P. 1
Notas de Sistemas de Control Avanzado

Notas de Sistemas de Control Avanzado

|Views: 2.572|Likes:
Publicado porAndrés Maya

More info:

Published by: Andrés Maya on Nov 17, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/18/2013

pdf

text

original

Sections

  • PROBLEMAS PROPUESTOS
  • REFERENCIAS
  • 2.1 CONTROLABILIDAD
  • 2.2 OBSERVABILIDAD
  • 2.5 SISTEMA DE CONTROL CON ENTRADA DE REFERENCIA
  • 2.6 OBSERVADORES DE ESTADO DE ORDEN COMPLETO
  • 2.7 OBSERVADOR DE ESTADO TIPO PREDICTOR
  • 2.7.1 Cálculo de la matriz de ganancia del observador: la ecuación
  • 2.8 OBSERVADOR DE ESTADO DE ORDEN REDUCIDO
  • 2.9 SISTEMAS TIPO SERVO
  • 2.10 SISTEMAS NO LINEALES
  • 2.10.2 Diseño de Controladores para Sistemas no Lineales: Teniendo en
  • PROBLEMAS PROPUESTOS
  • 3.1.3 Identificación de las características dinámicas de la planta: las
  • 3.1.4 Toma de decisión basada en la identificación de la planta: se entiende
  • 3.2 ESQUEMAS BÁSICOS DE CONTROL ADAPTATIVO
  • 3.2.3 Control con ganancia programada (Gain Scheduling): El control por
  • 3.2.4 Modelos discretos para sistemas de control adaptativo
  • Figura 3.5 Modelos discretos para sistemas de control adaptativo
  • 4.1 TIPOS DE MODELOS
  • 4.2 PROCEDIMIENTO PARA LA IDENTIFICACIÓN
  • 4.3 TÉCNICAS DE IDENTIFICACIÓN
  • 4.4 IDENTIFICACIÓN PARAMÉTRICA
  • 4.4.1 Identificación por el método de mínimos cuadrados no recursivo. Se
  • 4.4.2 Identificación por el método de mínimos cuadrados recursivos: En el
  • 5.1 ECUACIÓN GENERAL PARA CONTROLADORES LINEALES
  • 6.2 MRAC PARA SISTEMAS DISCRETOS
  • 5.2 ESTRATEGIA DE LOS CONTROLADORES PREDICTIVOS
  • 8.2 ESTRUCTURA BÁSICA DEL CONTROL PREDICTIVO
  • 8.3 ELEMENTOS DE CONTROL PREDICTIVO
  • El modelo de predicción

Control Avanzado. Luis Edo García Jaimes

1

TABLA DE CONTENIDO 1. ANÁLISIS DE SISTEMAS DE CONTROL EN EL ESPACIO DE ESTADO 1.1 FORMAS CANÓNICAS PARA ECUACIONES EN EL ESPACIO DE ESTADO EN TIEMPO DISCRETO 1.1.1 1.1.2 1.1.3 1.1.4 1.2 Forma Canónica Controlable Forma Canónica Observable Forma Canónica Diagonal Forma Canónica de Jordan FUNCIÓN DE TRANSFERENCIA DE PULSO Y REPRESENTACIÓN EN EL ESPACIO DE ESTADO. 1.3 SOLUCIÓN DE ECUACIONES DE ESTADO EN TIEMPO DISCRETO 1.3.1 1.3.2 Método Recursivo Método de la Transformada z PROBLEMAS PROPUESTOS REFERENCIAS 2. DISEÑO DE SISTEMAS DE CONTROL EN EL ESPACIO DE ESTADO 2.1 2.1.1 2.1.2 2.2 2.3 2.1 CONTROLABILIDAD Controlabilidad Completa del Estado Controlabilidad Completa de la salida OBSERVABILIDAD CONTROL POR REALIMENTACIÓN DEL ESTADO Y ASIGNACIÓN DE POLOS 2.4 CALCULO DE LA MATRIZ DE GANANCIA DE REALIMENTACIÓN 2.5 2.6 2.7 2.7.1 SISTEMA DE CONTROL CON ENTRADA DE REFERENCIA OBSERVADORES DE ESTADO DE ORDEN COMPLETO OBSERVADOR DE ESTADO TIPO PREDICTOR Cálculo de la matriz de ganancia del observador 29 32 33 35 26 20 20 21 22 24 13 14 16 18 19 13 8 8 9 10 10 11 5

Control Avanzado. Luis Edo García Jaimes

2 35 36 42 49 54 54 56 60 62 63 63 63 64 65 65 65 66 67 68 69 69

2.7.2 2.7.3 2.8 2.9 2.10 2.10.1 2.10.2

Formula de Ackerman Función de Transferencia de Pulso del Controlador OBSERVADOR DE ESTADO DE ORDEN REDUCIDO SISTEMAS TIPO SERVO SISTEMAS NO LINEALES Linealización de sistemas no lineales Diseño de Controladores para Sistemas no Lineales PROBLEMAS PROPUESTOS REFERENCIAS

3. 3.1 3.1.1 3.1.2 3.1.3 3.1.4 3.2 3.2.1 3.2.2 3.2.3 3.2.4 3.2.5

CONTROL ADAPTATIVO DEFINICIÓN Índice de desempeño Controladores adaptativos Identificación de las características dinámicas de la planta Toma de decisión basada en la identificación de la planta ESQUEMAS BÁSICOS DE CONTROL ADAPTATIVO Controlador autosintonizado (STR) Control con modelo de referencia (MRAC) Control con ganancia programada (Gain Scheduling) Modelos discretos para sistemas de control adaptativo Clasificación de los controladores discretos según la señal de control REFERENCIAS

70 71 72 73 73 73 73 73 74

4. 4.1 4.2 4.2.1 4.2.2 4.2.3 4.2.4 4.2.5

CONCEPTOS BÁSICOS DE IDENTIFICACIÓN DE SISTEMAS TIPOS DE MODELOS PROCEDIMIENTO PARA LA IDENTIFICACIÓN. Recolección de datos Tratamiento previo de los datos obtenidos La Selección del Modelo Estimación de parámetros Validación del Modelo

Control Avanzado.1 5. 8.3 REGULADORES AUTOADAPTABLES ECUACIÓN GENERAL PARA CONTROLADORES LINEALES Método de asignación de polos Controlador de mínima varianza Diseño de un controlador PI Adaptativo por asignación y cancelación de polos para un sistema de primer orden (POR): PROBLEMAS PROPUESTOS REFERENCIAS 103 106 107 108 6. 5.3 4.2 8.2 MRAC PARA SISTEMAS DISCRETOS PROBLEMAS PROPUESTOS REFERENCIAS 116 125 128 129 144 146 147 147 148 149 149 152 7.3.2 TÉCNICAS DE IDENTIFICACIÓN Identificación fuera de línea (Off-Line) Identificación en línea (On-Line) IDENTIFICACIÓN PARAMÉTRICA Identificación por el método de mínimos cuadrados no recursivo Identificación por el método de mínimos cuadrados recursivos PROBLEMAS PROPUESTOS REFERENCIAS 5.1. 6.1 4.1 8.4 4.1 8.3.2 CONTROL PREDICTIVO ESTRATEGIA DE LOS CONTROLADORES PREDICTIVOS ESTRUCTURA BÁSICA DEL CONTROL PREDICTIVO ELEMENTOS DE CONTROL PREDICTIVO Modelo de predicción Función objetivo .1. MÉTODO DE LYAPUNOV 6.2 5.1.4.1 4.1 5.1 CONTROL ADAPTATIVO POR MODELO DE REFERENCIA MRAC PARA SISTEMAS CONTINUOS.2 4.4.3. Luis Edo García Jaimes 3 75 75 75 76 76 80 85 88 89 89 90 92 101 4.3.3 8. CONTROL ADAPTATIVO CON GANANCIA PROGRAMABLE PROBLEMAS PROPUESTOS REFERENCIAS 8.

4.3 8.Control Avanzado.4 8.4.5 8.6 CONTROL PREDICTIVO GENERALIZADO (GPC) Formulación del control predictivo generalizado Predicción óptima Obtención de la ley de control CONTROL CON MODELO INTERNO DISEÑO DE COMPENSADORES POR EL MÉTODO DE RAGAZZINI PROBLEMAS PROPUESTOS REFERENCIAS BIBLIOGRAFIA GENERAL 175 178 178 . Luis Edo García Jaimes 4 153 153 154 156 163 169 8.4.2 8.1 8.

Para un mayor entendimiento del concepto de estado se definen a continuación algunos términos [1. El diseño de sistemas en el espacio de estado se puede realizar con todo tipo de entradas. Luis Edo García Jaimes 5 Este método tiene como objetivo la descripción de un sistema en función de ecuaciones en diferencias o diferenciales de primer orden. tales que el conocimiento de dichas variables en conocimiento de la entrada para . junto con el completamente el determinan comportamiento dinámico del sistema para Variables de Estado: son las variables que conforman el conjunto más pequeño de variables que determinan el estado de un sistema dinámico. las cuales pueden combinarse para formar una ecuación matricial en diferencias o una diferencial de primer orden. permite incluir condiciones iniciales y analizar los sistemas de control con respecto a índices de desempeño dados. Estado: el estado de un sistema dinámico es el conjunto más pequeño de variables.Control Avanzado.1]. Las variables de .

el sistema de la figura 1.1 Representación de un sistema dinámico a) Representación con las variables de estado. representan las variables Figura 1. Pero. En la figura 1. representan las entradas que . en la práctica. Luis Edo García Jaimes 6 estado no necesitan ser cantidades físicamente medibles u observables.1b en donde de salida y es el vector de entrada. . las variables respuestas del sistema y las variables internas o variables de estado del sistema. Vector de Estado: es el vector formado por el conjunto de las estado variables de que sean necesarias para determinar completamente el comportamiento del sistema. es conveniente seleccionar como variables de estado a cantidades que sean fácilmente medibles. es el vector es el vector de estado es decir: . representan las salidas o .1a se puede representar como se muestra en la figura 1. b) Representación con el vector de estado.Control Avanzado.1a las variables comandan al sistema. Por conveniencia.

y ) ) ) ) indica que ) La variable en el argumento de las matrices estas matrices varían en el tiempo. La matriz representa la transmisión directa de la entrada a la salida. . dichas matrices son constantes y las ecuaciones de estado y salida del sistema se pueden escribir como: En la representación por variables de estados de un sistema lineal. Luis Edo García Jaimes 7 En general. La figura 1. la salida del sistema se puede dar como: Para los sistemas lineales de tiempo discreto variantes en el tiempo.Control Avanzado.7 . la ecuación que describe el estado de un sistema de tiempo discreto. .2 representa el diagrama en bloques de un sistema de control discreto definido por las ecuaciones 1. mientras que la matriz el efecto de la entrada (o el control) sobre la dinámica del sistema. con matrices . las matrices y describen el comportamiento no-forzado del caracteriza sistema (o el comportamiento a entrada-cero). en el instante se puede escribir en la forma: Así mismo. Si se tiene un sistema de tiempo discreto lineal e invariante en el tiempo.6 y 1. la ecuación de entrada y la ecuación de salida se pueden escribir así: En donde: Vector de estado Vector de salida Vector de entrada Matriz de estado Matriz de entrada Matriz de salida Matriz de transmisión directa (vector ) (vector (vector ) (matriz (matriz (matriz (matriz . y .

1. 1. Las más utilizadas son las llamadas formas canónicas a saber: forma canónica controlable.1 Forma Canónica Controlable: la representación en el espacio de estado del sistema en tiempo discreto definido por las ecuaciones 1. forma canónica observable. Luis Edo García Jaimes 8 Figura 1.1 FORMAS CANÓNICAS PARA ECUACIONES EN EL ESPACIO DE ESTADO EN TIEMPO DISCRETO Sea el sistema en tiempo discreto definido por la ecuación de diferencias: En donde es la entrada y es la salida del sistema en el instante de muestreo .Control Avanzado.8.10 se puede expresar en la forma: . forma canónica diagonal y forma canónica de Jordan [1.2] 1. 1.9 ó 1.2 Diagrama en bloques de un sistema de tiempo discreto lineal e invariante en el tiempo 1. La función de transferencia de pulso correspondiente a la ecuación 1.10.9 y 1.8.8 está dada por: Existen diferentes formas para representar el sistema discreto definido por las ecuaciones 1.

9 ó 1. 1.3 Forma Canónica Diagonal: si los polos de la función de transferencia de pulso dada por la ecuación 1.8. 1.10 son todos distintos.2 Forma Canónica Observable: la representación en el espacio de estado del sistema en tiempo discreto definido por las ecuaciones 1.8.9 ó 1.Control Avanzado.10 se puede expresar en la forma: 1. Luis Edo García Jaimes 9 1. es decir.10 se puede expresar en la forma: .1. si ella se puede expandir en fracciones parciales en la forma: La representación en el espacio de estado definido por las ecuaciones 1.1.

4 Forma Canónica de Jordan: Si al descomponer en fracciones parciales la función de transferencia dada por la ecuación 1. observable y diagonal.1 Dado el sistema: a) Obtener su representación en el espacio de estado en las formas canónicas controlable. SOLUCIÓN: el sistema dado puede escribirse en la forma: .1.10 se obtiene un polo múltiple de orden en y todos los demás polos son distintos.8. Luis Edo García Jaimes 10 1.10 se puede expresar en la forma: EJEMPLO 1.Control Avanzado.9 ó 1. 1. es decir: La representación en el espacio de estado definido por las ecuaciones 1.

11 da la forma canónica controlable así: La ecuación 1.2 FUNCIÓN DE TRANSFERENCIA DE PULSO Y REPRESENTACIÓN EN EL ESPACIO DE ESTADO.14 se obtiene: 1. la representación en el espacio de estado de un sistema discreto lineal e invariante en el tiempo se puede expresar en la forma: .Control Avanzado. se obtiene expandiendo en fracciones parciales: Utilizando la ecuación 1. Como se ha visto.10) La ecuación 1. Luis Edo García Jaimes 11 y En donde (ver ecuación 1.12 da la forma canónica observable así: Como los polos de la función de transferencia del sistema son todos distintos. la representación del mismo. en su forma canónica diagonal.

18 se obtiene: La definición de la función de transferencia considera que las condiciones iniciales son iguales a cero. la función de transferencia del mismo será: De la ecuación 1. Luis Edo García Jaimes 12 Tomando la transformada z a las ecuaciones 1. entonces: Premultiplicando por se obtiene: Es decir: Como es la entrada al sistema e su salida.20 se deduce que la ecuación característica del sistema es: EJEMPLO 1.17 y 1.2 Hallar la función de transferencia de pulso del sistema cuyo comportamiento dinámico está descrito mediante la ecuación: SOLUCIÓN: La función de transferencia del sistema es: .Control Avanzado.

3 SOLUCIÓN DE ECUACIONES DE ESTADO EN TIEMPO DISCRETO.3] 1.25 se obtiene: La matriz como: se denomina “Matriz de Transición de Estado” y se puede expresar Reemplazando la ecuación 1. la solución general de la ecuación 1. que utiliza el método de la transformada z [1.Control Avanzado.3. Además. Luis Edo García Jaimes 13 1. Existen dos técnicas fundamentales para resolver ecuaciones de estado en tiempo discreto: una que utiliza el método recursivo y otra.1 Método Recursivo: Considerando la ecuación de estado en tiempo discreto e invariante en el tiempo: Es obvio que para Entonces: La ecuación 1.23. entonces. de 1.25 y la 1.26 se obtiene: .25 es.27 en la 1.

Control Avanzado. Luis Edo García Jaimes

14

EJEMPLO 1.3 Resolver, utilizando el método recursivo, la ecuación de estado en tiempo discreto:

Asumiendo que

y que

para 0.

Asumiendo que x(0) = 0 y que u(k) = 1 para k

SOLUCIÓN: El procedimiento es el siguiente:

1.3.2 Método de la Transformada z: Considerando el sistema descrito por la ecuación de estado [1.4]:

Tomando la transformada Z se obtiene:

Control Avanzado. Luis Edo García Jaimes

15

Premultiplicando por

se obtiene:

Tomando la Transformada z inversa se obtiene:

Comparando término a término las ecuaciones 1. 27 y 1.30 se obtiene que:

EJEMPLO 8.4 Hallar la matriz de transición y resolver la ecuación de estado para el sistema descrito por la ecuación:

Asumiendo que

,

y que

para

.

SOLUCIÓN: La matriz de transición

está dada por:

La solución de la ecuación de estado se obtiene así:

Control Avanzado. Luis Edo García Jaimes

16

PROBLEMAS PROPUESTOS 1.1 Obtenga cuatro diferentes representaciones en el espacio de estado para cada uno de los siguientes sistemas discretos. Considere condiciones iniciales iguales a cero.

1.2 Obtenga la función de transferencia de pulso correspondiente a cada uno de los sistemas cuya representación en el espacio de estado discreto se da a continuación:

5 Para cada uno de los sistemas mecánicos que se muestran en la figura 1.Control Avanzado. obtenga su representación en el espacio de estado. Figura 1. a partir de ellas.3 obtenga las ecuaciones diferenciales que describen su comportamiento dinámico y.5 .4 Dado el sistema: 1. Asuma que e son las salidas y la entrada.3 Dado el sistema: 1.3 sistemas mecánicos para el problema 1. Luis Edo García Jaimes 17 1.

Digital control systems design. [1. Asuma que el torque es la entrada al sistema y que es su salida. Charles.1] Ogata. Prentice Hall.4 Sistemas mecánicos rotacionales para el problema 1. [1. Katsuhiko. .2] Santina. Sistemas de control en tiempo discreto.Control Avanzado. Digital control systems. obtenga su representación en el espacio de estado. Mexico 1996.3] Phillips. Prentice Hall. Englewood Cliffs 1995. Analysis and design. Prentice Hall. Englewood cliffs 1995. Mohamed. a partir de ellas. Figura 1.4 obtenga las ecuaciones diferenciales que describen su comportamiento dinámico y. Saunders College Publishing Orlando 1994. Luis Edo García Jaimes 18 1.6 Para cada uno de los sistemas mecánicos rotacionales que se muestran en la figura 1. Analysis and design. Charles.6 REFERENCIAS [1. Digital control systems.4] Phillips. [1. Nagle Troy. Stubberud et al. Nagle Troy.

La controlabilidad y la observabilidad son propiedades de la descripción interna del sistema. Luis Edo García Jaimes 19 El problema de diseño de un sistema de control digital consiste en determinar un algoritmo que permita generar control de la planta una secuencia de valores de las variables de cumplan con las . utilizando el método de asignación de polos. Para su aplicación el método requiere que el sistema sea completamente controlable y completamente observable. exactitud. etc. de manera que las salidas especificaciones de funcionamiento establecidas en cuanto a estabilidad. velocidad de respuesta.Control Avanzado. un índice determinado de desempeño. En esta sección se presenta el diseño de controladores en el espacio de estado. .

definida a lo largo de un número finito de periodos de muestreo de manera que. la ecuación 2.Control Avanzado. partiendo de cualquier estado inicial. [2. Luis Edo García Jaimes 20 2. de las matrices La solución de la ecuación 2.1 es: y de la ecuación 2. si existe una señal de control. si es posible transferir el sistema desde un estado inicial arbitrario a cualquier otro estado deseado en un intervalo de tiempo finito.1 Controlabilidad Completa del Estado: Sea el sistema discreto: Se dice que un sistema de control es de “estado completamente controlable”.1 CONTROLABILIDAD 2.4 se puede reescribir así: .1.1]. el estado pueda ser transferido al estado deseado máximo.1. es decir. en periodos de muestreo como De la ecuación 2. no restringida. la controlabilidad completa del estado depende sólo de la variación del estado con las entradas es decir.2 se obtiene: La expresión anterior se puede escribir en la forma: Si y son conocidos.

