la
diferencia entre la salida de la planta y el modelo de referencia sea lo mas peque
na
posible (es decir, que independientemente del valor inicial de esa diferencia, esta vaya
tendiendo a cero progresivamente).
Ademas de utilizar las se
nales tomadas de las salidas de la planta y el modelo,
el mecanismo de adaptacion puede utilizar las se
nales de entrada, de referencia y si
estuviesen disponible las variables de estado. En suma, toda la informacion disponible
sobre la planta y el comportamiento del sistema en bucle cerrado.
Para dise
nar un MRAC se ha de definir el modelo de referencia, el controlador y
la ley de adaptacion. En cuanto al modelo de referencia, sabemos que este especifica
el comportamiento en bucle cerrado deseado. Por tanto, el modelo ha de ser tal que
88
Fh u rzdX|2k;rzhFrzrtiAeBd{cfk;v5rj
ym
+
-
+
REFERENCIA
cFdfj=eBl\mogbh]n2gpdXj;iPqfj;iVkDr dFh
s iPj7eogtj
yp
AL CONTROL ADAPTATIVO
CAPITULO 5. INTRODUCCION
5.3.1.
89
donde T es un periodo fijo de tiempo. La idea de la regla del MIT es ajustar el vector
de parametros del controlador en el instante t + T , de manera que haga decrecer J. Es
decir,
Z t+T
J
e( )
(t + T ) = (t)
= (t)
d
(5.4)
2e( )
t
donde Rnn es una matriz definida positiva que act
ua como ganancia de adaptacion.
Es facil entender que el controlador solo tiene influencia sobre la salida de la planta,
no sobre la del modelo. Por tanto ymodelo (t) no depende de y al variar este tampoco
lo hace ymodelo (t), luego
yproceso ( )
e( )
=
Finalmente, podemos conocer la variacion instantanea de los parametros del controlador tomando T 0 en el segundo miembro de (5.4) y teniendo en cuenta lo anterior
se llega a
d
yproceso
= 2e(t)
(5.5)
dt
90
que resulta en
d
e(t)
=
signo(e(t))
dt
e(t)
signo(e(t))
Ejemplo 5.1
Supongamos que tenemos un proceso cuya funcion de transferencia viene dada por
G(s) = kF (s)
donde k es ganancia desconocida y F (s) es perfectamente conocida. Se pretende que
el sistema en bucle cerrado se comporte acorde al modelo de referencia
GM (s) = k0 F (s)
(5.6)
donde k0 es una ganancia conocida (es un dato de entrada del problema). El controlador
ajustable del que se dispone tiene la estructura
u = uc
donde u es la entrada que se aplica a la planta y uc es la entrada al controlador (es
decir el parametro que se ha de ajustar es simplemente una ganancia). Se supone una
configuracion del sistema de control tal que es una ganancia feed-forward , es decir,
la funcion de transferencia desde uc a la salida del proceso yp es
Y (s)
= kF (s)
UC (s)
Como se pretende que la funcion de transferencia sea como en (5.6), lo logico sera
tomar
k0
=
k
pero es evidente que esto no se puede hacer, porque se desconoce el valor de k. Se
propone ajustar mediante la regla del MIT en el contexto de un control adaptativo
MRAC. El error es en este caso
e(t) = yp (t) ym (t) = kF (s)uc (t) k0 F (s)uc (t)
(5.7)
AL CONTROL ADAPTATIVO
CAPITULO 5. INTRODUCCION
91
(5.8)
ym (t)
k0
k0
La variacion de los parametros seg
un la regla del MIT sera
k
d
= ym (t)e(t)
dt
k0
Notese que se sigue desconociendo el valor de k0 , sin embargo esto no plantea problema
alguno, pues como es una constante cualquiera podemos agrupar las constantes que
aparecen en una sola 0 , de manera que la regla sera
d
= 0 ym (t)e(t)
dt
92
Captulo 6
Reguladores Autoajustables (STR)
6.1.
Introducci
on. Estructura general de los STR
94
REFERENCIA
}V~VF]]A8~fFFP2X ~A
FX2
y
COMPORTAMIENTO
DESEADO
}V~VF]Z)AR~f~FXXp~A
z)p K]}tf5XV2{ 7
En los STR clasicos se suele suponer que los procesos son deterministas (es decir no
se consideran fuentes de perturbaciones estocasticas como las vistas en el captulo 2).
Por otra parte es com
un que el controlador ajustable sea del tipo PID. En realidad,
como es la estructura de un STR es modular, se puede usar cualquier combinacion de
controlador/metodo de identificacion.
Tambien se pueden considerar procesos estocasticos en los STR. Es com
un entonces
que la estructura escogida para el modelo sea la de tipo ARMAX (vease el captulo 2).
El dise
no se podra hacer, por tanto, utilizando un criterio estocastico o no estocastico.
En el caso de que sea un criterio estocastico normalmente se obtienen los parametros
del regulador mediante la minimizacion de un cierto ndice de funcionamiento. Por
ejemplo en el regulador de mnima varianza (el cual se vera en la seccion 6.2) se intentan
minimizar las variaciones con respecto a cero de la salida (se considera un problema de
regulacion con referencia nula), que al ser una se
nal ruidosa se consigue minimizando
la esperanza matematica de la salida en k + d, es decir
J = E y 2 (k + d)
siendo d el retraso.
Cuando el dise
no ser realiza usando un planteamiento no estocastico, se esta considerando que las perturbaciones que inciden sobre el sistema son conocidas con exactitud de antemano, de tal manera que podemos usar modelos deterministas (vease el
captulo 2). En este caso el ndice de actuacion se da en funcion de unas especificaciones que debe cumplir la salida del sistema, como por ejemplo el tiempo de subida y
95
6.1.1.
Entre los STR podemos distinguir dos tipos de algoritmos, unos que identifican directamente los parametros de la planta y luego dise
nan el controlador para cumplir con
los requisitos (estructura explcita) y otros que lo que hacen es estimar el controlador
directamente sin pasar por la estimacion previa de la planta (estructura implcita).
Un algoritmo con estructura explcita constara de los siguientes pasos:
1. Estimar los parametros del modelo mediante un algoritmo de identificacion recursivo.
2. Calcular los parametros del controlador.
3. Calcular la se
nal de control y aplicarla.
Estos pasos se repetiran en cada tiempo de muestreo.
Los algoritmos de estructura implcita son mas complicados desde el punto de vista
conceptual. Lo que se hace en ellos es reparametrizar el modelo de la planta y el
controlador en funcion de los parametros del controlador. El esquema sera el mostrado
en la figura 6.2. Observese en esta figura que no se esta pasando por la fase de dise
no del
REFERENCIA
ptVAZF&PM&tz&z8V t
&zV8
VV&f; oPpzF
b zbzD28 VA
COMPORTAMIENTO
DESEADO
controlador sino que este se identifica, de manera que cumpla con las especificaciones de
dise
no. Por eso en la figura 6.2 como la identificacion toma como datos de entrada las
96
6.2.
(6.1)
97
y d es el retraso puro1 .
Supongase que se desea dividir C(z 1 ) entre A(z 1 ). Dicha division de polinomios
producira en general un polinomio cociente y un polinomio resto. El cociente lo denotaremos por F (z 1 ) y el resto se factoriza de manera que se denote por z (d+1) G(z 1 ).
Por tanto podremos reescribir la conocida expresion dividendo igual a divisor por cociente mas resto as
C(z 1 ) = A(z 1 )F (z 1 ) + z (d+1) G(z 1 )
(6.2)
donde
F (z 1 ) = 1 + f1 z 1 + + fd z d
G(z 1 ) = g0 + g1 z 1 + + gn1 z (n1)
Notese que el grado de F (z 1 ) es d y el de G(z 1 ) es n 1. A continuacion dividiremos
ambos miembros de la ecuacion (6.1) por A(z 1 ) y usaremos (6.2) de manera que se
obtiene
B(z 1 )
z 1 G(z 1 )
1
y(k + d) =
u(k)
+
F
(z
)v(k
+
d)
+
v(k)
(6.3)
A(z 1 )
A(z 1 )
en donde ademas se ha tenido en cuenta que z d v(k + d) = v(k). Veamos el significado
de algunos de los terminos de (6.3). El termino F (z 1 )v(k + d) es una combinacion
lineal de los valores de v(k) a v(k + d) cuyo efecto sobre y(k + d) no depende de u(k).
