Estimador Reducido 60

Firmado digitalmente por
AUTOMATIZACION
Nombre de reconocimiento (DN):
cn=AUTOMATIZACION, o=UMSNH,
ou=DGB, email=soporte@biblioteca.dgb.
umich.mx, c=MX
Fecha: 2010.02.16 09:27:08 -06'00'
UNIVERSIDAD MICHOACANA
DE SAN NICOLÁS DE HIDALGO
FACULTAD DE INGENIERÍA ELÉCTRICA
“DISEÑO DE OBSERVADORES DEDICADOS

APLICADOS AL PROBLEMA DEL DIAGNÓSTICO DE
FALLAS EN SISTEMAS LINEALES”
TESIS
Que para obtener el Título de:

INGENIERO EN ELECTRÓNICA
Presenta:
CELSO CORTÉS CERVANTES
Asesor de Tesis:
DR. JUAN ANZUREZ MARÍN
Morelia, Michoacán, Diciembre 2009

Agradecimientos
A llegado el momento de reconocer a las personas que durante el transcurso de esta

larga travesía han contribuido en gran medida dentro de mi formación académica, social y
moral, con la finalidad única del mejoramiento de mi persona.
En primer lugar quisiera agradecer a mi asesor el Dr. Juan Anzurez Marín por su
empeño y dedicación presentado a lo largo de todo éste trabajo que sin su ayuda no
hubiera sido posible concluir en tiempo y forma, que en colaboración con el M.C. I. Isidro
Lázaro Castillo y la Dra. Elisa Juárez Espinoza conforman un equipo de trabajo muy
completo que motivan a que él alumno que se encuentre a su cargo de su mejor esfuerzo y
con los cuales se vive un ambiente de trabajo muy dinámico y de grandes retos, así como
grandes emociones.
Los siguientes agradecimientos son para el pilar más grande que he tenido en toda mi
vida, mi FAMILIA, que siempre me han mostrado su confianza y apoyo en todos los
proyectos a los que me he enfrentado y que sin el verdaderamente me hubiera derrumbado
antes de culminar con mis objetivos. Los cuales a pesar de ser buenísimas personas son
todos ellos un ejemplo de fortaleza y humildad, que me han enseñado que los únicos limites
son los que uno mismo se impone.
Pero hace falta mencionar a las personas que hacen mi vida más alegra y con los que
he convivido como si fuesen mi segunda familia, mis compañeros con los cuales he
trabajado, me he divertido e incluso me he peleado, y que a lo largo de diferentes etapas de
mi vida he sembrado un vinculo muy especial con cada uno de ello y que espero cumplan
sus metas al igual que yo.
Tal vez no me alcanzaría la vida para terminar de agradecer a todas las demás
personas que han apoyado y que en pequeña o gran medida han contribuido para llegar al
lugar en que me encuentro y no quisiera dejar de mencionar a ninguno, mis profesores, mis
amigos, mis abuelos que aunque algunos ya no se encuentren conmigo los tengo bien
presentes en cada paso que doy...
Dedicatoria
Quiero dedicar el presente trabajo a mis PADRES, hermanos y familia en general por
brindarme su apoyo durante toda mi formación profesional
Índice general
Resumen V
1. Introducción 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Justi…cación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5. Contenido de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Conceptos Fundamentales del Diagnóstico de Fallas 9

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Modelado en Espacio de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3. Observabilidad y Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4. Detección de Fallas en Sistemas Dinámicos . . . . . . . . . . . . . . . . . . . . . 24
2.4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2. Clasi…cación de los métodos de generación de residuos . . . . . . . . . . . 25
2.5. Robustez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.2. Generación Robusta de Residuos . . . . . . . . . . . . . . . . . . . . . . 32
2.6. Observador Luenberger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3. Diseño de Observadores de Orden Completo y Orden Reducido 37

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
i
ii ÍNDICE GENERAL
3.2. Observador de orden Competo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.2.1. Método de Diseño Abreviado . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.2. Método de Diseño por la Formulación de Ackerman. . . . . . . . . . . . 42
3.2.3. Método de Diseño Completo . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.4. Diseño Mediante el Software MATLAB . . . . . . . . . . . . . . . . . . . 47
3.3. Observador de Orden Reducido . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.1. Diseño de Observadores de Orden Reducido . . . . . . . . . . . . . . . . 49
3.3.2. Metodología de Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4. Casos de Estudio 57
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. Motor CD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1. Descripción del Sistema (Motor de CD) . . . . . . . . . . . . . . . . . . . 59
4.2.2. Modelado en Espacio de Estados . . . . . . . . . . . . . . . . . . . . . . 60
4.2.3. Diseño del Observador . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.4. Resultados de Simulación . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.3. Péndulo Invertido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.1. Descripción del Sistema (Péndulo Invertido) . . . . . . . . . . . . . . . . 68
4.4. Bola Suspendida Magnéticamente . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.1. Descripción del Sistema (Bola Suspendida Magnéticamente) . . . . . . . 78
5. CONCLUSIONES 87
A. Artículos publicados 91
Índice de …guras
2.1. Representación a bloques de un sistema . . . . . . . . . . . . . . . . . . . . . . . 11

2.2. Diagrama de un sistema dinámico . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Esquema de un sistema retroalimentado de control . . . . . . . . . . . . . . . . 12
2.4. Retroalimentación directa de estados . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5. Retroalimentación de estados usando un estimador . . . . . . . . . . . . . . . . 14
2.6. Sistema de diagnóstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7. Clasi…cación de métodos de generación de residuos . . . . . . . . . . . . . . . . . 27
2.8. Representación de fallas en actuadores . . . . . . . . . . . . . . . . . . . . . . . 28
2.9. Representación de fallas en sensores . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.10. Representación de fallas en procesos . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.11. Esquema para la detección robusta de fallas . . . . . . . . . . . . . . . . . . . . 33
3.1. Observador de orden reducido (diagrama de bloques) . . . . . . . . . . . . . . . 37

3.2. Observador de orden completo (diagrama de bloques) . . . . . . . . . . . . . . . 38
4.1. Motor (diagrama de cuerpo libre) . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.2. Diagrama de bloques motor de CD a) planta, b) observador, c) entrada u(t) . . 63
4.3. Bloque de fallas: a) escalón, b) pulso, c) senoidal . . . . . . . . . . . . . . . . . 64
4.4. Motor libre de fallas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5. Motor ante una falla tipo escalón . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6. Motor ante una falla tipo pulso . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.7. Motor ante una falla tipo senoidal . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.8. Péndulo invertido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
iii
iv ÍNDICE DE FIGURAS
4.9. Péndulo Invertido (diagrama de cuerpo libre) . . . . . . . . . . . . . . . . . . . . 69

4.10. Diagrama de bloques péndulo Invertido: a) planta, b) observador, c) entrada u(t) 73
4.11. Bloque de fallas péndulo invertido a) escalón, b) pulso, c) senoidal . . . . . . . . 74
4.12. Péndulo libre de fallas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.13. Péndulo ante una falla tipo escalón . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.14. Péndulo ante una falla tipo pulso . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.15. Péndulo ante una falla senoidal . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.16. Bola suspendida magnéticamente . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.17. Diagrama de bloques bola suspendida: a) planta, b) observador, c) entrada u(t) 81
4.18. Bloque de fallas bola suspendida: a)escalón, b)pulso, c)senoidal . . . . . . . . . . 82
4.19. Bola suspendida libre de fallas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.20. Bola suspendida ante falla tipo escalón . . . . . . . . . . . . . . . . . . . . . . . 83
4.21. Bola suspendida ante falla tipo pulso . . . . . . . . . . . . . . . . . . . . . . . . 84
4.22. Bola suspendida ante falla senoidal . . . . . . . . . . . . . . . . . . . . . . . . . 84
Resumen
Por lo general todo proceso requiere ser monitoreado para evitar fallas o problemas en el
proceso en cuestión, es por ello que el área de control y diagnóstico adquiere vital importancia,
el cual es un tema bastante amplio y existen diferentes maneras en su implementación .
El presente trabajo presenta una aproximación para el diagnóstico de fallas basado en

el esquema de Observadores Dedicados, el cual trabaja con un método basado en el modelo
matemático del sistema en estudio, y que pretende cambiar la redundancia física por redun-
dancia analítica o funcional con lo que se logra la disminución de costos en procesos.
Si bien el esquema que se presenta sólo es aplicable a sistemas lineales, se realizaron prue-
bas en sistemas no lineales que operan en un pequeño rango trabajo con lo que pretendemos
linealizarlo en este rango, y de los resultados obtenidos se observó un buen desempeño.
La mayor parte de este trabajo se hace en base a simulación para analizar los resultados
obtenidos y poder realizar su implementación en un sistema real, el cual se encuentra en la
etapa de construcción y posible en poco tiempo se pueda disponer de él para continuar con
nueva investigaciones.
v
vi RESUMEN
Capítulo 1
Introducción
La mayoría de los sistemas de producción están dotados con mecanismos de control que
son capaces de adaptarse rápidamente a perturbaciones y ‡uctuaciones que intervienen so-
bre el sistema y su ambiente, lo cual garantiza niveles de con…abilidad apropiados y condi-
ciones de producción segura. En general, el monitoreo-diagnóstico se de…ne como el conjunto
de acciones que se aplican con la …nalidad de detectar, localizar y diagnosticar posibles fa-
llas. Por ello un sistema de monitoreo-diagnóstico tiene como tarea fundamental recaudar la
información completa y detallada relativa al estado de funcionamiento de los procesos bajo
supervisión: El diagnóstico consiste en distinguir las condiciones de fallas a partir de las obser-
vaciones que caracterizan el funcionamiento del sistema y en identi…car las variables de origen
[Gertler 1998],[Mangoubi 1998],[Patton y Frank 1989].
En general, los dispositivos que permiten el diagnóstico de fallas se les denomina: “…l-
tros de detección y diagnóstico de fallas”, los cuales tienen dos funciones básicas: la primera
es la generación de residuos que informan sobre la ocurrencia o tendencia a una falla. En
la segunda a partir del análisis de los residuos, indicar cual dispositivo ha originado la falla
[Gertler 1998],[Beard 1971],[Jones 1973]. Existen básicamente dos …losofías: una está basada
en la utilización de replicas físicas de los dispositivos que conforman el sistema conocido como
“redundacia física”; La otra se basa en la utilización de modelos matemáticos de esos disposi-
tivos que constituyen el sistema conocido como “redundacia analítica”[Alcorta 2001].
Los …ltros se construyen a partir de observadores de estado. Un observador es un sistema
1
2 CAPÍTULO 1. INTRODUCCIÓN
dinámico capaz de estimar algunas de las variables de estado de la planta, a partir de las
variables medidas de los sensores, de este modo puede utilizarse la variable estimada en lugar
de la medida para cerrar el lazo de control, mejorando así, las características dinámicas del
conjunto en lazo cerrado. Además, permiten estimar las variables o estados de un sistema en
base a mediciones de las señales de salida y señales de control. Estos observadores permiten
enviar información estimada acerca del valor que toman dichos estados, permitiendo conocer
un aproximado del valor real, además cuentan con muy poco margen de diferencia o error. Se le
considera una herramienta virtual, puesto que se desarrolla como software o programa dentro
de una computadora [ Douglas y Speyer 1996],[Tsong 1998].
Si el observador se emplea para estimar todas las variables de estado del sistema, indepen-
dientemente de si se pueden medir o no, se le denomina observador de orden completo. En otras
ocasiones esto no será necesario, pues habrá variables de estado medibles de forma directa. Las
variables de estado y las de salida están relacionadas, y ya que estas últimas son medibles, sólo
será necesario observar (n - m) variables de estado, donde n es la dimensión del vector de estado
y m es la dimensión del vector de salida. Cuando el observador únicamente estima el número
mínimo de variables de estado, se le denomina observador de orden mínimo. En determinadas
ocasiones puede resultar más sencilla la aplicación de un observador de orden mínimo, cuando
el número de variables del sistema es muy elevado [Tsong 1998],[Ogata 1998],[Wiberg 1971].
Para el diseño de observadores, el número de entradas que tenga el sistema, no afectará
el diseño del observador, puesto que estos datos no intervienen en los cálculos. Sin embago,
el número de salidas con que cuente el sistema si afecta el diseño del observador. Aunque
podría aplicarse el principio de linealidad, el cual consiste en separar las salidas y trabajarlas
como si fueran provenientes de sistemas distintos. Cabe señalar que la función principal de un
observador es estimar los estados y que se supone que hay un conocimiento perfecto del sistema,
esto es, que el modelo que se tiene del sistema re‡eja perfectamente la relación entre la entrada
y la salida del mismo [Wiberg 1971],[Tsong 1998].
Las propiedades que debe poseer un observador son: robustez frente a errores en los
parámetros del modelo y en las medidas, inmunidad al ruido, rapidez de convergencia y baja
carga computacional. Algunas de estas propiedades entran en con‡icto, como la rapidez de con-
1.1. ANTECEDENTES 3
vergencia y la inmunidad al ruido, por esta razón se suele dar una solución de compromiso que
dé prioridad a una de ella, garantizando un nivel razonable para el resto. Los observadores se
diseñan para optimizar la velocidad de convergencia, existiendo adicionalmente la posibilidad
de reducir la in‡uencia del ruido [Sánchez 1992].
Los dos tipos de observadores más utilizados son el observador Luenberger y el …ltro de
Kalman, siendo el primero de tipo determinista y el segundo de tipo estocástico. Estos dos
observadores tienen su aplicación limitada a sistemas lineales, que además deben ser inva-
riantes en el tiempo, para el caso de Luenberger. Por ello se aplican cada vez más las versiones
extendidas de ambos observadores que permiten la aplicación a sistemas no lineales.
Un observador de Luenberger extendido se puede aplicar a sistemas deterministas no li-
neales y variantes en el tiempo. Debido a su facilidad de ajuste es una alternativa a considerar
para su implementación en sistemas industriales. El …ltro de Kalman extendido proporciona
no sólo estimaciones de las variables de estado sino también de parámetros del sistema. Este
sistema es un …ltro recursivo que incorpora en la estimación los valores estadísticos de los ruidos
asociados a los estados y a las medidas. Este observador presenta la ventaja de tratar el sistema
de forma más realista pero a su vez precisa de un mayor cálculo computacional.
Otra posibilidad en este sentido es la aplicación de un observador de “Gran Ganancia”.
Este último es un observador extendido aplicable a sistemas no lineales y generalmente más
sencillo de ajustar que un …ltro de Kalman.
Por último existe la posibilidad de emplear estimadores basados en inteligencia arti…cial. En
este sentido se pueden considerar dos líneas básicas: soluciones basadas en redes neuronales arti-
…ciales y redes de lógica difusa. Estas técnicas presentan ventaja como la no necesidad de conocer
con gran precisión el sistema a controlar [Edelmayer 1996],[Frank 1992],[Frank y Schreier 1999].
1.1. Antecedentes
El área de control siempre ha sido tema interesante para avances en ingeniería y la ciencia,
además de su gran importancia en procesos industriales y de manufactura, para mejorar la pro-
ductividad evitar el exceso de operaciones manuales o rutinarias etc. Es por ello que este campo
requiere de un buen conocimiento por parte de los ingenieros y cientí…cos e investigadores. Des-
de los inicios del control clásico hasta el control moderno nos podemos encontrar con grandes
avances que marcaron historia en su tiempo, como el regulador de velocidad centrifugo, usado
en el control de velocidad de una máquina de vapor. Mynorsky, que trabajó en controladores
automáticos para dirigir embarcaciones, mostrando que la estabilidad puede determinarse a
partir de las ecuaciones diferenciales del sistema. Nyquist, determina la estabilidad de sistemas
en lazo cerrado, con base en la respuesta en lazo abierto en estado estable cuando la entrada
es una senoide. Hazen, analizó el diseño de los servomecanismos con relevadores, capaces de
seguir con precisión una entrada cambiante. Durante la década de los cuarenta, los métodos
de la respuesta en frecuencia hicieron posible que los ingenieros diseñaran sistemas de control
lineales en lazo cerrado que cumplieran con los requerimientos de desempeño. A …nales de los
años cuarenta y principios de los cincuenta, se desarrolló por completo el método del lugar
geométrico de las raíces propuesto por Evans [Ogata 1998].
Los métodos de respuesta en frecuencia y del lugar geométrico de las raíces, que forman
el núcleo de la teoría de control clásica, conducen a sistemas estables que satisfacen un con-
junto más o menos arbitrario de requerimientos de desempeño. En general, estos sistemas son
aceptables pero no óptimos en forma signi…cativa.
Conforme las plantas modernas con muchas entradas y salidas se vuelven más y más
complejas, la descripción de un sistema de control moderno requiere de una gran cantidad
de ecuaciones. La teoría del control clásica, que trata de los sistemas con una entrada y una
salida, pierde su solidez ante sistemas con entradas y salidas múltiples. Desde alrededor del
año 1960, debido a la disponibilidad de las computadoras digitales se hizo posible el análisis
en el dominio del tiempo de sistemas complejos. La teoría de control moderna, basada en el
análisis en el dominio del tiempo y la síntesis a partir de variables de estados, se ha desarrollado
para enfrentar la creciente complejidad de las plantas modernas y los requerimientos limitativos
respecto a la precisión, el peso y el costo en aplicaciones militares, espaciales e industriales.
Durante los años comprendidos entre 1960 y 1980, se investigaron a fondo el control óptimo
tanto de sistemas determinísticos como estocásticos, y el control adaptable, mediante el apren-
dizaje de sistemas complejos. De 1980 a la fecha, los descubrimientos en la teoría de control
moderna se centraron en el control robusto, el control de H 1, y temas asociados. Aunque desde
1.1. ANTECEDENTES 5
los primeros años de la década de los 70 se vienen produciendo avances signi…cativos en el cam-
po del diagnóstico de fallas tanto en la teoría como en la práctica, ha sido en los últimos años
cuando las investigaciones en este campo han aumentado considerablemente [Alcorta 2001].
Un sencillo diseño para la detección de fallas en instrumentos (por sus siglas en inlges
Instrument Failure Detection) es el llamado Esquema de Observadores Dedicados (por sus
siglas en inlges Dedicated Observer Scheme) que surgió como propuesta de R. N. Clark (1979),
pero desde 1974 iniciaron sus primeras pruebas y demostró ser extraordinariamente sensible a
fallas en instrumentos en las simulaciones prácticas [Clark 1979].
El esquema original de observadores dedicados utiliza n estimadores de estado (obser-
vadores), uno para cada salida. Cada observador usa las entradas u del sistema y una de las n
salidas para generar una estimación de los m estados del sistema. Este factor redundante de n
variables de estado provee un conveniente modo para detectar una falla potencial en el sensor:
comparando los estados de cada observador revelando cual sensor tiene posible falla, cuando
el estado estimado de los correspondientes observadores sea diferente del resto. Es decir, Clark
propone hacer una redundancia funcional en lugar de una redundancia por hardware, y hace
notar que tal redundancia debe de ser mayor o igual a tres para poder garantizar una correcta
comparación con la salida del sistema [Clark 1979],[Emami y Akhter 1998].
El DOS es útil en buena manera por cumplir con dos de los cuatro criterios de monitoreo
de fallas: detección y aislamiento. Desafortunadamente, los otros dos criterios de monitoreo
de fallas, acondicionamiento y estimación, no son destinados en el esquema DOS. Un tema de
gran interés en el diagnóstico de fallas es el umbral a utilizar: pequeñas perturbaciones en el
sistema bajo observación dirigirá a pequeñas perturbaciones entre diferentes estados estimados.
Claramente, no es su…ciente una simple identi…cación de cual estado es diferente del resto, para
determinar cual sensor a fallado. Para lo cual Clark propone usar un observador Luenberger
como estimador para cada salida del sistema lo cual permite la detección y aislamiento de
la falla de manera directa. En este esquema se debe de hacer una consideración importante
como lo es que el sistema sea observable y controlable, dos criterios propuestos por Kalman
[Clark 1979],[ Tylee 1986].
Dentro de las versiones modi…cadas del DOS podemos encontrar la simpli…cación del DOS
la cual fue aplicado a un sistema bajo condiciones ideales en el cual sólo se hace el diseño de
un observador por salida entonces la lógica de comparación se hace entre las salidas estimadas
y las salidas actuales del sistema y se prueba con perturbaciones o fallas aleatorias. Aunque
Clark menciona que aumento de señales redundantes en el DOS permite realizar variaciones en
el esquema básico para proponer nuevas modi…caciones.
Clark y Campbell propusieron una modi…cación al DOS (MDOS) [Clark y Campbell 1982].
Su MDOS usa …ltros de Kalman, que permite al sistema ser aplicado a sistemas estocásticos.
También, mejora cada …ltro para una salida simple. Esta condición mejora estimaciones de los
m estados. Sin embargo esto requiere una aproximación diferente para identi…cación de fallas.
Clark y Campbell aplicaron estos MDOS a un modelo de reactor nuclear presurizado y se
encontró satisfactorio. Sin embargo, el asunto de umbrales aceptables y acondicionamiento de
fallas no son tan satisfactorios. Di…ere la prueba de las propiedades estadísticas de la innovación
secuencial en un …ltro de Kalman, que es una manera común de detectar fallas, el esquema de
Clark y Campbell no requiere ventanas de muestreo de datos, cada punto muestral puede
ser hecho individualmente. Idealmente, entonces debería ser posible detectar todas las fallas
inmediatamente. Este es un bene…cio para sistemas de seguridad crítica tal como en procesos
nucleares[Tylee 1983],[Tylee 1982],[Clark y Campbell 1982].
1.2. Objetivo
El objetivo general de esta tesis es desarrollar un algoritmo capaz de resolver el problema
de aislamiento y detección de fallas basados en el modelo matemático del sistema, aplicado
a diferentes casos de estudio empleando observadores dedicados y plantear mejoras a futuro
mediante los resultados obtenidos.
1.3. Justi…cación
Es un hecho que los modernos sistemas se vuelven cada vez más complejos y que los
algoritmos que se implementan son cada vez más so…sticados. Por ello las características de
seguridad y protección adquieren cada vez mayor importancia. Estas características son impor-
1.4. METODOLOGÍA 7
tantes no sólo en aquellos sistemas cuya seguridad es crítica, tales como centrales nucleares,
aviones, hospitales etc., sino en cualquier otro tipo de proceso. Por lo que existe una necesidad
de supervisión y de diagnóstico, con el objetivo de eliminar pérdidas. La principal ventaja del
diagnóstico de fallos basado en el modelo de la planta es que no es necesario añadir componentes
de hardware al proceso para implementar un algoritmo de diagnostico de fallas.
1.4. Metodología
Investigación: Se realiza una revisión del estado del arte del diagnóstico de fallas con la
…nalidad de aclarar los conceptos básicos de control clásico y moderno, de manera tal que
se muestre su aplicación práctica sobre el diagnóstico. Por ejemplo, el diseño del observador,
simulación del problema y análisis de resultados. Así como revisión de los antecedentes sobre
este esquema de observadores y áreas de aplicación. En esta fase se identi…ca la herramienta
que será utilizada para resolver el problema.
Descripción de problema: La técnica propuesta a utilizarse en esta tesis para la solución
del problema de diagnóstico de fallas está basada en el modelo en espacio de estados de la
planta bajo análisis, entonces el siguiente paso es dominar el modelado en espacio de estados
de diferentes esquemas y posteriormente estudiar el diseño de observadores dedicados aplicados
a la solucion del ploblema de diagnóstico de fallas
Diseño y Simulación: A partir del modelo del sistema se realiza el diseño de los observadores.
Se prueba la respuesta del sistema en lazo abierto y en lazo cerrado incluyendo los observadores
la simulación se realiza con …nes de comparación de las salidas del sistema y las salidas estimadas
por los observadores y de esta forma generar las señales de error conocidos como residuos. El
sistema es llevado a puntos críticos bajo condiciones de falla y se analiza su comportamiento.
Análisis de resultados: Con los resultados obtenidos de la simulación y una vez que se ha
realizado una prueba completa considerando los puntos críticos hasta los puntos en condiciones
normales de operación del sistema. Se realiza un evaluación para comprobar si el observador
responde como se pretendía, de lo contrario regresamos al proceso de diseño y simulación hasta
obtener una respuesta apropiada para el sistema
1.5. Contenido de la tesis