. Luis Edo García Jaimes 21 es . si mediante una señal de control no restringida es posible transferir la salida del sistema desde un valor inicial deseado en períodos de muestreo como máximo. Una condición suficiente y necesaria para la controlabilidad completa del estado.4 y 2. el sistema descrito por la ecuación 9.2 Controlabilidad Completa de la salida: En la práctica.1 es controlable si: Siendo el orden de la matriz A.Control Avanzado.7 y 2. es necesario analizar la controlabilidad completa de la salida. en un sistema de control se controla la salida del sistema en lugar de controlar el estado.5 debe Como el orden del vector de estado generar ecuaciones simultáneas. es que no se presente cancelación de ceros y polos en la función de transferencia de pulso.8 es decir: .2]. Resumiendo. 2. Por tal motivo. entonces la ecuación 2. lo cual sólo es posible si el rango de la matriz es . Sea el sistema definido por las ecuaciones: Se dice que el sistema definido por las ecuaciones 2.1. [2. hasta un valor La condición de controlabilidad competa de la salida se puede obtener teniendo en cuenta las ecuaciones 2.8 es de salida completamente controlable.

Sea el sistema discreto definido por: Se dice que el sistema descrito por las ecuaciones 2.8 es de salida completamente controlable sí: Así mismo. es decir.7 y 2. se puede demostrar que si la ecuación 2.9 debe generar m ecuaciones simultáneas. lo cual sólo es posible si el rango de la matriz es .13 y 2. el sistema descrito por las ecuaciones 2. se relaciona con la posibilidad de obtener el estado de un sistema a partir de la medición o el conocimiento de las entradas y de las salidas del mismo. La condición de observabilidad se puede obtener a partir de las ecuaciones 2. Luis Edo García Jaimes 22 .Control Avanzado. no sería posible establecer una estrategia de control basada en los valores alcanzados por las variables de estado. asumiendo . En este caso. El concepto de observabilidad. se deduce Teniendo en cuenta que es el vector de salida y su orden es que la ecuación 9.8 es de la forma: El sistema es de salida completamente controlable si: 2.14 es complemente observable si cualquier estado inicial observación de en puede determinarse a partir de la períodos de muestreo como máximo.13 y 2.14.2 OBSERVABILIDAD En muchas ocasiones no es posible medir directamente el estado de un sistema ya sea porque no existen los sensores necesarios o porque algunas de las variables de estado no tienen correspondencia con magnitudes físicas. considerando que: Al hacer variar desde cero hasta n resulta: . Resumiendo.

Control Avanzado.17 se ecuaciones simultáneas. Luis Edo García Jaimes 23 Las ecuaciones anteriores escritas en forma matricial toman la forma: El vector de salida deben generar tiene elementos por lo tanto.1 Dado el sistema en tiempo discreto definido por: a) Es el sistema completamente controlable? b) Es el sistema completamente observable? SOLUCION: a) La matriz de controlabilidad para el sistema dado es: . en la ecuación 2. EJEMPLO 2. esta condición solo es posible si: Una condición suficiente y necesaria para la observabilidad completa del estado es que no se presente cancelación de ceros y polos en la función de transferencia de pulso.

El sistema es controlable. Si se desea ubicar los polos de lazo cerrado en es posible elegir una matriz de ganancia de realimentación K adecuada. utilizando para ello especificaciones basadas en la respuesta transitoria y/o en los requerimientos de respuesta en frecuencia.Control Avanzado. Se supone que todas las variables de estado son medibles y están disponibles para la . El método de asignación de polos. A continuación se presenta el método de diseño de controladores en el espacio de estado conocido con el nombre de “técnica de asignación de polos”.3 CONTROL POR REALIMENTACIÓN DEL ESTADO Y ASIGNACIÓN DE POLOS El método de asignación de polos para el diseño de controladores en el espacio de estado requiere que el sistema sea de estado completamente controlable y completamente observable. que force al sistema a tener los polos de lazo cerrado en el lugar deseado siempre y cuando el sistema sea de estado completamente controlable y completamente observable. Luis Edo García Jaimes 24 Se intercambian la fila dos y la tres para obtener una matriz triangular inferior. 2. comienza con la determinación de los polos de lazo cerrado deseados. b) La matriz de observabilidad para el sistema dado es: El sistema es observable.

Control Avanzado. Luis Edo García Jaimes

25

realimentación, además se insiste, el sistema debe ser completamente controlable y completamente observable. Sea el sistema de control en lazo abierto dado en la figura 2.1a y definido por la ecuación de estado:

Si se elige como ley de control:

Se obtiene el sistema de control realimentado mostrado en la figura 2.1b. A este esquema se le denomina “sistema con realimentación de estado”.

Figura 2.1 a) Sistema de control en lazo abierto. b) Sistema de control en lazo cerrado .

La matriz

se llama “matriz de ganancia de realimentación” y

convierte al sistema en un sistema de control en lazo cerrado, cuya dinámica queda determinada por las especificaciones de funcionamiento dadas las cuales determinan, a la vez la ubicación de los polos de lazo cerrado deseados. Reemplazando la ecuación 2.20 en la ecuación 2.19, se obtiene la ecuación de estado del sistema en lazo cerrado, así:

Control Avanzado. Luis Edo García Jaimes

26

La estabilidad y las características de respuesta transitoria del sistema se determinan a partir de los valores propios de la matriz Tomando la transformada z a la ecuación 2.21 se obtiene:

Premultiplicando por

resulta:

De la ecuación 2.23 se deduce que la ecuación característica del sistema en lazo cerrado es:

En donde

son los coeficientes de la ecuación característica deseada.

2.4

CALCULO DE LA MATRIZ DE GANANCIA DE REALIMENTACIÓN. se puede obtener por diferentes

La matriz de ganancia de realimentación métodos.

A continuación se presenta el método de la formula de Ackerman,

caracterizado por su fácil aplicación y generalidad. Formula de Ackerman: Esta fórmula permite calcular directamente la matriz de ganancia de realimentación, a partir de la ecuación:

En donde:

Siendo

los coeficientes de la ecuación característica deseada:

EJEMPLO 2.2 La dinámica del sistema de flujo que se muestra en la figura 2.2 está dada por:

Control Avanzado. Luis Edo García Jaimes

27

Obtener para este proceso, la matriz de ganancia de realimentación de modo que el sistema en lazo cerrado, tenga un tiempo de establecimiento de 1.2 seg y coeficiente de amortiguamiento igual a 0.8. Asuma que el período de muestreo es . (El modelo matemático del sistema se estimó aplicando una señal en escalón unitario en la válvula de control de flujo FCV).

Figura 2.2 Sistema de flujo para el ejemplo 2.2

SOLUCION: La función de transferencia de pulso del sistema, con dada por:

está

La representación en el espacio de estado en tiempo discreto es:

La ubicación de los polos de lazo cerrado deseados se obtiene a partir de las especificaciones de tiempo de establecimiento y coeficiente de amortiguamiento requerido así:

Entonces:

3 Respuesta del sistema del ejemplo 2. los polos de lazo cerrado diseñados deben estar ubicados en . El tercer polo se asigna en z = 0.3 representa la respuesta del sistema en lazo cerrado con la matriz K estimada. Figura 2.Control Avanzado. Luis Edo García Jaimes 28 Por lo tanto.2 con K estimada . así la ecuación característica está dada por: Utilizando la Fórmula de Ackerman: La ecuación característica deseada dio: Entonces: La figura 2.05 de modo que no sea polo dominante.

este sistema se denomina “sistema de control tipo Servo” y su configuración básica se muestra en la figura 2. es necesario que la salida referencia siga a una entrada de .29 se obtiene: Tomando la transformada z a las ecuaciones 2. su comportamiento dinámico se puede definir por las siguientes ecuaciones de estado: La señal de control está dada por: En donde referencia. es una constante que se debe determinar y es la entrada de Reemplazando la ecuación 2. Luis Edo García Jaimes 29 2.4 Figura 2.Control Avanzado. En la mayoría de los casos. Este tipo de control se denomina “sistema de control tipo regulador”.4.32 y asumiendo las condiciones iniciales iguales a cero resulta: .4 Sistema de control con realimentación de estado y entrada de referencia Considerando el sistema de la figura 2.5 SISTEMA DE CONTROL CON ENTRADA DE REFERENCIA El sistema de control descrito en la sección anterior no tiene entrada de referencia.30 y 2.31 en la 2.

Control Avanzado. la constante se puede tomar como un parámetro de ajuste en el circuito del set-point. la función de transferencia de lazo cerrado para el sistema es: La ecuación característica del sistema es: La introducción de la matriz de ganancia de realimentación modifica la ecuación característica del sistema original y al hacerlo.3 Hallar el valor de de modo que el sistema de flujo analizado en el ejemplo 2. es decir. En estas condiciones. modifica también la ganancia de estado estable del sistema en lazo cerrado. el error del sistema en estado estable será igual a cero se cumple que: Es decir: La ecuación 2. aplicada en la señal de referencia. sea igual a cero. tal que el valor de la respuesta en régimen permanente del sistema ante un escalón unitario sea igual a la unidad. . Al aplicar el teorema del valor final a la ecuación 2.2 tenga error cero ante una entrada en escalón unitario aplicado en la señal de referencia. EJEMPLO 2. Luis Edo García Jaimes 30 Por lo tanto. tal que .36 permite calcular el valor adecuado de para que el error de estado estable del sistema en lazo cerrado ante una entrada en escalón unitario.33 y teniendo en cuenta que es un escalón unitario.

ante un cambio en escalón aplicado en la señal de referencia sea igual a cero. la función de transferencia de lazo cerrado del sistema.5 Respuesta del sistema con el factor de corrección de error K0 .2 se obtuvo que: Para que el error de estado estable del sistema.Control Avanzado. en lazo cerrado. se debe cumplir que: Entonces: Así.5 corresponde a la respuesta del sistema cuando se le adiciona el factor de corrección de error en el circuito del set-point. Figura 2. Luis Edo García Jaimes 31 SOLUCIÓN: En el ejemplo 2. sin el factor de corrección de error en el circuito del set-point es: La figura 2.

Control Avanzado. Luis Edo García Jaimes

32

2.6

OBSERVADORES DE ESTADO DE ORDEN COMPLETO

En la práctica, no todas las variables de estado de un sistema se pueden medir en forma directa. Este hecho hace necesario estimar el valor de aquellas variables de estado cuya medición directa no es posible. La estimación se debe realizar a partir de mediciones en las variables de entrada y en las variables de salida. En esta sección se desarrolla una técnica que permite estimar los estados de una planta a partir de la información disponible en ella. El sistema que posibilita la estimación se denomina “Observador o estimador de estado”. El observador de un sistema dinámico lineal en tiempo discreto es otro sistema dinámico lineal en tiempo discreto que tiene como entradas la entrada y la salida del sistema discreto y como salida, los valores de las variables de estado. Sea el sistema definido por:

Para resolver el problema de la observación son posibles dos soluciones [2.3]: a. Utilizar un observador tipo predictor que permite obtener el estado del sistema en el instante de la salida . , estimando a partir de la entrada y

b. Utilizar un observador corriente que permite obtener el estado del sistema en el instante de la salida Las figuras 2.6a y 2.6b representan, respectivamente los dos tipos de observadores. El orden de ellos es igual al orden del sistema. estimando a partir de la entrada y

Figura 2.6 Observadores de estado a) Tipo Predictor b) Tipo Corriente

Control Avanzado. Luis Edo García Jaimes

33

2.7 OBSERVADOR DE ESTADO TIPO PREDICTOR Para obtener las ecuaciones que describen a este observador, se supone que el estado real del sistema no puede medirse directamente. Si el estado y el estado real

debe estimarse, es necesario que el estado estimado

sean iguales o lo más aproximadamente iguales. La figura 2.7 ilustra cómo se realiza la estimación de los estados.

Figura 2.7 Estimador de estados La planta está descrita mediante la ecuación:

Tomando la transformada z se obtiene:

De la figura 2.7 se deduce que el sistema correspondiente al observador tiene dos entradas e , entonces, su ecuación se puede escribir en la forma:

En donde ,

y

son matrices desconocidas.

Tomando la transformada z a la

ecuación 2.41 y considerando condiciones iniciales iguales a cero, resulta:

Teniendo en cuenta la ecuación 2.40 se obtiene:

Control Avanzado. Luis Edo García Jaimes

34 , las funciones

Si el estado real de transferencia

de la planta es igual al estado estimado y deben ser iguales es decir:

Simplificando:

La ecuación 2.43 se satisface si se cumple que

y

.

Entonces, la ecuación 2.41 correspondiente al observador predictor, se puede escribir en la forma:

La matriz

se denomina Matriz de ganancia de realimentación del observador.

La figura 2.8 representa el sistema de control con la matriz de ganancia de realimentación y el observador de estado incluidos.

Figura 2.8 Sistema de Control con realimentación del estado observado

son dos problemas independientes entre si que .Control Avanzado. los polos deseados para el observador y luego. primero.2 Formula de Ackerman: esta fórmula permite evaluar directamente la matriz de ganancia del observador a partir de la ecuación: En donde: Siendo observador: los coeficientes de la ecuación característica deseada para el El diseño de la matriz de ganancia de realimentación y el diseño de la matriz de ganancia del observador .7. mediante la aplicación del procedimiento adecuado. está dada por: La matriz es una matriz pesante y se debe diseñar de modo que cuando se aproxime asintóticamente a matriz .8 se deduce que tipo predictor de orden completo se puede escribir en la forma: De la ecuación 2.44 se deduce que el observador es un sistema dinámico con e como entradas y con ecuación característica dada por: 2.1 Cálculo de la matriz de ganancia del observador: la ecuación característica del observador de estado de orden completo se dedujo en la sección anterior y. Los polos de lazo cerrado deseados para el observador se diseñan de manera que el sistema cumpla con los requisitos de funcionamiento especificados y se eligen de modo que su respuesta sea de dos a cuatro veces más rápida que la del sistema. El procedimiento para diseñar la consiste en seleccionar.7. 2. así la ecuación del observador De la figura 2. calcular la matriz . Luis Edo García Jaimes 35 .

La figura 2. La figura 2. Luis Edo García Jaimes 36 se combinan para obtener el sistema de control con realimentación del estado observado. Se hace notar que. Ver figura . para este controlador. es posible obtener la función de transferencia de pulso del controlador.7.4 Considere el sistema definido por: a) Determine la matriz de ganancia de realimentación del observador. de modo que los valores característicos deseados para la matriz del observador sean y SOLUCIÓN: Utilizando la formula de Ackerman: Se obtiene: La ecuación característica deseada es: por lo tanto: 2. y la salida .3 Función de Transferencia de Pulso del Controlador: una vez obtenida la matriz de ganancia de realimentación y la matriz de ganancia del observador .9a muestra el sistema de control equivalente con realimentación unitaria y con entrada de referencia igual a cero (sistema tipo regulador). EJEMPLO 2. la entrada es 2. Más adelante se analiza el caso de sistemas con entrada de referencia predeterminada.9.9b muestra la configuración del hardware.Control Avanzado.

Figura 2. Luis Edo García Jaimes 37 Figura 2.45 se obtiene: Tomando la transformada iniciales iguales a cero resulta: a esta ecuación y.Control Avanzado.5 .50 permite estimar la función de transferencia de pulso del controlador con el observador tipo predictor.9 Implementación del controlador digital De la ecuación 2.10 Sistema de Control para el ejemplo 2. considerando las condiciones La ley de control es: Entonces: Es decir: La ecuación 2.

entonces: . Diseñar un observador adecuado para el sistema.Control Avanzado.5 Dado el sistema de control en tiempo discreto mostrado en la figura 2. Hallar la matriz de ganancia a) de modo que la respuesta del sistema en lazo b) cerrado tenga un máximo sobreimpulso del 10% y tiempo de pico de 4 seg. SOLUCIÓN: Con . la ubicación de los polos de lazo cerrado deseados para estimar la matriz de ganancia de realimentación calcula así: . c) obtener la ecuación del controlador y la respuesta del sistema en lazo cerrado ante una entrada en escalón unitario. la función de transferencia de pulso del sistema es: La representación en el espacio de estado del sistema en su forma canónica controlable es: a) De acuerdo con las especificaciones dadas. Luis Edo García Jaimes 38 EJEMPLO 2. Asuma que el período de muestreo es 1 seg.10. se La ubicación de los polos deseados es por lo tanto: La ecuación característica deseada para el sistema es.

los polos deseados son característica deseada para el observador es: . la ubicación de los polos deseados para el observador es: Es decir. se debe tener en cuenta que su velocidad debe ser mayor que la del sistema.Control Avanzado. Con estos parámetros. Luis Edo García Jaimes 39 Utilizando la formula de Ackerman: b) Para diseñar el observador. Así. la ecuación Utilizando la formula de Ackerman: La ecuación del observador está dada por: . Sea y .

11 corresponde a la respuesta del sistema de control en lazo cerrado con las matrices y diseñadas Figura 2. Luis Edo García Jaimes 40 b) La ecuación del controlador está dada por: La función de transferencia de lazo cerrado para el sistema es: La figura 2.11 Respuesta del sistema del ejemplo 2.5 .Control Avanzado.

12 en el circuito del set-point como se Figura 2.5 se tiene: La figura 2.12 Sistema de control por realimentación de estados con factor de corrección de error en el circuito del set-point De la figura 2. por lo tanto: Para el caso del ejemplo 2. ante una entrada en escalón.12 se obtiene Si la entrada es un escalón unitario se obtiene: Teniendo en cuenta el teorema del valor final: Para que el error sea cero debe cumplirse que . La función de transferencia del lazo cerrado del sistema es: introducida en el . Luis Edo García Jaimes 41 Si se desea tener un error igual a cero. es necesario adicionar un factor de corrección de error indica en la figura 2.13 muestra la respuesta del sistema con circuito del set-point.Control Avanzado.

Control Avanzado. el observador de orden reducido puede diseñarse dividiendo el vector de estado en la forma: Entonces.13 Respuesta del sistema del ejemplo 2. por lo tanto. la ecuación del sistema puede escribirse así: La ecuación correspondiente a la parte medible es: Agrupando los términos conocidos se obtiene: . Si el número de variables a estimar es el mínimo posible.79 2.8 OBSERVADOR DE ESTADO DE ORDEN REDUCIDO En la práctica. Sea la parte del vector de estado que puede medirse exactamente y sea la parte no medible. Luis Edo García Jaimes 42 Figura 2. En este caso. algunas de las variables de estado del sistema pueden ser medidas exactamente y.5 con K0 = 0. Un observador de este tipo se conoce con el nombre de Observador de Estado de Orden Reducido. el observador se llama Observador de Orden Mínimo. no es necesario estimarlas. es posible diseñar un observador que estime menos de las n variables que conforman el vector de estado.

Es decir: De la ecuación 2. Al comparar las ecuaciones del observador de orden completo. se puede obtener haciendo las siguientes sustituciones en la ecuación del observador de orden completo (ecuación 2.62).56 corresponde a las cantidades medidas.56 resulta: La ecuación del observador de orden reducido. con la ecuación 2. Luis Edo García Jaimes 43 El término de la izquierda de la ecuación 2. La ecuación correspondiente a la parte no medible es: El término se puede considerar como la entrada conocida.54 se obtiene: Entonces: La ecuación característica del observador de orden reducido es: .Control Avanzado.57 y la de la salida del sistema con la ecuación 2.

los coeficientes de la ecuación característica deseada y el Finalmente. la nueva representación de estado del sistema será: En donde: . en caso contrario se precisa utilizar una matriz de transformación Así.Control Avanzado.69 es necesario tener presente que la matriz debe estar en la forma tal que: .66 o utilizando la formula de Ackerman: En donde: Siendo orden de la matriz .69 se asume que ganancia de realimentación . se particiona de tal forma que: y que la matriz de Para utilizar correctamente las ecuaciones 2. una vez calculadas la matriz de ganancia de realimentación matriz del observador utilizando la ecuación [2.67 y 2. Luis Edo García Jaimes 44 La matriz se puede obtener por comparación directa entre la ecuación característica deseada para el observador de orden reducido y la ecuación característica del mismo dada por la ecuación 2. Para obtener la ecuación 2.4]: y la se procede a calcular la ecuación del controlador.

d) Calcule.Control Avanzado. el valor del factor de corrección de error que se debe adicionar en el circuito del set-point para obtener un error de estado estable igual a cero. es: Utilizando la ecuación 9. c) Obtenga la ecuación del controlador y grafique la respuesta del sistema en lazo cerrado cuando se aplica un escalón unitario a la referencia. b) Si se es medible. es necesario obtener la representación de estado del sistema de modo que La matriz que transforma a en . SOLUCIÓN: Para resolver el problema. si es necesario.6 Considere el sistema descrito por: a) Determine la matriz de ganancia de realimentación tenga polos de lazo cerrado ubicados en supone que sólo la salida con polos localizados en de modo que el sistema . diseñe un observador de orden mínimo .107: a) La matriz de ganancia de realimentación es: La ecuación característica deseada para el sistema en lazo cerrado es: . Luis Edo García Jaimes 45 EJEMPLO 2.

en este caso: . Dado que sólo se puede medir la salida conocida será . la representación de orden del observador de orden mínimo es 2. estado del sistema se puede escribir en la forma: La matriz de ganancia L del observador se puede calcular mediante la formula de Ackerman: La ecuación característica deseada para el observador es: Por lo tanto: La ecuación del observador es. la única variable de estado .Control Avanzado. la matriz de ganancia de realimentación está dada por: b. es necesario estimar las otras dos variables y el Entonces. Luis Edo García Jaimes 46 Por lo tanto: Así. Por lo tanto.

