Linealización y modelado en espacio de estados

UNIVERSIDAD CATOLICA DE SANTA MARIA
FACULTAD DE CIENCIAS E INGENIERIAS FISICAS

Y FORMALES
E. P. DE INGENIERÍA MECANICA, MECANICA –ELECTRICA Y

MECATRONICA
GUÍA DE PRACTICAS DE CONTROL MECATRONICO III
Ing. Marcelo Jaime Quispe Ccachuco
2019-I
E. P. DE INGENIERIA MECANICA, MECANICA – ELECTICA Y MECATRONICA
CONTROL MECATRONICO III - 4E09078
INDICE
Ejercicio 1: Modelado en espacio de estados ……….... 3
Ejercicio 2: Linealización + Modelado en espacio de estados …….... 7
Ejercicio 3: Espacio de estados. Transformaciones canónicas ………… 11
Ejercicio 4: Linealidad de los sistemas en espacio de estados…………... 16
Ejercicio 5: Control por realimentación de estados…………… 20
Ejercicio 6: Observadores de Orden completo………..… 24
Ejercicio 7: Observadores de Orden reducido…………… 30
Ejercicio 8: Identificación experimental de función de transferencia…. 37
Ejercicio 9: Control optimo cuadrático (LQR)…………………………….. 55
Ejercicio 10: Control LQG Y Filtro de Kalman………………………….. 58
Anexo para el Ejercicio 1………………………………………………….. 64
2
Ejercicio 1
Modelado en espacio de estados.

Objetivos didácticos
 Obtener las ecuaciones diferenciales de cada sistema.
 Realizar el modelo en espacio – estado a partir de las ecuaciones diferenciales.
 Realizar un código en MATLAB para simular el sistema ante una entrada.
 Realizar la simulación también con simulink.
Descripción de la tarea a resolver
Esquema de situación.
Condiciones generales
 Se han planteado 16 sistemas que serán sorteados, para que cada grupo de 3 alumnos
realice las tareas propuestas.
 Entrega del informe con los anexos a través del aula virtual del curso.
 Duración 1 sesión.
3
Tareas a resolver
1. Explicar el modelamiento en espacio-estado
2. Definir las entradas, salidas, estados a parir de las ecuaciones diferenciales del sistema.
3. Realizar las simulaciones en MATLAB, considerar entradas (escalón, rampa, etc) de
acuerdo al sistema.
4. Elaborar un informe y enviarlo por el aula virtual.
Medios auxiliares
 Lista de ejercicios completos disponible en el aula virtual.
 Libros del curso disponibles en el aula virtual.
Damos un pequeño desplazamiento hacia arriba
𝑎 = 𝐿1 𝑠𝑖𝑛(𝜃) ≈ 𝐿1 (𝜃)
𝑏 = 𝐿2 𝑠𝑖𝑛(𝜃) ≈ 𝐿2 (𝜃)
D.C.L. de la masa m
𝐾2 (𝑏 − 𝑦) = 𝑚2 𝑦̈
2da ley de newton en la barra
𝑢𝐿2 − 𝐾2 (𝑏 − 𝑦)𝐿2 − 𝐾1 𝑎𝐿1 = 𝐼𝜃̈
Reemplazando a y b
𝐾2 (𝐿2 𝜃 − 𝑦) = 𝑚2 𝑦̈
𝑢𝐿2 − 𝐾2 (𝐿2 𝜃 − 𝑦)𝐿2 − 𝐾1 (𝐿1 𝜃)𝐿1 = 𝐼𝜃̈

Estados Salidas Entradas
𝑥1 = 𝑦 y=y u=u
𝑥2 = 𝑦̇ = 𝑥1̇
𝑥3 = 𝜃
𝑥4 = 𝜃̇ = 𝑥3̇
Pasando a espacio de estados
𝐾2 (𝐿2 𝑥3 − 𝑥1 ) = 𝑚2 𝑥2̇
𝑢𝐿2 − 𝐾2 (𝐿2 𝑥3 − 𝑥1 )𝐿2 − 𝐾1 (𝐿1 𝑥3 )𝐿1 = 𝐼𝑥4̇
4
0 1 0 0
𝑥1̇ 𝐾2 𝐾2 𝐿2 0
− 0 0 0
𝑥̇ 𝑚2 𝑚2
[ 2] = 𝒙+ 0 𝑢
𝑥3̇ 0 0 0 1 𝐿2
𝑥4̇ 𝐾2 𝐿2 𝐾1 𝐿1 − 𝐾2 𝐿2 2
2
[
0 − 0] 𝐼]
[ 𝐼 𝐼
𝑦 = [1 0 0 0]𝒙
Dar valores para las constantes, y considerar condiciones iniciales.
2. Realizar las simulaciones en MATLAB
5
Simulink en matlab CODIGO EN MATLAB
%declarar datos
B1=0.01; B2=0.2;
B3=0.5;
K1=1; K2=2;
M1=12; M2=8;
%declarar matrices
A=[0 1 0 0;
-(K1/M1) -
((B1+B2+B3)/M1) 0
(B2/M1);
0 0 0 1;
0 (B2/M2) -
(K2/M2) -(B2/M2)];
B=[0 0 0 1/M2];
C=[1 0 0 0];
D=0;
%CONDICION INICIAL
X0=[0 pi/4 0 pi/4];
SYS1=ss(A,B,C,D);
t=0:0.1:5;
u=2*ones(1,lenght(t)
)
step(SYS1);
6
Ejercicio 2
Linealización + Modelado en espacio de estados.

 Obtener las ecuaciones diferenciales no lineales de cada sistema.
 Linealizar usando el Jacobiano
 Realizar el modelo en espacio luego de la linealizacion.
 Realizar un código en MATLAB para simular el sistema sin linealizar vs el sistema
linealizado, alrededor de un punto.
 Realizar la simulación también con simulink.
 La figura a continuación es un modelo físico para un sistema eléctrico. Se observa que
tiene un elemento no lineal, se pide modelar el sistema en espacio – estado, luego de
linealizar.
𝟏
 9.31. Para el circuito mostrado en la figura, 𝒊𝟎 = 𝟒 𝒆𝒐 𝟑 y 𝒆𝒊 (𝒕) = 𝟖 + 𝒆̅𝒊 (𝒕)
 Se han planteado 16 sistemas (Libro CLOSE AND DEAN Capitulo 9) que serán
sorteados, para que cada grupo de 2 alumnos realice las tareas propuestas.
7
Tareas a resolver
1. Explicar la linealización de sistemas no lineales en espacio-estado
acuerdo al sistema.
Medios auxiliares
 Lista de ejercicios completos disponible en el aula virtual.
Verificar que las ecuaciones de
estado variable son:
𝒆̇ 𝑨 = 𝟐[−𝒆𝑨 − 𝒊𝑳 + 𝒆𝒊 (𝒕)]
𝟏
𝒆̇ 𝑶 = 𝟔 [− 𝒆𝒐 𝟑 + 𝒊𝑳 ]
𝟒
𝒅𝒊𝑳
= 𝟑[𝒆𝑨 − 𝒆𝟎 − 𝟐𝒊𝑳 ]
𝒅𝒕
𝑒𝑖 = 𝐼𝑅 + 𝑒𝐴
𝑒𝑖 = 𝐼(1Ω) + 𝑒𝐴
𝐼 = 𝑒𝑖 − 𝑒𝐴
Para el nodo A En el nodo B