Por otra parte el termino
z 1 G(z 1 )
v(k)
A(z 1 )
representa el efecto sobre la salida de las perturbaciones en instantes anteriores a k.
Por otra parte si dividimos por C(z 1 ) la expresion (6.2) se obtiene
1=
A(z 1 )F (z 1 )
z (d+1) G(z 1 )
=
C(z 1 )
C(z 1 )
(6.4)
A(z 1 )
B(z 1 ) d
y(k)
z u(k)
C(z 1 )
C(z 1 )
Notese que el polinomio B(z 1 ) no tiene termino independiente, lo que se refleja en la forma de
describir el proceso ARMAX en la ecuacion (6.1).
98
B(z 1 )
z 1 G(z 1 )
G(z 1 )B(z 1 ) (d+1)
1
u(k)
+
F
(z
)v(k
+
d)
+
y(k)
z
u(k)
A(z 1 )
C(z 1 )
A(z 1 )C(z 1 )
z 1 G(z 1 )
F (z 1 )B(z 1 )
y(k)
+
u(k)
C(z 1 )
C(z 1 )
A partir de esta ecuacion podemos calcular J y ver que valor de u(k) hace mnimo J:
E y (k + d)
z 1 G(z 1 )
F (z 1 )B(z 1 )
u(k)
+
y(k)
= E F (z )v(k + d) + E
C(z 1 )
C(z 1 )
F (z 1 )B(z 1 )
z 1 G(z 1 )
1
+2E F (z )v(k + d)
u(k) +
y(k)
C(z 1 )
C(z 1 )
2
G(z 1 )
y(k)
zB(z 1 )F (z 1 )
(6.6)
99
Ejemplo 6.1
Considerese el siguiente sistema lineal
yk = ayk1 + buk2
Se pide encontrar la expresion del regulador de mnima varianza.
En este caso es facil ver que
A(z 1 ) = 1 az 1 B(z 1 ) = bz 1 C(z 1 ) = 1
y por otra parte d = 1. Recordemos que se ha de dividir C(z 1 ) entre A(z 1 ) hasta que
el grado del cociente F (z 1 ) sea d, o sea en este caso F (z 1 ) tiene la forma F (z 1 ) = 1+
f1 z 1 . La figura 6.3 nos muestra la division hecha paso a paso a la manera tradicional.
Por tanto F (z 1 ) = 1 + az 1 . El resto que en este caso es a2 z 2 debe identificarse con
M5&
&
& &Z
)
M5&
&
la expresion z 2 G(z 1 ), por lo que es evidente que en este caso G(z 1 ) = a2 . Luego
recordando la expresion (6.5) obtenemos que el regulador de mnima varianza para este
caso es
z 1 a2
a2
uk =
yk =
yk
(1 + az 1 )bz 1
(1 + az 1 )b
6.2.1.
El control por mnima varianza tal y como se ha presentado aqu presenta problemas
cuando el sistema es de fase no mnima ya que al tener ceros inestables estos se cancelaran mediante polos inestables. Esta situacion no es deseable, por que en la practica
puede que los ceros cambien de posicion, bien por imprecision en el modelo del sistema
o por variaciones de la dinamica del sistema. En este caso los ceros no se cancelaran
con los polos con lo cual a
nadiramos polos inestables al sistema. Evidentemente esto
u
ltimo llevara a la inestabilidad del sistema. Existen variaciones del regulador de mnima varianza que tratan este problema y ademas incorporan seguimiento de referencias
y ponderacion del esfuerzo de control (es decir, que ademas de perseguir el objetivo de
DE POLOS Y CEROS
ASIGNACION
100
mnimizar las variaciones de la salida con respecto a la referencia se intenta hacer esto
usando el menor esfuerzo de control posible). La mas conocida es la del regulador de
mnima varianza generalizado. La idea de este regulador es la de considerar el siguiente
ndice de funcionamiento
n
2 o
1
1
1
J = E Q(z )y(k + d) + R(z )u(t) P (z )ref(t + d)
(6.7)
6.3.
C(z 1 )
G(z 1 )
y(t)
ref(t + d)
zB(z 1 )F (z 1 )
zB(z 1 )F (z 1 )
(6.8)
Asignaci
on de polos y ceros
]
?\
101
{
Figura 6.4: Estructura para la asignacion de polos y ceros.
Rm (z 1 ) d
z w(k)
Pm (z 1 )
(6.9)
S(z 1 )B(z 1 )z d
w(k)
A(z 1 )M (z 1 ) + B(z 1 )G(z 1 )z d
(6.10)
DE POLOS Y CEROS
ASIGNACION
102
Por otra parte se asume que, ademas de especificarse el retraso y los polinomios que
definen la funcion de transferencia deseada, como parte de los datos de entrada del
problema, se tiene un polinomio A0 (z 1 ) que se utiliza para definir S(z 1 ) mediante la
expresion
S(z 1 ) = A0 (z 1 )Rm1 (z 1 )
Con todo lo anterior y la ecuacion (6.10) se llega a
A(z 1 )M1 (z 1 ) + B (z 1 )G(z 1 )z d = A0 (z 1 )Pm (z 1 )
(6.11)
Esto es una ecuacion polinomial, donde las incognitas son M1 (z 1 ) y G(z 1 ), que
puede resolverse mediante diferentes metodos2 . Quizas el mas simple (pero no mas
eficiente) sea plantear un sistema de ecuaciones lineales donde las incognitas sean los
coeficientes de los polinomios M1 (z 1 ) y G(z 1 ). En cualquier caso se deben imponer
condiciones sobre los grados de dichos polinomios para que la ecuacion tenga solucion
u
nica. Aplicando consideraciones algebraicas que no mostraremos aqu, se llega a que
existen dos posibles opciones para los grados de M1 (z 1 ) y G(z 1 ),
1.
grado(G(z 1 )) = grado(A(z 1 )) 1
grado(M1 (z 1 )) = grado(A0 (z 1 )) + grado(Pm (z 1 )) grado(A(z 1 ))
2.
grado(G(z 1 )) = grado(A0 (z 1 )) + grado(Pm (z 1 )) grado(B (z 1 )) d
grado(M1 (z 1 )) = grado(B (z 1 )) + d 1
Se puede demostrar que el control por asignacion de polos y ceros es equivalente al
MRAC. Por otra parte seg
un el sistema podemos tener casos simplificados:
1. Cancelacion de todos los ceros. Esto se puede hacer si el sistema es de fase mnima.
En este caso
B + (z 1 ) = B(z 1 )
B (z 1 ) = 1
M (z 1 ) = M1 (z 1 )B(z 1 )
Rm (z 1 ) = Rm1 (z 1 ) = K
S(z 1 ) = KA0 (z 1 )
De hecho es una ecuacion polinomial diofantica. Este tipo de ecuaciones las encontraremos de
nuevo en el captulo 9, donde se veran otros metodos para resolverla.
103
2. No se cancela ning
un cero. Esto ocurre si todos las races de B(z 1 ) son inestables.
En este caso
B + (z 1 ) = 1
B (z 1 ) = B(z 1 )
M (z 1 ) = M1 (z 1 )
S(z 1 ) = KA0 (z 1 )
Rm (z 1 ) = KB(z 1 )
6.3.1.