Luis Edo García Jaimes 47 c. La ecuación del controlador es: d.Control Avanzado. está dada Por lo tanto: Para que el error de estado estable ante una entrada en escalón unitario sea igual a cero. se debe cumplir: . La función de transferencia de lazo cerrado del sistema planta-controlador con el factor de corrección de error incluido en el circuito del set-point es: En donde por: es la función de transferencia de pulso de la planta y.

en ella se muestra la disposición del controlador de corrección en la realimentación y el factor en el circuito del set-point. Luis Edo García Jaimes 48 Reemplazando Tomando el límite se obtiene: La figura 2. b) Respuesta del sistema con K0 = 0. La figura 2.14 Configuración del sistema de control para el ejemplo 2.15a muestra la respuesta y la figura 2.048 .15 a) Respuesta del sistema al escalón unitario sin el factor K0.15b del sistema ante un escalón unitario sin el factor de corrección da la respuesta con el factor incluido en el circuito del set-point. Figura 2.Control Avanzado.14 corresponde al sistema de control diseñado en el ejemplo 2.6 Figura 2.6.

Control Avanzado.76 se obtiene: Entonces: Las ecuaciones 2. Figura 2.16 Sistema tipo Servo con realimentación del estado La ecuación de estado de la planta y su correspondiente ecuación de salida son.76 y 2.16 muestra un sistema de control por realimentación del estado en el cual se utiliza un integrador adicional para estabilizar adecuadamente el sistema y mejorar su exactitud. respectivamente: La ley de control para el sistema es: De las ecuaciones 2.77 se obtiene: De la ecuación 2.74 y 2. Luis Edo García Jaimes 49 2.79 se pueden escribir en forma matricial así: La ecuación de salida del sistema es: .9 SISTEMAS TIPO SERVO La figura 2.

17 Sistema tipo Servo con realimentación del estado observado La ecuación de estado de la planta y su correspondiente ecuación de salida son.17 muestra el sistema de control por realimentación del estado observado incluyendo un integrador en la trayectoria directa Figura 2. Se puede demostrar que [2. utilizando la técnica de asignación de polos.Control Avanzado. respectivamente: La ley de control para el sistema es: . se debe estimar la matriz correspondiente al integrador y la matriz correspondiente a la matriz de ganancia de realimentación.5]: En donde: La figura 2. la ecuación 2. Luis Edo García Jaimes 50 entonces .80 se puede escribir en la forma: Para realizar el diseño. Si la referencia es un escalón de magnitud Con esta consideración.

89 se obtiene: Combinando las ecuaciones 1. correspondiente a la matriz de ganancia del observador.7 La dinámica de cierto tanque presurizado está dada por: a) Diseñar la matriz de ganancia de realimentación incluyendo integrador de b) modo que el sistema en lazo cerrado tenga polos ubicados en el origen. después de simplificar Al tomar la transformada z a la ecuación 2. Luis Edo García Jaimes 51 La ecuación correspondiente al observador está dada por la ecuación 2.91 resulta: Si se asume que la variable y agrupar términos: es un escalar se obtiene. La matriz .47 para observador de orden completo o de la ecuación 2.Control Avanzado. .88 y 2.83 y 2. EJEMPLO 2.93 y 2.84. se calcula a partir de la ecuación 2.90 se obtiene: Reemplazando la expresión para en la ecuación 2.44: Tomando la transformada z a las ecuaciones 2.94 resulta: Las matrices y se obtienen utilizando las ecuaciones 2.67 para observador de orden reducido.

83. Luis Edo García Jaimes 52 Diseñar un observador de orden completo con polos ubicados en el origen. c) Establecer la ley de control para el sistema. que contiene a la matriz de realimentación y a la se calcula a partir de las ecuaciones 2. La ecuación característica deseada para el sistema. en lazo cerrado.84 y 2. 2.Control Avanzado. es: entonces: . b) El diseño del observador se realiza utilizando la formula de Ackerman: . SOLUCIÓN: a) La matriz matriz del integrador .85.

18 Representación del sistema del ejemplo 2. despejando se obtiene: Esta última ecuación corresponde a la ley de control para el sistema. La figura 2.19 muestra la respuesta del tanque cuanto se aplica a su entrada un escalón unitario FIGURA 2. por lo tanto: La ecuación característica deseada para el observador es: La ecuación del observador es: a) La ley de control para el sistema está dada por: Tomando transformada z y.18 corresponde a la representación del sistema implementado en Simulink para obtener la respuesta del mismo y la figura 2. .7 en Simulink para simular su respuesta. Luis Edo García Jaimes 53 .Control Avanzado.

. Estos sistemas “equivalentes” se pueden obtener mediante linealización del sistema no lineal en un rango restringido de funcionamiento. se le pueden aplicar técnicas y métodos lineales para su análisis y diseño [2. una gran cantidad de técnicas y métodos bien definidos. el sistema se puede considerar básicamente lineal. todos los sistema físicos presentan algún grado de alinealidad por lo tanto. no existen sistemas físicos perfectamente lineales y los modelos con que se trabajan son ideales y basados en simplificaciones con el fin de facilitar el análisis y diseño de sus sistemas de control. el sistema no se puede considerar lineal [2. Pero cuando los valores de las señales sobrepasan el rango de la parte lineal. los sistemas no lineales son difíciles de tratar en forma matemática y los procedimientos para hallar soluciones a problemas presentes en estos sistemas son bastante complicados. Por su parte.6]. se hace necesario introducir sistemas lineales “equivalentes” para reemplazar los no lineales. Una vez obtenida la aproximación del sistema no lineal por medio de un modelo matemático lineal.10 SISTEMAS NO LINEALES En la práctica. estrictamente hablando.7].Control Avanzado.19 Respuesta del sistema del ejemplo 2. Cuando las magnitudes de las señales aplicadas al sistema de control están dentro de un rango en el cual exhibe una característica lineal. Luis Edo García Jaimes 54 FIGURA 2. Para el análisis y diseño de sistemas de control lineal existe. Debido a esta dificultad.7 2. como se ha visto.

98: . con lo cual resulta una aproximación lineal de las ecuaciones de estado en un punto determinado. Luis Edo García Jaimes 55 2. es el vector de estado .97 existen diferentes métodos: uno de ellos consiste en la expansión de las ecuaciones de estado no lineales en series de Taylor alrededor de un punto o de una trayectoria de operación nominal del sistema.1 Linealización de sistemas no lineales: un sistema no lineal se puede representar mediante ecuaciones de estado en la siguiente forma: La ecuación 2.96 se puede escribir en la forma matricial así: En donde y entrada. resulta: En donde: Si se hace: y se obtiene. despreciando los términos de orden superior al primero. es el vector de entradas ) es un vector que es función del vector de estado y del vector de Para linealizar el sistema descrito por la ecuación 2.10. al reemplazar estas expresiones en la ecuación 2. al expandir la ecuación 2.97 en una serie de Taylor y.Control Avanzado. Si es el punto o la trayectoria de operación nominal correspondiente a la . entrada nominal despreciando los términos de orden superior.

10. los valores de y de y deben mantenerse siempre lo más cerca respectivamente. Este método puede presentar inconvenientes cuando la zona de funcionamiento del sistema se aleja apreciablemente del punto de operación alrededor del cual se realizó la linealización puesto que.Control Avanzado.96 y para ellos se cumple que: 2. una de las técnicas utilizadas para este fin en los sistemas no lineales es linealizarlos previamente alrededor de un punto de operación y luego tratarlos como sistemas lineales. .2 Diseño de Controladores para Sistemas no Lineales: Teniendo en cuenta la buena cantidad de herramientas existentes para el análisis y diseño de controladores de sistemas lineales. y corresponden a los puntos de equilibrio de la ecuación 2. en este caso. Para explicar el procedimiento de diseño de controladores para sistemas no lineales se presenta a continuación un ejemplo. Luis Edo García Jaimes 56 Teniendo en cuenta que: se obtiene: La ecuación 2.101 se puede escribir en la siguiente forma matricial: En donde: Para que el sistema linealizado “se aproxime” convenientemente al sistema no lineal. el modelo pierde precisión con respecto a la planta verdadera con la que se está trabajando. posible a los valores de referencia Además.

Luis Edo García Jaimes 57 EJEMPLO 2.8 Las siguientes ecuaciones corresponden al modelo matemático de un giroscopio electrostático: El punto de operación deseado es a) Linealice el sistema en el punto de operación deseado. d) Grafique la respuesta del sistema no lineal con el controlador diseñado. a) La linealización se debe realizar alrededor del punto de operación . Para los puntos de equilibrio se tiene. en el punto de equilibrio y .138 Evaluando las derivadas parciales en el punto de equilibrio se obtiene: . modelo lineal obtenido utilizando un período de muestreo b) Discretice el c) Diseñe un controlador discreto utilizando técnicas de realimentación de estado.104: Resolviendo las ecuaciones anteriores se obtiene que. Es decir: Las matrices y se evalúan con la ecuación 9. de modo que el sistema en lazo cerrado tenga sus polos en el origen. según la ecuación 2.Control Avanzado. SOLUCIÓN.

Control Avanzado. Luis Edo García Jaimes 58 Así. en la forma canónica observable es: c) La ecuación característica deseada para el sistema en lazo cerrado y para el observador es : por lo tanto: . el sistema linealizado es: La función de transferencia del sistema continuo equivalente es: Es decir: b) La discretización del modelo. con da: Utilizando el MATLAB: La representación en el espacio de estado discreto para el sistema linealizado.

Control Avanzado. Luis Edo García Jaimes 59 La ecuación para el controlador con observador de orden completo tipo predictor es: La función de transferencia del sistema en lazo cerrado está dada por: El valor del factor de corrección de error esta dado por: .

20 muestra la respuesta del sistema ante una entrada en escalón unitario con el controlador diseñado y el factor de corrección de error en el circuito del set-point. Luis Edo García Jaimes 60 La figura 2. Figura 2.20 Respuesta del sistema del ejemplo 2.2 Para los sistemas de control discreto que se dan a continuación: a) Evalúe la matriz de ganancia de realimentación y la matriz del observador de orden .8 a un escalón unitario PROBLEMAS PROPUESTOS 2.Control Avanzado. a) para que la respuesta del sistema tenga error de estado estable b) 2. b) El valor del factor de corrección igual a cero.1 Para cada uno de los sistemas de control discretos dados a continuación determinar: a) la matriz de ganancia de realimentación de modo que el sistema tenga polos de lazo cerrado en el lugar indicado.

Obtenga la respuesta al escalón para cada sistema con su respectivo controlador.2 obtener: a) La matriz de ganancia de realimentación incluyendo integrador de modo que el sistema. Luis Edo García Jaimes 61 completo de modo que el sistema. y que el sistema está precedido por un retenedor de orden cero obtener: a) La función de transferencia de pulso del intercambiador b) Una representación del sistema en el espacio de estado discreto c) La matriz de ganancia de realimentación incluyendo integrador. para cada caso. c) Establecer la ley de control del sistema con los resultados obtenidos en a y b. c) Diseñe un estimador de estados con polos en y en y e) Obtenga la ley de control para el sistema. b) Obtenga. .4 La dinámica de un intercambiador de calor se puede describir mediante un modelo de segundo orden de la forma: Asumiendo . tenga sus polos en el lugar especificado. el factor de corrección de error en el circuito del set-point .3 Para cada uno de los sistemas discretos propuestos en el problema 2. la ecuación del controlador. f) Obtenga la respuesta del sistema ante un escalón unitario aplicado en la referencia. b) Un observador de orden completo con oscilaciones muertas. a) b) 2. período de muestreo . tenga polos ubicados en el origen del plano z. de modo que el sistema tenga error igual a cero ante una entrada en escalón unitario. de modo que el sistema tenga polos en z .Control Avanzado. en lazo cerrado. . 2. c) Calcule. . si es necesario. en lazo cerrado.

Prentice Hall. Luis Edo García Jaimes 62 2. Prentice Hall. Addison Wesley Publishing Company. Katsuhico. [2. New Jersey 1995. [2. Mexico1996. Sistemas de control en tiempo discreto. Fort Worth 1994. Gene.5 Dado el sistema no lineal: a) Linealice el sistema alrededor del punto b) Obtenga la función de . Mexico 1996. Applied non Linear Control. Jeans. Prentice Hall. .7] Slotine . Digital Control Systems Design. Englewood Cliffs 1991. 1991. Saunders College Publishing .2] Ogata.6] Ogata. Charles. [2. Weiping. Li. [2.Control Avanzado. Nagle Troy.3] Santina. Katsuhico. Prentice Hall. Powell. Massachusetts 1994. Li. Applied non Linear Control. México. e) Diseñe para el sistema linealizado.1] Ollero. Control por Computador.8] Slotine. [2. Digital control of dynamics systems. Digital control systems analysis and design. Englewood Cliffs 1991. Englewood Cliffs.5] Phillips. Mohamed et al. Sistemas de control en tiempo discreto.4] Franklin. REFERENCIAS [2. [2. Jeans. Aníbal. Weiping. un controlador de modo que el sistema tenga sus polos de lazo cerrado ubicados en el origen y que garantice error cero ante una entrada en escalón. d) transferencia del sistema continuo c) Discretice el sistema con Obtenga su ecuación de estado en tiempo discreto en forma canónica controlable. Prentice Hall. [2. Marcombo Boixareu Editores. David.

La idea básica del control adaptativo es estimar on-line las variaciones de los parámetros de la planta. es esencialmente no lineal. las características dinámicas de la planta (tales como la función de transferencia o la ecuación de estado). es aquel que mide en forma continua y automática. El control adaptativo. Luis Edo García Jaimes 63 3. El control adaptativo puede controlar sistemas con parámetros constantes ó sistemas con parámetros variables.Control Avanzado. mejor que cualquiera otra. independientemente de las modificaciones ambientales que experimente el sistema. las compara con las características dinámicas deseadas y utiliza la diferencia para modificar los parámetros ajustables del sistema (por lo general los parámetros del controlador) o para generar una señal de control. En sistemas de control adaptativo tal . basándose en la medida de las señales de entrada – salida de la misma y utilizar los parámetros estimados para realizar los ajustes del controlador.1 Índice de desempeño: la base del control adaptativo descansa en el fundamento de que existe alguna condición de operación o desempeño del sistema.1 DEFINICIÓN Un sistema de control adaptativo. de modo que se mantenga el desempeño óptimo. 3.1. tanto para sistemas lineales ó no lineales.

Si la dinámica de la planta no se conoce exactamente. Es importante tener en cuenta que. En este sistema se identifica la planta y se mide el índice de desempeño continua o periódicamente. Modificación o acción basada en la decisión tomada. En la figura 3. 3.1 se muestra una representación. Así un sistema diseñado para funcionar en forma óptima desde el punto de vista de las "utilidades". el índice de desempeño se compara con el óptimo y se toma una decisión sobre cómo modificar la señal actuante. puede tener características transitorias indeseables o hasta ser inestable. la identificación. que se debe fijar al establecer los objetivos. continua o frecuentemente.1. Una vez logrado esto. Toma de decisión basada en la identificación de la planta. a intervalos que dependen de la velocidad de variación de los parámetros. la decisión y la modificación iniciales. Por tanto para asegurar características de repuesta satisfactorias.Control Avanzado. pero en general. presentan un inconveniente grave: aunque especifican el costo de operación del sistema en función del error y de la energía. Esos objetivos pueden ser tan diversos como los sistemas a los cuales se van a aplicar.2 Controladores adaptativos: un controlador adaptativo conlleva las siguientes funciones: Identificación de las características de la planta. los índices de desempeño matemáticamente utilizables (como los índices de desempeño cuadrático o los de la integral del error). es necesario utilizar criterios adicionales que hagan referencia a las características de respuesta transitoria. Por lo tanto es necesario realizar estos procedimientos. en diagrama de bloque de un sistema de control adaptativo. no serán suficientes para minimizar (o maximizar) el índice de desempeño. no ofrecen información sobre las características de respuesta transitoria del sistema. en general. el objetivo de la optimización se puede orientar a minimizar el costo de operación o maximizar el beneficio económico. el ajuste de los parámetros es una operación de lazo cerrado. Luis Edo García Jaimes 64 desempeño está definido en función del índice de desempeño. Como la planta se identifica dentro del sistema mismo. .

3 Identificación de las características dinámicas de la planta: las características dinámicas de la planta se deben medir e identificar continuamente. para su correcta identificación. se compara con las características óptimas (o desempeño óptimo) y luego se debe tomar una decisión respecto a cómo se deben variar los parámetros ajustables (características del controlador). 3.Control Avanzado.4 Toma de decisión basada en la identificación de la planta: se entiende por decisión la que se toma teniendo en cuenta las características de la planta que han sido identificadas y el índice de desempeño calculado.2 ESQUEMAS BÁSICOS DE CONTROL ADAPTATIVO Existen dos tipos principales de controladores adaptativos: . sólo es posible cuando tienen característica de señal adecuadas como ancho de banda. o entradas que produzcan confusión. la identificación con entradas normales. para mantener el desempeño óptimo. amplitud y otros. Para identificar las características de un sistema hay que efectuar una prueba o medición y analizar los resultados. Las entradas normales son señales de prueba ideales. o al menos frecuentemente.1 Esquema del control adaptativo 3. La decisión se logra con un computador. o mediante el uso de una señal de prueba.1.1. ya que no producen dificultades en cuanto a salidas indeseadas. Luis Edo García Jaimes 65 Decisión Modificación Entrada +Controlador Identificación Planta Salida Perturbaciones Figura 3. 3. En la práctica no se debe realizar una aplicación directa de entradas en forma de escalón. Una vez identificada la planta. Sin embargo. como pueden ser las señales senoidales de pequeña magnitud o diversas señales estocásticas de baja amplitud. Esto se debe realizar sin afectar el funcionamiento normal del sistema. La identificación se puede realizar con base en los datos de funcionamiento normal de la planta.

1 Controlador autosintonizado (STR): Este regulador está compuesto por dos lazos. métodos de control y estimadores se obtienen varios tipos de reguladores STR [3. un lazo interno de realimentación ordinaria y un lazo externo que actualiza los parámetros del proceso y del controlador por medio de identificación de sistemas. Luis Edo García Jaimes 66 Sistemas con adaptación en lazo cerrado (STR.2 muestra un esquema general del sistema de control con autosintonia. La operación del controlador con auto-ajuste es la siguiente: en cada instante el sistema de identificación en línea estima los parámetros de la planta.2. Controladores tipo Deadbeat. controladores de mínima varianza etc. Para una planta lineal existen muchos métodos disponibles para estimar la variación de los parámetros. También existen diferentes técnicas de control para plantas lineales. tales como controladores PID. MRAC) Sistemas con adaptación en lazo abierto (Ganancia programable) Para el diseño de algoritmos de control adaptativo se han propuesto diferentes métodos.1]: Criterio no óptimo: o Asignación de polos y ceros (APPC) o Controladores de tiempo finito o Controladores PID Criterio óptimo: o Controladores de mínima varianza (MVR) o Controladores predictivos generalizados 3.Control Avanzado. Uno de los más utilizados es el método “Mínimos cuadrados recursivos”. los cuáles son calculados a partir de la medida de los datos entrada-salida de la misma. . Con los parámetros estimados se calculan los nuevos parámetros del controlador lo cual causa una nueva salida de la planta. en este sentido se tiene la siguiente clasificación [3. La figura 3. Mediante la conjunción de las diferentes técnicas. El ciclo de adaptación se repite.2]. y así la acción de control cambia cuando hay cambio de los parámetros de la planta. unos que utilizan criterios de optimización y otros que no los utilizan.