𝐼 = 𝐼𝐶 + 𝐼𝐿 𝐼𝐿 = 𝐼𝐹 + 𝐼𝑂
𝐼𝐶 = 𝐼 − 𝐼𝐿 𝐼𝐹 = 𝐼𝐿 − 𝐼𝑂
1 𝑒𝑂̇ = 6(−𝐼𝑂 + 𝐼𝐿 )
𝑒𝐴 = ∫ 𝐼𝐶 𝑑𝑡 1
𝐶 𝐼0 = 𝑒𝑜 3
1 4
𝑒𝐴̇ = 𝐼𝐶 1 3
𝐶 𝑒𝑂̇ = 6 (− 𝑒𝑜 + 𝐼𝐿 )
𝐼𝐶 = 𝐶𝑒𝐴̇ 4
𝐶𝑒𝐴= ̇ 𝐼 − 𝐼𝐿
𝐶𝑒𝐴=̇ 𝑒𝑖 − 𝑒𝐴 − 𝐼𝐿 𝑒𝐴 = 𝑒𝐿 + 𝐼𝑅2 + 𝑒𝑂
𝑒𝐴̇ = 2(𝑒𝑖 − 𝑒𝐴 − 𝐼𝐿 ) 𝑑𝐼𝐿
𝑒𝐴 = 𝐿 + 𝐼𝐿 𝑅2 + 𝑒𝑂
𝑑𝑡
𝑒𝐹 = 𝑒𝑂 1 𝑑𝐼𝐿
𝑒𝐴 = + 2𝐼𝐿 + 𝑒𝑂
1 3 𝑑𝑡
𝑒𝑂 = ∫ 𝐼𝐹 𝑑𝑡 𝑑𝐼𝐿
𝐶 = 3(𝑒𝐴 − 𝑒𝑂 − 2𝐼𝐿 )
1 𝑑𝑡
𝑒𝑂 = ∫ 𝐼𝐹 𝑑𝑡
1
6
𝑒𝑂̇
= 𝐼𝐹
6
8
Verificar que el punto de operación es definido por 𝒆̅𝒐 = 𝟐𝑽

Estados Entrada Salida
𝑿𝟏 = 𝒆 𝑨 𝑢 = 𝑒𝑖 𝑦 = 𝑒𝑂
𝑿𝟐 = 𝒆 𝑶
𝑿𝟑 = 𝑰𝑳̇
𝑒𝐴̇ = −2𝑒𝐴 − 2𝐼𝐿 + 2𝑒𝑖

1
𝑒̇𝑂 = 6 [− 𝑒𝑜 3 + 𝑖𝐿 ]
4
𝐼𝐿̇ = 3(𝑒𝐴 − 𝑒𝑂 − 2𝐼𝐿 )
𝑿̇𝟏 = −𝟐𝑿𝟏 − 𝟐𝑿𝟑 + 𝟐𝒖 = 𝟎

𝟏
𝑿̇𝟐 = 𝟔 [− 𝑿𝟐 𝟑 + 𝑿𝟑 ] = 𝟎
𝟒
̇𝑿𝟑 = 𝟑𝑿𝟏 − 𝟑𝑿𝟐 − 𝟔𝑿𝟑 = 𝟎
−2𝑋1 − 2𝑋3 + 2(8 + 𝑒̅(𝑡))

𝑖 =0
−2𝑋1 − 2𝑋3 + 2(8) = 0
16 = −2𝑋1 − 2𝑋3
8 = −𝑋1 − 𝑋3
𝑋1 = 8 − 𝑋3
3𝑋1 − 3𝑋2 − 6𝑋3 = 0

𝑋1 − 𝑋2 − 2𝑋3 = 0
8 − 𝑋3 − 𝑋2 − 2𝑋3 = 0
8 − 𝑋2 = 3𝑋3
1
6 [− 𝑋2 3 + 𝑋3 ] = 0
4
6 3
− 𝑋2 + 6𝑋3 = 0
4
6 3
− 𝑋2 + 2(8 − 𝑋2 ) = 0
4
3
2(8 − 𝑋2 ) = − 𝑋2 3
2
3 3
16 − 2𝑋2 = − 𝑋2
2
3 3
𝑋 − 2𝑋2 − 16 = 0
2 2
𝑋̂2 = 2 = 𝑒̅𝑜
9
Encontrar las ecuaciones de estado variable para el punto de operación de la parte b y dibuje
el circuito equivalente linealizado
𝒇𝟏 = 𝑿̇𝟏
𝒇𝟐 = 𝑿̇𝟐
𝒇𝟑 = 𝑿̇𝟑
𝝏𝒇𝟏 𝝏𝒇𝟏 𝝏𝒇𝟏

𝝏𝑿𝟏 𝝏𝑿𝟐 𝝏𝑿𝟑
𝝏𝒇𝟐 𝝏𝒇𝟐 𝝏𝒇𝟐
𝐴̂ = 𝑝𝑎𝑟𝑎 𝑋1 = 6, 𝑋2 = 2, 𝑋3 = 2
𝝏𝑿𝟏 𝝏𝑿𝟐 𝝏𝑿𝟑
𝝏𝒇𝟑 𝝏𝒇𝟑 𝝏𝒇𝟑
[𝝏𝑿𝟏 𝝏𝑿𝟐 𝝏𝑿𝟑 ]
𝝏𝒇𝟏 𝝏𝒇𝟏 𝝏𝒇𝟏

= −𝟐 =𝟎 = −𝟐
𝝏𝑿𝟏 𝝏𝑿𝟐 𝝏𝑿𝟑
𝝏𝒇𝟐 𝝏𝒇𝟐 𝟗 𝟐 𝝏𝒇𝟐
𝐴̂ = =𝟎 =− 𝑿 ̂ = 𝟔 𝑝𝑎𝑟𝑎 𝑋̂1 = 6, 𝑋̂2 = 2, 𝑋̂3 = 2
𝝏𝑿𝟏 𝝏𝑿𝟐 𝟐 𝟐 𝝏𝑿𝟑
𝝏𝒇𝟑 𝝏𝒇𝟑 𝝏𝒇𝟑
[ 𝝏𝑿𝟏 = 𝟑 𝝏𝑿𝟐
= −𝟑
𝝏𝑿𝟑
= −𝟔 ]
−𝟐 𝟎 −𝟐
𝐴̂ = [ 𝟎 −𝟏𝟖 𝟔 ]
𝟑 −𝟑 −𝟔
𝝏𝒇𝟏
𝝏𝒖
𝜕𝑓2
𝐵̂ =
𝜕𝑢
𝝏𝒇𝟑
[ 𝝏𝒖 ]
𝟏
𝐵̂ = [0]
𝟎
̂ = [ 𝝏𝒉
𝑪
𝝏𝒉 𝝏𝒉
]
𝝏𝒙𝟏 𝝏𝒙𝟐 𝝏𝒙𝟑
̂ = [𝟎 𝟏 𝟎]
𝑪
𝑫̂
=𝟎
10
Zavala, Estrada, Salazar 9.22 ejer

Lujan Tejada Huilca 9.13 ejer
Ballon, Gamero, Vizcarra 9.8 ejemplo
Loyola, Suclla 9.14 ejer
Portugal, Layme, Apaza 9.25 ejer
Cupi 9.26 ejer
Valdivia urea, Portugal, Cardenas 9.10 ejemplo
Quispe Aquise, Ramos, Guarino 9.19 ejer
Valdivia Medina 9.27 ejer
Romero, Nuñez Mamani 9.21 ejer
Chavez, Carpio, Escobar 9.20 ejer
Guiler, Flores, Luque 9.8 ejer
Guzman, Valverde Villegas 9.9 ejemplo
Huarcalla, Malujano 9.18 ejer
Zapana Valdivia 9.23
Llerena, Luque, Mango 9.28
11
Ejercicio 3
Espacio de estados. Transformaciones canónicas

 Realizar las transformaciones de un sistema en espacio de estados a una forma canónica
(modal, controlable u observable).
 Dado un sistema en forma de espacio de estados, se pide obtener una transformación
canónica y realizar una simulación en matlab y simulink.
Transformación canónica modal
12
Transformación canónica controlable
Transformación canónica observable
13
Problema 1: Dado el sistema en espacio de estado:
0 1 0
𝑥̇ = [ ] 𝑥 + [ ] 𝑢, 𝑦 = [1 −1]𝑥, 𝑥0 = [1 0]
−3 −4 1
a) Encuentre la transformación canónica modal (Am, Bm, Cm, Dm) usando las funciones del
matlab o un script, y grafíquelo en un diagrama de simulink.

