Documentos de Académico
Documentos de Profesional
Documentos de Cultura
299018-Sistemas Avanzados de Control PDF
299018-Sistemas Avanzados de Control PDF
PAMPLONA
Julio de 2009
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
MDULO
SISTEMAS AVANZADOS DE CONTROL
Copyright
Universidad Nacional Abierta y a Distancia
ISBN
2009
Centro Nacional de Medios para el Aprendizaje
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
INTRODUCCIN
INDICE DE CONTENIDO
INTRODUCCIN ......................................................................................................................... 5
Introduccin......................................................................................................................... 21
Introduccin......................................................................................................................... 44
Introduccin......................................................................................................................... 80
Introduccin....................................................................................................................... 117
Introduccin....................................................................................................................... 146
Leccin 10. Mtodo de estimacin por mnimos cuadra- dos generalizado (GLS) ........... 164
Introduccin....................................................................................................................... 166
Introduccin....................................................................................................................... 190
Introduccin....................................................................................................................... 206
Introduccin....................................................................................................................... 243
LISTADO DE TABLAS
Tabla 2 1 Tabla de reglas aplicadas............................................................................................. 177
Unidad 1.
Figura 1. 1 Instrumentos instalados en campo ............................................................................. 22
Figura 1. 5 Sustitucin de un lazo de control analgico por otro tipo DDC .................................... 26
Figura 1. 19 Esquema del lazo del sistema del pndulo invertido ................................................. 92
Figura 1. 20 Respuesta ante una entrada escaln unitario con control LQR. ................................. 97
Figura 1. 21 Respuesta corregida ante una entrada escaln unitario con control LQR................... 99
Unidad 2.
Figura 2. 1 Diagrama en bloques del control feedforward .......................................................... 119
Figura 2. 5 Diagrama tpico de nivel de un tanque para el ejemplo del control en cascada ......... 124
Figura 2. 7 Diagrama en bloques aplicando el control en cascada en el nivel de un tanque ........ 126
Figura 2. 8 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de
destilacin ................................................................................................................................. 127
Figura 2. 9 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de
destilacin ................................................................................................................................. 127
Figura 2. 22 Comportamiento del control override para la medida del caudal de LPG ................ 143
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Figura 2. 23 Sistema de control override entre presin nivel en los equipos situados en cabeza de
una columna desetanizadora ..................................................................................................... 144
Figura 2. 24. Respuesta al escaln de un sistema de primer orden con retardo .......................... 156
Figura 2. 47 Valor real pertenece al conjunto borroso "cero" en un grado de 0.4 ....................... 179
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Unidad 3.
Figura 3. 1 Sistema con control adaptativo................................................................................. 191
UNIDAD 1
Introduccin
Durante mucho tiempo los computadores eran demasiado grandes, lentos, caros e
inseguros desde el punto de vista de funcionamiento. Debido a la falta de
seguridad solamente podan utilizarse para realizar control supervisorio, es decir,
clculo de puntos de ajuste de controladores tradicionales con tecnologa
analgico, conectados directamente al proceso. Para llevar a cabo el control
supervisorio se pueden utilizar dos procedimientos:
Figura 5 muestra la sustitucin de un lazo de control analgico por otro tipo DDC.
La frecuencia de ejecucin de los algoritmos es similar a las utilizadas por el
control supervisorio.
Interfase al Proceso.
Interfaz al Operador.
Va de datos.
Interfase al Proceso
Suele haber dos tipos de equipos para realizar la interfase con el Proceso. Uno de
ellos, denominado habitualmente controlador, se dedica al procesamiento de lazos
de control con entrada, procedente de elementos de medidas, y salida hacia
elementos finales, mientras que otro mdulo se dedica al procesamiento de
entradas que no necesariamente realizar funciones de control, tal como
indicaciones. Entre los ltimos suele haber equipos especializados en
determinados tipos de entradas siendo el ms habitual el que procesa
temperaturas, conocido como multiplexor.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Interfaz al Operador
Va de datos
Hasta no hace mucho tiempo, las nicas vas de datos residan fundamentalmente
en las salas de control, para efectuar la comunicacin digital a partir de los
convertidores analgicos digitales existentes en las tarjetas de entrada a los
sistemas de control distribuido.
La lgica evolucin del mundo digital ha llegado hasta elementos de campo como
transmisores y posicionadores de vlvulas automticas, apareciendo la generacin
como elementos smart o inteligentes, la cual va sustituyendo progresivamente a la
comunicacin analgica de 4 a 20 mA. Para comunicacin de los nuevos
elementos con tecnologa digital aparecen las vas de datos campo (fielbus), con
diversos protocolos diseados por los fabricantes de instrumentos y equipos de
control, algunos de cuyos protocolos han desaparecido del mercado.
Nivel fsico
FOUNDATIONTM Fielbus es una red de rea local (Local Area Network), para
comunicacin digital, que interconecta elementos de campo tales como
transmisores finales, teniendo la posibilidad de distribuir el control a travs de la
red. La red puede ser de cable de cobre, fibra ptica o incluso de comunicacin
por radio. La longitud del cable (bus) depende de la calidad o caractersticas del
mismo, por ejemplo, un par de cobre trenzado y apantallado puede alcanzar hasta
1.900 metros, mientras que el mismo par no apantallado alcanza 400 metros,
dependiendo adems de la velocidad de transmisin. La seal utilizada para
comunicacin a travs del bus se codifica con la tcnica Manchester Biphase-L.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Sistema de comunicacin
Cuando un elemento tiene que proporcionar datos, el LAS manda que los emita
hacia el bus para ser utilizados por cualquier de los dispositivos conectados al
mismo.
Este nivel estn definido a su vez por varios bloques para llevar a cabo las
diferentes tareas encomendas al fielbus.
Los bloques pueden ser definidos para obtener la funcionalidad deseada. Por
ejemplo, una vlvula automtica puede contener un bloque PID y la salida
analgica (AO) correspondiente. Un transmisor puede contener una entrada
analgica (AI), de forma que el lazo de control se puede cerrar utilizando un
transmisor y una vlvula conectada al fieldbus, tal como se muestra la figura
1.14.
Ventajas e inconvenientes
Por el contrario existen una serie de inconveniente, entre los que se pueden citar:
Introduccin
Los observadores de estado, son herramientas virtuales, que permiten estimar las
variables o estados de un sistema en base a mediciones de las seales de salida
y seales de control. Estos observadores permiten enviar informacin estimada
acerca del valor que toman dichos estados, permitiendo conocer un aproximado
del valor real, adems cuentan con muy poco margen de diferencia o error.
Seccin 1. Clasificacin
Dado el sistema:
x& = Ax + Bu
(1.1)
y = Cx + Dx
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
donde:
x Vector de estado (n x 1)
A Matriz (n x n)
B Matriz (n x 1)
C Matriz (1 x n)
D Matriz (escalar)
x& = Ax + Bu + L( y y )
donde:
y Salida estimada
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Debe notarse que las matrices A, B, C, D son las mismas tanto para un sistema
real como para el sistema estimado. Para los clculos siguientes se asume que el
valor de D es cero.
x& x& = ( Ax + Bu ) ( Ax + Bu + L( y y ))
x& x& = Ax Ax L( y y )
x& x& = A( x x ) L(Cx Cx )
x& x& = A( x x ) LC ( x x )
x& x& = ( A LC )( x x )
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Si se sabe que el error esta definido como la diferencia entre el estado real y el
estado estimado, entonces se tendr:
e= xx
e& = x& x&
e& = ( A LC ) e
Existe una condicin necesaria, la cual consiste en que el sistema obtenido sea
estable y completamente controlable y observable.
0 2 0
x& = x + u
1 4 1
y = [0 1]x
Solucin
L
L = 1
L2
2 L1
[sI A + LC ] = s
1 0 0
+ [0 1]
0 1 1 4 L2
2 0 L1
[sI A + LC ] =
s 0 0
+
0 s 1 4 0 L2
2 + L1
[sI A + LC ] =
s
1 s + 4 + L2
[sI A + LC ] = s( s + 4 + L2 ) + (2 + L1 )
[sI A + LC ] = s 2 + (4 + L2 ) s + (2 + L1 )
Analizando la respuesta del ejemplo anterior nos podemos dar cuenta que los
valores que toman L1 y L2 estn condicionadas por las races del polinomio, las
cuales a su vez estn condicionadas por las caractersticas con que se desea que
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
cuente el sistema, por tanto se puede elegir races de tal modo de poder controlar
la respuesta del sistema en lazo cerrado.
Por lo tanto se puede asumir valores para dichas races, a los que llamaremos 1 y
2 de modo tal que el polinomio tenga una respuesta estable. Luego por simple
equivalencia de trminos podemos hallar el valor de las incgnitas.