Control Avanzado.2 Sistema de control autosintonizado 3. . en cuanto a la estabilidad del sistema se refiere [3. Luis Edo García Jaimes 67 Figura 3.1]. En cualquier caso. La figura 3. y la referencia sea pequeño.3 da una idea del control con modelo de referencia. El modelo de referencia que se utiliza es usualmente lineal y con ganancia unitaria En este caso el modelo está en paralelo con el sistema. El control de procesos por modelo de referencia sistema objetivo que modifique el consiste en diseñar un comportamiento natural de la planta con el que se aproxime a la respuesta que tiene el modelo de referencia establecido. En este esquema conocimiento permitan definir de control se supone que el diseñador tiene algún que le del previo de las características dinámicas de la planta el comportamiento deseado del sistema por medio modelo de referencia adecuado para lograr la salida deseada.2. El regulador está formado por dos lazos: un lazo interno de realimentación ordinaria compuesta por la planta y el controlador y un lazo externo que ajusta los parámetros del regulador de tal forma que el error entre la salida de la planta . los resultados obtenidos son semejantes.2 Control con modelo de referencia (MRAC): En este regulador la adaptación se obtiene a partir de la señal de error que resulta de comparar la salida real del sistema con la esperada a partir de un modelo de comportamiento establecido. La teoría de control dispone de varios métodos que se pueden utilizar para obtener el mecanismo de adaptación: método de Lyapunov. método de la hiperestabilidad etc. El comportamiento ideal del modelo de referencia debería poder ser alcanzado por el sistema de control adaptativo. convirtiendo al lazo externo en un lazo regulador.

El ajuste de ganancia es una compensación en lazo abierto y puede ser visto como un sistema con control de realimentación en el cual el lazo de realimentación es ajustado en compensación directa.Control Avanzado. es decir se utilizan para compensar los cambios en la ganancia del proceso. En estos casos. Luis Edo García Jaimes 68 El problema clave es determinar un mecanismo de ajuste tal que el sistema sea estable y lleve el error a cero.4 representa un esquema del control con ganancia programable. se linealiza el sistema en diferentes puntos de equilibrio de interés. llamadas características variables de programación o de tabulación pueden ser medidas. Esta técnica de control asume que el sistema se puede representar mediante un modelo parametrizado por ciertas variables. En algunos sistemas de la existen dinámica variables auxiliares que describen bien las del proceso. estas variables pueden ser usadas para estimar los parámetros del regulador. 3.2. Una vez seleccionadas las variables. La variable programable para el cálculo de los parámetros del controlador puede ser el set-point. se calculan los parámetros del regulador para varios puntos de operación o zonas de trabajo en base a una adecuada estrategia de control que puede ser del tipo PID. llamadas variables de programación o de tabulación “scheduling variables”.3 Control con ganancia programada (Gain Scheduling): El control por ganancia programable se refiere a un sistema donde los parámetros del controlador varían dependiendo de las condiciones de operación medidas [3.3 Sistema de control con modelo de referencia. etc. de modo que cuando estas variables asumen un valor constante se obtiene un punto de equilibrio.3]. Figura 3. Si estas variables. La figura 3. con lo cual se obtiene una . Deadbeat. la variable controlada ó una señal externa.

como se indica en la tabla 3. adaptativos y no adaptivos. Luego. que deberán monitorearse continuamente. se pueden clasificar en tres grandes grupos.1.2.5 Clasificación de los controladores discretos según la señal de control Los sistemas de control. se implementa el esquema de control en un único controlador cuyos parámetros se modifican según los valores que toman las variables de tabulación.5 muestra cómo se pueden clasificar los modelos discretos de los sistemas en el control adaptativo [3.Control Avanzado. 3.4 Modelos discretos para sistemas de control adaptativo La figura 3.5 Modelos discretos para sistemas de control adaptativo 3.2.4] MODELOS DISCRETOS PARA CONTROL ADAPTATIVO MODELOS NO PARAMÉTRICOS MODELOS PARAMÉTRICOS Modelo de Respuesta al Impulso Modelo de Respuesta al Escalon Modelos de Respuesta a la Frecuencia Modelo Entrada-Salida Modelo Variables de Estado Modelo Mínimos Cuadrados (ARX) Modelo CARMA ó ARMAX Modelo CARIMA ó ARIMAX Figura 3. Estos tipos de sistemas de control determinan los métodos .4 Sistema de control con ganancia programable. según la forma en que generan la señal de control. Luis Edo García Jaimes 69 familia de modelos lineales para la cual se diseña una familia de controladores lineales. Programación Precalculada Punto de Trabajo Parámetros del Controlador Controlador SP + Planta Señal de Control Salida - Figura 3.

R. Theory and Applications. Prentice Hall 1991.2] Äström.Control Avanzado. REFERENCIAS [3. K. En Si Controladores Predictivos.K. Control Adaptativo y Robusto. Por ejemplo. coinciden con los tipo I MVR. Nikolai M. N puede tomar valores en el genera STR. Luis Edo García Jaimes 70 de control correspondientes que se han desarrollado para los diferentes grupos de controladores. [3.. Lopez. .R.1 Clasificación de los controladores discretos TIPO DESCRIPCIÓN DEL GRUPO Generan una secuencia de control I o de leyes de control donde ]. No es necesario .4] Filatov. 2004 . Lachman.1996. casi todos los enfoques estocásticos subóptimos han aparecido como resultado de considerar problemas de control para sistemas de tipo I. Universidad de Sevilla. SpringerVerlag Berlin Heidelberg New York. [3. en donde APPC y Controladores conocer las tipo I de realimentación constante. Tabla 3.1989 [3. Prentice Hall. En puede asumir valores Sistemas de control óptimo EJEMPLO En cada instante de muestreo generan una secuencia de control II que optimiza . Wittenmark: Adaptive Control. referencias futuras.3] Iserman. III solamente la señal de control . Adaptive Dual Control. M. los métodos de control predictivo se consideran los sistemas de tipo II y otros controladores como los STR pertenecen al tipo III. Adaptive Control Systems. pero solo se aplica donde intervalo: En cada instante de muestreo se .1] Rodriguez. MRAC una función de costo.

Para satisfacer las especificaciones de funcionamiento deseadas en un proceso. Aunque una parte sustancial del desarrollo de las técnicas está ligado a la Comunidad de Control. en particular en los métodos de regresión lineal y no-lineal. está básicamente construida a partir de técnicas estadísticas. . el sistema de control debe garantizar la operación de este con un buen desempeño sobre un rango amplio de condiciones de operación. Puede decirse que la identificación de sistemas es la teoría y el arte de construir modelos matemáticos de sistemas dinámicos basados en las entradas y salidas observadas. Como disciplina científica data de los primeros intentos de modelar series de tiempo usando técnicas auto-regresivas (AR).Control Avanzado. Luis Edo García Jaimes 71 En la actualidad la mayoría de las técnicas utilizadas en el diseño de sistemas de control se basan en el modelo del proceso considerado. La identificación de sistemas tiene por objeto obtener el modelo de un sistema dinámico a partir de datos experimentales. por lo que el modelado y la identificación se convierten en etapas importantes en los diseños.

1 es una representación conceptual de un sistema dinámico. Modelos Matemáticos: Son aquellos que describen el comportamiento del sistema a partir de ecuaciones diferenciales (sistemas continuos) o de ecuaciones en diferencias (sistemas discretos). predicción y diseño de sistemas dinámicos. El sistema es comandado por variables de entrada puede controlar las variables de entrada señales de salida sistema.1 TIPOS DE MODELOS Los modelos de los sistemas dinámicos pueden ser de varias clases. tales como las leyes de Newton y ecuaciones de balance para describir el comportamiento dinámico de un fenómeno o de un proceso. Existen dos formas básicas para obtener el modelo de un sistema dinámico: Matemáticamente: Es un método analítico en el cual se utilizan leyes físicas. 4. La respuesta de un sistema ante una entrada en escalón es otro tipo de modelo gráfico. Intuitivos o Verbales: éste es el tipo de modelo que se forma por ejemplo cuando se maneja un carro (pisando el freno decrece la velocidad. . girando la cabrilla el carro voltea en determinada dirección. controladores y filtros.) Modelos Gráficos: En este caso el modelo del sistema está dado mediante una gráfica. etc. Un diagrama de Bode de un servo sistema es un ejemplo de un modelo dado en forma gráfica. Las .Control Avanzado.1 Representación de un sistema dinámico. Luis Edo García Jaimes 72 La figura 4. Estos modelos son muy utilizados para el análisis. incluyendo los siguientes: Modelos Mentales. y por perturbaciones El usuario . pero no las perturbaciones son variables que suministran información útil acerca del Figura 4.

2. Es acá en donde el conocimiento previo del sistema y el de las características de cada modelo deben combinarse para obtener resultados satisfactorios. de „filtrar‟ los datos para facilitar y mejorar el proceso de identificación.Control Avanzado. 4. 4. En este caso.2 Tratamiento previo de los datos obtenidos: Los datos registrados están generalmente acompañados de ruidos indeseados u otro tipo de imperfecciones que puede ser necesario corregir antes de iniciar la identificación del modelo.2. eligiendo el más adecuado y representativo del sistema.1 Recolección de datos: Los datos de entrada y salida se pueden obtener mediante un experimento diseñado específicamente para la identificación del sistema. cuándo y cómo las va a medir y también puede escoger las señales de entrada. La obtención de un modelo a partir de datos experimentales conlleva las siguientes etapas fundamentales: la recolección de datos. el más importante y al mismo tiempo constituye la etapa más difícil en el procedimiento de la identificación. 4. Algunas veces el modelo apropiado sólo se obtiene después de un cuidadoso proceso de modelado. por tanto.2 PROCEDIMIENTO PARA LA IDENTIFICACIÓN. Se trata. Este paso es sin duda.2. el usuario puede determinar que señales va a medir. El objetivo del diseño del experimento es entonces.3 La Selección del Modelo: Esta se realiza a partir de un grupo de modelos. seleccionar los datos que proporcionen la máxima información posible.2. el usuario no tiene la posibilidad de realizar el experimento pero puede utilizar los datos obtenidos a partir de la operación normal del sistema y llevar a cabo con ellos la identificación del mismo. el paso siguiente es encontrar los parámetros del . En otros casos.1].4 Estimación de parámetros: Una vez que se tiene la estructura del modelo y los datos experimentales. 4. Luis Edo García Jaimes 73 Identificación del Sistema: Es un método experimental en el cual se realizan algunas pruebas sobre el sistema que permiten obtener los datos necesarios para estimar el valor de los parámetros del modelo representativo del sistema. la selección del modelo y la validación del modelo [4. 4.

2 muestra un diagrama de flujo del proceso de identificación.Control Avanzado. Los métodos más comunes de estimación de parámetros están basados en un enfoque de optimización. donde el mejor conjunto de parámetros es aquél que hace que la respuesta del modelo sea la más cercana a la real según un criterio o función de coste.5 Validación del Modelo: La evaluación de la calidad del modelo se basa en determinar cómo se desempeña el modelo cuando se trata de reproducir con él los datos obtenidos en la medición experimental. Conocimiento inicial del Sistema Adquisición de los datos Filtrado de los datos Selección del Modelo Datos Criterios de calculo Cálculo del Modelo Validación del Modelo Modelo no válido revisar Modelo válido usar Figura 4. por el contrario. Un modelo no se puede aceptar como la última y verdadera descripción del sistema. proporcionará cierta confianza en el modelo. Luis Edo García Jaimes 74 modelo que dan la respuesta más cercana a la experimental. La figura 4.2. mientras que un buen desempeño. es mejor mirarlo sólo como una descripción suficientemente buena de ciertos aspectos que son de interés particular para un fin determinado. 4.2 Proceso para la identificación . Un comportamiento deficiente del modelo en este aspecto hace que el modelo sea rechazado.

Este método se caracteriza por llevar a cabo la adquisición de datos y el procesamiento de los mismos de forma .2 Identificación en línea (On-Line): En este caso se emplea un algoritmo o método de actualización de parámetros de tipo recursivo que procesa los datos tal como son producidos por el sistema real. Entre la gran variedad de algoritmos de identificación fuera de línea posibles pueden citarse los siguientes [4.3 TÉCNICAS DE IDENTIFICACIÓN Pueden subdividirse en dos grandes clases: 4. Pueden destacarse los siguientes métodos: o o Regresión lineal Métodos de predicción del error   o o o Mínimos cuadrados Mínimos cuadrados generalizados Métodos basados en la estimación de máxima verosimilitud de los parámetros.3.Control Avanzado. Luis Edo García Jaimes 75 4.3.2]: Métodos no paramétricos: Estos métodos de identificación se caracterizan porque los modelos resultantes son funciones o curvas y no pueden ser expresados en función de un vector de parámetros de dimensión finita. los modelos resultantes del proceso de identificación contienen la información relevante acerca de la dinámica del proceso real en un vector de parámetros de dimensión finita. se procesan para producir el modelo. una vez terminada ésta. Métodos de variable instrumental Métodos de identificación paramétrica basados en análisis frecuencial 4. Dentro de este grupo pueden citarse: o Análisis transitorio o Análisis frecuencial o Análisis de correlación o Análisis espectral Métodos paramétricos: A diferencia del grupo anterior.1 Identificación fuera de línea (Off-Line): En este caso los datos son recogidos tomando medidas durante la experimentación y.

4 IDENTIFICACIÓN PARAMÉTRICA Algunas técnicas de diseño de sistemas de control. principalmente.2 se puede escribir en la forma: . Luis Edo García Jaimes 76 simultánea por tal razón esta técnica se emplea.3]: En donde es la entrada e es la salida. en control adaptativo y en aplicaciones de tiempo real cuando la dinámica del proceso debe ser monitorizada de forma continua. Se asume que la función de transferencia de pulso del modelo es de la forma [4. Este tipo de modelo es particularmente importante en sistemas de control adaptativo. Entre ellos destacan: o Método recursivo de mínimos cuadrados o Método recursivo de predicción del error o Método recursivo de la variable instrumental 4. 4. los parámetros de la planta deben ser estimados en línea para calcular el controlador correspondiente.Control Avanzado. incluyendo el método del lugar geométrico de las raíces y el de asignación de polos.4. requieren de un modelo paramétrico del sistema. El sistema dado por 4. la ecuación 4. en los cuales.1 queda descrito por la ecuación en diferencias: Este modelo se conoce como “MODELO ARMAX” (Auto Regressive Moving Average) y en él se debe estimar el vector de parámetros dado por: A partir de un conjunto de N pares de mediciones de entrada–salida del sistema: Debido al error que se puede introducir en la medición.1 Identificación por el método de mínimos cuadrados no recursivo. Para dar una idea de la identificación paramétrica se consideran a continuación el método de mínimos cuadrados no recursivo y el método de mínimos cuadrados recursivos.

es decir. para periodos de muestreo . se tendrá: En donde es el vector de parámetros definido en la ecuación 4. el vector debe ser tal que minimice la suma de los cuadrados del error.6 se pueden escribir en forma matricial cómo: En donde: Es de orden Es de orden ( Es de orden Es de orden . Al utilizar el método de mínimos cuadrados para estimar . Luis Edo García Jaimes 77 El primer error es función solamente de las mediciones conocidas. las ecuaciones dadas en 4. Entonces. se definen las siguientes ecuaciones: Así.3 y: Para facilitar el tratamiento matemático. que minimice la función: .Control Avanzado.

73 2 1 1. Obtener.9 y se reemplaza en la ecuación 4. K u(k) y(k) 0 0 0 1 1 0. el valor estimado de es: EJEMPLO 4. un modelo de segundo orden que describa la dinámica del sistema.10 se El valor de que minimiza a debe cumplir con la ecuación: Es decir: Por lo tanto. Luis Edo García Jaimes 78 Si se despeja obtiene: de la ecuación 4. a partir de ellos.Control Avanzado.55 4 1 1.73 5 1 1.1 Los datos que se dan a continuación corresponden a la respuesta de un sistema de control ante una entrada en escalón unitario.26 3 1 1.84 SOLUCIÓN: El modelo pedido es: El vector de parámetros a estimar es: Para ello se utiliza la ecuación: El número de pares de medidas es: Orden de Orden de Entonces: .

3 corresponde a una representación gráfica de los datos reales y de los datos estimados.3 Respuesta del modelo estimado a la señal de entrada u(k) .Control Avanzado. éstos últimos se dan como una función en línea continua. Luis Edo García Jaimes 79 Con los resultados anteriores se obtiene: El modelo estimado es. Figura 4. entonces: La figura 4.

lo que genera un alto costo computacional al procesar la información. Obtener los nuevos valores de 5. pero aumenta a medida que transcurre el tiempo. Luis Edo García Jaimes 80 4.2 Identificación por el método de mínimos cuadrados recursivos: En el método no recursivo. Seleccionar 2. y de los datos de entrada y salida actuales (instante Se supone que el sistema puede ser modelado como un proceso estable. el vector de parámetros se calcula utilizando toda la información disponible. Conformar el vector: 3. linealizable y con una sola entrada y una salida por lo que puede ser descrito por una ecuación en diferencias lineal de la forma: La ecuación 4. 4. Calcular los nuevos parámetros estimados: 7. siendo esta pequeña en los primeros instantes. Calcular mediante la ecuación: y . Calcular el error en la estimación: y de 6.4. Actualizar la matriz de covarianza: . En el método recursivo el vector de parámetros se calcula a partir de los resultados obtenidos en el instante anterior ).Control Avanzado.3]: 1.14 se puede escribir en forma vectorial así: En donde: El procedimiento para la identificación es el siguiente [4.

K u(k) y(k) 0 0 0 1 1 0. Para casos prácticos se sugiere tomar Es la matriz de covarianza. mientras que si . Obtener a partir de ellos.2 Los datos que se dan a continuación corresponden a la respuesta de un sistema de control a un escalón unitario. cuadrados recursivos. Luis Edo García Jaimes 81 8.Control Avanzado. se tiene el algoritmo de mínimos el algoritmo “olvida” las medidas más . Actualizar el vector de medidas: 9.73 5 1 1. y regresar al paso 3. antiguas. Si cuadrados normal. Se toma: es: y: .55 4 1 1.84 6 1 1.91 Asumir y utilizar mínimos SOLUCIÓN: el modelo pedido es: El vector a estimar es: Orden de El orden de 1.73 2 1 1. Esta matriz puede interpretarse como un factor de ganancia que determina el cambio en la identificación. Es el factor de corrección del error en la estimación EJEMPLO 4. Hacer En donde: Es el factor de olvido.26 3 1 1. un modelo de segundo orden que describa la dinámica del sistema. Este factor se introduce para que las últimas medidas tengan más peso que las antiguas.

Calcular los nuevos parámetros estimados 6. Con resulta: 3. Actualizar el vector de medidas: Nuevos valores de y de : . Actualizar la matriz de covarianza: 7.Control Avanzado. Luis Edo García Jaimes 82 2. Calcular : Nuevos valores de y de : 4. Se conforma el vector: . Calcular el error: 5.

Control Avanzado. Luis Edo García Jaimes 83 Nuevos valores de y de : Nuevos valores de y de : .

lamda=input('Entre el factor de olvido lamda=').55 1. r=[t'.2*n)]'.73 1.26 1. Luis Edo García Jaimes 84 Nuevos valores de y de : El modelo del sistema es: A continuación se presenta un programa en Matlab para identificación recursiva con modelo de segundo orden.y']. p=1000*eye(2*n). n=input('Entre el orden del sistema n=').91]. y=[0 0. clc u=[0 1 1 1 1 1 1].73 1.Control Avanzado.84 1. th=[zeros(1. phit=[-y(n) -y(n-1) u(n) u(n-1)] for k=n+1:length(y) l=(p*phit')/(lamda+phit*p*phit') e=y(k)-phit*th th=th+l*e p=(1/lamda)*(eye(2*n)-l*phit)*p . t=[0 1 2 3 4 5 6].

d=[1 th(1) th(2)].d. Obsérvese la correspondencia entre los valores reales y los valores estimados.y1) hold plot(t. printsys(n. Figura 4.y.'*') grid En la tabla adjunta se presenta una comparación entre los valores de la salida real del sistema y los de la salida estimada para diferentes instantes de muestreo.73 2 1.73 5 1.26 3 1. 0 0.91 La figura 4.Control Avanzado. Luis Edo García Jaimes 85 phit=[-y(k) -y(k-1) u(k) u(k-1)] end u1=[1 1 1 1 1 1 1].4 Respuesta del modelo estimado a la señal de entrada u(k) .d. éstos últimos se presentan como una función en línea continua.0 1 0.55 4 1.84 6 1.'z') y1=dlsim(n.u1) plot(t. n=[th(3) th(4)].4 corresponde a una representación gráfica de los datos reales y de los estimados.

