Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis y Control de Sistemas en Espacio de Estado Identificacion de Sistemas PDF
Analisis y Control de Sistemas en Espacio de Estado Identificacion de Sistemas PDF
Analisis y Control de Sistemas en Espacio de Estado Identificacion de Sistemas PDF
CONTROL PREDICTIVO
Rev. 5/05/2005
Índice general
Lista de figuras IX
i
ii ÍNDICE GENERAL
1.6.1. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.3. Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9.2.1. Cálculo de Ke . . . . . . . . . . . . . . . . . . . . . . . 32
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
ix
x ÍNDICE DE FIGURAS
4.3. Misma situación que en la figura 4.2 pero con una señal de entrada
senoidal de frecuencia ω = 1 rad × s−1 . . . . . . . . . . . . . . . . . . . 75
7.1. PID industrial moderno con función de autoajuste (ABB modelo ECA). 107
7.5. Curva de pH para una solución de HCl 0.001 M y NaOH 0.001 M. . . 112
1
2OBTENCIÓN DE LA REPRESENTACIÓN DE EN ESPACIO DE ESTADOS DE SISTEMAS DISCRETOS
x(k+1) x(k) +
u(k) +
H +
z-1 C +
y(k)+a1 y(k−1)+a2 y(k−2)+· · ·+an y(k−n) = b0 u(k)+b1 u(k−1)+· · ·+bn u(k−n) (1.2)
Es bien conocido de anteriores temas de la asignatura que este sistema puede ser
descrito por la siguiente función de transferencia:
Y (z) b0 + b1 z −1 + b2 z −2 + · · · + bn z −n
G(z) = = (1.3)
U (z) 1 + a1 z −1 + a2 z −2 + · · · + an z −n
A continuación se expondrán dos de los métodos disponibles para obtener la repre-
sentación en espacio de estados del sistema descrito por (1.3).
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 3
con:
(b1 − a1 b0 )z −1 + (b2 − a2 b0 )z −2 + · · · + (bn − an b0 )z −n
Ỹ (z) = (1.7)
1 + a1 z −1 + a2 z −2 + · · · + an z −n
Por otra parte, teniendo en cuenta la expresión de Ỹ (z) se puede definir un Q(z) que
cumple que:
Ỹ (z) U (z)
Q(z) = = (1.8)
(b1 − a1 b0 )z −1 + · · · + (bn − an b0 )z −n 1 + a1 z + · · · + an z −n
−1
Por otra parte, podemos reescribir también (1.10) teniendo en cuenta las igualdades
de (1.11) de manera que:
Ỹ (z) = (b1 − a1 b0 )Xn (z) + (b2 − a2 b0 )Xn−1 (z) + · · · + (bn − an b0 )X1 (z) (1.16)
Esto se puede llevar a la ecuación (1.6) de manera que antitransformando se obtiene:
y(k) = (bn − an b0 )x1 (k) + (bn−1 − an−1 b0 )x2 (k) + · · · + (b1 − a1 b0 )xn (k) + b0 u(k) (1.17)
lo cual se puede escribir como:
x1 (k)
x2 (k)
..
y(k) = bn − an b0 bn−1 − an−1 b0 · · · b 1 − a 1 b0 . + b0 u(k) (1.18)
xn−1 (k)
xn (k)
Las ecuaciones (1.15) y (1.18) forman una representación en espacio de estados del
sistema descrito por la función de transferencia (1.3) que se denomina forma canónica
controlable.
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 5
Nótese que según esta definición de las variables de estado la expresión (1.20) se puede
reescribir en forma condensada como:
Antitransformando lo anterior:
con C̃ = CP y D̃ = D. Ası́ pues, las ecuaciones (1.27) y (1.28) describen una repre-
sentación del sistema en espacio de estados que es diferente de la original pero equiva-
lente a ella1 .
Iterando las ecuaciones del estado para un sistema LTI como (1.1) a partir de k = 0:
1
Obsérvese que en la ecuación (1.28) el estado aparece con ˜, indicando que el vector de estados
es diferente al original. La salida sin embargo si coincide con la del sistema original pues ambas
representaciones son equivalentes.
8 RESOLUCIÓN DE LAS ECUACIONES DEL ESPACIO DE ESTADOS
Obsérvese que x(k) depende del estado inicial y de los valores de la entrada. Por otra
parte, la salida se puede expresar como:
k−1
X
k
y(k) = CG x(0) + C Gk−j−1 Hu(j) + Du(k) (1.30)
j=0
Considérese la ecuación:
x(k + 1) = Gx(k) (1.31)
En este caso, al no tener señal de entrada la solución de la ecuación viene dada por:
x(k) = Ψ(k)x(0)
con:
Ψ(k + 1) = GΨ(k) Ψ(0) = I
es decir:
Ψ(k) = Gk
k−1
X
x(k) = Ψ(k)x(0) + Ψ(k − j − 1)Hu(j) (1.32)
j=0
k−1
X
= Ψ(k)x(0) + Ψ(j)Hu(k − j − 1)
j=0
lo que lleva a:
k−1
X
y(k) = CΨ(k)x(0) + C Ψ(j)Hu(k − j − 1) + Du(k) (1.33)
j=0
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 9
y antitransformando:
x(k) = Z−1 (zI − G)−1 z x(0) + Z−1 (zI − G)−1 HU (z)
k−1
X
k
G =Z −1 −1
(zI − G) z y Gk−j−1 Hu(j) = Z−1 (zI − G)−1 HU (z) (1.34)
j=0
Ejemplo 1.1
Se pide calcular Ψ(k) = GK = Z−1 {(zI − G)−1 z}. En primer lugar calculamos:
−1 z −1
(zI − G) =
0,16 z + 1
" #
z+1 1
(z+0,2)(z+0,8) (z+0,2)(z+0,8)
= −0,16 z
(z+0,2)(z+0,8) (z+0,2)(z+0,8)
" #
4 1
3 z+0,2
− 31 z+0,8
1 5 1
3 z+0,2
− 35 z+0,8
1
= (1.35)
− 0,8 1
3 z+0,2
+ 0,8 1
3 z+0,8
− 13 z+0,2
1
+ 34 z+0,8
1
10 RESOLUCIÓN DE LAS ECUACIONES DEL ESPACIO DE ESTADOS
y de ahi, antitransformando:
− 176
(−0,2)k + 22
9
(−0,8)k + 25
18
x(k) = 3,4 17,6 7
6
(−0,2)k − 9 (−0,8)k + 18
Se observa en el ejemplo 1.1 que gran parte del cálculo se emplea en calcular (zI −
G) . Esto puede ser muy engorroso cuando el orden de las matrices involucradas es
−1
H1 = G + a 1 I
H2 = GH1 + a2 I
..
.
Hn−1 = GHn−1 + an−1 I
Hn = GHn−1 + an I = 0
a1 = −traza(G)
1
a2 = − traza(GH1 )
2
1
a3 = − traza(GH2 )
3
..
.
1
an = − traza(GHn−1 )
n
Ejemplo 1.2
|zI − G| = z 2 + a1 z + a2
Adj(zI − G) = Iz + H1
donde:
a1 = −traza(G)
H1 = G + a 1 I
a2 = − 12 traza(GH1 )
La traza de G es igual a 1, luego a1 = 1 y de ahı́ se obtiene que H1 = G + I, con lo
que se puede calcular:
1 0 1 1 1
a2 = − traza = 0,16
2 −0,16 −1 −0,16 0
12 DISCRETIZACIÓN DE LAS ECUACIONES DE ESTADO CONTINUAS
Finalmente:
z+1 1
−0,16 z
(zI − G)−1 =
(z + 0,2)(z + 0,8)
que evidentemente es el mismo resultado obtenido en el ejemplo 1.1.
ẋ = Ax + Bu
(1.37)
y = Cx + Du
donde puede observarse que las matrices G y H dependen del tiempo de muestreo T .
Para determinar el valor de G(T ) y H(T ) usaremos la solución de la ecuación de estado
en tiempo continuo:
Z t
At At
x(t) = e x(0) + e e−Aτ Bu(τ )dτ (1.39)
0
Se tiene que:
Z (k+1)T
A(k+1)T A(k+1)T
x((k + 1)T ) = e x(0) + e e−Aτ Bu(τ )dτ (1.41)
0
Z kT
AkT AkT
x(kT ) = e x(0) + e e−Aτ Bu(τ )dτ (1.42)
0
donde λ = T − τ . Sea:
G(T ) = eAT
R T Aλ (1.45)
H(T ) = 0
e dλ B
entonces la ecuación (1.44) queda:
que es la ecuación a la que tenı́amos que llegar y por tanto se ha obtenido la ecuación
de estado continuo discretizada.
En el caso particular (aunque muy común, y por tanto interesante) de que A sea
una matriz invertible se tiene que:
H(T ) = eAT − I A−1 B
Existen diferentes métodos para calcular eAT . Quizás el más sencillo de aplicar
cuando se trata de calcular la exponencial con papel y lápiz sea utilizar la equivalencia:
eAt = L−1 (sI − A)−1 (1.48)
14 DISCRETIZACIÓN DE LAS ECUACIONES DE ESTADO CONTINUAS
donde L−1 indica la transformada de Laplace inversa. Desde el punto de vista práctico
el método consistirı́a en calcular (sI −A)−1 (nótese que puede emplearse el método para
calcular (zI − G)−1 dado en la sección 1.4.3.1) y aplicar a posteriori la transformada
de Laplace inversa a cada elemento de la matriz.
Ejemplo 1.3
Ejemplo 1.4
Luego:
1−e−aT
x(k + 1) = e−aT x(k) + a
u(k)
y(k) = x(k)
1.6.1. Controlabilidad
Lema 1.1 Dado un sistema LTI de orden n representado por (1.49), es condición
necesaria y suficiente para que el sistema sea completamente controlable que el rango
de la matriz de controlabilidad (1.51) sea igual a n.
Comentario 1.1 El sistema que cumpla la condición establecida en el lema 1.1 po-
drá alcanzar cualquier estado como máximo en n periodos de muestreo, pero sólo si no
existen restricciones sobre la señal de control. En caso contrario, se tardarı́a más.
Nótese que en esta segunda forma de la ecuación de salida, la presencia del término
Du(kT ) no empeora la controlabidad del sistema, sino justo lo contrario. De hecho, al
introducirse una columna extra en la matriz de controlabilidad (la correspondiente a
D), se puede dar el caso que se pase de tener m−1 columnas linealmente independientes
a tener m, por lo que se lograrı́a la controlabilidad de la salida. Dicho de otra manera,
encontrar m vectores linealmente independientes siempre será igual o más fácil entre
n + 1 vectores que entre sólo n de esos vectores.
1.6.3. Observabilidad
y de ahı́
y(kT ) = CGk x(0)
se pueden determinar
x1 (0), x2 (0), · · · , xn (0)
y(0) = Cx(0)
y(T ) = CGx(0)
..
.
y((n − 1)T ) = CGn−1 x(0)
Finalmente, se enuncia a continuación una propiedad que será útil para poder obte–
ner la representación de un sistema en forma canónica, sin que por ello pueda argu-
mentarse que existe la posibilidad de variar la controlabilidad u observabilidad del
mismo.
Propiedad 1.1 Sea un sistema LTI dado en la forma usual (1.1), cuya matriz de
controlabilidad es M y la de observabilidad es N . Si se define una transformación
como (1.26) con:
Ĝ = P −1 GP
Ĥ = P −1 H
Ĉ = CP
siendo P una matriz invertible, entonces las matrices de controlabilidad y observabilidad
del sistema equivalente tienen el mismo rango que M y N .
donde los coeficientes ai son los coeficientes de la ecuación caracterı́stica del sistema,
es decir:
|zI − G| = z n + a1 z n−1 + · · · + an−1 z + an = 0
x(k) = T x̂(k)
Entonces el sistema:
x̂(k + 1) = Ĝx̂(k) + Ĥu(k)
(1.61)
y(k) = Ĉx(k) + D̂u(k)
Q = (W N ∗ )−1
con h i
.. . .
N= C ∗
. G∗ C ∗ .. · · · .. (G∗ )n−1 C ∗
En esta sección se presentará una estrategia de control que permite elegir la situación
de los polos de bucle cerrado del sistema, mediante la realimentación lineal del vector
de estados. Se verá que la condición necesaria para que esto se pueda conseguir es que
el sistema sea controlable. Por otra parte, se asumirá que todas las variables de estados
son accesibles, es decir, podemos medirlas directamente sin tener que estimarlas por
otros procedimientos.
z-1
+ x(k+1) x(k)
H
+
u(k)
-K
Figura 1.2: Diagrama de bloques de un sistema controlado por una realimentación del vector de
estados.
Lema 1.2 Se demuestra que la condición necesaria y suficiente para que por medio de
una realimentación del vector de estados puedan escogerse los polos de bucle cerrado
(es decir, los autovalores de (G − HK)) es que el sistema en bucle abierto sea de estado
completamente controlable. Si esta condición no se cumple, no se podrán elegir todos
los polos de bucle cerrado.
Sean µ1 ,µ2 ,· · ·,µn los valores deseados para los polos de bucle cerrado, es decir,
para los autovalores de (G − HK). Aquellos que sean complejos siempre irán por pares
conjugados. La ecuación caracterı́stica del sistema en bucle abierto es:
|zI − G| = z n + a1 z n−1 + · · · + an = 0
Se define a continuación:
K̂ = KT = δn δn−1 · · · δ1
Entonces:
0 0 ··· 0
0 0 0 ··· 0
0
.. .. ..
Ĥ K̂ = .. δ δ
n n−1 · · · δ 1 = . . .
.
0
0 ··· 0
1
δn δn−1 · · · δ1
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 23
α1 = a 1 + δ 1
α2 = a 2 + δ 2
..
.
αn = a n + δ n
K = K̂T
−1
= h δn δn−1 · · · δ1 T −1 i (1.62)
= .
. .
. .
.
αn − an .αn−1 − an−1 . · · · .α1 − a1 T
−1
que coloca los polos de bucle cerrado del sistema en los valores deseados. Nótese
que si el sistema en bucle abierto viene dado en forma canónica controlable, se verifica
que T = I = T −1 .
24 COLOCACIÓN DE POLOS MEDIANTE REALIMENTACIÓN DEL VECTOR DE ESTADOS
donde:
φ(G) = Gn + α1 Gn−1 + · · · + αn−1 G + αn I
Los coeficientes αi se calcularán como en el apartado anterior.
