OPTIMIZACION DINAMICA NO LINEAL: EL MTODO DEL GRADIENTE

RESUMEN. La mayora de problemas de control ptimo no pueden ser resueltos

analticamente; sin embargo la era digital y los modernos procesadores posibilit el
desarrollo de varios mtodos numricos como el que nos ocupa en este caso particular
donde se hace la aplicacin a un caso relativamente complejo como es el controlar la
excitacin de un generador sincrnico.

Palabras clave: Control Optimo, Optimizacin, Optimabilidad, Clculo de variaciones,
Clculo Variacional.

1. INTRODUCCIN.
El control ptimo es un conjunto de tcnicas matemticas empleadas para resolver
problemas de optimizacin en sistemas que son funcin del tiempo. En la mayora de
los procesos que se pueden encontrar, es de suma importancia asegurar que un sistema
de control trabaje con el mejor funcionamiento posible. Toda vez que mencionamos el
empleo de tcnicas matemticas, ello implica que es necesario tener una representacin
matemtica del sistema bajo consideracin o del proceso.
Durante el desarrollo de la presente, se hace referencia a diversas ecuaciones las cuales
no se las demuestran por no ser objetivo de la presente. El presente artculo fue
motivado por la teora descrita en la referencia /1/, donde es posible encontrar otros
mtodos los cuales se pretende mostrar a futuro. La referencia /1/ es un excelente texto,
sobre todo para aquellos a quienes les interesa realizar trabajos relacionados con la
optimizacin esttica y dinmica.

2. ALGUNAS DEFINICIONES.
Control: aquellas variables que permiten realizar la tarea requerida de modificar el
comportamiento de las salidas.
Control admisible: los controles y salidas que satisfacen las restricciones.
Horizonte: el periodo de tiempo de inters para el anlisis.
Restricciones: condiciones particulares del problema que limitan a los controles y
salidas evolucionar arbitrariamente.
Salidas: variables cuya evolucin interesa conocer y con las cuales se puede asociar una
tarea.
Trayectorias de control: el modo como evolucionan los controles en el tiempo.
Trayectorias de estado: el modo como evolucionan los estados en el tiempo.
Trayectoria de control ptimo: una trayectoria de control que optimiza algn criterio
de funcionamiento y satisface las restricciones.

3. PLANTEAMIENTO DEL PROBLEMA.
Sea el sistema dinmico no lineal:
0 0
) (
) 1 ( ) ), ( ), ( ( ) (
x t x
t t u t x f t x
r r
r r
r
r
=
=

donde x
r
es un vector de estados de dimensin n, u
r
es el vector de control de dimensin
m, f
r
es una funcin vectorial analtica continua y doblemente diferenciable, ) (
0
t x
r
es
la condicin inicial conocida. El problema de optimizacin consiste en elegir la
trayectoria de control ) (t u
r
tal que el sistema descrito por la ecuacin (1) tenga un
comportamiento dinmico deseable. En ste tipo de problemas, el comportamiento
deseable lo proporciona el vector u
r
, el cual minimiza alguna funcin de los estados y
controles durante toda su trayectoria. Esto en trminos mas claros significa elegir u
r
de
tal forma que se minimice la funcional (funcin de costo, ndice de funcionamiento):
) 2 ( ) ), ( ), ( ( ) ), ( (
0

+ =
f
t
t
f f
dt t t u t x g t t x h J
r r r

donde h y g son funciones escalares no lineales. Esta funcional es muy importante y el
termino correspondiente al primer sumando asegura que para el tiempo final t
f
los
estados x
r
alcanzarn un estado determinado, mientras que el trmino correspondiente a
la integral asegura que sobre el intervalo de optimizacin no se est empleando excesivo
esfuerzo de control que lo desve de la trayectoria de control deseada.