Notese que multiplicando ambos miembros de la ecuacion (6.11) por y(k) se obtiene
A(z 1 )M1 (z 1 )y(k) + B (z 1 )G(z 1 )z d y(k) = A0 (z 1 )Pm (z 1 )y(k)
que dado que A(z 1 )y(k) = B(z 1 )z d u(k) es equivalente a
M1 (z 1 )B(z 1 )z d u(k) + B (z 1 )G(z 1 )y(k) = A0 (z 1 )Pm (z 1 )y(k)
Por otra parte sabemos que M (z 1 ) = M1 (z 1 )B + (z 1 ) y B(z 1 ) = B + (z 1 )B (z 1 ),
por lo que se llega a
A0 (z 1 )Pm (z 1 )y(k) = B (z 1 )z d M (z 1 )u(k) + G(z 1 )y(k)
(6.12)
La ecuacion (6.12) expresa una relacion entre la entrada y la salida que constituye
un modelo reparametrizado del sistema en bucle cerrado. En dicho modelo aparecen
polinomios conocidos de antemano (A0 (z 1 ), Pm (z 1 )), el retraso d que se supone
conocido, y tres polinomios (B (z 1 ) , M (z 1 ), G(z 1 )) que son los que deben ser
identificados (ajustados mediante un metodo de identificacion recursivo), usando los
valores experimentales de la entrada y la salida. Observese que al identificarse dicho
modelo reparametrizado se estaran identificando los parametros del controlador ademas
de parte de los parametros de la planta. Estos u
ltimos no son sin embargo necesarios,
se pueden considerar un ((subproducto)) del proceso de identificacion del controlador.
DE POLOS Y CEROS
ASIGNACION
104
1
1
1
S(z
)w(k)
G(z
)y(k)
M (z 1 )
Este procedimiento puede presentar problemas para aquellos sistemas que sean de
fase no mnima. Esta mayor dificultad es inherente a los algoritmos con estructura
implcita, tal y como se ha comentado al comienzo del captulo.
6.3.2.
1
1
1
S(z
)w(k)
G(z
)y(k)
M (z 1 )
Captulo 7
Controladores PID con autoajuste
y Ajuste por tabla
7.1.
Introducci
on
En este captulo se revisaran algunas de las tecnicas de control adaptativo con mayor
7.2.
Funci
on de autoajuste (autotuning )
Los reguladores adaptativos vistos hasta ahora, es decir los MRAC y STR, necesitan
para poder funcionar correctamente un conocimiento basico a priori de la planta. A fin
de poder obtener esa informacion lo mas facilmente posible, los fabricantes introdujeron
en los controladores adaptativos comerciales un modo de sintona previa (pre-tune), que
obtena dicha informacion basica.
Paralelamente, se estaban desarrollando tecnicas para poder ajustar automaticamente controladores de tipo PID sin necesidad de intervencion del operario. Lo que
105
106
DE AUTOAJUSTE (AUTOTUNING)
FUNCION
ocurrio, es que se vio que para poder ajustar un PID automaticamente bastaba con la
informacion basica que proporcionaban los modos pre-tune de los controladores adaptativos.
Por otra parte, desde el mundo industrial una de las caractersticas mas demandadas
era una funcion de autoajuste inicial. Al instalarse el controlador se activara dicha
funcion (apretando un boton en el panel de control) a lo que el controlador respondera
realizando una batera de tests pre-programados que daran como resultado el ajuste
automatico del controlador. Esta demanda surge de la dificultad y el engorro de ajustar
un controlador inicialmente. Lo que hicieron los fabricantes de PID fue aprovechar los
resultados obtenidos en el desarrollo de funciones pre-tune en controladores adaptativos
para dotar a sus PID de una funcion de autoajuste como la que demandaban los
usuarios.
Para conseguir el autoajuste se puede utilizar cualquier tecnica de control adaptativo que permita estimar los parametros adecuados, con el u
nico requisito de que
los ensayos requeridos sean sencillos, a fin de poderse realizar de manera automatica.
Desde el punto de vista practico, los controladores con autoajuste tendran dos modos
de funcionamiento, el modo normal en el cual funcionan como cualquier controlador
y el de ajuste. En el modo de ajuste el control se desconecta, se realizan los ensayos
necesarios y despues se vuelve al modo normal con el controlador ajustado.
Por tanto un controlador con autoajuste realiza tareas de modelado (identificacion),
y dise
no del controlador, de manera transparente al usuario, por lo que se simplifican
mucho las tareas de instalacion y puesta en marcha de los controladores. Por otra parte
no incrementan en mucho el coste final del controlador y son una manera de introducir
tecnicas de control adaptativo en la industria.
Finalmente hay que hacer notar la diferencia fundamental entre un controlador
autoajustable del tipo STR y un controlador con autoajuste. En los primeros el controlador de manera autonoma va adaptandose de una manera mas o menos continuada.
En un controlador con funcion de autoajuste, dicho autoajuste solo se realiza bajo demanda del operador, y usualmente solo cuando se instala o se cambia sustancialmente
las condiciones del equipo a controlar.
7.3.
107
Antes de tratar las distintas tecnicas existentes para ajustar automaticamente PIDs
es importante hacer notar que los PIDs industriales (figura 7.1) no son exactamente
iguales a las formulaciones academicas que se ense
nan en cursos basicos de control. Por
Figura 7.1: PID industrial moderno con funcion de autoajuste (ABB modelo ECA).
108
0,7 1
7.3.1.
T
ecnicas de ajuste basadas en la respuesta transitoria
Estas son tecnicas de ajuste en bucle abierto que se basan en aplicar un escalon en
la se
nal de entrada del lazo que se quiere sintonizar y ajustar un modelo simple del
tipo
k
esL
(7.1)
G(s) =
1 + sT
109
Conocidos los parametros del modelo el PID se puede ajustar usando tecnicas del
tipo Ziegler-Nichols de bucle abierto. Otros metodos estan basados en medida de areas
como la que se describe a continuacion. Considerese la figura 7.2. El procedimiento
para calcular T y L comienza por el calculo de A0 . De ah se determina
L+T =
A0
k
eA1
k
k
A0
A1
L+T
7.3.2.
M
etodos basados en las oscilaciones producidas al realimentar con un rel
e
Los metodos de ajuste basados en la respuesta transitoria son simples, pero muy
sensibles a las perturbaciones, ya que las pruebas se realizan en bucle abierto. Las
tecnicas basadas en experimentos en bucle cerrado no tienen este problema. De estas
tecnicas veremos la que esta basada en las oscilaciones producidas al realimentar con
un rele. La estructura para realizar el ajuste es la que se muestra en la figura 7.3.
La idea clave es que la mayora de los procesos exhiben oscilaciones autosostenidas
(conocidas como ciclos lmite1 ) cuando son realimentados con un rele en la cadena
1
El estudio de los ciclos lmite no pertenece a esta asignatura. Baste saber que son oscilaciones con
entrada nula o referencia constante que aparecen en ciertos sistemas y que pueden provocarse con la
estructura presentada aqu.
LA TECNICA
DE AJUSTE POR TABLA O GAIN SCHEDULING
110
PID
r
y
PROCESO
REL
directa. Los parametros del ciclo lmite contienen informacion suficiente para calcular
los parametros de ajuste del PID.
El procedimiento consiste en desconectar el controlador a la hora de hacer el ajuste
y sustituirlo por el rele. En la salida comenzaran a aparecer oscilaciones que se empezaran a repetir periodicamente cuando el ciclo lmite aparezca. Una vez que se han
determinado los parametros del ciclo lmite se calculan los del PID y se vuelve a conectar el controlador. El metodo mas conocido para calcular los parametros del PID es el
metodo de Ziegler-Nichols de bucle cerrado. Suponiendo una referencia nula, si el ciclo
lmite resultante tiene amplitud a y frecuencia u entonces los parametros del metodo
de Ziegler-Nichols de bucle cerrado, es decir, la ganancia crtica Ku y el periodo crtico
Tu son iguales a
4d
2
Ku =
Tu =
a
u
donde d es la amplitud del rele.
7.4.