−7 1 1
𝑥̇ = [ ] 𝑥 + [ ] 𝑢, 𝑦 = [1 0]𝑥
−12 0 2
a) Encuentre la transformación canónica controlable y muestre el diagrama de simulación en

simulink.

−3 1 1 1
𝒙̇ = [−1 −5 1 ] 𝒙 + [0] 𝒖
2 2 −4 0
𝒚 = [1 0 1]𝒙
a) Encuentre la transformación canónica observable y muestre el diagrama de simulación en

simulink.
14
 Se debe hacer un cálculo teórico para hallar la matriz de trasformación T, y con esa matriz
hallar las nuevas matrices A, B, C, D.
 En el simulink se espera que se halle la forma estándar de cada transformación canónica.
Tareas a resolver
1. Explicar el procedimiento para hacer una transformación canónica en espacio de estados
acuerdo al sistema.
Medios auxiliares
 Software de simulación MATLAB.
1. Explicar el procedimiento para hacer una transformación canónica en espacio de
estados
Sistema lineal, forma espacio de estados:
𝑑𝑥
= 𝐴𝑥 + 𝐵𝑢, 𝑥(0) = 𝑥0
𝑑𝑡
𝑦 = 𝐶𝑥 + 𝐷𝑢
𝐴 ∈ ℝ𝑛𝑥𝑛 , 𝐵 ∈ ℝ𝑛𝑥𝑝 , 𝐶 ∈ ℝ𝑞𝑥𝑛 , 𝐷 ∈ ℝ𝑞𝑥𝑝
 u(t): vector de entradas

 y(t): vector de salidas
 x(t): vector de variables de estado que depende del sistema coordenado elegido
Las matrices variables A, B, y C son afectadas por el sistema coordenado elegido para los
estados, la matriz D no queda afectada ya que mapea entradas a salidas. Si elegimos el
conjunto de coordenadas 𝑧 = 𝑇𝑥, donde T ∈ ℝ𝑛𝑥𝑛 es una matriz invertible. Haciendo el cambio
de variable se tiene:
𝑑𝑧 𝑑𝑥
=𝑇 = 𝑇(𝐴𝑥 + 𝐵𝑢) = 𝑇𝐴𝑥 + 𝑇𝐵𝑢 = 𝑇𝐴𝑇 −1 𝑧 + 𝑇𝐵𝑢
𝑑𝑡 𝑑𝑡
15
𝑦 = 𝐶𝑥 + 𝐷𝑢 = 𝐶𝑇 −1 𝑧 + 𝐷𝑢
Y definiendo: 𝐴̃ = 𝑇𝐴𝑇 −1 , 𝐵̃ = 𝑇𝐵, 𝐶̃ = 𝐶𝑇 −1
𝒅𝒛
̃𝒛 + 𝑩
=𝑨 ̃𝒖
𝒅𝒕
̃ 𝒛 + 𝑫𝒖
𝒚=𝑪
16
Ejercicio 4
Linealidad de los sistemas en espacio de estados.

 Identificar un sistema lineal, así como su respuesta a condiciones iniciales y a una entrada
externa (solución homogénea y solución particular).
 Dado un sistema en forma de espacio de estados, se pide obtener la solución homogénea,
luego la particular y finalmente la suma de las respuestas anteriores y realizar una
simulación en matlab y simulink.
Problema 1: Para el siguiente sistema obtener la respuesta del sistema y graficar con ayuda
del matlab. Considere usted las condiciones iniciales diferentes de 0. Pruebe para una entrada
escalón y una entrada sinusoide
𝜕 2𝑥 𝜕𝑥
𝑓 =𝑚 2 +𝑐 + 𝑘𝑥
𝜕𝑡 𝜕𝑡
m = 250; % system mass
k = 40; % spring constant
b = 60; % damping constant
A = [0, 1; -k/m, -b/m];
B = [0; 1/m];
C = [1, 0];
Problema 2: Realice el mismo procedimiento pero ahora quitando el amortiguamiento. Un

modelo simple de oscilador, tal como el sistema masa-resorte sin amortiguamiento es:
𝒒̈ + 𝒘𝟎 𝟐 𝒒 = 𝒖
17
Figure 5.8: Transient versus steady-state response. The input to a linear system is shown in
(a), and the corresponding output with x(0) = 0 is shown in (b). The output signal initially
undergoes a transient before settling into its steady-state behavior.
http://www.cds.caltech.edu/~murray/amwiki/Main_Page
 Se debe hacer un cálculo teórico para hallar la respuesta en el tiempo de la salida y(t).
 El primer problema se prueba hasta una entrada escalón unitario.
 En el segundo caso se debe probar con una entrada sinusoide de una frecuencia
adecuada.
Tareas a resolver
acuerdo al sistema.
2. Elaborar un informe con sus anexos y enviarlo por el aula virtual.
Medios auxiliares
2. Explicar el procedimiento para obtener analíticamente la respuesta de un sistema lineal
en espacio de estados
Es fácil mostrar que dos soluciones dadas x1(t) y x2(t) para este sistema de ecuaciones,
satisfacen las condiciones de linealidad.
Definiendo xh(t) como la solución con entrada cero (solución homogénea) y la solución xp(t)
como la solución con condiciones iniciales igual a cero (solución particular). La Fig. 1 ilustra
como dos soluciones individuales se pueden superponer para formar la solución completa.
18
Respuesta a la condición inicial
• En esta sección calcularemos la solución de un sistema de la forma:
𝑑𝑥
= 𝐴𝑥, 𝑥(0) = 𝑥0
𝑑𝑡
• Para la ecuación diferencial escalar se tiene:
𝑑𝑥
= 𝑎𝑥, 𝑥 ∈ ℝ, 𝑎 ∈ ℝ
𝑑𝑡
• y la solución está dada por:
𝒙(𝒕) = 𝒆𝒂𝒕 𝒙(𝟎)
𝓛{𝒆𝑨𝒕 } = (𝒔𝑰 − 𝑨)−𝟏
Respuesta entrada/salida
• Ecuación de convolución
𝒕
𝒙(𝒕) = 𝒆𝑨𝒕 𝒙(𝟎) + ∫ 𝒆𝑨(𝒕−𝝉) 𝑩𝒖(𝝉)𝒅𝝉
𝟎
19
𝒕
𝒚(𝒕) = 𝑪𝒆𝑨𝒕 𝒙(𝟎) + ∫ 𝑪𝒆𝑨(𝒕−𝝉) 𝑩𝒖(𝝉)𝒅𝝉 + 𝑫𝒖(𝒕)
𝟎
• Esta ecuación se denomina ecuación de convolución y representa la forma general de

solución de un sistema de ecuaciones diferenciales acopladas. Esta ecuación ha sido
calculada en el dominio del tiempo.
• También se puede calcular las soluciones en el dominio de la frecuencia usando la

transformada de Laplace. Aplicando la transformada se obtiene:
𝑋(𝑠) = (𝑠𝐼 − 𝐴)−1 [𝑥(0) + 𝐵𝑈(𝑠)]
𝑌(𝑠) = 𝐶(𝑠𝐼 − 𝐴)−1 𝑥(0) + [𝐶(𝑠𝐼 − 𝐴)−1 𝐵 + 𝐷]𝑈(𝑠)
20
Ejercicio 5
Control por realimentación de estados