Finalmente, otro procedimiento que puede ser útil para sistemas de bajo orden
consiste en tomar
K = k1 k2 · · · k n
plantear la ecuación caracterı́stica en función de los ki :
|zI − G + HK| = 0
Este es un tipo de control que resulta ser un caso particular del control por colo-
cación de polos.
Definición 1.4 Dado un sistema LTI, entenderemos como control dead-beat aquel que
consigue llevar el estado a cero en como máximo n intervalos de muestreo, donde n es
el orden del sistema.
Para obtener este tipo de control se deben especificar los polos de bucle cerrado con-
forme a lo que se establece en el siguiente lema.
Lema 1.3 Se demuestra que si se escogen los polos de bucle cerrado de manera que
estén todos en el origen (es decir, todos los autovalores de (G − HK) igual a cero) se
consigue un control dead-beat.
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 25
Esto se lleva a la práctica con una matriz de realimentación del vector de estados
calculada mediante:
K = −an −an−1 · · · −a1 T −1
Este tipo de control no goza de una reputación excesivamente favorable porque habit-
ualmente se precisa de una señal de control de amplitud muy grande para obtener la
respuesta dead-beat. De hecho en este tipo de control, el único parámetro de diseño
que se ha de elegir es el tiempo de muestreo. Si éste es muy pequeño, los n intervalos
de muestreo supondrán un tiempo total muy corto, de manera que para llevar el estado
a cero partiendo de un estado inicial arbitrario se precisará un valor muy alto de la
señal.
Ejemplo 1.5
Sea un sistema
x(k + 1) = Gx(k) + Hu(k)
con
0 1 0
G=
−0,16 −1 1
Se desea determinar una matriz K, tal que los polos de bucle cerrado sean el par
complejo conjugado z = 0,5 ± j0,5.
En primer lugar hay que determinar la controlabilidad del sistema. Para ello, se
forma la matriz de controlabilidad:
h i 0 1
..
H . GH = 1 −1
cuyo rango es igual a dos (basta comprobar que su determinante es distinto de cero),
por lo que el sistema es controlable y se puede proceder a calcular K. La ecuación
caracterı́stica de bucle cerrado deseada es:
por tanto, los coeficientes αi son en este caso α1 = −1 y α2 = 0,5. Por otra parte, la
ecuación caracterı́stica de bucle abierto del sistema es:
z −1
|zI − G| =
0,16 z + 1
por lo que los coeficientes ai son a1 = 1 y a2 = 0,16. A partir de aquı́ se puede aplicar
cualquiera de los métodos explicados anteriormente.
26 COLOCACIÓN DE POLOS MEDIANTE REALIMENTACIÓN DEL VECTOR DE ESTADOS
Método 1
h i
.
K= α2 − a2 .. α1 − a1 T −1
Obsérvese que el sistema viene dado en forma canónica controlable, por lo que T = I
y por tanto:
K = 0,34 −2
donde φ(G) es
φ(G) = G2 − G + 0,5I
−0,16 −1 0 1 0,5 0
= − +
0,16 0,84 −0,16 −1 0 0,5
0,34 −2
=
0,32 2,34
por lo que
−1
0 1 0,34 −2
K = 0 1
1 −1 0,32 2,34
= 0,34 −2
Método 3
Este procedimiento es apropiado para sistemas de bajo orden como el que nos ocupa.
En primer lugar, se toma K = [k1 k2 ] y se formula la ecuación caracterı́stica de bucle
cerrado en función de K:
z 0 0 1 0
|zI − G + HK| = − + k1 k2
0 z −0,16 −1
1
z −1
=
0,16 + k1 z + 1 + k2
= z 2 + (1 + k2 )z + k1 + 0,16 = 0
1 + k2 = −1
k1 + 0,16 = 0,5
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 27
de donde se obtiene que k1 = 0,34 y k2 = −2, por lo que se tiene ya el valor de K, que
evidentemente coincide con el obtenido mediante los dos métodos anteriores.
Ejemplo 1.6
Calcular para el mismo sistema del ejemplo anterior la matriz K que conlleva un
control dead-beat, y comprobarlo calculando la evolución del sistema a partir de un
estado inicial arbitrario.
En este caso:
K= −a2 −a1 T −1 = −0,16 −1
Vamos a verificar que el control es dead-beat. Para ello, obtenemos la ecuación de
estado del sistema en bucle cerrado:
x1 (k + 1) 0 1 x1 (k) 0 x1 (k)
= + 0,16 1
x2 (k + 1) −0,16 − 1 x (k) 1 x2 (k)
2
0 1 x1 (k)
=
0 0 x2 (k)
luego este control lleva al estado a cero en 2 pasos y es efectivamente un control dead-
beat.
En el control por colocación de polos se asume que el estado se puede medir direc-
tamente. En ocasiones, sin embargo, puede que esta suposición no se cumpla y todas
28 OBSERVADORES DEL ESTADO
o algunas de las variables de estado no puedan ser medidas. Es decir, puede que haya
variables de estado no accesibles. En cualquier caso, para poder controlar el sistema se
deberán estimar los valores de esas variables de estado no accesibles. Este proceso de
estimación es lo que se conoce como observación.
1. Observador del estado completo. Es aquél que estima todas las variables de esta-
do.
3. Observador de orden reducido. Este tipo de observador estima todas las variables
no accesibles y algunas de las accesibles.
En esta asignatura nos centraremos en los dos primeros tipos de observadores. Como
en el caso de la colocación de polos, formularemos en primer lugar las condiciones para
que se pueda llevar a cabo la observación.
Lema 1.4 Condición necesaria y suficiente para la observación del estado. Dado un
sistema LTI, se puede determinar x(k + 1) a partir de y(k), y(k − 1),· · ·,y(k − n + 1) y
u(k),u(k − 1),· · ·,u(k − n + 1), donde n es el orden del sistema, sı́ y sólo sı́, el sistema
es completamente observable.
Si se dispone de una aproximación del estado en k, que denotaremos x̂(k), ésta evolu-
cionará según la dinámica del sistema
Si las condiciones iniciales son las mismas, es decir, si x(0) = x̂(0) entonces se verifica
que x(k) = x̂(k). Sin embargo, si las condiciones iniciales son diferentes entonces, de
manera general, x(k) 6= x̂(k). Podemos pues, definir el error de estimación en k como:
e(k + 1) = Ge(k)
Por tanto, si el sistema es estable, la propia dinámica del sistema hace que la aproxi-
mación del estado tienda al valor real del mismo. Esto quiere decir que podrı́amos usar
la propia ecuación del sistema para obtener en cualquier instante k una aproximación
del estado, cuyo error irı́a decayendo a lo largo del tiempo. Esta convergencia al valor
real, sin embargo, puede ser muy lenta, y por otra parte no siempre se tratará con
sistemas estables. Por tanto, esta estrategia no es muy aconsejable.
Nótese que en el esquema que se ha presentado, no se hace uso de la salida del sis-
tema, que siempre será accesible. Esto puede ser aprovechado para mejorar el rendimien-
to del observador introduciéndose un término corrector, de manera que la ecuación para
obtener la aproximación del estado para el instante k + 1 serı́a:
Sea un sistema LTI observable (1.64) con una ley de control por realimentación
negativa del vector de estados,
u(k) = −Kx(k)
siendo el estado del sistema x(k) no accesible pero sı́ observable. Por tanto, podemos
sustituir el valor del estado por una aproximación de manera que
u(k) = −K x̂(k)
de lo que puede observarse que los polos del observador determinan la dinámica del
error. Si G − Ke C es estable, el error convergerá a cero independientemente de la
estimación del estado inicial x̂(0).
Finalmente, es evidente que interesa que la estimación del estado converja rápida-
mente al valor real de dicho estado. Una manera evidente de lograr esto es colocar todos
los polos del observador en cero, de manera que se consiga que el error de aproximación
muestre una respuesta dead-beat. Esto se consigue eligiendo de manera apropiada Ke .
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 31
u(k)
H
+
x(k+1)
+
z-1 x(k)
C +
y(k)
G
u(k)
-K
x(k)
u(k) y(k)
OBSERVADOR
Figura 1.3: Diagrama de bloques de un sistema LTI controlado mediante una realimentación del vector
de estados que estima el estado con un observador.
x(k)
+ x(k+1) x(k) y(k)
+ + -
u(k)
H +
z-1 C
+ y(k)
Ke
1.9.2.1. Cálculo de Ke
El procedimiento para elegir Ke de manera que se coloquen los polos del observador
en unos valores especificados es análogo al de la colocación de polos vista en la sección
1.8. Si la ecuación caracterı́stica deseada del observador es:
z n + α1 z n−1 + · · · + αn−1 z + αn = 0
y la del sistema es
z n + +a1 z n−1 + · · · + an−1 z + an = 0
entonces
αn − a n
αn−1 − an−1
Ke = (W N ∗ )−1 .. (1.67)
.
α1 − a 1
donde
an−1 an−2 · · · a1 1
an−2 an−3 ··· 1 0
h i
.. .. .. .. . . .
C ∗ .. G∗ C ∗ .. · · · .. (G∗ )n−1 C ∗
W = . . . . N=
a1 1 ··· 0 0
1 0 ··· 0 0
es decir, la misma matriz W empleada en la colocación de polos y la matriz de ob-
servabilidad3 . Nótese que si el sistema viene indicado en forma canónica observable
(W N ∗ )−1 = I. También puede emplearse la fórmula de Ackermann, que para este caso
es: −1
C 0
CG 0
Ke = φ(G) .. ..
. .
CGn−1 1
donde
φ(G) = Gn + α1 Gn−1 + · · · + αn−1 G + αn I = 0
Ejemplo 1.7
z 2 = 0 ⇒ α 1 = α2 = 0
A continuación se calculará Ke :
∗ −1 −1
Ke = (W N )
2
con
1 1 a1 1 −2 1
N= W = =
0 1 1 0 1 0
resultando
2
Ke =
1
Vamos a comprobar que el error cae a cero según una respuesta dead-beat. Sea
a1 a2
x(0) = x̂(0) =
b1 b2
entonces
a1 − a 2 a
e(0) = x(0) − x̂(0) = =
b1 − b 2 b
además se tiene que
−1 1
G − Ke C =
−1 1
el error evoluciona, por tanto, según
e1 (k + 1) −1 1 e1 (k)
=
e2 (k + 1) −1 1 e2 (k)
por lo que se calcula la evolución de este error:
e1 (1) −1 1 a
=
e2 (1) −1 1 b
−a + b
=
−a + b
e1 (2) −1 1 −a + b
=
e2 (2) −1 1 −a + b
0
=
0
luego, tal y como se pretendı́a, la estimación del vector de estados coincide con el
valor real de dicho vector dos tiempos de muestreo después de iniciarse la estimación.
Finalmente, la ecuación del observador es:
x̂1 (k + 1) −1 1 x̂1 (k) 0,5 2
= + u(k) + y(k)
x̂1 (k + 1) −1 1 x̂1 (k) 1 1
planta coincida con la dinámica real de la misma) este término corrector deberı́a tomar
un valor alto. Sin embargo, si la señal de salida está contaminada por perturbaciones y
ruido en general procedente, por ejemplo, de los sensores de medida, entonces la señal
de salida no es fiable en el sentido de que no proviene únicamente de la dinámica real de
la planta. Por tanto, en estas situaciones el término corrector deberı́a ser más pequeño.
Al seleccionar Ke se debe pensar no sólo en reducir el error en base a una corrección
enérgica, sino que hay que tener en cuenta que cuando hay ruidos o perturbaciones,
una ganancia Ke alta no contribuirı́a a reducir el error, porque las correcciones no irı́an
en la ((dirección)) correcta. Es decir, hay que llegar a un compromiso entre la velocidad
de respuesta y la sensibilidad a ruidos y perturbaciones.
Cabe preguntarse si al usar el observador, se colocan los polos del sistema en el sitio
que se pretende al calcularse la ganancia de realimentación del vector de estado K.
¿Que efectos tiene el observador sobre los polos de bucle cerrado? Para estudiar esto,
se analizará el efecto que tiene la adición del observador sobre la ecuación caracterı́stica
del sistema en bucle cerrado.
e(k + 1) = (G − Ke C)e(k)
es decir,
|zI − G + HK||zI − G + Ke C| = 0
Dado que las raı́ces de esta ecuación son las raı́ces de cada uno de los dos determinantes
que aparecen, esto implica que los polos del sistema completo son los polos del sistema
en bucle cerrado, tal y como se han colocado mediante el diseño de K junto con los
polos del observador. Por tanto, la colocación de polos y la observación son dos cosas
independientes, porque la adición del observador no modifica los polos de bucle cerrado
del sistema tal y como se eligieron al diseñar K. Por tanto:
Los polos del sistema se eligen para que se cumplan las especificaciones del sistema
de control.
Los polos del observador se escogen de manera que la respuesta del observador
sea más rápida que la del sistema (para que esta última resulte dominante),
tı́picamente 4 o 5 veces más rápida.
Supóngase que x(k) es un n-vector y que y(k) es un m-vector. Como las m salidas
son combinaciones lineales del estado, hay m variables que no necesitan ser estimadas.
El observador de orden mı́nimo será el que estime las n − m restantes.
Para diseñar el observador de orden mı́nimo estableceremos una partición del vector
de estados:
xa (k)
x(k) = · · ·
xb (k)
donde el m-vector xa (k) son las variables medibles (accesibles) y el n − m-vector xb (k)
son las variables no medibles (no accesibles). Esta partición del vector de estados
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 37
Por otro lado, la parte del vector de estados que no se puede medir se puede escribir
como:
xb (k + 1) = Gba xa (k) + Gbb xb (k) + Hb u(k)
Obsérvese que en esta ecuación, los términos que dependen de xa (k) y u(k) son cono-
cidos mientras que el término que depende de xb (k) es desconocido. Esta ecuación la
podemos reescribir como
El diseño del observador de orden mı́nimo se realiza tomando como referencia el del
observador de orden completo, cuya ecuación de estados es
y(k) = Cx(k)
donde y(k) es medible y Cx(k) es no medible (por serlo x(k)). Obsérvese que se puede
establecer un paralelismo entre los términos de esta ecuación y los de la ecuación (1.69).
En el caso del observador de orden mı́nimo, por tanto, se considera como ecuación de
salida la ecuación (1.69).