La t
ecnica de ajuste por tabla o gain scheduling
REFERENCIA
MEDIO
AMBIENTE
;`]
KBR
`=`
KK{7OUROK
){A7o]
ROF
111
o oO
7B\B
Figura 7.4: Configuracion generica de un controlador adaptativo con adaptacion en bucle abierto.
se usan en cada instante vienen determinados por una tabla precalculada para varios
puntos de funcionamiento o valores de la variable auxiliar. Este tipo de control es muy
popular, por ejemplo, en sistemas de control de vuelo, en los que los parametros del
controlador se seleccionan de un conjunto de parametros precalculados en funcion de
la altura de vuelo. Por supuesto, este tipo de control funciona bien si entre la variable
auxiliar y la dinamica del sistema existe una fuerte relacion, que permite determinar
el valor de los parametros en funcion del valor observado de la variable auxiliar. Una
ventaja que tiene este esquema es que los parametros del control se pueden cambiar
(adaptar) a la misma velocidad a la que cambia la dinamica del sistema pues estos
cambios se reflejan sobre la variable auxiliar a la vez que se producen. Esta rapidez en
el cambio de los parametros puede ser, sin embargo, contraproducente. Por otra parte la
construccion de la tabla puede ser muy complicada. De hecho no existe una metodologa
universal, sino que para cada aplicacion ha de verse como llevar a la practica las ideas
del gain scheduling. Por u
ltimo encontrar la variable auxiliar apropiada no siempre es
posible.
Estos controladores, sin embargo, se pueden encontrar en diversos sistemas tpicos de control, principalmente debido a su sencillez y efectividad cuando estan bien
dise
nados. Algunas de las aplicaciones tpicas son:
LA TECNICA
DE AJUSTE POR TABLA O GAIN SCHEDULING
112
pH
8
7
6
5
4
3
2
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
3
x 10
Figura 7.5: Curva de pH para una solucion de HCl 0.001 M y NaOH 0.001 M.
En realidad el nombre tecnico es curva de titracion, aunque tales detalles no son relevantes en
esta asignatura
113
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5
0.6
0.7
0.8
0.9
1.1
1.2
1.3
1.4
1.5
7.5.
114
opcionales del controlador como en el caso de los sistemas Protonic (Hartman &
Braun) o UDC 6000 (Honeywell). Estos combinan reglas empricas y tecnicas
de colocacion de polos usando experimentos en bucle abierto. Las estrategias de
oscilaciones mediante rele tambien son comunes como por ejemplo en el SattControl3 ECA40 y en el DPR900 (Fisher-Rosemount). Otra posibilidad es que estas
herramientas para sintonizar controladores sean modulos independientes, compatibles con determinadas familias de controladores. En este tipo encontramos
ejemplo como SIEPID (Siemens), Supertuner (Toyo), Protuner (Techmation) o
PIDWIZ (BST Control). Una tercera posibilidad es que estas herramientas formen parte de sistemas de control distribuido como en el caso de Looptune (Honeywell) e Intelligent Tuner (Fisher-Rosemount).
Controladores adaptativos estandar. Estos controladores ajustan los parametros
de manera mas o menos continua. Los hay que estan basados en la identificacion
de un modelo mediante mnimos cuadrados recursivos como los CLC04 (Bailey
Controls) y SLPC-181/281 (Yokogawa) que ademas utilizan una estrategia de
control por colocacion de polos. Algunos, como el SattControl ECA40, no identifican un modelo parametrico sino que usan reglas del tipo Ziegler-Nichols de bucle
cerrado, a partir de experimentos de realimentacion con rele. Por otra parte existen otros mas ambiciosos que estan basados en sistemas expertos y en tecnicas de
reconocimiento de patrones como EXACT (Foxboro), SLPC-171/271 (Yokogawa)
o UDC 6000 de Honeywell. Estos sistemas utilizan una base de reglas (100-200)
con las que se pretende reproducir el conocimiento de un experto (humano) en
sintonizar controladores. Finalmente, las capacidades de gain scheduling tambien estan presentes en ciertos controladores como el SattControl ECA 400 o el
DPR910 (Fisher-Rosemount).
Controladores adaptativos basados en automatas programables. Los automatas
programables ganan terreno da a da en cualquier aplicacion industrial de control.
3M y General Electric tienen en su catalogo aplicaciones de control adaptativo
basados en sus automatas.
Soluciones a medida. A veces en determinadas aplicaciones se encuentran controladores adaptativos a medida y que por tanto son exclusivos de cada sistema. Se
encuentran en barcos, aviones, automocion, y ciertas industrias.
7.5.1.
115
7.5.2.
Foxboro EXACT
7.5.3.
ABB Novatune
Esta herramienta de control STR (figura 7.7) esta basada entre otras cosas en el
control de mnima varianza y ofrece la capacidad de especificar la posicion de 1 de los
116
polos de bucle cerrado. Utiliza mnimos cuadrados recursivos con factor de olvido para
Figura 7.7: La herramienta Novatune se comercializa actualmente con el sistema Advant 410 de ABB.
Captulo 8
Control Predictivo Basado en
Modelo (MPC)
8.1.
Perspectiva hist
orica
El Control Predictivo se desarrollo en base a dos lneas basicas. Por un lado, a finales
de los a
nos setenta surgieron diversos algoritmos que usaban explcitamente un modelo
dinamico del proceso para predecir el efecto de las acciones de control futuras en la
salida, las cuales eran determinadas minimizando el error predicho sujeto a restricciones
de operacion. La optimizacion se repeta en cada instante de muestreo con informacion
actualizada del proceso. Estas formulaciones eran de naturaleza heurstica y algortmica
e intentaban aprovechar el creciente potencial de los computadores digitales por aquella
epoca.
Rapidamente el mpc adquirio gran popularidad en las industrias de procesos qumicos principalmente debido a la simplicidad del algoritmo y al uso del modelo de respuesta impulsional o en escalon, que aunque posea muchos mas parametros que las
formulaciones en el espacio de estados o funcion de transferencia suele ser preferido
por ser intuitivo y necesitar menos informacion a priori para identificar. La mayora
de las aplicaciones fueron llevadas a cabo sobre sistemas multivariables incluyendo
restricciones. Los algoritmos utilizados fueron principalmente el idcom (IdentificationCommand) y el dmc (Control con Matriz Dinamica, Dynamic Matrix Control).
Independientemente fue surgiendo otra lnea de trabajo en torno a las ideas del control adaptativo, desarrollando estrategias esencialmente para procesos monovariables
117
CONCEPTOS BASICOS
DE CONTROL PREDICTIVO
118
formuladas con modelos entrada/salida. En este contexto se extendieron las ideas del
Controlador de Mnima Varianza y se desarrollo el Control Predictivo Generalizado
(Generalized Predictive Control gpc) que es uno de los metodos mas populares en la
actualidad.
8.2.
Conceptos b
asicos de control predictivo
119
8.3.
120
u(t+k|t)
u(t)
^y(t+k|t)
y(t)
N
t-1
t+1
...
t+k
...
t+N
1. En cada instante t y haciendo uso del modelo del proceso se predicen las futuras
salidas para un determinado horizonte N , llamado horizonte de prediccion. Estas
salidas predichas, y(t + k | t)1 para k = 1 . . . N dependen de los valores conocidos
hasta el instante t (entradas y salidas pasadas) y de las se
nales de control futuras
u(t + k | t), k = 0 . . . N 1 que se pretenden mandar al sistema y que son las
que se quieren calcular.
2. El conjunto de se
nales de control futuras se calcula optimizando un determinado
criterio en el que se pretende mantener el proceso lo mas proximo posible a la
trayectoria de referencia w(t + k) (que puede ser directamente el setpoint o una
suave aproximacion a este). Este criterio suele tomar la forma de una funcion
cuadratica de los errores entre la salida predicha y la trayectoria de referencia
tambien predicha, incluyendo en muchos casos el esfuerzo de control. Si el criterio
es cuadratico, el modelo lineal y no existen restricciones se puede obtener una
solucion explcita, en otro caso se debe usar un metodo iterativo de optimizacion.
Adicionalmente se hace alguna suposicion sobre la estructura de la ley de control
futura, como por ejemplo que va a ser constante a partir de cierto instante.