Solucin
( s 1 )( s 2 ) = ( s + 4)( s + 3) = s 2 + 7 s + 12
2 2
s = s
donde (4 + L2)s = 7s L2 = 3
(2 + L1) = 12 L1 = 10
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
NOTA: Este mtodo esta restringido a sistemas de hasta 3er orden, adems el
sistema debe estar en la forma cannica observable.
Es aconsejable que los polos del observador sean de 3 a 5 veces mayores (ms
negativos) que los polos del controlador por realimentacin de estados, pero sin
salirse de la regin de estabilidad dada por el lugar geomtrico de las races. La
eleccin de los polos deseados van a determinar las caractersticas de la
respuesta obtenida, por lo que puede existir un conjunto infinito de vectores L
como solucin, de las cuales solo un limitado nmero 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 simulacin, la respuesta del sistema a diferentes valores de polos
escogidos.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
1
C 0
CA 0
L = ( A)
M M
n 1
CA 1
0 1 0
x& = x + u
1 2 1
y = [0 1]x
Solucin
1
0 1 0
L = ( A + 6 A + 10 I )
2
1 2 1
1 2 0 6 10 0 2 1 0
L = + +
2 3 6 12 0 10 1 0 1
9 4 1
L=
4 1 0
9
L=
4
Controlabilidad: Wc = B [ AB K A n 1 B ]
C
CA
Observabilidad: Wo =
M
n 1
CA
Q = (W x Wo)-1
a n 1 a n 2 K a1 1
a a n 3 K 1 0
n2
W = M M N M M
a1 1 L 0 0
1 0 L 0 0
En donde a1, a2, an-2, an-3, son los coeficientes del polinomio
caracterstico original |sI-A|.
bn a n
b a
n 1 n 1
L = Q bn 2 a n 2
M
b1 a1
(*)
La deduccin de esta expresin puede encontrarse en el libro Ingeniera de Control Moderna, Katsuhiro
Ogata, 3ra Edicin, Cp.12, Pg. 817-820.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
0 1 0 0
x& = 0 0 1 x + 0u
2 1 2 1
y = [1 0 0]x
Solucin.
1)
Controlabilidad Observabilidad
0 0 1 1 0 0
Wc = 0 1 2
Wo = 0 1 0
1 2 3 0 0 1
rank(Wc) = 3 rank(Wo) = 3
det(Wc) = -1 det(Wo) = 1
2)
s 0 0 0 1 0
[sI A] = 0 s 0 0 0 1
0 0 s 2 1 2
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
s 1 0
[sI A] = 0 s 1
2 1 s + 2
[sI A] = s(s 2 + 2s + 1) + 2
[sI A] = s 3 + 2s 2 + s + 2 s 3 + a1 s 2 + a 2 s + a 3
a1 = 2 a 2 = 1 a 3 = 2
3) Q = ( W x Wo )-1
a 2 1 1 2 1
a1
W = a1 10 = 2 1 0
1 00 1 0 0
1 2 1 1 0 0 1 2 1
W Wo = 2 1 0 0 1 0 = 2 1 0
1 0 0 0 0 1 1 0 0
0 0 1
Q = 0 1 2
1 2 3
4)
(s - 1) (s - 2) (s - 3)
= (s + 5) (s + 2 + j) (s + 2 - j)
= (s + 5) (s2 + 4s + 5)
b1 = 9 b2 = 25 b3 = 25
5)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
b3 a3 0 0 1 23
L = Q b2 a 2 = 0 1 2 24
b1 a1 1 2 3 7
L1 7
L = L2 = 10
L3 4
Se puede hacer uso del software Matlab, para lo cual se emplea el comando acker
o el comando place.
x& = Ax + Bu
Dado el sistema , y un vector de polos deseados: P = [1 2 L n ]
y = Cx + Dx
L = acker (A,B,P)
0 1 0 0
x& = 0 0 1 x + 0u
3 2 1 1
y = [2 0 0]x
Solucin.
>> A = [0 1 0; 0 0 1; -3 -2 -1];
>> C = [2 0 0];
>> L = acker(A',C',P)'
L=
1.5000
0.5000
-3.0000
>> L = place(A',C',P)'
L=
1.5000
0.5000
-3.0000
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
0 0 4 0
x& = 1 0 1 x + 0u
0 1 2 1
y = [0 0 1]x
Solucin
1) Mtodo completo
Controlabilidad Observabilidad
0 4 8 0 0 1
Wc = 0 1 2 Wo = 0 1 2
1 2 3 1 2 3
rank(Wc) = 3 rank(Wo) = 3
det(Wc) = 16 det(Wo) = -1
s 0 0 0 0 4
[sI A] = 0 s 0 1 0 1
0 0 s 0 1 2
s 0 4
[sI A] = 1 s 1
0 1 s + 2
[sI A] = s(s 2 + 2s + 1) + 4
[sI A] = s 3 + 2s 2 + s + 4 s 3 + a1 s 2 + a 2 s + a 3
a1 = 2 a 2 = 1 a 3 = 4
Q = ( W x Wo )-1
a2 a1 1 1 2 1
W = a1 1 0 = 2 1 0
1 0 0 1 0 0
1 2 1 0 0 1 1 0 0
W Wo = 2 1 0 0 1 2 = 0 1 0
1 0 0 1 2 3 0 0 1
1 0 0
Q = 0 1 0
0 0 1
(s - 1) (s - 2) (s - 3)
= (s + 2) (s + 3 + 0.5j) (s + 3 0.5j)
= (s + 2) (s2 + 6s + 9.25)
b1 = 8 b2 = 21.25 b3 = 18.5
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Vector Observador
b3 a3 1 0 0 14.5
L = Q b2 a 2 = 0 1 0 20.25
b1 a1 0 0 1 6
L1 14.5
L = L2 = 20.25
L3 6
2) Mtodo abreviado
s 0 0 0 0 4 L1
[sI A + LC ] = 0 s 0 1 0 1 + L2 [0 0 1]
0 0 s 0 1 2 L3
s 0 4 0 0 L1
[sI A + LC ] = 1 s 1 + 0 0 L2
0 1 s + 2 0 0 L3
s 0 4 + L1
[sI A + LC ] = 1 s 1 + L2
0 1 s + 2 + L3
[sI A + LC ] = s( s 2 + sL3 + 2s + 1 + L2 ) + (4 + L1 )
[sI A + LC ] = s 3 + (2 + L3 ) s 2 + (1 + L2 )s + (4 + L1 )
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Polinomio deseado
(2+L3)s2 = 8s2 L3 = 6
donde (1 + L2)s = 21.25s L2 = 20.25
1
0 0 1 0
L = ( A + 8 A + 21.25 A + 18.5 I ) 0 1 2 0
3 2
1 2 3 1
0 0 4
3
0 0 4
2
0 0 4 1 0 0 1 2 1 0
L = 1 0 1 + 81 0 1 + 21.251 0 1 + 18.510 1 0 2 1 0 0
0 1 2 0 1 2 0 1 2 0 0 1 1 0 0 1
14.5 24 33 1
L = 20.25 8.5 32.25 0
6 8.25 8 0
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
L1 14.5
L = L2 = 20.25
L3 6
4) Usando matlab
>> C = [0 0 1];
>> L = acker(A',C',P)'
L=
14.5000
20.2500
6.0000
>> L = place(A',C',P)'
L=
14.5000
20.2500
6.0000
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
En la prctica no todas las variables necesitan ser observadas, habr algunas que
se podrn medir directamente y con buena precisin, por tanto no ser necesario
un observador que estime todos los estados, sino ms bien solo algunos de ellos.
X1
X
2
M
Xm
X =
X m +1
X m + 2 X1 Xm Estados conocidos o medibles
M
X n n1
Xm+1 Xn Estados no conocidos que requieren ser observados
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Obtenindose:
Aaa mxm
Aab m x n-m
Aba n-m x m
Ba mx1
Bb n-m x 1
Ca 1xm
Cb 1 x n-m
x& = Ax + Bu
y = Cx + Dx
X Xb
A Aab
Bu Aba Xa + Bb u
Y X&a Aaa Xa Ba u
Y Aab Xb
C Aab
x& = Ax + Bu + L( y y )
Se pueden aplicar los mismos mtodos usados para hallar los observadores de
orden completo, pero tenemos que hacer una variacin la cual consiste en
reemplazar los ndices: en vez de considerar el ndice n, se debe considerar el
ndice i. Por ejemplo si un sistema es de orden 4 y tiene un estado medible,
entonces m=1, y por tanto el sistema observado ser de orden 3 (n m = 4 1 = 3
= i).
(*)
La deduccin de esta expresin puede encontrarse en el libro Ingeniera de Control Moderna, Katsuhiro
Ogata, 3ra Edicin, Cp.12, Pg. 832-833.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
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 metodologa que para los
observadores de orden completo, considerando el nuevo orden del sistema (i) y
las nuevas matrices del sistema (Abb, Aba, Aab, Aaa).
