Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Electrónica
TESIS DOCTORAL
presentada por
Director de tesis:
Dr. Enrique Quintero-Mármol Márquez
´Indice de figuras v
Simbologı́a utilizada en el documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Equivalencia simbólica por fuentes bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Siglas utilizadas en el documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
1. Introducción 1
1.1. El control PID en la industria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Control avanzado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Sistemas autosintonizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Supervisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. El trabajo de tesis desarrollado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.3. La estructura de la propuesta de solución . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.4. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2. Control Adaptable 11
2.1. Modelo del proceso continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Modelo del proceso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3. El regulador autosintonizable (STR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4. Estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1. Mı́nimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2. Mı́nimos cuadrados recursivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3. Parámetros con variación en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.4. Identificabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.5. Excitación persistente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.6. Convergencia de la estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.7. La deriva paramétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5. La asignación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6. Diseño de la asignación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7. Controlador autosintonizable por asignación de polos (Wellstead) . . . . . . . . . . . . . . 28
2.8. El control de varianza mı́nima generalizado (Clarke) . . . . . . . . . . . . . . . . . . . . . 31
2.9. Acerca del controlador predictivo generalizado (Clarke) . . . . . . . . . . . . . . . . . . . 36
i
3.3. Estabilidad del controlador de varianza mı́nima generalizado con asignación dinámica de
polos (GMVDPAC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Análisis de estabilidad del GMVPAC para sistemas de segundo orden . . . . . . . . . . . 44
3.5. Estabilidad del GMVDPAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5.1. Asignación dinámica de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5. Resultados y Aplicaciones 81
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Implementación y evaluación general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2.1. Implementación del GMVDPAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3. Manejo del retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4. Ejemplo numérico de implementación del GMVDPAC . . . . . . . . . . . . . . . . . . . . 87
5.5. Evaluación general del desempeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.1. El lote de plantas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.2. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5.3. Evaluación del desempeño por proceso . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5.4. Resultados generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.6. Control de velocidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.7. Control de posición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.8. Control de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.9. Plataforma de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.10. Interfaz de usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.11. Pruebas con el sistema integrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6. Conclusiones 121
6.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
ii
I ANEXO A 127
iii
iv
Índice de figuras
v
4-4. Figura 4.4: LGR del modelo estimado de primer orden. . . . . . . . . . . . . . . . . . . . . . . 60
4-5. a) Comportamiento de la estimación segundo orden b) Traza de la matriz de covarianza c) Deter-
minante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . 61
4-6. LGR del modelo estimado de segundo orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4-7. a) Comportamiento de la estimación tercer orden b) Traza de la matriz de covarianza c)
Determinante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . 62
4-8. LGR del modelo estimado de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4-9. LGR del modelo de estimación de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4-10. Múltiplo valor porcentual en el actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4-11. Señal de control saturada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4-12. Obtención del retardo del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4-13. Representación genética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4-14. Estructura del PID Genético Directo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4-15. Lı́mites de saturación del actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4-16. a) Seguimiento de la referencia del sistema cuando es controlado con el PID genético directo b)
Función de aptitud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4-17. Relación tiempo de ejecución del algoritmo versus número de generaciones. . . . . . . . . . . . . 71
4-18. Relación IAE promedio obtenida versus número de generaciones. . . . . . . . . . . . . . . . . . 72
4-19. Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutación. . . . 73
4-20. a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la dirección de las flechas
muestran la dirección de la migración de los polos en función del tiempo, b) proyección ε., Las X
representan la ubicación de polos definida por T, c) Asignación de los polos con respecto al tiempo,
los trapezoides representan la proyección ε. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4-21. Comportamiento del sistema cuando los parámetros iniciales del control adaptable son propor-
cionados por el procedimiento de inicialización. . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4-22. Comportamiento de los polos en lazo cerrado cuando los parámetros iniciales del control adaptable
son proporcionados por el procedimiento de inicialización . . . . . . . . . . . . . . . . . . . . . 77
4-23. Arranque del sistema bajo el control de respaldo . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4-24. Falla provocada al definir los polos de T fuera del cı́rculo unitario . . . . . . . . . . . . . . . . . 78
4-25. Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del cı́rculo unitario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4-26. Conmutación al modo respaldo por la falla provocada. . . . . . . . . . . . . . . . . . . . . 79
vi
5-13. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de
la perturbación fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-14. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbación
fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-15. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbación
fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5-16. Puntaje acumulado para seguimiento a la referencia . . . . . . . . . . . . . . . . . . . . . . . . 103
5-17. Puntaje acumulado para el esfuerzo de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5-18. Puntaje acumulado para el cambio de carga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5-19. Control de velocidad usando el GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5-20. Comportamiento de la estimación, a) Parámetros de la estimación, b) Función de salida generalizada. 105
5-21. Motor de CD Buehler con reducción de velocidad. . . . . . . . . . . . . . . . . . . . . . . . . . 106
5-22. Control de posición de una banda transportadora usando GMVDPAC (seguimiento). . . . . . . . 106
5-23. Control de posición de una banda transportadora usando GMVDPAC (regulación). . . . . . . . . 107
5-24. Comportamiento de la estimación, a) Parámetros de estimación, b) Traza de la matriz de covarianza. 107
5-25. Controlador de temperatura Honeywell DC1020 . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-26. Figura 5.26. Proceso de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-27. Control del DC1020 a) Regulación, b) Señal de control. . . . . . . . . . . . . . . . . . . . . . . 109
5-28. Control GMVDPAC, (a) Regulación, (b) Señal de Control. . . . . . . . . . . . . . . . . . . . . 110
5-29. Figura 5.29. Plataforma de aplicación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5-30. Interfaz grafica del controlador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5-31. Excitación del sistema durante la inicialización, a) Respuesta del proceso, b) Señal de excitación. . 112
5-32. Estimación recursiva para el modelo interno de primer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5-33. Estimación recursiva para el modelo interno de segundo orden, a) Comportamiento de los parámet-
ros de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5-34. Estimación recursiva para el modelo interno de tercer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5-35. Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Señal de control. 117
5-36. Estimación recursiva durante el control adaptable, a) Parámetros de estimación, b) Traza de la
matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5-37. Control GMVDPAC aplicando al control de posición de una banda transportadora prototipo du-
rante cambios de carga, a) Seguimiento a la referencia, b) Señal de control. . . . . . . . . . . . . 118
5-38. Estimación recursiva durante el control adaptable cuando existen cambios de carga, a) Parámetros
de estimación, b) Traza de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . 118
5-39. Simulación del controlador PID para el individuo más apto, a) Seguimiento a la referencia, b)Proceso
evolutivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5-40. Control PID genético directo aplicado al control de posición de una banda transportadora prototipo,
a) Seguimiento a la referencia, b) Señal de control. . . . . . . . . . . . . . . . . . . . . . . . . . 120
5-41. Conmutación entre controladores GMVDPAC y PID genético directo en el segundo 100,
Seguimiento a la referencia, b) Señal de Control. . . . . . . . . . . . . . . . . . . . . . . . . . . 120
vii
Simbologı́a utilizada en el documento
y Salida del proceso
ϕ Vector de regresión
Φ Matriz de regresores
E r Vector residuo
ε Residuo de la estimación
P x Matriz de covarianza
E Matriz de Sylvester
M p Sobreimpulso máximo
t s Tiempo de establecimiento
ξ Coeficiente de amortiguamiento
h Periodo de muestreo
viii
τ Constante de tiempo
E f Esfuerzo de control
C Polinomio de la perturbación
E x Esperanza matemática
∂ Frontera de estabilidad
∆RLS Diferencia entre la posición de polo y cero redundante durante la estimación RLS
ix
Kp Ganancia proporcional del PID ISA
x
Equivalencia simbólica por fuentes bibliográficas
Variables utilizadas Allidina [1] Clarke [19] Wellstead [82] Åström [4] Tesis
Polinomio de orden n asociado a la A A A A A
salida del sistema; a0 = 1
Polinomio de orden m asociado a la B B B B B
entrada del sistema
Polinomio de orden n asociado a una C C C C C
secuencia aleatoria no correlaciona-
da; c0 = 1
Entrada al sistema u u u u u
Salida del sistema y y y y y
Referencia del sistema w w r r
Función de salida generalizada φ φ φ yf φ
Polinomio costo para la salida del P P P P∗ P
sistema
Polinomio costo para la entrada del Q Q Q Q∗ Q
sistema
Polinomio costo para la referencia R R R R
del sistema
Polinomio general para la salida del G G G S∗ G
sistema
Polinomio general para la entrada H H F R∗ H
del sistema
Polinomio general para la referencia E E H E
del sistema
Polinomio general de la secuencia F F E R ∗1 F
aleatoria
Polinomio general de la ubicación de T T Ac T
polos
Secuencia aleatoria no correlaciona- ξ ξ e e e
da de media cero
Åström presenta en [4] el control de varianza mı́nima generalizado como una variante del control autosin-
tonizable generalizado directo. En esta fuente no se presenta simbologı́a asociada a la referencia, por que
sólo se analiza el caso de minimización de varianza en la salida.
xi
Siglas utilizadas en el documento
PID Proporcional + Integral +Derivativo (control)
PE Excitado persistentemente1
1
por sus siglas en inglés
xii
Capı́tulo 1
Introducción
El vı́nculo entre el control de procesos y el desarrollo de la tecnologı́a ha sido tan estrecho, que ha
trascendido incluso el papel de mera herramienta tecnológica [14]. Algunos ejemplos del profundo impacto
del control de procesos en la historia reciente, pueden encontrarse en el transcurrir de la Segunda Guerra
Mundial: en 1940 las refinerı́as en Estados Unidos producı́an tan sólo 30 000 barriles diarios, mientras que
al finalizar la guerra, la producción habı́a aumentado hasta alcanzar los 580 000 barriles [83]; la demanda
de combustible para los aviones militares forzó a la industria de la refinación a incorporar avances del
control de procesos, como es el costo de los primeros controladores PID neumáticos [11], que en ese
momento histórico no gozaban de una buena aceptación en la industria [12]. Por su parte, la sı́ntesis
del uranio 235 en el proyecto Manhattan hubiera sido imposible sin el control de flujo desarrollado por
Taylor, para el altamente explosivo hexafluorido de uranio [83]; incluso el desarrollo del radar, considerado
como pieza clave en la victoria de los aliados, recibió un gran impulso de los estudios precursores sobre
el control en tiempo discreto [40].
En la actualidad el control de procesos representa una industria multimillonaria, tan sólo en el 2003 se
vendieron 9200 mdd en sistemas de control distribuido alrededor del mundo, y se estima que esta cifra
ascienda a los 10 300 mdd para el 2007 [70]. Hoy en dı́a existen factores comunes que determinan la
adopción por parte de la industria de nuevas tecnologı́as de control, entre las que pueden enumerarse:
La reducción de costos,
La calidad del producto guarda una estrecha relación con el control de procesos, por lo que mejorar el
desempeño de este último, debe ser una tarea prioritaria. La mejora del desempeño del control puede
lograrse a través de una cuidadosa inversión en infraestructura [25], lo cual es poco viable en muchos
casos [48]; alternativamente la incorporación de estrategias de control que se adapten adecuadamente al
proceso puede significar una mejora a las condiciones de operación vigentes; por ejemplo, la apreciación
de la divisa japonesa ante el dólar en la década de 1990, obligó a la industria japonesa a una reducción
drástica de costos, para mantener ası́ su competitividad. Entre las estrategias implantadas exitosamente
para hacer frente a ésta problemática, estuvieron la evaluación y la adopción de tecnologı́as innovadoras
en el control de procesos, en sustitución del control convencional instalado. Consecuentemente, hoy en
dı́a la industria japonesa cuenta con la mayor relación de control no convencional instalado en el mundo
[77].
1
1. Introducción
Economı́a. Actualmente se puede conseguir un controlador PID digital de campo con autosintonización
por menos de 100 dólares,
Confiabilidad. El desempeño del control PID ha estado a prueba por décadas, con resultados favorables
en un amplio espectro de aplicaciones,
Simplicidad. A pesar de que la sintonización del control PID puede ser llevada a cabo analı́ticamente,
es su carácter intuitivo [90] el que le ha ganado la mayor parte de sus adeptos en la industria; sólo
la lógica difusa en tiempos recientes [18] ha logrado competir con el control PID en este rubro.
Se estima que aproximadamente el 95 % de los lazos de control en el mundo usan controladores PID [4];
aunque, también se estima que más del 30 % de dichos lazos opera en modo manual, mientras que otro
porcentaje similar opera con las ganancias por defecto configura el fabricante del controlador [24]. Las
principales causas de dicha situación se enumeran a continuación:
2
1.3 Sistemas autosintonizables
consecuentes. El nivel de adopción del control avanzado ha dependido del tipo de industria y del lugar
donde ésta se encuentre. En Japón por ejemplo, el control inteligente ha ganado un espacio importante
[77], mientras que en Estados Unidos la adopción de estas mismas tecnologı́as ha sido moderada [18],
[10]. En Japón, técnicas como el control LQG, filtros de Kalman, H infinito y primordialmente el control
inteligente representan cerca del 10 % del control en la industria, lo cual significa un máximo histórico;
ya que, a principios de la década de los noventa, la participación de estas estrategias en Japón era
prácticamente nula.
Por su parte en Europa, particularmente en Gran Bretaña y Suecia, el control adaptable ha tenido
una participación discreta en el mercado, pero constante por más de dos décadas [69]. Los niveles de
desempeño de estos controladores han ganado espacios donde los estándares de producción son muy
altos; espacios que se han ido ampliando debido a la naturaleza cada vez más competitiva del mercado
europeo.
El control adaptable es particularmente útil, cuando por diversas causas el proceso está sujeto a cambios
en las condiciones de operación y se requiere mantener una homogeneidad en el desempeño del lazo.
En particular, el control autosintonizable, es la estrategia de control adaptable que mayor penetración
ha tenido en el control de procesos industriales. Los sistemas autosintonizables hallaron inspiración en
los desarrollos que Kalman realizó para el control computarizado de procesos, mientras trabajaba para
DuPont [3].
Narendra en [54] define control autosintonizable como: “Dada una planta que es conocida imprecisamente,
el problema del control adaptable puede ser definido cualitativamente como el de diseñar un controlador,
el cual, resulte en un desempeño satisfactorio. Si la planta es invariante en el tiempo, nosotros podemos
hablar acerca del problema de autosintonización, cuando el problema es uno de regulación o seguimiento.
Estrictamente hablando, nosotros podemos llamar al problema en el cual las caracterı́sticas de la planta
varı́an lentamente con el tiempo y el controlador trata de alcanzar un desempeño satisfactorio, como
el problema de adaptación. En la mayorı́a de la literatura publicada, es el problema de sintonización
el que se discute, y el problema de adaptación es tratado como uno de control robusto en presencia de
perturbaciones paramétricas”. Wellstead por su parte menciona en [82]: “...Especı́ficamente la idea de un
ajuste autosintonizable fue concebida originalmente, como un medio de manejar la sintonización inicial
de un controlador o filtro para sistemas y fuentes de señal, los cuales son invariantes en el tiempo pero
desconocidos”. El primer sistema de control autosintonizable que vio la luz en 1973, fue propuesto por
K. J. Åström y B. Wittenmark [6], pero no fue sino hasta la década de 1980, cuando varios controladores
autosintonizables salieron al mercado, aunque debido a la capacidad de cómputo disponible en aquel
momento, la adaptación no podı́a ser una tarea permanente del controlador.