3. La se
nal de control u(t | t) es enviada al proceso mientras que las siguientes
se
nales de control calculadas son desechadas, puesto que en el siguiente instante
de muestreo ya se conoce y(t + 1) y se repite el paso 1 con este nuevo valor y
todas las secuencias son actualizadas. Se calcula por tanto u(t + 1 | t + 1) (que en
1
Entradas y salidas
pasadas
Salidas
predichas
Modelo
121
Trayectoria
de referencia
Controles
futuros
Optimizador
Errores futuros
Funcion de coste
Restricciones
8.4.
Elementos b
asicos
Todos los controladores predictivos poseen elementos comunes y para cada uno de
estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos.
ELEMENTOS BASICOS
122
Modelo de prediccion
Funcion objetivo
Obtencion de la ley de control
8.4.1.
Modelo de predicci
on
X
i=1
hi u(t i)
g2
y(t)
g1
y(t)
hN
h1
hi
h2
123
...
t+1 t+2
t+N
...
t+1 t+2
t+N
b)
a)
Figura 8.3: Respuesta impulsional y ante escalon
N
X
(8.1)
i=1
y(t + k | t) =
N
X
i=1
ELEMENTOS BASICOS
124
donde las gi son los valores muestreados ante la entrada en escalon y 4u(t) =
u(t) u(t 1), seg
un se muestra en la figura 8.3b. El valor de y0 puede tomarse
0 sin perdida de generalidad, con lo cual el predictor sera:
y(t + k | t) =
N
X
gi 4 u(t + k i | t)
i=1
B(z 1 )
u(t + k | k)
A(z 1 )
k
X
i=1
Posee la ventaja de que sirve tambien para sistemas multivariables a la vez que
permite analizar la estructura interna del proceso (aunque a veces los estados
obtenidos al discretizar no tienen ning
un significado fsico). Los calculos pueden
ser complicados, con la necesidad adicional de incluir un observador si los estados
no son accesibles.
125
C(z 1 )e(t)
D(z 1 )
e(t)
1 z 1
8.4.1.1.
ELEMENTOS BASICOS
126
La se
nal uc (t) vale cero en el pasado y corresponde a las se
nales de control en los
instantes futuros:
uc (t j) = 0 para j = 1, 2,
uc (t + j) = u(t + j) u(t 1) para j = 0, 1, 2,
La prediccion de la secuencia se salida se separa en dos partes, como se ve en
la figura 8.4. Una de ellas (yf (t)), la respuesta libre, corresponde a la prediccion de
la salida cuando la variable manipulada se hace igual a uf (t), y la otra, la repuesta
forzada (yc (t)), corresponde a la prediccion de la salida cuando la se
nal de control es
uc (t). La respuesta libre corresponde a la evolucion del proceso debido a su estado
actual (incluido por tanto el efecto de acciones pasadas) mientras que la respuesta
forzada es la debida a las acciones de control futuras.
y
Process
uc
y
f
yc
8.4.2.
Funci
on objetivo
Los diversos algoritmos de mpc proponen distintas funciones de coste para la obtencion de la ley de control. En general se persigue que la salida futura en el horizonte
considerado siga a una determinada se
nal de referencia al mismo tiempo que se puede
penalizar el esfuerzo de control requerido para hacerlo. La expresion general de tal
funcion objetivo sera:
J(N1 , N2 , N u) =
N2
X
j=N1
(j)[
y (t + j | t) w(t + j)]2 +
Nu
X
(j)[4u(t + j 1)]2
(8.3)
j=1
127
se tiene en cuenta, mientras que en otros tambien aparecen directamente los valores de
la se
nal de control (no sus incrementos). En la funcion de coste se pueden considerar:
Parametros: N1 y N2 son los horizontes mnimo y maximo de coste (o de prediccion) y N u es el horizonte de control, que no tiene por que coincidir con el
horizonte maximo, como se vera posteriormente. El significado de N1 y N2 resulta bastante intuitivo: marcan los lmites de los instantes en que se desea que
la salida siga a la referencia. As, si se toma un valor grande de N1 es porque
no importa que haya errores en los primeros instantes, lo cual provocara una respuesta suave del proceso. Notese que para procesos con tiempo muerto d no tiene
sentido que N1 sea menor que dicho valor puesto que la salida no empezara a
evolucionar hasta el instante t + d. Ademas, si el proceso es de fase no mnima,
este parametro permite eliminar de la funcion objetivo los primeros instantes de
respuesta inversa.
Los coeficientes (j) y (j) son secuencias que ponderan el comportamiento futuro. Usualmente se consideran valores constantes o secuencias exponenciales. Por
ejemplo se puede conseguir un peso exponencial de (j) a lo largo del horizonte
usando:
(j) = N2 j
Si esta comprendido entre 0 y 1 indica que se penaliza mas a los errores mas
alejados del instante t que a los mas proximos, dando lugar a un control mas
suave y con menor esfuerzo. Si, por el contrario, > 1 es que se penalizan mas
los primeros errores, provocando un control mas brusco.
Todos estos valores pueden ser usados como parametros de sintonizacion, obteniendo un abanico muy amplio de posibilidades con las que se puede cubrir una extensa gama de opciones, desde un control estandar hasta una estrategia dise
nada
a medida para un proceso en particular.
Trayectoria de referencia: Una de las ventajas del control predictivo es que si se
conoce a priori la evolucion futura de la referencia, el sistema puede empezar
a reaccionar antes de que el cambio se haya efectivamente realizado, evitando
los efectos del retardo en la respuesta del proceso. En muchas aplicaciones la
evolucion futura de la referencia r(t + k) es conocida de antemano, como en
Robotica, servos o procesos en batch; en otras aplicaciones aunque la referencia sea
constante, se puede conseguir una sensible mejora de prestaciones simplemente
conociendo el instante de cambio de valor y adelantandose a esa circunstancia.
En el criterio de minimizacion (8.3), la mayora de los metodos suelen usar una
trayectoria de referencia w(t + k) que no tiene por que coincidir con la referencia
real. Normalmente sera una suave aproximacion desde el valor actual de la salida
ELEMENTOS BASICOS
128
k = 1 . . . N (8.4)
r(t+k)
w1(t+k)
w2 (t+k)
y(t)
t
Figura 8.5: Trayectoria de referencia
u(t)
umax
y(t)
ymax
129
t
t
8.4.3.
Obtenci
on de la ley de control
j > Nu
lo cual es equivalente a dar pesos infinitos a las cambios en el control a partir de cierto
instante. El caso lmite sera considerar N u igual a 1 con lo que todas las acciones
futuras seran iguales a u(t)2 .
2
130
8.5.
Revisi
on de los principales algoritmos
Se presentan a continuacion los principales algoritmos de control predictivo, mostrando sus principales caractersticas pero sin entrar en detalles. En el tema siguiente se
estudiaran en detalle los dos metodos considerados mas representativos: dmc y gpc.
8.5.0.1.
Este metodo usa la respuesta ante escalon (8.2) para modelar el proceso, considerando solo los N primeros terminos, asumiendo por tanto que el proceso es estable. En
cuanto a las perturbaciones, se considera que su valor permanence constante e igual al
existente en el instante actual durante todo el horizonte, es decir, igual al valor medido
de la salida (ym ) menos el estimado por el modelo y(t | t)).
n
(t + k | t) = n
(t | t) = ym (t) y(t | t)
y por tanto el valor predicho de la salida sera:
y(t + k | t) =
k
X
i=1
gi 4 u(t + k i) +
N
X
gi 4 u(t + k i) + n
(t + k | t)
i=k+1
donde el primer termino contiene las acciones de control futuras (que seran calculadas),
el segundo los valores pasados de las acciones de control (conocidas) y el u
ltimo representa las perturbaciones. La funcion de coste puede considerar solo errores futuros o
incluir tambien el esfuerzo de control, en cuyo caso toma la forma generica (8.3).
Una de las caractersticas de este metodo que lo ha hecho muy popular en la industria es la inclusion de restricciones, que se traduce en inecuaciones de la forma
generica:
N
X
j
j
Cyi
y(t + k | t) + Cui
u(t + k i) + cj 0
j = 1 . . . Nc
i=1
En este caso la optimizacion debe ser numerica y se lleva a cabo en cada periodo de
muestreo, enviandose la se
nal u(t) y recalculando todo en el nuevo periodo de muestreo,
como en todos los metodos mpc. Los principales inconvenientes de este metodo son el
tama
no del modelo empleado y la imposibilidad de tratar procesos inestables.