Una vez realizado este ejercicio, el estudiante habrá adquirido los conocimientos que se indican a
Continuación:
 Diseña el primer control moderno que es por realimentación de estados.
 Dado un sistema en forma de espacio de estados, así como los polos deseados, se pide
obtener un controlador por realimentación de estados y realizar una simulación en matlab y
simulink.
Problema 1: Implementar un control por realimentación para el siguiente sistema. Considerar
el modelo del sistema masa-resorte con amortiguamiento, afectado por la entrada externa u:
𝟏 −𝟏 𝟐
𝒙̇ = [ ]𝒙 + [ ]𝒖
𝟏 −𝟐 𝟏
 Encontrar los valores de k y kr por el método de Ackerman; para diseñar el controlador

por realimentación de estados, u=-Kx, tal que los polos en lazo cerrado estén
localizados en {-1, -2}
 Implementar con un código en matlab, indicando una comparación del sistema con
controlador y sin controlador.
 Implementar en simulink de forma similar.
 Para los incisos anteriores graficar en una sola figura la respuesta al step del sistema
original y la respuesta del sistema para la ley de control 𝑢 = −𝐾𝑥 + 𝐾𝑟 𝑟,
Problema 2: Realizar el procedimiento anterior para el siguiente motor DC (control de

velocidad). Polos deseados 𝑠 = −5 ± 𝑗
𝑤̇ −10 1 𝑤 0
[ ]=[ ] [ ] + [ ] 𝑣(𝑡)
𝑖̇ −0.02 −2 𝑖 2
𝑤
𝑦 = [1 0] [ ]
𝑖
𝑥(0) = [0.2 1]
21
Problema 3: Realizar el procedimiento anterior para el siguiente motor DC (control de

posición).
Considere el sistema motor

DC de armadura que
presenta la figura, donde
Ra=5, La=200mH,
Kb=0.1V/rad/sec,
Ki=0,1Nm/A, la razón del
engranaje N1/N2=1/50. La
inercia de la armadura es
Iarmadura =2*10−3kgm2. La Fig. 1: Modelo de un motor DC de armadura
carga de 10 kg está
localizada a un radio
efectivo de 0.2 m. La
inercia del engranaje y
fricción son despreciables.
Luego de construir el modelo espacio de estados del motor DC, se tiene:
Para 𝑥1 = 𝑖𝑎 , 𝑥2 = 𝜃, 𝑥3 = 𝜃̇ = 𝑤, 𝑢 = 𝑒𝑎 , y 𝑦 = 𝜃𝑙
Los autovalores de A-bK son: {−1 + 𝑖, −1 − 𝑖, −10}
 Se debe hacer un cálculo teórico para hallar el vector K, por el método de Ackerman de
preferencia.
22
Tareas a resolver
1. Explicar el procedimiento para hallar el vector K, a parir de los polos deseados.
acuerdo al sistema.
Medios auxiliares
1. Explicar el procedimiento para hallar el vector K, a partir de los polos deseados
Estructura del controlador:
Ejemplo del Método de ACKERMAN
Para el sistema dinámico lineal:

1 −1 2
𝑥̇ = [ ]𝑥 + [ ]𝑢
1 −2 1
Encontrar los valores de kij por el método de Ackerman; para diseñar el controlador por
realimentación de estados, u=-Kx, tal que los polos en lazo cerrado estén localizados en {-1, -
2}
det(𝑠𝐼 − 𝐴) = 𝑠 2 + 𝑠 − 𝟏 = 𝑠 2 + 𝑎1 𝑠 + 𝑎0
Paso 1: Matriz de controlabilidad
2 1
𝑊𝑐 = [𝑏 𝐴𝑏] = [ ]
1 0
0 1
𝑊𝑐 −1 =[ ]
1 −2
Entonces 𝑞1 = [1 − 2]
23
Paso 2: Polinomio característico deseado

𝛼𝑐 (𝑠) = (𝑠 + 1)(𝑠 + 2) = 𝑠 𝑛 + 𝛼𝑛−1 𝑠 𝑛−1 + ⋯ + 𝛼1 𝑠 + 𝛼0
𝛼𝑐 (𝑠) = 𝑠 2 + 𝟑𝑠 + 𝟐 = 𝑠 2 + 𝛼1 𝑠 + 𝛼0
Para el sistema dinámico lineal:
1 −1 2
𝑥̇ = [ ]𝑥 + [ ]𝑢
1 −2 1
u=-Kx, tal que los polos en lazo cerrado estén localizados en {-1, -2}
Paso 3: Encontrando el valor de K
𝑘 = 𝑞1 𝛼𝑐 (𝐴)
𝑘 = 𝑞1 (𝐴2 + 3𝐴 + 2𝐼2 )
1 −1 1 −1 1 −1 1 0
𝑘 = 𝑞1 ([ ][ ] + 3[ ]+2[ ])
1 −2 1 −2 1 −2 0 1
5 −2
𝑘 = [1 −2] [ ]
2 −1
𝒌 = [𝟏 𝟎]
24
Ejercicio 6
Observadores de orden completo

Continuación:
 En base a los polos deseados encuentra el observador de orden completo.
 Dado un sistema en forma de espacio de estados, asi como los polos deseados, se pide
obtener un controlador por realimentación de estados y el observador de orden completo,
luego realizar una simulación en matlab y simulink.
Problema 1: MOTOR DC. Modelado de sistema.
Considere el sistema motor DC de

armadura que presenta la figura,
donde Ra=5, La=200mH,
Kb=0.1V/rad/sec, Ki=0,1Nm/A, la
razón del engranaje N1/N2=1/50.
La inercia de la armadura es
Iarmadura =2*10−3kgm2. La carga de
10 kg está localizada a un radio
efectivo de 0.2 m. La inercia del
Fig. 1: Modelo de un motor DC de armadura
engranaje y fricción son
despreciables.
Sustituyendo los parámetros dados, obtenemos la ecuación de estados siguiente:
25
Parte 1: Diseño por realimentación de estados
Graficar en una sola figura la respuesta al step del sistema original y la respuesta del sistema
para la ley de control 𝑢 = −𝐾𝑥 + 𝐾𝑟 𝑟, tal que los autovalores de A-bK son: {−1 + 𝑖, −1 − 𝑖, −10}
Parte 2: Observador de orden completo
Obtenga la ganancia del estimador L para los polos deseados: {−4, −5 + 2𝑖, −5 − 2𝑖}
Conectamos el estimador de orden completo del motor DC, junto con la realimentación de
estados, entonces obtenemos el sistema en lazo cerrado con el compensador controlador-
estimador-orden-completo combinado. La Fig. 2 muestra la gráfica de x1 y su estimado para el
sistema en lazo cerrado con estimador en el lazo, donde r = 0, 𝑥(0) = [1 2 − 0.1]𝑇 , y 𝑥̂(0) = 0.
Graficar.
Fig 2: Gráfica de x1 y su estimado versus el tiempo para el sistema en lazo cerrado con un
estimador de orden completo en el lazo.
26
 Se debe hacer un cálculo teórico para hallar el vector K, y el vector L, por el método de
ackerman de preferencia.
Tareas a resolver
1. Explicar el procedimiento para hallar el vector L, a parir de los polos deseados.
acuerdo al sistema.
Medios auxiliares
2. Explicar el procedimiento para hallar el vector K, a partir de los polos deseados
Estimación de estados
La realimentación de estados requiere medir los estados, pero normalmente, no se tiene

acceso a todos los estados. Entonces ¿cómo implementar la realimentación de estados? Si el
sistema es observable, los estados se pueden estimar mediante un observador.
Una mejor estructura de observador incluye una .corrección del error por realimentación.
27
Ejemplo 2
Diseñar el observador para el péndulo invertido en el carro
m 0 1 0 0 0
0 0 1
 x t   
0 1
 x t     u t 
0 0 0 1 0
0   2 
 0 5 0  
l
A b
1 0 0 0 
y t     x t 
 0 0 1 0 
u M C
x1  y x2  y x3   x4  
y
Comprobamos si el par (AT, CT) es controlable desde la primera salida
y 
y   1
 y2 
C  1 0 0 0
28