38 OBSERVADORES DEL ESTADO
Comparando las ecuaciones de estado y salida del observador de orden completo y las
del observador de orden mı́nimo, se establecen las siguientes analogı́as:
Observador de orden completo Observador de orden mı́nimo
x̂b (k+1) = (Gbb −Ke Gab )x̂b (k)+Gba xa (k)+Hb u(k)+Ke [xa (k + 1) − Gaa xa (k) − Ha u(k)]
(1.71)
Además, de la ecuación del sistema sabemos que
y(k) = xa (k)
x̂b (k + 1) = (Gbb − Ke Gab )x̂b (k) + Ke y(k + 1) + (Gba − Ke Gaa )y(k) + (Hb − Ke Ha )u(k)
que serı́a la ecuación del observador de orden mı́nimo. Los polos del observador de
orden mı́nimo serı́an los autovalores de (Gbb − Ke Gab ). Obsérvese, sin embargo, que en
esta ecuación aparece un término que multiplica a y(k + 1). Como es lógico el valor
de la salida en k + 1 no está disponible en el instante k, por lo que esta ecuación ha
de ser modificada. Se puede demostrar (no se hará aquı́), que esta ecuación se puede
reescribir como:
y como en el caso del observador de orden completo, Ke se puede elegir para colocar
los polos del observador donde se desee mediante los métodos indicados en la sección
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 39
1.9.2.1. Por ejemplo, si la salida y(k) es un escalar, es decir m = 1, se tienen que estimar
n − 1 variables. La fórmula de Ackermann, por ejemplo, quedarı́a:
−1
Gab 0
Gab Gbb 0
Ke = φ(Gbb ) .. ..
. .
Gab Gn−2
bb 1
donde
φ(Gbb ) = Gn−1 n−2
bb + α1 Gbb + · · · + αn−1 I
por lo que, nuevamente se ve que los problemas de diseño del controlador y del obser-
vador son independientes.
Ejemplo 1.8
1. Diseñar un controlador que coloque los polos de bucle cerrado en z = 0,6 ± j0,4.
En cuanto al observador de orden mı́nimo, éste estimará una sola variable, por lo
que es de orden 1. La partición de la ecuación de estado en este caso será:
. .
Gaa .. Gab 1 .. 0,2
Ha 0,02
· · · ... · · · = .
· · · .. · · ·
··· = ···
.. . Hb 0,2
Gba . Gbb 0 .. 1
u(k) = −K x̂(k)
= −8y(k) − 3,2x̂2 (k)
= −8y(k) − 3,2(5y(k) + η̂(k))
= −24y(k) − 3,2η̂(k)
Las técnicas de control óptimo conforman una de las ramas del control automático
más importantes en el desarrollo de las estrategias modernas de control más utilizadas
hoy en dı́a. Se han escrito numerosas monografı́as dedicadas a su estudio, y se ha
publicado una ingente cantidad de artı́culos en revistas especializadas. No obstante,
en estos apuntes sólo se dará una pincelada sobre este particular, centrándonos en el
caso particular del control LQR con horizonte infinito, también conocido como LQR
de régimen permanente.
Las estrategias de control óptimo calculan la ley de control de manera que se opti-
miza una cierta medida del rendimiento del controlador. Se parte de un sistema descrito
por
x(k + 1) = Gx(k) + Hu(k)
u(k) = −Kx(k)
siempre lo más cerca posible del origen4 . Por otra parte, se observa que en el funcional
hay otro término que pondera el valor de la secuencia de señales de actuación. Este
término impide que se obtenga una ley de control que lleve el estado al origen a expen-
sas de una actuación muy grande. Al minimizarse J, por tanto, se conseguirá una ley de
control que por una parte acerque el estado al origen lo mas rápido posible, pero man-
teniendo un nivel de actuaciones moderado, encontrándose por tanto, una solución de
compromiso entre el rendimiento del controlador y su nivel de actuación. El sentido de
este compromiso puede venir dictado por diferentes razones, como por ejemplo moderar
el gasto de energı́a o combustible necesario para proporcionar la señal de actuación.
Existen razones más sutiles pero no por ello menos importantes para incorporar esta
ponderación del esfuerzo de control. Por ejemplo, cuando existen discrepancias entre
el modelo del sistema y su dinámica real (algo que ocurre casi siempre, pues los mode-
los matemáticos no pueden recoger todas las complejidades de los sistemas o procesos
reales) esta ponderación del esfuerzo de control resulta en un sistema más estable.
Para calcular la ley de control que minimiza el ı́ndice (1.73) se define una matriz P
que satisface la siguiente ecuación de Riccatti:
con A = I, B = H y C = R−1 H ∗ P .
4
Ésta es una interpretación que hay que tomar con cierto cuidado, pues puede que se obtenga una
ley de control que provoque que el estado no se acerque al origen todo lo posible al principio pero que
lo lleve a dicho origen muy rápidamente en los instantes siguientes, manteniendo pues el valor de J
muy bajo.
CAPÍTULO 1. CONTROL DE SISTEMAS DISCRETOS EN EL ESPACIO DE ESTADOS 43
Pi+1 = Q + G∗ Pi G − G∗ Pi H (R + H ∗ Pi H)−1 H ∗ Pi G
La condición de parada del bucle o proceso iterativo será que Pi+1 − Pi ≈ 0, esto es,
que la diferencia entre Pi+1 y Pi sea una matriz cuyos elementos estén todos cerca del
cero.
Sea un sistema:
x(k + 1) = Gx(k) + Hu(k) + ω(k)
y(k) = Cx(k) + (k)
donde ω(k) y (k) son variables aleatorios que actúan como ruidos aditivos. Se de-
muestra que se puede obtener una estimación óptima del vector de estados mediante
el siguiente esquema:
x̂(k + 1) = Gx̂(k) + Hu(k) + Ke (k) (y(k) − C x̂(k))
Ke (k) = GPk C ∗ (R + CPk C ∗ )−1 (1.75)
Pk+1 = Q + (G − Ke (k)C) Pk G∗
donde
R = E {(k)∗ (k)}
Q = E {ω(k)ω ∗ (k)}
P0 = E {(0)∗ (0)}
44 FILTRO DE KALMAN
que son las ecuaciones del filtro de Kalman de régimen permanente. Nótese que para
resolver la ecuación de Riccatti se puede usar el mismo método usado en el LQR.
Capı́tulo 2
Modelos de procesos y
perturbaciones
2.1. Introducción
Pulsos.
Escalones.
Rampas.
Sinusoides.
Todos estos modelos tienen en común que son absolutamente predecibles en su evolu-
ción en función de las condiciones iniciales. Es decir, en cuanto la perturbación aparece
45
46 PERTURBACIONES DETERMINISTAS A TROZOS
podemos predecir su evolución futura. Es una suposición común en estos casos, consi–
derar que estas perturbaciones vienen generadas por sistemas dinámicos.
Como fuente de perturbaciones con una mayor variabilidad que los modelos clásicos
antes comentados, se pueden considerar las perturbaciones deterministas a trozos. Sur-
gen de la necesidad de estudiar el efecto de perturbaciones más realistas en sistemas
de control que se basan en algún tipo de esquema predictivo para calcular la señal
de control. En este tipo de sistemas, el considerar una perturbación absolutamente
predecible (como en el caso de los modelos clásicos) no tiene utilidad alguna, pues se
pueden considerar directamente en el cálculo de la ley de control.
w=w0
t0 t1 t2 t3 t4 ......
Definición 2.3 Se denomina ruido blanco discreto, a un proceso aleatorio que se puede
considerar como una secuencia cuyos elementos son variables aleatorias independientes
entre sı́ cuya distribución es idéntica. Se suele suponer que
E {x(k)} = 0
En esta sección veremos cómo se pueden generar diversos tipos de procesos es-
tocásticos, cuando a un sistema lineal se le inyecta un ruido blanco v(k) además de
una entrada externa u(k) a través de sendas funciones de transferencia.
v(k)
−
y(k)
u(k)
−
Modelo de Media Móvil (MA : Moving Average). Es el caso más sencillo y viene
descrito por
Este modelo permite describir procesos más ricos que los anteriores. Sin embargo,
desde el punto de vista del control es interesante poder considerar el efecto de una
entrada externa, por lo que se considera el siguiente tipo de modelos de procesos
con ruidos.
Modelo Autoregresivo de Media Móvil con una entrada exógena (ARMAX). Tam-
bién llamado modelo CARMA (Controlled ARMA). Viene descrito por
Cuando en los modelos anteriores el polinomio que convoluciona con la señal v(k) es
distinto de la unidad se habla de ruido coloreado, y en caso contrario, de ruido blanco.
Capı́tulo 3
Introducción a la identificación de
sistemas
3.1. Introducción
51
52 IDEAS BÁSICAS SOBRE IDENTIFICACIÓN DE SISTEMAS
A continuación, se irán desglosando las principales ideas de cada uno de estos aspectos.
Otro aspecto es que a veces no se puede identificar en bucle abierto y hay que hacerlo
en bucle cerrado. Esto no es siempre posible, pues aunque el sistema sea identificable en
CAPÍTULO 3. INTRODUCCIÓN A LA IDENTIFICACIÓN DE SISTEMAS 53
bucle abierto esta propiedad puede perderse en bucle cerrado. Esto ocurre, por ejemplo,
si los perfiles de la consigna o referencia que se usan son muy simples. También, si los
lazos de control son demasiado simples. En general, cuanto más complejos sean los
lazos de control y más se mueva la consigna, más fácil será la identificación en bucle
cerrado.
En teorı́a, la selección del tipo de modelo deberı́a venir dada por un conocimiento
del proceso y de las perturbaciones que deban ser tenidas en cuenta. Dependiendo de
si conocemos mucho o poco la estructura del proceso elegiremos entre uno u otro tipo
de modelo. En general, los modelos los clasificaremos como:
Modelos de Caja Blanca. Son los obtenidos a partir de leyes fı́sicas (esto no serı́a
realmente identificación porque no se estarı́an haciendo experimentos).
Modelos de Caja Gris. Corresponden a un tipo intermedio entre los dos anteriores.
Parte del modelo se obtiene mediante leyes fı́sicas y otra parte, se ajusta usando
medidas experimentales. Por ejemplo, mediante leyes fı́sicas podemos determinar
la estructura del modelo (o de parte de él) y usar experimentos para terminar de
caracterizar el modelo.
u(k) y(k)
PLANTA
IDENTIFICACIÓN
MODELO
ACTUALIZADO
SUPERVISIÓN
MODELO
CORREGIDO
En este caso se toman los datos del experimento (es decir, series de medidas) y
posteriormente, se ajusta el modelo usando para ello todo el conjunto de datos. Este
tipo de procedimientos suelen obtener modelos más precisos y son más fiables en cuanto
a la convergencia de los parámetros estimados a los parámetros reales del proceso1 . En
cualquier caso, existe un consenso general en que no existe un método universalmente
bueno, por tanto, dependiendo de la situación unos funcionarán mejor que otros.
La idea tras el concepto de validación del modelo es estimar distintos tipos de modelos
(por ejemplo con distintos órdenes) y quedarse con el que mejor ajusta (es decir, el que
dé menor F̂CE ). Mediante esta técnica de validación cruzada, lo que se trata de ver es
si el modelo es capaz de reproducir los datos de salida para entradas que no se han
empleado en la estimación.
Como se ha comentado anteriormente, el criterio VCP no tiene por qué ser el mismo
que el VCE . Por ejemplo, se puede usar como criterio para validación el conocido criterio
de Akaike o criterio AIC (Akaike’s Information Criterion), el cual asumiendo que las
perturbaciones siguen una distribución gaussiana se calcula mediante la fórmula
N
2dimensión(θ) 1 X 2
VCP (θ, CP) = 1+ e (t, θ)
N N t=1
donde e(t, θ) = y(t) − ŷ(t, θ) es el error de estimación para los datos obtenidos en el
instante t.
INICIO
TOMA DE DATOS
ACONDICIONAMIENTO DE
DATOS
AJUSTAR MODELO
VALIDAR MODELO
NO
¿ VALIDO ?
SI
USAR MODELO
pueda retornar a cualquiera de las pasos intermedios, indica que puede que en cada
58 ALGUNAS PROPIEDADES
iteración no se realicen todos los pasos. Por otra parte, aparece un paso sobre el que no
se ha comentado nada, el acondicionamiento de datos. Esta tarea consiste en manipu-
lar los datos de manera que sean apropiados para el método de ajuste elegido. Es algo
que es especı́fico para cada procedimiento. Ası́ por ejemplo, una tarea muy común de
acondicionamiento de datos es la eliminación de los valores de continua de las señales
de entrada y salida. Esto será tratado en mayor profundidad en el tema 4. Finalmente,
en el caso de la identificación en linea el proceso es más simple, ya que por ejemplo
no es posible cambiar la estructura del modelo sin descartar el resultado que se ha
obtenido hasta ese momento. Además, los datos se toman según van llegando, pues
recordemos que en este tipo de identificación la identificación se hace como su propio
nombre indica en tiempo real, es decir, ((en lı́nea)).
N
!2
1 X
lı́m A(z −1 )u(k) >0
N →∞ N k=1
para todo polinomio A(z −1 ) no nulo de grado inferior a n. Usando este resultado se
pueden caracterizar las señales más comunes:
Esto quiere decir que el ruido blanco serı́a una señal de entrada muy buena para identi-
ficar sistemas. En la práctica, sin embargo, es muy difı́cil obtener una señal de entrada
que se comporte como un ruido blanco ideal, porque es muy difı́cil obtener una se-
cuencia de valores puramente aleatorios. Es posible obtener sin embargo, secuencias de
valores seudoaleatorios, por lo que en la práctica se recurre a secuencias seudoaleatorias
de escalores binarios (PRBSS: Pseudo Random Binary Step Sequence). En la figura
3.3 se muestra una de esas secuencias. Nótese que los escalones no tienen por qué tener
amplitud unitaria, el concepto de binario se refiere solamente a dos niveles de entrada
distintos. Por otra parte, la aleatoriedad está en la duración de los escalones y en el
momento de aparición de los mismos.
6.5
5.5
5
voltaje
4.5
3.5
3
0 20 40 60 80 100 120 140 160 180 200
intervalos de muestreo
convergencia tiene a su vez una serie de requisitos o condiciones que se pueden resumir
en:
El error en el instante k debe ser incorrelado con los elementos de los que depende
la salida en el instante k (es decir, de los valores pasados de la entrada y la salida).
El valor esperado (esperanza matemática) del error en k debe ser cero, es decir
E{e(k)} = 0.
donde d es el retraso del proceso, y los grados de los polinomios A(z −1 ), B(z −1 ), C(z −1 )
son ma , mb , mc respectivamente. Supóngase además que el sistema está gobernado por
un regulador que toma la expresión:
Q(z −1 )
u(t) = − y(t)
P (z −1 )
Los órdenes del modelo del proceso y de las perturbaciones deben ser conocidos con
exactitud.