Durante los últimos 20 años, la capacidad de cómputo ha mejorado en proporciones geométricas, lo cual
ha permitido una significativa reducción de costos. Hoy en dı́a, existen plataformas tecnológicas sobre las
cuales puede implementarse casi cualquier estrategia de control con relativa flexibilidad y economı́a, como
es el caso de los sistemas embebidos de propósito general, con plataformas de programación flexibles o
bien de los controladores de automatización programables (PAC) [79]. Ya que en la actualidad se puede
pasar por alto la limitación computacional, la disyuntiva de realizar la optimización de parámetros en
un sistema autosintonizable de forma permanente o no, prácticamente ha desaparecido.
Una forma ilustrativa de reconocer el estado de la práctica del control autosintonizable, es mediante
la revisión de las patentes relacionadas (U.S. patents). En la Tabla 1.1 se presentan algunas patentes
de controladores autosintonizables presentadas expresamente por fabricantes de controladores [87], es
importante mencionar que varias de estas propuestas utilizan como estructura de control central un PID.
3
1. Introducción
Las patentes presentadas en la Tabla 1.1, están relacionadas con productos de control destinados al
“propósito general”, ya sea como controladores de campo o software asociado. Es importante mencionar
que el hecho de que las patentes se concedieran, no implica necesariamente que la compañı́a involucrada
las explote comercialmente. En la Tabla 1.2 se presentan diferentes aplicaciones particulares del control
autosintonizable, y como puede apreciarse, sobresale el uso de este tipo de controladores en la industria
automotriz.
En relación a la estructura de control abordada en la tesis (y sobre la cual se propone una modificación),
se enumeran patentes vinculadas al control de varianza mı́nima generalizado (GMVC) en la Tabla 1.3.
4
1.3 Sistemas autosintonizables
5
1. Introducción
1.4. Supervisión
Los primeros sistemas SCADA (Supervisory Control and Data Acquisition) que incorporaron HMI (Hu-
man Machine Interface) salieron al mercado a finales de la década de 1970 como una respuesta a la
demanda de supervisión en los procesos [76]. Con el avance tecnológico, los procesos fueron incremen-
tando también su nivel de complejidad y se hizo necesario el desarrollo de sistemas de vigilancia de
menor tamaño y con mayor eficiencia que los existentes. Los sistemas SCADA actuales, posibilitan al
operario acceder a las variables del proceso casi instantáneamente; sin importar, la distancia a la que
se encuentren. Un SCADA es una herramienta muy valiosa en el control de procesos, pues permite una
panorámica general del proceso, facilitando ası́, la toma de decisiones.
La supervisión es una tarea fundamental para darle certidumbre a la operación del proceso. La supervisión
puede ser activa; es decir, que puede llevarse a cabo de forma autónoma al operario; o pasiva, cuando el
sistema provee al operario con elementos de juicio para que este último tome las decisiones [53].
Si lo que se desea es alcanzar ciertos niveles de autonomı́a en el control de procesos, es fundamental
que los lazos de control sean confiables y la supervisión de estos lazos en diversos niveles, puede ser una
solución efectiva.
En particular, los controladores autosintonizables empleados en la industria han incorporado como ele-
mento necesario un lazo de supervisión en la operación del sistema. A principios de la década de 1980,
se despertó un gran interés en la aplicación industrial de diversas técnicas de control autosintonizables;
sin embargo, surgieron dificultades puesto que a los ojos de personal no especializado en el tema, el
comportamiento dinámico de un controlador autosintonizable se apreciaba extraño y en consecuencia
podı́a considerarse poco digno de confianza. En este clima de incertidumbre inicial algunos trabajos emi-
tieron recomendaciones sobre la implementación de controladores autosintonizables en la práctica [84].
Una solución propuesta por Isermann para proveer de confiabilidad a un control autosintonizable, fue
la anexión de un lazo de supervisión activo al control [39]. Dicha propuesta basaba su funcionamiento
en la detección de la violación de precondiciones, las cuales son aquellos requerimientos necesarios para
el adecuado funcionamiento del sistema. En [39], la supervisión se realiza en los tres puntos que según
el autor son los más sensibles de un control autosintonizable: desempeño del controlador, calidad de la
estimación y estabilidad del lazo cerrado. Isermann incluyó un módulo de arranque para el controlador
al cual denominó inicializador. La importancia del inicializador para controladores autosintonizables, se
ve remarcada en los trabajos de Lundh-Åström [46], y Hägglund-Åström [31], donde el inicializador es
considerado un subsistema del supervisor. En [31] y [46] se hace mención del módulo de supervisión que
6
1.5 El trabajo de tesis desarrollado
utiliza la serie ECA de controladores adaptables de campo, los cuales son fabricados por ABB. El super-
visor utilizado por la serie ECA, basa su funcionamiento en diversos desarrollos heurı́sticos asociados al
análisis de la respuesta a la frecuencia [30]. La señal de la que se obtiene la información en la serie ECA,
es la respuesta del proceso cuando se cierra el lazo con un relevador realimentado [32]. La inicialización
basada en el uso del relevador realimentado, encuentra su principal limitación en procesos donde algunos
o todos los polos del sistema se encuentran en el eje imaginario y/o en el semiplano derecho del lugar
geométrico de las raı́ces (LGR), pues en estas circunstancias no es posible garantizar la existencia de un
ciclo lı́mite [2], [34].
1.5.1. Objetivos
Diseñar y construir un controlador autosintonizable, capaz de superar satisfactoriamente durante
su operación, perturbaciones en los parámetros de la planta.
Diseñar y construir un sistema de soporte al controlador autosintonizable, para expandir sus rangos
de confiabilidad y autonomı́a
1.5.2. Justificación
Actualmente hay poco control adaptable instalado en la industria, debido principalmente a su complejidad
implı́cita. El trabajo de tesis presentado, se justifica debido a que es una propuesta para simplificar la
operación y facilitar la implementación práctica de un controlador adaptable subóptimo.
7
1. Introducción
publicadas, sólo los principios generales se dan en publicaciones abiertas”, mientras que en [5] donde se
discute el futuro del control PID se menciona: “La mayorı́a del conocimiento acerca del control PID ha
estado disponible por largo tiempo. Desafortunadamente éste está siendo enterrado en la información
propietaria de los proveedores”. Esta situación representó una motivación extra para el desarrollo de una
metodologı́a abierta para la construcción de controladores autosintonizables supervisados.
El desarrollo en general de la tesis puede dividirse en dos partes fundamentales: desarrollo del control
autosintonizable y construcción del sistema de soporte para el controlador. En el diagrama a bloques de
la Figura 1-1 se ilustra la estructura jerárquica del sistema desarrollado.
El control adaptable: Es el control principal del sistema y está constituido por un GMVDPAC [59],
La etapa de inicialización es esencial para el funcionamiento autónomo del sistema, en el trabajo de tesis
se desarrolló un procedimiento de inicialización [64], que mediante la interpretación y manipulación de
ciertas variables medidas ajusta las siguientes condiciones de operación del sistema:
4. Factor de olvido,
8
1.5 El trabajo de tesis desarrollado
Por otro lado, con el módulo de supervisión se incrementa el nivel de confianza en la operación del
sistema, a través de la evaluación del desempeño del proceso y la toma de decisiones.
Las variables de supervisión contempladas por el sistema desarrollado son:
9
1. Introducción
10
Capı́tulo 2
Control Adaptable
La idea central del control adaptable es modificar la ley de control, en función de posibles cambios
asociados al proceso, con el fin de obtener un desempeño homogéneo en presencia de dichos cambios.
Las estructuras de control adaptable son diversas [8]. En el presente capı́tulo se estudian algunos regu-
ladores autosintonizables (grupo al cual pertenece el controlador propuesto en esta tesis), a través de la
revisión de sus etapas esenciales: estimación, diseño del controlador y control.
y (n) (t) + a1 y n−1 (t) + ... + an y (t) = b0 u(m) + b1 u(m−1) (t) + bm u (t) (2.1)
∆ di ∆ di
donde y(i) (t) = y (t) , y u(i) (t) =
dti
u (t) ; u (t) es la variable asociada a la entrada del proceso,
dti
mientras y (t) es la variable asociada a la salida del proceso, los coeficientes ai , bj , i=1,2,...,n, j=0,1,...,m,
son constantes donde n y m son constantes enteros. Para obtener la función de transferencia del sistema
(2.1), se toman las transformadas de Laplace de ambos miembros de la ecuación (2.1) asumiéndose
condiciones iniciales cero,
¡ n ¢ ¡ ¢
s + a0 sn−1 + ... + an Y (s) = b0 sm + b1 sm−1 + ... + bm U (s) (2.2)
donde s es la variable de Laplace. La función de transferencia de (2.2) es definida entononces como:
Definición 2.1 El polinomio caracterı́stico del sistema es el polinomio A (s) de la ecuación (2.3).
Definición 2.3 El polinomio caracterı́stico es Stodola si todos sus coeficientes son positivos definidos.
11
2. Control Adaptable
Definición 2.6 Se dice que dos polinomios A (s) y B (s) son coprimos si no tienen raı́ces comunes.
El hecho de que A (s) y B (s) sean coprimos, es una caracterı́stica que cobra importancia desde diversos
ángulos en éste trabajo, pues por un lado define si hay cancelación entre polos y ceros, lo cual implica
repercusiones en cuanto a controlabilidad y/u observabilidad [15], ası́ como el posible impacto en la tarea
del modelado [13] y en los procesos de estimación paramétrica [85]. La caracterı́stica coprima puede
establecerse a partir del Lema 2.1.
Lema 2.1. (Identidad de Bezout). Dos polinomios A (s) y B (s) son coprimos si y sólo si, existen
polinomios α (s) y β (s) , tal que:
demostración en [38].
B (z)
G (z) = (2.6)
A (z)
donde
12
2.4 Estimación
El adjetivo de autosintonizable, enfatiza la propiedad que tienen estos controladores para sintonizar
automáticamente sus propios parámetros, para de ésta manera obtener las propiedades deseadas del
sistema en lazo cerrado.
En la Figura 2-1 pueden apreciarse claramente las etapas principales en un STR. La configuración de la
etapa de estimación determina el tipo de STR del que se hable; un STR explı́cito es aquel en el cual se
tiene un modelo interno del proceso a controlar y en el cual se estiman a partir de las señales del proceso,
los parámetros del modelo. El modelo estimado se emplea para un diseño de control, que como resultado
arroja los parámetros del controlador, que pueden dependiendo del diseño original, actualizarse con cada
muestreo o a partir de eventos definidos por el diseñador. Por su parte un STR implı́cito, involucra
una etapa de preprocesamiento de las señales de la planta para estimar directamente los parámetros
del control, es decir, el proceso de diseño del control subyace implı́cito en la etapa de estimación. En lo
referente a la etapa del diseño de control, se define por los requerimientos del sistema.
En las siguientes secciones se profundiza en cada etapa del control autosintonizable.
2.4. Estimación
Los mı́nimos cuadrados recursivos (RLS) con factor de olvido exponencial [8], fueron utilizados como
método de estimación en todas las estructuras de control adaptable a las que se hace referencia en este
trabajo.
y (i) = ϕ1 (i) θ01 + ϕ2 (i) θ02 + ... + ϕn (i) θ0n = ϕT (i) θ0 (2.8)
donde y en este caso es la variable observada, θ01 , θ02 , ..., θ 0n , son parámetros del modelo que ha de ser
determinado, y ϕ1 , ϕ2 , ..., ϕn son variables conocidas que pueden depender de otras variables conocidas.
Para (2.8) se definen los vectores
£ ¤
ϕT (i) = ϕ1 (i) ϕ2 (i) ... ϕn (i) (2.9)
£ ¤T
θ0 = θ01 θ02 ... θ0n
13
2. Control Adaptable
El vector ϕ es usualmente denominado regresor. El problema de los mı́nimos cuadrados es determinar los
parámetros que hagan que la salida de (2.8), sea lo más cercana posible a la salida medida del sistema;
los parámetros θ deben elegirse para minimizar la función costo:
1P t ¡ ¢2
V (θ, t) = y (i) − ϕT (i) θ (2.10)
2 i=1
Debido a que la variable medida y es lineal en los parámetros θ y el criterio de los mı́nimos cuadrados es
cuadrático, el problema permite una solución analı́tica, teniendo:
£ ¤T
Y (t) = y (1) y (2) ... y (t) (2.11)
£ ¤T
Er (t) = ε (1) ε (2) ... ε (t)
ϕT (1)
·
Φ (t) = :
T
ϕ (t)
µ t ¶−1
£ T ¤−1 P T
Px (t) = Φ (t) Φ (t) = ϕ (i) ϕ (i)
i=1
1P t 1 1
V (θ, t) = ε2 (i) = ErT Er = kEr k2 (2.13)
2 i=1 2 2
La función de la ecuación (2.10) es mı́nima para los parámetros θ̂, tal que:
ΦT Φθ̂ = ΦT Y (2.15)
demostración en [8].
14
2.4 Estimación
Asuma que la matriz Φ (t) tiene rango completo, esto es ΦT (t) Φ (t) es no singular para todo t ≥ t0 . Dado
¡ ¢−1
θ̂ (t0 ) y Px (t0 ) = ΦT (t0 ) Φ (t0 ) , el estimado de mı́nimos cuadrados entonces satisface las ecuaciones
³ ´
θ̂ (t) = θ̂ (t − 1) + K (t) y (t) − ϕT (t) θ̂ (t − 1) (2.17)
¡ ¢−1
K (t) = Px (t) ϕ (t) = Px (t − 1) ϕ (t) I + ϕT (t) Px (t − 1) ϕ (t)
¡ ¢−1 T
Px (t) = Px (t − 1) − Px (t − 1) ϕ (t) I + ϕT (t) Px (t − 1) ϕ (t) ϕ (t) Px (t − 1)
¡ T
¢
= I − K (t) ϕ (t) Px (t − 1)
donde K(t) es la ganancia del estimador y sus componentes son factores de ponderación, que indican
cómo la correlación y el estimado previo pueden ser combinados. Demostración en [8].
Teorema 2.3. Estimación con mı́nimos cuadrados con factor de olvido exponencial.
Asuma que la matriz Φ (t), tiene rango completo para t > t0 . Los parámetros θ, los cuales minimizan la
ecuación (2.18), son dados por:
³ ´
θ̂ (t) = θ̂ (t − 1) − K (t) y (t) − ϕT θ̂ (t − 1) (2.19)
¡ ¢−1
K (t) = Px (t) ϕ (t) = Px (t − 1) ϕ (t) λI + ϕT Px (t − 1) ϕ (t)
¡ ¢
Px (t) = I − K (t) ϕT Px (t − 1) /λ
Demostración en [8].
2.4.4. Identificabilidad
La identificabilidad es una condición esencial, para establecer la confiabilidad en los parámetros de
estimación. El problema de la identificabilidad consiste en establecer si un único resultado de la estructura
de identificación concuerda con los valores verdaderos del sistema.