8.5.0.2.
131
Este metodo se conoce tambien como Model Predictive Heuristic Control y el producto comercial se llama idcom (Identification-Command). Es muy similar al dmc con
la diferencia principal de usar un modelo de respuesta impulsional (8.1). Introduce el
concepto de trayectoria de referencia como un sistema de primer orden que evoluciona
desde la salida actual al setpoint seg
un una determinada constante de tiempo. La varianza del error entre esta trayectoria y la salida es lo que marca la minimizacion de la
funcion objetivo. Las perturbaciones se pueden tratar como en el metodo anterior o se
pueden estimar seg
un la siguiente expresion:
n
(t + k | t) =
n(t + k 1 | t) + (1 )(ym (t) y(t | t))
con n
(t | t) = 0. es un parametro ajustable (0 < 1) relacionado con el tiempo
de respuesta, el ancho de banda y la robustez del bucle cerrado. El metodo tambien
considera restricciones en los actuadores, en las variables internas o en salidas secundarias.
8.5.0.3.
Este controlador fue desarrollado por Richalet para procesos rapidos. Emplea un
modelo en el espacio de estados, por lo que permite el manejo de procesos inestables,
y tambien la extension al caso no lineal. Este esquema de control tiene dos caractersticas que lo distinguen del resto de controladores de la familia: el uso de puntos de
coincidencia y de funciones base.
El concepto de puntos de coincidencia (ver figura 8.6) se emplea para simplificar los
calculos considerando solo un subconjunto de puntos en el horizonte de prediccion hj ,
j = 1, . . . , nH . La salida deseada y la predicha deben coincidir en dichos puntos, no en
todo el horizonte de prediccion.
La otra idea innovadora de este metodo es la parametrizacion de la se
nal de control como una combinacion lineal de ciertas funciones base, que son elegidas seg
un la
naturaleza del proceso y la referencia:
u(t + k) =
nB
X
i (t)Bi (k)
i=1
Normalmente estas funciones son de tipo polinomico: escalones (B1 (k) = 1), rampas
(B2 (k) = k) o parabolas (B3 (k) = k 2 ), ya que la mayora de referencias se pueden especificar como combinacion de estas funciones. Con esta estrategia, un perfil de entrada
132
Puntos de coincidencia
nH
X
[
y (t + hj ) w(t + hj )]2
j=1
8.5.0.4.
(k)[w(t + k) P (z 1 )
y (t + k | t)]2
133
u(t) =
N
P
hk (k)[w(t + k) P (z 1 )
y (t + k | t)]
k=d
N
P
k=d
(k)h2k
8.5.0.5.
1<k N d
N
d
X
u2 (t + k)
k=0
134
8.5.0.6.
Este metodo propuesto por Clarke et al. emplea un modelo carima (Controlled
Auto-Regressive Integrated Moving Average) para la prediccion de la salida:
e(t)
4
donde la perturbacion viene dada por un ruido blanco coloreado por el polinomio
C(z 1 ). Como en la practica es difcil encontrar el verdadero valor de este polinomio,
se puede emplear como parametro de dise
no para rechazo de perturbaciones o mejora de
la robustez. La prediccion optima se lleva a cabo resolviendo una ecuacion diofantica,
lo cual puede hacerse eficazmente de forma recursiva.
Este algoritmo, al igual que otros que usan el modelo de funcion de transferencia,
se puede implementar facilmente en forma adaptativa usando un algoritmo de identificacion en lnea como los mnimos cuadrados recursivos.
gpc usa una funcion de coste cuadratica de la forma
J(N1 , N2 , Nu ) =
N2
X
j=N1
(j)[
y (t + j | t) w(t + j)] +
Nu
X
(j)[4u(t + j 1)]2
j=1
Captulo 9
Controladores predictivos
9.1.
El metodo Dmc se desarrollo a finales de los setenta por Cutler y Ramaker de Shell
Oil Co. y ha sido aceptado ampliamente en el mundo industrial, principalmente por
las industrias petroqumicas. Actualmente dmc es algo mas que un algoritmo y parte
de su exito se debe al hecho de que el producto comercial resuelve otros temas como
identificacion u optimizacion global de la planta. En esta seccion solo se analiza el
algoritmo standard sin abordar detalles tecnicos propios del producto de mercado que
no son de dominio p
ublico.
Pero a pesar de este exito en la practica, este metodo adolece quizas de la ausencia
de un analisis teorico mas completo que estudie la influencia de los parametros de
dise
no (horizontes, secuencias de ponderacion) sobre la estabilidad del bucle cerrado
as como de resultados de robustez.
9.1.1.
Predicci
on
136
gi 4 u(t i)
i=1
gi 4 u(t + k i) + n
(t + k | t) =
i=1
k
X
gi 4 u(t + k i) +
i=1
gi 4 u(t + k i) + n
(t + k | t)
i=k+1
k
X
gi 4 u(t + k i) +
i=1
X
i=1
gi 4 u(t i) =
gi 4 u(t + k i) + ym (t)
i=k+1
k
X
gi 4 u(t + k i) + f (t + k)
i=1
f (t + k) = ym (t) +
(gk+i gi ) 4 u(t i)
(9.1)
i=1
N
X
(gk+i gi ) 4 u(t i)
i=1
Notese que si el proceso no es estable, entonces no existe N y no se puede calcular f (t + k) (aunque existe una generalizacion en el caso de que la inestabilidad sea
producida por integradores puros).
137
g1
0
g
g1
2
..
..
.
.
G =
gm gm1
..
..
.
.
gp gp1
...
0
0
..
.
...
g1
..
.
gpm+1
(9.2)
9.1.2.
Perturbaciones medibles
138
donde y
d es la contribucion de las perturbaciones medibles a la salida, D es una matriz
similar a G que contiene los coeficientes de la respuesta del sistema a un escalon en la
perturbacion, d es el vector de incrementos en la perturbacion y fd es la parte de la
respuesta que no depende de la perturbacion.
En el caso mas general de perturbaciones medibles y no medibles, la respuesta libre
completa del sistema (la fraccion de la salida que no depende de la variable manipulada)
se puede considerar como la suma de cuatro efectos: la respuesta a la entrada u(t), a la
perturbacion medible d(t), a la perturbacion no medible y al estado actual del proceso:
f = fu + D d + f d + fn
Por tanto la prediccion se puede expresar en la forma general
y
= Gu + f
9.1.3.
Algoritmo de control
p
X
[
y (t + j | t) w(t + j)]2
j=1
p
X
j=1
[
y (t + j | t) w(t + j)] +
m
X
[4u(t + j 1)]2
j=1
+
K
139
Proceso
f
Calculo
Resp. libre
u = (GT G + I)1 GT (w f )
(9.3)
Recuerdese que, como en todas las estrategias predictivas, solo se enva al proceso
el primer elemento del vector u (4u(t)). No es aconsejable implementar la secuencia
completa sobre los siguientes m intervalos, ya que al ser imposible estimar de forma
exacta las perturbaciones, no es posible anticiparse a las perturbaciones inevitables que
provocan que la salida real difiera de las predicciones que se emplean para calcular la
secuencia futura de acciones de control. Ademas, el setpoint puede cambiar durante los
proximos m intervalos.
Resulta interesante analizar en que consiste realmente la ley de control. Analizando la expresion 9.3 se observa que el primer elemento del vector u, que es la se
nal
que efectivamente se enva a la planta, es el producto de la primera fila de la matriz
(GT G+I)1 GT (llamemosle K) por la diferencia entre la trayectoria de referencia y la
respuesta libre, que es el error futuro si no hubiera incrementos en la se
nal de control.
Se puede decir por tanto que el incremento de la se
nal de control es proporcional (por
medio de K) a los errores futuros y por tanto habra cambios en la se
nal de control
siempre que el controlador detecte que va a haber una discrepancia en el futuro entre el
objetivo deseado y el comportamiento esperado del sistema. Esta idea queda reflejada
en la figura 9.1.