En el Capítulo 1 se realiza una breve explicación de los objetivos generales de este trabajo
de tesis así como una introducción y una revisión del estado del arte. Se muestran algunos
esquemas básicos y antecedentes de algunos de ellos. Así como los alcances de este trabajo.
En el Capítulo 2 se presentan los conceptos generales así como los críterios necesarios para
el diseño de observadores con el esquema DOS. Se introduce el tema de diagnóstico de fallas,
se mencionan propiedades de los observadores entre las que resalta el tema de robustez que es
de gran importancia en la actualidad. Se describen brevemente los conceptos introducidos por
Kalman, controlabilidad y observabilidad
En el Capítulo 3 Se describe la metodología para el diseño de observadores Luenberger
ya que es la base para el esquema de observadores dedicados, se plantean algunos ejemplos
para ilustrar la metodología de diseño, así como algunas variantes en el diseño ya sea de orden
completo o de orden reducido
En el Capítulo 4 Basados en el esquema DOS se plantean tres sistemas y realizar sus
respectivas simulaciones, dos de los cuales son sistemas no lineales pero se plantea una lineal-
ización cercana a un punto estable de modo que su comportamiento se asemeje a un sistema
lineal acotado a la linea- lización . Por último se presentan los resultados de simulación y se
hace un analisis de los mismos
En el Capítulo 5 se presentan los resultados y las conclusiones
Capítulo 2
Conceptos Fundamentales del

Diagnóstico de Fallas
En este capítulo se presentan brevemente los conceptos principales en que se basan el

control clásico y el control moderno, así como algunos de los esquemas utilizados en el control
inteligente como son el control difuso, el control neuronal y el control neurodifuso. Se mencionan
algunos de los aspectos importantes de cada uno de los esquemas, así como su utilización para
el control de procesos. El objetivo primordial de este capítulo es presentar los elementos más
importantes en que se basan los estimadores.
2.1. Introducción
Existen diferentes formas de control automático, en general, todas se basan en un conocimien-

to del sistema a controlar, de sus características físicas como de sus condiciones de operación,
a través de un modelo matemático que lo describa en forma bastante aproximada, en todo
su rango de operación y para cualquier instante de tiempo. Este modelo se usa como parte
integrante del sistema de control así como para evaluar el desempeño del sistema a través de
técnicas de simulación. Por lo general, ninguno de los algoritmos de control avanzado pueden
considerarse de “parámetros optimizados”sino que responden más bien a estrategias de “estruc-
tura optimizada”, ya que su estructura depende del sistema particular a controlar. El desarrollo
9
10 CAPÍTULO 2. CONCEPTOS FUNDAMENTALES DEL DIAGNÓSTICO DE FALLAS
de este tipo de algoritmos, por lo general, implica una fuerte plataforma computacional y,
por tanto, difícilmente pueda pensarse en encontrar productos comerciales que los contenga
(salvo excepciones de simple implantación como es el caso de control por lógica difusa “fuzzy-
logic”). Esto hace que este tipo de control no pueda ofrecerse como “un producto particular”,
disponible en un gabinete o equivalente, sino que la estrategia de control se programa dentro de
una computadora, para cada caso. Por tanto, controladores con estrategias de control avanzado
no pueden “comprarse en el mercado”, sino que requieren ser con…guradas por un experto en
control, quien deberá posteriormente capacitar al operador del proceso para hacer los ajustes
que podrían requerirse durante la operación rutinaria del sistema que esté siendo controlado
[Gertler 1998],[Rugh 1995]:
Sin duda, existe diversidad de estrategias de control que responden a esta clasi…cación
(basadas en el modelo). A continuación, se hace referencia a las más relevantes, partiendo de
aquellas que tienen aplicación industrial.
La teoría desarrollada para el control de procesos, desde el punto de vista clásico y moderno,
tiene su base esencial en el conocimiento de la dinámica del proceso que se desea controlar.
Esta dinámica normalmente se expresa haciendo uso de ecuaciones diferenciales ordinarias, y
en el caso de sistemas lineales, se hace uso de la transformada de Laplace para obtener una
representación matemática que relaciona la señal que se quiere controlar y la señal de entrada
al sistema. Esta relación matemática se conoce como función de transferencia [Eronini 2001].
Desde la teoría clásica de control, considerando el caso más sencillo de un sistema lineal
de una entrada y una salida, la dinámica se puede representar como en la Fig. 2.1. En esta
…gura se representa el bloque denominado “Proceso”o “Planta”, que es el sistema que se desea
controlar. A este sistema le llegan dos señales, una etiquetada como “Entrada de control” que
será la señal que genera el controlador que se ha de diseñar y la señal etiquetada como “Entrada
incierta” que puede representar cualquier señal indeseable externa al sistema y que se conoce
también como “perturbación”o “ruido”. Finalmente la señal de “Salida”que será la señal que
se desea que se comporte de una forma determinada. La señal de salida también se conoce como
señal controlada [Walter y Vincent 1998],[Eronini 2001].
La función de transferencia, expresada como una relación de dos polinomios puede ser
2.1. INTRODUCCIÓN 11
Figura 2.1: Representación a bloques de un sistema
representada en forma general como se muestra en la Ec. (2.1).
Y (s) K0 (s + z1 )(s + z2 ) (s + zm )
= (2.1)
U (s) (s + p1 )(s + p2 ) (s + pn )
Donde z n y p n representan los ceros y polos del sistema.
La representación anterior (2.1) puede ser un poco más general si se hace uso de la teoría
de control moderna, en donde la representación matemática utiliza el concepto denominado
estado del sistema. Su representación más general se muestra en la Fig. 2.2. De la planta ahora
se observa una señal adicional denominada “Estado” x del sistema, que es la señal que nos
proporcionará información más completa de la planta. El estado de un sistema dinámico es
un conjunto mínimo de parámetros (variables de estado) que permiten representar de manera
única al sistema [Eronini 2001]:
Figura 2.2: Diagrama de un sistema dinámico
La ecuación matemática desde el punto de vista de la teoría moderna del control se puede
expresar mediante la relación de la Ec. (2.2).
dx
= g(x; u; f ) (2.2)
dt
Partiendo de cualquiera de estas representaciones matemáticas, se utiliza el concepto del
control retroalimentado que en forma de diagrama de bloques tiene la estructura mostrada en
la Fig. 2.3. Este es el esquema más común para el control automático [Walter y Vincent 1998].
Figura 2.3: Esquema de un sistema retroalimentado de control
El problema de control se restringe, una vez que ha sido seleccionado el mejor sistema
de medición y que también es representado mediante ecuaciones, al diseño del controlador
que busca determinar la relación funcional más adecuada para generar la entrada u (Entrada
de Control) de manera que el modelo del sistema, sujeto a entradas de comando (Entrada
de referencia) y posiblemente entradas inciertas, genere una respuesta del estado x(t) o una
respuesta en la señal de salida y(t) con propiedades especí…cas o comportamiento aceptable.
En algunas aplicaciones, el controlador puede generar la misma señal de comando (Entrada
de Referencia según se ilustra en la Fig. 2.3), u = r(t). La señal de comando es una señal
externa al controlador y es, como su nombre lo expresa, la señal que comandará al sistema
de control; esta función de comando r(t) debe ser conocida para propósitos de diseño. En
otras aplicaciones el controlador podrá ser una función de la señal de comando y también
del tiempo, u = u[r(t),t]. Estos dos tipos de relaciones funcionales para el controlador co-
rresponden a los sistemas denominados de lazo abierto que no se esquematizan aquí. La relación
funcional para el controlador puede ser una función de la entrada de comando y de la salida
del sistema u = u[r(t),y]; a este tipo de sistema se le conoce como control en lazo cerrado
o control retroalimentado. En este esquema, la perturbación f generalmente es desconocida e

independiente del controlador. Este tipo de sistema de control es el que se usará en este trabajo
[Eronini 2001],[Walter y Vincent 1998],[Ogata 1998].
Los esquemas de control retroalimentado se pueden clasi…car en dos. Aquellos esquemas
que retroalimentan propiamente la señal de salida, como el mostrado en la Fig. 2.3 y que
se denomina como retroalimentación de la señal de salida y es el esquema utilizado en la
teoría de control clásico. La otra forma es retroalimentar el estado, conocido el esquema como
retroalimentación de las variables de estado y cuya función se puede expresar como u=u[r(t),x].
Al usar estos esquemas de retroalimentación de las variables de estado, se pueden obtener
también dos formas diferentes de hacerlo, una denominada directa en donde las variables de
estado se retroalimentan directamente al controlador y cuyo diagrama a bloques se muestra
en la Fig. 2.4 . Es indispensable en este esquema que se retroalimenten todas las variables de
estado [Ogata 1998]:
Figura 2.4: Retroalimentación directa de estados
Para el caso en que no se pueda tener acceso a los estados del sistema y sólo se tenga un
conjunto de variables de salida, entonces se usa el esquema de la Fig. 2.5.
Para poder aplicar este esquema es necesario diseñar un elemento denominado estimador
que, alimentado por la información de la salida y la entrada disponibles del sistema, pueda
reconstruir el estado x(t) del sistema. En general un estimador requerirá como entradas tanto
la salida del sistema como la entrada de control u(t), como se aprecia en el esquema de la Fig.
2.5.
Figura 2.5: Retroalimentación de estados usando un estimador
El problema fundamental de control está asociado con la transferencia del estado del sis-
tema x(t) a un conjunto destino determinado en el espacio de estados o cerca de ese destino
(cambiar o moverse de un estado a otro). Si el conjunto destino es un conjunto constante (usual-
mente un punto …jo) en el espacio de estados, el problema de control se conoce como problema
de control de regulación. Si el conjunto destino es variante con el tiempo, especi…cado me-
diante una entrada de comando que depende del tiempo, entonces el problema se conoce como
problema de control de seguimiento [Walter y Vincent 1998].
Asociadas a estas características, aparecen otros dos conceptos fundamentales en la teoría
del control y que son abordados normalmente por la teoría de control moderna, estos conceptos
son la "controlabilidad" y la "observabilidad". El tema de controlabilidad está relacionado con
una entrada de control que se supone como existente y que llevará al estado del sistema a
un destino determinado. Un requerimiento primordial en el diseño de un sistema de control
automático es contar con sistemas controlables. El objetivo es que la salida y(t) se aproxime o
siga a la entrada de comando r(t). La tarea del controlador es llevar al sistema a la condición de
operación deseada. Si el sistema es controlable, el objetivo de diseño corresponde a hacer que el
sistema global sea estable alrededor del punto de operación. El tema de observabilidad se enfoca
en el problema de determinar el estado x(t) a partir de las mediciones y(t). Frecuentemente las
mediciones contienen solamente algunos de los estados. Se dice que un sistema es observable si
es posible inferir el estado inicial x(0), a partir de un conjunto de mediciones de la salida y(t)
sobre un intervalo …nito de tiempo [Vera 1994].

Todos estos conceptos se tratan en la teoría clásica y moderna del control, y normalmente
se realizan con formalismo matemático riguroso. Mientras más complejo es el sistema, el pro-
cedimiento se vuelve también muy complejo. También se han establecido procedimientos para
determinar las características o parámetros del controlador sin pasar por toda la herramienta
matemática, sin embargo los resultados no siempre son los mejores [Ogata 1998].
Cuando se desea obtener comportamientos realmente satisfactorios y apegados lo más
…elmente posible a las especi…caciones de diseño, entonces las técnicas de control óptimo re-
sultan ser las más convenientes, estas técnicas buscan mediante procedimientos matemáticos
de optimización, generar los mejores parámetros de control, considerando algunos criterios de
optimización. Aparece luego el concepto de control adaptivo, que de alguna manera será breve-
mente mencionado más adelante y que se puede considerar como inicio de las técnicas de control
inteligente en el caso en donde el sistema contenga múltiples entrada y salidas, aparece la teoría
de control multivariable.
Control Óptimo: Este control se basa en la de…nición de una función o funcional que
por lo general incluye el error de control y la acción de control y/o sus desviaciones, con
ponderaciones que permiten “pesar” en forma relativa cada una de ellas, y se establece un
criterio de optimización sobre dicho funcional que se ajuste a los objetivos del control. Inclusive,
pueden incluirse también las restricciones del mismo (rangos de operación de variables, de las
acciones de control y del sistema), produciendo una acción de control óptima según el criterio
establecido, sujeta a las restricciones presentes en el proceso. Este último aspecto es su principal
fortaleza frente a controladores convencionales como el PID. Control Predictivo por Modelo
(Model Predictive Control o MPC ). El sistema utiliza un modelo matemático del proceso para
predecir el comportamiento del mismo en el futuro frente a posibles acciones de control a aplicar.
Se de…ne un “horizonte de predicción”(tiempo sobre el cual se evalúan las posibles respuestas
del sistema) y un “horizonte de control” (tiempo sobre el que las acciones de control pueden
variar y después del cual se mantienen constantes). Se determina la acción de control óptima a
aplicar al sistema para lograr la respuesta deseada del sistema dentro del horizonte de predicción
previsto, tanto para la acción de control en el instante presente como en los futuros instantes
de muestreo. A pesar de de…nirse varias acciones de control (actual y futuras) solamente se

aplica la actual, ya que en el próximo intervalo de control se vuelve a repetir el cálculo. El
sistema más difundido es el que usa un modelo lineal para el sistema , tanto por la facilidad
de implantación como por la posibilidad de ajustar el modelo en distintos instantes del proceso
usando cualquiera de los métodos de identi…cación de sistemas conocidos [Wikipedia 2009].
Control Experto: Este tipo de control se basa en la recopilación de conocimiento de un
sistema, a partir de operadores del mismo que pueden considerarse como “expertos”en su área
de conocimiento. Este conocimiento se transforma en una serie de reglas del tipo “SI x 1 , x 2 ,...
x n , ENTONCES y 1 , y 2 ,... y m ,...”(“IF ..., THEN ...”), donde “x 1 , x 2 ,... x n ”representan los
antecedentes o premisas e “y 1 , y 2 ,... y m ” las consecuencias o acciones. La forma de proce-
sar estas reglas, contrastándolas con la información disponible del proceso controlado, da las
características de cada tipo de control en particular. El mejor exponente de este tipo de con-
trol, por el grado de aceptación que ha tenido a nivel industrial es el control borroso, Difuso
o por Lógica Difusa (Fuzzy Logic Control). Este es quizás el sistema de control avanzado que
ha tenido mejor aceptación entre sus exponentes, principalmente por la industria japonesa, y
se encuentran aplicaciones de estrategias de control basadas en lógica difusa en el ajuste au-
tomático del foco en cámaras fotográ…cas, resolución del sistema de frenos ABS en la industria
automotriz, lavadoras automáticas, etc. Inclusive, las principales empresas fabricantes de PLC’s
incorporan módulos de control de lógica difusa, y las plataformas SCADA o DCS también los
están incluyendo como herramientas de control. Este tipo de control se basa en la aplicación
de un álgebra difusa planteada por Lofti Zadeh, al tratar de representar el pensamiento lógico
humano. Para utilizar esta lógica, las variables controladas y observadas que provienen de los
distintos sensores presentes en el proceso, cuya información será utilizada por el sistema de
control, debe “pasarse”al mundo “difuso”a través de un procedimiento conocido como “fusi…-
cación” (fuzzi…cation), teniendo en cuenta el grado de pertenencia que tiene cada variable a
los conjuntos difusos en que se subdivide el rango de aplicación de cada variable, a través de
la de…nición de funciones de membresía asignadas a las mismas. Cuando las variables están ya
de…nidas en forma difusa, se contrasta la información del sistema con la base de conocimiento
disponible del proceso y, mediante aplicación de álgebra difusa, se determina la acción de con-
trol requerida para el sistema, pero con carácter “difuso”. Para entregar esta información al
mundo real, la acción de control debe ser “desemborronada”o “defusi…cada”(defuzzi…cation),
y entonces estará disponible para ser aplicada a los actuadores del proceso. Entre las princi-
pales ventajas de esta técnica puede destacarse la simpleza de su implantación, la extensión
directa que tiene para aplicarse tanto a sistemas SISO como MIMO y, en este último caso, sin
requerir un mismo número de entradas que de salidas. Además, como se basa en una estructura
de información similar a la del pensamiento humano, la forma de proceder tiene muy buena
aceptación por parte de los operadores del sistema [Antsaklis y Kevin 1993],[Tanaka 1997].
Control Robusto: Consiste en de…nir una estructura de control que tenga un desempeño
acorde a las especi…caciones del sistema, independientemente de las perturbaciones a las que
esté expuesto. A nivel académico, los mayores desarrollos en torno a este tema tienen relación
con el Control Óptimo H 1. Sin embargo, otro buen ejemplo que sí ha sido aplicado a nivel
industrial es el Control por Modelo Interno (“Internal Model Control o IMC ). Este sistema de
control también ha tenido buena aceptación industrial, debido a que el controlador resultante
puede asimilarse a un control PID. Tal como en MPC (Control Predictivo por Modelo), este
control incorpora un modelo matemático de la planta, pero en este caso se usa para compensar
la dinámica modelable y no modelable de planta. Aunque las acciones de control que pueden
lograrse con sistemas de control robusto son más cautelosas que las que resultan de otros
sistemas, con un buen ajuste del controlador se pueden lograr sistemas que cumplan ambas
prestaciones [Rivera 2002].
Control Neuronal: Las Redes Neuronales (Neural Networks) son estructuras matemáticas
que procuran representar la información en forma similar a como se estructura en nuestro
cerebro. El objetivo de usar redes neuronales es disponer de un sistema que se comporte como
una “caja negra”que pueda emular el comportamiento de un sistema. Para ello, se requiere de
una etapa de entrenamiento (donde se ingresa información disponible del sistema procurando
que la red “aprenda” lo que se le quiere enseñar) y una de “validación” (donde se contrasta
el aprendizaje de la red con otros datos disponibles del sistema que no se utilizan para el
entrenamiento). Cuando la red “ha aprendido”, se la puede utilizar tal como si se operara con
el sistema real. En el caso de Control Neuronal (Neural Control), se pueden generar datos que
representen condiciones del proceso y acciones de control que lleven al sistema a los valores
deseados. Incorporando esa información al aprendizaje de la red, podría lograrse que el sistema
emule tales condiciones. Este sistema requiere que el proceso de entrenamiento incluya todo
el espectro posible de situaciones a las que podría estar expuesto el sistema, ya que si se
llegase a presentar una condición que no fue considerada durante la etapa de entrenamiento, no
puede asegurarse que el sistema responda en la forma esperada. Por tanto, la parte más crítica
es la selección de datos adecuados para el entrenamiento de la red. En esta etapa se puede
considerar la combinación de otras técnicas, como es el caso de sistemas “neuro-fuzzy”, que
emplean lógica difusa para poder establecer la selección de datos a utilizar en el entrenamiento
[Yong 1996],[Nogaard y Ravn 2000].
2.2. Modelado en Espacio de Estados

El estado de un sistema dinámico es el conjunto más pequeño de variables (denominadas
variables de estado) de modo que el conocimiento de estas variables en t=t o , junto con el
conocimiento de la entrada para t t o , determina por completo el comportamiento del sistema
para cualquier tiempo t t o .
El concepto de estado no está limitado a los sistemas físicos, se puede aplicar a sistemas
biológicos, económicos, sociales y otros. Las variables de estado de un sistema dinámico son las
que forman el conjunto más pequeño de variables que determinan el estado del sistema dinámico.
Se necesitan n variables x 1 , x 2 ,. . . ,x n para describir por completo el comportamiento de un
sistema dinámico (por lo cual una vez que se proporciona la entrada para t t o y se especi…ca
el estado inicial en t=t o , el estado futuro del sistema se determina por completo). Dichas n
variables son el llamado conjunto de variables de estado [Wiberg 1971],[Rugh 1995].
Las variables de estado no necesariamente son cantidades medibles u observables física-
mente. Las variables que no representan cantidades físicas y aquellas que no son medibles ni
observables pueden seleccionarse como variables de estado. Tal libertad al elegir las variables
de estado es una ventaja de los métodos de espacio de estados. Sin embargo, en la práctica
es conveniente elegir cantidades que se midan con facilidad para las variables de estado, si es
posible, debido a que las leyes del control óptimo requerirán la realimentación de todas las
2.2. MODELADO EN ESPACIO DE ESTADOS 19
variables de estado con una ponderación conveniente [Tsong 1998].