4. LAS TCNICAS VARIACIONALES Y EL PRINCIPIO MXIMO.
El problema de optimizacin dinmica consiste en encontrar un control admisible
*
u
r
el
cual obligue al sistema dinmico dado por (1) seguir una trayectoria admisible
*
x
r
que
minimice el ndice de funcionamiento J dado por la ecuacin (2). Esta ltima ecuacin
puede escribirse como:
[ ] ) 3 ( ) ), ( ( ) ), ( ), ( ( ) ), ( (
0
0 0

)
`

+ + =
f
t
t
dt t t x h
dt
d
t t u t x g t t x h J
r r r r

Como ) (
0
t x
r
y t
0
son conocidos, no se afecta la minimizacin de esta funcional si solo
se considera la minimizacin de:
[ ]

)
`

+ = =
f
t
t
dt t t x h
dt
d
t t u t x g u J J
0
) ), ( ( ) ), ( ), ( ( ) (
r r r r

+
(

+ = =

f
t
t
T
dt
t
t t x h
t x
x
t t x h
t t u t x g u J J
0
) ), ( (
) (
) ), ( (
) ), ( ), ( ( ) (
r
r
r
r
r r r

Si a esta ltima ecuacin se le incluye las restricciones dadas por las ecuaciones (1)
ponderadas mediante los multiplicadores de Lagrange ) ( ),..., ( ), (
2 1
t t t
n
se tiene:
) 4 (
) ( ) ), ( ), ( ( ) (
) ), ( (
) (
) ), ( (
) ), ( ), ( (
0
*

+
(

+
=

f
t
t
T
T
dt
t x t t u t x f t
t
t t x h
t x
x
t t x h
t t u t x g
L
r r r
r r
r
r
r
r
r r

Aplicando tcnicas variacionales a la ecuacin (4), es posible demostrar que el
problema de minimizar la ecuacin (2) sujeto a las restricciones dadas por (1), arroja las
siguientes condiciones necesarias para optimabilidad:
[ ] ) 5 ( ,
) , ), ( ), ( (
0
) , ), ( ), ( (
) (
) , ), ( ), ( (
) (
0
* * *
* * *
*
* * *
*
f
t t t
u
t t u t x H
x
t t u t x H
t
t t u t x H
t x

r
r
r r
r
r
r
r r
r
r
r
r r
r

adems:
) 6 ( 0
) ), ( (
) ), ( ), ( ), ( (
) (
) ), ( (
*
* * *
*
*
=
(
(
(

+
+
+
(
(

f
f f
f f f f
f
T
f
f f
t
t
t t x h
t t t u t x H
x t
x
t t x h

r
r
r
r
r
r
r

donde H se denomina Hamiltoniano y vale:
[ ] ) 7 ( ) ), ( ), ( ( ) ), ( ), ( ( ) ), ( ), ( ), ( ( t t u t x f t t u t x g t t t u t x H
T
r r
r
r r
r
r r
+ =
La ecuacin (6) proporciona las condiciones de contorno para un problema particular.
Para el presente caso son mas importantes las situaciones en que el tiempo final es
conocido, es decir t
f
es un dato. El estado final puede o no ser conocido.
Si el estado final es conocido ) (
f
t x
r
y
f
t son datos, por lo tanto 0 ) (
r
r
=
f
t x , 0 =
f
t y
las condiciones de contorno sern:
) 8 ( ) (
f f
x t x
r r
=
Si el estado final no es conocido o bien es libre, solo se cumple que 0 =
f
t por lo
tanto, las condiciones de contorno son:
) 9 ( 0 ) (
) ), ( (
*
*
r r
r
r
=

f
f f
t
x
t t x h

Se pueden presentar otros casos, los cuales no son de importancia para el presente
trabajo.
En muchos casos prcticos la funcin de costos tiene una forma cuadrtica, como ser:
[ ] ) 10 ( ) ( ) ( ) ( ) ( ) ( ) (
2
1
) ( ) ( ) (
2
1
0

+ + =
f
t
t
T T
f f f
T
dt t u t R t u t x t Q t x t x t S t x J
r r r r r r

donde Q y S son matrices reales simtricas y semi-definidas positivas, mientras que R
es una matriz real simtrica y positiva definida.

5. EL METODO DEL GRADIENTE ( ).
Para tratar de explicar del modo mas fcil posible ste mtodo, recordemos los
siguientes conceptos del clculo variacional. Sea J una funcional diferenciable que
mapea algn conjunto del espacio de Hilbert () sobre los reales ( ), entonces a partir
del concepto de derivada direccional podemos establecer:
+ + = + , , ) ( ) ), ( ( ) ( ) ( v w v w J w J v w J
r r r r r r r