140
Zona segura 1
P. operacion
optimo
Punto operacion 1
Restriccion
zona
segura 2
Punto operacion 2
Restriccion
9.1.3.1.
j
j
Cyi
y(t + k | t) + Cui
u(t + k i) + cj 0
j = 1 . . . Nc
i=1
que deben tenerse en cuenta para la minimizacion. Como se ha visto, las salidas se
pueden expresar en funcion del vector de incrementos de control a traves de la matriz
dinamica, por que las restricciones tanto en la entrada como en la salida se pueden
recoger en una desigualdad matricial de la forma Ru c, como se vera con mas
detalle en el tema dedicado a restricciones. Ahora la minimizacion es un problema de
Programacion Cuadratica qp, cuya solucion es numerica.
Todo lo relacionado con las restricciones sera abordado con mayor grado de detalle
en el tema dedicado a ello.
9.1.3.2.
141
Extensi
on al caso multivariable
G = .
..
..
.
.
.
.
.
.
.
Gny1 Gny2 Gnynu
Cada submatriz Gij contiene los coeficientes de la respuesta ante escalon i-esima
correspondiente a la entrada j-esima. El proceso de minimizacion es analogo solo que la
ponderacion tanto de los errores como de los esfuerzos de control se realiza con matrices
de peso.
9.2.
El Control Predictivo Generalizado gpc fue propuesto por Clarke et al. en 1987
y se ha convertido en uno de los metodos mas populares en el ambito del Control
142
9.2.1.
Formulaci
on del Control Predictivo Generalizado
La mayora de los procesos de una sola entrada y una sola salida (single-input singleoutput, siso), al ser considerados en torno a un determinado punto de trabajo y tras
ser linealizados, pueden ser descritos de la siguiente forma:
A(z 1 )y(t) = z d B(z 1 )u(t 1) + C(z 1 )e(t)
donde u(t) y y(t) son respectivamente la se
nal de control y la salida del proceso y e(t)
es un ruido blanco de media cero. A, B y C son los siguientes polinomios en el operador
de desplazamiento hacia atras z 1 :
A(z 1 ) = 1 + a1 z 1 + a2 z 2 + ... + ana z na
B(z 1 ) = b0 + b1 z 1 + b2 z 2 + ... + bnb z nb
C(z 1 ) = 1 + c1 z 1 + a2 z 2 + ... + cnc z nc
donde d es el tiempo muerto del sistema.
143
Este modelo es conocido como Autorregresivo de Media Movil (Controller AutoRegressive Moving-Average carma). En muchas aplicaciones industriales en las que
las perturbaciones son no-estacionarias resulta mas conveniente el uso de un modelo
carma integrado, dando lugar al carima, que viene descrito por:
A(z 1 )y(t) = B(z 1 )z d u(t 1) + C(z 1 )
e(t)
4
con
4 = 1 z 1
(9.4)
N2
X
(j)[
y (t + j | t) w(t + j)] +
Nu
X
(j)[4u(t + j 1)]2
(9.5)
j=1
j=N1
donde y(t + j | t) es la prediccion optima j pasos hacia delante de la salida del proceso
con datos conocidos hasta el instante t, N1 y N2 son los horizontes mnimo y maximo
de coste, N u es el horizonte de control y (j) y (j) son las secuencias de ponderacion
mientras que w(t + j) es la futura trayectoria de referencia, que se puede calcular seg
un
se muestra en la figura 8.5. En muchas situaciones se considera (j) igual a 1 y (j)
constante.
El objetivo es pues el calculo de la futura secuencia de control u(t), u(t + 1),... de
tal manera que la salida futura del proceso y(t + j) permanezca proxima a w(t + j).
Esto se logra minimizando J(N1 , N2 , N u).
9.2.1.1.
Predicci
on o
ptima
(9.6)
144
Supongase que se utiliza el mismo procedimiento para obtener Ej+1 y Fj+1 , es decir,
1 ) hasta que el resto se pueda factorizar como z (j+1) Fj+1 (z 1 ) con
dividir 1 entre A(z
Fj+1 (z 1 ) = fj+1,0 + fj+1,1 z 1 + + fj+1,na z na
Esta claro que solamente es necesario dar un paso mas en la division para obtener
los polinomios Ej+1 y Fj+1 . Al ser Ej+1 el nuevo cociente de la division, sera igual al
145
cociente que haba hasta el momento (Ej ) mas un nuevo termino, que sera el fj,0 pues
es monico. Por tanto:
el divisor (A)
Ej+1 (z 1 ) = Ej (z 1 ) + ej+1,j z j
Teniendo en cuenta que el nuevo resto sera el resto anterior menos el producto del
cociente por el divisor, los coeficientes del polinomio Fj+1 se pueden expresar como:
fj+1,i = fj,i+1 fj,0 a
i+1 i = 0 na
En resumen, la forma de obtener los polinmios Ej y Fj es la siguiente:
para i = 0 nb
146
(9.9)
Donde
y =
G =
y(t + d + 1 | t)
y(t + d + 2 | t)
..
.
y(t + d + N | t)
g0
g1
..
.
0
g0
..
.
F(z ) =
0
0
..
.
gN 1 gN 2 ... g0
G0 (z 1 ) =
...
...
..
.
u=
4u(t)
4u(t + 1)
..
.
4u(t + N 1)
z(Gd+1 (z 1 ) g0 )
2
z (Gd+2 (z 1 ) g0 g1 z 1 )
..
.
z N (Gd+N (z 1 ) g0 g1 z 1 gN 1 z (N 1) )
Fd+1 (z 1 )
Fd+2 (z 1 )
..
Fd+N (z 1 )
Al depender los u
ltimos terminos de la ecuacion (9.9) solo del pasado, pueden
agruparse en f, dando lugar a:
y = Gu + f
(9.10)
Observese que es la misma expresion que se obtuvo para el dmc, aunque en este
caso la respuesta libre es distinta.
9.2.1.2.
Obtenci
on de la ley de control
(9.11)
donde:
w=
T
(9.12)
147
(9.13)
donde:
H = 2(GT G + I)
b = 2(f w)T G
f0 = (f w)T (f w)
El mnimo de J, siempre que no existan restricciones en la se
nal de control, puede
ser calculado igualando a cero el gradiente de J, lo cual conduce a:
u = H1 bT
(9.14)
Debido al uso de la estrategia deslizante, solo se aplica realmente el primer elemento del
vector u, repitiendo de nuevo el mismo procedimiento al siguiente instante de muestreo.
La solucion propuesta involucra la inversion (o al menos la triangularizacion) de una
matriz de dimension N N , lo cual conlleva una gran carga de calculo. El concepto ya
usado en otros metodos de horizonte de control se emplea con la finalidad de reducir
la cantidad de calculo, asumiendo que las se
nales de control permaneceran en un valor
constante a partir del intervalo N u < N . Por tanto la dimension de la matriz que hay
que invertir queda reducida a N u N u, quedando la carga de calculo reducida (en el
caso lmite de N u = 1, se reduce al caso escalar) aunque restringiendo la optimalidad.
9.2.2.
Ejemplo de c
alculo
e(t)
4
148
F1 (z 1 ) = 1,8 0,8z 1
F2 = 2,44 1,44z 1
y(t + 1 | t)
0,4
0
0
4u(t)
y(t + 2 | t) = 1,32 0,4 0 4u(t + 1) +
y(t + 3 | t)
2,056 1,32 0,4
4u(t + 2)
0,133
0,286 0,147
(GT G + I)1 GT = 0,154 0,165 0,286
0,029 0,154 0,1334
149
Como solo se necesita el valor de 4u(t) para los calculos, solo se emplea realmente la
primera fila de la matriz, con lo que resulta la siguiente expresion para la ley de control:
4u(t) = 0,6042 4 u(t 1) 1,371y(t) + 0,805y(t 1) +
+ 0,133w(t + 1) + 0,286w(t + 2) + 0,147w(t + 3)
donde w(t + i) es la trayectoria de referencia que se puede considerar bien constante
e igual a la referencia actual o bien una suave aproximacion de primer orden a esta.