Si se necesitan n variables de estado para describir por completo el comportamiento de
un sistema determinado, estas n variables de estado se consideran los n componentes de un
vector x. Tal vector se denomina vector de estado. Por tanto un vector de estado es aquel que
determina de manera única el estado del sistema x(t) para cualquier tiempo t t o , una vez que
se obtiene el estado en t=t o y se especi…ca la entrada u(t) para t t o .
El espacio de n dimensiones cuyos ejes de coordenadas están formados por el eje x 1 , el eje
x 2 ,. . . el eje x n se denomina espacio de estados. Cualquier estado puede representarse mediante
un punto en el espacio de estados.
En el análisis en el espacio de estados, nos concentramos en tres tipos de variables in-
volucrados en el modelado de sistemas dinámicos: variables de entrada, variables de salida y
variables de estado. No es única la representación en el espacio de estados para un sistema
determinado, excepto en que la cantidad de variables de estado es igual para cualquiera de las
diferentes representaciones en el espacio de estados del mismo sistema.
El sistema dinámico debe incorporar elementos que memoricen los valores de la entrada
para t t 1 . Dado que los integradores de un sistema de control en tiempo continuo funcionan
como dispositivos de memoria, las salidas de tales integradores se consideran las variables
que de…nen el estado interno del sistema dinámico. Por tanto, las salidas de los integradores
funcionan como variables de estado. La cantidad de variables de estado necesarias para de…nir
completamente la dinámica del sistema es igual a la cantidad de integradores que contiene el
sistema [Tsong 1998],[Wiberg 1971].
Un modelo matemático de un sistema dinámico se de…ne como un conjunto de ecuaciones
que representan la dinámica del sistema con precisión o bastante aceptables. Dicha dinámica de
muchos sistemas se describe en términos de ecuaciones diferenciales. Dichas ecuaciones diferen-
ciales se obtienen a partir de leyes físicas que gobiernan un sistema determinado, como las leyes
de Newton para sistemas mecánicos y las leyes de Kirchho¤ para sistemas eléctricos. Debemos
siempre recordar que obtener un modelo matemático razonable es la parte más importante de
todo el análisis.
Los modelos matemáticos pueden adoptar distintas formas. Dependiendo del sistema del
que se trate y de las circunstancias especí…cas, un modelo matemático puede ser más conveniente
que otros. Una vez obtenido un modelo matemático de un sistema, se usan diversos recursos
analíticos, así como computacionales, para estudiarlo y sintetizarlo [Ogata 1998].
Un sistema se denomina lineal si cumple el principio de superposición. Este principio
establece que la respuesta producida por la aplicación simultánea de dos funciones de entradas
diferentes es la suma de las dos respuestas individuales. Por tanto, para el sistema lineal, la
respuesta a varias entradas se calcula tratando una entrada a la vez y sumando los resultados.
Si en una investigación experimental de un sistema dinámico son proporcionales la causa y el
efecto, lo cual implica que se aplica el principio de superposición, el sistema se considera lineal.
Una ecuación diferencial es lineal si sus coe…cientes son constantes o es una relación que
contiene funciones de una sola variable independiente, y una o más de sus derivadas con respecto
a esa variable. Los sistemas dinámicos formados por componentes de parámetros concentrados
lineales invariantes con el tiempo se describen mediante ecuaciones diferenciales lineales inva-
riantes con el tiempo (de coe…cientes constantes). Tales sistemas se denominan sistemas lineales
invariantes con el tiempo (o lineales de coe…cientes constantes). Los sistemas que se representan
mediante ecuaciones diferenciales cuyos coe…cientes son funciones del tiempo, se denominan
sistemas lineales variantes con el tiempo.
Un sistema es no lineal si no se aplica el principio de superposición. Por tanto, para un
sistema no lineal la respuesta a dos entradas no puede calcularse tratando cada una a la vez y
sumando los resultados. Aunque muchas relaciones físicas se representan a menudo mediante
ecuaciones lineales, en la mayor parte de los casos las relaciones reales no son verdaderamente
lineales. De hecho, un estudio cuidadoso de los sistemas físicos revela que incluso los llamados
“sistemas lineales”sólo lo son en rangos de operación limitados. En la práctica, muchos sistemas
involucran relaciones no lineales entre las variables.
En general, los procedimientos para encontrar las soluciones a problemas que involucran
tales sistemas no lineales son muy complicados. Debido a la di…cultad matemática aunada a los
sistemas no lineales, resulta necesario introducir los sistemas lineales “equivalentes” en lugar
de los no lineales. Tales sistemas lineales equivalentes sólo son válidos para un rango limitado
de operación. Una vez que se aproxima un sistema no lineal mediante un modelo matemático
2.3. OBSERVABILIDAD Y CONTROLABILIDAD 21
lineal, pueden aplicarse varias herramientas lineales para análisis y diseño.

En ingeniería de control, una operación normal del sistema puede ocurrir alrededor de un
punto de equilibrio, y las señales pueden considerarse señales pequeñas alrededor del equilibrio.
Sin embargo, si el sistema opera alrededor de un punto de equilibrio y si las señales involu-
cradas son pequeñas, es posible aproximar el sistema no lineal mediante un sistema lineal.
Tal sistema es equivalente al sistema no lineal, considerado dentro de un rango de operación
limitado [Ogata 1998],[Rugh 1995].
2.3. Observabilidad y Controlabilidad
Una representación mediante variables de estados de un sistema lineal, con matrices A,

B, C y D, las matrrices A y C describen el comportamiento no-forzado del sistema (o el
comportamiento a entrada-cero), mientras que la matriz B caracteriza el efecto de la entrada
(o el control) sobre la dinámica del sistema. La matriz D representa la transmisión directa de
la entrada a la salida.
Los conceptos de controlabilidad y observabilidad fueron introducidos por Kalman en el
año 1960. Ellas afrontan respectivamente la relación que existe entre la entrada y el estado (la
controlabilidad), y entre el estado y la salida (la observabilidad) [Tsong 1998],[Ogata 1998]. La
controlabilidad de un sistema responde a la siguiente incógnita: Existe siempre una entrada
de control u(t) la cual puede transferir el sistema desde el estado inicial x 0 a cualquier otro
estado x 1 deseado en un tiempo …nito. Mientras que la observabilidad responde al siguiente
cuestionamiento: El estado inicial x 0 del que parte un sistema, puede siempre identi…carse
mediante la observación de la salida y(t) y de la entrada u(t) sobre un tiempo …nito t
Estas características del sistema pueden ser contestadas mediante las propiedades de las
matrices A, B, C y D. Ya que las matrices A y B tienen que ver con la relación entre entrada
y estado, a este par de matrices se las conoce como el par de controlabilidad. En cambio, como
las matrices A y C involucran el estado con la salida, a estas dos matrices se las conoce como
el par de observabilidad.
Considere el sistema lineal contínuo en el tiempo representado por:
x(t) = Ax(t) + Bu(t) (2.3)
y(t) = Cx(t) + Du(t) (2.4)
Donde A, B, C y D son funciones contínuas del tiempo.

Supongamos que para alguna entrada u(t), t 2 [t 0 ,t 1 ], y para el estado inicial x 0 , el estado
al tiempo t 1 es x 1 . Decimos entonces que la entrada u trans…ere el sistema desde el estado x 0
(en el tiempo t 0 ) al estado x 1 (al tiempo t 1 ). Y y(t) describe las salidas del sistema.
De…nición 1 Estado controlable
El estado inicial x 0 del sistema descrito por las Ec. (2.3) y (2.4), se dice que es controlable
sobre el intevalo [t 0 , t 1 ] donde t 1 es un tiempo …nito, si existe alguna entrada u(t) sobre [t 0 ,
t 1 ] el cual trans…ere el sistema desde el estado x 0 (al tiempo t 0 ) al origen del espacio de estado
al tiempo t 1 . De otra manera se dice que el estado x 0 es incontrolable en [t 0 , t 1 ].
En la de…nición utilizamos como estado de arrivo al origen del espacio de estado x = 0
pero esto se cumple, si y solo si, el estado …nal fuera cualquier otro estado x 1 (por tratarse de
sistemas lineales) [Bay 1999],[Doyle y Francis 1992],[Ogata 1998].
Además que en la de…nición al menos exista una u(t), pero esta u(t) no necesariamente
tiene que ser única (puede haber más de una u(t) que nos lleve el sistema desde x 0 a 0 ).
De…nición 2 Sistema completamente controlable
Si todo estado x(t 0 ) del sistema es controlable sobre [t 0 , t 1 ], el sistema se dice que es
completamente controlable en [t 0 , t 1 ].
El sistema mostrado por las Ec. (2.3) y (2.4). Donde la matriz A 2 R de dimensiones (nxn) y B 2
R de dimensiones (nxr), es completamente controlable, si y solo si, la matriz de controlabilidad
de dimensión nx(n.r)
Co = [B AB A2 B A(n 1)
B] ; es de rango n.
El concepto de observabilidad está relacionado con el siguiente problema: dado el sistema
representado por las Ec. (2.3) y (2.4), sus entradas u(t) y sus salidas y(t) sobre un intervalo
…nito de tiempo [t 0 , t 1 ], calcular el estado inicial x 0 [Tsong 1998],[Bay 1999],[Ogata 1998].
2.3. OBSERVABILIDAD Y CONTROLABILIDAD 23
De…nición 3 Estado observable
El estado inicial x 0 6= 0 del sistema descrito por las Ec. (2.3) y (2.4) se dice que es observable
sobre el intevalo [t 0 , t 1 ], si el conocimiento de la entrada u(t) y de la salida y(t) sobre [t 0 , t 1 ]
son su…cientes para determinar x 0 . De otra manera se dice que el estado x 0 es inobservlable
sobre [t 0 , t 1 ].
El sistema mostrado en las Ec. (2.3) y (2.4). Es completamente observables, si y solo si, la
matriz de observabilidad de dimensión (m.n)xn. Donde la matriz A 2 R de dimensiones (nxn)
y C 2 R de dimensiones (mxn) [Bay
2 1999],[Doyle
3 y Francis 1992],[Ogata 1998].
C
6 7
6 7
6 CA 7
6 7
6 7
O = 6 CA2 7 ; es de rango n.
6 7
6 .. 7
6 . 7
4 5
CA(n 1)
De…nición 4 Sistema completamente observable
Si todo estado x(t 0 ) del sistema es observable sobre [t 0 , t 1 ], el sistema se dice que es
completamente observable sobre [t 0 , t 1 ].
Ya que la respuesta de estado cero puede ser calculada directamente, el problema de la
observabilidad del sistema puede ser resuelto considerando que u=0.
Como ya se mencionó Kalman introdujo los conceptos de controlabilidad y observabilidad,
mismos que juegan un papel importante en el diseño de los sistemas de control en el espacio de
estados. De hecho, las condiciones de controlabilidad y observabilidad determinan la existencia
de una solución completa para un problema de diseño de un sistema de control. Tal vez no
exista una solución a este problema si el sistema considerado es no controlable. Aunque la
mayor parte de los sistemas físicos son controlables y observables, los modelos matemáticos
correspondientes tal vez no posean la propiedad de controlabilidad y observabilidad. En este
caso, es necesario conocer las condiciones bajo las cuales un sistema es controlable y observable
[Ogata 1998].
La condición de controlabilidad de estados implica que es posible, mediante entradas ad-
misibles, dirigir los estados desde cualquier valor inicial a cualquier valor …nal dentro de un
intervalo de tiempo.
La condición de observabilidad es la medida de que tan bien los estados internos de un sis-
tema pueden ser inferidos conociendo las salidas externas. La observabilidad y la controlabilidad
son matemáticamente duales.
2.4. Detección de Fallas en Sistemas Dinámicos
2.4.1. Introducción
Un proceso productivo se mide en relación al nivel de seguridad que se puede garanti-

zar en cada uno de los subprocesos que lo constituyen. La garantía de la seguridad exige de
so…sticados sistemas que deben responder oportuna y adecuadamente ante cualquier situación
del proceso productivo. En particular, si el proceso de producción presenta, eventualmente,
cualquier anomalía, se debe contar con sistemas que permitan distinguir y evaluar tal situación
y a su vez, los sistemas de control deben responder en la dirección de minimizar o rechazar los
impactos negativos que se puedan presentar, es decir, los sistemas deben ser tolerantes a los
eventos no considerados como de operación normal.
Por otro lado, en los procesos industriales, a objeto de garantizar la producción, se debe
veri…car el funcionamiento de los componentes, de los sensores y actuadores. La regularidad de
esas inspecciones es guiada, por lo general, por la experiencia, lo cual se traduce en el man-
tenimiento preventivo. Una alternativa a ese método consiste en seguir, permanentemente, el
estado del proceso productivo a …n de detectar, automáticamente, todo cambio signi…cativo del
funcionamiento de un componente. La información que así se deriva puede ser utilizada para
plani…car las labores del equipo de mantenimiento. Este segundo método, denominado mante-
nimiento centrado en con…abilidad, permite evitar los costos suplementarios debido a las opera-
ciones de mantenimiento inútiles o repetitivos [Joel 1997],[Moubray 2001],[Nieuwenhuis 1990].
Para implantar este tipo de mantenimiento es necesario disponer de metodologías que per-
mitan detectar y de localizar los disfuncionamientos incipientes. Tales metodologías explotan
el hecho de que, en funcionamiento seguro, las mediciones deben veri…car ciertas relaciones
construidas sobre la base de un modelo del proceso productivo. En ese caso se habla de rela-
2.4. DETECCIÓN DE FALLAS EN SISTEMAS DINÁMICOS 25
ciones de redundancia analítica. Dichas relaciones cesan de ser veri…cadas luego de la aparición
de un disfuncionamiento. El empleo simultáneo de varias relaciones de redundancia, juiciosa-
mente construidas, permite entonces localizar el origen del comportamiento anómalo. Así, la
automatización de las operaciones de mantenimiento relativa a la con…abilidad, está ligada a los
sistemas de supervisión, monitoreo y diagnóstico [Gertler 1998],[August 2000],[Sohlberg 1998].
Dado que la con…abilidad está relacionada con el concepto de seguridad, entonces es fun-
damental dotar a los procesos industriales de exigentes sistemas de seguridad, en los cuales
los elementos de base son los sub-sistemas de detección y localización de fallas. Los cuales se
distinguen porque, a partir de los sensores, indicadores y de las variables medidas, permiten
una supervisión continua y constante del comportamiento evolutivo de la producción. Así, los
sistemas de monitoreo, detección y localización de fallas, se fundamentan en su capacidad para
responder ante situaciones inesperadas del comportamiento del proceso, de manera que su prin-
cipal tarea es la del diagnóstico de fallas . Un sistema de diagnóstico como se muestra en la
Fig. 2.6 utiliza las mediciones del proceso a objeto de producir unos residuos, a partir de los
cuales, mediante funciones de evaluación y lógicas de decisión, se busca la identi…cación y la
separación de las fallas. En el marco de estas ideas, cualquier sistema que permita, a partir de
las variables medidas de los procesos, generar los residuos y de evaluarlos en forma objetiva, en
relación a las tomas de decisiones orientadas en el reconocimiento de fallas, se denomina “Filtro
de Diagnóstico de Fallas”.
2.4.2. Clasi…cación de los métodos de generación de residuos
Desde el punto de vista de la generación de residuos por comparación, las técnicas de diseño
se pueden clasi…car como se muestra en Fig. 2.7:
1. Métodos de Redundancia Física; en los cuales se hace uso de las réplicas físicas de
los dispositivos y sistemas bajo estudio. En la comparación de las respuestas de los distintos
elementos se generan los residuos. Estas técnicas tienen el inconveniente principal de los costos
involucrados para su implementación y seguimiento.
2. Métodos Basados en Modelos; a partir de los cuales se producen valores estimados de
las salidas de los procesos para la generación de los residuos, mediante su comparación con las
Figura 2.6: Sistema de diagnóstico
salidas medidas. El principal inconveniente de estas técnicas es el de construir o disponer de

