2010

TEORIA DE CONTROL

[LABORATORIO 2]
Control PID

Introduccin
Un sistema dinmico es un sistema complejo que presenta un cambio o evolucin de su estado en un tiempo, el comportamiento en dicho estado se puede caracterizar determinando los lmites del sistema, los elementos y sus relaciones; de esta forma se puede elaborar modelos que buscan representar la estructura del mismo sistema. El objetivo de este informe es simular la implementacin de un control PID al sistema de una empresa, el cual consta en aplicar un control proporcional, integral y derivativo a dicho sistema para obtener respuestas que satisfagan las necesidades de la empresa.

Metodologa
Para realizar este proyecto se procedi a construir un modelo nominal del proceso de la planta a controlar, luego a este proceso se le aplicaron las diferentes acciones de control (P, PI, PID) con el fin de analizar estos individualmente y encontrar la accin que responda de mejor manera al sistema. Para lograr lo mencionado anteriormente recurrimos a tres mtodos de anlisis de procesos, que son: -Mtodo de Oscilacin de Ziegler-Nichols: Depende principalmente de la ganancia crtica del sistema. -Mtodo de Curva de reaccin de Ziegler-Nichols: Consta en el anlisis de la mxima recta tangente de la curva caracterstica. -Mtodo de Curva de reaccin de Cohen-Coon: El anlisis de este mtodo es similar al anterior pero utilizando parmetros de sintona diferentes. Para desarrollar todo esto, se utilizo la herramienta MATLAB y su librera Simulink para simular estas operaciones, las cuales se detallan en el siguiente informe.

Curva de reaccin:

(Curva de reaccin sin retardo) Mtodo de Oscilacin de Ziegler Nichols

(Curva de reaccin con retardo)

Variando la ganancia hasta que el control proporcional alcanza el punto de estabilidad critica Obtenemos un valor de Kc = 14.53. Analizando el grafico obtenemos Pc = 4.

Siendo Kc = 14.53 y Pc= 4 podemos calcular Kp ,Tr y Td.

P: Kp = 0.5*Kc = 7.265 PI: Kp = 0.45* Kc = 6.5385 PID: Kp = 0.6* Kc = 8.718 Tr = Pc/2 = 2 Td = Pc/8 = 0.5 Filtro = 0.1*0.5 = 0.05 Tr = Pc /1.2 = 3.3333

Aplicamos estos valores al los controles con escaln y sinusoidal en simulink y comparamos sus respuestas. Escaln:

La principal diferencia entre el control P y el PI es que con el control P nunca llega al valor nominal del escaln generando as un error de medicin de la salida del control. En cambio, aplicando un control integral al proporcional se logra el objetivo de control esperado as tambin como una mayor estabilidad. La principal diferencia es la presencia de ruido en el control PID que no se encuentra en el control PI. Aplicando una funcin derivativa al control PI, podemos obtener una respuesta un poco menos estable pero entrega una respuesta ms rpida.

Sinusoidal:

Podemos observar una clara diferencia entre las amplitudes de los controles P y PI. Puesto que con una seal sinusoidal el control P tiene una amplitud mayor al PI, podemos interpretar esto como una respuesta ms lenta que el control PI. En este caso sucede lo inverso al caso anterior, puesto que si implementamos un control PID provocamos una respuesta significativamente ms lenta.

Sistema con retardo de 2 seg:

Usando un retardo de 2 seg el control PID tiene una inestabilidad ascendente en t =

Metodo de la curva de reaccin de Ziegler Nichols

a) Con los siguientes controles creamos la funcin de transferencia en MATLAB para calcular los parmetros requeridos. >> step(tf([1],[1 9 3])) >> syms s >> ec1 = ilaplace(1/(s^2+9*s+3)*1/s) ec1 = 1/3-1/69*exp(-9/2*t)*(23*cosh(1/2*t*69^(1/2))+3*69^(1/2)*sinh(1/2*t*69^(1/2))) >> ec2 = diff(ec1) ec2 = 3/46*exp(-9/2*t)*(23*cosh(1/2*t*69^(1/2))+3*69^(1/2)*sinh(1/2*t*69^(1/2)))-1/69*exp(9/2*t)*(23/2*69^(1/2)*sinh(1/2*t*69^(1/2))+207/2*cosh(1/2*t*69^(1/2))) >> ec3 = diff(ec2) ec3 = -27/92*exp(-9/2*t)*(23*cosh(1/2*t*69^(1/2))+3*69^(1/2)*sinh(1/2*t*69^(1/2)))+3/23*exp(9/2*t)*(23/2*69^(1/2)*sinh(1/2*t*69^(1/2))+207/2*cosh(1/2*t*69^(1/2)))-1/69*exp(9/2*t)*(1587/4*cosh(1/2*t*69^(1/2))+207/4*69^(1/2)*sinh(1/2*t*69^(1/2))) >> sol_1=solve(ec3) sol_1 = 1/69*69^(1/2)*log((23+3*69^(1/2))/(-23+3*69^(1/2))) >>sol_x = eval(sol_1) sol_x = 0.3873 >> Pend = subs(ec2,0.3873) Pend = 0.1010 >> sol_y=subs(ec1,0.3873) sol_y = 0.0302 sol_x = 0.3873 Y = 0.3333 Y = m*t + (Yp m*Tp) Y= 0.1010*t + (0.0302 0.1010*0.3873) Con Y = Y 0.3333 = 0.1010*t + (0.0302 0.1010*0.3873) t2= 3.388 Con Y = Y0 0 = 0.1010*t + (0.0302 0.1010*0.3873) t1= 0.088 t0= 0 Yp = 0.0302 Tp = 0.3873

Aplicamos el retardo que le quitamos anteriormente, y las constantes de tiempo quedan asi: t2= 4.388 t1= 1.088 t0= 0