El mtodo del gradiente se basa en la observacin de que si tomamos ) (w J v
r r
= , con
0< <<1, podremos escribir:
) ( ) ( ) ( )) ( (
2
+ = w J w J w J w J
r r r r

el primer miembro de esta igualdad ser negativa para suficientemente pequeo, en
esa ltima condicin:
) ( )) ( ( w J w J w J
r r r
<
lo cual quiere decir que si nos acercamos a un valor de w
r
segn una sucesin de
valores, generalmente se cumplir que:
) 11 ( ,... 3 , 2 , 1 ) (
1
= =
+
n w J w w
n n n
r r r

la cual es una sucesin montona decreciente. Para el caso de una funcional como en
(3), una variacin en J implica (forma reducida):
dt t x f u
u
H
x
x
H
x
x
h
J
f
t
t
T T
T
T

+
(

+
(

+ +
(

0

r
r
r
r
r
r
r
r
r

Si se satisfacen las condiciones dadas por (5) y (7), podremos escribir esta ultima
ecuacin como:
dt u
u
H
J
f
t
t
T
(

=
0
r
r

Escribiendo (11) en trminos del vector de control y admitiendo proporcionalidad entre
J y ) (u J
r
, es posible deducir que:
) 12 (
1
u
H
u u
n n
r
r r

=
+


6. LA MAQUINA SINCRONICA Y LAS ECUACIONES DE
MUKHOPADHYAY.
La referencia /1/ proporciona el ejemplo para el presente y se trata de las ecuaciones que
gobiernan a una mquina sincrnica donde se despreciaron los bobinados de
amortiguacin, la resistencia de armadura, las derivadas de los eslabonamientos de flujo
estatrico y las expresiones para el voltaje estatrico (Birk and Zeitz,1988; Seller, 1986;
Mukhopadhyay y Malik, 1972). Se trata de un sistema de ecuaciones diferenciales no
lineales y de tercer orden:
) cos( 9 . 1 3222 . 0
) 13 ( ) 2 sin( 021 . 24 ) sin( 012 . 12 2703 . 0 1892 . 39
1 3
3
1 1 3 2
2
2
1
x x u x
x x x x x
x x
+ =
+ =
=

donde x
1
es la posicin del rotor (rad), x
2
es la velocidad del rotor (rad/s), x
3
es el
eslabonamiento de flujo del devanado de campo, u es la tensin aplicada a la mquina
(variable de control) y se asume que se puede manipularlo a voluntad para optimizacin.
Las condiciones iniciales del sistema son:
) 14 (
7443 . 7
215 . 0
734 . 0
) 0 (
) 0 (
) 0 (
3
2
1
(
(
(

=
(
(
(

x
x
x


7. OPTIMIZACION.
Se desea minimizar la funcional:
[ ]
[ ] ) 15 ( ) ( ) ( ) ( ) (
2
1
) ( ) (
0 0
0 0
0 0
2
1
0
0
2 2
3 3 3
2
2 2 2
2
1 1 1
3 3
2 2
1 1
3
2
1
3 3 2 2 1 1

+ + + =

+
(
(
(

(
(
(

=
f
f
t
t
p p p p
t
t
p p
p
p
p
p p p
dt u u R x x Q x x Q x x Q J
dt u u R u u
x x
x x
x x
Q
Q
Q
x x x x x x J

sujeta a las condiciones (13) en un horizonte de anlisis de [0 s, 2 s]. Para el presente
caso asumiremos que las matrices Q y R son unitarias; x
1p
, x
2p,
x
3p
son los estados
deseados a los cuales se pretende llegar y u
p
es el control deseado, estos valen:
) 16 ( 1 . 1
74 . 7
0
746 . 0
3
2
1
=
(
(
(

=
(
(
(

p
p
p
p
u
x
x
x

El Hamiltoniano ser entonces:
[ ]
[ ]
[ ] ) cos( 9 . 1 3222 . 0
) sin( 021 . 24 ) sin( 012 . 12 2703 . 0 1892 . 39
) 1 . 1 ( ) 74 . 7 ( ) ( ) 746 . 0 (
2
1
1 3 3
1 1 3 2 2
2 1
2 2
3
2
2
2
1
x x u
sx x x x
x u x x x H
+
+ +
+ + + + + =

Aplicando las condiciones de optimabilidad dadas por las ecuaciones (5):
) cos( 9 . 1 3222 . 0
) 17 ( ) 2 sin( 021 . 24 ) sin( 012 . 12 2703 . 0 1892 . 39
*
1
*
3
* *
3
3
*
1
*
1
*
3
*
2
*
2
2
*
2
*
1
1
x x u x
H
x x x x x
H
x x
H
+ = =