modelos muy precisos.
En este caso, los métodos de síntesis de …ltros se pueden dividir en dos categorías:
1. Métodos de Redundancia Analítica; en los cuales se utilizan modelos matemáticos
analíticos de los sistemas.
2. Métodos Basados en el Conocimiento; en los cuales se emplean modelos cualitativos
de los sistemas, asociados con razonamiento heurísticos.
En algunos casos es posible combinar, adecuadamente, ambas metodologías. En referencia a
los métodos analíticos, los sistemas dinámicos se pueden describir por modelos que entran dentro
de dos categorías: los modelos representativos y los modelos de diagnóstico. Los modelos repre-
sentativos permiten describir el comportamiento dinámico de los sistemas en términos de una
estructura estandarizada que, de manera satisfactoria, se aproxima al comportamiento entrada-
salida o al comportamiento de estado de los sistemas [Frank 1992],[Iserman y Ballé 1997].
Por el contrario, los modelos de diagnóstico permiten describir el comportamiento dinámico
a través de una réplica de la estructura o arquitectura física de los sistemas.
Allí, las unidades funcionales básicas, o de interés, se modelan en forma explícita: modelos
Figura 2.7: Clasi…cación de métodos de generación de residuos
de sensores, de actuadores, etc. Si bien con estos modelos se obtiene un mayor conocimiento
del desempeño global de los sistemas, tiene el inconveniente de que el número de ecuaciones
algebraicas se incrementan, en comparación con los modelos representativos.
A los …nes de diseñar los …ltros de Detección de Fallas, los modelos de diagnóstico son los
más útiles, mientras que para propósitos de control, lo son los modelos representativos.
En este orden de ideas, en las técnicas analíticas, toda la información proveniente de
los dispositivos de medición del proceso, del cual se dispone de un modelo matemático de
diagnóstico, es procesada para generar los residuos a través de:
1. La sustitución directa en las ecuaciones del modelo.
2. La utilización del modelo en forma paralela con el proceso real, de manera que en
ambos se aplican las mismas entradas.
3. La utilización de un observador de estados. Esta es una extensión del método del
modelo paralelo. La idea es la generación de residuos con propiedades direccionales precisas,
mediante una selección adecuada de la ganancia del observador.
4. El empleo de modelos inversos a partir de los cuales es posible reconstruir los modos
de las fallas.
En virtud de que la evaluación del desempeño del sistema dinámico se obtiene a partir del
monitoreo de sus variables, se pueden establecer los siguientes conceptos:
De…nición 5 Un proceso, se dice que está en un estado de operación normal si sus variables
de estados medidas (observadas) están en la vecindad de una referencia de…nida a priori.
La situación de anomalía se determina por un valor de las salidas en las variables pre-
determinadas que indican que el punto de operación está fuera de la vecindad de la referencia
pre-de…nida o que cierto criterio de funcionamiento está siendo violado.
De…nición 6 Las fallas son funcionamientos anómalos que perturban la operación normal del
sistema, causando una declinación inaceptable del desempeño integral de dicho sistema.
Como cualquier tipo de mal funcionamiento puede presentarse en cada uno de los subsis-
temas o unidades funcionales, la concepción de los …ltros de diagnóstico se basan en los tipos
de modelos del sistema y en las descripciones de las fallas. En el caso de los sistemas lineales
que estamos estudiando, las fallas se pueden describir en relación al modelo adoptado.
Así, las fallas en los actuadores se pueden modelar como entradas aditivas en la dinámica
del proceso [Tsong 1998],[Jones 1973],[Gertler 1998], (Ver la Fig. 2.8 ), esto es,
x(t) = Ax(t) + Bu(t) + Bf fa (2.5)
y(t) = Cx(t) (2.6)
Figura 2.8: Representación de fallas en actuadores
Las fallas en los sensores se pueden representar como una función vectorial en el espacio
de las salidas [Frank 1992],[Gertler 1998], (Ver la Fig. 2.9), es decir,
x(t) = Ax(t) + Bu(t) (2.7)
y(t) = Cx(t) + Cf fs (2.8)
Figura 2.9: Representación de fallas en sensores
En el caso de fallas en el proceso, estructuralmente, en el modelo adoptado, la matriz A

rige el comportamiento dinámico del sistema, entonces, cualquier funcionamiento anormal del
mismo se pueden representar por cambios en esa matriz dinámica. De esta manera, podemos
adoptar un modelo de fallas en el proceso mediante la incorporación de una matriz dinámica
adicional [ Tylee 1986],[Gertler 1998], (Ver la Fig. 2.10), esto es,
x(t) = Ax(t) + Af x(t) + Bu(t) (2.9)
y(t) = Cx(t) (2.10)
Si consideramos que Af x = Af f p , entonces, para los modelos de fallas adoptados, f a ,

f s y f p (Fallas en actuadores, sensores y procesos respectivamente )son funciones temporales
vectoriales que se presentan en un determinado tiempo t t 0 , t 0 > 0. Es decir, f a ; f s ; f p =
0 si t < t 0 y f a ; f s ; f p 6= 0 si t t 0 . En ese mismo orden, B f , C f , Af son matrices de
dimensiones apropiadas e indican las direcciones de las fallas.
Figura 2.10: Representación de fallas en procesos
2.5. Robustez
2.5.1. Introducción
Dentro de ese marco de las técnicas analíticas, los métodos basados en observadores, in…eren
de la disponibilidad de un modelo exacto del proceso dinámico. Esta exigencia es imposible de
satisfacer porque los procesos reales son, en su gran mayoría: altamente complejos, no-lineales,
variantes en el tiempo, de parámetros inciertos, sometidos a perturbaciones externas y ruidos,
etc. De modo que en la práctica sólo se dispondrá de un modelo referencial, que recoge en buena
medida, las características más signi…cativas del comportamiento dinámico del proceso, a partir
del cual se deben incorporar, de alguna forma, las dinámicas no modeladas, las inexactitudes,
las incertidumbres, las perturbaciones y ruido. Por ello, debemos prescindir de la existencia
de un modelo perfecto y operar en base a modelos con incertidumbres y con perturbaciones
externas, que, de esa forma, recopilan las diferencias entre el comportamiento verdadero y el
modelo referencial [Chen y Patton 1999],[Duan y Patton 1997],[Frank y Koppen 1993].
La presencia de incertidumbres y de perturbaciones producen serias di…cultades para el
diseño de …ltros (Observadores), ya que no se cuenta, como lo impone la práctica, de una
sensibilidad ilimitada para la detección de anomalías funcionales. Eso signi…ca que, como con-
secuencia de las incertidumbres y perturbaciones, los valores estimados a través del modelo,
no corresponden exactamente con los valores medidos del proceso, y por lo tanto los residuos
serán distintos de cero aún en ausencia de fallas. Esas di…cultades, valen decir, la producción
2.5. ROBUSTEZ 31
de residuos parásitos, se pueden manifestar en la generación de falsas alarmas durante la super-

visión y monitoreo del proceso, lo cual trae como consecuencia la degradación del desempeño
del sistema. Las falsas alarmas en un sistema corresponden a la activación de los dispositivos
de contingencia asociados a funcionamientos anormales del proceso, y que, eventualmente,
pudiesen dejar fuera de funcionamiento las unidades de producción. De alguna manera, por el
impacto que pudiese tener en la productividad, hay que evitar la generación de falsas alarmas
mediante mecanismos de robustez aplicados en el diseño e implementación de los observadores.
Varias técnicas de detección robusta han sido desarrolladas, dependiendo del tipo de incer-
tidumbre. Por ejemplo, el …ltro de detección clásico, es robusto a incertidumbres en el modo de
la falla pero requiere de un perfecto conocimiento de la dinámica referente a la planta y de las
características del ruido. Mientras que la técnica de relación de máxima verosimilitud, demanda
un conocimiento preciso del modo de la falla, la estadísticas del ruido y de la dinámica de la
planta [Willsky 1986].
En cuanto a robustez ante incertidumbres del modelo, se debe estimar una margen con
respecto al efecto de las incertidumbres en los residuos, dicho margen se utiliza para seleccionar
un nivel de umbral adecuadamente [Chen y Patton 1996]. Desde el punto de vista de generación
de residuos, las fallas son detectables si sus características espectrales son distinguibles de las
correspondientes a las incertidumbres. Esto es equivalente a que las fallas entren al sistema en
direcciones diferentes del espacio de estado con respecto a las direcciones de las incertidumbres.
Las fallas que tienen características frecuenciales o pertenecen al mismo sub espacio del espacio
de estado en relación a las incertidumbres, no pueden ser detectables siempre.
En muchos procesos industriales, desafortunadamente, los efectos de las fallas y las incer-
tidumbres del modelo no se pueden separar uno del otro. En estos casos se busca ampliar la
capacidad o el desempeño de la detección al hacer que los residuos sean menos sensibles a las
incertidumbres con respecto a una dirección de falla en particular mediante el uso de técnicas
de estimación de estado óptimos [Chen y Patton 1995]. Fundamentalmente, estos son métodos
de estimación robusta en H con el objetivo primordial de la supresión de la perturbación
efectiva, manteniendo una sensibilidad adecuada con respecto a las fallas.
2.5.2. Generación Robusta de Residuos
La primera fase en un proceso de detección de fallas es la generación de residuos, los cuales,

posteriormente, se utilizan, mediante mecanismos de evaluación, para las toma de decisiones
orientadas a minimizar los efectos de esos comportamientos anormales en el desempeño integral
del sistema.
El punto de vista de robustez, signi…ca que la producción de los residuos debe considerar
todas aquellas diferencias entre el modelo de diagnóstico y el proceso real. Por lo tanto, se debe
contar con una descripción real de las incertidumbres y de las perturbaciones que están presentes
en el sistema a supervisar. Dado que estas divergencias son proclives a la generación de residuos
en ausencia de una falla verdadera, también se debe considerar, en el marco de las decisiones
lógicas, un nivel de aseguramiento de la presencia de una falla, es decir, bajo la presencia de
incertidumbres y de perturbaciones externas, a partir de los residuos debe existir un nivel de
disparo (umbral) que garantice la presencia de una falla ya sea en sensores, actuadores o en
un proceso . Eso signi…ca que a partir de los residuos, debemos disponer de un mecanismo o
generador de función de decisión que nos permita distinguir, a partir de un umbral, cuando
está presente un comportamiento anormal.
Una evaluación simple, los modelos de incertidumbres y las perturbaciones externas en
el modelo, al igual que las descripción para las fallas, representan entradas adicionales en
la dinámica del proceso; en este caso, entradas desconocidas. El problema, entonces, es la
generación de residuos orientados al detección bajo la presencia de entradas desconocidas en
los modelos del proceso, sensores y actuadores. Los residuos son, posteriormente, procesados
mediante una función de decisión, la cual permite garantizar la presencia de una falla y evitar,
en lo posible, falsas alarmas. Finalmente, los residuos son evaluados por un bloque de decisión
lógica a los …nes de distinguir el origen de la falla, (Ver Fig. 2.11).
Lo signi…cante del problema de deteción de fallas robusta es que:
1. Para la detección, el efecto de una falla debe ser distinguible del efecto de las
entradas desconocidas. Esta capacidad de indicar que una falla ha ocurrido en presencia de las
entradas desconocidas la denominaremos como detectabilidad robusta.
2. Para la separación, el efecto de una falla debe ser distinguible del efecto de las
2.6. OBSERVADOR LUENBERGER 33
Figura 2.11: Esquema para la detección robusta de fallas
entradas desconocidas y del efecto de las otras fallas. Esta capacidad de separación robusta
está vinculada a dos aspectos importantes:
a) La cantidad de fallas que se pueden identi…car.
b) La cantidad de falsas alarmas que se pueden tolerar con una identi…cación o
separación incorrecta.
Si hemos establecido que la presencia de una falla se distingue por comparación de los
residuos con un nivel umbral, un primer objetivo del diseño de un …ltro de detección, bajo
la presencia de incertidumbres y de perturbaciones externas, es la de reducir el efecto, en los
residuos de las entradas externas sin, al mismo tiempo, degradar el efecto de las fallas.
2.6. Observador Luenberger

Sea el sistema (2.3) y (2.4) modelado en variables de estado que aquí se reescribe:
x(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)

Donde x(t) 2 Rn el par (u(t),y(t)) es escalar y las matrices (A,B,C ) son perfectamente
conocidas.
Entonces un estimador de estados está compuesto por una reproducción del sistema y un
término adicional de corrección. La arquitectura del observador es:
(t) = A (t) + Bu(t) + L(y(t) C (t)) (2.11)
y^(t) = C (t) (2.12)
Donde (t) 2 Rn es el estado estimado, L es la ganancia de Luenberger y y^(t) 2

Rn representa a las salidas estimadas del sistema. Entonces el observador reproduce la en-
trada y la salida del sistema y además corrige la ecuación dinámica con un término que
es proporcional al error entre la salida del sistema real (y(t)) y la salida estimada (C (t))
[Ogata 1998],[Anzurez 2007].
De…niendo el error entre los estados reales del sistema y los estimados como:
e(t) = x(t) (t) (2.13)
Entonces, la dinámica del error (e(t)) será:
e(t) = x(t) (t) (2.14)
Sustituyendo la Ec (2.3) y (2.11) en la dinámica del error e(t) (2.14):
e(t) = (Ax(t) + Bu(t)) (A (t) + Bu(t) + L(Cx(t) C (t))) (2.15)
Ahora desarrollando y simpli…cando la ec.(2.15) tenemos:
e(t) = Ax(t) + Bu(t) A (t) Bu(t) L(Cx(t) C (t))
e(t) = A[x(t) (t)] LC[x(t) (t)] (2.16)
Por último sustituimos la ec. de error (2.13) en la ec. (2.16) y agrupando obtenemos:
2.6. OBSERVADOR LUENBERGER 35
e(t) = (A LC)e(t) (2.17)
Entonces, (t) ! x(t) si los valores propios de la matriz A-LC son todos estables , y están en
el semiplano izquierdo. Ello porque la solución de la ecuación e(t) = (A LC)e(t) es:
e(t) = e(A LC)t

e0 (2.18)
e(t) = e(A LC)t

(x0 0) (2.19)
De modo que, si los valores propios de A-LC tienen todos partes reales negativas, el error
(e(t)) tiende a cero sin importar su condición inicial. Lo que quiere decir que, el observador
de Luenberger, bajo la suposición de conocimiento perfecto del sistema, a medida que pasa el
tiempo, mejora asintóticamente la estimación de los estados.
Remarcamos que, tal como estructurado el observador propuesto, el problema de diseño
de un estimador de estados se reduce a la determinación de una ganancia del observador L tal
que los valores propios de la matriz A-LC estén todos en el semiplano izquierdo, en ese sentido,
el problema de diseño de un observador es equivalente a aquel de localización de polos por
realimentación de estados y, por ejemplo, podemos usar los mismos comandos de MATLAB, a
saber, place o acker, para calcular L.
Para la ubicación de los polos del observador sólo debemos tomar en cuenta que éstos deben
estar más a la izquierda en el semiplano complejo que los polos del sistema con realimentación
de estados, esto es, que la dinámica del observador debe ser más rápida que la del sistema a
observar si se desea tener una estimación adecuada de los estados [Ogata 1998],[Wiberg 1971].
Capítulo 3
Diseño de Observadores de Orden

Completo y Orden Reducido
3.1. Introducción
Los observadores de estado, permiten estimar las variables o estados de un sistema en
base a mediciones de las señales de salida y señales de control. Estos observadores permiten
enviar información estimada acerca del valor que toman dichos estados, permitiendo conocer
un aproximado del valor real, además cuentan con muy poco margen de diferencia o error.
Figura 3.1: Observador de orden reducido (diagrama de bloques)
Existen 2 tipos de observadores: observadores de orden completo, y observadores de orden
37
38CAPÍTULO 3. DISEÑO DE OBSERVADORES DE ORDEN COMPLETO Y ORDEN REDUCIDO
reducido u orden mínimo. Los observadores de orden reducido, son aquellos utilizados para
observar o estimar solo algunos estados de un sistema como se ilustra en la Fig. 3.1. Los
observadores de orden completo, son aquellos utilizados para observar o estimar todos los estados
de un sistema como se muestra en la Fig. 3.2.
3.2. Observador de orden Competo
Figura 3.2: Observador de orden completo (diagrama de bloques)
Dado el sistema:
x(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
Donde:
x(t) 2 Rn :Vector de estado (nx1 )
u(t) 2 Rm :Señal de control (escalar)
y(t) 2 Rp : Señal de salida (escalar)
A: Matriz (nxn)
3.2. OBSERVADOR DE ORDEN COMPETO 39
B: Matriz (nx1 )
C : Matriz (1 xn)
D: Matriz (nx1 )
Se pueden estimar sus estados mediante el sistema representado por las Ec. (2.11) y (2.12):
(t) = A (t) + Bu(t) + L(y(t) y^(t))
y^(t) = C (t)
Donde:
L: Vector de ganancias que permiten la observación de estados (1 xn)
(t) 2 Rz : Vector de estados estimados
y(t) 2 Rp : Salida estimada
Las matrices A, B y C son las mismas tanto para un sistema real como para el sistema
estimado. Para los cálculos siguientes se asume que el valor de D es cero.
La diferencia existente entre x(t) y (t) se denomina error de observación, y el término
L[ y(t)- ŷ(t)] se denomina factor de corrección. Siendo la dinámica del error como se indica en
la Ec. (2.17)
e(t) = (A LC)e(t)
A partir de esta expresión se puede conocer el comportamiento dinámico y la estabilidad

del sistema, si la matriz jA-LCj es estable, entonces dada cualquier condición inicial, el sistema
tenderá a un error cero.
La elección de correctos valores para las ganancias L del observador, permitirá que el
comportamiento dinámico del vector de error sea asintóticamente estable y lo su…cientemente
rápido para tender a un valor de cero.
La estabilidad asintótica y la velocidad de respuesta de la dinámica del error se determina
mediante los valores propios de la matriz jA-LCj, dados por el polinomio característico jsI-
A+LCj.
Ejemplo 1 Determinar la ecuación característica del sistema siguiente, si se le agrega
un observador de estados L.
2 3 2 3
0 2 0
x = 4 5x + 4 5u
1 4 1
h i
y = 0 1 x
Solución.
Si el sistema es de orden 2, es de suponer que el observador también será de orden 2, y lo
podemos de…nir como
2 3
L1
L=4 5
L2
Luego el polinomio característico estará dado por:
2 3 2 3 2 3
1 0 0 2 L1 h i
[sI A + LC] = s 4 5 4 5+4 5 0 1
0 1 1 4 L2
2 3 2 3 2 3
s 0 0 2 0 L1
[sI A + LC] = 4 5 4 5+4 5
0 s 1 4 0 L2
2 3
s 2 + L1
[sI A + LC] = 4 5
1 s + 4 + L2
[sI A + LC] = s(s + 4 + L2 ) + (2 + L1 )
[sI A + LC] = s2 + (4 + L2 )s + (2 + L1 )
3.2.1. Método de Diseño Abreviado
Analizando la respuesta del ejemplo anterior nos podemos dar cuenta que los valores que
toman L1 y L2 están condicionadas por las raíces del polinomio, las cuales a su vez están
condicionadas por las características con que queremos que cuente el sistema, por tanto se
puede elegir raíces de tal modo de poder controlar la respuesta del sistema en lazo cerrado.
Por lo tanto podemos asumir valores para dichas raíces, a los que llamaremos 1 y 2
de modo tal que el polinomio tenga una respuesta estable. Luego por simple equivalencia de
términos podemos hallar el valor de las incógnitas.
Ejemplo 2 Dado el polinomio característico del ejemplo anterior: s 2 + (4 + L2 )s + (2 +
L1 ), encontrar el valor de L1 y L2 si se quiere que los polos deseados del sistema se ubiquen en
-4 y -3.
Solución.
Las raíces del polinomio son 1 = -4 y 2 = -3
(s- 1 )(s- 2 ) = (s+4)(s+3) = s 2 + 7s + 12
Luego por equivalencia jsI A + LCj = s 2 + 7s + 12
Es decir, s 2 + (4 + L2 )s + (2 + L1 ) = s 2 + 7s + 12
Donde:
s2 = s2
(4 + L2 )s = 7s
(2 + L1 ) = 12
Podemos generalizar la metodología seguida anteriormente, de la siguiente manera:

Si tenemos que [ 1 , 2, 3 ,. . . n] son los valores deseados para la matriz del observador
jA-LCj, estos conforman el polinomio característico:
(s- 1 )(s- 2 )(s- 3 )(s- 4 )...(s- n)
Este polinomio se iguala al polinomio característico original jsI-A+LCj, creándose una

equivalencia entre términos:
[sI A + LC] =(s- 1 )(s- 2 )(s- 3 )(s- 4 )...(s- n)
Resolviendo la equivalencia se podrá encontrar el valor del vector L.