   
T T
Q  C T  CAT CA2 CA3 
 
1 0 0 0
0 1 0 0
 
0 0 1 0 
0 0 0 1

Se seleccionan los autovalores deseados del observador escogidos por las propiedades de la
respuesta
1  15  5 j
2  15  5 j
3  10  10 j
4  10  10 j
Polinomio característico deseado en lazo cerrado
q  s    s  10  10 j  s  10  10 j  s  15  5 j  s  15  5 j 
 
 s 2  20s  200 s 2  30s  250 
 s 4  50 s3  1050 s 2  11000 s1  50000 s 0
3 2 1 0
Polinomio característico en lazo abierto
 s 4  0 s3  5 s 2  0 s1  0 s 0
q  s   det  sI  A 3 2 1 0
Ganancia del observador, para el sistema en la forma canónica
LT1   0   0 1  1  2   2 3  3 
T
L1  50000 11000 1055 50
La ganancia de realimentación en las coordenadas originales es,
29
LT  LT P  LT CC 1
 1 1  2  3 
0 1   
P 1   B AB A2 B A B  
3 1 2
 0 0 1 1 
 
0 0 0 1 
Finalmente
T
L1  50 1055 11250 55275
30
Ejercicio 7
Observadores de orden reducido

Continuación:
 En base a los polos deseados encuentra el observador de orden reducido.
 Dado un sistema en forma de espacio de estados, asi como los polos deseados, se pide
obtener un controlador por realimentación de estados y el observador de orden reducido,
luego realizar una simulación en matlab y simulink.
Problema 1: MOTOR DC. Modelado de sistema.
Considere el sistema motor DC de

armadura que presenta la figura,
donde Ra=5, La=200mH,
Kb=0.1V/rad/sec, Ki=0,1Nm/A, la
razón del engranaje N1/N2=1/50.
La inercia de la armadura es
Iarmadura =2*10−3kgm2. La carga de
10 kg está localizada a un radio
efectivo de 0.2 m. La inercia del
Fig. 1: Modelo de un motor DC de armadura
engranaje y fricción son
despreciables.
Sustituyendo los parámetros dados, obtenemos la ecuación de estados siguiente:
31
Parte 1: Diseño por realimentación de estados

Graficar en una sola figura la respuesta al step del sistema original y la respuesta del sistema
para la ley de control 𝑢 = −𝐾𝑥 + 𝐾𝑟 𝑟, tal que los autovalores de A-bK son: {−1 + 𝑖, −1 − 𝑖, −10}
Parte 2: Observador de orden reducido

De la Fig. 1, se observa que el estado que es la posición se puede medir, gracias al
potenciómetro, por lo que se pide encontrar la ganancia del estimador reducido L para los
polos deseados: {−5 + 2𝑖, −5 − 2𝑖}. Recuerde que antes de empezar debe hacer una
transformación canónica.
Si conectamos el estimador de orden reducido del motor DC, junto con la realimentación de
estados (calculada en la parte 1 de esta guía), entonces obtenemos el sistema en lazo cerrado
con el compensador controlador – estimador – orden - reducido combinado. La Fig. 3 muestra
la gráfica de x1 y su estimado para el sistema en lazo cerrado con estimador en el lazo, donde
r= 0, 𝑥(0) = [1 2 − 0.1]𝑇 , y z(0) = 0.
Fig. 3: Gráficas de x1 y su estimado versus tiempo para el sistema no lineal en lazo cerrado
con estimador de orden reducido en el lazo.
32
 Se debe hacer un cálculo teórico para hallar el vector K, y el vector L, por el método de
ackerman de preferencia.
Tareas a resolver
1. Explicar el procedimiento para hallar el vector L, a parir de los polos deseados.
acuerdo al sistema.
Medios auxiliares
1. Explicar el procedimiento para hallar el vector L, a partir de los polos deseados
El observador de orden reducido
Se supondrá, ahora, que q de los n estados del sistema pueden ser medidos en forma directa.
» Estos estados se agrupan en el vector
x1T   x1 , x2 , , xq 
» mientras que los restantes n − q estados se agrupan en
x2T   xq 1 , xq  2 , , xn 
» La ecuación de estado original
x  Ax  Bu
:
 y  Cx
A : n  n, B : n  p, C : q  n
Si C = [ I 0 ], entonces y(t) son los primeros q estados, definiendo,
Q1  C T
CC  T 1
 R nq
33
CQ1  I q
 definiendo
Q2  R 
n n  q 
: CQ2  0 y rank  Q2   n  q
 Una base para Null(C)
 
1 T
R  Q2 Q2 Q2  R nq
T
 
1
RQ2  Q2T Q2 Q2T Q2  I n  q  n  q 
 Definiendo la transformación P
Q : P 1  Q1 Q 2  Q1 : n  q, Q 2 : n  (n  q )
C   CQ CQ2  I q 0 
I n  PQ    Q1 Q2    1  
R  RQ1 RQ2   0 I nq 
 ̅ = 𝑷𝒙
Por la transformación 𝒙
 x  PAP 1x  PBu

: 
 y  CP 1
x  
 I q 0 
 x
  x1   A11 A12   x1   B1 
          u
  x 2   A 21 A 22   x2   B2 

y  I q 0  x  x1
 Todos los estados x1 son accesibles. Solo necesitan ser estimados los ultimos nq
elementos de 𝒙̅.
Usando 𝒚 = 𝒙𝟏 , tenemos.
 x2  A 21 y  A 22 x2  B2u

y  A11 y  A12 x2  B1u
34
Definiendo,
u  A 21y  B2u


w  y  A11y  B1u
 x 2  A 22 x 2  u

w  A12 x 2
El problema se reduce a diseñar un observador para el sistema:
x 2  A 22 x 2  u

w  A12 x 2
Definiendo,
u  A 21y  B2u


w  y  A11y  B1u
El observador:

xˆ 2  A 22 xˆ2  u  L w  A12 xˆ2  
Definiendo,
u  A 21y  B2u


w  y  A11y  B1u
Para eliminar la derivada, definir
  t   xˆ 2  t   Ly  t 
Entonces,
d d d
  t   xˆ 2  t   L y  t 
dt dt dt
Para eliminar la derivada, definir
  t   xˆ 2  t   Ly  t 
Entonces,
35
d
  t    A 22  LA12    t    B 2  LB1  u  t 
dt
  A 21  LA11   A 22  LA12  L  y  t 
Entonces,
d
  t    A 22  LA12    t    B 2  LB1  u  t 
dt
  A 21  LA11   A 22  LA12  L  y  t 
Estimar:
 y t  
xˆ  t    
  t   Ly  t  
Realimentación de los estados estimados
El control se genera por la realimentación de los estados estimados
 y t  
u  t   K P xˆ  t     K1 K 2   y  t  
u  t   Kxˆ  t     K1 K 2     t   Ly  t  
  t   Ly  t 
 y t  
   K1  K 2L K 2   y  t 
   K1  K 2L K 2   t  
  t  
Sistema aumentado en lazo cerrado
d  A  BK BK 2 
xa  t    x t 
dt  0 A 22  LA12  a
Existe separación de los problemas de la estimación de los estados y el control
Si (A, C) es observable, puede ser construido un estimador completo o de orden reducido

con valores propios arbitrarios
Si las variables de estado NO están disponibles para realimentación, podemos diseñar un

estimador de estado
u  r  kxˆ
36
u (t )
r (t ) Plant y (t )

x̂
k Estimator
37
Ejercicio 8
Identificación experimental de función de transferencia.