Si los polinomios A(z −1 ) y C(z −1 ) tienen p ceros comunes (en caso de que sean primos
entre si, p = 0) se ha de cumplir que
máx(w − mb , d + v − ma ) ≥ p
Si esto no se cumpliese, la solución pasa por fijar alguno de los parámetros del modelo
a fin de bajar los grados ma o mb . Si fuera factible aumentar el retraso, también
podrı́a usarse esto para lograr la identificabilidad en bucle cerrado. Nótese que por
estos procedimientos lo que se consigue es que el proceso de identificación converja a
un valor del vector de parámetros que corresponde con el que da un menor error. No
quiere decir que el sistema real se describa mejor por ese modelo. Es decir, puede que
exista otro modelo del mismo orden mejor, pero si no se toman las medidas indicadas
no se llegarı́a a ese modelo ni probablemente se convergerı́a a ningún otro.
Ejemplo 3.1
G(z −1 )
u(k) = − y(k)
zB(z −1 )F (z −1 )
máx(n + d − 1, n − 1 + d) ≥ n
Esto implica que para que el sistema sea identificable en bucle cerrado, d ≥ 1. Otra
solución serı́a fijar un parámetro.
62 ALGUNAS PROPIEDADES
Supervisar que la evolución de los parámetros esté dentro de unos rangos deter-
minados.
Este método permite la identificación en tiempo real de modelos con el único req-
uisito de que estos sean lineales en los parámetros. Esto incluye, por tanto, a modelos
lineales y no lineales que sean lineales en los parámetros. El mayor interes práctico re-
side, sin embargo, en la identificación de los primeros, dado que son los más utilizados
en control.
Nótese que este modelo es determinista en el sentido de que no considera ruidos aleato-
rios como en los modelos vistos en el tema 2. Es inmediato comprobar que este modelo
corresponde a la siguiente función de transferencia:
b1 z −1 + · · · + bn z −n
G(z −1 ) =
1 + a1 z −1 + · · · + an z −n
El modelo (4.1) se puede reescribir como:
63
64 EL MÉTODO DE LOS MÍNIMOS CUADRADOS
donde el vector
m(k) = −y(k − 1) · · · −y(k − n) u(k − 1) · · · u(k − n) (4.3)
es llamado regresor y T
θ= a1 · · · a n b 1 · · · b n
es el vector de parámetros. Dado un valor del vector de parámetros θ̂, el error de
predicción para el instante k será
Nótese que conocido el valor de los valores presentes y pasados de la salida y la entrada,
la expresión (4.2) es una ecuación en las que las 2n incognitas son los parámetros que
forman θ. Si el proceso a identificar correspondiese exactamente con un modelo como
(4.1) se podrı́a determinar el valor del vector de parámetros a partir de 2n medidas u
observaciones de la salida para una serie de entradas conocidas. Es decir, se formarı́a
un sistema de 2n ecuaciones con el que se podrı́a determinar el valor ((real)) de θ.
El mı́nimo valor de J(θ) se dará en el valor del vector de parámetros que cumpla que
dJ(θ)
=0
dθ
es decir,
2(M (N )θ − Y (N ))T M (N ) = 0
de donde se obtiene que el valor del vector de parámetros que hace mı́nimo el ı́ndice
de bondad de ajuste es
θ∗ = [M T (N )M (N )]−1 M T (N )Y (N ) (4.4)
y ese es por tanto el valor del vector de parámetros del modelo identificado.
La expresión (4.4) implica la inversión de una matriz que puede tener unas dimen-
siones apreciables, tanto más si se tiene en cuenta que para identificar correctamente
66 ALGORITMO RECURSIVO PARA IDENTIFICACIÓN EN LINEA
un sistema se deben tener suficientes medidas para eliminar el efecto de ruidos y per-
turbaciones ajenas a la dinámica del sistema. Intentar efectuar estos cálculos en linea
es bastante ambicioso para el hardware de control habitual3 . Por tanto este algoritmo
se destina a la identificación fuera de linea. En linea se emplea otro procedimiento que
se muestra a continuación.
P −1 (k − 1) = P −1 (k) − mT (k)m(k)
M T (k − 1)Y (k − 1) = P −1 (k − 1)θ̂(k − 1)
= P −1 (k)θ̂(k − 1) − mT (k)m(k)θ̂(k − 1)
donde K(k) = P (k)mT (k). Por tanto θ̂(k) se puede expresar en forma recursiva, es
decir en función del valor del estimador en el instante anterior más un término corrector
que consiste en el error de predicción en el instante actual cometido por el estimador
calculado en el instante anterior multiplicado por una ganancia de adaptación K(k).
Esta formula da lugar al llamado algoritmo de minimos cuadrados recursivos, que
consiste en
2. En cada instante k
P (k − 1)mT (k)m(k)P (k − 1)
P (k) = P (k − 1) −
1 + m(k)P (k − 1)mT (k)
e) Calcular θ(k):
+
+-, .)/
FORMAR Σ
REGRESOR
-
ALGORITMO
" # !
+
Z-1
RECURSIVO
Un hecho a tener en cuenta es que al ser v(k) una variable aleatoria, y(k) es a su
vez una variable aleatoria al ser el ruido aditivo. Esto implica a su vez que el valor
del vector de parametros estimado θ̂ tambien es una variable aleatoria que se puede
estudiar desde un punto de vista estadı́stico. Por responder el proceso exactamente a
uno de los dos tipos de modelos considerados existe un valor del vector de parámetros
θ∗ que consideraremos como verdadero. Es decir
Considerese el caso del modelo ARMAX. Claramente existe relación entre los com-
ponentes de la matriz M (k) y V (k). En efecto, la matriz de regresores está formada por
valores de la salida y la entrada. Los primeros dependen de los valores de la señal de
ruido y los segundos son deterministas, por lo que existe una correlación entre la matriz
M (k) y V (K). Por lo tanto tambien existe esa correlación entre [M T (k)M (k)]−1 M T (k)
y V (k). Eso implica que según la expresión (4.7) θ̃ es distinto de cero. Por tanto no
está garantizada la convergencia del vector de parámetros estimados con el ((real)).
CAPÍTULO 4. IDENTIFICACIÓN POR MÍNIMOS CUADRADOS 69
La situación es diferente con el modelo ARX-LS. En este caso los valores de M (k)
no pueden estar relacionados con V (k) (que, al ser cn = 0, solo está formada por los
valores presentes de v(k) para cada instante k). Por tanto, el estimador por mı́nimos
cuadrados es insesgado, es decir θ̃ = 0 y por tanto el valor esperado del estimador
coincide con el valor real del vector de parámetros, es decir
n o
E θ̂(k) = θ∗
Por otra parte, el hecho que de que el proceso responda a uno u otro tipo de
modelo tiene una interpretación fı́sica inmediata. En el caso del proceso ARMAX el
ruido presenta una cierta dinámica , mientras que en el caso del ARX-LS el ruido no
presenta dinámica alguna y responde únicamente a un ruido proveniente del sensor
de medida. Es en este último caso cuando el método de mı́nimos cuadrados produce
estimaciones consistentes.
Otra propiedad que resulta interesante conocer es la varianza del estimador. Clara-
mente interesa que esta varianza sea pequeña o por lo menos que disminuya conforme
se acumulan medidas disponibles para usarlas en la estimación. De esa manera, el vec-
tor de parámetros estimados estará con seguridad cerca del vector real. La varianza del
estimador se puede calcular como
n o
varianza(θ̂(k)) = E (θ̂(k) − θ ∗ )T (θ̂(k) − θ ∗ )
= σ 2 P (k)
donde σ = E{v(i)v(j)} para i = j. Nótese que para que la varianza sea pequeña
interesa que P (k) sea ((pequeña)) o que al menos decrezca a medida de que k aumenta.
Una medida del tamaño de P (k) es su traza, por lo que se usa como una medida de la
exactitud de la estimación, de manera que se busca que la traza vaya decreciendo.
Esta interpretación estadistica del tamaño de P (k) tambien proporciona una regla
para dar un valor inicial a la matriz P (k). En efecto, en general no se tendrá demasiada
confianza en que el valor inicial del vector de parámetros estimados, por lo que se
escogerá una matriz P (0) ((grande)) para reflejar esa desconfianza, por ejemplo P (0) =
pI donde p es un número muy alto (por ejemplo 10000). Este número será mas pequeño
si se sabe que el valor inicial del vector de parámetros está cerca de θ ∗ .
Por otra parte, es evidente que a medida que el numero de observaciones N crece
la suma
XN
mT (k)m(k)
k=n
70 MÍNIMOS CUADRADOS PONDERADOS
k
!−1
X
P (k) = mT (i)m(i)
i=n
lo que implica que a medida que N crece P decrece. Se puede demostrar que si el
tamaño del regresor no cambia demasiado P decrece como N1 . Esto quiere decir que la
incertidumbre en la estimación decrece, es decir, que cada vez se obtiene un estimador
más cercano al valor real. Además la ganacia de adaptación K(k) tambien decrece
(vease su definición en la sección 4.2) lo cual es congruente con el hecho de que cuanto
más exacta es la estimación menos corrección de su valor se necesita. Esto es bueno
si la dinámica del proceso no cambia con el tiempo, pero si esto no es ası́ habrá que
modificar este esquema.
A veces es conveniente dar más peso a algunas medidas que a otras en la esti-
mación. Por ejemplo si se identifica un proceso cuya dinámica cambia con el tiempo
interesará dar mas peso a las medidas más recientes, pues estas serán las que reflejen la
dinámica más actualizada. Para conseguir esto hay que modificar el ı́ndice de bondad
de ajuste, de manera que se use
N
X
2
T
J(θ) = E(N, θ) W (N )E(N, θ)k = w(k)e2 (k, θ)
k=n
θ∗ = [M T (N )W (N )M (N )]−1 M T (N )W (N )Y (N ) (4.8)
, donde λ ∈ (0, 1) es el llamado factor de olvido. Es fácil entender por que se le llama
olvido exponencial: el peso dado a la medida disminuye exponencialmente cuanto más
antigua sea. De esta manera las medidas muy antiguas se olvidan, pues su peso es tan
pequeño que es como si no se contribuyesen a la estimación. Habitualmente se usa
λ ∈ [0,98, 1). Por ejemplo, si λ = 0,99 el estimador tendrı́a una ((memoria)) de unas 100
muestras. En aquellos casos que la dinámica del proceso cambie muy rápidamente se
puede optar por valores más bajos (por ejemplo, λ = 0,95).
P (k − 1) P (k − 1)mT (k)m(k)P (k − 1)
P (k) = −
λ λ + m(k)P (k − 1)mT (k)
Puede observarse que, dado que K(k) = P (k)mT (k), la ganancia de adaptación K(k)
depende de λ y a menor λ mayor ganancia de adaptación. Esto quiere decir que a menor
λ mejor se adaptará la identificación a una dinámica cambiante, ya que se considerarı́a
en la optimización solo la información más reciente.
Sin embargo, los valores pasados de la señal de ruido v(k) no son medibles, por lo que
no se pueden incluir en el regresor. Lo que se hace es aproximarlos por los errores de
predicción, es decir
e(k) = y(k) − m(k)θ̂(k − 1)
Si el proceso coincidiera exactamente con el modelo para algun valor del vector de
parámetros, entonces si los parametros evolucionasen en la dirección correcta la aprox-
imación de los valores de los ruidos por los errores cada vez serı́a más correcta y
eventualmente se iguaları́an, es decir v(k) = e(k). El regresor se formará entonces
como,
m(k) = −y(k − 1) · · · −y(k − n) u(k − 1) · · · u(k − n) e(k − 1) · · · e(k − n)
El resto del procedimiento es exactamente igual, tanto en las formulaciones fuera de lin-
ea como en linea. Con este método se consiguen estimaciones insesgadas y consistentes
para procesos que respondan como un modelo ARMAX. Los problemas son un aumen-
to de la carga de calculo y una menor velocidad de convergencia en los parámetros ci
debido a que la señal de ruido no es la más preponderante.
Finalmente, existe otra variante de los mı́nimos cuadrados que son los mı́nimos
cuadrados generalizados. Sin entrar en demasiados detalles, esta formulación se usa
cuando se tiene algún conocimiento del valor real del polinomio C(z −1 ) o de la matriz
P (matriz de covarianza). En este caso si la matriz N definida como
N = E vv T
donde U (k) e Y (k) son los valores reales de la salida y la entrada y U∞ e Y∞ son
los valores de continua de ambas señales. Para estimar dichos valores existen diversas
opciones.
CAPÍTULO 4. IDENTIFICACIÓN POR MÍNIMOS CUADRADOS 73
donde la señal uID (k) es la señal de entrada que se utiliza en la identificación. Como
se puede observar, al usarse el incremento, se resta de manera implicita la componente
continua. Lo mismo se hace con la salida
La idea es aproximar los valores de continua por los valores medios de las señales.
En el caso de la formulación fuera de linea estos valores medios se calculan mediante
las expresiones tradicionales, es decir
N N
1 X 1 X
U∞ = u(i) Y∞ = y(i)
N i=1 N i=1
La idea en este caso es que el modelo que se pretende identificar puede reescribirse
como
Y (k) − Y∞ = −a1 (Y (k − 1) − Y∞ ) − a2 (Y (k − 1) − Y∞ ) − · · · − an (Y (k − n) − Y∞ )
+b1 (U (k − d − 1) − U∞ ) + · · · + bn (U (k − d − n) − U∞ )
74 IMPORTANCIA DEL ORDEN DEL MODELO
Y (k) = −a1 Y (k − 1) − · · · − an Y (k − n)
+b1 U (k − d − 1) + · · · + bn U (k − d − n) + K
y en el regresor se incluye un 1
m(k) = −y(k − 1) · · · −y(k − n) u(k − 1) · · · u(k − n) 1
Una vez estimado el valor de K, lo que se hace es dar un valor arbitrario a Y∞ , por
ejemplo igual al valor de la referencia o consigna. Con ese valor se calcula U∞ mediante
la expresión (4.9).
El orden del sistema a identificar es algo que debe ser conocido para asegurar la
convergencia e identificabilidad (ver tema 3). En la práctica esto no es sencillo, y se
debe recurrir a probar con varios modelos de ordenes y estructuras distintas a ver cual
resulta mejor. Esto quiere decir que se pueden dar situaciones de mala estimación del
orden del modelo por defecto (incurriendose en lo que se llama infraparametrización)
o por exceso (sobreparametrización).
20
10
0
amplitud dB
−10
−20
−30
−40
−1 0 1
10 10 10
−50
desfase (grados)
−100
−150
−200
−250
−1 0 1
10 10 10
frecuencia rad/s
Figura 4.2: Diagrama de Bode de un sistema de segundo orden (linea continua) y de un modelo de
primer orden estimado para una entrada senoidal de frecuencia ω = 0,2 rad × s −1 .