78 9. La presión del tanque se mide con un manómetro calibrado de 0 a 15 PSI.30 8.6 4.4 64. La temperatura se midió con un termómetro calibrado de 0 ºC a 100 ºC.5 63.5 64.9 61. del cambio de presión en un tanque al variar la apertura de la válvula de suministro de aire del 45% al 55%.3 A un sistema de primer orden con función de transferencia discreta de la forma: Se le aplicaron las siguientes secuencias de entrada: .75 9. Luis Edo García Jaimes 86 PROBLEMAS PROPUESTOS 4.9 56.Control Avanzado. NOTA: Es necesario trasladar los datos y expresar la presión en % t (min) % Ap Válv P (PSI) 0 45 2 55 4 55 6 55 8 55 10 55 12 55 4.89 9.2 Los datos que se dan a continuación corresponden a la respuesta en PSI. Utilice el método de mínimos cuadrados a) No recursivos b) Recursivos y obtenga un modelo de segundo orden que describa adecuadamente la dinámica del tanque.95 4.0 7.0 45.1 Los datos que se dan a continuación corresponden a la respuesta en grados centígrados de la temperatura del agua de un intercambiador de calor al variar la apertura de la válvula de control del flujo de vapor del 30% al 40%.45 9. Aproxime la dinámica del intercambiador a un sistema de segundo orden utilizando el método de: a) Mínimos cuadrados no recursivos b) Mínimos cuadrados recursivos. c) Valide el modelo obtenido en cada caso NOTA: Es necesario trasladar los datos y expresar la temperatura en % t (seg) % Ap Válv 0 30 30 40 60 40 90 40 120 40 150 40 180 40 Temp (ºC) 20.

0270 .6562 0 0.0205 10 1 0.0820 8 1 0. b) Utilizando las mismas secuencias de entrada valide los modelos obtenidos mediante simulación en MATLAB.0675 .000 1 0 1. Luis Edo García Jaimes 87 a) Entrada: b) Entrada: Las salidas obtenidas para cada secuencia se muestran en las tablas que se dan a continuación: Entrada a) Entrada b) u(k) y(k) K u(k) y(k) 1 0. los valores de los del modelo.Control Avanzado.6250 3 0 0.3125 0 0.100 3 0 1. 4.2500 0 0. parámetros y a) Obtenga para cada entrada.000 2 1 1.8491 7 1 2.0000 K 0 1 2 3 4 5 6 7 8 9 10 … 30 Utilizando el método de mínimos cuadrados no recursivos y el método de mínimos cuadrados recursivos.9884 … … … 30 1 2.5000 1 0.6250 1 0.9141 0 0.9893 … … … … … 0 0.9570 0 0.2500 2 1 0.5000 1 0 0.102 6 1 1.0000 0 1 0.0410 9 1 0.4 A un sistema de segundo orden con función de transferencia discreta de la forma: Se le aplicó la secuencia de entrada: salida del sistema se dan en la tabla adjunta: K u(K) y(K) 0 1 0.918 5 1 1. los datos de la 10 1 1.320 4 1 0.8281 0 0.1641 7 1 0.3125 4 1 0.9785 0 0.2348 8 1 2.6562 5 1 0.3281 6 1 0.0000 30 1 1.2122 9 1 2.0000 0 0.

[4. a) Obtenga los valores de los parámetros y del modelo. System Identification. a) Obtenga REFERENCIAS [4. New York: Prentice-Hall. Control adaptativo y robusto.2] 1989.3] Rodriguez. M. [4. Second Edition. Wittenmark B. R. b) Utilizando la misma secuencia de entrada valide el modelo obtenido mediante simulación en MATLAB. N. López. 1999.1] Ljung L. Söderström T.Control Avanzado. . Stoica P. K.J. PrenticeHall.. Van Nostrand Reinhold Co. 1997. Universidad de Sevilla 1996. Luis Edo García Jaimes 88 Utilizando el método de mínimos cuadrados no recursivos y el de mínimos cuadrados recursivos. b) Grafique la salida y(k) . Prentice-Hall. Aström K. Theory for the user.: Modelling and Identification of Dynamic Systems. Sinha. 4.1983. System Identification.5 Al sistema de control discreto definido por la función de transferencia: Se le aplica la secuencia de entrada: la respuesta del sistema a dicha secuencia. Third edition. Computer Controlled Systems: Theory and Design.

En estos reguladores se aplica el principio de equivalencia cierta pues se supone que los parámetros identificados coinciden con los reales.Control Avanzado. El diseño se realiza suponiendo inicialmente parámetros conocidos y luego éstos son sustituidos por los estimados. En el diseño de controladores autoajustables se distinguen tres partes [5. 5.1 ECUACIÓN GENERAL PARA CONTROLADORES LINEALES Un controlador lineal se puede describir mediante la función de transferencia de pulso: .1]: Un algoritmo recursivo de identificación de parámetros. Un mecanismo de adaptación que realiza la tarea de diseño del controlador Un controlador con parámetros ajustables. Luis Edo García Jaimes 89 Estos controladores conforman una estructura subóptima basada en el principio de la separación de las tareas de control e identificación.

3 genera ecuaciones simultáneas cuya solución da como resultado los parámetros del controlador. con esta condición.2]. queden ubicados en el lugar deseado de acuerdo a sus especificaciones de funcionamiento. el denominador del controlador cumple con la igualdad: Con la adición del integrador se obtienen parámetros desconocidos obtiene haciendo: y ecuaciones y el controlador tendrá . Se asume que el proceso lineal que se va a controlar tiene como función de transferencia de pulso: En donde Para el diseño del controladores adaptativos se pueden utilizar diferentes métodos: Asignación de polos. en resolver una ecuación polinomial con ciertas restricciones en los órdenes de los polinomios para asegurar que el controlador propuesto sea causal y con realización mínima [5. La ecuación característica deseada para el sistema en lazo cerrado toma la forma: El orden de en la ecuación 5. 5. El diseño del controlador consiste básicamente. La solución de orden mínimo se .1. optimización de parámetros.2].1 Método de asignación de polos: El objetivo de este método es diseñar el controlador de modo que los polos del sistema en lazo cerrado.3 está determinado por: La ecuación 5.Control Avanzado. Para asegurar error de estado estable igual a cero es necesario que el controlador tenga un integrador. Luis Edo García Jaimes 90 y los parámetros y deben seleccionarse En donde los grados de y de adecuadamente para satisfacer los requerimientos del sistema de control [5. ajuste por tablas etc.

Luis Edo García Jaimes 91 En este caso los parámetros del controlador se obtienen con la ecuación: EJEMPLO 5. la función de transferencia de pulso del controlador toma la forma: El orden de la ecuación característica deseada es: es decir .Control Avanzado. así la ecuación características es: .1 La función de transferencia de pulso de cierto sistema neumático está dada por: Diseñar para el sistema un controlador digital de modo que los polos dominantes del sistema en lazo cerrado estén ubicados en SOLUCIÓN: La función de transferencia del sistema se puede escribir como: En donde: y El orden del numerador del controlador es: El orden del denominador del controlador es: Por lo tanto. los tres polos restantes se pueden Se da como polo dominante asignar en el origen.

Figura 5. puesto que el método de síntesis está basado en manipulaciones algebraicas con los polinomios que se utilizan en la descripción externa.1. Luis Edo García Jaimes 92 Teniendo en cuenta las ecuaciones 5.7 se obtiene: Resolviendo resulta: Por lo tanto el controlador pedido es: La figura 5. Sin embargo.1 Respuesta del sistema al escalón unitario 5. ya que se utiliza la minimización de un índice de coste como criterio de diseño.1 muestra la respuesta del sistema ante un escalón unitario aplicado en el set-point.2 y 5. 5.1. El interés de este tipo de controladores se ve acentuado sobre todo en multitud de procesos industriales en los cuales es de vital importancia la minimización de la . también puede interpretarse como un problema de asignación de polos.2 Controlador de mínima varianza: Este tipo de controlador puede englobarse dentro de los de síntesis óptima.Control Avanzado.

es el valor de consigna o referencia. Estas perturbaciones no se pueden eliminar por completo.1]. la ecuación 5. También se han propuesto controladores de mínima varianza minimizando el criterio: Si se supone que sobre el sistema actúan perturbaciones estocásticas. el proceso estará descrito por un modelo ARMAX de la forma (ver figura 5.Control Avanzado. de tal forma que minimice el criterio: como una En donde: .2 Proceso con perturbación Para el instante . pero se puede reducir su varianza.10 se puede escribir en la forma: .2): Donde: Figura 5. El controlador de mínima varianza tiene como objetivo minimizar el efecto de las perturbaciones sobre la salida [5. Luis Edo García Jaimes 93 varianza de la salida. Esta técnica de control se utiliza cuando la salida del sistema está contaminada por una perturbación estocástica. La estrategia control consiste en calcular la señal de control función de los valores disponibles en ese instante o sea .

13 tienen el siguiente significado: : Es el efecto sobre la salida correspondientes a las perturbaciones anteriores a . Luis Edo García Jaimes 94 Utilizando la identidad: En donde: La ecuación 5.13 resulta: En la ecuación 5. cuyo efecto sobre la salida no se puede controlar con es independiente de Resolviendo la ecuación 5.10 para se obtiene: Reemplazando la expresión para en 5.11 se transforma en: Los dos últimos términos del lado derecho de la ecuación 5. : contiene las perturbaciones producidas entre el instante y el instante pues .15 se debe calcular la acción de control varianza de la salida: que minimice la El mínimo de se encuentra derivando con respecto a : .Control Avanzado.

Figura 5.3 corresponde al sistema con el controlador de mínima varianza incorporado. Luis Edo García Jaimes 95 Resolviendo para se obtiene la ley de control: La figura 5.Control Avanzado.3 Controlador de mínima varianza Control de mínima varianza con seguimiento de referencias: En este caso se debe calcular la acción de control que minimice la varianza de la salida: O sea: Tomando la esperanza matemática a lado y lado de la ecuación se obtiene: Para hallar el valor mínimo de la ecuación anterior se deriva con a respecto : Despejando se obtiene la ley de control así: .

4 representa el diagrama de bloques correspondiente al sistema de control de minina varianza con ley de control dada por la ecuación 5.20 . La figura 5.Control Avanzado.19 se obtiene: Para hacer mínimo el valor de es necesario calcular su derivada con respecto a e igualar el resultado a cero lo cual da como resultado: Resolviendo para se obtiene la ley de control: La ecuación 5.18 corresponde al controlador de mínima varianza con seguimiento de referencias.18 Figura 5.5 representa el diagrama de bloques correspondiente al sistema de control de minina varianza con ley de control dada por la ecuación 5. Luis Edo García Jaimes 96 La ecuación 5.4 Control de mínima varianza con seguimiento de referencias Controlador de mínima varianza ponderado: en este caso se debe calcular la acción de control que minimice la varianza de la salida: Tomando la esperanza matemática a lado y lado de la ecuación 5.20 corresponde al controlador de “mínima varianza generalizado” La figura 5.

En los controladores de mínima varianza es más común el .5 Control de mínima varianza ponderado NOTA: La ecuación 5.23 se puede escribir en la forma [5.Control Avanzado. Luis Edo García Jaimes 97 Figura 5. la ecuación 5.3]: . es más conveniente utilizar sistema tipo regulador solamente la parte de la ecuación correspondiente al controlador ubicado en la realimentación. para eliminar el offset se puede adicionar al controlador un integrador así. por esta razón.20 está formada por dos términos: uno corresponde a un controlador colocado en la realimentación y el otro es un prefiltro para la referencia no causal . En estas condiciones se consideran tres tipos de controladores de mínima varianza así: Controlador MVR1: Correspondiente al controlador de mínima varianza generalizado Controlador MVR2: Correspondiente al MVR1 con Controlador MVR3: Correspondiente al MVR1 con Eliminación del offset: El controlador de mínima varianza presenta offset (Error de estado estable) ante cambios en la referencia ó cambios en la perturbación.

es importante definir previamente el orden del sistema que se va a tomar como modelo del proceso.12 con lo cual se obtiene: . APLICACIÓN: En caso de realizar control adaptativo con identificación en línea.10 toma la forma: . el controlador MVR3 cancela los ceros del proceso por lo tanto no puede utilizarse en sistemas con ceros ubicados fuera del circulo unitario [5.3]. los polinomios de diseño del controlador y son: y cumplen con la identidad dada por Resolviendo para se obtiene: Con los polinomios de diseño y son y y cumplen con la identidad dada por 5.Control Avanzado. así para un sistema de tercer orden en la ecuación 5. Luis Edo García Jaimes 98 Los controladores MVR1 y MVR2 no cancelan polos ni ceros de la planta por lo tanto pueden ser utilizados con sistemas inestables y con sistemas con ceros fuera del circulo unitario sin mayores restricciones.12: .12 con lo cual se obtiene: Con y los polinomios de diseño y son y cumplen con la identidad dada por 5. el modelo dado Con y 5.

se obtiene: ) . se EJEMPLO 5.2 Se desea diseñar un controlador de mínima varianza para un sistema con función de transferencia discreta: La salida de dicho sistema se ve afectada por una perturbación estocástica cuyo comportamiento se puede modelar mediante un proceso ARMAX. El modelo de la perturbación estocástica corresponde a un ruido blanco modificado por el filtro: SOLUCIÓN: La función de transferencia del sistema y la de la perturbación se pueden escribir en la forma: En donde: Con y . Luis Edo García Jaimes 99 Los coeficientes para hace se obtienen haciendo y para .Control Avanzado.

b. Luis Edo García Jaimes 100 se obtiene: Igualando los coeficientes de igual potencia en Resolviendo se obtiene: Con los resultados anteriores. En la figura d se adicionó un integrador con para eliminar el offset en el controlador MV3 . el controlador de mínima varianza MVR3 es: Si se asume .6 a. c y d se muestran las respuestas del sistema con los controladores de mínima varianza estimados. En las figura 5. el controlador de mínima varianza generalizado MVR1.Control Avanzado. el controlador de mínima varianza MVR2 toma la forma: Finalmente. con es: .

Luis Edo García Jaimes 101 a) 1 0.2 c) 1 0.4 0.2 b) 1 0.2 d) 1 0.4 0.8 Salida 0.2 0 10 20 30 40 t [s] 50 60 70 80 1.6 0.8 Salida 0.8 Salida 0.3 Diseño de un controlador PI Adaptativo por asignación y cancelación de polos para un sistema de primer orden (POR): Si la dinámica del sistema se aproxima a la de un sistema de primer orden con retardo de la forma: .4 0.8 Salida 0.6 0.1.2 0 10 20 30 40 t [s] 50 60 70 80 1.6 0.2 0 10 20 30 40 t [s] 50 60 70 80 1.6 Respuesta con el controlador de mínima varianza a) MVR3 MVR2 c) MVR1 y d) MVR3 con integrador para eliminar el offset b) 5.2 0 10 20 30 40 t [s] 50 60 70 80 Figura 5.6 0.Control Avanzado.4 0.

. comprobándose que corresponden a polos no dominantes que decaen rápidamente y que el polo es efectivamente el polo dominante. si se hace es: Si al sistema en lazo cerrado se le condiciona a que tenga un polo estable en . Este método de diseño de controladores PI se recomienda especialmente cuando: EJEMPLO 5. al evaluar en se obtiene: la ecuación característica del sistema en lazo cerrado Despejando q0 resulta: Entonces. entonces. los parámetros y del controlador que pueden calcularse especificando un polo dominante en lazo cerrado en ha de cancelarse con el cero del controlador. Resolviendo se puede determinar la ubicación de los n polos restantes. se asume que la función de transferencia del controlador PI toma la forma: Si se selecciona el cero del controlador de modo que cancele el polo de la planta. Luis Edo García Jaimes 102 El modelo discreto correspondiente para dicho sistema es: Para el diseño.2 s.Control Avanzado. conociendo y del modelo. es decir.3 Un sistema de flujo tiene como función de transferencia: Diseñar Para el sistema un controlador PI utilizando el método de cancelación y asignación de polos de modo que el sistema tenga un polo dominante de lazo cerrado en El sistema se muestrea cada 0.

Control Avanzado.7 Respuesta con el controlador PI por cancelación y asignación de polos. PROBLEMAS PROPUESTOS 5.1 La función de transferencia para el proceso del sistema de control que se muestra en la figura 5. por lo tanto: El controlador pedido es: La figura 5. El polo dominante deseado es .7 muestra la respuesta del sistema con el controlador PI calculado. Luis Edo García Jaimes 103 SOLUCIÓN: la función de transferencia del sistema se puede escribir como: 0 1 El controlador PI toma la forma: Si se asume que el cero del controlador cancela el polo de la planta. Figura 5.8 está dada por: . entonces .

El sistema se muestreó cada 0.2 min.1 min. Figura 5. Medición: sistema con ganancia unitaria.6.2 La figura 5.9 Sistema para el problema 5.5 min.9 muestra el diagrama de instrumentación para el control digital de la temperatura de un horno.25 min.75 min y retardo de 0.8 Sistema de control para el problema 5. constante de tiempo 1. Luis Edo García Jaimes 104 a) Discretice el sistema con En donde: b) Diseñe un controlador digital utilizando el método de asignación de polos de modo que el sistema en lazo cerrado tenga tiempo de establecimiento de y coeficiente de amortiguamiento igual a Figura 5.2 .1 5. Ganancia 1 y constante de tiempo 0. Ganancia 0. La dinámica de los elementos componentes del sistema se puede modelar así: Horno: sistema de primer orden. Válvula: Sistema de primer orden. Diseñe para el sistema un controlador digital por asignación de polos de modo que el sistema en lazo cerrado tenga máximo sobreimpulso igual al 10% y tiempo de establecimiento de 1.Control Avanzado.

10 representa el diagrama en bloques del sistema de control de un motor de DC. MVR2 y MVR1 con r=0.4 La función de transferencia para un sistema de control está dada por: . Utilizado para controlar la velocidad de una carga.01 y con modelo de perturbación estocástica modificada por el filtro Figura 5.3 5.3 La figura 5. b) Un controlador MVR3.Control Avanzado. Las ecuaciones que describen la dinámica del motor se pueden resumir así: En donde: Voltaje aplicado al motor Fuerza contraelectromotriz Corriente de la armadura Velocidad angular del motor Torque del motor Perturbación en torque de la carga torque del motor :Constante de :Inercia del motor : Resistencia de la armadura Inductancia de la armadura Constante de a) Obtenga la función de transferencia sistema un periodo de muestreo b) Asuma para el y diseñe para el mismo a) Un controlador por asignación de polos de modo que el sistema del motor en lazo cerrado tenga tiempo de establecimiento igual al 60% del correspondiente al sistema en lazo abierto.10 Sistema para el problema 5. Luis Edo García Jaimes 105 5.

G. Wittenmark. R. REFERENCIAS [5. . Nagle.3] Isermann. Addison Wesley. [5. Considere que el factor de ponderación en el MVR1 es r=0.4 min. MVR2 y MVR1. M. Lachman. Prentice Hall 1991. R. Lopez. Addison Wesley.1996. Universidad de Sevilla.1981. Digital control systems. Adaptive Control Systems. 1989. Adaptive Control.2] Iserman. 1997. en lazo cerrado tenga máximo sobreimpulso del 10% y tiempo de pico de 0. Análysis and Desing.5 Un sistema térmico tiene por función de transferencia: Obtenga para el sistema un controlador PI por asignación y cancelación de polos de modo que el sistema en lazo cerrado tenga tiempo de establecimiento igual al 60% del correspondiente en lazo abierto. Phillips. Control Adaptativo y Robusto. Digital Control of Dynamic Systems.K. R. D. Powell. Franklin. Ediciones G. El modelo de la perturbación estocástica corresponde a un ruido blanco modificado por el filtro siguiente: 5. Digital Control Systems. B. [5. K. Aström. Asuma que la salida de dicho sistema se ve afectada por una perturbación estocástica cuyo comportamiento se puede modelar mediante un proceso ARMAX. Luis Edo García Jaimes 106 a) Diseñe un controlador digital por asignación de polos de modo que el sistema.Control Avanzado. Gili. H. C.05. 1990. b) Obtenga controladores de mínima varianza MVR3. Springer Verlag .1] Rodriguez.

sistemas no lineales o con parámetros variables en el tiempo. No es necesario un conocimiento extensivo de la planta. Como se indica en la figura 6. pero si es necesaria la escogencia del modelo adecuado para lograr la salida deseada.Control Avanzado. Luis Edo García Jaimes 107 Esta técnica se emplea con modelos matemáticos simulados en computador y es muy útil para sistemas complicados de controlar por ejemplo. En esta estrategia de control se selecciona como referencia un modelo que cumpla con las condiciones deseadas para el funcionamiento adecuado de la planta y se desarrolla un mecanismo de control que permita que la planta siga el modelo escogido. Se trata de que el sistema controlado siga el comportamiento de un modelo determinado para lo cual se debe generar una señal de control que haga converger la respuesta de la planta a la del modelo para una cierta señal de entrada. el control por modelo de referencia está formado por tres partes fundamentales: [6.1] .1. El modelo de referencia que se utiliza es usualmente lineal.