+ = =

= =

74 . 7 3222 . 0 ) sin( 012 . 12
) 18 ( 2703 . 0
746 . 0 ) sin( 9 . 1 )) 2 cos( 048 . 48 ) cos( 012 . 12 (
*
3
*
3
*
1
*
2
*
3
3
*
2
*
2
*
1
*
2
2
*
1
*
1
*
3
*
1
*
1
*
3
*
2
*
1
1
+ = =

+ = =

+ + = =

x x
x
H
x
x
H
x x x x x
x
H




) 19 ( 1 . 1 0
3
+ = =

u
u
H

Las condiciones de contorno para la ecuacin (18) las encontramos de la ecuacin (9):
[ ] ) 20 ( 0 ; 0 0 0 ) 2 ( ) (
r
r
r r
=

= =
x
h
t
T
f


8. EL ALGORITMO.
La solucin consiste bsicamente en resolver las ecuaciones diferenciales dadas por (17)
y (18), en las mismas se puede observar lo siguiente: el primer grupo de ecuaciones (17)
no depende de los costos (multiplicadores de Lagrange), las condiciones iniciales para
(17) se dan en t
0
mientras que para (18) se las da en t
f
. Lo ltimo implica que la
integracin en (17) se realice hacia delante mientras que en (18) es hacia atrs. El
algoritmo planteado es el siguiente:
1) Introducir el horizonte de anlisis [t
0
, t
f
] y subdividir el mismo de acuerdo al
paso de integracin en N subintervalos. Introducir constantes y .
2) Definir una trayectoria de control nominal sobre el horizonte de anlisis,
almacenar dicho control en un vector de dimensin 1xN. Para el presente
anlisis se eligi u(I)=1, I=1, 2, 3,..., N.
3) Con la trayectoria de control obtenida, integrar las ecuaciones de estado dadas
por (17) y almacenar los resultados en los array x1(I), x2(I), x3(I) , I=1, 2, 3,...,
N. Tener en cuenta que la condicin inicial est dada por (14) y que la
integracin se realiza desde t
0
hacia t
f
.
4) Con la trayectoria de estados obtenida en 3) integrar las ecuaciones de costos
dadas por (18) y almacenar los resultados en los array ) ( 3 ), ( 2 ), ( 1 I I I , I=1,
2, 3,..., N. La integracin debe realizarse desde t
f
hacia t
0
y las condiciones a
partir la cual debe integrarse, viene dada por (20).
5) Obtener y almacenar
u
H
r

mediante la ecuacin (19). Hallar la norma

u
H
r

y
ver si es menor que algn valor previamente adoptado, esto para ver si el
algoritmo est convergiendo. Calcular J con la ecuacin (15).
6) Si <

u
H
r
, detener el clculo y mostrar grficamente los estados y controles
obtenidos. En caso de que no se cumpla hacer
u
H
u u
n n
r

=
+

1
, con este vector
volver al paso 3).

9. SIMULACIN.
Para la simulacin, se har el anlisis sobre un horizonte de 0 a 10 segundos, el paso de
integracin ser de h=0.05 seg y adoptaremos un valor de =0.1, de similar modo
=0.01. La figura 1 muestra la evolucin de los diferentes estados cuando no se
optimiza el control. Tomando como referencia los estados deseados dados en (16), el
ndice de funcionamiento dado por (15) result ser 3.7555.

Figura 1. Simulacin del sistema sin optimizar el control.

Figura 2. Simulacin del sistema aplicando control ptimo.
La figura 3 muestra el comportamiento del ndice de funcionamiento, forzando al
programa a efectuar los clculos durante cuarenta ciclos. Como se puede ver el ndice se
aproxima al mnimo en menos de 10 iteraciones.

Figura 3. ndice de funcionamiento
El mtodo de integracin elegido para la presente simulacin es el de Runge Kutta de
cuarto orden; sin embargo se debe tener cuidado al efectuar la integracin hacia atrs
(ver anexo).

10. CONCLUSIONES.
Se present un mtodo de optimizacin para sistemas dinmicos no lineales. El
algoritmo es sencillo en su implementacin y tal como muestran las figuras 1 y 2, el
nuevo control reduce el tiempo de establecimiento de los estados deseados. El ndice de
funcionamiento muestra cuan ineficiente puede resultar un sistema de control no
ptimo, en el sentido de que el mismo no podr lograr un control con el mnimo de
recursos posibles.