Ahora podemos calcular las variables que necesitamos para calcular los parmetros caractersticos de cada mtodo, para esto usamos las siguientes formulas:

As obtenemos los siguientes resultados: K0 = 0.333 0 = 1.088 0 = 3.3

Parmetros a calcular segn el mtodo de Ziegler Nichols:

En este caso necesitamos calcular solo las variables para el control PID, y los resultados son los siguientes:

Kp = 10.93

Tr =2.176

Td = 0.544

Filtro = 0.1*0.544 = 0.0544

Aplicamos estos valores al control PID Con escaln y Sinusoidal en simulink

Escaln unitario:

De este modelo obtenemos esta respuesta:

Sinusoidal:

De este modelo obtenemos esta respuesta:

Metodo de sintona de Cohen-Coon

Parametros de Cohen-Coon:

Con esta tabla calculamos los parmetros de Cohen Coon pero solo para el proceso PID, y obtuvimos los siguientes datos:

Kp = 12.895

Tr = 2.364

Td = 0.373

Filtro = 0.1*0.373 = 0.0373

Aplicamos estos datos al Control PID con escaln y Sinusoidal en Simulink. Escaln Unitario:

De este modelo obtenemos esta respuesta:

Sinusoidal:

De este modelo obtenemos esta respuesta:

Comparando los resultados de los mtodos de Ziegler-Nichols con los de Cohen-Coon.

Control PID de Ziegler-Nichols con escaln Control PID de Cohen-Coon con escaln

Podemos observar las respuestas y notar que la respuesta del control de Ziegler-Nichols alcanza el equilibrio ms rpido que el modelo de Cohen-Coon

10

Control PID de Ziegler-Nichols Sinusoidal

Control PID de Cohen-Coon con Sinusoidal

Al igual que el modelo escaln, el modelo sinusoidal de Ziegler-Nichols es ms rpido que el de Cohen-Coon ya que la amplitud de cada periodo es menor.

Al aplicar un cero a la funcin de transferencia, esta queda de la siguiente manera:

>> cohen=tf([-1 2],[1 9 3])

Transfer function: -s + 2 ------------s^2 + 9 s + 3

11

>> syms s >> ec1=ilaplace((-s+2)/(s2)*1/s) >> ec1=ilaplace((-s+2)/(s^2+9*s+3)*1/s) ec1 =2/3-2/69*exp(-9/2*t)*(23*cosh(1/2*69^(1/2)*t)+4*69^(1/2)*sinh(1/2*69^(1/2)*t)) >> ec2=diff(ec1) ec2 =3/23*exp(-9/2*t)*(23*cosh(1/2*69^(1/2)*t)+4*69^(1/2)*sinh(1/2*69^(1/2)*t))-2/69*exp(9/2*t)*(23/2*69^(1/2)*sinh(1/2*69^(1/2)*t)+138*cosh(1/2*69^(1/2)*t)) >> ec3=diff(ec2) ec3 =-27/46*exp(-9/2*t)*(23*cosh(1/2*69^(1/2)*t)+4*69^(1/2)*sinh(1/2*69^(1/2)*t))+6/23*exp(9/2*t)*(23/2*69^(1/2)*sinh(1/2*69^(1/2)*t)+138*cosh(1/2*69^(1/2)*t))-2/69*exp(9/2*t)*(1587/4*cosh(1/2*69^(1/2)*t)+69*69^(1/2)*sinh(1/2*69^(1/2)*t)) >> sol_1=solve(ec3) sol_1 =1/69*69^(1/2)*log((253+31*69^(1/2))/(-253+31*69^(1/2))) >> sol_x=eval(sol_1) sol_x = 0.5694

>> pend=subs(ec2,0.5694) pend = 0.2226

>> sol_y=subs(ec1,0.5694) sol_y = -0.0012

Con estos datos obtenemos los nuevos valores de Y = 0.666 Yp = -0.0012 Tp = 0.5694

Usando la formula de la pendiente Y = m*t + (Yp m*Tp) Y= 0.2226*t + (-0.0012 0.2226*0.5694) Con Y = Y 0.666 = 0.2226*t + (-0.0012 0.2226*0.5694) t2= 3.566 Con Y = Y0 0 = 0.2226*t + (-0.0012 0.2226*0.5694) t1= 0.574 t0= 0 Aplicamos el retardo que le quitamos anteriormente, y las constantes de tiempo quedan asi: t2= 4.566 t1= 1.574 t0= 0

12

Ahora podemos calcular las variables que necesitamos para calcular los parmetros caractersticos de cada mtodo, para esto usamos las siguientes formulas:

As obtenemos los siguientes resultados: K0 = 0.666 0 = 1.574 0 = 2.99

Ahora con estos datos podemos aplicarlos a los parmetros de Cohen-Coon para el proceso PID

Kp = 4.178

Tr= 3.215

Td=0.522

Aplicando los nuevos parmetros obtenidos de esta nueva curva, al control PID de Cohen-Coon, obtenemos los siguientes resultados:

13

Para estabilizar el control PID de Cohen-Coon anterior, debemos reducir la ganancia proporcional en 4 unidades, asi obtendremos una respuesta inversa estable.

Zoom al inicio de la curva

14

Discusin
Despus de ver los resultados de las pruebas realizadas, podemos concluir que al aplicar un control integral podemos obtener mejores resultados que un control proporcional, usando tanto una entrada escaln como una entrada sinusoidal. Anlogamente el control Derivativo propone una respuesta ms rpida pero un tanto ms inestable que el control integral. La accin de control elegida para implementar queda a juicio del operador del sistema, de acuerdo al tipo de proceso al cual es aplicado, puesto que hay procesos que requieren mayor estabilidad que rapidez y viceversa.

15