Este método está restringido a sistemas de hasta 3er orden, además el sistema debe estar
en la forma canónica observable. Es aconsejable que los polos del observador sean de 3 a 5 veces
mayores (más negativos) que los polos del controlador por realimentación de estados, pero sin
salirse de la región de estabilidad dada por el lugar geométrico de las raíces. La elección de
los polos deseados van a determinar las características de la respuesta obtenida, por lo que
puede existir un conjunto in…nito de vectores L como solución, de las cuales sólo un limitado
número de soluciones cumplen con las necesidades requeridas para el sistema (como por ejemplo:
sobreimpulso, velocidad de respuesta, etc. del sistema estimado), por lo que se aconseja probar,
mediante simulación, la respuesta del sistema a diferentes valores de polos escogidos.
3.2.2. Método de Diseño por la Formulación de Ackerman.
La fórmula de Ackerman aplicada al diseño de observadores de estado, está dada por:
2 3 1 2 3
C 0
6 7 6 7
6 7 6 7
6 CA 7 6 0 7
6 7 6 7
6 7 6 7
L = (A) 6 CA2 7 6 0 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
4 5 4 5
CA(n 1)
1
En donde (A) es equivalente a (s) , que es el polinomio característico deseado, valuado en

A.
Ejemplo 3 Para el siguiente sistema, determinar el vector de observadores de estados L,
si se quiere que los polos deseados se ubiquen en -3+j y -3-j
2 3 2 3
0 1 0
x = 4 5x + 4 5u
1 2 1
h i
y = 0 1 x
Solución.
sí (s) =(s- 1 )(s- 2 )=(s + 3-j)(s + 3+j)= s 2 + 6s + 10
Por lo tanto (A) = A2 + 6A + 10I

2 3 1 2 3
0 1 0
L=(A2 + 6A + 10I)4 5 4 5
1 2 1
2 3 1 2 3
0 1 0
L = (A2 + 6A + 10I ) 4 5 4 5
1 2 1
02 3 2 3 2 31 02 32 31
1 2 0 6 10 0 2 1 0
L = @4 5+4 5+4 5A @4 54 5A
2 3 6 12 0 10 1 0 1
2 32 3
9 4 1
L = 4 54 5
4 1 0
2 3
9
L = 4 5
4
3.2.3. Método de Diseño Completo
1 ) Determinar la controlabilidad del sistema y la observabilidad

Controlabilidad: Co = [B AB A2 B A(n 1) B]
2 3
C
6 7
6 7
6 CA 7
6 7
6 7
Observabilidad: O = 6 CA 2 7
6 7
6 .. 7
6 . 7
4 5
(n 1)
CA
2 ) Calcular el polinomio característico original jsI-Aj, el cual será:
jsI Aj = sn + a1 sn 1
+ a2 s n 2
+ ::: + an 1 s + an = 0
3 ) Es conveniente trabajar con las ecuaciones de estado en su forma canónica observable,

si no se encuentra en esta forma, se debe determinar una matriz de transformación para llevarla
a esta forma, la cual se de…ne como:
1
Q = (W O)
En donde O es la matriz de observabilidad, y W se de…ne como:

2 3
an 1 an 2 a1 1
6 7
6 7
6 an 2 an 3 1 0 7
6 7
6 .. .. .. .. ..7
W =6 . . . . .7
6 7
6 7
6 a1 1 0 0 7
4 5
1 0 0 0
En donde a 1 , a 2 , a n 2 , a n 3 , son los coe…cientes del polinomio característico original
jsI-Aj.
4 ) Se determina el polinomio característico deseado a partir de (s - 1) (s - 2) (s - 3). . .
(s - n), donde i es un polo deseado, obteniéndose:
sn + b 1 sn 1
+ b 2 sn 2
+ ::: + bn 1 s + bn
5 ) Finalmente el vector L se encuentra a partir de la siguiente expresión:
2 3
bn an
6 7
6 7
6 bn 1 an 1 7
6 7
6 7
L = Q 6 bn 2 an 2 7
6 7
6 .. 7
6 . 7
4 5
b1 a1

si se quiere que los polos deseados se ubiquen en -5, -2+j y -2-j
2 3 2 3
0 1 0 0
6 7 6 7
6 7 6 7
x = 6 0 0 1 7x + 6 0 7u
4 5 4 5
2 1 2 1
h i
y = 1 0 0 x
Solución.
1) Controlablidad
2 3
0 0 1
6 7
6 7
Co = 6 0 1 2 7
4 5
1 2 3
Para el cual el rango y el determinante de la matriz de controlabilidad es:
rank(C o ) = 3;
Det(C o ) = -1;
Y por lo tanto:
)El Sistema es controlable
Observabilidad
2 3
1 0 0
6 7
6 7
O= 6 0 1 0 7
4 5
0 0 1
Para el cual el rango y el determinante de la matriz de observabilidad es:
rank(O) = 3;
Det(O) = 1;
Y por lo tanto:
)El Sistema es observable
2)
2 3 2 3
s 0 0 0 1 0
6 7 6 7
6 7 6 7
jsI Aj = 6 0 s 0 7 6 0 0 1 7
4 5 4 5
0 0 s 2 1 2
2 3
s 1 0
6 7
6 7
jsI Aj = 6 0 s 1 7
4 5
2 1 s+2
jsI Aj = s(s2 + 2s + 1) + 2
jsI Aj = s3 + 2s2 + s + 2
1
3) Q=(W*O)
2 3 2 3
a a1 1 1 2 1
6 2 7 6 7
6 7 6 7
W = 6 a1 1 0 7=6 2 1 0 7
4 5 4 5
1 0 0 1 0 0
2 3 2 3 2 3
1 2 1 1 0 0 1 2 1
6 7 6 7 6 7
6 7 6 7 6 7
W O = 6 2 1 0 7 6 0 1 0 7=6 2 1 0 7
4 5 4 5 4 5
1 0 0 0 0 1 1 0 0
2 3
0 0 1
6 7
6 7
Q = 6 0 1 2 7
4 5
1 2 3
4)
(s 1 )(s 2 )(s 3) = (s + 5)(s + 2 + j)(s + 2 j)
= (s + 5)(s2 + 4s + 5)
= s3 + 9s2 + 25s + 5
= s3 + b 1 s2 + b 2 s + b 3
5)
2 3
b a3
6 3 7
6 7
L = Q 6 b 2 a2 7
4 5
b 1 a1
2 32 3
0 0 1 23
6 76 7
6 76 7
= 6 0 1 2 7 6 24 7
4 54 5
1 2 3 7
2 3 2 3
L 7
6 1 7 6 7
6 7 6 7
= 6 L2 7 = 6 10 7
4 5 4 5
L3 4
3.2.4. Diseño Mediante el Software MATLAB
Se puede hacer uso del software Matlab, para lo cual se emplea el comando acker o el
comando place.
Dado el sistema mostrado en las ec. (2.3) y (2.4):
Y un vector de polos deseados:
P = 1; 2; 3 ; :::; n
Se puede obtener un observador de estados utilizando:
L = place(A0 ; C 0 ; P )0
ó también
L = ac ker(A0 ; C 0 ; P )0

si se quiere que los polos deseados se ubiquen en -5, -2+j y -2-j
2 3 2 3
0 1 0 0
6 7 6 7
6 7 6 7
x = 6 0 0 1 7 x + 6 0 7u
4 5 4 5
2 1 2 1
h i
y = 2 0 0 x
Solución:
>>A=[0 1 0; 0 0 1;-2 -2 -1];

>>B=[0;0;1];
>>C=[2 0 0];
>>L=acker(A’,C’,P)’
L=
7
10
-4
3.3. Observador de Orden Reducido
En la práctica no todas las variables necesitan ser observadas, habrá algunas que se podrán
medir directamente y con buena precisión, por tanto no será necesario un observador que estime
todos los estados, sino más bien sólo algunos de ellos como se ilustró en la Fig. 3.1.
Si se cuenta con un vector de estados x de dimensión (nx1 ) del cual m estados pueden ser
medibles, se tendrá que el orden del observador será (n-mx1 ).
El vector x puede ser dividido en 2 vectores:
x a que corresponde a los estados medidos, de orden (mx1 )
x b que corresponde a los estados observados, de orden (n-mx1 )
2 3
x1
6 7
6 7
6 x2 7
6 7
6 .. 7
6 . 7
6 7
6 7
6 xm 7
x=6
6
7
7
6 xm+1 7
6 7
6 7
6 xm+2 7
6 7
6 .. 7
6 . 7
4 5
xn
x1 ::: xm ) Estados Conocidos o Medibles

x m+1 ::: xn ) Estados no Conocidos que requieren ser observados
Obteniéndose un nuevo sistema:
3.3. OBSERVADOR DE ORDEN REDUCIDO 49
2 3 2 32 3 2 3
x(t)a Aaa Aab xa Ba
4 5 = 4 54 5+4 5 u(t) (3.1)
x(t)b Aba Abb xb Bb
2 3
h i xa
y(t) = Ca Cb 4 5 (3.2)
xb
El sistema queda reducido de la siguiente manera:
x(t)a = Aaa x(t)a + Aab x(t)b + Ba u(t) (3.3)
x(t)b = Aba x(t)a + Abb x(t)b + Bb u(t) (3.4)
3.3.1. Diseño de Observadores de Orden Reducido
En el diseño de observadores de orden completo, el sistema queda descrito en el sistema

(2.3) y (2.4):
En cambio para el diseño de observadores de orden reducido el sistema es descrito por (3.1)
y (3.2):
De estos 2 sistemas se pueden establecer una serie de equivalencias:
ORDEN COMPLETO ORDEN REDUCIDO
x(t) x(t)b
A Abb
B u(t) [Aba x(t)a + Bb u(t)]
()
y(t) x(t)a Aaa x(t)a Ba u(t)
y^(t) Aab x(t)b
C Aab
Cabe mencionar que se busca encontrar un vector de observadores L, de orden (n-m x 1 )
En el diseño de observadores de orden completo se obtuvo la siguiente ec. (2.11) y (2.12)
para determinr los valores de los estados estimados:
(t) = A (t) + Bu(t) + L(y(t) y^(t))
y^(t) = C (t)
La cual puede llevarse a su correspondiente equivalencia para el caso de observadores de

orden reducido, obteniéndose la siguiente expresión:
(t)b = Abb (t)b + [Aba (t)a + Bb u(t)] + L[ (t)a Aaa (t)a Ba u(t) Aab (t)b ]
Agrupando términos los estados estimados del sistema son:
(t)b = [Abb LAab ] (t)b + [Aba (t)a + Bb u(t)] + L[ (t)a Aaa (t)a Ba u(t)]
y^(t) = Aab (t)b
y la ecuación del error es:
e(t)b = x(t)b (t)b (3.5)
Entonces la dinámica del error:
e(t)b = x(t)b (t)b (3.6)
Y análogamente al diseño del observador de orden completo en la ec (2.17) obtenemos:
e(t)
_ b = (Abb L Aab)e(t)b (3.7)
La ecuación caracteristica para el observador es la siguiente:
jsI Abb + LAabj = si + a1 si 1

+ a2 s i 2
+ ::: + ai 1 s + ai = 0 (3.8)
Donde i equivale al orden de L, es decir (n-m)
3.3.2. Metodología de Diseño
Se pueden aplicar los mismos métodos usados para hallar los observadores de orden com-
pleto, pero tenemos que hacer una variación la cual consiste en reemplazar los índices: en vez
de considerar el índice n , se debe considerar el índice i . Por ejemplo si un sistema es de orden
4 y tiene un estado medible, entonces m=1, y por tanto el sistema observado será de orden 3
(n - m = 4 - 1 = 3 = i).
El otro cambio que hay que hacer es realizar una equivalencia entre las matrices, dada de
la siguiente manera:
Aaa ) D
Aab ) C
Aba ) B
Abb ) A
Lo que resta por hacer, es aplicar la misma metodología que para los observadores de orden
completo, considerando el nuevo orden del sistema (i) y las nuevas matrices del sistema (Abb ,
Aba , Aab , Aaa ).
Ejemplo 6 Para el siguiente sistema, suponga que el estado x 1 se puede medir con pre-
cisión, diseñe el observador de orden reducido L aplicando los 4 métodos antes descritos, si se
quiere que los polos deseados se ubiquen en -3+0.5j y -3-0.5j
2 3 2 3
0 1 0 0
6 7 6 7
6 7 6 7
x = 6 1 0 1 7x + 6 0 7u
4 5 4 5
6 11 6 1
h i
y = 1 0 0 x
Nuevo orden para el sistema observado: 3 –1 ) i = 2

Nuevas matrices del sistema:
2 3 2 3
h i 0 0 1
Aaa = [0] ; Aab = 1 0 ; Aa = 4 5 ; Abb = 4 5
6 11 6
1) Método Completo
Controlabilidad
2 3
h i 0 6
Co = Aba Abb Aba =4 5
6 6
Para el cual el rango y el determinante de la matriz de controlabilidad es:

rank(C) = 2;
Det(C) = -36;
Y por lo tanto:
)El Sistema es controlable
Observabilidad
2 32 3
Aab 1 0
O= 4 54 5
Aab Abb 0 1
Para el cual el rango y el determinante de la matriz de observabilidad es:

rank(O) = 2;
Det(O) = 1;
Y por lo tanto:
)El Sistema es observable
Polinomio Característico Original
2 3 2 3 2 3
s 0 0 1 s 1
jsI Aj = jsI Abbj = 4 5 4 5=4 5
0 s 11 6 11 s + 6
= s2 + 6s + 11 = s2 + a1 s + a2
) a1 = 6; a2 = 11
Q = (W O) 1
2 3 2 3
a1 1 6 1
W = 4 5=4 5
1 0 1 0
2 32 3 2 3
6 1 1 0 6 1
W O = 4 54 5=4 5
1 0 0 1 1 0
2 3
0 1
Q = 4 5
1 6
Polinomio Característico deseado:
(s 1 )(s 2) = (s + 2 + 3;4641j)(s + 2 3;4641j)
= s2 + 4s + 16 = s2 + b1 s + b2
) b1 = 4; b2 = 16
2 3 2 32 3
b 2 a2 0 1 5
L = Q4 5=4 54 5
b 1 a1 1 6 2
2 3 2 3
L1 2
L = 4 5=4 5
L2 17
2) Método Abreviado
jsI A + LCj = jsI Abb + L Aabj = (s )(s )

2 3 2 3 12 32
1 0 0 1 L h i
= s4 5 4 5+4 1 5 1 0
0 1 11 6 L2
2 3 2 3
s 1 L 0
= 4 5+4 1 5
11 s + 6 L2 0
2 3
s + L1 1
= 4 5
11 + L2 s + 6
= s2 + (6 + L1 )s + (11 + L2 )
Polinomio deseado:
(s 1 )(s 2) = s2 + 4s + 16
Por Equivalencia:
(6 + L1 ) = 4 ) L1 = 2
(11 + L2 ) = 16 ) L2 = 17
3) Método por la Formulación de Ackerman
(s) = = s2 + 4s + 16
(A) = (Abb) = Abb2 + 4Abb + 16I

2 3
0
L = (Abb2 + 4Abb + 16I) [O] 1 4 5
1
02 32 2 3 2 31 2 3 1 2 3
0 1 0 1 1 0 1 0 0
L = @4 5 + 44 5 + 16 4 5A 4 5 4 5
11 6 11 6 0 1 0 1 1
2 32 3
5 2 0
L = 4 54 5
22 17 1
2 3 2 3
L1 2
L = 4 5=4 5
L2 17
4) Usando Matlab
Aaa = [0]
h i
Aab = 0 1
h i
Aba = 0; 6
h i
Abb = 0 1; 11 6
h i
P = 2 + 3;4641j 2 3;4641j
L = ac ker(Abb0 ; Aab0 ; P )0
2 3 2 3
L1 2
L = 4 5=4 5
L2 17
En el diseño de observadores, se sabe que el número de entradas que tenga el sistema,

no afectará el diseño del observador, puesto que estos datos no intervienen en los cálculos. En
cambio, el número de salidas con que cuente el sistema si afecta el diseño del observador. En
este caso se aplica el principio de linealidad, el cual consiste en separar las salidas y trabajarlas
como si fueran provenientes de sistemas distintos.
Capítulo 4
Casos de Estudio
4.1. Introducción
El objetivo de la presente tesis es aplicar el diseño de observadores dedicados al problema de

diagnóstico de fallas para lo cual se han propuesto algunos casos de estudio que nos permitirán
darnos cuenta si es aplicable la técnica de diagnóstico propuesta.
La simulación es la experimentación con un modelo de una hipótesis o un conjunto de
hipótesis de trabajo. Thomas T. Goldsmith Jr. y Estle Ray Mann la de…ne así: "Simulación es
una técnica numérica para conducir experimentos en una computadora digital. Estos experi-
mentos comprenden ciertos tipos de relaciones matemáticas y lógicas, las cuales son necesarias
para describir el comportamiento y la estructura de sistemas complejos del mundo real a través
de largos periodos de tiempo".
Una de…nición más formal formulada por R.E. Shannon [Shannon y Johannes 1976] es:
"La simulación es el proceso de diseñar un modelo de un sistema real y llevar a término expe-
riencias con él, con la …nalidad de comprender el comportamiento del sistema o evaluar nuevas
estrategias -dentro de los limites impuestos por un cierto criterio o un conjunto de ellos para el
funcionamiento del sistema".
Es un intento de modelar situaciones de la vida real por medio de un programa de com-
putadora, lo que requiere ser estudiado para ver cómo es que trabaja el sistema. Ya sea por
cambio de variables, quizás predicciones hechas acerca del comportamiento del sistema.
57
58 CAPÍTULO 4. CASOS DE ESTUDIO
La simulación por computadora se ha convertido en una parte útil del modelado de muchos
sistemas naturales en física, química y biología, y sistemas humanos como la economía y las
ciencias sociales, así como en dirigir para ganar la penetración su comportamiento cambiará cada
simulación según el conjunto de parámetros iniciales supuestos por el entorno. Las simulaciones
por computadora son a menudo consideradas seres humanos fuera de un loop de simulación.
Tradicionalmente, el modelado formal de sistemas ha sido a través de un modelo matemáti-
co, que intenta encontrar soluciones analíticas a problemas que permiten la predicción del com-
portamiento de un sistema de un conjunto de parámetros y condiciones iniciales [Galán 2008].
La simulación por computadora es frecuentemente usada como un accesorio para, o sustitución
de, sistemas de modelado para los cuales las soluciones analíticas de forma cerrada simple no
son posibles. Ahí se encuentran muchos tipos diferentes de simulación por computadora, la
característica común que todas ellas comparten es el intento por generar una muestra de esce-
narios representativos para un modelo en que una enumeración completa de todos los estados
posibles serían prohibitivos o imposibles. Varios paquetes de software existen para modelar por
computadora en el funcionamiento de la simulación se realiza sin esfuerzo y simple.
Los tres casos que se pretenden simular son: Control de velocidad de un Motor CD, Pen-
dulo Invertido y control sobre un sistema de suspención magnética sobre los que se aplicará el
diagnóstico de fallas. Se pretende agregar fallas en el proceso de simulación y en particular pro-
ponen tres condiciones de perturbación, inyectando una señal tipo escalon, un pulso de mediana
duaración y una senoide como posibles fallas. Cabe mencionar que los modelos matemáticos
fueron tomados del tutorial de control de MATLAB [U. de Michigan 2009].
4.2. Motor CD
Entre los distintos tipos de máquinas eléctricas que actualmente se emplean en aplicaciones
de control, se encuetra la maquina de corriente continua.
La primera máquina de C.C., fue ideada por el belga Gramme alrededor de 1860 y empleaba
un enrollado de rotor especial (anillo de Gramme) para lograr la conmutación o recti…cación
del voltaje alterno generado. Posteriormente, el físico W. Siemens y otros, contribuyeron al
desarrollo de estas máquinas realizando recti…caciones en su construcción, hasta llegar a la
4.2. MOTOR CD 59
máquina de CC que se conoce hoy.