ANEXO.
Mtodo de Runge Kutta. El algoritmo emplea las ecuaciones de recurrencia
(integracin hacia adelante):
) (
)
2
(
)
2
(
) (
) 2 2 (
6
3 4
2 3
1 2
1
4 3 2 1 1
hK y f K
K
h
y f K
K
h
y f K
y f K
K K K K
h
y y
n
n
n
n
n n
+ =
+ =
+ =
=
+ + + + =
+
r
r
r
r
r r

Para la integracin hacia atrs se emple las ecuaciones:
) (
)
2
(
)
2
(
) (
) 2 2 (
6
3 1 4
2 1 3
1 1 2
1 1
4 3 2 1 1
hK y f K
K
h
y f K
K
h
y f K
y f K
K K K K
h
y y
n
n
n
n
n n
=
=
=
=
+ + + =
+
+
+
+
+
r
r
r
r
r r


BIBLIOGRAFA.

/1/ Systems:Decomposition, Optimisation and Control, M.G.Singh, A. Titli, 1978.
/2/ Iterative Dynamic Programing, Rein Luus, Chapman & Hall/CRC, 2000
/3/ Optimal Control Theory An Introduction, Donald E. Kirk, Dover Publications Inc.
2004.
/4/ Clculo Variacional, M.L. Krasnov, G.I. Makarenko, A.I.Kiseliov, Editorial MIR
1992.


PROGRAMAS. Los siguientes scripts dueron elaborados en MATLAB.

SCRIPT PRINCIPAL: sincro.m

% RUTINA PARA RESOLVER LAS ECUACIONES DE MUCKOPADYAY
% y1 es el angulo del rotor en radianes
% y2 es la variacion del angulo del rotor en radianes por segundo
% y3 es el eslabonamiento de flujo de campo

clear
h=0.05;
P=10;
TAU=0.1;

%inicializacion

N=P/h;

for I=1:N
t(I)=0;
y1(I)=0;
y2(I)=0;
y3(I)=0;
u(I)=1;
end

for J=1:40
y1(1)=0.734;
y2(1)=-0.215;
y3(1)=7.7443;
t(1)=0;

% Integracion de las ecuaciones de Muckopadyay

for I=2:N

t(I)=t(I-1)+h;

[k11,k12,k13]=mucko(y1(I-1),y2(I-1),y3(I-1),u(I-1));
[k21,k22,k23]=mucko(y1(I-1)+h*k11/2,y2(I-1)+h*k12/2,y3(I-
1)+h*k13/2,u(I-1));
[k31,k32,k33]=mucko(y1(I-1)+h*k21/2,y2(I-1)+h*k22/2,y3(I-
1)+h*k23/2,u(I-1));
[k41,k42,k43]=mucko(y1(I-1)+h*k31,y2(I-1)+h*k32,y3(I-
1)+h*k33,u(I-1));

y1(I)= y1(I-1)+(h/6)*(k11+2*k21+2*k31+k41);
y2(I)= y2(I-1)+(h/6)*(k12+2*k22+2*k32+k42);
y3(I)= y3(I-1)+(h/6)*(k13+2*k23+2*k33+k43);
end


for I=1:N
t(I)=0;
L1(I) = 0;
L2(I) = 0;
L3(I) = 0;
end

%Integracion de las ecuaciones de costo

t(N) = P;

for I=N-1:-1:1

t(I)=t(I+1)-h;


[k11,k12,k13]=costos(L1(I+1),L2(I+1),L3(I+1),y1(I+1),y2(I+1),y3(I+1));
[k21,k22,k23]=costos(L1(I+1)-h*k11/2,L2(I+1)-h*k12/2,L3(I+1)-
h*k13/2,y1(I+1),y2(I+1),y3(I+1));
[k31,k32,k33]=costos(L1(I+1)-h*k21/2,L2(I+1)-h*k22/2,L3(I+1)-
h*k23/2,y1(I+1),y2(I+1),y3(I+1));
[k41,k42,k43]=costos(L1(I+1)-h*k31,L2(I+1)-h*k32,L3(I+1)-
h*k33,y1(I+1),y2(I+1),y3(I+1));