0 1 0 0
x& = 1 0 1 x + 0u
6 11 6 1
y = [1 0 0]x
Solucin
D Aaa
C Aab
B Aba
A Abb
0 0 1
Aaa = [0] Aab = [1 0] Aba = Abb =
6 11 6
1) Mtodo completo
Controlabilidad Observabilidad
0 6 Aab 1 0
Wcr = [ Aba Abb Aba ] = Wor = =
6 6 Aab Abb 0 1
rank(Wc) = 2 rank(Wo) = 2
1
[sI A] [sI Abb] =
s 0 0 1 s
=
0 s 11 6 11 s + 6
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
[sI Abb] = s 2 + 6s + 11 s 2 + a1 s + a 2
a1 = 6 a 2 = 11
Q = ( W x Wo )-1
a 1 6 1
W = 1 =
1 0 1 0
6 1 1 0 6 1
W Wor = =
1 0 0 1 1 0
0 1
Q=
1 6
(s - 1) (s - 2)
= (s + 2 + 3.4641j) (s + 2 3.4641j)
= s2 + 4s + 16 s2 + b1s + b2
b1 = 4 b2 = 16
Vector Observador
b a 2 0 1 5
L = Q 2 =
b1 a1 1 6 2
L 2
L = 1 =
L2 17
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
2) Mtodo abreviado
1 L1
[sI Abb + L Aab] = s
1 0 0
+ [1 0]
0 1 11 6 L2
1 L1 0
[sI Abb + L Aab] =
s
+
11 s + 6 L2 0
s + L1 1
[sI Abb + L Aab] =
11 + L2 s + 6
Polinomio deseado
( s 1 )( s 2 ) = s 2 + 4s + 16
6 + L1 = 4 L1 = -2
6 L1 + 11 + L2 = 16 L2 = 17
Si (s) = ( s 1 )( s 2 ) = s 2 + 4s + 16
1 0
L = ( Abb 2 + 4 Abb + 16 I ) [Wor ]
1
1
0 1
2
0 1 1 0 1 0 0
L= + 4 + 16
11 6
11 6 0 1 0 1 1
5 2 0
L=
22 17 1
L 2
L = 1 =
L2 17
4) Usando MATLAB
L=
-2
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
17
L=
-2
17
donde:
x Vector de estado (n x 1)
u Seal de control (1 x r)
A Matriz (n x n)
B Matriz (n x r)
C Matriz (q x n)
D Matriz (q x r)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
r Es el nmero de entradas
q Es el nmero de salidas
En cambio, el nmero de salidas con que cuente el sistema si afecta el diseo del
observador. En este caso se aplica el Principio de Separabilidad Lineal, el cual
consiste en separar las salidas y trabajarlas como si fueran provenientes de
sistemas distintos.
Por ejemplo;
1 2 3
si se tiene la siguiente matriz C (matriz de salidas) C=
4 5 6
0 1 0
x& = x + u
5 5 1
1 0
y= x
0 1
Solucin
C1 = [1 0] C2 = [0 1]
L L L L
L1 = 11 L2 = 21 L = [L1 L2 ] = 11 21
L12 L22 L12 L22
Mtodo completo
Controlabilidad Observabilidad
0 1 C 1 0
Wc = [B A B] = Wo1 = 1 =
1 5 C1 A 0 1
rank(Wc) = 2 rank(Wo) = 2
det(Wc) = -1 det(Wo) = 1
C 0 1
Wo2 = 2 =
C 2 A 5 5
rank(Wo) = 2
det(Wo) = 5
El sistema es observable
1 s 1
[sI A] =
s 0 0
=
0 s 5 5 5 s + 5
[sI A] = s 2 + 5s + 5 s 2 + a1 s + a 2
a1 = 5 a 2 = 5
Q = ( W x Wo1 )-1
a 1 5 1
W = 1 =
1 0 1 0
5 1 1 0 5 1
W Wo1 = =
1 0 0 1 1 0
0 1
Q=
1 5
(s - 1) (s - 2)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
= (s + 1) (s + 2)
= s2 + 3s + 2 s2 + b1s + b2
b1 = 3 b2 = 2
Vector Observador
b a 2 0 1 3
L1 = Q 2 =
b1 a1 1 5 2
L 2
L1 = 11 =
L12 7
Q = ( W x Wo2 )-1
a 1 5 1
W = 1 =
1 0 1 0
5 1 0 1 5 0
W Wo2 = =
1 0 5 5 0 1
0.2 0
Q=
0 1
(s - 1) (s - 2)
= (s + 1+j) (s + 1-j)
= s2 + 4s + 5 s2 + b1s + b2
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
b1 = 2 b2 = 2
Vector Observador
b a 2 0.2 0 3
L2 = Q 2 =
b1 a1 0 1 3
L 0.6
L2 = 21 =
L22 3
L L 2 0.6
L = [L1 L2 ] = 11 21 =
L12 L22 7 3
>> A = [0 1; -5 -5];
>> C = [1 0; 0 1];
>> C1 = C(1,:);
>> C2 = C(2,:);
>> L1 = acker(A,C1,P1)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
L1 =
-2.0000
7.0000
>> L2 = acker(A,C2,P2)
L2 =
0.6000
-3.0000
L=
-2.0000 0.6000
7.0000 -3.0000
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Introduccin
3. Los autovalores del observador deben elegirse ms rpidos que los del
controlador, pero, se tiene algn criterio adicional para preferir una configuracin
a otra?
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.1)
Las transiciones posibles se representan por los arcos que conectan el estado
inicial al final a travs de los estados intermedios. El costo asociado a cada
transicin se representa con la letra J; por ejemplo, el costo de moverse del estado
3 al 5 es J35. Asumiendo que los costos se acumulan en forma aditiva, vemos
que la trayectoria marcada en rojo, por ejemplo, tiene un costo total J13 + J35
+ J56 + J68 . Como hay varias rutas alternativas del estado 1 al 8, el costo total
depender de la trayectoria elegida. La seal de control u[k] que determina la
trayectoria de menor costo es la estrategia ptima. Como ya veremos, en
sistemas de tiempo continuo, la acumulacin de costos se representa mediante
integracin, en vez de suma. La herramienta matemtica que usaremos para
determinar la estrategia ptima es el principio de optimalidad de Bellman. En
cualquier punto intermedio xi en una trayectoria optima entre x0 y xf, la estrategia
desde xi al punto final xf debe ser en s una estrategia optima.. Este obvio
principio nos permitir resolver en forma cerrada nuestros problemas de control
optimo. Tambin se usa en el cmputo recursivo de las soluciones ptimas en un
procedimiento llamado programacin dinmica. Una ventaja de usar el esquema
de control ptimo cuadrtico es que el sistema diseado ser estable, excepto en
el caso en el que el sistema no es controlable. Al disear sistemas de control con
base en la minimizacin de los ndices de desempeo cuadrtico se necesita
resolver las ecuaciones de Riccati. MATLAB tiene un comando Lqr que
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.3)
sigue los mismos pasos que el de tiempo discreto, solo que las transiciones se
reducen a incrementos infinitesimales. El costo es ahora:
(3.
4)
(3.5)
(3.6)
(3.7)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Los transitorios en P(t) y K(t) ocurrirn sobre el final del intervalo [t0 , tf ]. Pero, la
ecuacin diferencial de ricatti es en general de difcil solucin. Aun, hacindolo
numricamente, cmo pueden guardarse los (infinitos) valores de P(t) calculados
en tiempo invertido para ser aplicados luego al sistema? Esta dificultad lleva a
buscar una solucin ptima estacionaria, K (t) = K , que surge de considerar el
caso de horizonte infinito tf
(3.8)
(3.9)
Transicin [N 1] [N]
(3.10)
(3.11)
(3.
12)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.13)
(3.14)
(3.15)
(3.16)
(3.17)
(3.18)
donde
(3.19)
(3.