. Luis Edo García Jaimes 108 El controlador primario: Debe cumplir la condición de hacer posible que el conjunto de la planta y el controlador puedan reproducir el modelo de referencia. MÉTODO DE LYAPUNOV Este método establece que un sistema tiene un punto de equilibrio asintóticamente estable. La ley de adaptación: esta se puede obtener por diferentes métodos: Método de sensibilidad.1]: : Definida positiva para Definida negativa para para que cumpla con las Procedimiento para aplicar el método de Lyapunov: 1.Control Avanzado. método de Lyapunov y método de hiperestabilidad. Figura 6. El modelo de referencia: Debe seleccionarse con un comportamiento dinámico estable y que pueda ser seguido por el proceso a controlar. Esta función es de la forma: Donde las matrices y deben ser definidas positivas.1 MRAC PARA SISTEMAS CONTINUOS.1 Control por modelo de referencia 6. Encontrar la ecuación de error en la salida: 2. Encontrar la función de Lyapunov como una función del error entre las señales y del error en los parámetros. si existe una función siguientes condiciones [6.

. Calcular la derivada de la función de Lyapunov. está relacionado directamente con el error señales (Referencia. Hacer el término extra igual a cero para obtener la ley de adaptación.2]. SOLUCIÓN: Sea el sistema de primer orden: Si se toma como modelo de referencia: El error es: La ecuación de la planta se puede escribir como: Haciendo: Se obtiene: En donde es la salida y es la ley de control.1 Diseñar un sistema de control por modelo de referencia para un sistema de primer orden [6. Normalmente tiene la forma: . Luis Edo García Jaimes 109 3.Control Avanzado. entonces. salida etc.) y tiene que ver con el vector de EJEMPLO 6. Esta derivada debe ser definida negativa. 4. Por lo general toma la forma: El primer término garantiza que la derivada es negativa definida. haciendo el resto igual a cero se tiene una posible solución para la adaptación.

que se adapten al sistema de control se pueden determinar tomando en cuenta las siguientes consideraciones: Reemplazando 6.15 se deduce que si .Control Avanzado.8 y 6.9 en 6. y .12 en 6.13 se obtiene: Reemplazando 6.14: Sumando y restando simplificar: en la ecuación anterior se obtiene. después de De la ecuación 6.12 corresponde a la ley de control del sistema y en ella no se conocen los parámetros Los valores apropiados de y y debido a que y son desconocidos. . Luis Edo García Jaimes 110 La ecuación del modelo de referencia se puede escribir como: Para que el error sea cero se debe cumplir que: por lo tanto: Despejando : Es decir: Haciendo: La ecuación 6.

La salida del proceso.2 muestra el diagrama de bloques y la respuesta del sistema de control MRAC aplicado al sistema de primer orden. La salida del modelo de referencia.17 se obtiene: De acuerdo con la teoría de la estabilidad de Lyapunov. y los parámetros del controlador tengan su Derivando parcialmente la ecuación la ecuación 6.Control Avanzado. En donde: Señal de entrada. el sistema es estable si es semidefinida negativa. .18 se da: Entonces: La figura 6. : El error. Para este propósito se define la función de Lyapunov: Esta función es cero cuando valor óptimo. La señal de control. esto se cumple si en la ecuación 6.16 con respecto a los parámetros se obtiene: Reemplazando la ecuación 6.15 en la 6. Luis Edo García Jaimes 111 y a los valores Se trata de diseñar un sistema que lleve los parámetros deseados.

Se trabajó con Para realizar la simulación se tomaron como modelo para el proceso y como modelo de referencia: 5 s+5 R u to 2 Modelo de Ref 4 0.8s+1 Proceso ym e yp 1 s So -2 1 s Figura 6.2 Diseñar un sistema de control por modelo de referencia para un sistema de segundo orden [6.3]. Luis Edo García Jaimes 112 es una constante positiva que se y son las ganancias adaptativas y puede tomar como parámetro de ajuste.Control Avanzado.2 Diagrama de bloques y respuesta del control MRAC EJEMPLO 6. SOLUCIÓN: Sea el sistema de segundo orden: .

Luis Edo García Jaimes 113 En donde y son parámetros del proceso variables en el tiempo.27 se obtiene: Introduciendo los parámetros de error: Y teniendo en cuenta que el error es: Se obtiene: La ecuación anterior se puede escribir así: Ahora se introduce la función de Lyapunov: . Sea el modelo de referencia: Se asume como ley de control para el sistema [3]: En donde es la señal de referencia.26 y 6. La ecuación diferencial que describe el sistema es: Factorizando y simplificando se obtiene: La ecuación diferencial del modelo de referencia es: Restando las ecuaciones 6.Control Avanzado.

33 si: De la ecuación 6. Esto se puede asegurar para la ecuación 6.29 se obtiene: Integrando cada una de las ecuaciones anteriores se obtiene: . Luis Edo García Jaimes 114 En donde y son constantes positivas. entonces una función positiva definida. La derivada de la función de Lyapunov introducida es: Factorizando y simplificando se obtiene: La teoría de estabilidad de Lyapunov garantiza la estabilidad global del sistema dinámico si es una función semidefinida negativa.Control Avanzado. es positiva y es Como el modelo de referencia se supone estable.

El error. Para realizar las simulaciones se tuvieron en cuenta los siguientes valores: . La señal de control. La salida del modelo de referencia. La salida del proceso. Luis Edo García Jaimes 115 La figura 6. r 1 s2 +1.6s+1 1 s -2 f ym 5 1 s q1 u 4 s2 +2s+4 yp qo 1 s du/dt 5 du/dt Figura 6.3 muestra el diagrama de bloques y la respuesta del sistema de control MRAC aplicado al sistema de segundo orden.Control Avanzado.3 Control MRAC para sistema continuo de segundo orden En donde: La señal de entrada.

4 muestra el diagrama en bloques del sistema de control con modelo de referencia propuesto. . Luis Edo García Jaimes 116 El modelo del proceso a controlar se tomó como: El modelo de referencia se tomó como: 6.Control Avanzado. para sistemas discretos.3]: Con: Siga el modelo: En donde: Mediante la aplicación de la ley de control: En donde: La figura 6.2 MRAC PARA SISTEMAS DISCRETOS Al igual que en los sistemas continuos. es que el proceso con función de transferencia [6. la idea básica del control con modelo de referencia MRAC.

Control Avanzado. ceros seleccionado es menor que el grado de . y el filtro quedan deteminados por De la última ecuación se despeja el filtro así: El filtro con es realizable si es de la forma . : Contiene los ceros inestables del proceso. Los ceros estables del proceso se incluyen en el polinomio es decir: 4. Reescribir el polinomio del proceso en la forma: En donde: : Contiene los ceros estables del proceso. Si el grado de .4 es: El procedimiento para el diseño es el siguiente: 1. es decir. Los polinomios las ecuaciones: . 3. Los ceros inestables del proceso deben ser ceros de de 5. Seleccionar el modelo de referencia adecuado.4 Control con modelo de referencia La función de transferencia en lazo cerrado para el sistema de la figura 6.38 se multiplica y divide por el polinomio 6. 2. el lado derecho de después de la cancelación de la ecuación 6. Luis Edo García Jaimes 117 Figura 6.

Luis Edo García Jaimes 118 NOTA: En caso de que el sistema tenga solo ceros estables se considera que . en lazo cerrado siga la dinámica del modelo: SOLUCIÓN: Los modelos discretos son: Por lo tanto.3 La función de transferencia de un sistema de presión está dada por: Diseñe para el sistema un controlador con modelo de referencia de modo que el sistema. la ley de control es: .Control Avanzado.41 se puede escribir en forma vectorial como: En donde: EJEMPLO 6. en este caso la ley de control toma la forma: La ecuación 6.

Luis Edo García Jaimes 119 Grado de Grado de Condición de los polinomios: Comparando término a término y resolviendo las ecuaciones resultantes se obtiene qué: . .5 muestra el diagrama en bloques del sistema de control y la respuesta del mismo ante una entrada con forma de onda rectangular de amplitud unitaria. la ley de control es: Despejando se obtiene: Tomando transformada z y reuniendo términos: Es decir: La figura 6.Control Avanzado. Entonces: y Por lo tanto: . y Finalmente.

SOLUCIÓN: al discretizar el sistema con se obtiene: y constante de tiempo equivalente igual a El numerador tiene un cero fuera del círculo unitario.8 y(k) 0.5 Control con modelo de referencia EJEMPLO 6.6 0.0394z(z+0.Control Avanzado.4631)(z+0.4404) (z+0.0819) 1 0.0819) 0.8607) 1.4631)(z+0.038(z+0. Luis Edo García Jaimes 120 4. Diseñar para el sistema un controlador con modelo de referencia de modo que su comportamiento en lazo cerrado siga la dinámica de un modelo de segundo orden con ganancia unitaria. coeficiente de amortiguamiento 12.4 La función de transferencia de un sistema térmico está dada por: El sistema es muestreado cada tres segundos.5 s.4631) z2 (z-0.2 0 0 50 100 150 t[s] 200 250 300 Figura 6.4 0.855z2 (z+0. entonces: .

es decir: Para que el sistema tenga ganancia unitaria se debe cumplir que: Por lo tanto el modelo de referencia es: La ley de control está determinada por la ecuación: Grado de Grado de Las ecuaciones de diseño son: .Control Avanzado. Luis Edo García Jaimes 121 Para obtener la función de transferencia discreta del modelo de referencia se tiene: Los polos deseados para el sistema en lazo cerrado son: su ecuación característica es: y El modelo de referencia debe tener en el numerador el cero inestable del sistema a controlar.

Luis Edo García Jaimes 122 Efectuando operaciones y reuniendo términos semejantes: Comparando término a término se obtiene: Al resolver las ecuaciones anteriores resulta: Es decir: El filtro ) se obtiene con la ecuación 6.Control Avanzado.40: La ley de control es: Es decir: Esta expresión escrita como una ecuación en diferencias es: .

8 y(k) 0.2 0 0 100 200 300 400 500 t [s] 600 700 800 900 1000 Figura 6.Control Avanzado.2 1 0.4 0.6 Diagrama en bloques del sistema de control y respuesta del mismo ante una entrada con forma de onda rectangular de amplitud unitaria. APLICACIÓN: Para un sistema de segundo orden caracterizado por el modelo discreto: Se propone como modelo de referencia el siguiente sistema discreto: Con y y asumiendo que todos los ceros de están dentro del circulo unitario ( Es decir: . 1.6 0. Luis Edo García Jaimes 123 La figura 6.6 muestra el diagrama en bloques del sistema de control y la respuesta del mismo ante una entrada con forma de onda rectangular de amplitud unitaria.

49 para calcular el del circulo unitario ( Los polinomios y se relacionan mediante la ecuación: . Con y y asumiendo que todos los ceros de están dentro . Luis Edo García Jaimes 124 Los polinomios y se relacionan mediante la ecuación: Factorizando: La identidad anterior se cumple cuando: La ley de control está dada por: Es decir: Para realizar el control adaptativo se cuenta entonces con el vector de parámetros del proceso referencia algoritmo de control. el vector de parámetros del modelo de y las ecuaciones 6.Control Avanzado.48 y 6.

el vector de parámetros del modelo de y las ecuaciones 6.7 Tanque para el problema 6. Se dispone de sensores para nivel del tanque manipulando el flujo de entrada . Luis Edo García Jaimes 125 Comparando término a término se obtiene: La ley de control está dada por: Reemplazando y simplificando se obtiene: Para realizar el control adaptativo se cuenta entonces con el vector de parámetros del proceso referencia algoritmo de control.1 Sea el tanque con agitador representado en la figura 6.Control Avanzado.1 El objetivo es controlar la temperatura caudal de vapor del fluido de salida manipulando el que pasa a través del serpentín. Figura 6.51 para calcular el PROBLEMAS PROPUESTOS 6.50 y 6. .7. Se debe controlar también el .

2 Para este sistema se sabe que la relación entre la señal de control aplicada a la válvula de entrada y la temperatura de salida viene dada por: .8 Intercambiador para el problema 6.Control Avanzado. el flujo de entrada y el flujo de salida del tanque y las temperaturas de entrada y de salida del fluido. 6. Mediante una serie de experiencias llevadas a cabo en el entorno de las condiciones nominales de operación. c) Diseñe controladores por modelo de referencia discretos para regular el nivel y la temperatura del tanque.8 representa un intercambiador de calor con un sistema de calefacción interno no manipulable que calienta un flujo desde una temperatura a una temperatura . se han obtenido las funciones de transferencia que se presentan a continuación (tiempo en segundos): a) Obtenga un diagrama de instrumentación para el proceso incluyendo todos los componentes necesarios para realizar el control digital del mismo.2 El sistema de la figura 6. Luis Edo García Jaimes 126 medir el nivel. controladas y perturbaciones a la entrada y a la salida). de agua Figura 6. Analice la viabilidad del modelo de referencia seleccionado en cada caso. b) Dibuje un diagrama de bloques del proceso completo identificando todas las variables significativas (manipuladas.

Control Avanzado.5 min. 6.9 Sistema para el problema 6.8 y constante de tiempo de 2.5 min.9.3 La función de transferencia de un determinado proceso es El proceso está en serie con un sensor como se indica en la figura 6. Luis Edo García Jaimes 127 Para el análisis del sistema se considera un periodo de muestreo de 0. Existe la posibilidad de seleccionar la función de transferencia del sensor así: Obtenga para el sistema. . el controlador por modelo de referencia discreto adecuado para cada tipo de sensor propuesto. Obtenga la ley de control para el controlador discreto que cumpla con dichas especificaciones. los Figura 6.4 Para un sistema de segundo orden caracterizado por el modelo discreto: Se propone como modelo de referencia el siguiente sistema discreto: Asuma y que y obtenga una expresión para calcular la ley de control en función de los parámetros de la planta y del modelo de referencia.3 6. Se desea que el sistema siga como modelo de referencia a un sistema de segundo orden con coeficiente de amortiguamiento igual a 0. Justifique la selección de parámetros del modelo en cada caso.

1997. Powell.1] Rodriguez. K. Söderström.R. Adaptive Control Systems. Prentice Hall. Digital control systems. 1989.. Englewood Cliffs. T.2] Äström. Adaptive Control. N. Automatic Tuning of PID Controllers.3] Iserman.J. Universidad de Sevilla.. Digital Control of Dynamic Systems. Adaptive Control Processes: A Guided Tour. Ediciones G. Control Adaptativo y Robusto. Franklin. Nagle. P. Prentice Hall 1991. Phillips. R. Princeton University. Luis Edo García Jaimes 128 REFERENCIAS [6. K.K. System Identification. Addison Wesley. . 1961. ISA.1988 Bellman. Hägglung.1989 [6.Control Avanzado. 1990. & Stoica. Análysis and Desing. Äström. R. Prentice Hall. M. G. Gili. [6. Lopez. C. Lachman.1996. D. H. Wittenmark.

Luego. En este caso.1] Para sintonizar el controlador adecuado se utilizan una o más de las variables de programación. Luis Edo García Jaimes 129 La técnica de la ganancia programable (Gain scheduling) es un acercamiento al control de sistemas no lineales que utiliza una familia de controladores lineales. se implementa el esquema de control con un controlador cuyos parámetros son cambiados acorde a los valores que toman las variables de programación. de modo que cuando estas variables asumen un valor constante se obtiene un punto de funcionamiento [7. Este enfoque asume que el sistema se puede representar mediante un modelo parametrizado por ciertas variables. para proporcionar el control satisfactorio en diversos puntos de operación del sistema. llamadas variables de tabulación o de programación (“scheduling variables”). obteniéndose una familia de modelos lineales para la cual se diseña una familia de controladores lineales. se linealiza el sistema alrededor de distintos puntos de operación de interés. que deberán monitorearse continuamente.Control Avanzado. .

Seleccionar el controlador en función de las variables de programación: según el punto de operación en que se encuentre el proceso. Luis Edo García Jaimes 130 La literatura no documenta reglas generales para el diseño de controladores con ganancia programable.Control Avanzado. No existe norma sobre el número de condiciones o zonas de operación en que debe dividirse el rango de operación de la planta. el diseñador decide al respecto. En la figura 7. se pueden establecer los siguientes pasos: Determinar las variables de programación: Estas variables deben reflejar las condiciones de operación de la planta y permitir establecer expresiones simples que relacionen los parámetros del controlador con las variables de ajuste. . Calcular los parámetros del controlador para los diferentes puntos de operación: Se calculan los parámetros del controlador para un determinado número de condiciones de trabajo. Si el sistema es no lineal se linealiza alrededor de dichos puntos. El controlador se calibra o sintoniza para cada condición de operación. en función de las variables de programación. Para evitar los inconvenientes que puede causar la conmutación de un controlador a otro se puede generar una ecuación de regresión que permita calcular los parámetros del controlador en función de las variables de programación.1 se presenta un diagrama básico de la técnica de control por ganancia programable. Esto se hace normalmente mediante la identificación física del sistema. Sin embargo. Programación Precalculada Punto de Trabajo Parámetros del Controlador Controlador SP + Planta Señal de Control Salida - Figura 7. se selecciona el controlador diseñado para dicho punto de operación.1 Control con ganancia programable. Obtener el modelo del proceso para diferentes puntos de operación: estos puntos deben estar parametrizados por las variables de programación. empleando algún método de diseño apropiado.

1 La figura 7. Se obtuvo un modelo para cada uno de los escalones aplicados. Luis Edo García Jaimes 131 EJEMPLO 7.Control Avanzado. Diseñar para el sistema un controlador PI con ganancia programable. Figura 7.2 Prueba del escalón SOLUCIÓN: La dinámica del intercambiador se aproximó a un sistema de primer orden con retardo. La temperatura se midió con un instrumento calibrado de 0 a 100 ºC y la apertura de la válvula se da en porcentaje. se discretizaron los modelos y para cada uno de ellos se calculó un controlador PI utilizando el método de Ziegler-Nichols.2 muestra la respuesta de un intercambiador de calor ante escalones aplicados en diferentes zonas de operación. Modelos continuo y discreto: Controlador PI: Formulas empleadas para el cálculo del controlador: .