La matriz de covarianza guarda una relación fundamental con esta propiedad, ya que es necesario que
Px sea invertible como condición necesaria. En la práctica la no identificabilidad de los parámetros del
modelo se debe principalmente a la correlación de los elementos en el vector de datos, lo cual resulta en
la singularidad de la matriz de covarianza [56].
La identificabilidad para el caso SISO puede plantearse a partir del siguiente Teorema 2.4 [44].
15
2. Control Adaptable
B (q) C (q)
A (q) y (t) = u (t) + e (t) (2.20)
F (q) D (q)
con θ definido de (2.8), siendo los coeficientes de los polinomios involucrados. Los grados de los
polinomios son na , n b y ası́ sucesivamente. Esta estructura modelo es globalmente identificable en
θ̂, si y sólo si las siguientes condiciones prevalecen:
P
t
cov (k) = lı́m u (i) u (i − k) (2.22)
t−→∞i=1
Una señal u es llamada persistentemente excitada (PE) de orden n, si los lı́mites de (2.22) existen y si la
matriz covn dada por (2.21) por definición positiva.
1 Pt
U = lı́m (A (q) u (K))2 > 0 (2.23)
t−→∞ t K=1
16
2.4 Estimación
Del Teorema 2.5 se puede deducir que una delta de Dirac no es una excitación persistente, un escalón es
una excitación persistente de orden 1, una señal senoidal es una señal de excitación persistente de grado
2, mientras que una señal periódica con periodo n, es una excitación persistente de grado n [8].
La matriz ΦT Φ es conocida como la matriz de excitación, debido a su relación con el Teorema 2.5. ΦT Φ,
está relacionada con la identificabilidad debido a que para tener al menos una excitación persistente de
grado 1, se requiere que la matriz de excitación sea linealmente independiente.
(i) La propiedad 1 corresponde a la identificabilidad del sistema y es esencial para alcanzar los objetivos
de control. Es importante notar que la propiedad 1 no implica que la propiedad 2 sea cierta (o
viceversa),
Rohrs et al. mostró en [72], la existencia de dos operadores que son inherentes al mecanismo de adaptación
a casi todas las estructuras de control adaptable. Según Rohrs estos operadores tienen ganancia infinita, lo
cual desemboca en los casos de inestabilidad antes mencionados. La principal implicación de este problema
es que la excitación persistente no garantiza la estabilidad en el lazo adaptable. Cabe mencionar que el
17
2. Control Adaptable
18
2.5 La asignación de polos
además de los propios lı́mites operativos del proceso. A diferencia del control PID, que opera a través de
una minimización del error, el diseño por asignación de polos depende de una adecuada “parametrización”;
además, si las condiciones de operación del proceso fueran afectadas por una perturbación de parámetros,
el desempeño del sistema en lazo cerrado podrı́a verse afectado. Debido a lo anterior la asignación de
polos como estrategia, puede fortalecerse cuando se le utiliza dentro de una estructura control adaptable.
En la literatura se exponen varias formas de realizar la asignación de polos [57]. Considerando el manejo
de funciones de transferencia, la ubicación de polos por enfoque polinomial es la alternativa más adecuada.
Considerando la ecuación (2.6) definimos el polinomio de asignación de polos como:
Donde D (z) es un polinomio de grado 2n − 1, con todas sus raı́ces dentro del cı́rculo unitario.
La identidad de Bezout, descrita en el Lema 2.1, cuenta con un número infinito de soluciones [38]. Por
otro lado, si en lugar de tener una solución unitaria se opta por una solución de la forma (2.26), se tiene:
La ecuación (2.27) es conocida como la ecuación Diofantina donde los polinomios α (z) y β (z) se definen
como:
El número de soluciones para (2.27) es ahora finito. Una forma sistemática y confiable para hallar la
solución a la ecuación (2.27), es mediante el planteamiento y solución de la matriz de Sylvester, la cual
tiene una dimensión de 2n x 2n. Sea la matriz de Sylvester E:
an 0 ... 0 bn 0 ... 0
an−1 an ... 0 bn−1 bn ... 0
· ·
: an−1 ... 0 : bn−1 ... 0
· · · ·
a1 : : b1 : :
∆
E= 1 a1 ... an b0 b1 ... bn (2.29)
0 1 ... an−1 0 b0 ... bn−1
· · · · · ·
: : : : : :
0 0 ... a1 0 0 ... b1
0 0 ... 1 0 0 ... b0
Teorema 2.6. (Teorema de Sylvester): dos polinomios A (z) y B (z) son coprimos, si y sólo si su matriz
de Sylvester E es no singular, prueba en [38].
Del Teorema 2.6, se puede decir que la matriz de Sylvester tiene una solución única para un polinomio
dado D (z) cuando A (z) y B (z) son coprimos, por lo que se hace hincapié en lo siguiente:
Si se desea llevar a cabo una asignación de polos efectiva, se requiere que el modelo identificado
esté correctamente dimensionado,
Cuando se utiliza la matriz de Sylvester como forma de solución de (2.27), para realizar un control
por asignación de polos, es fundamental para lograr dicha asignación que los polinomios A (z) y
B (z) sean coprimos y que además el polinomio de asignación de polos tenga un orden máximo de
2n − 1 (ver ecuación (2.25)) y sea lineal e invariante en el tiempo.
19
2. Control Adaptable
Precisamente para lograr la solución de la matriz de Sylvester, se requiere el planteamiento del vector de
asignación D como:
d2n−1
d2n−2
·
D= :
(2.30)
d1
d0
y el vector de solución denominado M como:
αn−1
αn−2
·
:
α0
M = (2.31)
β n−1
β n−2
·
:
β0
Entonces los coeficientes α0 , α1 , ... αn−1 y β 0 , β 1 , ..., β n−1 se pueden determinar a partir de:
M = E −1 D (2.32)
El control por ubicación de polos, puede relacionarse con la ecuación (2.27) a través del diagrama a
bloques que se muestra en la Figura 2-2.
El polinomio de asignación puede descomponerse de diversas formas con diferentes propósitos, como por
ejemplo:
D (z) = DA (z) DB (z) (2.34)
El desempeño del controlador representado en la Figura 2-2 puede degradarse en la presencia de ceros,
sobre todo, si están cerca del origen en el lugar geométrico de las raı́ces (LGR). La ecuación (2.34)
20
2.5 La asignación de polos
puede configurarse en algunos casos para lograr la cancelación de ceros [33], si el diseñador evalúa que
es conveniente en presencia de perturbación en los parámetros. Este método no se recomienda cuando
existen ceros en el origen [17], aunque dada situación es inusual en procesos industriales.
0.04696z + 0.04551
G1 (z) = (2.38)
z 2 − 1.818z + 0.9105
Para este ejemplo, se desea que al cerrar el lazo el sistema sea 30 % más rápido que en lazo abierto y no
supere el 20 % de sobreimpulso, por lo que la asignación de polos se propone como:
En la Figura 2-3 se presenta un comparativo entre la respuesta al escalón del sistema en lazo abierto y
el sistema deseado en lazo cerrado.
0.9105 0 0.0455 0
-1.818 0.9105 0.0469 0.0455
E=
(2.40)
1 -1.818 0 0.0469
0 1 0 0
Nota: En la ecuación (2.40) se presentan los datos truncados por cuestiones de espacio.
21
2. Control Adaptable
Figura 2-3: Respuesta al escalón del sistema en lazo abierto y del sistema en lazo cerrado deseado
0.999
0
M =
−0.785
(2.41)
0.003126
De tal forma, el lazo cerrado de realimentación en la Figura 2-2 está dado por:
La ecuación (2.42) es una función de transferencia impropia; sin embargo, cuando se obtiene el lazo
cerrado:
α (z) β (z)
GLC (z) = (2.43)
α (z) A (z) + β (z) B (z)
(2.43) es propio.
Finalmente para lograr el seguimiento a la referencia, la ganancia se obtiene de (2.33) como:
K0 = 0.217978
En la Figura 2-4 se presenta la respuesta al escalón del proceso (2.38) cuando se aplica el esquema
representado en la Figura 2-2, con la referencia unitaria.
22
2.6 Diseño de la asignación de polos
D (z) = d0 z + d1 (2.44)
Debido a que (2.44) tiene una sola raı́z, puede suponerse que estará dentro del cı́rculo unitario y que su
posición deberá permitir una respuesta dinámica más rápida que en lazo abierto, en la mayorı́a de las
aplicaciones. La decisión de en qué proporción deberá hacerse más rápida la respuesta en lazo cerrado
depende de las necesidades de control.
Considere la ecuación caracterı́stica continua que define al proceso a controlar como:
A (s) = τ s + 1 (2.45)
donde τ es la constante de tiempo del sistema, mientras que el polinomio de asignación de polos continuo
se define a su vez como la relación de (2.46)
D (s) = τ d s + 1 (2.46)
τ d = KD τ (2.47)
23
2. Control Adaptable
KD es una ganancia menor a la unidad, utilizada para elegir una constante de tiempo para el sistema
en lazo cerrado, usando como referencia la constante de tiempo en lazo abierto. Mientras menor sea la
ponderación KD , mayor será el esfuerzo de control definido por la integral en el tiempo del cuadrado de
la entrada de control
Z t
Ef = u2 dt (2.48)
0
Con el fin de discretizar (2.46) y alcanzar la forma (2.44), se utiliza un mapeo directo de polos de la
forma:
z = esh (2.49)
Por su parte el caso discreto (2.48) puede aproximarse como:
w
X
Ef = u2 (t) (2.50)
t=1
donde w, es el número de muestreos para una medición dada. El esfuerzo de control guarda una relación
directa con las capacidades y el tiempo de vida de los actuadores, por lo que debe ser contemplado
durante el diseño de la asignación de polos.
Ejemplo 2.2. Suponga que para el proceso, cuyo modelo es la función de transferencia de primer orden
1
G (s) = (2.51)
s+1
se diseña un control por asignación de polos para lograr diversas constantes de tiempo en lazo cerrado,
cuando h=0.05 segundos como se muestra en la Figura 2-5.
En la Figura 2-6 se presenta la señal de control para cada valor diferente τ d . Como se puede observar en
la Figura 2-6, a medida que se impone una mayor velocidad de respuesta al desempeño en lazo cerrado,
mayor será la amplitud inicial de la señal de control.
24
2.6 Diseño de la asignación de polos
Figura 2-5: Respuestas en lazo cerrado del sistema controlado, para diferentes constantes de tiempo deseadas.
Figura 2-6: Diferentes señales de control u para diferentes constantes de tiempo deseadas.
En la Figura 2-7a), se grafica el máximo valor de la señal de control contra el τ d relacionado, como se
puede observar, la relación obedece a un envolvente exponencial. La Figura 2-7a), guarda una relación
con el máximo rango de operación del actuador, mientras que en la Figura 2-7b) se presenta el esfuerzo
de control descrito en la ecuación (2.50) para ω =100 muestreos, lo cual guarda relación con el tiempo
de vida del mismo actuador
25
2. Control Adaptable
Figura 2-7: a) Máxima señal de control contra constante de tiempo deseada, b) Esfuerzo de control contra constante
de tiempo deseada.
26
2.6 Diseño de la asignación de polos
s
(ln (Mpd ))2
ξd = (2.55)
π 2 + (ln (Mpd ))2
y de:
4,6
ω nd = (2.56)
ξ d tsd
Después que (2.53) ha sido definido, se le discretiza por mapeo usando (2.49), o si se tiene completamente
definida una función de transferencia deseada, a través del uso de un ZOH.
Con lo que se obtiene la asignación discreta de polos de la forma:
D (z) = d0 z 2 + d1 z + d2 (2.57)
Finalmente cuando la asignación deseada de polos es de tercer orden se propone el polinomio:
¡ ¢
D (s) = s2 + 2ξ d ω nd s + ω 2nd (s + pe ) (2.58)
Como puede observarse (2.58) conserva relación con (2.53). Si se desea obtener la mı́nima afectación
dinámica dispuesta por ξ d y ω nd , pe debe elegirse el semiplano izquierdo, lejano al eje imaginario. La
elección de pe es un compromiso entre la dinámica deseada y el esfuerzo de control, puesto que a medida
que pe se aleja del eje, el esfuerzo de control crece.
Ejemplo 2.3. Suponga el sistema de tercer orden que representa el modelo lineal de tres reactores
acoplados descrito en [47]:
0.125
G (s) = 3 (2.59)
s + 3s2 + 3s + 1
suponga que se desea una respuesta más rápida que en lazo abierto sin superar un sobreimpulso máximo
aproximado del 10 %, por lo que se propone:
El polinomio tiene dos polos complejos en -0.8738±1.192i y un polo en -87.38 ubicado 100 veces más lejos
del eje imaginario que el componente real de los polos complejos conjugados, con la finalidad de que este
polo tenga la menor influencia dinámica posible.
Discretizando (2.59) utilizando un ZOH a 20 Hertz se tiene que
En la Figura 2-8a) se observa que al aplicar el control por la ubicación de polos, para (2.62) en la respuesta
dinámica, hay un sobreimpulso negativo. Otra propuesta de ubicación de polos alterna se define como:
27
2. Control Adaptable
como puede observarse en la Figura 2-8b), el lazo cerrado para (2.64) no tiene sobreimpulso negativo.
Alternativamente puede realizarse una asignación de segundo orden con las caracterı́sticas dinámicas
equivalentes, como por ejemplo:
D (z) = z 2 − 1.9111z − 0.9163 (2.65)
Evitando ası́, el sobreimpulso negativo al elegir la ubicación de polos de segundo orden descrita por la
ecuación (2.63).
De lo observado en el Ejemplo 2.3, hay que recalcar la importancia de la elección del polinomio D(z)
cuando n D = 3.
¤
28
2.7 Controlador autosintonizable por asignación de polos (Wellstead)
Ya que se desea lograr que la salida de la planta siga una referencia dada, dentro de un esquema de
asignación de polos, los polinomios de control designados en este caso como H, G y E requieren ser
diseñados. En la Figura 2-9 se presenta un diagrama que incorpora la estructura adaptable completa
(considerando la etapa de identificación) para el STPAC.
HA + z −k BG (2.68)
En el caso del STPAC la asignación deseada de polos es definida por el polinomio T (en sustitución de
D para el caso adaptable).
Cuando k = 1, la ecuación (2.66) toma la siguiente forma:
Combinando el controlador definido por la ecuación (2.67) con la ecuación del proceso (2.69), se tiene:
Si se desea que el lazo cerrado tenga un comportamiento asociado a la posición de polos definida por T ,
se requiere resolver la identidad polinomial:
HA + z −1 BG = T C (2.71)
29
2. Control Adaptable
Para lograr una solución única para (2.71) es necesario que nh y ng se elijan como:
nh = nb (2.73)
ng = na − 1
EB H
y (t) = r (t − 1) + e (t) (2.75)
TC T
El precompensador E se elige para alcanzar un ajuste con la ganancia de baja frecuencia del sistema,
mediante la aplicación del teorema del valor final (ver ecuación (2.33))
· ¸
T
E=C (2.76)
B z=1
ÂĤ + z −1 B̂ Ĝ = ĈT
T (1)
Ĥ = Ĉ
B̂ (1)
Paso 3: Generar la salida de control u (t) de:
En el caso donde existen ceros fuera del cı́rculo unitario; es decir, cuando el sistema es de fase no mı́nima
se procede a resolver la ecuación identidad bajo la siguiente modificación
HA + z −1 BG = CT B + (2.77)
30
2.8 El control de varianza mı́nima generalizado (Clarke)
donde X es un polinomio conocido con inversa estable y los grados de A, B son nα , y nβ respectivamente
(nα 6= 0) .