Continuación:
 Identifica un sistema de forma experimental, usando la herramienta ident del matlab.
 Dado un sistema en forma de espacio de estados, se pide obtener la solución homogénea,
luego la particular y finalmente la suma de las respuestas anteriores y realizar una
simulación en matlab y simulink.
Esquema general de la adquisición de datos.
 Se debe hacer un cálculo teórico para hallar la respuesta en el tiempo de la salida y(t).
 El primer problema se prueba hasta una entrada escalón unitario.
 En el segundo caso se debe probar con una entrada sinusoide de una frecuencia
adecuada.
Tareas a resolver
1. Diseñar el sistema de adquisición de datos.
2. Procesamiento de datos para la identificación.
3. Identificación del modelo.
38
Medios auxiliares
 Tarjetas NIDAQ usb6008.
1.- Diseñar el sistema de adquisición de datos.

El sistema de adquisición de datos fue desarrollado con un microcontrolador PIC18F2550
de Microchip el cual cuenta con un módulo USB para transmisión de información y se
utilizó para enviar los datos de entrada y salida del sistema hacia el computador para su
respectivo procesamiento.
Figura 1. Diagrama esquemático Tarjeta de adquisición de datos.
Medida de la velocidad del motor

Como sensor se utilizó el QME–01 que es un encoder incremental en cuadratura que tiene
una resolución de 100ppv por canal y se puede hacer lectura en cuadratura de 400 pulsos
por vuelta, el voltaje de alimentación es 5Vdc.
39
Figura 2. Encoder incremental.

Características
 Resolución 100 ciclos por vuelta en un canal ó 400 pulsos en cuadratura
 Voltaje 5Vdc, Canales Canal A y Canal B
Normalmente este tipo de encoders se utilizan en aplicaciones en donde se necesita
conocer la velocidad y la dirección de giro y por esto traen dos canales desfasados 90º
entre sí.
Desarrollo del programa en Labview para la visualización y almacenamiento de los
datos.
En el software desarrollado se pueden observar la entrada y salida del sistema, también se
muestra el tiempo de adquisición de los datos el cual es necesario para la determinación
del periodo de muestreo de la señal. Posee al opción de guardar los datos en un archivo
.lvm
40
Figura 3. Interfaz. Panel frontal
Figura 4. Librería USB Labview (picusb.vi)
Los datos recibidos en el programa no corresponden a las magnitudes físicas que

necesitamos (voltaje y rpm), por lo tanto se debe realizar una serie de operaciones con el
fin de hallar los valores reales de las variables. Este proceso se realiza en la Figura 5.
41
Figura 5. Diagrama de bloques para conversión de los datos
Luego de haber realizado la adecuación de los datos, estos son graficados e indicados por
el diagrama de bloques de la Figura 6.
Figura 6. Diagrama de bloques para graficas de la medición
Por último y más importante bloque tenemos en la Figura 7 el encargado del

almacenamiento de los datos, el VI encargado es el Write to measurement, este genera
un archivo .lvm
Figura 7. Diagrama de bloques de almacenamiento
42
En el archivo generado se almacenan los datos de voltaje en el motor, rpm y tiempo,

necesarios para la identificación del mismo.
2.- Procesamiento de datos para la identificación.
Luego de tomar y almacenar los datos mediante el programa en Labview, obtenemos un archivo
.lvm que necesitamos llevar a Matlab para su procesamiento.
Pasos.
1. IMPORTAR ARCHIVO .LVM A EXCEL, este procedimiento se hace necesario ya que
directamente desde Matlab no se puede acceder a documentos de extensión .lvm
>> Nuevo documento de Excel
>> Seleccionamos archivo
>> abrir archivo .lvm de la ubicación donde se almaceno desde Labview, se inicia el
asistente Figura 8, para cargar archivos, seguimos las instrucciones y damos finalizar.
Figura 8. Asistente de Excel para importar archivos de texto
43
Al finalizar el asistente el libro de Excel debe verse de la siguiente forma:
Figura 9. Documento Excel con los datos cargados
Posee cuatro columnas: Primera es nula, Segunda contiene los datos del voltaje aplicado
al motor, Tercera registra la velocidad en rpm del motor, Cuarta el tiempo de adquisición.
2. CARGAR ARCHIVO DE EXCEL A MATLAB: la función utilizada en Matlab es xlsread,

y tiene la siguiente sintaxis:
[datos columna Excel ,texto columna excel ]=xlsread('nombre
archivo.xlsx',-1)
La función retorna dos vectores tipo columna con los datos seleccionados de la hoja de
Excel. Al ejecutar la línea de código en Matlab, esta abre la hoja de datos de Excel y pide
que se seleccione la columna a importar al workspace, como se muestra Figura 10.
44
Figura 10. Selección de datos para importar a Matlab
Al finalizar el seleccionado de los datos pulsamos “ok” y repetimos el procedimiento para

las columnas restantes. En el workspace se cargaran los vectores como se muestra Fig 11.
Figura 11. Vectores cargados desde Excel
45
3. GRAFICA DE LOS DATOS. Ejecutamos el siguiente código

subplot(1,2,1)
plot(tiempo_prueba_step_70V,entrada_prueba_step_70V)
title('ENTRADA STEP 70 VOLTIOS')
xlabel('TIEMPO [S]')
ylabel('VOLTAJE [V]')
subplot(1,2,2)
plot(tiempo_prueba_step_70V,salida_prueba_step_70V)
title('SALIDA RPM')
xlabel('TIEMPO [S]')
ylabel('VELOCIDAD [RPM]')
Figura 12. Graficas de los datos importados a Matlab
3. Identificación del modelo.

Para la identificación de modelo matemático de un sistema existen varios métodos de los
cuales algunos se a citarán a continuación y se explicarán los pasos a seguir para una
correcta obtención del modelo.
46
Utilizando la respuesta del sistema al paso de 70 voltios calculamos cada una de las
constantes necesarias para reemplazarlas en la función de transferencia correspondiente y
así obtener el modelo.
IDENTIFICACIÓN USANDO EL TOOLBOX (System Identification Tool)

Para acceder al panel frontal Figura 13. Se ejecuta en Matlab el comando >>ident
Figura 13. Panel frontal System Identifiaction Tool
47
1. IMPORTAR LOS DATOS AL IDENT:
Figura 14. Importar datos
Al desplegar la pestaña Figura 14, de import data, seleccionamos la que nos indica Time
domain data y nos abre la ventana Figura 15.
Figura 15. Import Data
48
Ingresamos el nombre de los vectores de datos de entrada y salida del sistema a identificar
previamente cargados al workspace y especificamos el periodo de muestreo. En la casilla
Sampling interval de la sección Data information, procedemos a dar import, figura 15.
Nos debe quedar el panel frontal del indent como se muestra en la figura 16
Figura 16. Panel frontal datos cargados mydata
49
2. SELECCIÓN DE DATOS PARA IDENTIFICAR Y PARA VALIDAR

Se da click en el menú desplegable Operations >> Prepocess >> Quick start como se
ilustra Figura 17.
Figura 17. Separación datos de identificación y validación Quick start
Con la función Quick start, figura 17, lo que realiza el programa es realizar un pre-
procesado de los datos así como la separación de los datos que se utilizaran en la
identificación y la validación de los modelos.
La casilla mydata son los datos originales al dar click en Quick start deben aparecer tres
grupos de datos adicionales Figura 18, los procesados, los de identificación y los de
validación.
50
Figura 18. Datos de identificación, validación y procesados
mydata: datos originales

mydatad: datos procesados
mydatade: datos para identificación que se cargan a Working Data
mydatadv: datos de validación que se cargan a Validation Data
3. ESTIMACIÓN DE MODELOS MÉTODO PARAMÉTRICOS