% Puntos de operación: los valores medios de la respuesta de la variable en cada % uno de los escalones.8818 -1.5233 -1.1 y las ecuaciones de regresión para estimar los parámetros y del controlador.Control Avanzado.2663 1.2592 -1. Para continuación: ello se utilizó el programa en MATLAB que se da a % GANANCIA PROGRAMABLE % El programa calcula un controlador PI según Ziegler-Nichols % Para este caso.8289 1. se obtienen a partir de los valores de los puntos de operación y de los modelos de primer orden con retardo correspondientes.7412 -1.6498 2.5261 1.1 Controladores obtenidos 22 40 52 67 78 1. .4606 Las ecuaciones para el cálculo de controlador son: y de que se han de utilizar para estimar el Los datos presentados en la tabla 7.3781 -1. Luis Edo García Jaimes 132 En la tabla 7.1 se muestran los parámetros obtenidos para los controladores en cada uno de los puntos de operación considerados Tabla 7. el modelo debe ser de primer orden con retardo POR % Para cada punto de operación se debe estimar el modelo correspondiente.

cd.b. while N<L N=N+1 n=input('Entre el numerador n=').'z') theta=R+TM/2. N=0. [ad. end end printsys(nd1.R).9*d(1)/(n*theta). kc=0. ti=3. Luis Edo García Jaimes 133 clc T=input('Entre los puntos de operacion V='). k=length(nd1).dd1]=ss2tf(ad. R=input('Entre el retardo R='). for j=1:k if (abs(nd1(j)))<10^(-8) nd1(j)=0.c. L=length(T).bd.bd.c. d=input('Entre el denominador d=').Control Avanzado.d1]=tf2ss(n.TM. else nd1(j)=nd1(j).cd.b.dd).dd]=c2dt(a.d).dd1. TM=input('Entre el periodo de muestreo TM=').33*theta. [nd1. qo=kc*(1+TM/(2*ti)) q1=-kc*(1-TM/(2*ti)) qo1(N)=qo q11(N)=q1 end disp('Los coeficientes para el calculo de qo sn:') . [a.

disp('Los coeficientes para el calculo de q1 son:') coeq1=polyfit(T.qo1.'*') title('VALORES DE q1') xlabel('T (ºC)') ylabel('q1') grid La figura 7. T1=50:95.T1).3 muestra la variación de con la temperatura VALORES DE qo 2.q11.qo2.T.5 1 20 30 40 50 T (ºC) 60 70 80 90 Figura 7.Control Avanzado.qo1.q12.q11.T1).T.4). Luis Edo García Jaimes 134 coeqo=polyfit(T.3 Variación de con la temperatura . qo2=polyval(coeqo.4).5 2 qo 1. figure(1) plot(T1. q12=polyval(coeq1.'*') title('VALORES DE qo') xlabel('T (ºC)') ylabel('qo') grid figure(2) plot(T1.

Para disminuir el sobreimpulso los valores estimados para 0.8 -2 20 30 40 50 T (ºC) 60 70 80 90 Figura 7.6 -1.1 Los resultados de la simulación se muestran en la figura 7.75 y se multiplicaron por .4 muestra la variación de con la temperatura VALORES DE q1 -0.Control Avanzado. r(k) m(k) 1.5 42s+1 20 y se incluyen en el T e(k) -1 Z -Kf(u) D To Workspace qo -1 Z e(k-1) q1 -Kf(u) Figura 7.2 q1 -1.6.5 Simulación para el ejemplo 7. Los polinomios para el cálculo de bloque f(u).8 -1 -1.4 -1.6 -0. Luis Edo García Jaimes 135 La figura 7. se manejaron los puntos de operación correspondientes a 40. 70 y 50 ºC respectivamente.5 muestra la forma de simular el sistema con ganancia programable con el controlador PI.4 Variación de con la temperatura La figura 7.

Control Avanzado. Luis Edo García Jaimes

136

Otra alternativa para realizar el control por ganancia programable consiste en seleccionar un controlador fijo para cada punto de operación. En este caso se utilizan ciertos valores de la variable de programación para realizar la conmutación entre los diferentes controladores. En el ejemplo 7.2 se ilustra el método.

Figura 7.6 resultado de la simulación con ganancia programable.

EJEMPLO 7.2 La dinámica de los tanques interconectados de la figura 7.7 se describe mediante las ecuaciones diferenciales no lineales:

Figura 7.7 Tanques interconectados para el ejemplo 7.2

Para el diseño del controlador se proponen como puntos de equilibrio: , y

,

. a) Linealice el sistema alrededor de cada uno de los

puntos de operación establecidos. b) Obtenga, para cada punto de operación, la

Control Avanzado. Luis Edo García Jaimes

137

matriz de ganancia de realimentación incluyendo integrador de modo que los polos de lazo cerrado del sistema queden ubicados en .

c) Simule el sistema de control obtenido con el sistema no lineal propuesto originalmente. SOLUCIÓN: Para ilustrar el procedimiento se resuelve completamente el problema para el punto de equilibrio correspondiente a para todos los puntos de equilibrio se presentan en la tabla 7.2 La dinámica del sistema linealizado se puede representar mediante la ecuación de estado: . Los resultados

En donde:

Las derivadas parciales se calculan en el punto de equilibrio:

Los puntos de equilibrio cumplen con la condición:

es decir:

Resolviendo las dos ecuaciones anteriores para punto de equilibrio es: Para el cálculo de las matrices y se tiene:

se obtiene que el

El sistema linealizado es, entonces:

Control Avanzado. Luis Edo García Jaimes

138

La matriz de ganancia de realimentación del sistema incluyendo integrador está dada por la fórmula de Ackerman:

En donde:

Siendo

los coeficientes de la ecuación característica deseada:

Entonces:

La ecuación característica deseada es:

Por lo tanto:

La ganancia correspondiente al integrador es:

La matriz de ganancia de realimentación es:

En la tabla 7.2 se presentan los valores de la ganancia del integrador y de la matriz de ganancia de realimentación para cada punto de operación.

2. %Parametros y puntos de operacion q1=0.1)].5*ones(500. Luis Edo García Jaimes 139 Tabla 7.4*ones(600. % GANANCIA PROGRAMABLE % gananciavar11 % Se trabaja conjuntamente con el diagrama gananciavar1 de simulink clc % Generacion de puntos de operacion t=0:1999.4. ref1=[0. q2=0.3*ones(400. t=t'. ref3=[0.Control Avanzado. % Estados de equilibrio para punto1 h1=8*q1^2.ref3. ganancia del . ref=[t.7*ones(500. reft=[ref1.1)].2 Ganancias del sistema en función del punto de operación A continuación se presenta el programa en Matlab utilizado para realizar los cálculos de la matriz de ganancia de realimentación y de la integrador.reft].1)] ref4=[0.6.ref2.8.ref4].1)]. q3=0. q4=0. h2=4*q1^2. ref2=[0.

1 -0.25/sqrt(h2). a22=-0.25/sqrt(h1-h2). % Polos deseados K1=acker(A. % Matrices linealizadas punto1 a=[a11 a12. a12=0.25/sqrt(h1-h2)-0. cero=zeros(length(a).2 -0. k21=K1(1. c=[1 0].b21].3). h2=4*q2^2.25/sqrt(h1-h2)-0. A=[a cero. % Estados de equilibrio para punto2 h1=8*q2^2.1:2).p).25/sqrt(h1-h2).B.25/sqrt(h1-h2). b21=0. b21=0. .a21 a22]. B=[b. a22=-0. b11=1.25/sqrt(h1-h2).1).a21 a22].0]. k11=K1(1. a11=-0. b=[b11.b21]. b=[b11. Luis Edo García Jaimes 140 a11=-0. a21=0.25/sqrt(h1-h2). a12=0. b11=1. a21=0.5]'. c=[1 0].25/sqrt(h2).25/sqrt(h1-h2).c 0]. % Matrices linealizadas punto 2 a=[a11 a12. c=[1 0].Control Avanzado. p=[-0.

K2=acker(A.c 0]. A=[a cero. a12=0. h2=4*q4^2.p). Luis Edo García Jaimes 141 c=[1 0].0]. A=[a cero.25/sqrt(h1-h2). cero=zeros(length(a).25/sqrt(h1-h2). a21=0.B.3). a11=-0. % Estados de equilibrio para punto3 h1=8*q3^2.b21]. % Estados de equilibrio para punto4 h1=8*q4^2.B. % Matrices linealizadas punto 3 a=[a11 a12.p). b11=1.1).1:2). k22=K2(1. k12=K2(1.a21 a22].25/sqrt(h2).1:2). K3=acker(A.Control Avanzado. c=[1 0]. a11=-0. cero=zeros(length(a). b21=0. k13=K3(1. h2=4*q3^2. b=[b11.1).c 0].25/sqrt(h1-h2).25/sqrt(h1-h2).0]. a22=-0.3). k23=K3(1.25/sqrt(h1-h2)-0. c=[1 0]. . B=[b. B=[b.

b11=1. c=[1 0]. c=[1 0].3).B.25/sqrt(h2). A=[a cero.1:2).8 Control con ganancia programable y realimentación de estado .25/sqrt(h1-h2).1).p).9 corresponde al diagrama de bloques en simulink realizado para simular el sistema. b=[b11. b21=0.8 muestra la respuesta del sistema ante cambios en la referencia y la figura 7. K4=acker(A.b21].Control Avanzado. k14=K4(1. a22=-0.0]. Luis Edo García Jaimes 142 a12=0.25/sqrt(h1-h2)-0.a21 a22].25/sqrt(h1-h2).c 0]. B=[b. Figura 7. % Matrices linealizadas punto4 a=[a11 a12. k24=K4(1. cero=zeros(length(a). sim('gananciavar1') La figura 7. a21=0.

Control Avanzado. Luis Edo García Jaimes 143 .

en este caso los parámetros se calculan en forma continua y la dinámica del controlador varia con cada cambio que se presente en la temperatura.1 La figura 7. PROBLEMAS PROPUESTOS 7.10 muestra un tanque presurizado con un gas inerte que descarga a través de una válvula de característica lineal.10 Tanque presurizado Datos: Caudal nominal a través del tanque: . el coeficiente de caudal es la diferencia de presión a través de la válvula Po=4 bar Fe h x F P=3 bar Figura 7.2 el procedimiento es diferente: en este caso se estima un modelo del proceso y se calcula el controlador correspondiente para cada zona de trabajo o punto de equilibrio seleccionado y el sistema de control asume el controlador correspondiente cuando la variable controlada entra en su respectiva zona de trabajo. En el ejemplo 7.1 los parámetros del controlador se calculan a partir de una ecuación de regresión en la cual las variables dependientes son los parámetros del controlador y la variable independiente es la temperatura del intercambiador.Control Avanzado. Luis Edo García Jaimes 144 En el ejemplo 7. El caudal a través de una válvula de este tipo se puede expresar mediante la ecuación: Donde representa la fracción de abertura de la válvula y .

d) Estime el valor de la para que el sistema en lazo cerrado tenga todos sus polos en el origen y obtenga mediante el Matlab un polinomio que permita calcular los valores de en función de e) Realice en SIMULINK un estimados mediante diagrama que permita simular el sistema de control con los los polinomios.3 Para obtener el modelo del comportamiento dinámico de la temperatura en el interior de una autoclave en diferentes puntos de operación. de la válvula diseñe un controlador Deadbeat con ganancia 7.Control Avanzado. se utilizó el método . c) Linealizar el modelo alrededor de los puntos de y y obtener su equilibrio correspondientes a función de transferencia para cada caso. d) Discretice los modelos obtenidos con el periodo de muestreo adecuado e) Tomando como variable de programación la apertura programada. la función de transferencia Y(S)/U(S) c) Discretice cada una de los modelos lineales obtenidos con matriz de ganancia de realimentación .2 Dado el sistema no lineal: a) Linealice el sistema alrededor de los puntos b) Obtenga para cada punto de operación. calcular el valor nominal del nivel . 7. Luis Edo García Jaimes 145 Coeficiente de caudal de la válvula : Área de la sección transversal del tanque: Densidad del líquido: Presión en el tanque constante: Presión (constante) aguas abajo de la válvula : a) Obtener el modelo matemático del proceso que tiene como variable de salida el nivel válvula y como variables de entrada el caudal de entrada b) Si el valor nominal de la apertura de la válvula es y la abertura de la .

Lachman. 60%. Obtenga los polinomios que permitan calcular los parámetros del controlador en función de la temperatura y utilice el Simulink para simular el sistema con los controladores estimados. 55%. B: Discrete Data Control Systems. 70% y 75%. Kuo. Design and implementation of a gain scheduling controller for a level control system. b) La relación entre la variable temperatura dentro de la autoclave y los parámetros del controlador se definen mediante una ecuación de la forma: y En donde es la variable de ajuste. Control Adaptativo y Robusto. Estos escalones tuvieron una magnitud del 5% y se aplicaron a la válvula de entrada de vapor a la camisa de la autoclave con aperturas correspondientes al 40%. Addison Wesley.R. Prentice Hall. Crusca. 65%. Universidad de Sevilla. Digital Control Systems. G. El transmisor de temperatura se calibró de 0 a 200ºC. 1990. 1961. 50%. Para el efecto se aplicaron varios escalones que cubrieron diferentes zonas de trabajo de la autoclave. Powell. R.1996. M. Prentice Hall 1991.K.1981. Bellman. Iserman. % REFERENCIAS [7. (2002). En la tabla adjunta se dan los modelos obtenidos para cada temperatura a) Estime para cada modelo un controlador PI según Ziegler-Nichols. La dinámica de la temperatura se aproximó a un sistema de primer orden con retardo.Control Avanzado. 41(3). 45%. 1970 Rodriguez. y F. M. Adaptive Control Processes: A Guided Tour. Adaptive Control Systems. ISA transactions. Franklin. Lopez. Digital Control of Dynamic Systems. R. R. Springer Verlag . D. Princeton University. . Wang.1] Isermann. Luis Edo García Jaimes 146 de la curva de reacción.

Los controladores predictivos calculan los valores de las variables manipuladas en cada periodo de muestreo de acuerdo con los valores de consigna deseados para las variables controladas y las restricciones y condiciones de operación del proceso [8. Estas salidas predichas. Luis Edo García Jaimes 147 Es una estrategia de control que se basa en la utilización de forma explícita de un modelo del proceso para predecir el valor de las variables controladas a lo largo de un horizonte temporal especificado por el usuario. representada en la figura 8.1]. para dependen de los valores y de las conocidos de las entradas y de las salidas pasadas hasta el instante señales de control futuras u para . llamado horizonte de predicción. calculando el valor de las variables manipuladas para hacer que en ese horizonte las variables controladas estén en sus valores de referencia.Control Avanzado.2 ESTRATEGIA DE LOS CONTROLADORES PREDICTIVOS La metodología de los controladores predictivos se caracteriza por la siguiente estrategia [8.1 En cada instante t y haciendo uso del modelo del proceso se predicen las salidas futuras para un determinado horizonte.2]. 5.

el modelo lineal y no existen restricciones se puede obtener una solución explicita. Se calcula por tanto (que en principio será diferente al al disponer de nueva información). se usa una estructura como la mostrada en la figura 8.2. Luis Edo García Jaimes 148 Las señales de control futuras se calculan optimizando un determinado criterio en el que se pretende mantener el proceso lo más próximo posible a la trayectoria de referencia (que puede ser directamente el set-point o una aproximación suave a este). Sólo la señal de control se envía al proceso mientras que las demás señales de control calculadas se desechan. Se hace uso de un modelo para predecir las salidas futuras del proceso.1 Estrategia del control predictivo 8.Control Avanzado. incluyendo en muchos casos el esfuerzo de control. en otro caso se debe usar un método iterativo de optimización. haciendo uso del concepto de horizonte deslizante. puesto que en el siguiente instante de muestreo ya se conoce y se repite el paso 1 con este nuevo valor y todas las secuencias son actualizadas. Figura 8. basándose en las señales de control futuras propuestas.2 ESTRUCTURA BÁSICA DEL CONTROL PREDICTIVO Para llevar a cabo la estrategia propuesta. Este criterio suele tomar la forma de una función cuadrática de los errores entre la salida predicha y la trayectoria de referencia también predicha. . Si el criterio es cuadrático.

La figura 8. Esta representación sólo es válida para sistemas estables. Luis Edo García Jaimes 149 Estas señales son calculadas por el optimizador teniendo en cuenta la función de coste así como las restricciones [8.2]. debe permitir un análisis teórico.3 ELEMENTOS DE CONTROL PREDICTIVO Hay una serie de elementos comunes a todos los controladores predictivos [8.2] El modelo de predicción. Figura 8. al mismo tiempo debe ser sencillo de usar y comprender y además. Debe ser capaz de capturar la dinámica del proceso para poder predecir las salidas futuras. Modelo de respuesta al impulso.1 Modelo de predicción.2 Estructura básica del control predictivo 8. El modelo elegido debe describir lo mejor posible la dinámica del proceso para poder predecir las salidas futuras al mismo tiempo que debe ser sencillo de usar y de comprender.3.3 muestra la respuesta del sistema al impulso. Este modelo no requiere información previa sobre el proceso y permite una fácil identificación del mismo. .Control Avanzado. El optimizador es otra parte fundamental de la estrategia pues proporciona las acciones de control. La función objetivo Obtención de la ley de control 8. A continuación se presentan los principales modelos de procesos y de perturbaciones utilizados en la formulación del control predictivo.

Esta representación sólo es válida para sistemas estables. La figura 8. Este modelo no requiere información previa sobre el proceso y permite una fácil identificación del mismo.4 muestra la respuesta del sistema al escalón. Figura 8. Luis Edo García Jaimes 150 Figura 8. los valores muestreados cuando el proceso es excitado con un impulso La predicción del modelo está dada por: Modelo de respuesta al escalón.4 Respuesta al escalón La salida está dada por: .Control Avanzado.3 Respuesta al impulso La salida del sistema está dada por: En donde: Siendo unitario.

Uno de los modelos más utilizados para modelar las perturbaciones es el Autorregresivo Integrado de Media Móvil (Auto- Regressive and Integrated Moving Average. ARIMA): A continuación se definen los siguientes modelos estocásticos de los modelos de proceso y perturbaciones utilizados: Modelo ARX Modelo ARMAX . Este modelo está dado por la ecuación: En donde: La predicción del modelo es: Esta representación es también válida para procesos inestables y tiene la ventaja de que necesita pocos parámetros. Modelo de las perturbaciones.Control Avanzado. Tan importante como la elección del modelo del proceso es la elección del modelo utilizado para representar las perturbaciones. Luis Edo García Jaimes 151 En donde son los valores muestreados de la salida correspondientes a la entrada en escalón y La predicción del modelo es: Modelo de función de transferencia.

Los coeficientes ponderan el comportamiento futuro. IDCOM.Control Avanzado. IDCOM) Este método se conoce comercialmente como IDCOM (Identification-Command). 8.3. por lo que permite el manejo de procesos inestables y procesos no lineales. asumiendo por tanto que el proceso es estable. EPSAC. Luis Edo García Jaimes 152 Modelo ARIX Modelo ARIMAX 9. . El significado de resulta bastante intuitivo: marcan los límites de los instantes en que se desea que la salida siga a la referencia. PFC.2 Función objetivo: Los diversos algoritmos de control predictivo proponen distintas funciones de coste para la obtención de la ley de control.3 Algoritmos de control predictivo: Existen diferentes algoritmos de control predictivo que han sido aplicados con éxito: DMC. Es muy similar al DMC con la diferencia principal de utiliza un modelo de respuesta impulsional. GPC… Control con matriz dinámica (Dynamic Matrix Control. y son secuencias que Control predictivo con modelo heurístico: (Model Predictive Heuristic Control. En general se persigue que la salida futura en el horizonte considerado siga a una determinada señal de referencia al mismo tiempo que se puede penalizar el esfuerzo de control requerido para hacerlo. Control predictivo funcional (Predictive Functional Control. PFC): Este algoritmo utiliza un modelo en el espacio de estados. La expresión general de tal función objetivo es: Parámetros: predicción y representan el horizonte mínimo y el horizonte máximo de es el horizonte de control.3. considerando solo los primeros términos. DMC): Este método usa la respuesta ante un escalón para modelar el proceso.

El GPC utiliza un Modelo Autorregresivo de Media Móvil (Controller Auto-Regressive Moving- .4. Luis Edo García Jaimes 153 Control adaptativo con predicción extendida. (Extended Prediction Self Adaptive Control. (Generalized Predictive Control. al igual que otros que usan el modelo de función de transferencia. 9. Control adaptativo con horizonte extendido.1 Formulación del control predictivo generalizado. No utiliza trayectoria de referencia porque el error se considera sólo en un instante pondera el esfuerzo de control. y por otro el esfuerzo de control necesario para obtener dicha salida. 8. EPSAC). GPC) Este método utiliza un modelo CARIMA (Controlled Auto-Regressive Integrated Moving Average) para la predicción de la salida: . tampoco se Donde la perturbación viene dada por un ruido blanco coloreado por el polinomio . Este algoritmo. (Extended Horizont Adaptive Control.4 CONTROL PREDICTIVO GENERALIZADO (GPC) La idea básica del GPC es calcular una secuencia de futuras acciones de control de tal forma que minimice una función de coste multipaso. se puede implementar fácilmente en forma adaptativa usando un algoritmo de identificación en línea como los mínimos cuadrados recursivos.Control Avanzado. la diferencia entre la salida predicha del sistema y una cierta trayectoria de referencia hasta el horizonte de predicción. Este algoritmo usa un modelo de función con transferencia: Donde es el retardo y es la perturbación. Control predictivo generalizado. EHAC) Esta formulación también emplea un modelo de función de transferencia y pretende minimizar la discrepancia entre la salida calculada y la referencia en el instante El único coeficiente de ajuste es el horizonte de predicción . lo cual simplifica el uso pero proporciona poca libertad para el diseño. El índice a minimizar es una función cuadrática que mide por un lado.