20)
(3.21)
donde se define
(3.22)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.23)
es decir
(2.24)
(3.25)
(3.26)
Transicin [N 2] [N]
Tomamos otro paso para atrs en el cmputo del control ptimo y consideremos
ahora que estamos en el paso N 2:
(3.27)
(3.28)
(3.29)
Igual que antes, podemos minimizar JN 2,N 1 sobre todos los posibles uN 2, y es
fcil ver que las expresiones son las mismas pero con N 1 en vez de
N, y N 2 en vez de N 1,
, (3.30)
(3.31)
, (3.32)
donde
(3.33)
(3.34)
SN = S (3.35)
(3.36)
Ejemplo:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.37)
(3.38)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Los criterios de diseo con para una referencia escaln de 0.2m en el carro son
los siguientes:
Este sistema tiene una entrada y dos salidas. Usando los mtodos de
estado estacionario es relativamente simple disear un controlador para conseguir
seguimiento en ambas salidas, ngulo y posicin del carro. El problema puede
resolverse con realimentacin de estados. El esquema del lazo de control es el
siguiente:
i = 0.006;
g = 9.8;
l = 0.3;
p = i*(M+m)+M*m*l^2; % denominador
A = [0 1 0 0;
-(i+m*l^2)*b/p (m^2*g*l^2)/p 0;
0 0 1;
C = [1 0 0 0; 0 1 0];
D = [0;0];
p = eig(A)
p =
5.5651
-0.1428
-5.6041
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
>> Q=C*C
Q =
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0
Los elementos en las posiciones (1,1) ser usado para pesar la posicin del carro,
y el elemento (3,3) para pesar el ngulo del pndulo. Se deja el peso en el
control R = 1. Ahora se sabe qu forma tiene Q, se puede experimentar hasta
encontrar la matriz K que da un buen controlador. Se disea un programa para
que los cambios en Q se vean automticamente en la respuesta del controlador
obtenido para cada iteracin hasta encontrar la Q y K que satisfacen los
requerimientos de diseo. anexamos el programa completo:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
>> 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;
C = [1 0 0 0;
0 0 1 0];
D = [0;0]
p = eig(A) Q=C*C
x=1;
y=1;
Q=[x 0 0 0; 0 0 0 0; 0 0 y 0; 0 0 0 0];
R = 1;
K = lqr(A,B,Q,R)
Ac = [(A-B*K)];
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Bc = [B];
Cc = [C]; Dc = [D];
T=0:0.01:5; U=0.2*ones(size(T));
[Y,X]=lsim(Ac,Bc,Cc,Dc,U,T);
plot(T,Y)
grid
legend(Carro,Pendulo invertido)
D=
p=
5.5651
-0.1428
-5.6041
Q=
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0
K=
>>
Puede observarse tambin que el carro no est cerca de la posicin deseada sino
que se movi para el lado opuesto. Corregiremos este error en la seccin
siguiente; por ahora nos concentramos en los tiempos de subida y
establecimiento. Volviendo al archivo-m, cambiamos las variables x e y para ver si
se puede obtener una respuesta mejor. Vemos que aumentando x reducimos
los tiempos de establecimiento y subida, y bajamos el ngulo que se mueve el
pndulo. Usando x = 7000 e y = 200, se obtienen los siguientes valores de D Q Y
K y la respuesta a lazo cerrado:
Figura 1. 20 Respuesta ante una entrada escaln unitario con control LQR.
D=
0
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
p=
5.5651
-0.1428
-5.6041
Q=
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0
Figura 1. 21 Respuesta corregida ante una entrada escaln unitario con control LQR.
(3.43)
con una realimentacin esttica de estados u(t) = K x(t) tal que se minimice el
funcional de costo
(3.44)
incurriendo en un costo
(3.46)
(3.47)
(3.48)
(3.49)
(3.50)
se selecciona como funcin costo que penaliza el uso de un control con una gran
magnitud como:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.51)
(3.52)
(3.53)
De donde:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.54)
(3.55)
(3.56)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
donde el ruido del proceso w(k) y el ruido de medicin v(k) son secuencias
aleatorias de media cero, esto es:
donde P(k) es la matriz de covariancia del error del estimado tras las mediciones,
es decir del error de xe(k). Viene dada por la frmula:
Donde la matriz M(k) es la matriz de covarianza del error del vector xp(k) y se
calcula de manera recurrente mediante:
constantes pues lo nico que se requiere es que sean de valor conocido y que la
ganancia de Kalman se puede calcular de antemano pues no depende del valor
que tomen las variables ni sus estimados, evaluando recursivamente todas las
ecuaciones anteriores.
Ejercicio realizado.
Donde
(3.68)
(3.69)
(2.70)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Etcetera. . .
L2 = 0.41861.1783
(3.72)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Chi Tsong Chen, Linear System. Theory and Design Oxford University
Press. 3ra Edicin. USA. 1998.
David Bardey y Hle Bonnet, Donal E. Kira Teora del control ptimo Una
gua para principiantes! - Universidad del Rosario
http://www.urosario.edu.co/economia/documentos/pdf/bi87.pdf, pagina web
consultada el 15 de julio de 2009.
UNIDAD 2
Introduccin
El control feedback tambin tiene una serie de desventajas, entre las que se
pueden citar:
Entre las tcnicas para realizar control avanzado se pueden encontrar las
siguientes:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Control feedforward.
Control en cascada.
Control de relacin.
Control selectivo.
Como puede verse, cada una de las entradas llega al proceso pon un lugar
diferente, por lo que afectan de distinta forma a la variable controlada. La ecuacin
que describe al proceso es:
Vc=Vm*Gm-Vp*Gp
Vm=(R+Vp*Gp)/Gm
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Hs*Fs=Fp*Cp*(Ts-Te)
Fs=Fp*(Cp/Hs)*(R - Te)
La compensacin dinmica hace coincidir en el tiempo las variables para que nos
e produzca desviacin entre el valor real de la variable controlada y el valor
deseado como referencia.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Todo esto hace que sea necesario recurrir a un procedimiento que sea capaz de
mantener la variable controlada en su valor de referencia. Este procedimiento es el
control feedback.
Figura 2. 5 Diagrama tpico de nivel de un tanque para el ejemplo del control en cascada
Q = K * P1 P2
Esto hace que al disminuir P2 aumente el caudal de paso para la misma apertura
de vlvula. Se puede observar, por tanto, que un cambio en la diferencia de
presin ocasiona un cambio en el paso por la vlvula, que a su vez modifica el
nivel en el recipiente. En otra palabras, existe interaccin entre caudal y nivel, la
cual se puede de amortiguar efectuando control en cascada, tal como aparece en
la Figura 2.6. Con esta tcnica, tan pronto se modifique el caudal se llevar a cabo
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
la correccin necesaria sobre la vlvula antes que se vea afectado el nivel del
recipiente.
Llegados a este punto se puede ver que un sistema de control en cascada utiliza
dos controladores feedback. Solamente uno de ellos, denominado esclavo o
secundario, tiene salida al proceso, en este ejemplo el controlador de caudal. El
controlador de nivel, denominado mster o primario, se utiliza para fijar el punto de
ajuste del secundario. La variable a controlar es la medida del controlador
primario, mientras que la medida de caudal del secundario es una variable
intermedia.
Figura 2. 8 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de destilacin
Figura 2. 9 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de destilacin
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Este caso se puede hacer extensivo a todos los intercambios de calor utilizados en
proceso unitarios. Por ejemplo, en una columna de destilacin se pueden
presentar dos casos tpicos, como son:
Queda, por ltimo, comentar que a veces se utilizan sistemas con tres
controladores en cascada, como queda representado en la Figura 2.11.
En realidad estos casos suelen ser ms tericos que prcticos, por la dificultad
que existe para sintonizar tres lazos de control en serie. En cualquier caso, si se
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
utiliza este sistema de control, los parmetros de ajuste del lazo de composicin
del producto deben ser lo suficientemente relajados para no producir oscilacin en
el conjunto.
Con alternativa a los tres controladores en serie se puede utilizar alguno de los
sistemas siguientes:
Con este sistema se puede utilizar, por ejemplo, como controlador primario
principal el correspondiente a la composicin, y slo en caso de fallo de ste, o a
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Figura 2. 13 Diagrama de un absorbedor en el que se elimina SH2 utilizando como absorbente Mono Etanol
Amina (MEA)
Donde se desea aadir el lquido en relacin al total y saber que este total
contiene un porcentaje del componente deseado (B). se utiliza para mezclar
las componentes, como se ver en el sistema de blending.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Cuando se trata de seleccionar entre los milivoltios generados por cada uno de los
termopares implicados.
Figura 2. 22 Comportamiento del control override para la medida del caudal de LPG
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Figura 2. 23 Sistema de control override entre presin nivel en los equipos situados en cabeza de una
columna desetanizadora
Introduccin
Esta ciencia trata de inferir modelos a partir de observaciones y estudiar sus propiedades.
Los modelos (hiptesis, leyes de la naturaleza, paradigmas, etc.) pueden tener un
carcter ms o menos formal, pero con la caracterstica bsica de enlazar observaciones
bajo algunos patrones. La identificacin de sistemas trata el problema de construir
modelos matemticos de sistemas dinmicos a partir de datos obtenidos del propio
sistema. La leccin se basa en metodologas tericamente bien sustentadas y, debidas a
la abundancia de sistemas dinmicos que existen a nuestro alrededor, las tcnicas de
identificacin de sistemas encuentran un extenso campo de aplicacin.
La nocin de sistema es, obviamente, muy amplia, por cuanto este concepto representa
un papel muy importante en la ciencia moderna. Muchos problemas de diferente ndole
son solucionados con estructuras orientadas a sistemas. En trminos muy generales,
hablar de sistemas dinmicos implica que el valor presente en la salida de un sistema en
un instante depende no solamente de los valores de las entradas en ese instante sino
tambin de sus valores previos.