Dados los estimadores Â, B̂ en el tiempo t, el control u (t) generado de:
ÂĤ + z −1 B̂ Ĝ = XT (2.81)
si
Ĥ → H y Ĝ → G asintóticamente
la propiedad de autosintonı́a prevalece si H y G satisfacen la identidad:
A0 H + z −1 B0 G = C0 T (2.82)
En [82] se presentan un conjunto de condiciones suficientes para satisfacer a (2.82) en todos los puntos
de convergencia.
donde P, Q y R son los denominados polinomios costo, utilizados para modificar el desempeño del control.
La labor de los polinomios costo es filtrar la referencia, el control y la salida. Esta realimentación permite
rehubicar las raı́ces en lazo abierto de B a la ubicación de las raı́ces de PB+QA, ya que sustituyendo la
ecuación del sistema en (2.83), se obtiene :
P B + QA PC
φ (t + k) = u (t) + e (t + k) − Rr (t) (2.84)
A A
La función costo a ser minimizada es la varianza de la salida generalizada:
£ ¤
J = Ex φ2 (t + k) (2.85)
En la ecuación (2.83) puede observarse que en un tiempo t, Qu (t) y Rr (t) , pueden conocerse; por otro
lado P y (t + k) está desplazado en el tiempo al igual que la propia salida generalizada, por lo que la
ecuación (2.85) puede dividirse en dos secciones: la primera está relacionada a la acción de control y la
segunda a la perturbación, tal que:
PC G
e (t + k) = F e (t + k) + e (t) (2.86)
A A
donde el polinomio F es relativo a la perturbación futura y la relación G/A relativa a las perturbaciones
31
2. Control Adaptable
P C = F A + z −k G (2.87)
si P es mónico,
Ay (t + k) = Bu (t) + Ce (t + k) (2.89)
y sustituyendo FA de (2.87),
La función costo minimiza el primer término del lado derecho de la ecuación a 0. El GMVC está dado
por:
(BF + QC) u (t) = −Gy (t) + CRr (t) (2.93)
o bien,
Hu (t) + Gy (t) + Er (t) = 0 (2.94)
donde:
H = BF + QC
E = −CR
z −k BR (BF + QC)
y (t) = r (t) + e (t) (2.95)
P B + QA (P B + QA)
32
2.8 El control de varianza mı́nima generalizado (Clarke)
De (2.95) puede apreciarse que si Q = 0, ambos miembros de la ecuación tienen como factor común B,
en el numerador y en el denominador, de esta forma se canceları́an los ceros.
Cuando se desea lograr el seguimiento a la referencia debe cumplirse la siguiente condición:
BR
|z=1 = 1 (2.96)
P B + QA
el análisis presentado muestra una equivalencia entre (2.83) y (2.92). Esta equivalencia es la idea central
detrás de un control GMVC.
Partiendo de la equivalencia se asume que si se cuenta con (2.83) conocido (es decir, se han propuesto
de alguna manera los polinomios P, Q y R) se pueden estimar de (2.83) los polinomios de control H,
G y E, basados en esta suposición se eliminan los cálculos de los polinomios de control, ya que éstos se
estiman directamente de (2.83) y la estructura se vuelve implı́cita.
La equivalencia entre (2.83) y (2.92) es clara en lo referente a los valores de la salida generalizada, pero no
en cuanto a estructura, por lo cual el funcionamiento del GMVC depende de que Ĥ, Ĝ y Ê converjan a
valores constantes y después que éstos sean los verdaderos. La convergencia de los parámetros permanece
como una posibilidad [82], pero no puede establecerse, en el posible caso de que los parámetros converjan,
la manera en que lo hacen.
A continuación se sintetiza el algoritmo de control para el GMVC.
En un tiempo t
Paso 1. Proponer de alguna forma los polinomios costo y formar la pseudo salida φ (t)
33
2. Control Adaptable
Figura 2-11: Diagrama a bloques del GMVC implementado como una estructura adaptable.
suponga que el sistema es muestreado, eligiendo h=0.5 segundos, al aplicar un ZOH se tiene la función
de transferencia
1.129z + 1.038
G (z) = 2 (2.100)
z − 1.562z + 0.7788
se proponen valores para la función costo de la forma:
por el momento, en este ejemplo no se plantea la forma en que estos polinomios son propuestos.
De (2.101) se construye la función de salida generalizada como:
Se sabe que a partir de (2.102) se tienen que estimar los polinomios de control Ĥ, Ĝ y Ê.
Para continuar con el análisis, se considera que se trabaja con la estructura de estimación RLS. Si lo que
se quiere es estimar los mismos coeficientes que conforman el polinomio (2.102), el regresor tendrı́a la
forma:
ϕ1 (t) = [y (t) , −y (t − 1) , u (t − 1) , −r (t − 1)] (2.103)
pero lo que se desea no es encontrar P̂, Q̂ y R̂ sino Ĥ, Ĝ y Ê. Considerando la estructura equivalente de
la función de salida generalizada de la ecuación (2.92) para el caso F = 1, se tiene:
Se puede observar que la relación (2.104) incluye a las variables del sistema, pero con configuración
34
2.8 El control de varianza mı́nima generalizado (Clarke)
diferente, lo cual resultarı́a en un vector regresor diferente a (2.103). Si se reconstruyera (2.104) a partir
de los polinomios costo estimados, considerando (2.88) y luego (2.94) se tendrı́a:
considerando un proceso de estimación RLS, el vector de regresión necesario para estimar los polinomios
de control tendrı́a la forma:
Lo que resulta adecuado en el diseño del control, repercute en el proceso práctico de estimación. Pues si
se estiman los polinomios de control de (2.102) se requiere aplicar (2.106). De (2.106) se puede observar
dos cosas; que la estructura del regresor es diferente y que (2.106) es de dimensión mayor; es decir, la
estimación de los polinomios de control está sobredimensionada. Desde el punto de vista de control se
espera que la estructura RLS opere como un predictor de orden mı́nimo, pero desde la perspectiva de
la identificación la estimación sobredeterminada puede representar un gran problema [85]. En la Figura
2-12 se presenta el control del sistema para el Ejemplo 2.4 y el proceso de estimación involucrado.
En la Figura 2-12a) se observa un desempeño del control satisfactorio, a pesar de que los parámetros
estimados varı́an como puede observarse en la Figura 2-12b), pero al hacerlo conjuntamente, las relaciones
en la ley de control pueden prevalecer constantes sin afectar grandemente el desempeño del sistema en
lazo cerrado (ver Figura 2-12a)). Al observar el comportamiento de la estimación de los parámetros de
control, se concluye heurı́sticamente que puede haber más de una solución válida, pues el comportamiento
de los parámetros de estimación delata una dependencia lineal, que guarda relación con la estimación
sobredeterminada.
El GMVC presenta un desempeño satisfactorio en la mayor parte de los casos; sin embargo, habrá que
considerar que la estimación sobredeterminada representa un riesgo permanente al desempeño del sistema
en lazo cerrado.
35
2. Control Adaptable
Su carácter predictivo,
En el siguiente capı́tulo se presenta una propuesta de control asociada al GMVC. Para la sı́ntesis del algo-
ritmo propuesto se consideró que el carácter predictivo del algoritmo de Clarke, no tenı́a una contribución
determinante al desempeño del controlador, ya que el horizonte de predicción es de orden mı́nimo. Esta
consideración llevo a una modificación en la que desaparece del algoritmo propuesto la etapa de predic-
ción y se lleva a cabo una reestructuración algorı́tmica que permite al GMVC pasar de su tradicional
estructura implı́cita a una explı́cita.
Dicha modificación orientó el desarrollo del trabajo de tesis hacia una vertiente diferente al del GPC,
pues en éste último existe un horizonte de predicción que puede ser construido de diferentes formas y
dimensiones [21], permitiendo el manejo de cierto nivel de incertidumbre sobre el proceso (y consecuente-
mente sobre el desempeño del sistema), mientras que en la modificación del GMVC, el objetivo principal
es asegurar un nivel de desempeño en la salida, reduciendo la incertidumbre mediante la anexión de una
etapa de inicialización y otra de supervisión. Por lo anteriormente expresado se consideró oportuno com-
parar al algoritmo propuesto en este trabajo, con el algoritmo original GMVC y el STPAC de Wellstead
(como podrá apreciarse en el Capı́tulo 3), sin considerar dentro del marco de pruebas al GPC.
36
Capı́tulo 3
3.1. Introducción
A pesar de que la formulación original del GMVC incorporó propuestas de control innovadoras, es impor-
tante mencionar que este algoritmo presenta un conjunto significativo de limitaciones prácticas. Como
puede apreciarse en la sección 2.8, los polinomios costo de la función de salida generalizada φ, deben
diseñarse fuera de lı́nea y aunque éstos pueden proponerse de varias formas (lo cual implica flexibilidad),
se requiere que el diseñador tenga cierto conocimiento sobre el proceso a controlar (lo cual implica depen-
dencia). Además si el proceso es susceptible a perturbaciones en los parámetros, el desempeño general del
sistema controlado podrı́a degradarse con respecto a las proyecciones iniciales de desempeño, pudiendo
en algunos casos llegar a poner en entredicho la estabilidad del lazo cerrado. De tal forma que el GMVC
puede usarse adecuadamente y con buenos resultados en aplicaciones particulares, donde existe suficiente
información del proceso, pero no se pueden tener amplios márgenes de confiabilidad cuando se tiene poca
información del proceso, como serı́a el caso que tienen que enfrentar los controladores industriales de
campo.
A pesar de las desventajas mencionadas, los niveles de desempeño (subóptimos) ofrecidos por el GMVC,
posicionan a este controlador como una opción muy atractiva. Un intento por sortear las desventajas
anteriormente mencionadas se presentó por primera vez en [1]; sin embargo, el algoritmo en cuestión
depende de la propuesta arbitraria de los polinomios costo y presenta serios problemas de convergencia
[82].
En [51], se encuentra una alternativa para solucionar el problema de la inicialización de parámetros
mediante una modificación en el diseño del controlador; en esta propuesta los parámetros del control no
se estiman de la función de salida generalizada, sino que se calculan a partir de una estimación de señales
prefiltradas asociadas a los parámetros de la planta.
En años recientes, el interés sobre el GMVC se ha incrementado, lo cual se puede atestiguar al encontrar
en la literatura un creciente número de modificaciones, extensiones y aplicaciones de dicho algoritmo, a
continuación se presentan algunos de los casos más representativos:
37
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
y recientemente
Si se desea que los polinomios costo P y Q de φ (t) , se diseñen para lograr una asignación de polos
determinada, se dice que se tiene un controlador de varianza mı́nima generalizado con asignación de
polos (GMVPAC). Entonces los polinomios costo se obtienen de la solución de la ecuación diofantina:
38
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos
En la búsqueda de una mejor solución se desarrolló un algoritmo de control que comparte con el STPAC
la estimación de la planta y con el GMVC la estructura de control, el cual se explicará a detalle en la
siguiente sección.
En un tiempo t
Paso 1. Usando RLS estimar los polinomios del proceso Â, B̂ y Ĉ.
Paso 2. Calcular P y Q de:
B̂P + ÂQ = T
Paso 3. Con P y Q calcular directamente los parámetros del controlador Ĥ, Ĝ y Ê de;
P C = F A + z −K G
H = BF + QC
E = −CR
donde R se obtiene para lograr el seguimiento a la referencia de la aplicación del teorema del valor final
B̂R
|z=1 = 1
P B̂ + QÂ
39
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
40
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos
Ejemplo 3.1. Con el fin de ejemplificar la aplicación del algoritmo y analizar sus propiedades se presenta
la función de transferencia de la planta
1
G (s) = e−0.1s (3.2)
s2 + 2s + 1
Aplicando una discretización con un retenedor de orden cero, con un periodo de muestreo h=0.1 segundos
y añadiendo una perturbación, el sistema (3.2) se puede expresar como la ecuación diferencia
Varianza de la perturbación de 0.0000123, la cual al interactuar con la dinámica del sistema provoca
que la salida tenga variaciones sobre la referencia de aproximadamente 10 %,
De la ecuación (3.3) se puede establecer que los valores a los cuales el sistema debe converger son:
θ = [θ (0) , θ (1) , θ (2) , θ (3) , θ (4)] = [1.81, 0.8187, 0.004679, 0.004377, 1.0] (3.4)
Para este caso se diseña la asignación de polos para 10.7 % de sobreimpulso máximo como
En la Figura 3-4, se presenta una comparación entre el lazo abierto y el sistema en lazo cerrado con la
ubicación de polos (3.6). Para la asignación de polos definida y considerando (3.3), se tienen los polinomios
costo:
P = −8.6058z + 8.6665 y Q = 1.040266 (3.7)
41
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
Figura 3-4: Comparación del sistema en lazo abierto y la respuesta deseada demarcada por la ecuación 3.6.
Figura 3-5: a) Seguimiento de la referencia del sistema cuando es controlado con un GMVDPAC, b) Señal de
control.
En la Figura 3-5a) se presenta el seguimiento de la referencia por la salida del proceso. Se puede observar
que el sistema obedece a la señal de control sólo después de unos pocos segundos, lo cual se debe al
proceso de estimación, como se puede ver en la Figura 3-6.
42
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos
Figura 3-6: a) Evolución de los parámetros de estimación en función del tiempo, b) Desempeño de la traza de la
matriz de covarianza.
La traza de la matriz de covarianza puede considerarse como una medida de confiabilidad en la estimación.
La identificabilidad está en riesgo si la magnitud de la traza de Px crece sin cota. En la Figura 3-6b) se
muestra que la traza del proceso de estimación se mantiene alrededor de un valor constante.
A continuación se resumen las ventajas fundamentales de la estructura a la que se ha denominado
controlador de varianza mı́nima generalizado con asignación dinámica de polos (GMVDPAC).
Los polinomios costo se actualizan en lı́nea en función de los parámetros estimados de la planta (lo
cual es beneficioso si los parámetros sufren perturbaciones),
Los márgenes de estabilidad en el GMVDPAC se modifican en lı́nea para enfrentar posibles per-
turbaciones en los parámetros del proceso (lo cual se revisa en secciones subsecuentes),
Desde la perspectiva del análisis algorı́tmico el GMVDPAC es más simple (Figura 3-2) que la propuesta
de la modificación al GMVC presentada en la Figura 3-1, ya que ésta requiere de 2 estimaciones recursivas
de parámetros y una solución de una ecuación diofantina en lı́nea, mientras que el GMVDPAC lleva a
cabo una estimación en lı́nea y la solución de 2 ecuaciones diofantinas. Si se parte del hecho de que una
estimación basada en mı́nimos cuadrados recursivos requiere de:
43
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
P B + QA = T (3.10)
es necesaria para la obtención de los polinomios P y Q.
El diagrama a bloques de la Figura 3-7, representa conceptualmente el control GMVPA cuando los
polinomios costo se obtienen de (3.10) para una asignación de polos determinada.