Pese a las mejoras que han sido desarrolladas en su diseño, la máquina de corriente continua
es constructivamente más compleja que las máquinas de corriente alterna, el empleo de esco-
billas, colector, etc., la hace comparativamente menos robusta, requiere mayor mantenimiento
y a la vez tiene un mayor volumen y peso por kilo-watt de potencia.
No obstante a lo anterior, la máquina de C.C. tiene múltiple aplicaciones, especialmente
como motor, debido principalmente a:
Amplio rango de velocidades (ajustables de modo continuo y controlables con alta
precisión).
Característica de torque-velocidad variable, constante o bien una combinación
ideada por tramos.
Rápida aceleración, desaceleración y cambio de sentido de giro.
Posibilidad de frenado regenerativo.
4.2.1. Descripción del Sistema (Motor de CD)
El motor de CC es un actuador común en sistemas de control. Provee movimiento rotatorio

directamente y, acoplado con ruedas dentadas o poleas y cables, puede proveer movimiento
transicional. El circuito eléctrico de la armadura y el diagrama de cuerpo libre del rotor se
muestran en la …gura 4.1 :
Figura 4.1: Motor (diagrama de cuerpo libre)

Para este ejemplo, asumimos los valores siguientes para los parámetros físicos. Estos valores
se derivaron experimentalmente de un motor real del laboratorio de control para alumnos de
grado del Carnegie Mellon [U. de Michigan 2009].
Momento de inercia del rotor (J) = 0.01 kg m 2 /s 2
Coe…ciente de amortiguamiento del sistema mecánico (b) = 0.1 N m s
Constante de fuerza electromotriz (K=Ke=Kt) = 0.01 N m/Amp
Resistencia eléctrica (R) = 1 ohm
Inductancia eléctrica (L) = 0.5 H
Entrada (V ): Fuente de Tensión
Salida ( ): posición del eje
El rotor y eje se consideran rígidos
El torque del motor, T, se relaciona con la corriente de armadura, i, por un factor constante
K t . La fuerza contraelectromotriz (fem), e, se relaciona con la velocidad de rotación mediante
las siguientes ecuaciones:
T = Kt i (4.1)
e = Ke (4.2)
La constante de armadura (K t ) es igual a constante del motor (K e ).
4.2.2. Modelado en Espacio de Estados
Podemos escribir las siguientes ecuaciones basadas en la ley de Newton combinado con la
ley de Kirchho¤:
J + b = Ki (4.3)
di
L + Ri = V K (4.4)
dt
Usando Transformadas de Laplace, las ecuaciones del modelo de arriba pueden expresarse
4.2. MOTOR CD 61
en términos de s.
s(Js + b) (s) = KI(s) (4.5)
(Ls + R)I(s) = V Ks (s) (4.6)
Eliminando I(s) podemos obtener la siguiente función de transferencia a lazo abierto ,

donde la velocidad de rotación es la salida y el voltaje es la entrada.
K
= (4.7)
V (Js + b)(Ls + R) + K 2
Modelado en espacio de estado, las ecuaciones de arriba pueden expresarse escogiendo la

velocidad de rotación y corriente eléctrica como las variables de estado y la tensión como una
entrada. La salida se elige que sea la velocidad de rotación.
2 3 2 32 3 2 3
b K
d 4 5 0
= 4 J J 54 5+4 5V (4.8)
dt i K R
i 1
L L L
2 3
h i
= 1 0 4 5
i
4.2.3. Diseño del Observador
Requerimientos de diseño:
Primero, el motor sin compensar puede rotar solo a 0.1 rad/seg. con una tensión de entrada
de 1 Volt . Como el requerimiento más básico de un motor es que debe rotar a la velocidad
deseada, el error de estado estacionario de la velocidad del motor debe ser menor que 1 %. El
otro requerimiento de performance es que el motor debe acelerarse hasta su velocidad de estado
estacionario apenas se encienda. En este caso, queremos tener un tiempo de establecimiento
de 2 segundos. Como una velocidad mayor que la referencia podría dañar el equipo, queremos
tener un sobrepico menor que 5 %.
Si simulamos la entrada de referencia (r) con una entrada escalón unitario, entonces la
salida velocidad del motor debería tener:
Tiempo de establecimiento menor que 2 segundos
Sobrepico menor que 5 %

error de estado estacionario menor que 1 %
Despues de haber planteado los requerimientos de diseño y con ayuda del modelo en espacio
de estados mostrado en el sistema (4.8) es necesario diseñar el observador con algunos de los
métodos que se desarrollaron en capitulos anteriores, para determinar el vector de observadores
de estados L, utilizaremos el software de MATLAB
% Simulación del control de Velocidad de un motor CD aplicando diagnóstico de fallas
%Determinacion de Ganancias L
%Parametros físicos para la simulación
>>J=0.01;
>>b=0.1;
>>K=0.01;
>>R=1;
>>L=0.5;
% Numerador y denominador de la función de transferencia
>>num=K;
>>den=[(J*L) ((J*R)+(L*b)) ((b*R)+K 2 )];
%Conjunto de matrices para formar el espacio de estados
>>A=[-b/J K/J
-K/L -R/L];
>>B=[0
1/L];
>>C=[1 0];
>>D=0;
% con eig(A) se observa que el sistema es estable en lazo abierto y se decide re-ubicar los polos
%Probar si el sistema es observable
>>rank(obsv(A,C));
>>rank(A);
%Ahora Calcular las ganancias de L
4.2. MOTOR CD 63
Figura 4.2: Diagrama de bloques motor de CD a) planta, b) observador, c) entrada u(t)
>>P=[-20 -21];
>>L=place(A’,C’,P)’;
Una vez que se ha concluido con la etapa de diseño resta probar el sistema en simulink pero
antes de mostrar resultados es necesario describir el proceso de simulación, el cual fue dividido
en cuatro etapas (Entrada, planta, observador y fallas). Como primera etapa tenemos la entrada
al sistema u(t) que para este ejemplo en particular utilizamos una entrada referenciada con una
señal tipo escalón de 12V amplitud (ver Fig. 4.2 (c) ).
La segunda y tercer etapa son muy parecidas dado que el observador es una replica de la
planta pero adicionalmente en la planta (Ver Fig. 4.2 (a)) se puede observar un sumador en el
cual se involucra la falla que se pretende simular y uno de los estados a diagnosticar en este
caso sólo nos interesa el estado de velocidad rotacional del motor es por ello que en el sistema
de espacio de estados la matriz C solo presenta una salida del sistema. El esquema mostrado
en la Fig. 4.2 (b) simula el observador, el cual tambien muestra los dos estados del motor y
adicionalmente en ambos diagramas se colocaron medidores a cada salida de manera individual
Como cuarta etapa tenemos el bloque de la fallas o perturbaciones, en el diagrama de la

Fig. 4.3 (a) se muestra una falla tipo escalón, mientras que la Fig. 4.3 (b) muestra una falla
tipo pulso y …nalmente en la Fig. 4.3 (c) se simula una falla senoidal
Figura 4.3: Bloque de fallas: a) escalón, b) pulso, c) senoidal
4.2.4. Resultados de Simulación
Finalmente se pone a prueba el diseño del esquema de diagnóstico de fallas para los tres
casos antes mencionados en presencias de fallas, como inicio se muestra a el esquema libre
de fallar con lo que el apartado de residuos debe permanecer en cero. La Fig. 4.4 muetra
dos gra…cos, en la parte superior se ilustra el comportamiento de la planta, en este caso el
comportamiento de la corriente marcado en color rojo y la velocidad rotacional en color azul,
de la misma manera en la parte posterior se muestra el comportamiento de los residuos en color
rojo para la corriente y azul para la velocidad rotacional.
Como primer falla tenemos una de tipo escalón la cual indicaría un estado particular en
este caso del sensor, la señal de falla fue aplicada al transcurrir un segundo de la simulación
con un valor en amplitud equivalente a 1.5. De la misma manera que para el esquema libre de
fallas la …gura se divide en dos gra…cos la respuesta que presenta el motor ante la falla y la
generación de los residuos. Como se puede observar en la Fig. 4.5
La siguiente prueba de perturbación es ante una entrada tipo pulso la cual se dispara a los
2 segundos de simulacion y tiene una duración de un segundo con una amplitud de 7 como se
4.3. PÉNDULO INVERTIDO 65
Figura 4.4: Motor libre de fallas
puede ver mas claramente en la Fig. 4.6.
Por último mostamos el comportamiento del diseño ante una falla del tipo senoidal que
inicia junto con la simulación y de una amplitud de 9 a una frecuecia de 2 rad/s. como se muestra
en la Fig. 4.7. Cabe señalar que en respuesta o disparo de los residuos faltaría establecer un
criterio para el umbral lo que no es sencillo en la simulación dado que el sistema implementado
…sicamente podria variar con respecto a las simulaciones mostradas.
4.3. Péndulo Invertido
Los péndulos invertidos son una familia de artefactos que constituyen un banco de pruebas
muy completo e interesante para la ingeniería de control no lineal. El más estudiado de los
miembros de esta familia es el denominado control invertido sobre un vehículo, al que corri-
entemente se denomina como carro. Consiste en un péndulo o varilla que gira libremente por
Figura 4.5: Motor ante una falla tipo escalón
Figura 4.6: Motor ante una falla tipo pulso

Figura 4.7: Motor ante una falla tipo senoidal
uno de sus extremos mediante una articulación situada sobre un carro que se mueve sobre una
guía rectilínea horizontal bajo la acción de una fuerza F, que es la acción de control con la que
se pretende actuar sobre la posición de la varilla como se muestra en la Fig. 4.8. Inicialmente,
en los años 60, se podía ver este sistema en los laboratorios de control de las universidades más
prestigiosas. La demostración consistía en situar inicialmente de forma manual el péndulo en la
posición vertical invertida, soltarlo luego y que de forma autónoma, retornara a su posición. El
problema de control, así considerado, es local y su interés residía en que se trataba de estabilizar
una posición inestable en lazo abierto lo que, como se sabe, constituye un problema de control
muy notable. Este problema, por su carácter local, puede resolverse con métodos lineales y así
se ha hecho desde los años 60. Es importante destacar que en sistemas lineales, la estabilización
en lazo cerrado de un punto inestable en lazo abierto, no ofrece problemas particulares; éstos
aparecen cuando el sistema es no lineal. El inconveniente con esta versión del péndulo, a la hora
de plantear problemas globales, reside en que el recorrido del carro está acotado, por lo que si
se alcanza uno de los extremos del soporte horizontal el sistema deja de funcionar.
4.3.1. Descripción del Sistema (Péndulo Invertido)
El carro con un péndulo invertido, se muestra en la Fig. 4.8 , es .em pujadoçon una fuerza
impulsiva, F. Determinando las ecuaciones dinámicas de movimiento del sistema, y linealizando
cerca del ángulo del péndulo, (en otras palabras, se asume que péndulo no se aparta más que
unos pocos grados de la vertical).
Figura 4.8: Péndulo invertido
Para este ejemplo, asumamos que

M masa del carro 0.5 kg
m masa del péndulo 0.5 kg
b fricción del carro 0.1 N/m/seg
L longitud al centro de masa del péndulo 0.3 m
I inercia del péndulo 0.006 kg m2
F fuerza aplicada al carro
x coordenadas de posición del carro
ángulo del péndulo respecto de la vertical
Supóngase que el sistema comienza en el equilibrio, y experimenta una fuerza impulsiva

de 1N. El péndulo debe volver a su posición vertical dentro de los 5 segundos, y nunca moverse
más que 0.05 radianes fuera de la vertical.
Para el modelado del sistema comencemos con su diagrama de cuerpo libre mostrado en
la Fig. 4.9:
Figura 4.9: Péndulo Invertido (diagrama de cuerpo libre)
Sumando las fuerzas en el diagrama de cuerpo libre del carro en la dirección horizontal, se
obtiene la siguiente ecuación del movimiento:
M x + bx + N = F (4.9)
También se puede sumar las fuerzas en la dirección vertical, pero no se ganará ninguna
información útil.
Sumando las fuerzas en el diagrama de cuerpo libre del péndulo en la dirección horizontal,
puede obtener una ecuación para N:
2
N = m x + mL cos mL sin (4.10)
Si sustituye esta ecuación en la primera ecuación (4.9), así se obtiene la primera ecuación
del movimiento de este sistema:
2
(M + m) x + bx + mL cos mL sin = F (4.11)
Para obtener la segunda ecuación de movimiento, sume las fuerzas perpendiculares al

péndulo. Se resuelve el sistema a lo largo de este eje para simpli…ca el desarrollo. Y se obtiene
la siguiente ecuación:
P sin + N cos mg sin = mL + m x cos (4.12)
Sumando los momentos sobre el centroide del péndulo se pueden eliminar los términos P
yN
P L sin N L cos mg sin = I (4.13)
Combinando las ec (4.12) y (4.13), se obtiene la segunda ecuación dinámica:
(I + mL2 ) + mgL sin = mL x cos (4.14)
Como Matlab solo puede trabajar con funciones lineales, este conjunto de ecuaciones de-
bería ser linealizado alrededor de = . suponemos que = + ( representa un pequeño
d 2
ángulo en la dirección vertical). Por lo tanto, cos( ) = -1, sin( ) = - , y dt
=0. A partir de
las concideraciones anteriores se obtiene:
(I + mL2 ) • mgL = mL•

x (4.15)
(M + m)•
x + bx_ mL • = u (4.16)
Donde u representa la entrada

Para obtener analíticamente la función de transferencia de las ecuaciones del sistema lin-
ealizado, debemos tomar primero la transformada de Laplace de las ecuaciones del sistema. Las
transformadas de Laplace son:
(I + mL2 ) (s)s2 mgL (s) = mLX(s)s2 (4.17)
(M + m)X(s)s2 + bX(s)s mL (s)s2 = U (s) (4.18)
Debido a que la salida es un ángulo se resuelve al Ec. (4.9) para X(s),

(I mL2 ) g
X(s) = (s) (4.19)
mL s2
Sustituyendo en la Ec. (4.10) :
(I mL2 ) g (I mL2 ) g
(M + m) (s)s2 + b (s)s mL (s)s2 = U (s) (4.20)
mL s2 mL s2
Re-ordenando, la función de transferencia es:
mL 2
(s) q
s
= b(I mL2 ) 3 (M +m)mgL 2 bmgL
(4.21)
U (s) s4 + s s s
q q q
Donde:
q = [(M + m)(I mL2 ) (mL)2 ] (4.22)
También la función de transferencia (4.21) se puede escribir como:
mL
(s) q
s
= 2
b(I mL ) 2 (M +m)mgL bmgL
(4.23)
U (s) s3 + s s
q q q
En espacio de estados podemos representarla de la siguiente manera:
2 3 2 32 3 2 3
x 0 1 0 0 x 0
6 7 6 76 7 6 7
6 7 6 (I+mL2 )b m2 gL2 76 7 6 I+mL2 7
6 x 7 6 0 0 7 6 x 7 6 7
6 7 = 6 I(M +m)+M mL2 I(M +m)+M mL2 76 7+6 I(M +m)+M mL2 7 u(4.24)
6 7 6 76 7 6 7
6 7 6 0 0 0 1 76 7 6 0 7
4 5 4 54 5 4 5
mLb mgL(M +m) mL
0 I(M +m)+M mL2 I(M +m)+M mL2
0 I(M +m)+M mL2
2 3
x
2 36 7 2 3
6 7
1 0 0 0 6 x 7 0
y = 4 56 7 + 4 5u
6 7
0 0 1 0 6 7 0
4 5
La matriz C es de (2x4 ), debido a que la posición del carro y la posición del péndulo son
parte de la salida. Para el problema de diseño en espacio de estado se estará controlando un
sistema de salida múltiple por lo que observaremos la posición del carro en el primer renglón
de salida y la del péndulo en el segundo renglón.
Los requerimientos de diseño para este sistema son:

Tiempo de establecimiento menor que 5 segundos.
Ángulo del Péndulo nunca mayor que 0.05 radianes de la vertical.
Sin embargo, con el método de espacio de estado será posible manejar un sistema multi-
salida. Por lo tanto, para el ejemplo del Péndulo Invertido se controlará tanto el ángulo del
péndulo como la posición del carro. Para hacer más desa…ante el diseño hemos de aplicar una
entrada escalón al carrito. El carrito debe lograr estar en su posición deseada dentro de los 5
segundos y tener un tiempo de subida menor que 0.5 segundos. Además limitaremos el sobrepico
del péndulo a 20 grados (0.35 radianes), y también deberá establecerse antes de los 5 segundos.
Los requerimientos de diseño para el ejemplo en espacio de estado del Péndulo Invertido
son:
Tiempo de establecimiento de x y menor que 5 segundos.
Tiempo de Subida para x menor que 0.5 segundos.
Sobrepico de menor que 20 grados (0.35 radianes).
Despues de haber planteado los requerimientos de diseño es necesario diseñar el observador y
para ello haremos uso de la plataforma de MATLAB
>>M = 0.5;
>>m = 0.2;
>>b = 0.1;
>>i = 0.006;
>>g = 9.8;
>>l = 0.3;
>>p = i (M+m)+M m l 2 ; %denominador
>> A = [ 0 1 0 0;
0 -(i+m l 2 ) b/p (m 2 g l 2 )/p 0;
0 0 0 1;
0 -(m l b)/p m g l (M+m)/p 0];
>>B = [0; (i+m l 2 )/p; 0; m l/p];
>>C = [ 1 0 0 0;
0 0 1 0];
>>D = [0;0];
>>p = eig(A); % Polos del sistema original
>>P = [-40 -41 -42 -43];
>>L = place(A’,C’,P)’;
Una vez que se tienen todas las matrices necesarias se realiza la simulación la cual se
implemento en simulink se presenta el programa. En el análisis del péndulo invertido se observó
que el tipo de entrada del sistema es por retroalimentación completa de estados por lo que
además de la entrada de referencia son necesarios los estados estimados para cerrar el lazo y
mejorar así su respuesta (Ver Fig. 4.10 (c))
Figura 4.10: Diagrama de bloques péndulo Invertido: a) planta, b) observador, c) entrada u(t)
Nuevamente se realizó en simulink el conjunto de diagrama de bloques para simular el proceso,

mismo que se encuentra dividido en los diversos elementos que conforman el sistema, tal como
se muestra en la …gura 4.10 (a) en donde se representa es comportamiento del péndulo, mientras
que en la …gura 4.10 (b) se ilusta el observador
Figura 4.11: Bloque de fallas péndulo invertido a) escalón, b) pulso, c) senoidal
Al igual que en la simulación del motor aquí también se muestran los tres esquemas o
bloques de fallas, fallas tipo escalón(Ve Fig. 4.11 (a)),fallas tipo pulso(Ver Fig. 4.11 (b)) y
fallas senoidales (Ver Fig. 4.11 (c)) solo que ahora incremento el número de elementos que
intervienen debido a que el número de estados es mayor aunque sólo estamos interesados en
dos estados en particular, el estado de posición y el estado del ángulo con la vertical que como
se puede observar en el sistema de espacio de estados son los estados 1 y 3
Siguiendo con la metodología se muestran algunos resultados del sistema iniciando nueva-
mente con el esquema libre de fallas mostrado en la Fig. 4.12 para comprobar si se cumple con
los criterios de diseño y comentar de manera general sobre que estados se aplicó el diagnóstico,
en esta simulación los estados que nos interesa observar son la posición del carro y el ángulo
Figura 4.12: Péndulo libre de fallas
que forma con la vertical, que en …guras posteriores apareceran marcados de color rojo para la
posición y en azul el ángulo con la vertical, mientras que la velocidad del carro y angular de
color verde y magenta respectivamente.
En la Fig. 4.13 se muestra la simulación de una falla tipo escalón tanto en el estado de
posición la cual se activa a los 1.5 segundos de simulación con una amplitud de 1.2 como en el
estado del ángulo iniciando a los 2 segundos con una amplitid unitaria.
Las fallas tipo pulso se accionó al segundo de la simulación con una duración de medio
segundo y una amplitud de unitaria para la posición del carro y para el ángulo con la vertical
se disparó a los 2 segundos de iniciada la simulación con una duración de medio segundo y una
amplitud 1.5. Como se muestra en la Fig. 4.14.
Para simular las fallas senoidales se eligio una señal con una frecuencia de 3 rad/s, una
amplitud de 0.5 y un defase de 120 para el caso de la posición y una senoide de amplitud
unitaria a una frecuencia de 5 rad/s y un defase de 180 para el otro estado como se muestra
en la Fig. 4.15
Figura 4.13: Péndulo ante una falla tipo escalón
Figura 4.14: Péndulo ante una falla tipo pulso

4.4. BOLA SUSPENDIDA MAGNÉTICAMENTE 77
Figura 4.15: Péndulo ante una falla senoidal
4.4. Bola Suspendida Magnéticamente
Los sistemas de suspensión magnética tienen importancia práctica en muchos sistemas

de la ingeniería como por ejemplo en el pasaje en trenes de gran velocidad, mecanismos sin
fricción, en la suspensión por vibración para maquinaria sensible, y en la suspensión de tablas
de metal durante un proceso. Los sistemas de suspensión magnética pueden ser clasi…cados
como sistemas atractivos o sistemas repulsivos basados en la fuente de fuerzas.
Estos sistemas normalmente son inestables y se describe por ecuaciones diferenciales no
lineales las cuales presentan di…cultades en el proceso de su solución y en forma adicional
del controlador adecuado. Por consiguiente, es una tarea importante determinar técnicas que
solucionen a las ecuaciones presentadas así como de construir controles que regulen y tengan
un alto grado de estabilidad.
En los recientes años, se han informado muchos trabajos en la literatura por controlar
magnéticamente a los sistemas de suspensión. La técnica de linealización por regeneración se
ha usado para diseñar las leyes del control para los sistemas de suspensión magnética. Se han
usado la entrada-salida, entrada-estado, y las técnicas de linealización exactas para desarrollar

a controles no lineales. Los métodos de controles lineales robustos con H 1, también se han
aplicado control óptimo, síntesis , y parametrización Q para controlar los sistemas de suspen-
sión magnética. Hay controles cuyas leyes están basadas en el espacio de la fase, la meta del
control lineal es en base a una plani…cación de la ganancia, y las técnicas de control inteligente
por redes neuronales. Durante los últimos 20 años, los sistemas de la estructura variable “VSS
(de sus siglas del Inglés variable structure system)”y el control por modo deslizante “SMC (de
sus siglas del Inglés sliding mode control)”ha recibido un interés signi…cativo y se han estable-
cido áreas de investigación con un gran potencial para desarrollos tecnológicos. Se documentan
aspectos de desarrollo teóricos de SMC en libros y artículos.
Se propone la naturaleza discontinua con una acción de mando en SMC para producir
robustez y estabilidad del sistema. La actuación de este controlador incluye una insensibilidad
a las variaciones de parámetros y a un rechazo de perturbaciones. El SMC se ha usado en
los sistemas de producción magnética; sin embargo, los controles propuestos se han diseñado
basado en modelos linealizados en un punto de operación y así la actuación fuera de ese punto
se deteriora rápidamente con desviaciones crecientes de los puntos de operando nominal.
4.4.1. Descripción del Sistema (Bola Suspendida Magnéticamente)
Desde sus primeros estudios, la levitación magnética ha sido aplicada en numerosos sis-
temas, como por ejemplo, rodamientos de bajo roce, sistemas mecánicos de almacenamiento de
energía, sistemas de transporte de alta velocidad o simplemente para hacer levitar un objeto
de manera que se pueda estudiar el mismo con la menor interferencia mecánica posible, por
ejemplo en los túneles de viento, la estructura mecánica que soporta al modelo en estudio in-
troduce errores en la medición de empuje y elevación. Una solución a este problema es utilizar
un campo magnético para sostener al modelo sin alterar las condiciones. Considerando que el
‡uido es un gas ordinario no conductor el campo no interferirá el ‡ujo de aire.
Existen dos principios de levitación que sustentan todas estas aplicaciones: repulsión y
atracción. En la levitación por repulsión, las corrientes inducidas en un cuerpo conductor gen-
eran las fuerzas de levitación. Este sistema es estable en su eje vertical, y tiene un punto de
Figura 4.16: Bola suspendida magnéticamente
equilibrio natural. En la levitación por atracción, un cuerpo es atraído por un ‡ujo magnético
en contra de la gravedad; el equilibrio que se produce entre la fuerza de atracción y la gravedad
es inestable, por lo que la levitación por atracción es impracticable sin la ayuda de sistemas de
control (teorema de Earnsahw)
Para interpretar el comportamiento de la fuerza aplicada por la bobina sobre el cuerpo,
se debe analizar el comportamiento de la inductancia de la bobina en presencia del cuerpo
metálico.
Esta inductancia varía según la posición del cuerpo metálico respecto a la bobina, de este
modo la inductancia tendrá un valor de L cuando la partícula esté alejada ( x ) ), y un valor
de L + L0 si el cuerpo metálico está próximo a la bobina.
La corriente a través de la bobina induce una fuerza magnética que puede igualar a la de
la gravedad y causar que la bola (hecha de material magnético) quede suspendida en el aire
como se ilustra en la …gura 4.16. La modelación de este sistema ha sido desarrollada en muchos
libros de control entre los que se incluyen Automatic Control Systems de B. C. Kuo
Donde h es la posición vertical de la bola, i es la corriente en el electromagneto, V es la
tensión aplicada, m es la masa de la bola, g es la aceleración de la gravedad, L es la inductancia,
R es la resistencia, y K es un coe…ciente que determina la fuerza magnética ejercida a la bola.
Por simplicidad, se eligen valores M = 0.05 Kg, K = 0.0001, L = 0.01 H, R = 1 Ohm, g =
9.81 m/s2 . El sistema está en equilibrio (la bola está suspendida en el aire) siempre que h =
K i 2 /mg (y en ese punto dh/dt=0 ).Linealizando las ecuaciones alrededor del punto h = 0.01
m (donde la corriente nominal i es de alrededor de 7 amp)
Para encontrar la ecuación de movimiento del objeto, se aplica el Segundo Principio de