Leccin 6. Generalidades
3. Utilizar los datos para determinar los parmetros no conocidos del modelo fsico
obtenido a base del estudio de propiedades y leyes fsicas del proceso estudiado.
En este caso se habla de modelos tailor-made de los cuales se debe estimar
solamente los valores de los parmetros no conocidos. Para ello se recurre a
ensayos de comportamiento o pruebas fsicas y/o a la utilizacin de tcnicas de
optimizacin.
El curso propuesto se centra en las dos primeras. Otro aspecto a tener en cuenta
ser el tipo de modelo matemtico que se pretende identificar. Hay varias
formas de catalogar los modelos matemticos [Ljung94]: deterministas o
estocsticos, dinmicos o estticos, de parmetros distribuidos o concentrados,
lineales o no lineales, y de tiempo continuo o tiempo discreto. Los tipos de
modelos que se pretende analizar en este curso sern:
o tambin
(2.8)
y entonces
(2.9)
(2.10)
Con
o tambin
(2.16)
y entonces
(2.17)
(2.18)
(2.19)
Modelo Box Jenkins: Una generalizacin evidente del modelo output error se
puede obtener modelando ms el error. Como descripcin ARMA para estos se
tiene la siguiente:
(2.20)
(2.21)
(3.22)
(2.23)
(3.24)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.25)
(3.26)
(3.27)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(3.28)
Tal como se muestra en la figura 2.28, consiste en multiplicar la salida del sistema
por una seal seno y una seal coseno de la misma frecuencia que la entrada del
sistema y a continuacin integrar las seales obtenidas considerando un intervalo
especifico de medida Tm:
(2.31)
(2.32)
(2.33)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.34)
(2.35)
(2.36)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.37)
(2.38)
(2.39)
(2.40)
(2.41)
(2.42)
(2.44)
donde:
(2.45)
(2.46)
( )
G q 1 =
1
( )
D q 1
(2.48)
(2.49)
(2.50)
(2.51)
Hacer una nueva estimacin por mnimos cuadrados utilizando las seales
filtradas. Este proceso debe repetirse, a partir de la segunda etapa, tantas veces
como sea necesario hasta conseguir la convergencia. La convergencia del
mtodo se evala comprobando que los residuos definidos obtenidos sean
blancos. Para ello puede utilizarse el test de auto correlacin. Para utilizarse este
mtodo deben definirse tanto el orden de la parte determinista como el orden de la
parte estocstica. Para simplificar el problema, la mayora de las veces se
considera que son del mismo orden.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
La lgica borrosa (Fuzzy Logic) ha surgido como una herramienta lucrativa para el
control de subsistemas y procesos industriales complejos, as como tambin para
la electrnica de entretenimiento y hogar, sistemas de diagnstico y otros sistemas
expertos. Aunque la lgica borrosa se invent en Estados Unidos el crecimiento
rpido de esta tecnologa ha comenzado desde Japn y ahora nuevamente ha
alcanzado USA y tambin Europa. La lgica borrosa es todava un boom en
Japn, el nmero de cartas patentando aplicaciones aumenta exponencialmente.
Principalmente se trata de aplicaciones ms bien simples de lgica borrosa.
Lo borroso ha llegado a ser una palabra clave para vender. Los artculos
electrnicos sin componentes borrosos se estn quedando gradualmente
desfasados. Como una mordaza, que muestra la popularidad de la lgica borrosa,
cada vez es ms frecuente un sello con "fuzzy logic" impreso sobre el producto.
Parece que la Lgica Borrosa es algo reciente y en lo que se lleva trabajando poco
tiempo pero sus orgenes se remontan a los tiempos de los filsofos Aristteles y
Platn. Ellos son los primeros en considerar que las cosas no tienen porqu ser de
un cierto tipo o dejar de serlo, sino que hay una escala intermedia enre los dos
extremos. Es ms son los pioneros en considerar que existan diferentes grados
de verdad y falsedad. Por ejemplo, en el caso de los colores, entre el blanco y el
negro hay una escala de tonalidades grises.
definiciones claras y que por lo tanto haba principios contradictorios que no tenan solucin. Uno
de los ejemplos dados por Kant es que, la materia poda ser dividida infinitamente, pero al mismo
tiempo no poda ser dividida infinitamente. En conclusin, ambos detectaron algunos principios
contradictorios en la Lgica Clsica.
El padre del trmino "borroso" fue Lofti Asier Zadeh, figura 2.30 cuando en 1965
public "Fuzzy Sets" (Conjuntos Difusos).
Las tesis que propone surgen del estudio de pensadores de distintas disciplinas
que como l, tenan una visin de los problemas diferente de la lgica tradicional.
La paradoja del conjunto de Bertrand Russell, el principio de incertidumbre de la
fsica cuntica de Werner Heisenberg, la teora de los conjuntos vagos de Max
Black y la aportacin de Jan Lukasiewiz, influyeron para que Zadeh publicase el
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
ensayo "Fuzzy Sets" en la revista "Information and Control" y tres aos despus
en 1968, "Fuzzy Algorithm".
Al comienzo las ideas publicadas por Zadeh no fueron seguidas por la comunidad
cientfica del momento, pero con el tiempo comenz a tener seguidores lo que
produjo que sus teoras fuesen ampliadas y se asentaran sus conocimientos.
En 1987 Hitachi usa un controlador fuzzy para el control del tren de Sendai, el cual
usa uno de los sistemas ms novedosos creados por el hombre. Desde entonces,
el controlador ha realizado su trabajo correctamente con la consiguiente
satisfaccin por parte de los usuarios de dicho tren.
Es tambin en este ao cuando la empresa Omron desarrolla los primeros
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Otro factor decisivo para continuar con la investigacin de este campo es el inters
en las redes neuronales y su semejanza con los sistemas fuzzy. Se buscan
relaciones entre las dos tcnicas obtenindose como resultado los sistemas
neuro-fuzzy, que usan mtodos de aprendizaje basados en redes neuronales para
identificar y optimizar sus parmetros. Para finalizar, aparecen los algoritmos
genticos que sumados a las redes neuronales y los sistemas fuzzy son
herramientas de trabajo muy potentes en el campo de los sistemas de control.
Ejemplo:
En primer lugar consideramos un conjunto X con todos los nmeros reales entre 0
y 10 que nosotros llamado el universo de discurso. Ahora, definimos un
subconjunto A de X con todos nmeros reales en el rango entre 5 y 8. A = [5,8]
Se puede interpretar los elementos que han asignado el nmero 1 como los
elementos que estn en el conjunto A y los elementos que han asignado el
nmero 0 como los elementos que no estn en el conjunto A.
B = [0,20]
De esta forma unos 25 aos de edad todava sera joven al grado de 50 por ciento.
Ahora sabemos qu es un conjunto borroso. Pero qu se puede hacer con l?.
Ahora que se tiene una idea de lo que son conjuntos borrosos, se puede introducir
las operaciones bsicas sobre conjuntos borrosos. Parecido a las operaciones
sobre conjuntos booleanos nosotros tambin se puede interseccionar, unificar y
negar conjuntos borrosos. En su primersimo artculo sobre conjuntos borrosos, L.
A. Zadeh sugiri el operador mnimo para la interseccin y el operador mximo
para la unin de dos conjuntos borrosos. Es fcil ver que estos operadores
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
A fin de aclarar esto, se muestra varios ejemplos. Sea A un intervalo borroso entre
5 y 8, y B un nmero borroso entorno a 4. Las figuras correspondientes se
muestran a continuacin:
La figura 2.36 siguiente muestra la operacin AND (Y) del conjunto borroso A y el
nmero borroso B (el resultado es la lnea azul).
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Figura 2. 37 Operacin OR
El problema est en equilibrar una prtiga sobre una plataforma mvil que puede
moverse en dos nicas direcciones, a la izquierda o a la derecha. Ante todo,
nosotros tenemos que definir (subjetivamente) cual es la velocidad del anden: alta,
baja, etc. Esto se hace para especificar las funciones pertenecientes al conjunto
borroso:
Aprciese que, para hacerlo ms fcil, suponemos que al principio la prtiga est
en una posicin cercana a la central para que un ngulo mayor de, digamos, 45
grados en cualquier direccin no pueda - por definicin - ocurrir.
Considere por ejemplo que la prtiga est en la posicin central (el ngulo es cero)
y no se mueve (la velocidad angular es cero). Obviamente esta es la situacin
deseada, y por lo tanto no tenemos que hacer nada (la velocidad es cero).
Consideremos otro caso: el polo est en la posicin central como antes, pero est
en movimiento a baja velocidad en la direccin positiva. Naturalmente nosotros
tendramos que compensar el movimiento de la prtiga moviendo la plataforma en
la misma direccin a baja velocidad.