15 se puede El algoritmo del Control Predictivo Generalizado consiste en aplicar una secuencia de señales de control que minimice una función de coste de la forma: En donde: : Es la predicción óptima de la salida del proceso pasos adelante.4. En la práctica y se toma como parámetro de diseño. que viene descrito por [8. El objetivo es el cálculo de la secuencia de control futura manera que la salida futura del proceso posible a ecuación 8. : Es la trayectoria futura de referencia o Set-point.2]: En donde: Para simplificar se considera que escribir en la forma: . : Horizonte máximo de coste. Para minimizar la función de costo. Esto se logra minimizando la función de costo dada en la .16 8.Control Avanzado. de tal permanezca se aproxime lo mejor . (Horizonte máximo de predicción). es necesario obtener primero la predicción óptima de en el intervalo . Para aplicaciones industriales en las que las perturbaciones son no-estacionarias resulta más conveniente el uso de un modelo CARMA integrado. Luis Edo García Jaimes 154 Average CARMA). : Horizonte mínimo de coste. y :Secuencias de ponderación. así la ecuación 8. dando lugar al CARIMA.2 Predicción óptima. : Horizonte de control. (Horizonte mínimo de predicción).

16. . es decir: nuevos valores en el paso La mejor predicción de se obtiene cuando El conjunto de las predicciones óptimas es: La ecuación 8. . se puede escribir en la forma: Para simplificar se utiliza: Entonces: .23 se puede escribir en forma matricial así: .Control Avanzado. de forma que los ( y sean función de los del paso . Haciendo: Multiplicando la ecuación 8. el último término de la ecuación 6.15 con por se obtiene: Despejando Haciendo resulta: Los polinomios y se pueden obtener recursivamente. . Luis Edo García Jaimes 155 Aplicando el algoritmo de la división.

4. según la ecuación 8. La función de costo a minimizar propuesta para el control predictivo generalizado.24 dependen solo del pasado por lo tanto. pueden agruparse en un solo término .3 Obtención de la ley de control. Luis Edo García Jaimes 156 Donde: Los dos últimos términos de la ecuación 8.17 es [8.3]: Reemplazando en esta ecuación y con se obtiene: La ecuación anterior se puede escribir como: Factorizando la expresión anterior resulta: Haciendo: Se obtiene: . dando lugar a: 8.Control Avanzado.

diseñe un controlador predictivo. el cual se obtiene derivando la función con respecto a la variable e igualar el resultado a cero. la ley de control para el Siendo . solo interesa el primer elemento del vector .5.Control Avanzado. Luis Edo García Jaimes 157 La ecuación 8. Asuma horizonte de predicción 3. Por lo tanto.5 Sistema para el ejemplo 8.28 sólo interesa la primera fila de la matriz GPC queda: así. en la ecuación 8.1 Para el sistema de control de la figura 8. horizonte de control 3. Para el cálculo de la derivada se tienen en cuenta las siguientes propiedades del cálculo matricial: Es decir: Por lo tanto: Debido a que en el instante solo se aplica al sistema de control la salida . la primera fila de EJEMPLO 8. muestreo y periodo de Figura 8.27 debe ser un mínimo.1 SOLUCION: La función de transferencia de pulso para el sistema es: .

Luis Edo García Jaimes 158 Las ecuaciones para obtener la predicción son: La ecuación de predicción está dada por: En donde: .Control Avanzado.

Luis Edo García Jaimes 159 La ecuación anterior se puede escribir en la forma: Finalmente. la ley de control es: En donde Con es la primera fila de la matriz: Se obtiene: Pero: Entonces: Tomando la transformada a la ecuación anterior: .Control Avanzado.

7 Respuesta del control predictivo para ejemplo 6.6 Diagrama en bloques para el control predictivo del ejemplo 6.2 La función de transferencia de un sistema neumático está dada por: El periodo de muestreo es de 0.1 EJEMPLO 8. Figura 8. Calcular para el sistema.1 En la figura 8. .Control Avanzado. horizonte máximo de predicción 5 y horizonte de control 5. Figura 8.7 se presenta la respuesta del sistema con el control predictivo con diferentes valores de la referencia .6 muestra el diagrama en bloques del sistema con el controlador predictivo calculado para el sistema. horizonte mínimo de predicción 3.5 s. un controlador predictivo con . Luis Edo García Jaimes 160 Es decir: La figura 8.

y . Entonces: Entonces la de predicción entre y es: . .Control Avanzado. Luis Edo García Jaimes 161 SOLUCIÓN: La función de transferencia del sistema se puede escribir como: En donde: .

Con se obtiene: Por lo tanto: La ley de control es: . Luis Edo García Jaimes 162 Es decir: La ley de control es: En donde es la primera columna de .Control Avanzado.

5 CONTROL CON MODELO INTERNO Los métodos de control basados en modelos. El control por modelo interno (IMC) se utiliza como una alternativa al tradicional control PID y presenta dos características relevantes: incorpora explícitamente el modelo de la planta y el diseño del controlador está completamente ligado a dicho modelo. en la práctica se hace y es el modelo del controlador con modelo interno .Control Avanzado.2 9.9a muestra un sistema de control realimentado en donde GP(S) es el modelo de la planta y es el controlador del sistema. esto permite que el cálculo de sus parámetros se pueda realizar de una manera particularmente sencilla. La figura 8. Este tipo de control es conocido como control con modelo interno o . por sus siglas en inglés. en donde es un modelo de la planta . La figura 8. Luis Edo García Jaimes 163 Es decir: Finalmente: Figura 8.8 Respuesta del sistema del ejemplo 8.9b muestra el diagrama de bloques básico del sistema de control basado en modelo. incorporan dentro del controlador un modelo del proceso. Comparando las .

Rivera. b) Estructura IMC básica Tomando como base la estructura general. se observa como el controlador por: La ecuación 8. Para lograr la solución redefinieron el controlador IMC como: Donde es un filtro pasa bajo. Morari y Stogestad demostraron que para modelos simples esta estructura conduce a controladores del tipo PID y desarrollaron un procedimiento para obtener los controladores y lograr un cierto desempeño deseado.30 es la base para el diseño de los controladores del tipo PID cuyos parámetros se calculan aplicando alguna de las técnicas de control con modelo interno. que debe seleccionarse de manera que sea propia. Luis Edo García Jaimes 164 equivalente está dado figuras 8.9b.Control Avanzado.9 a) Sistema de control realimentado. El filtro garantice que la función de transferencia del controlador es de la forma: . Figura 8.9a y 8.

SOLUCIÓN: El modelo del sistema de primer orden sin retardo es: La ecuación del controlador PI ideal es: Se elige la ecuación del filtro como: Con Se obtiene: Reemplazando en la ecuación 6. Luis Edo García Jaimes 165 EJEMPLO 8. Rivera et al dedujeron. para diferentes modelos de la planta. si es pequeño la ganancia del controlador es alta y la respuesta del sistema en lazo cerrado es rápida y si es grande la ganancia del controlador es pequeña y la respuesta del sistema en lazo cerrado es lenta. .3 Se desea diseñar un controlador PI con modelo interno para un sistema de primer orden sin retardo.1 y 8.2.29 resulta: Comparando las dos ecuaciones obtenidas para el controlador GC(S) se obtiene: Con un procedimiento similar al anterior. Es necesario tener en cuenta que la ganancia del controlador varía inversamente con el valor del parámetro es decir. Obtener los parámetros y del controlador.Control Avanzado. los parámetros para los controladores como se indica en la tablas 8.

1 Parámetros del IMC para diferentes modelos P PI PD PID PID PID La tabla 8. Luis Edo García Jaimes 166 Tabla 8.4 El modelo de cierto sistema de flujo puede aproximarse al de un sistema de segundo orden sin retardo con función de transferencia: .2 Parámetros del IMC para un modelo POR EJEMPLO 8.Control Avanzado. Morari y Stogestad utilizan una aproximación de Padé de primer orden para el retardo así: Tabla 8.2 se aplica a un modelo de primer orden con retardo: Para obtener los parámetros de dicha tabla. Rivera.

Control Avanzado. entonces: b) Los parámetros del controlador con son: Los parámetros del controlador son: La ecuación del controlador es. SOLUCIÓN: La función de transferencia del sistema se puede escribir en la forma: Por comparación se obtiene: a) Los parámetros del controlador con son: El controlador PID discreto tiene por ecuación: La ecuación del controlador es. Resuelva el problema para y y grafique las respuestas ante una entrada en escalón unitario. entonces: . Asuma como periodo de muestreo . Luis Edo García Jaimes 167 Obtenga para el sistema un controlador PID con modelo interno.

si se especifica ecuación 8. adecuado Figura 8. Como puede verse. cuando se diseñan controladores por el método de control con modelo interno es necesario seleccionar el valor de para que el sistema en lazo cerrado tenga un desempeño adecuado. permite diseñar un controlador de modo que la secuencia de error . de periodos de muestreo y se Para el sistema de control discreto mostrado en la figura 8.33 es: . Por lo tanto.10 muestra la respuesta del sistema de flujo a un escalón unitario. Luis Edo García Jaimes 168 La figura 8.6 DISEÑO DE COMPENSADORES POR EL MÉTODO DE RAGAZZINI El método de síntesis directa o de Truxal-Ragazzini. la función de transferencia de lazo cerrado es: Si se especifica cuál debe ser el comportamiento de la planta en lazo cerrado.10 Respuesta del sistema con el controlador PID-IMC 9. el compensador resultante a partir de la . ante una señal de referencia particular. para que para el sistema con la respuesta del sistema es más rápida pero presenta un sobreimpulso considerable (18%). es decir. sin oscilaciones.11.Control Avanzado. sea cero tras un número mantenga así.

11 Sistema de control digital Como puede verse. para que los polos inestables se cancelen. El controlador tiene polos fuera del círculo unitario. en lazo cerrado. Luis Edo García Jaimes 169 Figura 8. si y en la ecuación 8. Restricción de causalidad: un sistema causal o realizable es aquel que no responde antes de ser excitado.34 sea causal. el sistema se haga inestable. tengan ceros del mismo orden en el infinito es .34. a partir de la ecuación 8. una parte del controlador cancela los polos y ceros de la planta. Restricción de estabilidad: Si sistema es inestable. Entonces. el término más significativo de se expande en potencias de en potencias de Si es de la forma: debe ser al menos tan grande como el de En donde: Es la ecuación característica deseada.4]: 1. La restricción de causalidad implica qué: 2.Control Avanzado. el no debe cancelar dichos polos pues cualquier error en la cancelación entre ceros y polos hará que con el tiempo. tenga un comportamiento adecuado. El problema consiste en establecer e implementar restricciones específicas sobre de modo que el controlador sea realizable y que el sistema. se deben cumplir las siguientes condiciones: . Para que es necesario que decir. Dichas restricciones se pueden resumir en las siguientes [8.

sobreimpulso máximo coeficiente estático de error de velocidad igual a 2. entonces: que estén fuera del es la función de transferencia del Si el sistema es tipo 1. con constante de error de velocidad K v. es decir: Para un escalón unitario : Para una rampa unitaria: Utilizando el teorema de L'Hopital se obtiene: La aplicación de las restricciones anteriores y el cumplimiento de las especificaciones impuestas al sistema.12 representa el esquema de una antena diseñada para rastrear un satélite. tenga tiempo de crecimiento de 10 seg. Luis Edo García Jaimes 170 que estén debe tener como ceros todos los polos de fuera del círculo unitario. en lazo cerrado.5 La figura 8. 3.Control Avanzado. Restricción de exactitud: Como sistema en lazo cerrado. EJEMPLO 8. La dinámica del sistema que describe el movimiento de la antena se puede aproximar mediante la expresión: Diseñar un compensador según Ragazzini de modo que el sistema. 10% y . permiten el diseño del compensador. debe tener como ceros todos los ceros de círculo unitario. debe tener un error de estado estable igual a cero ante una entrada en escalón unitario y 1/Kv de error de estado estable ante una entrada en rampa unitaria.

Figura 8.12 Antena rastreadora de satélites La ubicación deseada para los polos de lazo cerrado está dada por: De las condiciones del problema: La ecuación característica deseada es. Luis Edo García Jaimes 171 SOLUCION: La constante de tiempo equivalente del sistema continuo en lazo cerrado es: . entonces: Como el sistema es de segundo orden. se puede tomar como periodo de muestreo .Control Avanzado. Por lo tanto. debe ser de la forma: .

c) Restricción de exactitud : no tiene polos ni ceros Ahora se evalúa la derivada de con respecto a en . es decir: Evaluando la expresión anterior en resulta: Resolviendo las ecuaciones y se obtiene: Por lo tanto: La ecuación del controlador es: La función de transferencia de lazo cerrado del sistema.Control Avanzado. Luis Edo García Jaimes 172 a) Restricción de causalidad : b) Restricción de estabilidad: no se aplica pues fuera del círculo unitario. con el controlador diseñado. es: .

Control Avanzado. Para obviar el problema se reemplaza dicho polo por una ganancia que se obtiene haciendo en él z=1. Figura 8.13d la acción del controlador sobre el elemento final de control de la misma al aplicar un escalón unitario en la referencia. .13b representa la acción del controlador sobre el elemento final de control de la misma. debido al polo ubicado en . Luis Edo García Jaimes 173 La figura 8.13c representa la respuesta del movimiento de la antena y la figura 8.13a corresponde a la respuesta del movimiento de la antena cuando se le aplica un escalón unitario en la señal de referencia y la figura 8.13 Respuesta del movimiento de la antena y del controlador al aplicar un escalón unitario a) y b) con efecto timbre c) y d) sin efecto timbre. Como puede verse. el controlador presenta oscilaciones ocultas ("efecto timbre"). una vez suprimido el efecto timbre que producía el controlador. como se indica a continuación: La figura 8.

Control Avanzado. para que tenga error cero al escalón unitario se debe cumplir que: Por tanto: Es decir: . Luis Edo García Jaimes 174 EJEMPLO 8. tenga polos ubicados en y y error de estado estable igual a cero ante una entrada en escalón unitario.6 La función de transferencia de pulso de un sistema discreto en lazo abierto es: Diseñar un controlador según el método de Ragazzini de modo que el sistema. SOLUCIÓN: la función de transferencia del sistema tiene un cero por fuera del círculo unitario y se puede escribir en la forma: La ecuación característica deseada es: Por lo tanto es de la forma: a) Restricción de causalidad: Entonces: b) Restricción de estabilidad: tiene un cero inestable. en lazo cerrado. por lo tanto es decir: debe tener como cero el cero inestable de c) Restricción de exactitud: el sistema en lazo cerrado es tipo cero.

15 el objetivo es calentar una corriente de proceso con temperatura de entrada temperatura de salida flujo de vapor mediante un flujo de vapor. La temperatura de la corriente de entrada puede variar.4 0. La .8 0. Se supone que el resto de entradas se mantiene constante.6 0. se controla manipulando la válvula FCV que regula el al intercambiador.Control Avanzado. por lo que constituye la entrada de perturbación más importante.2 0 0 50 t [s] 100 150 Figura 8.14 Respuesta del sistema con el controlador de Ragazzini PROBLEMAS PROPUESTOS 8. Luis Edo García Jaimes 175 La figura 8. 1 Variable 0.1 En el intercambiador de la figura 8.14 muestra la respuesta del sistema con el controlador diseñado. Experimentalmente se obtuvieron las funciones de transferencia de los componentes individuales del sistema así: Válvula de control: .

Figura 8. Luis Edo García Jaimes 176 En donde es el recorrido del vástago y la salida del controlador Intercambiador de calor: Función de transferencia respecto a la entrada de control (Flujo de vapor) Función de transferencia respecto a la perturbación (temperatura de la corriente de entrada) Transmisor de temperatura: a) Obtenga la función de transferencia del proceso de transferencia de la perturbación y la función .15 Intercambiador de calor para el problema 8.1 . discretice la función de transferencia del proceso con y diseñe un controlador predictivo para el sistema. b) Dibuje el diagrama de bloques del sistema incluyendo los diferentes componentes del mismo y la realimentación c) Asuma que la temperatura de la corriente de entrada permanece constante (Perturbación igual a cero). Asuma horizonte de predicción 3 y horizonte de control 3.Control Avanzado.

El proceso se muestreo cada 0. a) Obtenga la función de transferencia del sistema aproximándola a un sistema de segundo orden.2 .16 Horno para el problema 8.16a representa un horno en el cual el material que entra a temperatura de combustible debe salir a temperatura .2 La figura 8. Luis Edo García Jaimes 177 8. En el horno se puede manipular el flujo hacia el elemento calefactor para lograr que la temperatura final del material alcance el valor deseado. b) Dibuje el diagrama de instrumentación necesario para realizar el control digital de la temperatura del horno y el diagrama de bloques correspondiente en lazo cerrado.16b muestra la respuesta de la temperatura del horno al incrementar la apertura de la válvula de control de combustible en un 10%.Control Avanzado. La temperatura se mide con un transmisor con rango de 0 a 100 ºC. c) Diseñe para el sistema un controlador PI por modelo interno. Figura 8. La figura 8.2 min.

Digital Control Systems. tecnología y nuevas perspectivas. Prentice Hall. 3a edición. Addison Wesley. Control Predictivo: metodología. C. H.1981. Addison Wesley. Digital Control of Dynamic Systems. Universidad de Sevilla.: Adaptive Control Processes: A Guided Tour.: Computer Controlled Systems. Hägglung: Automatic Tuning of PID Controllers. Lachman. Lopez. 1961. Eng.K.Control Avanzado.1] Bordons. Prentice Hall. D. Theory and Design. Springer Verlag. PI/PID Controller design based on direct synthesis and disturbance rejection. Universidad [8. Bellman. USA 2001. Luis Edo García Jaimes 178 REFERENCIAS [8.E. Nueva York. Franklin. R. BIBLIOGRAFÍA GENERAL Äström. 1999.3] Rodriguez. tecnología y nuevas perspectivas. Adaptive Control Systems. R. Bordons. Prentice Hall 1991. 1984.1989 Äström. D. 1990. Prentice Hall. Control Predictivo: metodología. Camacho. R. B: Discrete Data Control Systems. Model Predictive Control. Chen. C. Springer Verlag . Digital Control of Dynamic Systems. Kuo. Control Adaptativo y Robusto.4] Franklin. 1990. 2000 [8. Bordons. Karl J.. Princeton University. Isermann.E. Bordons. ISA. Departamento de Ingeniería de Sistemas y Automática. Powell. G. Ind. Departamento de Ingeniería de Sistemas y Automática. Powell.. D. Universidad de Sevilla. C. 1970 . Springer Verlag. Khalil. y D. Model Predictive Control. Wittenmark: Adaptive Control. Iserman. M. R. K. [8. Nonlinear Systems. 2000. de Sevilla.1988 Äström. K. 1999. Seborg.. G.1996. Prentice Hall. 2002.2] Camacho. C.

Universidad de Sevilla. M. H. Hermes. Gili. Descripción interna y diseño óptimo.: System Identification. N. 2nd Edition. Englewood Cliffs. Ljung. A. User's Guide Version 4. Digital control systems. J. . R.1997.: Pratique de la Commande Predictive. Natick. Sinha. 1999. T. Lennart: System Identification Toolbox. Ollero. Ediciones G.1996. Lennart: System Identification: Theory for the User.J.1993 Rodriguez. Englewood Cliffs. Inc. K. & Stoica. Prentice Hall. Control por Computador. N. Nagle. N. for use with Matlab. Control Adaptativo y Robusto. Richalet.: Modelling and Identification of Dynamic Systems. Söderström. 1997. Phillips. MA. Van Nostrand Reinhold Co. Análysis and Desing. Lopez. P. Luis Edo García Jaimes 179 Ljung.J.1983. 1991. 1989. Marcombo Boixareu Editores. C. Prentice Hall.Control Avanzado. The MathWorks.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->