Desplegamos el menú de Estimate >> Linear parametric models y como se ve en la
figura 19.
51
Figura 19. Estimación de modelos
Figura 20. Ventana de selección de estructuras
52
En la Figura 20, se pueden ver las diferentes estructuras de estimación paramétrica ARX,
ARMAX, OE, BJ… se elige el orden del regresor para escoger [na nb nc nf nk ] según sea
la estructura
Al estimar un modelo este se almacena en la parte derecha del panel import models como
se muestra Figura 21.
Figura 21. Modelos estimados almacenados
En Model view se puede hacer una análisis de la respuesta del modelo a los datos de
validación para ver el porcentaje de ajuste, nos permite ver los residuos para observar la
correlación de los datos, la respuesta del trasciente, respuesta en frecuencia, los polos y
ceros del sistema. Ejemplo seleccionando Model output, Figura 22.
53
Figura 22. Análisis con Model views
Después de seleccionar el modelo que mejor se ajuste al sistema se procede a exportar la

función de transferencia al workspace para que pueda ser utilizada sin problemas en el
diseño de los sistemas de control, para realizar esta acción basta con dar click sostenido
sobre un modelo de la parte derecha del panel frontal del ident, se arrastra hasta el
recuadro en el centro del panel que dice To Workspace. Figura 23.
54
Figura 23. Exportar modelo al Workspace
Luego de esto en Matlab es necesario ejecutar el siguiente comando:
FZ=tf(arx211) %donde arx211 nombre del modelo que

se exportó del ident
Y esta nos retorna la función de transferencia en “Z”
>> FZ=tf(arx211)
Transfer function from input "u1" to output "y1"
1.459 z
-----------------------
z^2 - 0.9969 z + 0.0216
Sampling time: 0.0253
55
Ejercicio 9
Control optimo cuadrático (LQR)

Continuación:
 Diseña el controlador óptimo cuadrático.
 Dado un sistema en forma de espacio de estados, se pide obtener un controlador óptimo y
realizar una simulación en matlab y simulink.
Considere un motor DC como se muestra en la Figura. El modelo matemático para la relación

entre el voltaje, u, y el ángulo de desplazamiento, es:
(t )  (t )  u(t ),
Donde 𝜃(0) = 0 y 𝜃̇(0) = 1. Queremos diseñar la señal de voltaje tal que el funcional de costo:
1 
J
2 0
( (t ) 2  6(t ) 2  12  (t )(t )  u (t ) 2 )dt
,
sea minimizado.
a. (2 pto) Formule este problema como un problema de control optimo en la forma estándar.
b. (3 ptos) Resuelva el problema de control óptimo. Encontrar u y J mínimo.
c. (2 pto) ¿El sistema en lazo cerrado es asintóticamente estable? Justifique calculando los
polos del sistema controlado.
 Se debe hacer un cálculo teórico para hallar el vector K, por la ecuación algebraica de
Riccati.
56
Tareas a resolver
1. Explicar el procedimiento para hallar el vector K.
acuerdo al sistema.
Medios auxiliares
1. Explicar el procedimiento para hallar el vector K
Considere el sistema de espacio de estados
y el criterio de desempeño
donde Q es no definida negativa y R es definida positiva. Entonces el control óptimo que

minimiza (J) está dado por la ley lineal de realimentación de estado,
y donde P es la única solución definida positiva de la matriz Ecuación Algebraica de Riccati

(EAR),Para el sistema dinámico lineal:
Ejemplo
Suponga que
1
𝐺(𝑠) =
𝑠(𝑠 + 1)
Luego obtenemos la representación en espacio de estado,
57
Suponga que la función de costo de la realimentación de estado es
Esto da las matrices de pesado Q = I y R = 1. La EAR requiere que P satisfaga
Ya que requerimos que P sea definida positiva, y simétrica, sea,
Esto arroja las ecuaciones simultáneas
Hay tres posibles soluciones a las ecuaciones simultáneas previas, a saber,
Solo la última de ellas es definida positiva, así que es la que requerimos. Esto da,
58
Ejercicio 10
Control LQG Y Filtro de Kalman

 Diseñar un controlador LQG y un filtro de Kalman.
 Diseñar el Filtro de Kalman del siguiente sistema.
59
Consideremos el sistema continuo dado por
−𝟒 𝟐 𝟎 𝟏
𝒙̇ = [ ]𝒔 + [ ]𝒖 + [ ]𝒗
−𝟐 −𝟒 𝟏 −𝟏
𝒚 = [𝟏 𝟎]𝒙 + 𝒘
Donde el término de ruido v(t) tiene media cero y covarianza V = 0.09. El ruido de medición se
asume de media cero y covarianza W = 0.25. El objetivo es diseñar un filtro de Kalman
continuo para estimar las variables de estado de (1). Consideramos el estado inicial de la
planta x(0) =[0.5 -0.5]T , con covarianza de este estado inicial 𝑃𝑜 = 𝐼2𝑥2 .
 Se debe hacer un cálculo teórico para hallar la matriz de trasformación T, y con esa matriz
hallar las nuevas matrices A, B, C, D.
 En el simulink se espera que se halle la forma estándar de cada transformación canónica.
Tareas a resolver
1. Explicar el diseño de un filtro de Kalman.
2. Explicar la estimación de estados optima (LQE)
3. Explicar el diseño del controlador LQG.
acuerdo al sistema.
Medios auxiliares
1. Explicar el diseño de un filtro de Kalman
Es un algoritmo de procesado de datos óptimo recursivo. Óptimo porque minimiza un criterio
determinado y porque incorpora toda la información que se le suministra para determinar el
filtrado. Recursivo porque no precisa mantener los datos previos, lo que facilita su
implementación en sistemas de procesado en tiempo real. Por último, algoritmo de procesado
de datos, ya que es un filtro, pensado para sistemas discretos.
El objetivo del filtro de Kalman es estimar los estados de una manera óptima, de manera que
se minimiza el índice del error cuadrático medio.
60
1.1.- Características de los filtros de Kalman
 El filtro Kalman es un algoritmo para procesar datos de manera iterativa.
 No requiere reprocesar todas las observaciones anteriores cada vez que se actualiza.
 El filtro sirve para estimar y predecir el movimiento de una variable que no observamos
directamente pero cuyo efecto medimos, contaminado por ruido, a través de otras variables.
 El filtro de Kalman proporciona un buen marco para la estimación de una variable, de la que
se dispone de medidas a lo largo del tiempo.
 Se trata de una técnica de estimación Bayesiana empleada para seguir sistemas

estocásticos dinámicos observados mediante sensores ruidosos.
El objetivo del filtro de Kalman es la obtención de un estimador óptimo de las variables de

estado de un sistema dinámico, basado en observaciones ruidosas y en un modelo de
incertidumbre de la dinámica del sistema.
1.2.- Descripción Del Filtro De Kalman
La descripción del filtro de Kalman con sus ecuaciones puede verse en el siguiente diagrama.
Diagrama 1: Descripción del filtro de kalman con sus ecuaciones
61
Diagrama 2: Otra forma de interpretar l filtro de kalman con sus ecuaciones
1.3.- Filtros de Kalman en Sistema lineal en el espacio de estado
Como sabemos los filtros de Kalman sirve para poder identificar el estado oculto (no medible)
de un sistema dinámico lineal, al igual que el observador de Luenberger, pero sirve además
cuando el sistema está sometido a ruido blanco aditivo. La diferencia entre ambos es que en el
observador de Luenberger, la ganancia K de realimentación del error debe ser elegida "a
mano", mientras que el filtro de Kalman es capaz de escogerla de forma óptima cuando se
conocen las varianzas de los ruidos que afectan al sistema.
Figura 1: Algoritmo recursivo del filtro de Kalman
Caso de tiempo continúo:

Se tiene un sistema representado en el espacio de estado:
62
Dónde:
 Es ruido blanco de valor promedio igual a cero y con varianza en el

intervalo de tiempo descrito como t.
 Es ruido blanco de valor promedio igual a cero y con varianza en el

intervalo de tiempo descrito como t.
 El filtro de Kalman permite estimar el estado a partir de las mediciones

anteriores de , , , y las estimaciones anteriores de .
2. Estimación de estado optima LQE