De esta forma hemos constituido dos reglas que pueden ponerse en una forma
ms formalizada como esta:
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
ngulo
velocidad NA NB C PB PA
NA NA
NB NB C
velocidad angular
C NA NB C PB PA
PB C PB
PA PA
Tabla 2 1 Tabla de reglas aplicadas
donde NA es una (usual) abreviatura para negativa alta, NB para negativa baja,
etc.
Ahora se muestra como aplicar nuestras reglas a esta situacin real. Observe
como aplicar la regla
Nos damos cuenta que nuestro valor real pertenece al conjunto borroso "cero" en
un grado de 0.75:
Nos damos cuenta que nuestro valor real pertenece al conjunto borroso "cero" en
un grado de 0.4:
Como las dos partes de la condicin de nuestra regla estn unidas por una Y
(operacin lgica AND) calculamos el mn(0.75,0.4)=0.4 y cortamos el conjunto
borroso "cero" de la variable "velocidad" a este nivel (segn nuestra regla):
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
El resultado de la regla.
El resultado de la regla.
Seccin 1. Definiciones
Interseccin de conjuntos
Unificacin de conjuntos
Negacin de conjuntos
Variables lingsticas
La Lgica Borrosa tiene gran utilidad ya que ella nos permite tratar problemas
demasiado complejos, mal definidos o para los cuales no existen modelos
matemticos precisos.
Seccin 3. Ejemplo
D.C. Evans, D. Rees, D.L. Jones. Design of test signals for identification of
linear systems with nonlinear distortion. IEEE Trans. on Instrumentation and
Measurement, 16, 6, p. 768-774, 1992.
Haupt Randy and Haupt Sue , Practical Genetic Algorithms John Wiley and
Son 1998.
I.D. Landau. System identification and control design, Prentice Hall, 1990.
L.Ljung. System identification Theory for the user, Prentice Hall, 1987.
Mquinas con rostro humano Los hombres estn enseando a los robots a
pensar. Cmo? Con la lgica borrosa.
http://www.elpais.com/articulo/sociedad/Maquinas/rostro/humano/elpepusoc
/20080921elpepisoc_1/Tes Pgina Web consultada el 15 de julio de 2009
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Norgard M., Ravn O., Pulsen N., Hansen L. , Neural Networks for Modelling
and Control of Dynamic Systems Springer 2000.
UNIDAD 3
Introduccin
(1.1)
(1.2)
debe ser una matriz cuadrada definida positiva, que representa la ganancia de
adaptacion. Usualmente es diagonal. Teniendo en cuenta que:
(1.3)
Sustituyendo tenemos:
(1.4)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(1.5)
V (x) para x
V (0) = 0
2. Encontrar una funcin de Lyapunov como una funcin del error entre las
seales y del error en los parmetros . En su forma mas simple esta
funcin toma la forma:
(1.6)
(1.7)
Q = AT P + P A (1.8)
(1.9)
Considerando el sistema de la figura 3.3, donde la seal de control esta dada por:
u = Kr (1.10)
(1.11)
(5.12)
(1.13)
(1.14)
(1.15)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(1.16)
(1.17)
(1.18)
(1.19)
En las figuras (1.4) y (1.5) se representa una simulacin del ejemplo descrito
cuando el parmetro b vale inicialmente 4 y en el instante 20 pasa a valer 2.
Puede observarse como la adaptacin es buena en ambos casos, siendo ms
rpida en el caso de la figura (1.4), dado que la ganancia de adaptacin es
superior. En lnea a trazos se representa la salida del modelo de referencia y en
lnea continua la salida del modelo ajustable. La principal desventaja del mtodo
de Lyapunov es que no es un mtodo sistemtico, dado que hay que encontrar la
funcin de Lyapunov V adecuada en cada caso.
Con este mtodo tambin se consigue una ley de adaptacin estable. Como en el
mtodo de Lyapunov, en primer lugar se formulan las ecuaciones de error. Estas
ecuaciones se dividen en una parte lineal invariable con el tiempo y otra no lineal y
variable con el tiempo. La primera parte contiene usualmente al modelo de
referencia y su salida es la seal de error que es utilizada para la ley de
adaptacin.
1. La parte lineal (llmese G(s)), debe ser estrictamente positiva. Ello significa
que:
(a) G(s) debe ser real si s es real. (b) los polos de G(s) deben tener parte real
negativa, y (c) la parte real de G(j) de ser mayor que cero para 1 < < 1.
(1.20)
(1.21)
(1.22)
e=xy (1.23)
tal que las matrices de parmetros AS(e, t) y BS(e, t) sean modificadas de forma
que el error tienda a cero para cualquier entrada u. La derivada del error puede
obtenerse restando las ecuaciones anteriores, donde adems se suma y
resta el termino AMy:
(1.24)
(1.25)
(1.26)
(1.27)
Las ecuaciones anteriores pueden representarse segn la figura 3.4, sistema que
se puede descomponer en un sistema lineal y otro no lineal, al cual se le pueden
aplicar el criterio de Popov de estabilidad (o criterio de hiperestabilidad).
Para conseguir cumplir dicho criterio, por un lado la parte lineal se modifica
aadindole un termino D en serie. En cuanto a las funciones F y G, caben
muchas posibilidades de eleccin, pero teniendo en cuenta que deseamos que el
error en rgimen permanente sea cero, pueden elegirse de la forma:
(1.28)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(1.29)
La estructura final del sistema ser a la representada en la figura (3.6) donde los
parmetros de diseo seran las funciones D,1 ,2 ,1 y 2. La resolucin se
realiza para cada caso concreto y no de forma general, ya que el caso general
resulta bastante complicado.
Introduccin
Esta dificultad de los sistemas de computo que trabajan bajo la filosofa de los
sistemas secuenciales, desarrollados por Von Neuman, ha hecho que un gran
nmero de investigadores centre su atencin en el desarrollo de nuevos sistemas
de tratamiento de la informacin, que permitan solucionar problemas cotidianos,
tal como lo hace el cerebro humano; este rgano biolgico cuenta con varias
caractersticas deseables para cualquier sistema de procesamiento digital, tales
como:
4. Es altamente paralelo
Las RNA son una teora que an esta en proceso de desarrollo, su verdadera
potencialidad no se ha alcanzado todava; aunque los investigadores han
desarrollado potentes algoritmos de aprendizaje de gran valor prctico, las
representaciones y procedimientos de que se sirve el cerebro, son an
desconocidas. Tarde o temprano los estudios computacionales del aprendizaje
con RNA acabarn por converger a los mtodos descubiertos por evolucin,
cuando eso suceda, muchos datos empricos concernientes al cerebro
comenzarn sbitamente a adquirir sentido y se tornarn factibles muchas
aplicaciones desconocidas de las redes neuronales.
Como consecuencia de los primeros estudios sobre la base neural de los sistemas
mnmicos (relacionados con la memoria), se crea que el almacenamiento de la
memoria asociativa, tanto implcita como explcita, requeran de un circuito
neuronal muy complejo. Entre quienes comenzaron a oponerse a este enfoque se
hallaba Donald O. Hebb, profesor de la universidad de Milner; Hebb sugiri que el
aprendizaje asociativo podra ser producido por un mecanismo celular sencillo y
propuso que las asociaciones podran formarse por una actividad neuronal
coincidente: "Cuando un axn de la clula A excita la clula B y participa en su
activacin, se produce algn proceso de desarrollo o cambio metablico en una o
en ambas clulas, de suerte que la eficacia de A, como clula excitadora de B, se
intensifica". Segn la regla Hebbiana de aprendizaje, el que coincida la actividad
de las neuronas presinpticas (suministran el impulso de entrada) con la de las
postsinpticas (reciben el impulso) es muy importante para que se refuerce la
conexin entre ellas, este mecanismo es llamado pre-postasociativo, del cual
puede observarse un ejemplo en la figura 3.8.
Todas las neuronas conducen la informacin de forma similar, esta viaja a lo largo
de axones en breves impulsos elctricos, denominados potenciales de accin; los
potenciales de accin que alcanzan una amplitud mxima de unos 100 mV y duran
1 ms, son resultado del desplazamiento a travs de la membrana celular de iones
de sodio dotados de carga positiva, que pasan desde el fluido extracelular hasta el
citoplasma intracelular; la concentracin extracelular de sodio supera
enormemente la concentracin intracelular.
Aunque los axones puedan parecer hilos conductores aislados, no conducen los
impulsos elctricos de igual forma, como hilos elctricos no seran muy valiosos,
pues su resistencia a lo largo del eje es demasiado grande y a resistencia de la
membrana demasiado baja; la carga positiva inyectada en el axn durante el
potencial de accin queda disipada uno o dos milmetros ms adelante, para que
la seal recorra varios centmetros es preciso regenerar frecuentemente el
potencial de accin a lo largo del camino la necesidad de reforzar repetidamente
esta corriente elctrica limita a unos 100 metros por segundo la velocidad mxima
de viaje de los impulsos, tal velocidad es inferior a la millonsima de la velocidad
de una seal elctrica por un hilo de cobre.