BQ
GLC = (3.11)
P B + QA
El enfoque del algoritmo original GMVC propuesto por Clarke [19], está orientado a sistemas lineales
invariantes en el tiempo y no contempla incertidumbres paramétricas; es decir, que el diseño de este
controlador asume que los parámetros del proceso no tienen variaciones, por lo que los polinomios costo
P y Q son constantes durante el proceso de control. De (3.11) se puede suponer que si A y B son los
polinomios de un sistema lineal invariante en el tiempo con incertidumbres paramétricas y durante el
proceso de control los parámetros de la planta sufren una desviación con respecto a los originales, la
identidad (3.10) no se cumplirá.
44
3.4 Análisis de estabilidad del GMVPAC para sistemas de segundo orden
Las estructuras de segundo orden son un caso muy representativo del control de procesos industriales.
Es una recomendación común en la implementación de STR’s, la anexión de una etapa de filtrado para
poder manipular el proceso con una dinámica dominante de segundo orden.
Aunque el controlador tiene una estructura discreta en su implementación, sólo para fines del análisis de
estabilidad se emplea un equivalente continuo.
P (s) = p0 s + p1 (3.13)
Q (s) = 1
y asumiendo el parámetro K fijo en la ecuación (3.12), entonces, la zona de estabilidad de la planta
(3.12) ante perturbaciones en los parámetros a1 y a2 , en lazo cerrado con el controlador definido por los
polinomios costo (3.13), es la zona E cuyas fronteras están definidas por:
∂a1 = −p0 K
∂a2 = −p1 K
B (s) K
= 2 (3.14)
A (s) s + a1 s + a2
Para (3.14) n=2, de lo que nA = n y nB = n − 2, se diseña un controlador GMVPAC donde nT = n, si
se tiene que nP = n − 1 y nQ = n − 1, entonces los polinomios costo P y Q pueden expresarse como:
P (s) = p0 s + p1 (3.15)
Q(s) = q0 s + q1
45
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
Â=A,
˜ B̂ =B,
˜ Ĉ =C
˜ (3.16)
entonces:
nT = 2 =⇒ q0 = 0
finalmente
s2 + s (p0 K + a1 ) + p1 K + a2 (3.20)
Y ya que (3.14) no contempla retardos en el transporte, se obtiene un cálculo de las fronteras de estabilidad
a partir del criterio de Routh aplicado a (3.20):
s2 1 p1 K + a2
1
s p0 K + a1 (3.21)
s0 p1 K + a2
para que el sistema en lazo cerrado sea estable, es condición necesaria y suficiente que:
p0 K + a1 > 0 (3.22)
p1 K + a2 > 0
donde ∂ es utilizado aquı́ para indicar la frontera de estabilidad dada y la Lema 3.1 está probada.
¤
A continuación se presenta un ejemplo para ilustrar el Lema 3.1
46
3.4 Análisis de estabilidad del GMVPAC para sistemas de segundo orden
Si los valores de los elementos están dados por: L=8.4572 Henrios; C=.004523 Faradios; R=69.02119
Ohmios.
Ya que la función de transferencia definida para el circuito de la figura es:
Eo (s) 1/LC
= 2 (3.24)
Ei (s) s + R/Ls + 1/LC
La función de transferencia para este caso es:
26.14
G(s) = (3.25)
s2 + 8.161s + 26.14
Suponga que se desea tener una dinámica del sistema en lazo cerrado, tal que:
Q (s) = 1 (3.28)
Entonces puede mostrarse la zona de estabilidad en la Figura 3-10.
47
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
Considerando (3.29) se simuló el control para (3.25) bajo las siguientes condiciones:
La amplitud de la varianza es arbitrariamente pequeña, para que la respuesta dinámica propuesta por
T sea evidente. En la Figura 3-11, se representa la respuesta a la referencia y la señal de control del
GMVPAC.
Suponga ahora que hay una variación en el valor nominal de la resistencia, tal que: R=37.5; de (3.24)
los nuevos coeficientes del sistema son a∗1 =4.434 y a∗2 =26.14. Este cambio en la resistencia provoca
que los coeficientes del sistema queden fuera de la zona de estabilidad, definida por los polinomios costo
diseñados originalmente para (3.25). En la Figura 3-12 se presenta el comportamiento del sistema cuando
R cambia.
48
3.5 Estabilidad del GMVDPAC
El desempeño mostrado en la Figura 3-12, remarca la limitación del algoritmo propuesto por Clarke,
donde los polinomios P y Q se diseñan de acuerdo a (3.10) (GMVPAC) cuando existen perturbaciones
en los parámetros.
¤
A continuación se revisa la zona de estabilidad asociada al algoritmo propuesto GMVDPAC.
Teorema 3.1. Para una planta con función de transferencia de lazo abierto G(s):
K
G (s) = (3.30)
s2 + a∗1 s + a∗2
en la cual los parámetros a∗1 y a∗2 están sujetos a perturbaciones del tipo:
49
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
T (s) = s2 + t1 s + t2 (3.33)
T (s) = s2 + t1 s + t2 (3.39)
Por su parte en el GMVDPAC, el cálculo de los polinomios costo se realiza en lı́nea a partir de  y
B̂ (suponiendo la convergencia en la estimación). Bajo este esquema, si existen perturbaciones en los
parámetros del sistema, el algoritmo recalcula los polinomios costo correspondientes a los parámetros
perturbados una vez que a∗1 y a∗2 se han estimado, por lo que es posible asumir:
a∗1 =â
˜ 1 y a∗2 =â
˜ 2 (3.40)
y los polinomios costo correspondientes para estos parámetros están dados por:
q1 1
q0 0
p1 = − 1 â2 + 1 t2 (3.41)
K K
p0 − K1 â1 + K1 t1
50
3.5 Estabilidad del GMVDPAC
Se sabe del Lema 3.1, que las fronteras de estabilidad para los parámetros del proceso están dadas por:
µ ¶
1 1
a1 = − − a∗1 + t1 K (3.43)
K K
µ ¶
1 1
a2 = − − a∗2 + t2 K
K K
a1 = a∗1 − t1 (3.44)
a2 = a∗2 − t2
De (3.55) se puede observar que si el polinomio T (s) cumple la condición de Stodola, las fronteras de la
estabilidad del GMVDPAC envuelven a la coordenada (a∗1 , a∗2 ), tal como puede apreciarse en la Figura
3-13.
Observación 3.1. Las magnitudes de ∆a1 , ∆a2 están limitadas en la práctica por la capacidad de
los actuadores y sensores; es decir, que aunque algoritmicamente es posible ampliar la zona de
estabilidad indefinidamente, la señal de control podrı́a alcanzar la saturación en algún punto.
51
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
En las secciones anteriores se han revisado algunos aspectos que guardan relación con la estabilidad
del GMVDPAC. Otra cualidad relevante del GMVDPAC, es la capacidad que el controlador poseé en
lo dinámico para sobreponerse a perturbaciones. Suponga ahora que existe una perturbación en los
parámetros; si (3.34) es considerado en:
BP + QA∗ (3.45)
BP + QA∗ = T (3.47)
Para revisar lo anterior en un caso real, el control propuesto para el circuito RLC del Ejemplo 3.2 fue
implementado en la práctica, considerando una variación en el valor de la resistencia en el segundo 30,
con el fin de generar una incertidumbre paramétrica.
En la Figura 3-15 se presenta el efecto de dicha variación, cuando se aplica el GMVPAC, como puede
observarse la respuesta dinámica se desvı́a del objetivo original. En la Figura 3-16 se presenta el fun-
cionamiento del GMVDPAC y se observa que la variación de R es compensada por la señal de control
para preservar el comportamiento delimitado por el polinomio T de consigna.
52
3.5 Estabilidad del GMVDPAC
53
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos
54
Capı́tulo 4
4.1. Introducción
Uno de los principales objetivos de la tesis es la operación autónoma del controlador. En este capı́tulo
se presenta el procedimiento desarrollado para proveer de arranque autónomo al controlador adaptable
presentado en el Capı́tulo 3. Además se expone el desarrollo de un controlador, usado para reemplazar
al control adaptable en caso de que este último presente comportamientos poco satisfactorios. El control
desarrollado en la tesis denominado GMVDPAC, presentado en el Capı́tulo 3, es una estructura con altos
niveles de confiabilidad, por lo que la inclusión de un control de respaldo busca principalmente expandir los
márgenes de autonomı́a del sistema. Del control de respaldo a su vez, se espera que sea capaz de mantener
un nivel de desempeño aceptable, ante un amplio espectro de condiciones de operación. También en este
capı́tulo se presenta el sistema de supervisión desarrollado para monitorear el desempeño del sistema en
su conjunto capaz de tomar decisiones de configuración del sistema.
55
4. Sistema de soporte al controlador
El procedimiento de inicialización se lleva acabo previamente a la acción de control. Como primer paso
de la inicialización, el sistema excita al proceso en lazo abierto, para obtener las señales de entrada y
salida del proceso, con el fin de ejecutar procedimientos RLS con modelos internos de diversos órdenes.
De los procedimientos de estimación recursiva se almacenan tanto las soluciones, como algunos aspectos
del desempeño del propio estimador. Con la información recabada durante el proceso de estimación se
realiza un análisis (el cual se describe en la siguiente sección), para obtener las variables de inicialización
necesarias para el control autónomo. En la Figura 4-1 se bosqueja el proceso de inicialización y se muestra
su vı́nculo con el proceso de sintonı́a del control de respaldo.
4.2. Inicialización
En el Capı́tulo 1 se mencionan brevemente otras técnicas de inicialización, como la desarrollada por Lundh
y Åström [46] basada en el análisis en frecuencia y la interpretación heurı́stica. En [46] se aprovechan las
señales de entrada y salida del sistema (producto de un proceso de autosintonización cuando se aplica un
relevador realimentado) para proveer de la información necesaria al sistema de arranque del controlador
autosintonizable mediante la interpretación heurı́stica del análisis espectral resultante. La limitación de
la técnica de dicho método, es que es funcional sólo para procesos asintóticamente estables.
Por otro lado, en el Capı́tulo 2 se abordan algunos aspectos de la naturaleza lineal de los RLS, como la
condición de que los procesos a estimar no tuvieran raı́ces comunes en el numerador y el denominador del
modelo del proceso. Como ya se comentó en el Capı́tulo 2, la no unicidad de la solución guarda relación
con la excitación persistente y con el sobredimensionamiento del modelo de estimación. Dicha situación
representa una inconveniencia de la estimación RLS; sin embargo, en un cambio de perspectiva, esta
situación se aprovecha por el método de inicialización propuesto en este trabajo. En [85],[86] se descri-
be un fenómeno que sucede en la estimación RLS cuando el modelo interno está sobreparametrizado,
consistente en la tendencia de colocar pares de polos y ceros en la misma posición para compensar el
sobredimensionamiento, y minimizar el residuo. Basados en tal premisa cuando se aplica RLS, puede
emitirse un diagnóstico aproximado acerca de si el sistema de estimación está sobredimensionado con-
siderando la evolución del RLS durante la estimación, por lo que si la estimación está sobredeterminada
debido a que el orden del modelo interno fue elegido de orden mayor al “real”, el modelo estimado no
tendrá carácter coprimo ni unicidad en la solución (ver Capı́tulo 2). Este fenómeno en los RLS inspiró un
proceso de inicialización que basa su funcionamiento en un sistema experto que discrimina entre modelos
internos a partir del fenómeno mencionado.
En la práctica diversas situaciones pueden provocar que el desempeño de un proceso de estimación
tenga variaciones en relación con el comportamiento esperado, en este sentido Narendra menciona en
[54]: “Me gustarı́a añadir a este escenario que en 30 años durante los cuales fueron llevadas a cabo
simulaciones extensivas ¡rara vez me he topado con situaciones (exceptuando ejemplos muy simples)
donde los parámetros convergen a los valores verdaderos!, incluso cuando la entrada de referencia es
PE (excitada persistentemente), los parámetros convergen tan lentamente que para fines prácticos no lo
hacen. Uno de los hechos sorprendentes es que a pesar de esto el error de salida del sistema dinámico
tiende a 0”. Por lo anterior para los fines del desarrollo de la estructura de inicialización presentada
en este capı́tulo, cobra relevancia el comportamiento cualitativo ante el cuantitativo en la práctica, para
establecer el sobredimensionamiento de la estimación, por lo que se considera más importante la tendencia
a la cancelación de raı́ces en el desempeño de la estimación, que la cancelación en si, o la inconsistencia
de estimación (que delata la no unicidad de la solución) que la vigilancia estrecha de los residuos.
En las siguientes secciones se presenta la metodologı́a propuesta para la inicialización de las variables
necesarias para la operación de la estructura de control, que para el caso del control adaptable persigue
la inicialización de las siguientes variables:
56
4.2 Inicialización
Factor de olvido,
Periodo de muestreo.
y (t) = a1 y (t − 1) + b0 y (t − 1) (4.1)
y (t) = a1 y (t − 1) + a2 y (t − 2) + b0 y (t − 1) + b1 y (t − 2)
y (t) = a1 y (t − 1) + a2 y (t − 2) + a3 y (t − 3) + b0 y (t − 1) + b1 y (t − 2) + b2 y (t − 3)
Sólo se utilizan tres modelos de primero, segundo y tercer orden, debido a que la dinámica dominante de
la mayorı́a de los sistemas puede ser sintetizada con estas estructuras [82] y a la vez evitar un aumento
excesivo del esfuerzo computacional.
Una vez que se tiene la información de las tres estimaciones recursivas se procede a realizar el proceso
de selección. El método propuesto es básicamente un procedimiento de discriminación.
La selección depende de cumplir tres criterios, en el orden de precedencia:
Criterio de error,
57
4. Sistema de soporte al controlador
donde r y s son el orden del numerador y el denominador del modelo de estimación respectivamente.
Si el modelo estimado es consistente [82] y s > n, entonces:
Q
m Q ³
r−m ´
K̂ (z − ĉi ) z − dˆi
i=1 i=1
Ĝ (z) = , m (r − m) ≤ n (s − n) , di ≈ qi (4.5)
Qn Q
s−n
(z − p̂i ) (z − q̂i )
i=1 i=1
La diferencia entre la posición del polo y el cero redundante puede definirse como:
RLS asigna los polos y ceros redundantes para capturar la dinámica del sistema, a la vez que el residuo
es minimizado. La magnitud de (4.6) está determinada por el tamaño del residuo y la excitación del
sistema. Como ya se mencionó, si el sistema está sobreestimado el modelo estimado no es coprimo. Esta
condición se usa para descartar modelos. Es importante mencionar que (4.5) es un resultado experimental
y que para que se cumpla tiene que existir la excitación persistente [8]. Si Px se vuelve singular indica la
correlación de parámetros y al igual que con el criterio de ubicación de polos se procede a descartar el
modelo. Este método no considera, el caso de ceros en el origen del modelo en lazo abierto.
Ejemplo 4.1. Para mostrar el efecto de cancelación de polos y ceros que se da cuando se usan
1
G (s) = (4.7)
s
Suponiendo un periodo de muestreo de h=0.1 segundos, se tiene el modelo discreto:
0.1
G (z) = (4.8)
z−1
A continuación se realiza en simulación la identificación RLS, usando los modelos discretos de primero,
segundo y tercer orden descritos por la ecuación (4.1), bajo las siguientes condiciones: λ =0.98, Px0 =
1000I, donde I es la matriz identidad y finalmente θ0m1 = (0.5, 0.5) , θ0m2 = (0.5, 0.5, 0.5, 0.5) , θ0m3 =
(0.5,0.5,0.5,0.5,0.5,0.5) , para las identificaciones deterministas RLS de primero, segundo y tercer orden
respectivamente. En la Figura 4-2a) se presenta la respuesta del sistema a la excitación de un tren de
pulsos cuadrados (ver Figura 4-2b)).