Newton dado por la siguiente expresión:
X
F = ma
Donde:
P
F son las fuerzas aplicadas al sistema, m es la masa del cuerpo y a es la aceleración del
mismo.
mg: Fuerza producida sobre la masa m del cuerpo debido a la aceleración del campo
gravitatorio terrestre g.
kv: Fuerza originada por la fricción o rozamiento del cuerpo. Esta fuerza crece con la
velocidad v, es decir que va a ser mayor cuanto más rápido se mueva el cuerpo oponiéndose
siempre al sentido de movimiento. k es el coe…ciente de fricción viscosa.
F : Fuerza ejercida por la bobina, dependiente de la posición del cuerpo y de la corriente.
y es la posición vertical del objeto con respecto a la bobina e i es la corriente.
La sumatoria de fuerzas esta dada por la siguiente ecuación:
X
F = mg kv F = ma
d2 h Ki2
M = M g
dt2 h
di
V = L + Ri
dt
Lo que queda por hacer es pasarlo a espacio de estados conciderando los parametros …sicos
tomados de la descripción del sistema
Despues de haber planteado las ecuaciones en espacio de estado es necesario diseñar el

observador y para ello haremos uso de la plataforma de MATLAB
%Simulación: Bola Magnética
>>A = [ 0 1 0
980 0 -2.8
0 0 -100];
>>B = [0
0
100];
>>C = [1 0 0];
>>polos= eig(A);
>>P=[-100 -101 -102];
>>L=place(A’,C’,P)’
Figura 4.17: Diagrama de bloques bola suspendida: a) planta, b) observador, c) entrada u(t)
Dado que la simulación se implemento en simulink se presenta el programa(ver …gura 4.17)

.Debemos hacer notar que las fallas en los sensores támbien se simulan en el bloque de fallas
mostrado en la 4.18
Figura 4.18: Bloque de fallas bola suspendida: a)escalón, b)pulso, c)senoidal
Los resultados del sistema con el esquema libre de fallas se ilustra en la Fig. 4.19 para
comprobar si se cumple con los criterios de diseño y comentar de manera general sobre que
estados se aplicó el diagnóstico, en esta simulación el estado que nos interesa observar es la
altura de la bola , que en …guras posteriores apareceran marcados de color rojo para la posición
de la bola y en azul el voltaje aplicado a la bobina.
En la Fig. 4.20 se muestra la simulación de una falla tipo escalón para en el estado de
posición la cual se activa a los 1 segundos de simulación con una amplitud de 50.
Las falla tipo pulso se accionó al segundo de iniciada la simulación con una una duración
de medio segundo y una amplitud de 35 para la posición de la bola. Como se muestra en la
Figura 4.19: Bola suspendida libre de fallas
Figura 4.20: Bola suspendida ante falla tipo escalón

Figura 4.21: Bola suspendida ante falla tipo pulso
Figura 4.22: Bola suspendida ante falla senoidal

Fig. 4.21. Para simular las fallas senoidales se eligio una señal con una frecuencia de 8 rad/s a
una amplitud de 40 y un defase de 90 para el caso de la altura (Ver Fig. 4.22)
Capítulo 5
CONCLUSIONES
En esta tesis se ha abordado el tema del diagnóstico de fallas mediante el esquema de

observadores dedicados donde de manera general se diseña un observador tipo Luenberger,
enfocado principalmente a sistemas lineales e invariantes en el tiempo como primera etapa de
un proyecto de investigación que se encuentra en desarrollo, PROMEP EXP-132 que lleva por
nombre: “ Diseño de algoritmo para el diagnóstico de fallas basado en observadores difusos” ,
aplicable a sistemas no lineales mediante una mezcla difusa de modelos lineales (Takagi-Sugeno).
El esquema es muy ‡exible dado que permite el diseño de observadores de orden completo
y orden reducido, con lo que podemos observar y controlar sólo los estados del sistema en los
que se tenga un interés especial. También se resalta la importancia del manejo de observadores
de orden reducido en el caso en que un sistema no sea completamente observable y un estado
requiera ser observado.
Una vez que se tiene es modelo matemático no representa un gran esfuerzo la imple-
mentación de este esquema. Pero entonces el principal problema de este esquema es poder
obtener el modelo, y que además trate de describir al sistema de manera casi perfecta para
poder obtener simulaciones que se acerquen al modelo real, lo cual es muy complicado.
Los criterios de diagnóstico, así como el monitoreo de los procesos de un sistema requieren
en gran medida de ser vigilados y controlados de manera adecuada que permitan la ausencia
87
88 CAPÍTULO 5. CONCLUSIONES
anomalías como un mantenimiento preventivo lo que se traduce en costos y bene…cios. El

esquema presentado pretende optimizar tales procesos y mejorar la detección de la falla, es
así como basados en las simulaciones mostradas se presenta como una buena opción para la
solución de este problema.
De los casos de estudio se reviso y analizó su comportamiento ante diferentes perturbaciones

a las cuales el observador respondió rápidamente y sin ningún inconveniente.
Si bien el esquema mostrado está limitado a sistemas lineales e invariantes en el tiempo,

puede usarse como base para aplicarlo en sistemas no lineales, como se mostró en el caso del
péndulo invertido, el cual es un sistema no lineal y que en nuestra simulación se analizó sólo
una pequeña parte del sistema de modo que pudiera ser linealizado y el esquema respondió
adecuadamente.
Los resultados obtenidos en este tipo de esquema de observador (DOS) se comprobó que el
aislamiento y la detección de la falla se hace de manera directa. Esta es una de las principales
características, comparándola con algunas otras técnicas que no cuentan con aislamiento de
manera directa, observadores con entradas desconocidas por mencionar alguno, en los cuales se
debe de realizar una etapa posterior para garantizar el aislamiento de la falla.
La presencia de incertidumbres y de perturbaciones producen serias di…cultades para el

diseño de …ltros (Observadores), como consecuencia, los valores estimados a través del modelo,
no corresponden exactamente con los valores medidos del proceso, y por lo tanto los residuos
serán distintos de cero aún en ausencia de fallas. La producción de estos pequeños residuos, se
pueden manifestar en la generación de falsas alarmas durante la supervisión y monitoreo del
proceso, por lo que hay que evitarlas mediante mecanismos de robustez aplicados en el diseño
e implementación de los observadores. Cabe señalar que como no se ha implementado en un
sistema real y sólo se ha realizado en simulación estos pequeños residuos se afectan de manera
signi…cativa.
En general todos los métodos de diagnóstico que se basan en el modelo matemático del sis-
tema o que utilizan redundancia analítica o funcional, tienen grandes ventajas ante a cualquier
89
redundancia física, entre las que destaca el costo y la capacidad de aumentar el número de
observadores, que en el caso de redundancia analítica queda limitada al equipo computacional
donde se realiza el diagnóstico.
Trabajos Futuros:
Después de un análisis de las respuestas del observador se pretende probarlo en un sistema

físico con la utilización de una tarjeta de adquisición y basados en las respuestas que entrega el
sistema poder hacer una propuesta o mejora del esquema, en el sentido de optimizar el proceso
para tratar de disminuir el esfuerzo computacional del instrumento a utilizar así como tratar
de obtener una respuesta rápida a perturbaciones. Se pretende aplicar el esquema en el sistema
de dos tanques que está en construcción como parte del proyecto de PROMEP EXP-132 en el
laboratorio de Modelado, del edi…cio de Posgrado de la Facultad de Ingeniería Eléctrica.
Este trabajo sirve de base para posteriores investigaciones enfocadas hacia la aplicación
de técnicas de diagnóstico de fallas en sistemas no lineales. Gracias a estos resultados se puede
pensar en el desarrollo de observadores tipo Takagi-Sugeno.
90 CAPÍTULO 5. CONCLUSIONES
Apéndice A
Artículos publicados
Cortes-Cervantes C, Anzurez-Marín J, Lázaro Castillo I., “El problema del diagnóstico de

fallas: Diseño de observadores dedicados”, V Semana Nacional de Ingeniería Electrónica
SENIE ’09, Ocotlan, Jal. México, 2009, pp 32-38
Cortes-Cervantes C, Anzurez-Marín J, Lázaro Castillo I., “Diseño de Observadores Ded-

icados aplicados al el Problema del Diagnóstico de Fallas”, 5to. Congreso Estatal de
Ciencia y Tecnología, Morelia, Mich. México, 2009
91
92 APÉNDICE A. ARTÍCULOS PUBLICADOS
V Semana Nacional de Ingeniería Electrónica
Memorias del Congreso
Universidad de Guadalajara
Centro Universitario de la Ciénega
7 al 9 de Octubre de 2009
Ocotlán, Jal. México
ISBN 978-607-477-073-5
EL PROBLEMA DEL DIAGNÓSTICO DE FALLAS: DISEÑO DE OBSERVADORES DEDICADOS
Celso Cortes Cervantes, Juan Anzurez Marín, Isidro I. Lázaro Castillo
Facultad de Ingeniería Eléctrica, División de Estudios de Posgrado

Universidad Michoacana de San Nicolás de Hidalgo
Av. Fco. J. Mújica S/N, Ciudad Universitaria, Morelia, Mich. México
Tel. 443 322 3500 ext4354, j.anzurez@ieee.org, celso_2c@hotmail.com, ilazaro@ieee-sco.org
RESUMEN complejos, la teoría de control moderna basada en

el análisis en el dominio del tiempo y la síntesis a
El presente trabajo plantea un esquema para el
partir de variables de estados, se ha desarrollado
diagnóstico de fallas basada en el diseño de
para enfrentar la creciente complejidad de las
observadores dedicados, cuyo objetivo es evitar la
plantas modernas [7].
redundancia en hardware. La idea general del
esquema de observadores dedicados es construir un
Aunque desde los primeros años de la década de
observador Luenberger por cada salida del sistema,
los 70 se vienen produciendo avances
de forma tal que el problema del diagnóstico de
significativos en el campo del diagnóstico de fallas
fallas se resuelve mediante la comparación de la
tanto en la teoría como en la práctica, ha sido en
salida del sistema y la salida estimada generando
los últimos años cuando las investigaciones en este
señales conocidas como residuos. Si los residuos
campo han aumentado considerablemente [1], [6],
son cero el sistema está libre de fallas en caso
[8], [9].
contrario hay presencia de fallas en el sistema. En
el presente artículo se muestra una aplicación al
Tal es el caso de los observadores o estimadores
problema de diagnóstico para sistemas no lineales
que permiten estimar las variables o estados de un
para lo cual se emplea como ejemplo el modelo del
sistema basados en mediciones de las señales de
péndulo invertido.
salida y señales de control [2], [9], [10].
Palabras clave: Diagnóstico de fallas, esquema de
El presente trabajo muestra el estudio y desarrollo
observadores dedicados, instrumentación y control.
del Esquema de Observadores Dedicados (DOS,
por sus siglas en inglés “Dedicated Observer
I. INTRODUCCIÓN Schemes”). El esquema básico se muestra en la
El área de control siempre ha sido tema interesante Fig. 1, el cual fue propuesto por Clark y fue
para avances en ingeniería y la ciencia, además de probado por primera vez en 1974 [3], [5], [9]. Este
su gran importancia en procesos industriales y de esquema propone utilizar un observador por cada
manufactura para mejorar la productividad evitar el salida del sistema o planta, de ahí es que toma su
exceso de operaciones manuales o rutinarias etc. nombre. Cada uno de estos observadores se basa
en el diseño de Luenberger para cada salida [1],
Conforme las plantas modernas con muchas [9].
entradas y salidas se vuelven más y más complejas,
la descripción de un sistema de control moderno Esto permite tener un esquema de aislamiento de
requiere de una gran cantidad de ecuaciones. fallas en la salida de manera natural, debido a la
Debido a que la disponibilidad de las propiedad de estimación de cada salida del sistema
computadoras digitales (1960) hizo posible el o planta bajo análisis. El concepto de aislamiento
análisis en el dominio del tiempo de sistemas
7 al 9 de Octubre 2009, Ocotlán, Jal. México 32

se refiere a la identificación plena del elemento que

dentro del sistema presenta una falla. [1-5], [9].
II. DESCRIPCIÓN DE DOS Donde es

el vector de estado,
En el esquema de observadores dedicados es el vector de salida
presentado por Clark cada observador es medible además A, B, y C son matrices constantes
manejado por el vector de entrada u y la salida de de dimensiones apropiadas ( )
un sensor. De esta manera para m sensores, y fm(t) representa la falla en el elemento m de
tendrían que existir m observadores. Estos salida [4].
observadores generan un vector de estados
estimados, el cual se puede emplear para detectar
fallas en el sistema mediante la comparación con
las salidas (señales reales de los sensores), de
forma tal que:”Una falla en el k-ésimo sensor
provocará que el estado estimado del k-ésimo
observador difiera del estado estimado de los otros
m-1 observadores, lo cual permite la detección y
aislamiento de la falla de manera directa” [1], [2],
[9], [10]. Lo anterior significa que el residuo será
igual a cero si el sistema está libre de fallas, en
caso contrario el sistema presenta una falla.
Fig. 2 Esquema de Clark para la generación de
Residuos basado en DOS.
III. DISEÑO DE OBSERVADORES

Consideremos un sistema modelado en variables
de estado representado por las ecuaciones:
(2)
donde , el par (u(t), y(t)) es escalar y las

matrices (A, B, C) son perfectamente conocidas.
Fig. 1 Esquema de Observadores Dedicados,
DOS.
El estimador de estados está compuesto por una
Por lo que las fallas están desacopladas, es decir reproducción del sistema más un término adicional
que cada falla de encuentra asociada con una de corrección, como se indica en la ecuación (3).
salida, tal como se ilustra en la Fig. 2. •
ξ ( t ) = Aξ ( t ) + Bu ( t ) + L  y ( t ) − Cξ ( t )  (3)
El modelo para este esquema expresado en
variables de estado es representado de la siguiente
Nótese que el observador reproduce la salida del
manera:
sistema y además corrige la ecuación dinámica con
(1)
un término que es proporcional al error entre la
salida del sistema real (()) y la salida estimada
(()).

Definimos el error entre los estados reales del Es importante indicar que esta técnica está basada
sistema y los estimados como: en la propuesta de modificar la dinámica del
sistema mediante la reubicación de los polos de la
(t ) x (t ) − ξ (t )
e= (4) planta en lazo abierto. Para la ubicación de los
polos del observador se debe considerar entonces
que la dinámica de éste debe ser más rápida que la
Entonces, la dinámica del error ( ()) a partir de (1)
del sistema a observar se desea que el estado
y (3) será:
• • •
estimado alcance al estado de la planta lo más
(t ) x (t ) − ξ (t )
e= rápido posible.
•
e ( t )= A  x ( t ) − ξ ( t )  − LC  x ( t ) − ξ ( t )  (5) Es necesario mencionar que el observador
• Luenberger es aplicable únicamente a sistemas
e ( t=
) ( A − LC ) e ( t ) deterministas lineales e invariantes en el tiempo. El
observador Luenberger extendido se puede aplicar
De esta manera, ξ ( t ) → x ( t ) si los egenvalores de a sistemas deterministas no lineales y variantes en
el tiempo.
la matriz A-LC son todos estables; es decir, están
en el semiplano izquierdo del plano complejo. Si el observador se emplea para estimar todas las
Debido a que la solución de la ecuación: variables de estado del sistema,
independientemente de si se pueden medir o no, se
es: le denomina observador de orden completo. En
otras ocasiones esto no será necesario, pues habrá
e ( t ) = e(
A− LC )t
e0 variables de estado medibles de forma directa. Las
=e ( t ) e(
A− LC )t
( x ( 0) − ξ ( 0)) (6)
variables de estado y las de salida están
relacionadas, debido a que estas últimas son
e ( t ) = e(
A− LC )t
x0 medibles, sólo será necesario observar (n-m)
variables de estado, donde n es la dimensión del
vector de estado y m es la dimensión del vector de
De modo que, si los egenvalores de tienen
salida. Cuando el observador únicamente estima el
todos partes reales negativas, el error (()) tiende
número mínimo de variables de estado, se le
a cero sin importar su condición inicial. Lo que
denomina observador de orden mínimo. En
quiere decir que, el observador de Luenberger,
determinadas ocasiones puede resultar más sencilla
bajo la suposición de conocimiento perfecto del
la aplicación de un observador de orden mínimo,
sistema, a medida que pasa el tiempo, mejora
cuando el número de variables del sistema es muy
asintóticamente la estimación de los estados.
elevado.
De esta forma, el problema de diseño de un IV. CASO DE ESTUDIO
estimador de estados se reduce a la determinación
de una ganancia L del observador tal que la matriz En el presente artículo para mostrar la técnica de
sea Hurwitz, en ese sentido, el problema de Diagnóstico de Fallas basada en el Esquema de
diseño de un observador es equivalente al cálculo Observadores Dedicados, se toma como ejemplo
del control por realimentación de estados. En este de aplicación el conocido modelo del péndulo
artículo para el diseño del observador se propone invertido el cual es un sistema no lineal cuyo
modelo se puede representar mediante variables de
utilizar las herramientas de MATLABr, por
estado linealizando alrededor de un punto de
ejemplo, los comandos: place o acker, para operación. El diagrama del ejemplo de aplicación
calcular L. Para lo cual, AT=A y CT=B. La K se muestra en la Fig 3 y para el cual se emplean los
obtenida de esta manera es la transpuesta de L, (L parámetros indicados en la tabla 1.
= KT).