Las RNA no alcanzan la complejidad del cerebro, sin embargo hay dos aspectos
similares entre redes biolgicas y artificiales, primero los bloques de construccin
de ambas redes son sencillos elementos computacionales (aunque las RNA son
mucho ms simples que las biolgicas) altamente interconectados; segundo, las
conexiones entre neuronas determinan la funcin de la red.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
El modelo de una neurona artificial es una imitacin del proceso de una neurona
biolgica, puede tambin asemejarse a un sumador hecho con un amplificador
operacional tal como se ve en la figura 3.12.
Existen varias formas de nombrar una neurona artificial, es conocida como nodo,
neuronodo, celda, unidad o elemento de procesamiento (PE); En la figura 3.11 se
observa un PE en forma general y su similitud con una neurona biolgica
Las seales de entrada a una neurona artificial X1, X2,.., Xn son variables
continuas en lugar de pulsos discretos, como se presentan en una neurona
biolgica. Cada seal de entrada pasa a travs de una ganancia o peso, llamado
peso sinptico o fortaleza de la conexin cuya funcin es anloga a la de la
funcin sinptica de la neurona biolgica. Los pesos pueden ser positivos
(excitatorios), o negativos (inhibitorios), el nodo sumatorio acumula todas las
seales de entradas multiplicadas por los pesos o ponderadas y las pasa a la
salida a travs de una funcin umbral o funcin de transferencia. La entrada neta a
cada unidad puede escribirse de la siguiente manera
(2.1)
Una idea clara de este proceso se muestra en la figura 3.13, en donde puede
observarse el recorrido de un conjunto de seales que entran a la red.
Una vez que se ha calculado la activacin del nodo, el valor de salida equivale a
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.2)
Las entradas a la red sern ahora presentadas en el vector p, que para el caso de
una sola neurona contiene solo un elemento, w sigue representando los pesos y la
nueva entrada b es una ganancia que refuerza la salida del sumador n, la cual es
la salida neta de la red; la salida total est determinada por la funcin de
transferencia , la cual puede ser una funcin lineal o no lineal de n, y que es
escogida dependiendo de las especificaciones del problema que la neurona tenga
que resolver; aunque las RNA se inspiren en modelos biolgicos no existe ninguna
limitacin para realizar modificaciones en las funciones de salida, as que se
encontrarn modelos artificiales que nada tienen que ver con las caractersticas
del sistema biolgico.
(2.3)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Una modificacin de esta funcin puede verse en la figura 3.16, la que representa
la funcin de transferencia Hardlims que restringe el espacio de salida a valores
entre 1 y 1.
(2.4)
(2.5)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.6)
Relacin
Nombre Icono Funcin
Entrada /Salida
Limitador Fuerte
hardlims
Simtrico
Lineal purelin
Lineal Saturado
satlins
Simtrico
Tangente Sigmoidal
tansig
Hiperblica
Competitiva compet
La neurona tiene una ganancia b, la cual llega al mismo sumador al que llegan las
entradas multiplicadas por los pesos, para formar la salida n,
(2.7)
(2.8)
Capas ocultas: Estas capas son aquellas que no tienen contacto con el medio
exterior, sus elementos pueden tener diferentes conexiones y son estas las que
determinan las diferentes topologas de la red.
Una red de una sola capa con un nmero S de neuronas, se observa en la figura
3.21 en la cual, cada una de las R entradas es conectada a cada una de las
neuronas, la matriz de pesos tiene ahora S filas.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
En la figura 3.23 se han dispuesto los smbolos de las variables de tal manera que
describan las caractersticas de cada una de ellas, por ejemplo la entrada a la red
es el vector p cuya longitud R aparece en su parte inferior, W es la matriz de
pesos con dimensiones SxR expresadas debajo del smbolo que la representa
dentro de la red, a y b son vectores de longitud S el cual, como se ha dicho
anteriormente representa el nmero de neuronas de la red.
Ahora, si se considera una red con varias capas, o red multicapa, cada capa
tendr su propia matriz de peso W, su propio vector de ganancias b, un vector de
entradas netas n, y un vector de salida a. La versin completa y la versin en
notacin abreviada de una red de tres capas, pueden ser visualizadas en las
figuras 3.23 y 3.24, respectivamente.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Las redes multicapa son ms poderosas que las redes de una sola capa, por
ejemplo, una red de dos capas que tenga una funcin sigmoidal en la primera
capa y una funcin lineal en la segunda, puede ser entrenada para aproximar
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
muchas funciones de forma aceptable, una red de una sola capa no podra hacer
esto como se ver en captulos posteriores.
Un tipo de redes, un poco diferente a las que se han estudiado hasta el momento,
son las redes recurrentes, estas contienen una realimentacin hacia atrs o
retroalimentacin, es decir algunas de sus salidas son conectadas a sus entradas.
Un tipo de red recurrente de tiempo discreto es mostrado en la figura 3.25.
Para este tipo particular de red el vector p suple las condiciones iniciales (a(0)= p),
y la salida est determinada por:
(2.9)
Las redes recurrentes son potencialmente ms poderosas que las redes con
realimentacin hacia delante. En este tipo de redes se introducen tambin dos
nuevos conceptos, el bloque de retardo de la figura 3.27 y el bloque integrador de
la figura 3.28
Retardo
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.10)
Integrador
(2.11)
Seccin 1. Antecedentes
La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch
y Walter Pitts; esta consista en una suma de las seales de entrada, multiplicadas
por unos valores de pesos escogidos aleatoriamente. La entrada es comparada
con un patrn preestablecido para determinar la salida de la red. Si en la
comparacin, la suma de las entradas multiplicadas por los pesos es mayor o igual
que el patrn preestablecido la salida de la red es uno (1), en caso contrario la
salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial,
se encontr gran similitud entre su comportamiento y el de los sistemas biolgicos
y en principio se crey que este modelo poda computar cualquier funcin
aritmtica o lgica.
(2.13)
Figura 3. 33 Perceptrn
(2.14)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Los pesos para una neurona estn representados por un vector compuesto de los
elementos de la i-sima fila de W
(2.15)
(2.16)
El Perceptrn, al constar de una sola capa de entrada y otra de salida con una
nica neurona, tiene una capacidad de representacin bastante limitada, este
modelo slo es capaz de discriminar patrones muy sencillos, patrones linealmente
separables (concepto que se estudiar en la seccin 2.1.4), el caso ms conocido
es la imposibilidad del Perceptrn de representar la funcin OR EXCLUSIVA.
Leccin 9. Backpropagation
Seccin 1. Antecedentes
Uno de los grandes avances logrados con la Backpropagation es que esta red
aprovecha la naturaleza paralela de las redes neuronales para reducir el tiempo
requerido por un procesador secuencial para determinar la correspondencia entre
unos patrones dados. Adems el tiempo de desarrollo de cualquier sistema que se
este tratando de analizar se puede reducir como consecuencia de que la red
puede aprender el algoritmo correcto sin que alguien tenga que deducir por
anticipado el algoritmo en cuestin.
Las salidas de error se propagan hacia atrs, partiendo de la capa de salida, hacia
todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin
embargo las neuronas de la capa oculta solo reciben una fraccin de la seal total
del error, basndose aproximadamente en la contribucin relativa que haya
aportado cada neurona a la salida original. Este proceso se repite, capa por capa,
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
hasta que todas las neuronas de la red hayan recibido una seal de error que
describa su contribucin relativa al error total. Basndose en la seal de error
percibida, se actualizan los pesos de conexin de cada neurona, para hacer que la
red converja hacia un estado que permita clasificar correctamente todos los
patrones de entrenamiento.
1. Aprendizaje asociativo
2. Aprendizaje competitivo
" Cuando un axn de una celda A est lo suficientemente cerca de otra celda B
como para excitarla y repetidamente ocasiona su activacin, un cambio metablico
se presenta en una o ambas celdas, tal que la eficiencia de A, como celda
excitadora de B, se incrementa". Con el trmino celda, Hebb se refera a un
conjunto de neuronas fuertemente conexionadas a travs de una estructura
compleja, la eficiencia podra identificarse con la intensidad o magnitud de la
conexin, es decir el peso.
En las redes con aprendizaje competitivo (y cooperativo), suele decirse que las
neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una
tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la
red cierta informacin de entrada, slo una de las neuronas de salida de la red, o
una por cierto grupo de neuronas, se active (alcance su valor de respuesta
mximo). Por tanto las neuronas compiten para activarse quedando finalmente
una, o una por grupo, como neurona vencedora y el resto quedan anuladas y
siendo forzadas a sus valores de respuesta mnimos.
de salida. Las clases o categoras deben ser creadas por la propia red, puesto que
se trata de un aprendizaje no supervisado a travs de las correlaciones entre los
datos de entrada.