Recordemos que el problema dual estimador optimo LQ lleva al filtro de Kalman, el cual es el
mejor estimador posible para la planta corrupta con ruidos w y v.
𝑥̇ = 𝐴𝑥 + 𝐵𝑢 + 𝑤
𝑦 = 𝐶𝑥 + 𝑣
Donde w y v son proceso Gaussianos estocásticos de media cero no correlacionados en el
tiempo y el uno al otro, con covarianzas 𝐸(𝑤𝑤 𝑇 ) = 𝑊 y 𝐸(𝑣𝑣 𝑇 ) = 𝑉. La ganancia del
estimador óptimo es 𝐿 = 𝑃𝐶 𝑇 𝑉 −1 donde P es la solución de la EAR.
𝐴𝑃 + 𝑃𝐴𝑇 − 𝑃𝐶 𝑇 𝑉 −1 𝐶𝑃 + 𝑊 = 0
63
3. Control lineal cuadrático Gaussiano (LQG)

El control LQG es el controlador óptimo obtenido como la combinación de una ganancia de
realimentación de estado LQR con realimentación desde los estimados a partir de un
estimador de estado óptimo LQE.
 El principio de separación nos permite diseñar una ganancia de realimentación LQR y el

LQE independientemente.
 El controlador combinado incluyendo LQR (regulador optimo lineal cuadrático) y un LQE
(estimador optimo lineal cuadrático) se denomina usualmente controlador lineal cuadrático
gaussiano (LQG).
 LQG se puede usar como una herramienta simple para obtener un controlador ball-park
con un desempeño razonable. Como con la asignación de polos, la planta debe
aumentarse si se desean características como acción integral.
64
ANEXO 1: Laboratorio 1 - Modelado en espacio de estados
A continuación se muestran diferentes sistemas, se pide que cada grupo a lo más de 3 alumnos,
escoja un sistema y realice las siguientes actividades:
1. Obtención de las ecuaciones diferenciales para cada sistema.

2. Realizar el modelamiento de espacio de estados a partir de las ecuaciones anteriores.
3. Dar valores a las constantes, realizar un código en matlab para simular el sistema ante
una entrada adecuada (Escalón, impulso, senoidal, etc), considerar condiciones
iniciales.
4. Realizar el ítem anterior con simulink.
Sistema # 1: Valdivia, Zapana
Luque, Guillen, Flores
La figura a continuación es un modelo físico para un sistema electromecánico. El modelo

representa el control de posición de lazo abierto de una masa a partir de la tensión de alimentación
u(t). La fuerza F(t) generada por el solenoide es proporcional a la intensidad que circula por la
bobina (F(t)=i(t)).
Sistema # 2: Guarino, Quispe, Ramos
65
Sistema # 3: Valverde, Guzman, Villegas
Sistema # 4: Escobar Chavez Carpio
Huarcaya, Mandujano
66
67
Sistema # 5: Loyola, Suclla
Sistema # 6: Entrada x4(t) salida x1(t): Ballon, Vizcarra, Gamero
68
Sistema # 7: Entrada es fa(t) la salida es theta: Zavala, Estrada, Salazar
69
Sistema 8: Apaza, Portugal, Layme
Sistema # 9: Cupi
70
Sistema # 10: Tejada, Lujan
Sistema # 11:Portugal, Valdivia Uria, Cardenas
Sistema # 12:
71
Sistema # 13:
72
Sistema # 14:
Sistema # 16: Mamani, Romero, Núñez
73
Lllerena, Mango, Luque
Marchelo2391@hotmail.com
74

Linealización y modelado en espacio de estados

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

Linealización y modelado en espacio de estados

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CATOLICA DE SANTA MARIA

FACULTAD DE CIENCIAS E INGENIERIAS FISICAS

E. P. DE INGENIERÍA MECANICA, MECANICA –ELECTRICA Y

GUÍA DE PRACTICAS DE CONTROL MECATRONICO III

Ing. Marcelo Jaime Quispe Ccachuco

CONTROL MECATRONICO III - 4E09078

Ejercicio 2: Linealización + Modelado en espacio de estados …….... 7

Ejercicio 3: Espacio de estados. Transformaciones canónicas ………… 11

Ejercicio 4: Linealidad de los sistemas en espacio de estados…………... 16

Ejercicio 5: Control por realimentación de estados…………… 20

Ejercicio 6: Observadores de Orden completo………..… 24

Ejercicio 7: Observadores de Orden reducido…………… 30

Ejercicio 8: Identificación experimental de función de transferencia…. 37

Ejercicio 9: Control optimo cuadrático (LQR)…………………………….. 55

Ejercicio 10: Control LQG Y Filtro de Kalman………………………….. 58

Anexo para el Ejercicio 1………………………………………………….. 64

CONTROL MECATRONICO III - 4E09078

Modelado en espacio de estados.

CONTROL MECATRONICO III - 4E09078

2da ley de newton en la barra

𝑢𝐿2 − 𝐾2 (𝑏 − 𝑦)𝐿2 − 𝐾1 𝑎𝐿1 = 𝐼𝜃̈

𝑢𝐿2 − 𝐾2 (𝐿2 𝜃 − 𝑦)𝐿2 − 𝐾1 (𝐿1 𝜃)𝐿1 = 𝐼𝜃̈

CONTROL MECATRONICO III - 4E09078

2. Realizar las simulaciones en MATLAB

CONTROL MECATRONICO III - 4E09078

Simulink en matlab CODIGO EN MATLAB

CONTROL MECATRONICO III - 4E09078

Linealización + Modelado en espacio de estados.

CONTROL MECATRONICO III - 4E09078

Para el nodo A En el nodo B

CONTROL MECATRONICO III - 4E09078

Verificar que el punto de operación es definido por 𝒆̅𝒐 = 𝟐𝑽

𝑒𝐴̇ = −2𝑒𝐴 − 2𝐼𝐿 + 2𝑒𝑖

𝑿̇𝟏 = −𝟐𝑿𝟏 − 𝟐𝑿𝟑 + 𝟐𝒖 = 𝟎

−2𝑋1 − 2𝑋3 + 2(8 + 𝑒̅(𝑡))

3𝑋1 − 3𝑋2 − 6𝑋3 = 0

CONTROL MECATRONICO III - 4E09078

𝝏𝒇𝟏 𝝏𝒇𝟏 𝝏𝒇𝟏

𝝏𝒇𝟏 𝝏𝒇𝟏 𝝏𝒇𝟏

CONTROL MECATRONICO III - 4E09078

Zavala, Estrada, Salazar 9.22 ejer

CONTROL MECATRONICO III - 4E09078

Espacio de estados. Transformaciones canónicas

CONTROL MECATRONICO III - 4E09078

Transformación canónica controlable

Transformación canónica observable

CONTROL MECATRONICO III - 4E09078

Problema 1: Dado el sistema en espacio de estado:

Problema 2: Dado el sistema en espacio de estado:

a) Encuentre la transformación canónica controlable y muestre el diagrama de simulación en

Problema 3: Dado el sistema en espacio de estado:

a) Encuentre la transformación canónica observable y muestre el diagrama de simulación en

CONTROL MECATRONICO III - 4E09078

𝐴 ∈ ℝ𝑛𝑥𝑛 , 𝐵 ∈ ℝ𝑛𝑥𝑝 , 𝐶 ∈ ℝ𝑞𝑥𝑛 , 𝐷 ∈ ℝ𝑞𝑥𝑝

 u(t): vector de entradas

CONTROL MECATRONICO III - 4E09078

Y definiendo: 𝐴̃ = 𝑇𝐴𝑇 −1 , 𝐵̃ = 𝑇𝐵, 𝐶̃ = 𝐶𝑇 −1

CONTROL MECATRONICO III - 4E09078

Linealidad de los sistemas en espacio de estados.

Problema 2: Realice el mismo procedimiento pero ahora quitando el amortiguamiento. Un

CONTROL MECATRONICO III - 4E09078

CONTROL MECATRONICO III - 4E09078

Respuesta a la condición inicial