Entonces la se
nal de control resulta ser una funcion de la referencia deseada y de
entradas y salidas pasadas, dada por:
9.2.3.
Caso multivariable
Al igual que en el dmc todo lo visto para el caso de sistemas con una sola entrada
y una sola salida se puede extender al caso multivariable, aunque los calculos son mas
complejos.
En este caso el modelo carima para un sistema de m entradas y n salidas se puede
expresar como:
1
A(z 1 )y(t) = B(z 1 )u(t 1) + C(z 1 )e(t)
(9.15)
4
donde A(z 1 ) y C(z 1 ) son matrices polinomiales monicas de dimension nn y B(z 1 )
es una matriz polinomial de dimension n m, definidos como:
A(z 1 ) = Inn + A1 z 1 + A2 z 2 + + Ana z na
B(z 1 ) = B0 + B1 z 1 + B2 z 2 + + Bnb z nb
C(z 1 ) = Inn + C1 z 1 + C2 z 2 + + Cnc z nc
150
N2
X
j=N1
k
y (t + j | t) w(t +
j)k2R
N3
X
k 4 u(t + j 1)k2Q
j=1
Captulo 10
Otros aspectos del Control
Predictivo
10.1.
En la practica todos los procesos estan sujetos a restricciones. Los actuadores tienen
un campo limitado de accion impuesto por lmites fsicos (por ejemplo una valvula no
puede abrir mas de un 100 % o un calentador no puede aportar mas de su potencia
maxima. Tambien existen lmites de seguridad (por ejemplo presiones o temperaturas
maximas), requerimientos tecnologicos (por ejemplo mantener temperaturas en un rango dado), limitaciones de calidad del producto (no salirse de cierta zona) o normativa
medioambiental.
10.1.1.
152
P
Pmax
P1
P2
Q1 Q2
u(t+1)
u(t+1)
u max
u max
uc
u
u max
uc
153
u
u max
u(t)
a)
u(t)
b)
10.1.2.
En la actualidad el mpc es la u
nica metodologa capaz de incorporar las restricciones
de forma sistematica en la fase de dise
no del controlador, siendo esta caracterstica una
de las razones de su gran exito en la industria. Parece logico que al disponer de un
modelo dinamico del proceso se pueda conocer la evolucion futura de su salida y por
tanto se pueda saber si esta va a violar o no las restricciones y actuar en consecuencia.
Para formular el algoritmo mpc con restricciones hay que expresar estas en funcion
de la variable sobre la que se puede actuar, es decir, en funcion de u. Las restricciones
en la entrada estan ya expresadas en funcion de u y para las restricciones en la salida
se hace uso de las ecuaciones de prediccion que expresan el valor futuro de las salidas
en funcion de las se
nales de control futuras y valores conocidos en el instante t.
Cualquier controlador predictivo calcula la prediccion como:
y = Gu + f
por lo que tanto entradas como salidas se pueden expresar en funcion del vector de
incrementos de la se
nal de control.
Las restricciones que aparecen seran basicamente amplitud y velocidad de cambio
en la se
nal de control y amplitud en la salida y se pueden expresar como:
154
U
u(t)
U t
u u(t) u(t 1) u t
y
y(t)
y t
R=
IN N
IN N
T
T
G
G
c=
lu
l u
l U lu(t 1)
l U + lu(t 1)
l yf
l y + f
155
Restricciones blandas, que son aquellas que pueden ser violadas en un momento
dado por no ser cruciales, pero la violacion se penaliza en la funcion objetivo
como un termino mas. Es una forma de relajar la restriccion.
10.1.3.
Resoluci
on del problema
156
En cualquier caso es un tema muy abierto, sobre todo si se quieren considerar las
incertidumbres en el modelo y los temas asociados con la factiblidad.
10.1.4.
Gesti
on de restricciones
157
Lmites fsicos
Lmites de operacin
Restricciones reales
10.1.4.1.
T
ecnicas de b
usqueda de soluciones factibles
158
2. Eliminacion de restricciones.
3. Relajacion de restricciones.
4. Otras tecnicas.
1. Desconexi
on del controlador
La forma mas sencilla de resolver de este tipo de problemas es pasar el controlador
a posicion manual cuando aparecen las incompatibilidades de restricciones y volver a
operacion automatica cuando se recupera la admisibilidad de la solucion.
Este metodo, como se puede comprender tiene serias desventajas. Normalmente,
cuando aparecen problemas de incompatibilidad de restricciones es porque el sistema
en bucle cerrado se encuentra en un estado crtico donde normalmente el operador
tendra muy poca experiencia en la operacion. Adicionalmente, si las restricciones estan
relacionadas con aspectos de seguridad o economicos, las decisiones llevadas a cabo
cuando aparecen problematicas de compatibilidad de restricciones suelen ser crticas
dado que en estos casos alguno de los objetivos del control no puede ser satisfecho.
El metodo suele ser utilizado cuando los problemas de incompatibilidad de restricciones no son frecuentes.
2. Eliminaci
on de restricciones
La factibilidad se analiza en cada periodo de muestreo, por lo que la eliminacion
de restricciones se realiza de forma temporal. Periodicamente se chequea la factibilidad
para poder reinsertar restricciones eliminadas.
La eliminacion de un grupo de restricciones ha de realizarse en aquellos casos en que
el conjunto completo de restricciones que se imponen sobre el sistema sea incompatible.
Cada vez que existe un problema de incompatibilidad de restricciones, se forma un
conjunto de restricciones no admisibles que no se tienen en cuenta en el proceso de
optimizacion. Se pueden distinguir en la metodologa de eliminacion de restricciones
varios tipos.
Eliminaci
on indiscriminada Con esta estrategia todas las restricciones se eliminan cada vez que aparezcan problemas de existencia de solucion factible, quedando
la optimizacion de un problema sin restricciones. No es un metodo muy optimo para
159
Eliminaci
on jer
arquica En este caso solo se eliminan las restricciones que provocan
problemas de incompatibilidad. En este metodo se asigna en la etapa de dise
no una
prioridad a cada restriccion, que da un grado de importancia relativa de dicha restriccion frente a las otras. Esta prioridad se usara para clasificar las restricciones de una
forma jerarquica (se asigna un n
umero que indica su posicion en la jerarqua). De este
modo, cada vez que haya problemas de factibilidad o existencia de solucion el gestor
de restricciones va eliminando por orden las restricciones menos prioritarias hasta que
se restablece la factibilidad de la solucion, que se chequea cada periodo de muestreo
para reinsertar restricciones que hubieran sido temporalmente eliminadas.
En este sentido, a la hora de eliminar restricciones se pueden establecer diferentes
tipos de reglas para establecer el n
umero de restricciones que se eliminan, si conviene
eliminar mas restricciones a costa de no eliminar una con prioridad superior, etc.
3. Relajaci
on de restricciones
Otro metodo para tener en cuenta el problema de existencia de solucion es la relajacion de las restricciones. Se puede hacer una relajacion de los lmites de forma
temporal o convertir restricciones duras (Ru c), cambiandolas en restricciones blandas (Ru c + , con 0) para asegurar la existencia de solucion, a
nadiendo un
termino T T a la funcion de coste de forma que se penalice la violacion de la restriccion y obtener un mejor comportamiento del sistema controlado. A largo plazo, el
termino de penalizacion en la funcion objetivo llevara las variables auxiliares a cero.
4. Otras t
ecnicas
Existen tecnicas que se basan en la manipulacion del horizonte mnimo de las restricciones. Algunos controladores industriales como el qdmc usan el concepto de constraint
window. La constraint window comienza en alg
un punto en el futuro y contin
ua hasta
el estado estacionario. Si existe dinamica del tipo de fase no mnima, se pueden mejorar
las prestaciones desplazando la ventana hacia el futuro, lo que equivale a ignorar las
restricciones duras en la salida durante la fase inicial de la respuesta.
160