A finales de los aos 60s y principios de los 70s, Stephen Grossberg introdujo
muchas redes competitivas que usaban inhibicin lateral obteniendo buenos
resultados. Algunos de los comportamientos tiles obtenidos por l, fueron la
supresin del ruido, aumento del contraste y normalizacin de vectores.
En 1973, Christoph Von Der Malsburg introduce la regla del mapa de organizacin
propia, que permita a la red clasificar entradas en las cuales las neuronas que
estuviesen en un vecindario cercano a la neurona ganadora, respondieran a
entradas similares. La topologa de esta red imitaba de alguna forma las
estructuras encontradas en la corteza visual de los gatos, estudiada por David
Hubel y Torten Wiesel. Su regla de aprendizaje gener gran inters, pero esta
utilizaba un clculo no local para garantizar que los pesos fueran normalizados,
este hecho haca este modelo biolgicamente poco posible.
Otra forma de aplicar este tipo de aprendizaje fue propuesta por Rumelhart y
Zisper [32] en 1985, quienes utilizaban redes multicapa dividiendo cada capa en
grupos de neuronas, de tal forma que stas disponan de conexiones inhibitorias
con otras neuronas de su mismo grupo y conexiones excitadoras con las neuronas
de la siguiente capa; en una red de este tipo, despus de recibir diferentes
informaciones de entrada, cada neurona en cada grupo se especializa en la
respuesta a determinadas caractersticas de los datos de entrada.
En este tipo de redes cada neurona tiene asignado un peso total (suma de todos
los pesos de las conexiones que tiene a su entrada), el aprendizaje afecta slo a
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
las neuronas ganadoras (activas), en las que se redistribuye el peso total entre sus
conexiones y se sustrae una porcin de los pesos de todas las conexiones que
llegan a la neurona vencedora, repartiendo esta cantidad por igual entre todas las
conexiones procedentes de unidades activas, por tanto la variacin del peso de
una conexin entre una unidad i y otra j ser nula si la neurona j no recibe
excitacin por parte de la neurona i (no vence en presencia de un estmulo por
parte de i) y se modificar (se reforzar) si es excitada por dicha neurona.
Fukushima emple esta idea en 1975 para una red multicapa llamada Cognitron,
fuertemente inspirada en la anatoma y fisiologa del sistema visual humano y en
1980 el mismo Fukushima en una versin mejorada de la anterior a la que llam
Necognitron, present una variacin de esta red utilizando aprendizaje
supervisado. El Necognitrron dispona de un gran nmero de capas con
arquitectura muy especfica de interconexiones entre ellas y era capaz de
aprender a diferenciar caracteres, aunque estos se presentasen a diferente
escala, en diferente posicin o distorsionados.
Red de Kohonen
Este modelo tiene dos variantes denominadas LVQ (Learning Vector Quantization)
y TPM (Topology Preserving Map) o SOM (Self Organizing Map), ambas se basan
en el principio de formacin de mapas topolgicos para establecer caractersticas
comunes entre las informaciones (vectores) de entrada a la red, aunque difieren
en las dimensiones de stos, siendo de una sola dimensin en el caso de LVQ y
bidimensional o tridimensional en la red SOM. Estas redes se tratarn con mayor
profundidad en secciones posteriores.
Red de Hamming
Esta red consiste en dos capas; la primera capa, la cual es una red Instar, realiza
la correlacin entre el vector de entrada y los vectores prototipo, la segunda capa
realiza la competicin para determinar cual de los vectores prototipo est ms
cercano al vector de entrada.
Red de Hopfield
En la dcada de los 80s con el fin de estudiar procesos que involucran sistemas
gobernados por ecuaciones diferenciales no lineales surge la teora clsica de
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
(2.12)
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Las redes multicapa son de naturaleza esttica, o sea su salida no evoluciona con
el tiempo (para un patrn de entrada existe una salida asociada), pero pueden
adquirir un comportamiento dinmico (para un patrn entrada la salida posee un
estado transitorio y converge a un valor en el estado estacionario) realimentando
sus entradas con estados anteriores de sus salidas.
Red de Elman
La red de Elman tpicamente posee dos capas, cada una compuesta de una red
tipo Backpropagation, con la adicin de una conexin de realimentacin desde la
salida de la capa oculta hacia la entrada de la misma capa oculta, esta
realimentacin permite a la red de Elman aprender a reconocer y generar patrones
temporales o variantes con el tiempo.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Introduccin
Estas caractersticas han hecho del control predictivo una de las escasas
estrategias de control avanzado con un impacto importante en problemas de
mbito industrial Por tal motivo es importante resaltar que el control predictivo se
ha desarrollado en el mundo de la industria, y ha sido la comunidad investigadora
la que se ha esforzado en dar un soporte terico a los resultados prcticos
obtenidos.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
Merece la pena destacar que el control predictivo es una tcnica muy potente que
permite formular controladores para sistemas complejos y con restricciones. Esta
potencia tiene un precio asociado: el coste computacional y la sintonizacin del
controlador. Recientes avances en el campo del MPC proveen un conocimiento
ms profundo de estos controladores, obtenindose resultados que permiten
relajar estos requerimientos. As por ejemplo, se han establecido condiciones
generales para garantizar la estabilidad (Mayne 2001), condiciones bajo las cuales
se puede relajar el carcter optimal del controlador garantizando su estabilidad
(Scokaert & Mayne 1998).
Los modelos internos que se usan para predecir el comportamiento del sistema
pueden ser de diversos tipos: Funcin de transferencia, Respuesta al impulso,
Respuesta al escaln, Espacio Estado.
Este modelo puede ser lineal, no lineal, en tiempo continuo, en tiempo discreto,
puede estar expresado en funcin de transferencia o en ecuaciones de estado,
puede ser multivariable o monovariable.
Una consideracin que deben tener, consiste en que el origen debe ser el punto
de equilibrio en el que se quiere regular el sistema, lo cual se puede conseguir con
un cambio de variables.
xk+1=f(xk,uk)
Donde Xk+1 son los estados en el tiempo (k+1), Xk, son los estados en el tiempo
Seccin 3. Restricciones
Las restricciones indican los lmites dentro de los cuales debe transcurrir la
evolucin de las seales que rigen el comportamiento del sistema. Estas fronteras
se rigen por lmites fsicos, por razones de seguridad, por conveniencias
econmicas, etc.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
El Control Predictivo Generalizado GPC fue propuesto por Clarke et al. en 1987 y
se ha convertido en uno de los mtodos ms populares en el mbito del Control
Predictivo tanto en el mundo industrial como en el acadmico. Se ha empleado
con xito en numerosas aplicaciones industriales, mostrando buenas prestaciones
a la vez que un cierto grado de robustez respecto a sobre parametrizacin o
retardos mal conocidos. Puede resolver muchos problemas de control diferentes
para un amplio campo de procesos con un nmero razonable de variables de
diseo, que son especificadas por el operario dependiendo del conocimiento
previo del proceso y de los objetivos de control.
La idea bsica del GPC es calcular una secuencia de futuras acciones de control
de tal forma que minimice una funcin de coste multipaso. El ndice a minimizar es
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS
CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL
una funcin cuadrtica que mide por un lado la distancia entre la salida predicha
del sistema y una cierta trayectoria de referencia hasta el horizonte de prediccin,
y por otro el esfuerzo de control necesario para obtener dicha salida. El Control
Predictivo Generalizado tiene muchas ideas en comn con otros controladores
predictivos previamente mencionados ya que est basado en las mismas ideas
pero posee a su vez algunas diferencias. Como se ver ms adelante, es capaz
de proporcionar una solucin explcita (en ausencia de restricciones), puede
trabajar con procesos inestables o de fase no mnima e incorpora el concepto de
horizonte de control as como la consideracin en la funcin de coste de
ponderacin de los incrementos en las acciones de control. Las diversas
posibilidades disponibles para el GPC conducen a una gran variedad de objetivos
de control comparado con otras realizaciones, algunas de las cuales pueden ser
consideradas como subconjuntos o casos lmites del GPC.
Para formular el algoritmo MPC con restricciones hay que expresar estas en
funcin n de la variable sobre la que se puede actuar, es decir, en funcionen de u.
Las restricciones en la entrada estn ya expresadas en funcin n de u y para las
restricciones en la salida se hace uso de las ecuaciones de prediccin n que
expresan el valor futuro de las salidas en funcin n de las seales de control
futuras y valores conocidos en el instante t.
C.E. Garca, D.M. Prett y M. Morari. Model Predictive Control: Theory and
Practice-a Survey. Automatica, 25(3):335348, 1989.