20
10
0
amplitud dB
−10
−20
−30
−40
−1 0 1
10 10 10
−50
desfase (grados)
−100
−150
−200
−250
−1 0 1
10 10 10
frecuencia rad/s
Figura 4.3: Misma situación que en la figura 4.2 pero con una señal de entrada senoidal de frecuencia
ω = 1 rad × s−1 .
76 IMPORTANCIA DEL ORDEN DEL MODELO
0.5
uey
−0.5
−1
−1.5
0 5 10 15 20 25 30 35 40
1.5
0.5
a , b estimados
−0.5
i
−1
i
−1.5
−2
0 5 10 15 20 25 30 35 40
tiempo (s)
0.025
0.02 k=30
k=100
0.015
0.01
3
b
0.005
−0.005
−2 −1.8
k=180 −1.6 −1.4 −1.2 −1 −0.8 −0.6
a1
1.5
0.5 k=180
2
a
k=100
k=30
−0.5
−2 −1.8 −1.6 −1.4 −1.2 −1 −0.8 −0.6
a1
Figura 4.5: Evolución de unos parámetros frente a otros para el modelo sobreparametrizado.
El método de los mı́nimos cuadrados puede aplicarse a procesos con retardo, siempre
que se tengan en cuenta algunas cuestiones. El modelo determinista de un sistema con
retardo puro de d periodos de muestreo se puede poner como
Eso quiere decir que el regresor en el instante k debe contener valores pasados de la
entrada desde k − d − 1 a k − d − n donde n es el grado del polinomio B(z −1 ). Por
tanto el regresor queda
m(k) = −y(k − 1) · · · −y(k − n) u(k − d − 1) · · · u(k − d − n)
Con esta modificación cualquiera de los algoritmos de mı́nimos cuadrados vistos ante-
riormente se puede aplicar a procesos con retardo. El problema estriba en que se ha
de conocer exactamente el retardo (vease tema 3). El método usual para conocer este
dato es provocar un cambio en la entrada y observar cuando se manifiesta dicho cam-
bio en la salida (ha de tenerse en cuenta que en todo sistema muestreado los cambios
en la entrada se manifestarán como mucho en el siguiente periodo de muestreo). Este
sencillo esquema se puede complicar por ejemplo si el retardo es variable. Esto es más
común de lo que se cree, pues el retardo ası́ como el resto de parámetros de un sistema
suele depender del punto de funcionamiento (por ejemplo, los retardos de transporte
ocasionados por tuberias dependen del caudal de material que se transporta). El pro-
blema es que, aunque los métodos de identificación propuestos puedan seguir cambios
78 CONSIDERACIONES FINALES
en los parametros del modelo (se adaptan a esos cambios) no recogen la posibilidad
de un retardo variable (existen remedios a este problema, pero no se tratarán aquı́).
Otro problema que puede suceder es que el retardo no sea multiplo exacto del tiempo
de muestreo. Aunque existen formas para describir retardos no enteros (por ejemplo,
el uso de una expansión de Padé) es mas sencillo y menos problemático emplear si es
posible otro tiempo de muestreo para hacer que el retardo sea entero.
respectivamente.
y como valor inicial del vector de parámetros se puede usar θ = P (0)M (2n)Y (2n).
80 CONSIDERACIONES FINALES
Capı́tulo 5
81
82 PLANTEAMIENTO DEL PROBLEMA
-
9;:=<?>A@B:DCFEHGI:D@
REFERENCIA
+
EKJMLONP>AEHQRCAS + u
T CFEB<U>VE
+
y
los parámetros del regulador. Para ello se utiliza un mecanismo de adaptación que en
algunos casos (no siempre) también puede actuar directamente sobre la actuación o
señal de control que recibe el proceso. En algunos casos se añade un tercer bucle que
tiene como tarea la supervisión del sistema de manera que, por ejemplo, se garantice la
estabilidad del sistema en bucle cerrado o se eviten ciertos comportamientos indeseados
tales como cambios demasiado abruptos en los parámetros del regulador ajustable.
Ambas estrategias suponen que para cualquier juego de valores de los parámetros del
sistema y las perturbaciones, existe un controlador lineal que hace que el sistema en
bucle cerrado cumpla los requisitos de diseño.
Las dos técnicas tienen sus ventajas e inconvenientes. Las ventajas del MRAC pasan
por una rápida adaptación y la posibilidad de utilizar formulaciones que garanticen
estabilidad (usando métodos de Lyapunov). Sin embargo, la capacidad de adaptación
de estas estrategias dependen en gran medida de la riqueza dinámica de la señal de
control (esto es análogo a lo que ocurre en la identificación de sistemas, véase el tema
3). Por otra parte, los STR se adaptan bien en casi todas las situaciones y son fáciles de
implementar pues admiten técnicas de programación modular. Sin embargo, también
presentan sus propios inconvenientes como se verá más adelante.
En los primeros el valor de los parámetros se obtiene buscando entre los posibles valores
aquellos que hacen óptimo un cierto criterio de comportamiento del sistema. Es decir,
optimizan un criterio de comportamiento o funcionamiento. En este grupo estudiare-
mos los controladores de mı́nima varianza y mı́nima varianza generalizado. También
se puede considerar en este grupo el control predictivo basado en modelo (al que dedi-
caremos un amplio capı́tulo más adelante) cuando este tipo de control se utiliza como
controlador ajustable en alguno de los esquemas de control adaptativo referidos al
principio del tema.
84 JUSTIFICACIÓN DEL USO DE CONTROL ADAPTATIVO
Los controladores adaptativos sin criterio óptimo buscan los parámetros del contro-
lador no mediante la optimización de un criterio de funcionamiento sino entre aquellos
que cumplen unas ciertas especificaciones, por ejemplo, la colocación de los ceros y los
polos de bucle cerrado. En estos esquemas el controlador ajustable puede ser por ejem-
plo un regulador PID, un controlador dead-beat como los estudiados anteriormente o
un controlador por asignación de polos o de ceros y polos. En tiempo real se resolverá el
problema de diseñar dichos controladores, de manera que a pesar de los cambios en el
proceso se sigan cumpliendo las especificaciones de diseño.
El control adaptativo conlleva una serie de inconvenientes que pueden hacernos cues-
tionar su uso. Por ejemplo, su sintonı́a no suele ser tan sencilla como la de los clásicos
controladores PID. Por tanto, hay que ver en que situaciones puede ser ventajoso su
uso y en que situaciones es mejor quedarse con controladores más sencillos.
+ u v
f(u) G(s)
-
14
12
10
caudal (m /h)
3
0
0 10 20 30 40 50 60 70 80 90 100
apertura (%)
general, cuando la variación en los parámetros del sistema o los actuadores se conoce
de antemano y además se puede establecer una dependencia entre dichos parámetros
y el punto de operación (o una variable auxiliar) se puede recurrir a técnicas sencillas
de control adaptativo como el gain scheduling (véase la sección 7.4). En caso contrario
tendrı́amos que recurrir a técnicas más sofisticadas.
Step Response
Step Response
700 1.4
600 1.2
500 1
400 0.8
Amplitude
Amplitude
300 0.6
200 0.4
100 0.2
0 0
0 20 40 60 80 100 120 140 160 180 200 0 2 4 6 8 10 12
Time (sec) Time (sec)
Figura 5.4: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (5.1).
20(1 − T s)
G(s) = donde T = 0, 0,015, 0,03 (5.2)
(s + 1)(s + 20)(T s + 1)
En este caso la respuesta en bucle abierto del sistema es muy parecida independiente-
mente de los valores de T (figura 5.5 izquierda). Cuando se le realimenta usando como
entrada u = 15(ref − y) se obtienen, sin embargo, comportamientos muy diferentes en
función del valor de T (figura 5.5 derecha). Es por tanto que en este caso sı́ estarı́a
justificado el uso de técnicas de control adaptativo. El lector puede comprobar además
que no sólo hay que juzgar en función del comportamiento en bucle cerrado en general,
sino que hay que tener en cuenta cuáles van a ser las condiciones de operación particu-
lares en las que se va a trabajar. En efecto, si se obtiene la respuesta en bucle cerrado
para el sistema (5.2) pero utilizando una realimentación unitaria (esto es, u = (ref −y))
entonces las respuestas son esencialmente iguales independientemente del valor de T .
CAPÍTULO 5. INTRODUCCIÓN AL CONTROL ADAPTATIVO 87
1.5
0.9
0.8
0.7
1
0.6
Amplitude
Amplitude
0.5
0.4
0.5
0.3
0.2
0.1
0
0
0 1 2 3 4 5 6 0 0.5 1 1.5 2 2.5 3
Time (sec) Time (sec)
Figura 5.5: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (5.2).
Es una de las técnicas más antiguas de control adaptativo y se basa, como su nombre
indica, en disponer de un modelo de bucle cerrado que es el que se desea que describa al
conjunto controlador-planta. Es decir, se debe partir de un conjunto de especificaciones
deseadas de bucle cerrado que se expresan mediante el modelo de referencia. El con-
trolador ajustable deberá adaptar sus parámetros para que el modelo de bucle cerrado
del conjunto coincida o se acerque lo más posible al modelo de referencia. La figura
5.6 muestra la configuración más popular (no es la única sin embargo) para este tipo
de controladores. En dicha figura puede observarse un controlador primario ajustable
que en principio puede ser cualqier tipo de controlador. El mecanismo de adaptación
es el que se va a encargar de ajustar los parámetros del control primario para que la
diferencia entre la salida de la planta y el modelo de referencia sea lo más pequeña
posible (es decir, que independientemente del valor inicial de esa diferencia, ésta vaya
tendiendo a cero progresivamente).
Fh u rzdX|2k;rzhFrzrtiAeBd{cfk;v5rj ym
+
-
cFdfj=eBl\mogbh]n2gpdXj;iPqfj;iVkDr dFh u
s iPj7eogtj yp
REFERENCIA +
Figura 5.6: Configuración genérica de un controlador adaptativo por modelo de referencia (MRAC).
Por otra parte para el controlador primario se puede pensar en casi cualquier es-
tructura de control lineal, incluyendo los populares PI, PID, etc. . . Se deben cumplir
sin embargo varios requisitos, entre ellos que la señal de control debe ser una función
lineal de los parámetros. También (suponiéndose fijado el modelo) se debe escoger un
controlador ajustable que permita reproducir el modelo.
donde T es un periodo fijo de tiempo. La idea de la regla del MIT es ajustar el vector
de parámetros del controlador en el instante t + T , de manera que haga decrecer J. Es
decir, Z t+T
∂J ∂e(τ )
θ(t + T ) = θ(t) − Γ = θ(t) − Γ 2e(τ ) dτ (5.4)
∂θ t ∂θ
donde Γ ∈ Rn×n es una matriz definida positiva que actúa como ganancia de adaptación.
Es fácil entender que el controlador sólo tiene influencia sobre la salida de la planta,
no sobre la del modelo. Por tanto ymodelo (t) no depende de θ y al variar éste tampoco
lo hace ymodelo (t), luego
∂e(τ ) ∂yproceso (τ )
=
∂θ ∂θ
Finalmente, podemos conocer la variación instantánea de los parámetros del contro-
lador tomando T → 0 en el segundo miembro de (5.4) y teniendo en cuenta lo anterior
se llega a
dθ ∂yproceso
= −2Γe(t) (5.5)
dt ∂θ
Nótese que ∂yproceso
∂θ
representa cómo varı́a la salida del proceso frente a variaciones del
vector de parámetros, es decir la sensibilidad de yproceso (t) frente a variaciones de θ, de
ahı́ el nombre alternativo de ((enfoque de sensibilidad)).
Finalmente hay que decir que esta regla presenta diversas formulaciones alternati-
vas. De hecho la formulación original del MIT se basaba en el ı́ndice
1
J(t) = e2 (T )
2
90 CONTROL ADAPTATIVO POR MODELO DE REFERENCIA (MRAC)
Ejemplo 5.1
Supongamos que tenemos un proceso cuya función de transferencia viene dada por
G(s) = kF (s)
donde k0 es una ganancia conocida (es un dato de entrada del problema). El controlador
ajustable del que se dispone tiene la estructura
u = θuc
∂e(t)
= kF (s)uc (t) (5.8)
∂θ
ahora bien, de (5.7) se obtiene que
luego,
ym (t)
F (s)uc (t) =
k0
por lo que llevando esto a (5.8) se obtiene
∂e(t) k
= ym (t)
∂θ k0
La variación de los parámetros según la regla del MIT será
dθ k
= −γ ym (t)e(t)
dt k0
Nótese que se sigue desconociendo el valor de k0 , sin embargo esto no plantea problema
alguno, pues como γ es una constante cualquiera podemos agrupar las constantes que
aparecen en una sola γ 0 , de manera que la regla serı́a
dθ
= −γ 0 ym (t)e(t)
dt
1
Con el objeto de simplificar las cosas en la ecuación (5.7) se ha abusado notablemente de la
notación pues se están incluyendo simultáneamente funciones en el dominio s (de la transformada de
Laplace) y señales en el dominio temporal. Esto no es correcto y quizás serı́a mejor utilizar la notación
d
F (p) donde p = dt , es decir, sustituir las funciones en s por su equivalente en el operador derivada.
92 CONTROL ADAPTATIVO POR MODELO DE REFERENCIA (MRAC)
Capı́tulo 6
93
94 INTRODUCCIÓN. ESTRUCTURA GENERAL DE LOS STR
REFERENCIA
+
- }V~VF]]A8~fFFP2
X ~A u
FX2
y
COMPORTAMIENTO
DESEADO
}V~V
F]Z)AR~f~F
X
Xp~A z)p K]}tf5XV2{
7
En los STR clásicos se suele suponer que los procesos son deterministas (es decir no
se consideran fuentes de perturbaciones estocásticas como las vistas en el capı́tulo 2).
Por otra parte es común que el controlador ajustable sea del tipo PID. En realidad,
como es la estructura de un STR es modular, se puede usar cualquier combinación de
controlador/método de identificación.
siendo d el retraso.
Entre los STR podemos distinguir dos tipos de algoritmos, unos que identifican di-
rectamente los parámetros de la planta y luego diseñan el controlador para cumplir con
los requisitos (estructura explı́cita) y otros que lo que hacen es estimar el controlador
directamente sin pasar por la estimación previa de la planta (estructura implı́cita).