58
4.2 Inicialización
El proceso descrito por la ecuación (4.7), puede utilizarse para representar la posición angular en motores
de C.D., por lo que la forma de (4.7) es usual en el diseño de servos de posición. El modelo descrito por la
ecuación (4.7), no tiene ciclo lı́mite en presencia de un relevador realimentado [2], por lo que un método
de inicialización basado en este principio [46] no puede emplearse. En la Figura 4-3a) se presenta el
comportamiento de los parámetros de estimación con modelo interno de primer orden.
Figura 4-3: a) Comportamiento de la estimación primer orden b) Traza de la matriz de covarianza c) Determinante
de la inversa de la matriz de covarianza
59
4. Sistema de soporte al controlador
Figura 4-4: Figura 4.4: LGR del modelo estimado de primer orden.
Cuando se aplica la estimación LGR utilizando un modelo interno de segundo orden se obtienen los
resultados mostrados en la Figura 4-5
60
4.2 Inicialización
Figura 4-5: a) Comportamiento de la estimación segundo orden b) Traza de la matriz de covarianza c) Determi-
nante de la inversa de la matriz de covarianza.
De la aplicación de la estimación LGR, con un modelo interno de tercer orden, se presenta en la Figura
4-7a) el proceso de estimación en el tiempo, en la Figura 4-7b)
¡ −1 ¢ se observa que la traza Px crece conforme
pasa el tiempo, mientras que en la Figura 4-7c) det Px se acerca peligrosamente a cero. La sobre-
determinación del modelo interno es evidente y se confirma con la doble redundancia de polos y ceros
presentados en la Figura 4-8.
61
4. Sistema de soporte al controlador
De lo observado en el Ejemplo 4.1, se puede deducir que sin la estructura del modelo, pero conociendo
el comportamiento de la estimación de primero, segundo y tercer orden, la estructura de estimación del
control adaptable para el proceso debe ser de primer orden, ya que para las estimaciones de segundo y
tercer orden, los polinomios de los modelos estimados no son coprimos.
¤
62
4.2 Inicialización
Criterio de error
Considerando el residuo del proceso de estimación está dado por:
Ejemplo 4.2. El caso presentado en el Ejemplo 4.1 es fácil de interpretar, ya que sólo un modelo de
estimación interno cubre las condiciones mı́nimas de identificabilidad. Sin embargo si se asume el
modelo de segundo orden:
1
G (s) = (4.11)
s2
el cual es un doble integrador, usualmente utilizado para modelar sistemas de posición con mı́nima
fricción, como los usados en manipuladores espaciales o submarinos. Se usa el modelo (4.11) como ejemplo,
pues se trata de un modelo de segundo orden que tampoco cuenta con un ciclo lı́mite.
Al discretizar (4.11) con h = 0.1 segundos se obtiene
0.005z + 0.005
G (z) = (4.12)
z 2 − 2z + 1
Para (4.12) sólo cuando el modelo interno es de tercer orden existe cancelación de polos y ceros, lo cual
es congruente con lo planteado en esta sección. En la Figura 4-9 se puede observar dicha cancelación
63
4. Sistema de soporte al controlador
Tanto el modelo interno de primer orden como el de segundo cumplen con la condición de que sus
polinomios de identificación sean coprimos. Es aquı́ donde el criterio de error cobra importancia. Para
el caso de primer orden, el error de estimación acumulado es 1.6714, y para el caso de segundo orden es
0.01781; por lo cual, se puede deducir para este caso que el modelo de estimación interno para el control
adaptable debe elegirse como segundo orden
En la práctica, una situación que puede delatar la no unicidad de la solución, es la variación extrema o
alternancia en el comportamiento de los parámetros de estimación, por lo que se define a continuación
un último criterio de validación.
Paso 1. Excitar al proceso con un tren de pulsos en lazo abierto y guardar las señales de excitación.
Paso 2. Con las señales de excitación, aplicar RLS usando los modelos descritos por la ecuación (4.1).
Paso 3. Del comportamiento exhibido por los procesos de estimación definir el orden del modelo interno
considerando
a) Si sólo el modelo estimado de primer orden es coprimo, se elige una estructura de primer orden,
b) Si el modelo de tercer orden es el único que no es coprimo, se elige el modelo de segundo orden
si su proceso de estimación es consistente y su error acumulado es el menor,
c) Si todos los modelos estimados son coprimos se opta por un modelo interno de tercer orden si
su proceso de estimación es consistente y su error acumulado es el menor. En caso de no satisfacer la
validación se opta por un modelo de segundo orden.
NOTA: Para la adquisición de señales debe usarse un filtro pasabajas.
64
4.2 Inicialización
dificulta en la práctica debido a la falta de una referencia, se desarrollaron pruebas en simulación, ya que
es más fácil medir el porcentaje de acierto si se conoce con certeza el orden del proceso.
Para la prueba se desarrolló un programa que genera aleatoriamente, funciones de transferencia continuas,
cuyo orden del denominador es máximo n=3, mientras que el orden del numerador es máximo n − 1. Por
su parte los coeficientes de la función son generados aleatoriamente con valores que varı́an en un rango
continuo entre 0 y 10. Una vez que el modelo es generado, se ejecuta el programa de selección de orden
el cual excita inicialmente al modelo con un tren cuadrado de pulsos. Con los datos generados a partir
del proceso de excitación, el método para selección de orden realiza una propuesta del orden del modelo
interno.
Para las pruebas se generaron aleatoriamente 100 procesos, con los que se probó la efectividad del
algoritmo de selección de orden teniendo éste un porcentaje de acierto del 94 %. Los desaciertos estuvieron
relacionados en todos los casos para procesos de tercer orden, en 5 de los 6 desaciertos el sistema propuso
modelos de segundo orden, mientras que en el restante, la propuesta fue de primer orden.
65
4. Sistema de soporte al controlador
porcentaje del rango, los máximos valores de actuación para diferentes tiempos de establecimiento en
lazo cerrado (Ver Figura 4-10).
En la Figura 4-10 se exploran la señales máximas de control cuando se requiere alcanzar porcentajes
que van desde 0.2 hasta 3 veces el tiempo de establecimiento. Para lograr que la señal de control no
llegue al tope del actuador, es necesario diseñarla para que el tiempo de establecimiento en lazo cerrado
sea muchas veces mas lento que en lazo abierto. Observando la Figura 4-10, podemos observar que 0.7
del tiempo de establecimiento en lazo abierto como propuesta inicial, puede llegar a tener un máximo
porcentual de la señal de control del 200 %, esto significa que teniendo la señal de control saturada (ver
Figura 4-11), el controlador sólo estarı́a en saturación el 17 % del tiempo de establecimiento de la planta,
lo cual vuelve a este criterio una alternativa viable para el diseño de asignación de polos.
66
4.2 Inicialización
donde Kcov debe elegirse entre 100 y 1000 si el conocimiento del proceso es escaso y entre 1 y 10 si hay
información sobre el sistema. Gracias al proceso de inicialización se opta por Kcov = 10.
Wn es la amplitud de la variación de la salida del proceso con entrada 0. El conteo de muestreos se realiza
hasta:
y > max (Wn ) (4.21)
El número de muestreos contabilizados se denomina k.
La reducción del costo computacional es muy importante. Para evitar un incremento en la dimensión de
Px , cuando el regresor está definido por:
67
4. Sistema de soporte al controlador
Cada cromosoma es probado y evaluado. Los individuos con aptitud superior al promedio tendrán mayores
oportunidades de reproducción. Las ganancias que permiten un mejor desempeño del control tienen mayor
oportunidad de heredar su perfil del cromosoma.
Para el caso particular del PID genético directo se usa la estructura de control PID
µ Z ¶
1 t de (t)
u (t) = Kc e (t) + e (t) dt + Td (4.24)
Ti 0 dt
y en particular su equivalente discreto para el algoritmo de posición
· ¸
hP n Td
u (k) = Kc e (k) + e (i) + (e (k) − e (k − 1)) (4.25)
Ti i=0 h
En la Figura 4-14 se presenta un diagrama donde se representa el funcionamiento del PID Genético
Directo. El sistema usa el modelo estimado por RLS, del orden definido por la inicialización, el cual se
utiliza para evaluar la sintonización del sistema en cuestión. Por medio de la función de aptitud [27] se
establece un criterio de desempeño.
68
4.3 Control de respaldo
Uno de los aspectos más importantes que debe considerarse en el proceso evolutivo, es el acotamiento
del esfuerzo de control, por lo que la función contempla una penalización a la saturación como:
x
P |e (t)| , mı́n (u) > Sl ∧ máx (u) < Sh
f.a. t=1 (4.26)
baja aptitud mı́n (u) > Sl ∧ máx (u) < Sh
En la Figura 4-15 se presentan los lı́mites de saturación del actuador, dichos lı́mites pueden ajustarse en
el proceso evolutivo, para desalentar esfuerzos del controlador que el operario considere excesivos, aunque
sean inferiores a los lı́mites de saturación naturales.
En la Figura 4-16a) se presenta el control PID genético directo para el proceso del Ejemplo 4.2 una vez
que se cuenta con el modelo interno. En la Figura 4-16b) se presenta la evolución de la función de aptitud
69
4. Sistema de soporte al controlador
a través de 10 generaciones.
El cromosoma más apto, para el ejemplo particular arrojó un conjunto de ganancias de control, como
Kc =0.39, Ti =9.11 y Td =9.24, como puede apreciarse el algoritmo genético evolucionó una ganancia
derivativa relativamente grande para compensar la acción del doble integrador.
Como puede apreciarse en la Figura 4-16 el desempeño del control es satisfactorio, hay que hacer hin-
capié en que ningún método de sintonización basado en las reglas de Ziegler y Nichols es útil para la
sintonización de un proceso de esta clase.
Figura 4-16: a) Seguimiento de la referencia del sistema cuando es controlado con el PID genético directo b)
Función de aptitud.
70
4.3 Control de respaldo
Figura 4-17: Relación tiempo de ejecución del algoritmo versus número de generaciones.
En la Figura 4-18 se presenta el comportamiento del IAE promedio, con 25 muestras para diferentes
números de generaciones (las x representan los puntos de prueba, mientras que la lı́nea representa una
interpolación lineal). Contrario a lo que podrı́a pensarse, no necesariamente un mayor número de gen-
eraciones garantiza un menor error, una de las razones es que el algoritmo genético no emplea elitismo
[16] y las últimas generaciones podrı́an tener una función de aptitud inferior a algunas de sus prede-
cesoras. En particular la mayor función de aptitud (el menor IAE) se consigue estadı́sticamente como
puede apreciarse en la Figura 4-18, al ejecutar 10 generaciones, lo cual implica en referencia a la Figura
4-17 un tiempo de ejecución inferior a un minuto (usando Matlab 6 sobre Intel Centrino). Existen casos
reportados donde similarmente se tienen muy pocas generaciones fijas para un PID genético y se alcanzan
buenos resultados [41].
71
4. Sistema de soporte al controlador
72
4.4 Supervisión
Figura 4-19: Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutación.
4.4. Supervisión
En la literatura disponible sobre supervisión de sistemas adaptables, la inicialización y el control de
respaldo forman parte de un concepto general de supervisión [31], [39], [46]. En particular en este capı́tulo
la supervisión es referida como la etapa de monitoreo para la operación del control adaptable.
La estructura de supervisión es un módulo basado en sistemas expertos, la cual sintetiza el conocimiento
heurı́stico necesario para establecer un margen de operación seguro del control adaptable. Dicho sistema
experto es en esencia un sistema de diagnóstico rápido, que establece acciones para salvaguardar la
operación del sistema de control.
Las principales variables de supervisión utilizadas en esta etapa, están definidas en función de factores
necesarios para el adecuado funcionamiento del GMVDPAC:
Error de seguimiento,
73
4. Sistema de soporte al controlador
Figura 4-20: a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la dirección de las flechas
muestran la dirección de la migración de los polos en función del tiempo, b) proyección ε., Las X representan la
ubicación de polos definida por T, c) Asignación de los polos con respecto al tiempo, los trapezoides representan
la proyección ε.
Cuando la estimación acaba de comenzar, los polos pueden quedar fuera por algunos muestreos del cı́rculo
unitario, pero una vez que los parámetros han convergido los polos no deben salir del cı́rculo unitario.
74
4.4 Supervisión
Una forma indirecta de medir la inestabilidad del sistema en lazo cerrado es a través del comportamiento
de la señal de control, por lo que la magnitud de u, puede ser útil para definir las condiciones de operación
a través de la regla heurı́stica
Si |u| > cota max . entonces control adaptable OFF y control de respaldo ON (4.28)
La traza de la matriz de covarianza es una variable de supervisión útil, pues a partir de ella se pueden
deducir dos cosas, si el proceso está en riesgo de ser no identificable y/o que los parámetros de esti-
mación no están convergiendo; en presencia de ambas condiciones, la operación del control adaptable
debe detenerse, por lo cual se aplica el procedimiento
Si tr(P x) > cota max. entonces control adaptable OFF y control de respaldo ON (4.30)
75
4. Sistema de soporte al controlador
La supervisión del error se inicializa cuando el error instantáneo supera una cota permitida, y se realiza
el procedimiento
P
max
Si |e(k )| > cota max1 . entonces e (k) , (4.32)
k=1
P
max
Si e (k) > cota max2. entonces . . .
k=1
control adaptable OFF y control de respaldo ON
P
max
Si |e(k)| < cota max1. entonces e (k) = 0
k=1
Si t > tiempo max. entonces control adaptable OFF y control de respaldo ON (4.33)
Este proceso está inspirado en el método propuesto por [31], y utiliza un filtro pasa altas a la salida del
controlador para sensar la variación.
4.4.5. Simulación
76
4.4 Supervisión
Figura 4-21: Comportamiento del sistema cuando los parámetros iniciales del control adaptable son proporcionados
por el procedimiento de inicialización.
Figura 4-22: Comportamiento de los polos en lazo cerrado cuando los parámetros iniciales del control adaptable
son proporcionados por el procedimiento de inicialización
77
4. Sistema de soporte al controlador
Figura 4-24: Falla provocada al definir los polos de T fuera del cı́rculo unitario
78
4.4 Supervisión
Figura 4-25: Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del cı́rculo unitario.
79
4. Sistema de soporte al controlador
80
Capı́tulo 5
Resultados y Aplicaciones
5.1. Introducción
En este Capı́tulo se presentan a través de simulaciones y pruebas prácticas resultados obtenidos a partir
de la implementación del sistema de control desarrollado en la tesis.
T = t0 z + t1 (5.2)
ya que nT = 2n − 1. Las raı́ces del polinomio de ubicación de polos T, deben permanecer dentro del
cı́rculo unitario para alcanzar una ubicación de polos estable en lazo cerrado.