Siendo los criterios de diseño son los siguientes:

 Tiempo de establecimiento menor que 5
segundos.
 Ángulo del Péndulo nunca mayor que 0.05
radianes de la vertical.
Para el diseño del observador se considera el de

orden completo, bajo el esquema mostrado en la
Fig 4. En el que además se propone sea de la forma
de compensador es decir el conjunto Controlador-
Observador.
Fig. 3 Diagrama del caso de estudio (péndulo

invertido)
Tabla 1.- Parámetros usados en el caso de

estudio
Variable Definición Valor
Fig. 4 Esquema de un Observador Luenberger
M masa del carro 0.5 kg
de orden completo.
m masa del péndulo 0.5 kg
b fricción del carro 0.1 N/m/seg Usando métodos de espacio de estado es
longitud al centro relativamente simple trabajar con un sistema de
de masa del 0.3 m salida múltiple, así en este ejemplo de aplicación
l
péndulo se diseña el controlador considerando tanto el
ángulo del péndulo como la posición del carrito.
i inercia del péndulo 0.006 kg*m^2 El esquema del controlador se muestra en la Fig. 5.
fuerza aplicada al
F
carro
coordenadas de
x
posición del carro
ángulo del péndulo
Φ respecto de la
vertical
Se ha considerado detectar fallas en los sensores de Fig. 5 Esquema de un controlador mediante

posición del carro y posición del péndulo respecto retroalimentación de estados
a la vertical. Con los parámetros anteriores el
modelo en espacio de estado se puede representar En la Fig. 5, R representa una entrada al carrito del
como se muestra a continuación. tipo escalón. Los 4 estados son: La posición y
velocidad del carro; el ángulo y velocidad angular

del péndulo. La salida y contiene tanto la posición

del carro como el ángulo del péndulo. El objetivo
es diseñar un controlador de modo tal que para una
entrada escalón, el péndulo pueda ser desplazado,
y eventualmente retornar a cero (a la vertical) y el
carrito debiera moverse a su posición nueva.
Para ello es necesario determinar los polos en lazo

abierto de sistema:
p=
-8.4910 + 7.9283i
-8.4910 - 7.9283i Fig. 6 Salida del sensor 1 sin fallas
-4.7592 + 0.8309i
-4.7592 - 0.8309i
Se busca que los polos del controlador diseñado

sean cerca de 4-10 veces más rápidos que el más
chico de los polos, por ejemplo en -40. Se emplea
el comando acker para hallar el vector L.
Las señales de salida consideradas son el ángulo de

del péndulo y la posición del carro. Para el diseño
del observador puesto que el sistema no es
observable si usamos como salida sólo el ángulo
del péndulo Esto tiene sentido: Ya que si lo único
que puede medir es el ángulo del péndulo, no Fig. 7 Salida del sensor 2 sin fallas
puede determinar cuál será la posición del carro.
Se provoca una Falla en el sensor 1 mediante una
De esta manera las ganancia Luenberger L de cada señal escalón en un tiempo de 1 seg. y amplitud
estado son: final de 0.5, los residuos generados se muestran en
L= 1.0e+03 * la Fig 8. Aquí es fácil ver un residuo diferente de
0.0826 -0.0010 cero lo cual es un indicativo de que una falla
1.6992 -0.0402 ocurrió, en este caso en el sensor 1.
-0.0014 0.0832
-0.0762 1.7604 De igual manera la Fig 9 muestra los residuos
generados por los observadores para una Falla en
El sistema se probó bajo dos escenarios: Primero el el sensor 2 provocada con una señal escalón en un
sistema libre de fallas en los sensores y luego se tiempo de 2 seg. y amplitud final de 0.8
introducen fallas en los sensores tanto en el de
desplazamiento y posición angular. En la Fig. 6
observamos las señales de los Residuos Generados, V. CONCLUSIONES
para el sistema libre de falla, en la que se puede El trabajo presentado muestra que este esquema es
apreciar una señal cerca de cero, lo que indica un práctico y sencillo de implementar. En las
sistema sano. simulaciones mostradas se observa que la
detección y el aislamiento se hacen de manera

directa, lo que facilita su manejo e VI. REFERENCIAS

implementación.
[1] J. Anzurez, “Diagnóstico de Fallas en
Como se mencionó la parte fundamental es el
Sistemas no Lineales usando lógica difusa y
diseño del observador Luenberger, para el cálculo
observadores con modos deslizantes”,
de tales ganancias las cuales deben de ser de cuatro
Tesis Doctoral, CINVESTAV, Unidad
y diez veces mayores que el valor de los polos del
Guadalajara, 2007.
sistema en lazo abierto.
[2] J. Chen, R.J. Patton, “Robust Model-Based
Se ha observado que en la actualidad el tema de fault diagnosis for Dynamic Systems”.
robustez es considerablemente estudiado al igual Boston: Kluwer Academic Publisher, 1999.
que los diagnósticos de fallas dado a la importancia [3] R.N. Clark, “The Dedicated Observer
que representan estos temas en aplicaciones Approach to Instrument Failure
industriales, científicas y humanas, lo que permite Detection”, Proceeding of the 15th IEEE
omitir redundancia de hardware he introducir Conference on Decision & Control, FL,
actualmente redundancia analítica. Lo cual ha USA, 1979, pp. 237-241.
permitido reducir costos y obtener mejores
beneficios. [4] R. Isermann, “Supervision, fault-detection
and fault diagnosis methods and
introduction”, Control Eng. Practice, Vol.
5, No 5, 1997, pp. 639-652.
[5] R.J. Patton, P.M. Frank, R.N. Clark, “Issues
of Fault Diagnosis for Dynamic Systems”,
New York, Springer-Verlag, 2000.
[6] B. C. Toledo and J. A. Marin, "Model-
Based Fault Diagnosis Using Sliding Mode
Observers to Takagi-Sugeno Fuzzy Model",
Proceeedings of the 2005 IEEE
International Symposium on Intelligent
Control, Cyprus, 2005, pp. 652-657.
Fig. 8 Salida del sensor 1 con fallas [7] H. Hammouri, M. Kinnaert and E. H. El
Yaagoubi , “Application of nonliner
observers to fault detection and isolation”,
Lecture Notes in Control and Information
Sciences, Nijmeier and Fossen Eds., 1999,
pp. 423-443.
[8] Alcorta Garcia, E. Frank, P.M., “Analysis of
a class of dedicated observer schemes to
sensor fault isolation”, Control '96,
UKACC International Conference on
(Conf. Publ. No. 427), Volume: 1,pp. 60-
65, 1996.
[9] Steven X.Ding, “Model-Based Fault
Diagnosis Techniques Design Schemes,
Fig. 9 Salida del sensor 2 con fallas Algorithms and Tools”, ISBN 978-3-540-
76303-1, Springer-Verlag, Berlin 2008.

[10] S.Nagarajan, J.Shanmugam and T.R. “Ingeniería de Sistemas de Control Continuo”. Sus
Rangaswamy, “MANFIS Observer-Based áreas de interés son Calidad de la Energía,
Sensor Fault Detection and Identification in Electrónica de Potencia, Control e
interacting Level Process with NN Based Instrumentación.
Threshold Generator”, International
Journal of Soft Computing 3, ISSN 1816-
9503, 2008.
VII. AUTORES
Dr. Juan Anzurez Marín, Recibió el título de:
Ingeniero Electricista por la Facultad de Ingeniería
Eléctrica de la Universidad Michoacana de San
Nicolás de Hidalgo en 1991; Maestro en Ciencias
en Ingeniería Electrónica opción instrumentación
por la División de Estudios Superiores del Instituto
Tecnológico de Chihuahua en 1997 y Dr. en n
Ciencias en Ingeniería Eléctrica opción Control
Automático por el Centro de Investigación y de
Estudios Avanzados del IPN, CINVESTAV,
Unidad Guadalajara en 2007. Es profesor de la
Facultad de Ingeniería Eléctrica de la Universidad
Michoacana desde 1987 actualmente colabora en
los programas Licenciatura y Posgrado de la
misma Facultad. Sus áreas de interés son
Instrumentación y Control de Sistemas así como el
desarrollo de algoritmos para el diagnóstico de
fallas en sistemas no lineales y Energy Harvesting.
P. Ing. Celso Cortés Cervantes. Se encuentra

terminando el último semestre de la Carrera de
Ingeniero en Electrónica en la Facultad de
Ingeniería Eléctrica de la Universidad Michoacana
de San Nicolás de Hidalgo. Está desarrollando la
tesis Diseño de Observadores Dedicado para el
Diagnóstico de Fallas en Sistemas lineales y no
lineales. Sus áreas de interés el Control e
Instrumentación, El Diagnóstico de Fallas y
Automatización de Procesos.
M.I. Isidro Ignacio Lázaro Castillo. Recibió el

título de Ingeniero Electricista por la Facultad de
Ingeniería Eléctrica de la Universidad Michoacana
de San Nicolás de Hidalgo, el grado de maestro en
ingeniería por la misma institución en 1992 y 1999
respectivamente. Actualmente es profesor de
tiempo completo en la misma facultad. Ha
publicado diversos artículos científicos nacionales
e internacionales y de revistas. Autor del libro

Bibliografía
[Gertler 1998] J Gertler, Fault detection and diagnosis in engineering systems. Marcel
Decker.1998
[Mangoubi 1998] R.S Mangoubi, Robust estimation and failure detection. Springer-
Verlag.1998
[Patton y Frank 1989] R.J. Patton, P.M. Frank, and R.N. Clark (Editors), Fault diagnosis in
dynamic systems: Theory and application, Control Engineering Series,
Prentice Hall, New York, 1989.
[Beard 1971] R.V. Beard, Failure accommodation in linear systems throught self-
reorganization, tesis doctoral, Instituto Tecnológico Massachusetts,
Cambridge, 1971.
[Jones 1973] H.L. Jones, Failure detection in linear systems, tesis doctoral, Instituto
Tecnológico Massachusetts,Cambridge, 1973.
[Alcorta 2001] E. Alcorta García, Detectando fallas Mediante redundancia analítica,

Ingenierías Abril- junio 2001 Vol. IV, No. 11
[ Douglas y Speyer 1996] R.K. Douglas and J.L. Speyer, Robust fault detection …lter design,
AIAA J. of Gui-dance, Control and Dynamics (1996), no. 1, 214-218.
[Tsong 1998] Chi Tsong Chen, Linear System. Theory and Design, Oxford University
Press. 3ra Edición. USA. 1998
93
94 BIBLIOGRAFÍA
[Ogata 1998] Katsuhiko Ogata. Ingeniería de Control Moderna. Prentice Hall. 3ra
Edición. México. 1998
[Wiberg 1971] Donald M. Wiberg. Espacio de Estado y Sistemas Lineales. Mc.Graw-

Hill. México. 1971
[Sánchez 1992] Ricardo Sánchez Peña. Introducción a la teoría de control robusto. Aso-
ciación Argentina de Control Automático, 1992.
[Edelmayer 1996] A. Edelmayer, Robust detection …lter design in uncertain dynamical

systems. Reporte interno de el laboratorio de sistema y control SZTAKI
(Budapest), 1996.
[Frank 1992] P.M. Frank, Robust model-based fault detection in dynamical systems,
Supervisión y detección de fallas en un proceso químico industrial
(Delaware), IFAC, 1992, pp. 1-13.
[Rugh 1995] J. Rugh Wilson. Linear System Theory. Prentice Hall, 2nd edición, 1995.
[Frank y Schreier 1999] P.M. Frank, G. Schreier, and E. Alcorta-García, Nonlinear observers
for fault detection and isolation, vol. 244, Springer-Verlag, 1999, pp.
399-422.
[Clark 1979] R. N. Clark, , The Dedicated Observer Approach to Instrument Fail-

ure Detection, Proceedings of the 18th IEEE Conference on Decision
&Control, Fort Lauderdale, FL, USA, pp. 237-241, 1979.
[Emami y Akhter 1998] A. Emami-Naeini, M. Akhter Huhammad, and Stephen M. Rock, Ef-
fect of Model Uncertainty on Failure Detection: The Threshold Selector
IEEE Transactions on Automatic Control, vol. 33, no. 12, pp. 1106-
1115, 1988.
[ Tylee 1986] J. L. Tylee, Model-Based Approaches to Instrument Failure Detection

InTech,Vol. 33, pp. 59-62, 1986.
BIBLIOGRAFÍA 95
[Clark y Campbell 1982] R. N. Clark, and B. Campbell, Instrument Fault Detection in a Pres-
surized Water Reactor Pressurizer. Nuclear Applications and Technol-
ogy, vol. 56, p. 23-32, 1982.
[Tylee 1983] J. L. Tylee, On-Line Failure Detection in Nuclear Power Plant Instru-
mentation. IEEE Transactions on Automatic 1983.
[Tylee 1982] J. L. Tylee, Instrument Failure Monitoring in Nuclear Power Systems.

1982. University of Idaho.
[Walter y Vincent 1998] G. J. Walter, T. L. Vincent, “Sistemas de Control Moderno análisis y

diseño”, Limusa, Noriega editores, México 1998
[Eronini 2001] Umez-Eronini, “Dinámica de Sistemas de Control”, Thomson Learning,

México, 2001
[Vera 1994] C.E. Vera, Controllability and observability of time-dependent linear

systems, having solvable associated lie algebra, Proc. of Congress Latino
Americano de Controle Automático, 1994, pp. 437-442.
[Wikipedia 2009] Wikipedia, the free encyclopedia (2009). Optimal con-

trol. Documento de dominio público disponible en
http://en.wikipedia.org/wiki/Optimal_control. Consultada el 8
de mayo de 2009
[Antsaklis y Kevin 1993] P. J. Antsaklis, P. M. Kevin “ An Introduction to Intelligent and

Autonomous Control ”, USA, 1993
[Tanaka 1997] K. Tanaka, “ An Introduction to Fuzzy Logic for Practical aplications",

Springer, USA, 1997
[Rivera 2002] D. E. Rivera, PID Controller Tuning using Internal

Model Control: A Modern Approach. Disponible en
www.fulton.asu.edu/~csel/Publications/Invited % 20Presenta-
tions/2002QPRCimctutorial.pdf. Arizona State University
96 BIBLIOGRAFÍA
[Yong 1996] Zai Lu, Yong, "Industrial Inteligent Control, Fundamental Aplications",
John Wiley & Sons, Great Britan, 1996
[Nogaard y Ravn 2000] M. Nogaard, O. Ravn, N.K. Poulsen, and L.K. Hansen, “ Neural-
Nerworks for Modelling an Control of Dynamic Systems ”, Springer
Verlag, London, 2000.
[Bay 1999] John S. Bay. Fundamentals of Linear State Space Systems.

WCB/McGraw-Hill, 1999
[Doyle y Francis 1992] John C. Doyle, Bruce A. Francis, and Allen Tannenbaum. Feedback
control theory. Macmillan Pub. Co., 1992.
[Joel 1997] L. Joel, The handbook of maintenance management, Industrial Press,

1997.
[Moubray 2001] John Moubray, Reliability-centered maintenance, Industrial Press,

2001.
[Nieuwenhuis 1990] H.C. Nieuwenhuis, E…cient maintenance in the 90’s : A challenge, PA-
CO, New York, 1990.
[August 2000] Jim August, Applied reliability-centered maintenance, Pennwell Pub-

lishing, 2000
[Sohlberg 1998] Bjorn Sohlberg, Supervision and control for industrial processes,
Springer Verlag,1998.
[Iserman y Ballé 1997] R. Iserman and P. Ballé, Trends in the application of model based fault
detection and diagnosos of technical processes, Ingenieria de Control
Practica 5 (1997).
[Chen y Patton 1999] J Chen, R.J. Patton,Robust model-based fault diagnosis for dynamic
systems, Kluwer Academic Publisher, 1999.
BIBLIOGRAFÍA 97
[Duan y Patton 1997] G.R. Duan, R.J. Patton, J. Chen, and Z. Chen, A parametric approach
for robust fault detection in linear systems with unknown disturbances,
IFAC SAFEPRO-CESS’97, 1997.
[Frank y Koppen 1993] P.M. Frank and B. Koppen, Review of optimal solutions to the robust-
ness problem in observer-based fault detection, Journal of Systems and
Control Engineering 207 (1993).
[Willsky 1986] A Willsky, Detection of abrupt changes in dynamics systems, Lectures

Notes in Control and Inf. Sciences, Springer-Verlag, 1986.
[Chen y Patton 1996] J. Chen, R.J. Patton, and H. Zhang, Design of unknown input observers
and robust fault detection …lters, Int. Journal of Control(1996).
[Chen y Patton 1995] J. Chen, R.J. Patton, and H.Y. Zhang, Design of robust structured and
directional residuals for fault isolation via unknown input observers, 3rd
European Control Conference (Roma), 1995.
[Anzurez 2007] J. Anzurez M., "Diagnóstico de fallas en sistemas no lineales usando

lógca difusa y observadores con modos deslizantes", Tesis para obtener
el grado de Doctor en ciencias especialidad Ingeniería Eléctrica, CIN-
VESTAV, unidad Guadalajara, México, 2007.
[Shannon y Johannes 1976] Shannon, Robert;Johannes, James D. (1976). «Systems simula-

tion: the art and science» IEEE Transactions on Systems, Man and
Cybernetics. Vol. 6(10). pp. 723-724.
[Galán 2008] L. R. Izquierdo, J. M. Galán, J. I. Santos, R. del Olmo, (2008). «Mod-

elado de sistemas complejos mediante simulación basada en agentes y
mediante dinámica de sistemas» Empiria. Revista de Metodología de
Ciencias Sociales. Vol. 16. pp. 85-112.
[U. de Michigan 2009] Universidad de Michigan. Pagina principal. Estados Unidos. consulta
12 de noviembre 2009. http://www.engin.umich.edu/group/ctm/

Estimador Reducido 60

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estimador Reducido 60

Cargado por

Copyright:

Formatos disponibles

Firmado digitalmente por

FACULTAD DE INGENIERÍA ELÉCTRICA

“DISEÑO DE OBSERVADORES DEDICADOS

Que para obtener el Título de:

Morelia, Michoacán, Diciembre 2009

A llegado el momento de reconocer a las personas que durante el transcurso de esta

2. Conceptos Fundamentales del Diagnóstico de Fallas 9

3. Diseño de Observadores de Orden Completo y Orden Reducido 37

3.2. Observador de orden Competo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.1. Representación a bloques de un sistema . . . . . . . . . . . . . . . . . . . . . . . 11

3.1. Observador de orden reducido (diagrama de bloques) . . . . . . . . . . . . . . . 37

4.1. Motor (diagrama de cuerpo libre) . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.9. Péndulo Invertido (diagrama de cuerpo libre) . . . . . . . . . . . . . . . . . . . . 69

El presente trabajo presenta una aproximación para el diagnóstico de fallas basado en

1.5. Contenido de la tesis

Conceptos Fundamentales del

En este capítulo se presentan brevemente los conceptos principales en que se basan el

Existen diferentes formas de control automático, en general, todas se basan en un conocimien-

Figura 2.1: Representación a bloques de un sistema

representada en forma general como se muestra en la Ec. (2.1).

Figura 2.2: Diagrama de un sistema dinámico

Figura 2.3: Esquema de un sistema retroalimentado de control

o control retroalimentado. En este esquema, la perturbación f generalmente es desconocida e

Figura 2.4: Retroalimentación directa de estados

Figura 2.5: Retroalimentación de estados usando un estimador

sobre un intervalo …nito de tiempo [Vera 1994].

de muestreo. A pesar de de…nirse varias acciones de control (actual y futuras) solamente se

2.2. Modelado en Espacio de Estados

variables de estado con una ponderación conveniente [Tsong 1998].

lineal, pueden aplicarse varias herramientas lineales para análisis y diseño.

2.3. Observabilidad y Controlabilidad

Una representación mediante variables de estados de un sistema lineal, con matrices A,

x(t) = Ax(t) + Bu(t) (2.3)

y(t) = Cx(t) + Du(t) (2.4)

Donde A, B, C y D son funciones contínuas del tiempo.

De…nición 1 Estado controlable

De…nición 2 Sistema completamente controlable

De…nición 3 Estado observable

De…nición 4 Sistema completamente observable

2.4. Detección de Fallas en Sistemas Dinámicos

Un proceso productivo se mide en relación al nivel de seguridad que se puede garanti-

2.4.2. Clasi…cación de los métodos de generación de residuos

Figura 2.6: Sistema de diagnóstico

salidas medidas. El principal inconveniente de estas técnicas es el de construir o disponer de

Figura 2.7: Clasi…cación de métodos de generación de residuos

monitoreo de sus variables, se pueden establecer los siguientes conceptos:

x(t) = Ax(t) + Bu(t) + Bf fa (2.5)

y(t) = Cx(t) (2.6)

Figura 2.8: Representación de fallas en actuadores

x(t) = Ax(t) + Bu(t) (2.7)

y(t) = Cx(t) + Cf fs (2.8)

Figura 2.9: Representación de fallas en sensores

En el caso de fallas en el proceso, estructuralmente, en el modelo adoptado, la matriz A

x(t) = Ax(t) + Af x(t) + Bu(t) (2.9)

y(t) = Cx(t) (2.10)

Si consideramos que Af x = Af f p , entonces, para los modelos de fallas adoptados, f a ,

Figura 2.10: Representación de fallas en procesos

de residuos parásitos, se pueden manifestar en la generación de falsas alarmas durante la super-

2.5.2. Generación Robusta de Residuos

La primera fase en un proceso de detección de fallas es la generación de residuos, los cuales,

Figura 2.11: Esquema para la detección robusta de fallas

2.6. Observador Luenberger

x(t) = Ax(t) + Bu(t)