Los algoritmos de estructura implı́cita son más complicados desde el punto de vista
conceptual. Lo que se hace en ellos es reparametrizar el modelo de la planta y el
controlador en función de los parámetros del controlador. El esquema serı́a el mostrado
en la figura 6.2. Obsérvese en esta figura que no se está pasando por la fase de diseño del
REFERENCIA
+
- ptVAZF&PM&tz&z8V t u
&zV8
y
controlador sino que este se identifica, de manera que cumpla con las especificaciones de
diseño. Por eso en la figura 6.2 como la identificación toma como datos de entrada las
96 CONTROL POR MÍNIMA VARIANZA
Al igual que en caso anterior estos pasos se repiten cada tiempo de muestreo.
donde
A(z −1 ) = 1 + a1 z −1 + · · · + an z −n
B(z −1 ) = b1 z −1 + b2 z −2 + · · · + bn z −n
C(z −1 ) = 1 + c1 z −1 + · · · + cn z −n
CAPÍTULO 6. REGULADORES AUTOAJUSTABLES (STR) 97
y d es el retraso puro1 .
Supóngase que se desea dividir C(z −1 ) entre A(z −1 ). Dicha división de polinomios
producirá en general un polinomio cociente y un polinomio resto. El cociente lo deno-
taremos por F (z −1 ) y el resto se factoriza de manera que se denote por z −(d+1) G(z −1 ).
Por tanto podremos reescribir la conocida expresión dividendo igual a divisor por co-
ciente más resto ası́
donde
F (z −1 ) = 1 + f1 z −1 + · · · + fd z −d
A(z −1 ) B(z −1 ) −d
v(k) = y(k) − z u(k)
C(z −1 ) C(z −1 )
1
Nótese que el polinomio B(z −1 ) no tiene término independiente, lo que se refleja en la forma de
describir el proceso ARMAX en la ecuación (6.1).
98 CONTROL POR MÍNIMA VARIANZA
operando
z −1 G(z −1 ) F (z −1 )B(z −1 )
y(k + d) = F (z −1 )v(k + d) + y(k) + u(k)
C(z −1 ) C(z −1 )
A partir de esta ecuación podemos calcular J y ver que valor de u(k) hace mı́nimo J:
2
2
−1 F (z −1 )B(z −1 )
2 z −1 G(z −1 )
E y (k + d) = E F (z )v(k + d) + E u(k) + y(k)
C(z −1 ) C(z −1 )
−1 F (z −1 )B(z −1 ) z −1 G(z −1 )
+2E F (z )v(k + d) u(k) + y(k)
C(z −1 ) C(z −1 )
G(z −1 )
u(k) = − y(k) (6.6)
zB(z −1 )F (z −1 )
CAPÍTULO 6. REGULADORES AUTOAJUSTABLES (STR) 99
Ejemplo 6.1
yk = ayk−1 + buk−2
y por otra parte d = 1. Recordemos que se ha de dividir C(z −1 ) entre A(z −1 ) hasta que
el grado del cociente F (z −1 ) sea d, o sea en este caso F (z −1 ) tiene la forma F (z −1 ) = 1+
f1 z −1 . La figura 6.3 nos muestra la división hecha paso a paso a la manera tradicional.
Por tanto F (z −1 ) = 1 + az −1 . El resto que en este caso es a2 z −2 debe identificarse con
§§M¨5©&ª¢« ¬ §M¨5©&ª¢« ¬
§¢¤©&ª « ¬
©&ª
©&ª « « ¬¬ ¨ ©&®Zª « ®
© ® ª)« ®
Figura 6.3: División de polinomios para el ejemplo 6.2.
la expresión z −2 G(z −1 ), por lo que es evidente que en este caso G(z −1 ) = a2 . Luego
recordando la expresión (6.5) obtenemos que el regulador de mı́nima varianza para este
caso es
−z −1 a2 a2
uk = yk = − yk
(1 + az −1 )bz −1 (1 + az −1 )b
El control por mı́nima varianza tal y como se ha presentado aquı́ presenta problemas
cuando el sistema es de fase no mı́nima ya que al tener ceros inestables estos se cance-
larán mediante polos inestables. Esta situación no es deseable, por que en la práctica
puede que los ceros cambien de posición, bien por imprecisión en el modelo del sistema
o por variaciones de la dinámica del sistema. En este caso los ceros no se canceları́an
con los polos con lo cual añadirı́amos polos inestables al sistema. Evidentemente esto
último llevarı́a a la inestabilidad del sistema. Existen variaciones del regulador de mı́ni-
ma varianza que tratan este problema y además incorporan seguimiento de referencias
y ponderación del esfuerzo de control (es decir, que además de perseguir el objetivo de
100 ASIGNACIÓN DE POLOS Y CEROS
mı́nimizar las variaciones de la salida con respecto a la referencia se intenta hacer esto
usando el menor esfuerzo de control posible). La más conocida es la del regulador de
mı́nima varianza generalizado. La idea de este regulador es la de considerar el siguiente
ı́ndice de funcionamiento
n 2 o
−1 −1 −1
J = E Q(z )y(k + d) + R(z )u(t) − P (z )ref(t + d)
G(z −1 ) C(z −1 )
u(t) = − y(t) − ref(t + d) (6.8)
zB(z −1 )F (z −1 ) zB(z −1 )F (z −1 )
¸³
¯]° ±² ÍFÎÏÑÒ Ð Ì ÂÄà · µ ¶¹º ¸¶ ³ ¼ » Ó °5±¢²
¾À¿\Á Å ½ ´?µ\¶ º
Ç{ÈÉÀË Ê Æ
Rm (z −1 ) −d
y(k) = z w(k) (6.9)
Pm (z −1 )
S(z −1 )B(z −1 )z −d
y(k) = w(k)
A(z −1 )M (z −1 ) + B(z −1 )G(z −1 )z −d
Rm (z −1 ) = B − (z −1 )Rm1 (z −1 )
Por otra parte se asume que, además de especificarse el retraso y los polinomios que
definen la función de transferencia deseada, como parte de los datos de entrada del
problema, se tiene un polinomio A0 (z −1 ) que se utiliza para definir S(z −1 ) mediante la
expresión
S(z −1 ) = A0 (z −1 )Rm1 (z −1 )
Con todo lo anterior y la ecuación (6.10) se llega a
Esto es una ecuación polinomial, donde las incógnitas son M1 (z −1 ) y G(z −1 ), que
puede resolverse mediante diferentes métodos2 . Quizás el más simple (pero no más
eficiente) sea plantear un sistema de ecuaciones lineales donde las incógnitas sean los
coeficientes de los polinomios M1 (z −1 ) y G(z −1 ). En cualquier caso se deben imponer
condiciones sobre los grados de dichos polinomios para que la ecuación tenga solución
única. Aplicando consideraciones algebraicas que no mostraremos aquı́, se llega a que
existen dos posibles opciones para los grados de M1 (z −1 ) y G(z −1 ),
1.
grado(G(z −1 )) = grado(A(z −1 )) − 1
grado(M1 (z −1 )) = grado(A0 (z −1 )) + grado(Pm (z −1 )) − grado(A(z −1 ))
2.
1. Cancelación de todos los ceros. Esto se puede hacer si el sistema es de fase mı́nima.
En este caso
B + (z −1 ) = B(z −1 ) B − (z −1 ) = 1 Rm (z −1 ) = Rm1 (z −1 ) = K
2. No se cancela ningún cero. Esto ocurre si todos las raı́ces de B(z −1 ) son inestables.
En este caso
M (z −1 ) = M1 (z −1 ) Rm (z −1 ) = KB(z −1 )
por lo que ahora la ecuación quedarı́a como
Con este tipo de control se puede ilustrar la diferencia entre algoritmo con estructura
implı́cita y explı́cita. Comenzaremos derivando un algoritmo con estructura implı́cita,
para ver después el de estructura explı́cita.
Nótese que multiplicando ambos miembros de la ecuación (6.11) por y(k) se obtiene
La ecuación (6.12) expresa una relación entre la entrada y la salida que constituye
un modelo reparametrizado del sistema en bucle cerrado. En dicho modelo aparecen
polinomios conocidos de antemano (A0 (z −1 ), Pm (z −1 )), el retraso d que se supone
conocido, y tres polinomios (B − (z −1 ) , M (z −1 ), G(z −1 )) que son los que deben ser
identificados (ajustados mediante un método de identificación recursivo), usando los
valores experimentales de la entrada y la salida. Obsérvese que al identificarse dicho
modelo reparametrizado se estarán identificando los parámetros del controlador además
de parte de los parámetros de la planta. Estos últimos no son sin embargo necesarios,
se pueden considerar un ((subproducto)) del proceso de identificación del controlador.
2. Calcular y aplicar
1 −1 −1
u(k) = S(z )w(k) − G(z )y(k)
M (z −1 )
Este procedimiento puede presentar problemas para aquellos sistemas que sean de
fase no mı́nima. Esta mayor dificultad es inherente a los algoritmos con estructura
implı́cita, tal y como se ha comentado al comienzo del capı́tulo.
2. Factorizar B(z −1 ) = B + (z −1 )B − (z −1 ).
4. Calcular y aplicar
1 −1 −1
u(k) = S(z )w(k) − G(z )y(k)
M (z −1 )
Es fácil ver que este algoritmo tiene más cálculos que el anterior, en particular la
factorización de B(z −1 ) y la resolución de la ecuación polinomial (6.11), tareas ambas
que pueden ser costosas en un hardware industrial no muy potente (además de más
complicadas de implementar). Sin embargo desde el punto de vista práctico suele tener
menos problemas.
Capı́tulo 7
7.1. Introducción
En este capı́tulo se revisaran algunas de las técnicas de control adaptativo con mayor
aplicación en la industria. Éstas no son tan ambiciosas como algunas de las presentadas
hasta ahora y sin embargo son definitivamente estrategias de control avanzado que han
demostrado ser útiles en la práctica. Además de las técnicas referidas en el tı́tulo del
capı́tulo se concluirá el temario relativo a control adaptativo con un breve repaso a
algunos sistemas comerciales.
Los reguladores adaptativos vistos hasta ahora, es decir los MRAC y STR, necesitan
para poder funcionar correctamente un conocimiento básico a priori de la planta. A fin
de poder obtener esa información lo mas fácilmente posible, los fabricantes introdujeron
en los controladores adaptativos comerciales un modo de sintonı́a previa (pre-tune), que
obtenı́a dicha información básica.
105
106 FUNCIÓN DE AUTOAJUSTE (AUTOTUNING)
ocurrió, es que se vio que para poder ajustar un PID automáticamente bastaba con la
información básica que proporcionaban los modos pre-tune de los controladores adap-
tativos.
Por otra parte, desde el mundo industrial una de las caracterı́sticas más demandadas
era una función de autoajuste inicial. Al instalarse el controlador se activarı́a dicha
función (apretando un botón en el panel de control) a lo que el controlador responderı́a
realizando una baterı́a de tests pre-programados que darı́an como resultado el ajuste
automático del controlador. Esta demanda surge de la dificultad y el engorro de ajustar
un controlador inicialmente. Lo que hicieron los fabricantes de PID fue aprovechar los
resultados obtenidos en el desarrollo de funciones pre-tune en controladores adaptativos
para dotar a sus PID de una función de autoajuste como la que demandaban los
usuarios.
Antes de tratar las distintas técnicas existentes para ajustar automáticamente PIDs
es importante hacer notar que los PIDs industriales (figura 7.1) no son exactamente
iguales a las formulaciones académicas que se enseñan en cursos básicos de control. Por
Figura 7.1: PID industrial moderno con función de autoajuste (ABB modelo ECA).
Sin entrar en demasiados detalles un PID más realista que la versión académica
vendrı́a dado por la siguiente expresión:
u(t) = f (v(t))
donde u(t) es la señal de actuación que se aplica, f (·) es una posible (se suele dar casi
siempre) no-linealidad debida al actuador y
Estas son técnicas de ajuste en bucle abierto que se basan en aplicar un escalón en
la señal de entrada del lazo que se quiere sintonizar y ajustar un modelo simple del
tipo
k
G(s) = e−sL (7.1)
1 + sT
CAPÍTULO 7. CONTROLADORES PID CON AUTOAJUSTE Y AJUSTE POR TABLA 109
Conocidos los parámetros del modelo el PID se puede ajustar usando técnicas del
tipo Ziegler-Nichols de bucle abierto. Otros métodos están basados en medida de áreas
como la que se describe a continuación. Considérese la figura 7.2. El procedimiento
para calcular T y L comienza por el cálculo de A0 . De ahı́ se determina
A0
L+T =
k
y de ahı́ se puede medir A1 , la cual se usa para obtener T mediante
eA1
T =
k
donde e es la base de los logaritmos neperianos. Una vez que se conoce L + T y T se
puede obtener L y con eso ya están estimados todos los parámetros.
A0
A1
L+T
Los métodos de ajuste basados en la respuesta transitoria son simples, pero muy
sensibles a las perturbaciones, ya que las pruebas se realizan en bucle abierto. Las
técnicas basadas en experimentos en bucle cerrado no tienen este problema. De estas
técnicas veremos la que está basada en las oscilaciones producidas al realimentar con
un relé. La estructura para realizar el ajuste es la que se muestra en la figura 7.3.
La idea clave es que la mayorı́a de los procesos exhiben oscilaciones autosostenidas
(conocidas como ciclos lı́mite1 ) cuando son realimentados con un relé en la cadena
1
El estudio de los ciclos lı́mite no pertenece a esta asignatura. Baste saber que son oscilaciones con
entrada nula o referencia constante que aparecen en ciertos sistemas y que pueden provocarse con la
estructura presentada aquı́.
110 LA TÉCNICA DE AJUSTE POR TABLA O GAIN SCHEDULING
PID
r + u y
PROCESO
-
RELÉ
directa. Los parámetros del ciclo lı́mite contienen información suficiente para calcular
los parámetros de ajuste del PID.
-
ÔKÕKÖ{×7ØOÕUÙRÚOÛÜÕKØ
REFERENCIA
+
ÚÝ)Þ{ßA×7ÚàoÙ]á u
â ÙRÚOÖã×FÚ y
Figura 7.4: Configuración genérica de un controlador adaptativo con adaptación en bucle abierto.
se usan en cada instante vienen determinados por una tabla precalculada para varios
puntos de funcionamiento o valores de la variable auxiliar. Este tipo de control es muy
popular, por ejemplo, en sistemas de control de vuelo, en los que los parámetros del
controlador se seleccionan de un conjunto de parámetros precalculados en función de
la altura de vuelo. Por supuesto, este tipo de control funciona bien si entre la variable
auxiliar y la dinámica del sistema existe una fuerte relación, que permite determinar
el valor de los parámetros en función del valor observado de la variable auxiliar. Una
ventaja que tiene este esquema es que los parámetros del control se pueden cambiar
(adaptar) a la misma velocidad a la que cambia la dinámica del sistema pues estos
cambios se reflejan sobre la variable auxiliar a la vez que se producen. Esta rapidez en
el cambio de los parámetros puede ser, sin embargo, contraproducente. Por otra parte la
construcción de la tabla puede ser muy complicada. De hecho no existe una metodologı́a
universal, sino que para cada aplicación ha de verse como llevar a la práctica las ideas
del gain scheduling. Por último encontrar la variable auxiliar apropiada no siempre es
posible.