Cuando los polinomios costo del controlador GMVC se diseñan para satisfacer una asignación de polos,
es necesario resolver la identidad:
P B + QA = T (5.3)
81
5. Resultados y Aplicaciones
P = p0 (5.5)
Q = q0
P C = F A + z −k G (5.6)
Para el caso donde se cuenta con una función de transferencia, como la definida por la ecuación (5.1), el
orden para el polinomio de la perturbación c es n c ≤ nA , de tal forma:
c = c0 z + c1 (5.7)
f0 = p0 c0 (5.8)
g0 = c1 p0 − a1 c0 p0
H = QC + BF = q0 c0 z + q0 c1 + b0 p0 c0 (5.9)
E = −CR (5.10)
o bien:
E = e0 z + e1 (5.11)
Por ejemplo para el caso particular donde c1 = 0, la ley de control podrı́a implementarse como:
h1 g0 e0
u (t) = − u (t − 1) − y (t − 1) − r (t) (5.13)
h0 h0 h0
82
5.2 Implementación y evaluación general
T = t0 z 3 + t1 z 2 + t2 z + t3 (5.15)
El orden de la asignación puede variarse mediante la adecuada selección de los coeficientes del polinomio
T.
La solución de la identidad se da a partir de:
−1
a2 0 b1 0 t3 q1
a1 a2 b0 b1 t2 q0
M =
1 a1 0 b0
= (5.16)
t1 p1
0 1 0 0 t0 p0
P = p0 z + p1 (5.17)
Q = q0 z + q1
z 2 + c1 z + c2
donde el polinomio C es mónico. Con la finalidad de mostrar un resultado general se incluye el coeficiente
c0 , el cual tiene un valor conocido de 1; sin embargo, es importante para ilustrar el efecto de c cuando
nc < nA .
Al resolver (5.6) se obtiene:
f0 = c0 p0 (5.19)
1
f1 = p1 c2
a2
1
g0 = − p1 c2 + p0 c1 − a1 c0 p0
a2
a1
g1 = − p1 c2 + p0 c2 + p1 c1 − a2 c0 p0
a2
cuando nc ≤ nA .
83
5. Resultados y Aplicaciones
para:
F = f0 z + f1 (5.20)
G = g0 z + g1
H = BF + QC (5.21)
o bien
H = h0 z 3 + h1 z 2 + h2 z + h3
Mientras que:
E = −CR
de lo que:
E = e0 z 2 + e1 z + e2
para la implementación hay que despejar u (t) , asociada al coeficiente de mayor orden. Como ejemplo
suponga el caso sonde nT = n, por lo que q0 = t0 = 0, y consecuentemente h0 = 0. Además de suponer
c = c0 z, por lo que la implementación particular estarı́a dada por:
h2 g0 g1 e0
u (t) = − u (t − 1) − y (t − 1) − y (t − 2) − r (t) (5.24)
h1 h1 h1 h1
84
5.2 Implementación y evaluación general
b0 z 2 + b1 z + b2
G (z) = (5.25)
z 3 + a1 z 2 + a2 z + a3
la ubicación de polos se define con el polinomio:
T (z) = t0 z 5 + t1 z 4 + t2 z 3 + t3 z 2 + t4 z + t5 (5.26)
ya que cuando n = 3, nT = 5.
La solución de la identidad se da a partir de:
−1
a3 0 0 b2 0 0 t5 q2
a2 a3 0 b1 b2 0 t4 q1
a1 a2 a3 b0 b1 b2 t3 q0
M =
= (5.27)
1 a1 a2 0 b0 b1
t2
p2
0 1 a1 0 0 b0 t1 p1
0 0 1 0 0 0 t0 p0
P = p0 z 2 + p1 z + p2 (5.28)
2
Q = q0 z + q1 z + q2
F = f0 z 2 + f1 z + f2 y (5.29)
2
G = g0 z + g1 z + g2
donde:
f0 = c0 p0
a2 1
f1 = − 2 c3 p2 + (c2 p2 + c3 p1 )
a3 a3
1
f2 = c3 p2
a3
a2 1
g0 = 2 c3 p2 − (c2 p2 + c3 p1 ) + c0 p1 + c1 p0 − a1 c0 p0
a3 a3
−a3 − a2 a1 1
g1 = c3 p2 − a1 (c2 p2 + c3 p1 ) + c0 p2 + c1 p1 + c2 p0 − a2 c0 p0
a23 a3
−a22 + a3 a1 1
g2 = 2 c3 p2 − a2 (c2 p2 + c3 p1 ) + c1 p2 + c2 p1 + c3 p0 − a3 c0 p0
a3 a3
g0 = c0 p1 − a1 c0 p0 (5.30)
g1 = c0 p2 − a2 c0 p0
g2 = −c0 a3 p0
85
5. Resultados y Aplicaciones
H = h0 z 5 + h1 z 4 + h2 z 3 + h3 z 2 + h4 z + h5 (5.31)
donde:
h0 = q0 c0
h1 = q0 c1 + q1 c0 + b0 f0
h2 = q0 c2 + q1 c1 + b0 f1 + b1 f0 + q2 c0
h3 = q0 c3 + b0 f2 + b1 f1 + q1 c2 + q2 c1 + b2 f0
h4 = q1 c3 + q2 c2 + b1 f2 + b2 f1
h5 = q2 c3 + b2 f2
Por su parte E = e0 z 3 + e1 z 2 + e2 z + e3 , para E = −CR donde:
(Q (1) A (1))
R = P (1) + (5.32)
B (1)
puede realizarse la implementación de la ley de control; por ejemplo, para un caso particular donde
c1 = c2 = c3 = 0 puede expresarse a su vez en ecuaciones diferencia tiene la forma:
h1 h2 h3 h4
u (t) = − u (t − 1) − u (t − 2) − u (t − 3) − u (t − 4) − (5.34)
h0 h0 h0 h0
h5 g0 g1 g2 e0
u (t − 5) − y (t − 3) − y (t − 4) − y (t − 5) − r (t − 2)
h0 h0 h0 h0 h0
Sin embargo, para cualquier nT ≤ 2n − 1,
h4 = h5 = 0 (5.35)
h0 = q0 c0 (5.36)
h3 g0 g1 g2 e0
u (t) = − u (t − 1) − y (t − 1) − y (t − 2) − y (t − 3) − r (t) (5.38)
h2 h2 h2 h2 h2
¤
86
5.4 Ejemplo numérico de implementación del GMVDPAC
Suposiciones:
∆P (15 − 3) psi
= = 0.75psi/mA
∆I (20 − 4) mA
87
5. Resultados y Aplicaciones
En la Figura 5-2 se presenta un diagrama a bloques simplificado del control del proceso de intercambio
de calor.
Kh 0.16
Hs (s) = = mA/C (5.40)
Ts + 1 10s + 1
1
= %/C
10s + 1
Se usa el % de rango como unidad de ganancia, en el caso eléctrico el 100 % es 16 mA; para el neumático
es 12 psi.
c) Para fines del cálculo de la ganancia última el controlador se define como uno proporcional.
GC (s) = KC %/ % (5.41)
Kv 0,1
Gv (s) = = mA − kg/s (5.42)
Ts + 1 3s + 1
1.6kg/s
Kv0 = = 0.016kg/s/ %
100 %
0.016
= kg/s/C
3s + 1
De las funciones de transferencia en lazo cerrado se tiene que la ecuación caracterı́stica tiene la forma
88
5.4 Ejemplo numérico de implementación del GMVDPAC
Para encontrar el valor de la ganancia última, se sustituye s por jω, de lo que resulta que Ku = 23.8
mientras que la frecuencia es ω = 0.2186 rad/s (Tu = 28.7s el perı́odo de oscilación).
Con estos parámetros es factible el uso de la tabla de sintonización del Ziegler Nichols de lazo cerrado,
y el PID ISA[4] (ver Tabla 5.2).
Si se asume una perturbación en el proceso de transmisión, el diagrama a bloques de la Figura 5-2 puede
replantearse como se muestra en la Figura 5-3.
89
5. Resultados y Aplicaciones
Figura 5-4: Control PID del intercambiador de calor a) Seguimiento a la referencia y=T0 en grados centigrados,
b) Señal de control
Siguiendo el procedimiento descrito en la sección 5.2.1, cuando n = 3, el diseño del GMVDPAC para el
intercambiador de calor se da bajo las siguientes condiciones de identificación
 → A (5.45)
B̂ → B
Ĉ → C
90
5.4 Ejemplo numérico de implementación del GMVDPAC
F = −1920.12z 2 (5.48)
2
G = −1608.78z + 3443.91z − 1832.57
H = z 3 + 0.000274z 2 (5.49)
mientras que:
E = −3.79 (5.50)
En la Figura 5-5 se presenta el desempeño del proceso cuando éste es controlado por un GMVDPAC,
en la Figura 5-5a), se puede apreciar el seguimiento a la referencia, mientras que en la Figura 5-5b), se
observa la señal de control, la cual en relación con la señal de control del PID sintonizada por el método
de Ziegler-Nichols lazo cerrado es moderada y no alcanza en ningún momento, los lı́mites de saturación
establecidos en este ejemplo.
Figura 5-5: Control GMVDPAC del intercambiador de calor a) Seguimiento a la referencia, b) Señal de control
91
5. Resultados y Aplicaciones
θ̂ → θ (5.53)
¤
e−s
G1 (s) = Tx = 0.1, 1, 10 (5.54)
(1 + sTx )2
1
G2 (s) = n = 3, 4 (5.55)
(1 + s)n
92
5.5 Evaluación general del desempeño
1
G3 (s) = αx = 0.2, 0.5, 0.7 (5.56)
(1 + s) (1 + αx s) (1 + α2x s) (1 + α3x s)
(1 + αx s)
G4 (s) = αx = 0.1, 0.2, 0.5, 1, 2 (5.57)
(1 + s)3
0.0506 −6s
G5 (s) = e (5.58)
s
1 −0.2s
G6 (s) = e (5.59)
s−1
à n
!
hX Td
u (k) = Kc e (k) + e (k) dt + [e (k) − e (k − 1)] (5.61)
Ti h
t=0
93
5. Resultados y Aplicaciones
Caso continuo Z t
IAE = |e (t)| dt (5.62)
0
Caso discreto
n
X
IAE = |e (t)| dt (5.63)
t=1
El IAE se emplea para evaluar el seguimiento a la referencia, mientras que el ITAE, se utiliza para evaluar
la capacidad de un controlador determinado para sobreponerse ante un cambio de carga, la multiplicación
por el tiempo t, acentúa en el resultado el tiempo que le toma al sistema de control superar dicho cambio.
Por su parte el IAC es la integral del valor absoluto de la señal de control y es representativa del esfuerzo
de control. El IAC está ligado con la capacidad de operación de un actuador, ası́ como con el tiempo de
vida del mismo. Cuando un proceso es perturbado con un cambio de carga, ésta puede modelarse como
un escalón aplicado en la salida del sistema, si se aplica el teorema del valor final al circuito serie, el
efecto del cambio de carga puede observarse como una ganancia adicional [17], por lo cual se proprone
en este texto una aproximación a un cambio de carga escalón.
En particular, para medir el ITAE se simula un cambio de carga en un tiempo dado t, modificando la
ganancia del polinomio B(z) como:
94
5.5 Evaluación general del desempeño
- Proceso G1
En este proceso de segundo orden, se realizan pruebas para 3 valores diferentes de Tx , cuya variación
provoca en primer lugar una variación sobre el tiempo de respuesta del sistema, el interés de este ex-
perimento recae en el hecho de que el retardo del proceso se mantiene constante, generando diferentes
relaciones entre el retardo y el tiempo de respuesta, siendo en casos extremos el retardo muy grande o
muy pequeño en relación con el tiempo de establecimiento, siendo ambos casos difı́ciles de afrontar por
la sintonización de Ziegler Nichols (al grado de que la variación de este método en lazo abierto no logra
proveer ganancias que estabilicen el controlador cuando Tx = 1 y Tx = 10, mientras que esta situación
se repite para el Ziegler Nichols lazo cerrado cuando Tx =0.1 ).
En términos generales, el mejor desempeño de control lo tiene para este proceso el STPAC, seguido
muy de cerca por el GMVDPAC, resaltando el desempeño de éste último cuando la magnitud de la
perturbación es mayor y en la respuesta cuando existen cambios de carga. La dinámica descrita por G1
puede hallarse en procesos que involucran la regulación de nivel.
- Proceso G2
En realidad el barrido de n en el proceso G2 genera dos procesos sin retardo, uno de tercer orden y
otro de cuarto orden, para el control adaptable ambos sistemas usan un modelo interno de tercer orden,
observándose en las tablas relacionadas del Anexo A, un mejor desempeño en general del GMVDPAC
cuando n = 4. El GMVDPAC presenta un mejor desempeño nuevamente cuando la amplitud de la
perturbación es la máxima empleada y cuando se aplican los cambios de carga programados.
La estructura del modelo G4 puede usarse en la representación de procesos de reacción quı́mica [47].
- Proceso G3
El principal interés sobre el proceso G3 , consiste en que al realizar el barrido del parámetro αx , se
obtienen diversas combinaciones de ubicación de polos, manteniendo una respuesta temporal similar.
Esta situación provoca diferentes respuestas al cerrar al lazo de control.
El STPAC presenta el mejor comportamiento para αx =0.2, teniendo el GMVDPAC un buen desempeño,
mejorando cuando hay cambios de carga o mayor amplitud de la perturbación. Cuando αx =0.5 la
sintonización de Ziegler Nichols en lazo cerrado muestra el mejor seguimiento a la referencia (seguido de
cerca por el GMVDPAC) con un esfuerzo de control moderado.
Cuando αx =0.7 el GMVDPAC presenta el mejor seguimiento a la referencia y la mejor respuesta a
cambios de carga. Puede observarse también que cuando αx =0.7 y la amplitud de la perturbación es
máxima la respuesta de control PID sufre un gran deterioro.
Para G3 , puede decirse que la mayor virtud del GMVDPAC es la regularidad en su desempeño ante
diversas condiciones de operación.
- Proceso G4
El proceso G4 es muy útil para ejemplificar algunas situaciones relacionadas con el desempeño de los
controladores. La dinámica de las funciones de transferencia con barrido del parámetro αx están vincu-
ladas entre si, puesto que αx , en G4 modifica la posición del único cero en la función de transferencia.
A medida que αx aumenta, dicho cero se acerca al origen, esta situación es por demás demandante en
aquellos controladores que basan su diseño en la asignación de polos en lazo cerrado [17] como es el caso
del STPAC, GMVPAC y GMVDPAC.
En la Figura 5-7 se sintetiza el desempeño de los controladores en el rubro de seguimiento a la referencia,
evaluado con ayuda del IAE promedio (el promedio del IAE medido para todos los niveles de perturbación
considerados).
95
5. Resultados y Aplicaciones
En la Figura 5-7 se presenta en forma de “x” el IAE promedio de cada controlador para una αx determi-
nada. A partir de tales puntos, se realizó un ajuste de curva con mı́nimos cuadrados para un polinomio
de tercer orden, con la finalidad de mostrar posibles tendencias. En la gráfica puede observarse que en
general el seguimiento a la referencia se ve perjudicado en todos los controladores con el acercamiento del
cero al origen; sin embargo, es interesante observar que el mayor IAE a mayor αx se da con el controlador
PID sintonizado con el método de Ziegler-Nichols lazo cerrado y no con los controladores adaptables
que basan su funcionamiento en la asignación de polos. Para ésta planta podemos observar que el mejor
seguimiento se da para el menor IAE del controlador de Clarke; sin embargo, hay que hacer hincapié que
para este controlador se requiere cierto nivel de conocimiento sobre el proceso a controlar, para poder
ası́ proponer fuera de lı́nea los polinomios P, Q y R, además de tener la inconveniencia a ser susceptible
a un deterioro en el desempeño cuando existe perturbación paramétrica en el proceso.