L1(I)= L1(I+1)-(h/6)*(k11+2*k21+2*k31+k41);
L2(I)= L2(I+1)-(h/6)*(k12+2*k22+2*k32+k42);
L3(I)= L3(I+1)-(h/6)*(k13+2*k23+2*k33+k43);

end

% Calculo de la derivada parcial de H respecto a u

for I=1:N
PHu(I)=L3(I)+u(I)-1.1;
end
% sacar la norma y ver si es suficientemente pequeo
normita=norm(PHu);
if normita<0.01 %si es pequeo realiza lo siguiente!!!
norma(J)=normita;
else
for I=1:N %si no es muy pequeo realiza lo siguiente!!!
u(I)=u(I)-TAU*PHu(I);
end
end
YY1=DOT(y1-0.746,y1-0.746);
YY2=DOT(y2,y2);
YY3=DOT(y3-7.74,y3-7.74);
UU=DOT(u-1.1,u-1.1);
Jc=(YY1+YY2+YY3+UU)*P/2
JCC(J)=Jc;
end

%grficos

subplot(2,2,1);plot(t,y1)
subplot(2,2,2);plot(t,y2)
subplot(2,2,3);plot(t,y3)
subplot(2,2,4);plot(t,u)

%plot(t,JCC)


SUBRUTINA mucko.m

function [dy1,dy2,dy3]=mucko(y1,y2,y3,u)

dy1=y2;
dy2=39.1892-0.2703*y2-12.012*y3*sin(y1)+24.021*sin(2*y1);
dy3=u-0.322*y3+1.9*cos(y1);

SUBRUTINA costos.m

function [dL1,dL2,dL3]=costos(L1,L2,L3,y1,y2,y3)

dL1 = 12.012*L2*y3*cos(y1)-48.048*L2*cos(2*y1)+1.9*L3*sin(y1)-
y1+0.746;
dL2 = -L1+0.2703*L2-y2;
dL3 = 12.012*L2*sin(y1)+0.3222*L3-y3+7.74;

SCRIPT PARA SIMULAR LAS ECUACIONES DE MUCKOPADYAY. Esta rutina
solo simula dichas ecuaciones y emplea las mismas subrutinas que sincro.m

% RUTINA PARA RESOLVER LAS ECUACIONES DE MUCKOPADYAY
% y1 es el angulo del rotor en radianes
% y2 es la variacion del anguilo del rotor en radianes por segundo
% y3 es el eslabonamiento de flujo de campo

clear
h=0.05;
P=10;

%inicializacion

N=P/h;

for I=1:N
t(I)=0;
y1(I)=0;
y2(I)=0;
y3(I)=0;
u(I)=1.1;
end

y1(1)=0.734;
y2(1)=-0.215;
y3(1)=7.7443;
t(1)=0;

% Integracion de las ecuaciones de Muckopadyay

for I=2:N

t(I)=t(I-1)+h;

[k11,k12,k13]=mucko(y1(I-1),y2(I-1),y3(I-1),u(I-1));
[k21,k22,k23]=mucko(y1(I-1)+h*k11/2,y2(I-1)+h*k12/2,y3(I-
1)+h*k13/2,u(I-1));
[k31,k32,k33]=mucko(y1(I-1)+h*k21/2,y2(I-1)+h*k22/2,y3(I-
1)+h*k23/2,u(I-1));
[k41,k42,k43]=mucko(y1(I-1)+h*k31,y2(I-1)+h*k32,y3(I-
1)+h*k33,u(I-1));

y1(I)= y1(I-1)+(h/6)*(k11+2*k21+2*k31+k41);
y2(I)= y2(I-1)+(h/6)*(k12+2*k22+2*k32+k42);
y3(I)= y3(I-1)+(h/6)*(k13+2*k23+2*k33+k43);
end

YY1=DOT(y1-0.746,y1-0.746);
YY2=DOT(y2,y2);
YY3=DOT(y3-7.74,y3-7.74);
UU=DOT(u-1.1,u-1.1);
Jc=(YY1+YY2+YY3+UU)*P/2
% JCC(J)=Jc;


subplot(2,2,1); plot(t,y1,'k');ylabel('posicion [rad]');xlabel('t
[s]')
subplot(2,2,2); plot(t,y2,'k');ylabel('velocidad
[rad/s]');xlabel('t [s]')
subplot(2,2,3); plot(t,y3,'k');ylabel('flujo');xlabel('t [s]')
subplot(2,2,4); plot(t,u,'k');ylabel('Control');xlabel('t [s]')