11
10
8
pH
2
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Diferencia entre las concentraciones acido−base −3
x 10
Figura 7.5: Curva de pH para una solución de HCl 0.001 M y NaOH 0.001 M.
0.9
0.8
0.7
Voltaje de salida (V)
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
Relación combustible − aire (λ)
opcionales del controlador como en el caso de los sistemas Protonic (Hartman &
Braun) o UDC 6000 (Honeywell). Estos combinan reglas empı́ricas y técnicas
de colocación de polos usando experimentos en bucle abierto. Las estrategias de
oscilaciones mediante relé también son comunes como por ejemplo en el SattCon-
trol3 ECA40 y en el DPR900 (Fisher-Rosemount). Otra posibilidad es que estas
herramientas para sintonizar controladores sean módulos independientes, com-
patibles con determinadas familias de controladores. En este tipo encontramos
ejemplo como SIEPID (Siemens), Supertuner (Toyo), Protuner (Techmation) o
PIDWIZ (BST Control). Una tercera posibilidad es que estas herramientas for-
men parte de sistemas de control distribuido como en el caso de Looptune (Hon-
eywell) e Intelligent Tuner (Fisher-Rosemount).
Esta herramienta de control STR (figura 7.7) está basada entre otras cosas en el
control de mı́nima varianza y ofrece la capacidad de especificar la posición de 1 de los
116 CONTROLADORES ADAPTATIVOS INDUSTRIALES
polos de bucle cerrado. Utiliza mı́nimos cuadrados recursivos con factor de olvido para
Figura 7.7: La herramienta Novatune se comercializa actualmente con el sistema Advant 410 de ABB.
El Control Predictivo se desarrolló en base a dos lı́neas básicas. Por un lado, a finales
de los años setenta surgieron diversos algoritmos que usaban explı́citamente un modelo
dinámico del proceso para predecir el efecto de las acciones de control futuras en la
salida, las cuales eran determinadas minimizando el error predicho sujeto a restricciones
de operación. La optimización se repetı́a en cada instante de muestreo con información
actualizada del proceso. Estas formulaciones eran de naturaleza heurı́stica y algorı́tmica
e intentaban aprovechar el creciente potencial de los computadores digitales por aquélla
época.
Independientemente fue surgiendo otra lı́nea de trabajo en torno a las ideas del con-
trol adaptativo, desarrollando estrategias esencialmente para procesos monovariables
117
118 CONCEPTOS BÁSICOS DE CONTROL PREDICTIVO
formuladas con modelos entrada/salida. En este contexto se extendieron las ideas del
Controlador de Mı́nima Varianza y se desarrolló el Control Predictivo Generalizado
(Generalized Predictive Control gpc) que es uno de los métodos más populares en la
actualidad.
Uso explı́cito de un modelo para predecir la salida del proceso en futuros instantes
de tiempo (horizonte).
Los distintos algoritmos de mpc difieren entre sı́ casi exclusivamente en el modelo
usado para representar el proceso y los ruidos y en la función de coste a minimizar.
Aunque las diferencias puedan parecer pequeñas a priori, pueden provocar distintos
comportamientos en bucle cerrado, siendo crı́ticas para el éxito de un determinado
algoritmo en una determinada aplicación.
El mpc presenta una serie de ventajas sobre otros métodos, entre las que destacan:
Puede ser usado para controlar una gran variedad de procesos, desde aquéllos con
dinámica relativamente simple hasta otros más complejos incluyendo sistemas con
grandes retardos, de fase no mı́nima o inestables.
u(t+k|t)
u(t)
^y(t+k|t)
y(t)
N
1. En cada instante t y haciendo uso del modelo del proceso se predicen las futuras
salidas para un determinado horizonte N , llamado horizonte de predicción. Estas
salidas predichas, ŷ(t + k | t)1 para k = 1 . . . N dependen de los valores conocidos
hasta el instante t (entradas y salidas pasadas) y de las señales de control futuras
u(t + k | t), k = 0 . . . N − 1 que se pretenden mandar al sistema y que son las
que se quieren calcular.
Controles
futuros
Optimizador
Errores futuros
Para llevar a cabo esta estrategia, se usa una estructura como la mostrada en la
figura 8.2. Se hace uso de un modelo para predecir las salidas futuras del proceso,
basándose en las futuras señales de control propuestas. Estas señales son calculadas
por el optimizador teniendo en cuenta la función de coste (donde aparece el futuro
error de seguimiento) ası́ como las restricciones. Por tanto el modelo juega un papel
decisivo en el controlador. El modelo elegido debe ser capaz de capturar la dinámica del
proceso para poder predecir las salidas futuras al mismo tiempo que debe ser sencillo
de usar y de comprender.
Todos los controladores predictivos poseen elementos comunes y para cada uno de
estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos.
122 ELEMENTOS BÁSICOS
Modelo de predicción
Función objetivo
La piedra angular del mpc es el modelo; un diseño completo debe incluir los mecan-
ismos necesarios para la obtención del mejor modelo posible, el cual debe ser lo sufi-
cientemente rico para capturar al maximo la dinámica del proceso y debe ser capaz de
permitir el cálculo de las predicciones a la vez que sea intuitivo y permita un análisis
teórico. El uso del modelo del proceso viene determinado por la necesidad del cálcu-
lo de la salida predicha en instantes futuros ŷ(t + k | t). Las diferentes estrategias
de mpc pueden usar distintos modelos para representar la relación de las salidas con
las entradas medibles, algunas de las cuales serán variables manipuladas y otras se
pueden considerar como perturbaciones medibles, que pueden ser compensadas por ac-
ción feedforward. Además se tendrá en cuenta un modelo de las perturbaciones, para
intentar describir el comportamiento que no aparece reflejado en el modelo del proce-
so, englobándose aquı́ el efecto de las entradas no medibles, el ruido y los errores de
modelado.
Para el estudio se puede separar el modelo en dos partes: el modelo del proceso
propiamente dicho y el modelo de las perturbaciones. Cualquier método usará ambas
partes para la predicción.
Casi todas las formas posibles de modelar un proceso aparecen en alguna formu-
lación de mpc siendo las más usadas las siguientes:
h2
N
i
g
g
hi
h1
g2
hN
y(t) y(t)
g1
t t+1 t+2 ... t+N t t+1 t+2 ... t+N
a) b)
es el gran número de parámetros que necesita, ya que N suele ser un valor elevado
(del orden de 40-50). La predicción vendrá dada por:
N
X
ŷ(t + k | t) = hi u(t + k − i | t) = H(z −1 )u(t + k | t)
i=1
Respuesta ante escalón. Es muy similar al anterior sólo que ahora la señal de
entrada es un escalón. Para sistemas estables se tiene la respuesta truncada que
será
N
X
y(t) = y0 + gi 4 u(t − i) = y0 + G(z −1 )(1 − z −1 )u(t) (8.2)
i=1
124 ELEMENTOS BÁSICOS
donde las gi son los valores muestreados ante la entrada en escalón y 4u(t) =
u(t) − u(t − 1), según se muestra en la figura 8.3b. El valor de y0 puede tomarse
0 sin pérdida de generalidad, con lo cual el predictor será:
N
X
ŷ(t + k | t) = gi 4 u(t + k − i | t)
i=1
B(z −1 )
ŷ(t + k | t) = u(t + k | k)
A(z −1 )
Posee la ventaja de que sirve también para sistemas multivariables a la vez que
permite analizar la estructura interna del proceso (aunque a veces los estados
obtenidos al discretizar no tienen ningún significado fı́sico). Los cálculos pueden
ser complicados, con la necesidad adicional de incluir un observador si los estados
no son accesibles.
CAPÍTULO 8. CONTROL PREDICTIVO BASADO EN MODELO (MPC) 125
C(z −1 )e(t)
n(t) =
D(z −1 )
e(t)
n(t) =
1 − z −1
uf (t − j) = u(t − j) para j = 1, 2, · · ·
uf (t + j) = u(t − 1) para j = 0, 1, 2, · · ·
126 ELEMENTOS BÁSICOS
La señal uc (t) vale cero en el pasado y corresponde a las señales de control en los
instantes futuros:
uc (t − j) = 0 para j = 1, 2, · · ·
uc (t + j) = u(t + j) − u(t − 1) para j = 0, 1, 2, · · ·
u y
Process
t t
u uc y yc
f f
t t t t
Los diversos algoritmos de mpc proponen distintas funciones de coste para la ob-
tención de la ley de control. En general se persigue que la salida futura en el horizonte
considerado siga a una determinada señal de referencia al mismo tiempo que se puede
penalizar el esfuerzo de control requerido para hacerlo. La expresión general de tal
función objetivo será:
N2
X Nu
X
J(N1 , N2 , N u) = δ(j)[ŷ(t + j | t) − w(t + j)]2 + λ(j)[4u(t + j − 1)]2 (8.3)
j=N1 j=1
se tiene en cuenta, mientras que en otros también aparecen directamente los valores de
la señal de control (no sus incrementos). En la función de coste se pueden considerar:
r(t+k)
w1(t+k)
w2 (t+k)
y(t)
4u(t + j − 1) = 0 j > Nu
lo cual es equivalente a dar pesos infinitos a las cambios en el control a partir de cierto
instante. El caso lı́mite serı́a considerar N u igual a 1 con lo que todas las acciones
futuras serı́an iguales a u(t)2 .
2
Recuérdese que debido al horizonte deslizante, la señal de control se recalcula en el siguiente
muestreo.
130 REVISIÓN DE LOS PRINCIPALES ALGORITMOS
Este método usa la respuesta ante escalón (8.2) para modelar el proceso, consideran-
do sólo los N primeros términos, asumiendo por tanto que el proceso es estable. En
cuanto a las perturbaciones, se considera que su valor permanence constante e igual al
existente en el instante actual durante todo el horizonte, es decir, igual al valor medido
de la salida (ym ) menos el estimado por el modelo ŷ(t | t)).
k
X N
X
ŷ(t + k | t) = gi 4 u(t + k − i) + gi 4 u(t + k − i) + n̂(t + k | t)
i=1 i=k+1
donde el primer término contiene las acciones de control futuras (que serán calculadas),
el segundo los valores pasados de las acciones de control (conocidas) y el último rep-
resenta las perturbaciones. La función de coste puede considerar sólo errores futuros o
incluir también el esfuerzo de control, en cuyo caso toma la forma genérica (8.3).
Una de las caracterı́sticas de este método que lo ha hecho muy popular en la in-
dustria es la inclusión de restricciones, que se traduce en inecuaciones de la forma
genérica:
N
X j j
Cyi ŷ(t + k | t) + Cui u(t + k − i) + cj ≤ 0 j = 1 . . . Nc
i=1
En este caso la optimización debe ser numérica y se lleva a cabo en cada periodo de
muestreo, enviándose la señal u(t) y recalculando todo en el nuevo periodo de muestreo,
como en todos los métodos mpc. Los principales inconvenientes de este método son el
tamaño del modelo empleado y la imposibilidad de tratar procesos inestables.
CAPÍTULO 8. CONTROL PREDICTIVO BASADO EN MODELO (MPC) 131
Este método se conoce también como Model Predictive Heuristic Control y el pro-
ducto comercial se llama idcom (Identification-Command). Es muy similar al dmc con
la diferencia principal de usar un modelo de respuesta impulsional (8.1). Introduce el
concepto de trayectoria de referencia como un sistema de primer orden que evoluciona
desde la salida actual al setpoint según una determinada constante de tiempo. La var-
ianza del error entre esta trayectoria y la salida es lo que marca la minimización de la
función objetivo. Las perturbaciones se pueden tratar como en el método anterior o se
pueden estimar según la siguiente expresión:
n̂(t + k | t) = αn̂(t + k − 1 | t) + (1 − α)(ym (t) − ŷ(t | t))
con n̂(t | t) = 0. α es un parámetro ajustable (0 ≤ α < 1) relacionado con el tiempo
de respuesta, el ancho de banda y la robustez del bucle cerrado. El método también
considera restricciones en los actuadores, en las variables internas o en salidas secun-
darias.
Este controlador fue desarrollado por Richalet para procesos rápidos. Emplea un
modelo en el espacio de estados, por lo que permite el manejo de procesos inestables,
y también la extensión al caso no lineal. Este esquema de control tiene dos carac-
terı́sticas que lo distinguen del resto de controladores de la familia: el uso de puntos de
coincidencia y de funciones base.
El concepto de puntos de coincidencia (ver figura 8.6) se emplea para simplificar los
cálculos considerando sólo un subconjunto de puntos en el horizonte de predicción hj ,
j = 1, . . . , nH . La salida deseada y la predicha deben coincidir en dichos puntos, no en
todo el horizonte de predicción.
Normalmente estas funciones son de tipo polinómico: escalones (B1 (k) = 1), rampas
(B2 (k) = k) o parábolas (B3 (k) = k 2 ), ya que la mayorı́a de referencias se pueden es-
pecificar como combinación de estas funciones. Con esta estrategia, un perfil de entrada
132 REVISIÓN DE LOS PRINCIPALES ALGORITMOS
Puntos de coincidencia
donde d es el retardo y v(t) la perturbación. Este modelo puede ampliarse para tratar
perturbaciones medibles añadiendo un término D(z −1 )d(t) para incluir efecto feedfor-
ward. La estructura de la ley de control es muy simple, ya que se considera que la señal
de control permanecerá constante a partir del instante t (es decir, horizonte de control
igual a 1): 4u(t + k) = 0 para k > 0. Para obtener la señal de control de minimiza una
función de coste de la forma:
N
X
γ(k)[w(t + k) − P (z −1 )ŷ(t + k | t)]2
k=d
CAPÍTULO 8. CONTROL PREDICTIVO BASADO EN MODELO (MPC) 133
Este método propuesto por Clarke et al. emplea un modelo carima (Controlled
Auto-Regressive Integrated Moving Average) para la predicción de la salida:
e(t)
A(z −1 )y(t) = B(z −1 )z −d u(t − 1) + C(z −1 )
4
donde la perturbación viene dada por un ruido blanco coloreado por el polinomio
C(z −1 ). Como en la práctica es difı́cil encontrar el verdadero valor de este polinomio,
se puede emplear como parámetro de diseño para rechazo de perturbaciones o mejora de
la robustez. La predicción óptima se lleva a cabo resolviendo una ecuación diofántica,
lo cual puede hacerse eficazmente de forma recursiva.
Este algoritmo, al igual que otros que usan el modelo de función de transferencia,
se puede implementar fácilmente en forma adaptativa usando un algoritmo de identi-
ficación en lı́nea como los mı́nimos cuadrados recursivos.
Las bases teóricas del algoritmo gpc has sido ampliamente estudiadas y se puede
demostrar que, para distintos conjuntos de parámetros, el algoritmo es estable y que
otros controladores como por ejemplo el dead beat son casos incluidos en éste.
Capı́tulo 9
Controladores predictivos
El método Dmc se desarrolló a finales de los setenta por Cutler y Ramaker de Shell
Oil Co. y ha sido aceptado ampliamente en el mundo industrial, principalmente por
las industrias petroquı́micas. Actualmente dmc es algo más que un algoritmo y parte
de su éxito se debe al hecho de que el producto comercial resuelve otros temas como
identificación u optimización global de la planta. En esta sección sólo se analiza el
algoritmo standard sin abordar detalles técnicos propios del producto de mercado que
no son de dominio público.
Pero a pesar de este éxito en la práctica, este método adolece quizás de la ausencia
de un análisis teórico maś completo que estudie la influencia de los parámetros de
diseño (horizontes, secuencias de ponderación) sobre la estabilidad del bucle cerrado
ası́ como de resultados de robustez.
9.1.1. Predicción
135
136 DYNAMIC MATRIX CONTROL
∞
X
f (t + k) = ym (t) + (gk+i − gi ) 4 u(t − i) (9.1)
i=1
ŷ(t + 1 | t) = g1 4 u(t) + f (t + 1)
ŷ(t + 2 | t) = g2 4 u(t) + g1 4 u(t + 1) + f (t + 2)
..
.
p
X
ŷ(t + p | t) = gi 4 u(t + p − i) + f (t + p)
i=p−m+1
ŷd = D d + fd
138 DYNAMIC MATRIX CONTROL
f = fu + D d + f d + fn
ŷ = Gu + f
El objetivo del controlador dmc es llevar el proceso los más cerca posible al setpoint
en el sentido de mı́nimos cuadrados con la posibilidad de incluir una penalización en los
movimientos de la señal de control. Por ello se seleccionan las variables manipuladas de
forma que minimicen un objetivo cuadrático que puede incluir sólo los errores futuros
p
X
J= [ŷ(t + j | t) − w(t + j)]2
j=1
w +
u y
K Proceso
-
f
Calculo
Resp. libre
Recuérdese que, como en todas las estrategias predictivas, sólo se envı́a al proceso
el primer elemento del vector u (4u(t)). No es aconsejable implementar la secuencia
completa sobre los siguientes m intervalos, ya que al ser imposible estimar de forma
exacta las perturbaciones, no es posible anticiparse a las perturbaciones inevitables que
provocan que la salida real difiera de las predicciones que se emplean para calcular la
secuencia futura de acciones de control. Además, el setpoint puede cambiar durante los
próximos m intervalos.
P. operacion
Zona segura 1 optimo
Punto operacion 1
Restriccion
zona Punto operacion 2
segura 2
Restriccion
N
X j j
Cyi ŷ(t + k | t) + Cui u(t + k − i) + cj ≤ 0 j = 1 . . . Nc
i=1
que deben tenerse en cuenta para la minimización. Como se ha visto, las salidas se
pueden expresar en función del vector de incrementos de control a través de la matriz
dinámica, por que las restricciones tanto en la entrada como en la salida se pueden
recoger en una desigualdad matricial de la forma Ru ≤ c, como se verá con más
detalle en el tema dedicado a restricciones. Ahora la minimización es un problema de
Programación Cuadrática qp, cuya solución es numérica.
Todo lo relacionado con las restricciones será abordado con mayor grado de detalle
en el tema dedicado a ello.
CAPÍTULO 9. CONTROLADORES PREDICTIVOS 141
Cada submatriz Gij contiene los coeficientes de la respuesta ante escalón i-ésima
correspondiente a la entrada j-ésima. El proceso de minimización es análogo sólo que la
ponderación tanto de los errores como de los esfuerzos de control se realiza con matrices
de peso.
El Control Predictivo Generalizado gpc fue propuesto por Clarke et al. en 1987
y se ha convertido en uno de los métodos más populares en el ámbito del Control
142 CONTROL PREDICTIVO GENERALIZADO
La idea básica del gpc es calcular una secuencia de futuras acciones de control
de tal forma que minimice una función de coste multipaso. El ı́ndice a minimizar es
una función cuadrática que mide por un lado la distancia entre la salida predicha del
sistema y una cierta trayectoria de referencia hasta el horizonte de predicción, y por
otro el esfuerzo de control necesario para obtener dicha salida.
El Control Predictivo Generalizado tiene muchas ideas en común con otros con-
troladores predictivos previamente mencionados ya que está basado en las mismas
ideas pero posee a su vez algunas diferencias. Como se verá más adelante, es capaz de
proporcionar una solución explı́cita (en ausencia de restricciones), puede trabajar con
procesos inestables o de fase no mı́nima e incorpora el concepto de horizonte de control
ası́ como la consideración en la función de coste de ponderación 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 lı́mites del gpc.
La mayorı́a de los procesos de una sola entrada y una sola salida (single-input single-
output, siso), al ser considerados en torno a un determinado punto de trabajo y tras
ser linealizados, pueden ser descritos de la siguiente forma:
donde u(t) y y(t) son respectivamente la señal de control y la salida del proceso y e(t)
es un ruido blanco de media cero. A, B y C son los siguientes polinomios en el operador
de desplazamiento hacia atrás z −1 :
donde ŷ(t + j | t) es la predicción óptima j pasos hacia delante de la salida del proceso
con datos conocidos hasta el instante t, N1 y N2 son los horizontes mı́nimo y máximo
de coste, N u es el horizonte de control y δ(j) y λ(j) son las secuencias de ponderación
mientras que w(t + j) es la futura trayectoria de referencia, que se puede calcular según
se muestra en la figura 8.5. En muchas situaciones se considera δ(j) igual a 1 y λ(j)
constante.
1 = Ej (z −1 ) 4 A + z −j Fj (z −1 ) (9.6)
−1 −j −1
1 = Ej (z )Ã + z Fj (z )
Supóngase que se utiliza el mismo procedimiento para obtener Ej+1 y Fj+1 , es decir,
dividir 1 entre Ã(z −1 ) hasta que el resto se pueda factorizar como z −(j+1) Fj+1 (z −1 ) con
Está claro que solamente es necesario dar un paso más en la división para obtener
los polinomios Ej+1 y Fj+1 . Al ser Ej+1 el nuevo cociente de la división, será igual al
CAPÍTULO 9. CONTROLADORES PREDICTIVOS 145
cociente que habı́a hasta el momento (Ej ) más un nuevo término, que será el fj,0 pues
el divisor (Ã) es mónico. Por tanto:
Ej+1 (z −1 ) = Ej (z −1 ) + ej+1,j z −j con ej+1,j = fj,0
Teniendo en cuenta que el nuevo resto será el resto anterior menos el producto del
cociente por el divisor, los coeficientes del polinomio Fj+1 se pueden expresar como:
fj+1,i = fj,i+1 − fj,0 ãi+1 i = 0 · · · na
Donde
ŷ(t + d + 1 | t) 4u(t)
ŷ(t + d + 2 | t)
4u(t + 1)
y = .. u= ..
. .
ŷ(t + d + N | t) 4u(t + N − 1)
g0 0 ... 0
g1 g0 ... 0
G = .. .. .. ..
. . . .
gN −1 gN −2 ... g0
z(Gd+1 (z −1 ) − g0 )
2
z (Gd+2 (z −1 ) − g0 − g1 z −1 )
G0 (z −1 ) = ..
.
z N (Gd+N (z −1 ) − g0 − g1 z −1 − · · · − gN −1 z −(N −1) )
Fd+1 (z −1 )
−1
Fd+2 (z −1 )
F(z ) = ..
.
Fd+N (z −1 )
Al depender los últimos términos de la ecuación (9.9) sólo del pasado, pueden
agruparse en f, dando lugar a:
y = Gu + f (9.10)
Obsérvese que es la misma expresión que se obtuvo para el dmc, aunque en este
caso la respuesta libre es distinta.
donde:
H = 2(GT G + λI)
b = 2(f − w)T G
f0 = (f − w)T (f − w)
u = −H−1 bT (9.14)
Debido al uso de la estrategia deslizante, sólo se aplica realmente el primer elemento del
vector u, repitiendo de nuevo el mismo procedimiento al siguiente instante de muestreo.
La solución propuesta involucra la inversión (o al menos la triangularización) de una
matriz de dimensión N × N , lo cual conlleva una gran carga de cálculo. El concepto ya
usado en otros métodos de horizonte de control se emplea con la finalidad de reducir
la cantidad de cálculo, asumiendo que las señales de control permanecerán en un valor
constante a partir del intervalo N u < N . Por tanto la dimensión de la matriz que hay
que invertir queda reducida a N u × N u, quedando la carga de cálculo reducida (en el
caso lı́mite de N u = 1, se reduce al caso escalar) aunque restringiendo la optimalidad.
E1 (z −1 ) = 1 F1 (z −1 ) = 1,8 − 0,8z −1
Con estos valores y el polinomio B(z −1 ) = 0,4 + 0,6z −1 , los elementos Gi (z −1 ) resultan
ser:
Como sólo se necesita el valor de 4u(t) para los cálculos, sólo se emplea realmente la
primera fila de la matriz, con lo que resulta la siguiente expresión para la ley de control:
Al igual que en el dmc todo lo visto para el caso de sistemas con una sola entrada
y una sola salida se puede extender al caso multivariable, aunque los cálculos son más
complejos.
En la práctica todos los procesos están sujetos a restricciones. Los actuadores tienen
un campo limitado de acción impuesto por lı́mites fı́sicos (por ejemplo una válvula no
puede abrir más de un 100 % o un calentador no puede aportar más de su potencia
máxima. También existen lı́mites de seguridad (por ejemplo presiones o temperaturas
máximas), requerimientos tecnológicos (por ejemplo mantener temperaturas en un ran-
go dado), limitaciones de calidad del producto (no salirse de cierta zona) o normativa
medioambiental.
151
152 RESTRICCIONES EN CONTROL PREDICTIVO
P
Pmax
P1
P2
t Q1 Q2 Q
u(t+1) u(t+1)
u max u max
uc u uc u
a) b)
Para formular el algoritmo mpc con restricciones hay que expresar éstas en función
de la variable sobre la que se puede actuar, es decir, en función de u. Las restricciones
en la entrada están ya expresadas en función de u y para las restricciones en la salida
se hace uso de las ecuaciones de predicción que expresan el valor futuro de las salidas
en función de las señales de control futuras y valores conocidos en el instante t.
y = Gu + f
por lo que tanto entradas como salidas se pueden expresar en función del vector de
incrementos de la señal de control.
U ≤ u(t) ≤ U ∀t
u ≤ u(t) − u(t − 1) ≤ u ∀t
y ≤ y(t) ≤ y ∀t
1 U ≤ T u + u(t − 1) 1 ≤ 1 U
1u ≤ u ≤ 1u
1y ≤ Gu + f ≤ 1y
Restricciones duras como aquéllas que no se pueden violar bajo ningún concepto.
En este grupo se incluyen las restricciones relacionadas con la operación segura
del proceso.
CAPÍTULO 10. OTROS ASPECTOS DEL CONTROL PREDICTIVO 155
Restricciones blandas, que son aquéllas que pueden ser violadas en un momento
dado por no ser cruciales, pero la violación se penaliza en la función objetivo
como un término más. Es una forma de relajar la restricción.
Resulta evidente que la carga de cálculo será considerable, ya que hay que encontrar
la solución resolviendo el algoritmo iterativo en cada periodo de muestreo. Normalmente
el esfuerzo está justificado por el beneficio económico obtenido al trabajar más cerca del
punto de operación óptimo. Para resolver el problema qp existen diversos algoritmos
suficientemente probados.
En cualquier caso es un tema muy abierto, sobre todo si se quieren considerar las
incertidumbres en el modelo y los temas asociados con la factiblidad.
Las soluciones no factibles aparecen con mayor frecuencia en casos en que el óptimo
se encuentre cerca de las restricciones y el sistema esté sujeto a perturbaciones, llevando
a la salida a regiones prohibidas”.
CAPÍTULO 10. OTROS ASPECTOS DEL CONTROL PREDICTIVO 157
Límites físicos
Restricciones reales
Límites de operación
Es decir, el gestor de restricciones calculará los lı́mites reales (los que se envı́an al
algoritmo qp) en base a los lı́mites de operación pero sin salirse nunca de los lı́mites
fı́sicos, según se observa en la figura 10.3.
2. Eliminación de restricciones.
3. Relajación de restricciones.
4. Otras técnicas.
2. Eliminación de restricciones
Eliminación jerárquica En este caso sólo se eliminan las restricciones que provocan
problemas de incompatibilidad. En este método se asigna en la etapa de diseño una
prioridad a cada restricción, que da un grado de importancia relativa de dicha restric-
ción frente a las otras. Esta prioridad se usará para clasificar las restricciones de una
forma jerárquica (se asigna un número que indica su posición en la jerarquı́a). De este
modo, cada vez que haya problemas de factibilidad o existencia de solución el gestor
de restricciones va eliminando por orden las restricciones menos prioritarias hasta que
se restablece la factibilidad de la solución, que se chequea cada periodo de muestreo
para reinsertar restricciones que hubieran sido temporalmente eliminadas.
3. Relajación de restricciones
4. Otras técnicas
Existen técnicas que se basan en la manipulación del horizonte mı́nimo de las restric-
ciones. Algunos controladores industriales como el qdmc usan el concepto de constraint
window. La constraint window comienza en algún punto en el futuro y continúa hasta
el estado estacionario. Si existe dinámica del tipo de fase no mı́nima, se pueden mejorar
las prestaciones desplazando la ventana hacia el futuro, lo que equivale a ignorar las
restricciones duras en la salida durante la fase inicial de la respuesta.
160 RESTRICCIONES EN CONTROL PREDICTIVO