Con respecto al GMVDPAC se puede mencionar que es el segundo mejor desempeño además de mostrar
la mayor regularidad al tener el ajuste de curva más notorio.
En la Figura 5-8 se presenta la relación entre el esfuerzo de control (medido con el IAC promedio) y la
variación de αx .Como puede observarse en la Figura 5-8, el comportamiento del IAC para el GMVPAC
y el STPAC es bastante irregular. Por su parte las curvas sintetizadas a partir del comportamiento del
PID y del GMVDPAC muestran un desarrollo monótono, sı́ntoma de un mejor nivel de confiabilidad
para este tipo de pruebas.
Finalmente en la Figura 5-9 se presentan las curvas que relacionan el desempeño ante cambios de carga
(medido con ITAE) y αx .
96
5.5 Evaluación general del desempeño
Como puede observarse el menor ITAE lo presenta el GMVDPAC, significando un mejor desempeño ante
la perturbación paramétrica, lo cual es congruente con lo expuesto en el Capı́tulo 3.
Es importante recalcar que el GMVPAC, por su parte presenta el segundo peor comportamiento en este
rubro, por lo que su modificación en GMVDPAC cobra relevancia en estos casos.
En las gráficas presentadas para esta planta, no se incluye una curva relacionada con la sintonización
de Ziegler Nichols en lazo abierto, puesto que ésta sólo puedo realizarse para αx = 0,1 y αx = 0,2 (ver
97
5. Resultados y Aplicaciones
Anexo A), ya que para los subsecuentes barridos de αx , la respuesta al escalón presenta sobreimpulso
negativo, y se consideró que dos puntos no eran suficientes para la sı́ntesis de una curva.
La dinámica descrita por G4 puede hallarse en procesos de temperatura relacionados con la presión, como
podrı́a darse en el manejo de vapor en turbinas.
- Proceso G5
El proceso G5 es un proceso integrador con retardo, para este caso no es posible aplicar la sintonización
Ziegler y Nichols, por lo cual se emplean los métodos de sintonización propuestos por Visioli [80] y
Poulin y Pormeleau [68]. Como puede observarse, en la tabla relacionada en el Anexo A, el GMVDPAC
presenta el mejor comportamiento dinámico en todos los rubros, haciendo hincapié en que el GMVPAC
y el STPAC siguen los mismos criterios de desempeño.
La estructura de G5 puede encontrarse en la representación de válvulas actuadas por motor.
- Proceso G6
El proceso G6 es un sistema inestable de primer orden. El GMVDPAC presenta el mejor desempeño
tanto en seguimiento a la referencia, esfuerzo de control y respuesta a cambios de carga.
Figura 5-10: Gráfica de pastel que representa el porcentaje en que cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE)
98
5.5 Evaluación general del desempeño
En la Figura 5-11 se presenta una gráfica de pastel que representa el porcentaje total de ocasiones en
que un controlador dado realiza el menor esfuerzo de control. En esto caso el STPAC realiza el menor
esfuerzo de control en el 40 % de las pruebas, seguido por el GMVDPAC y el PID sintonizado por Ziegler
y Nichols lazo cerrado con un 20 %.
Figura 5-11: Gráfica de pastel que representa el porcentaje total de ocaciones en que un controlador dado realiza
el menor esfuerzo de control.
Como ya fue comentado anteriormente, el disturbio por cambio de carga es aproximado mediante una
alteración de la ganancia del polinomio B(z), lo cual en ecuaciones diferencia, representa también una
perturbación paramétrica. En la Figura 5-12 se puede observar que en el 60 % de las pruebas, el menor
ITAE fue obtenido con el GMVDPAC.
Figura 5-12: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE)
Como ya fue comentado, se observó que el desempeño del GMVDPAC mejoraba con respecto al de-
sempeño general en los casos en que la varianza de la perturbación era mayor. En la Figura 5-13 se puede
observar que el porcentaje de casos donde el GMVDPAC obtuvo el menor IAE no tuvo variación con
respecto a la Figura 5-10.
99
5. Resultados y Aplicaciones
Figura 5-13: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de la perturbación fue
la máxima probada.
Sin embargo, puede observarse en la Figura 5-14 que el GMDPAC aumenta su participación en siete
puntos porcentuales con respecto a lo mostrado en la Figura 5-11.
Figura 5-14: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbación fue la máxima
probada.
Finalmente en la Figura 5-15 puede observarse que en más de las 2/3 partes de las pruebas que involu-
craron la máxima amplitud de la perturbación el GMVDPAC arrojaron el menor ITAE.
100
5.5 Evaluación general del desempeño
Figura 5-15: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbación fue la máxima
probada.
Las gráficas de pastel presentadas a lo largo de esta sección, son herramientas útiles que proporcionan
información relevante del desempeño de un controlador a lo largo de un conjunto de pruebas; sin embargo,
no proporcionan información del desempeño general del controlador, cuando este no obtiene el mejor
resultado (como puede observarse en la Tabla 5.4 el único controlador que obtiene el mejor resultado en
todos los rubros de evaluación para un proceso dado, es el GVMVDPAC para el proceso integrador de
primer orden G5 y para el proceso inestable con retardo de primer orden con retardo G6 ). Por su parte,
el esquema de evaluación por puntaje descrito en la sección 5.5.2 permite tener una idea mas precisa del
desempeño general de una estrategia de control, usada con el lote de plantas de la sección 5.5, ya que un
buen resultado en dicha evaluación representa regularidad en el desempeño.
La Tabla 5.4 sintetiza los puntajes acumulados bajo dicho esquema de pruebas.
101
5. Resultados y Aplicaciones
IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE
G1 0 100 0 N.A. N.A. N.A. N.A. N.A. N.A. N.A. N.A. N.A. 100 268 100 182 0 255 295 259 292
T=0.1
G1 N.A. N.A. N.A. 200 0 165 N.A. N.A. N.A. N.A. N.A. N.A. 16.338 300 300 171 281 0 3.98 293 293
T=1
G1 N.A. N.A. N.A. 0 0 0 N.A. N.A. N.A. N.A. N.A. N.A. 273.92 300 294 300 299 237 247 298 298
T=10
G2 0 0 0 163 199 127 N.A. N.A. N.A. N.A. N.A. N.A. 270.97 300 273 294 218 66 297 226 300
n=3
G2 0 0 86.1 244 273 204 N.A. N.A. N.A. N.A. N.A. N.A. 241.58 264 251 299 294 10.5 266 273 295
n=4
G3 N.A. N.A. N.A. 0 0 191 N.A. N.A. N.A. N.A. N.A. N.A. 282.66 300 171 255 237 136 201 271 267
a=0.2
G3 0 0 162 300 242 300 N.A. N.A. N.A. N.A. N.A. N.A. 247.08 300 250 249 297 0 264 295 256
a=0.5
G3 0 0 50.9 294 271 286 N.A. N.A. N.A. N.A. N.A. N.A. 291.61 282 289 264 300 0 300 248 300
a=0.7
G4 0 0 100 234 238 165 N.A. N.A. N.A. N.A. N.A. N.A. 263 289 225 300 234 159 280 284 247
a=0.1
G4 0 44.5 0 172 295 195 N.A. N.A. N.A. N.A. N.A. N.A. 244.42 288 219 300 18.4 140 271 272 248
a=0.2
G4 N.A. N.A. N.A. 74.5 300 190 N.A. N.A. N.A. N.A. N.A. N.A. 100 76.2 217 296 151 0 172 129 207
a=0.5
G4 N.A. N.A. N.A. 152 300 97.1 N.A. N.A. N.A. N.A. N.A. N.A. 100 22.2 160 286 103 137 228 78.6 205
a=1
G4 N.A. N.A. N.A. 0 300 100 N.A. N.A. N.A. N.A. N.A. N.A. 264.78 114 164 227 117 70.8 198 25 224
a=2
G5 N.A. N.A. N.A. N.A. N.A. N.A. 160 0 0 0 220 107 297.9 286 299 271 278 264 299 300 300
G6 N.A. N.A. N.A. N.A. N.A. N.A. 0 0 N.A. N.A. N.A. N.A. 299.4 297 300 285 297 0 300 300 300
Total 0 144.5 399 1835 2418 2020 160 0 0 0 220 107 3293.65 3684 3512 3979 3124 1476 3623 3551 4032
102
5.5 Evaluación general del desempeño
Por su parte la evaluación general de los controladores para la medición del esfuerzo (Figura 5-17).
103
5. Resultados y Aplicaciones
Graficadores X-Y,
El experimento consiste en el control de velocidad del motor mencionado. La salida del proceso es la
variable velocidad, medida en revoluciones por minuto (rpm). La referencia fue desarrollada de tal forma
que involucra rampas con la finalidad de observar tanto el seguimiento como la regulación en el mismo
experimento.
En la Figura 5-19 se puede observar que la velocidad del motor sigue la referencia de forma muy cercana.
104
5.6 Control de velocidad
En la Figura 5-20b) se presenta el desempeño de la función de salida generalizada para este caso, que como
puede observarse tiene una amplitud muy pequeña, significando un proceso de optimización altamente
satisfactorio.
105
5. Resultados y Aplicaciones
En la Figura 5-22 se observa el control de posición cuando se usa una señal de referencia compuesta
de escalones y rampas como las usadas en el control de velocidad. La Figura 5-23 presenta el mismo
control pero con una referencia cuadrada, para apreciar la respuesta del sistema ante cambios súbitos de
referencia (la variable posición en éste caso está medida directamente del sensor en volts). La inicialización
para este sistema es arbitraria consistiendo en los siguientes parámetros: n = 1, h =0.1, θ0 = [0.5,0.5]
(asumiendo c = z) Px0 = 100I, λ =0.99 y T = z−0.8 lo cual implica una constante de tiempo en lazo
cerrado τ =0.5 seg.
Figura 5-22: Control de posición de una banda transportadora usando GMVDPAC (seguimiento).
106
5.8 Control de temperatura
Figura 5-23: Control de posición de una banda transportadora usando GMVDPAC (regulación).
107
5. Resultados y Aplicaciones
Con el fin de realizar la comparación se eligió un proceso de temperatura, el cual consiste de dos cámaras.
En la primera cámara el aire es calentado con una fuente constante de calor (lámpara incandescente),
en la unión entre las dos cámaras existe un ventilador que impulsa el aire caliente de la primera cámara
hacia la segunda cámara. En la segunda cámara se encuentra alojado el sensor de temperatura cerca de
la ventilación de ésta (ver Figura 5-26).
La velocidad del ventilador puede regularse con un voltaje variable de 0 V a 10 V (la velocidad aumenta
en relación directa al voltaje), de tal forma que la temperatura en la cámara 2 puede elevarse de forma
proporcional a la velocidad de giro del ventilador. En este sistema el elemento primario de medición es el
termopar, mientras que el ventilador es el elemento final de control, en particular el ventilador tiene una
zona muerta entre 0 V y 3 V, por lo que una señal de control debe superar este umbral para tener un
impacto en la temperatura de la cámara 2. En este proceso, el enfriamiento sucede cuando el ventilador
no es actuado y depende primordialmente de la transferencia de calor entre la cámara 2 y el medio
ambiente a través de la ventilación de la misma cámara. Debido a la naturaleza del sistema, sólo puede
aspirarse a temperaturas de consigna superiores a la temperatura ambiental; es importante remarcar que
para realizar la comparación en circunstancias igualitarias, el proceso es considerado como una caja negra
cuando se aplica el GMVDPAC.
108
5.8 Control de temperatura
El DC1020 fue conectado al proceso de la Figura 5-26 y se ejecutó la autosintonización comprendida por
este sistema particular (este sistema realiza una excitación inicial, con la cual ajusta las ganancias del
controlador PID). Con ayuda de la tarjeta PCI 6014 se adquirieron las señales analógicas correspondientes
a la salida de temperatura y a la señal de control enviada por el controlador. Para este caso particular
la referencia fue elegida como 38 ◦ C. La respuesta del sistema se aprecia en la Figura 5-27.
En la Figura 5-27a se observa que la temperatura del sistema varı́a alrededor de la referencia. Dicha
variación depende de la acción de control (Figura 5-27b) pero además guarda cierta relación con la zona
muerta del actuador. La señal de control es bastante irregular debido a la naturaleza del mecanismo de
autosintonización de éste sistema.
Es importante mencionar que el desempeño del control PID, puede mejorarse con una cuidadosa elección
de ganancias por parte del usuario, pero la intensión central de esta prueba es comparar la sintonización
autónoma de un controlador PID comercial, y el arranque inicializado del GMVDPAC.
En este sentido, se realizó el proceso de inicialización cuyo resultado principal fue la elección de una
estructura interna de estimación de primer orden.
En la Figura 5-28a) se presenta la regulación del proceso a la temperatura de consigna, y se puede
observar un mejor desempeño que con el controlador comercial. La señal de control es más regular y se
equilibra por encima de la zona muerta (Figura 5-28b).
109
5. Resultados y Aplicaciones
De la Figura 5-29 se observa que la totalidad de los algoritmos de control se ejecutan sobre Matlab, a la
vez la interfaz gráfica se ejecuta sobre LabVIEW, junto con la comunicación entrada salida a la tarjeta
de adquisición de datos, que para este caso es una PCI modelo 6014 de National Instruments.
Las ventajas de la plataforma de aplicación son varias, entre ellas la posibilidad de explotar al mis-
mo tiempo las herramientas de LabVIEW y Matlab, configuración flexible del periodo de muestreo y
resolución de 16 bits.
110
5.10 Interfaz de usuario
La plataforma de aplicación incorpora las tres etapas involucradas en el desarrollo, inicialización, control y
supervisión, implementados como SubVI’s (subprogramas) de LabVIEW [55]. A continuación se describe
la secuencia de operación del sistema.
1. Al activar la inicialización, el sistema manda una señal de excitación al proceso en lazo abierto,
consistente de un tren de pulsos durante un número determinado de ciclos. Se guardan tanto el
vector de datos de entrada como el de salida.
2. Con los vectores de entrada y de salida, se llevan a cabo estimaciones recursivas de primero, segundo
y tercer orden
4. Una vez obtenido el orden del modelo interno, se sintoniza un control PID con el método basado
en algoritmos genéticos descrito en el Capı́tulo 4
6. Una vez que el controlador está funcionando se habilita el supervisor. El supervisor a su vez consta
de 2 etapas. La primera etapa es la supervisión activa que es la parte del supervisor que toma
decisiones de forma independiente al usuario, para modificar el desempeño del sistema. La otra
etapa es la supervisión pasiva, la cual provee de la información necesaria para que un usuario pueda
tomar decisiones a través de la interfaz de usuario. La variables de supervisión más importantes se
derivan de las señales de error, señal de control y la matriz de covarianza
7. A través de la interfaz de usuario, el usuario tiene acceso a todas las etapas descritas anteriormente.
111
5. Resultados y Aplicaciones
Como puede observarse en la Figura 5-30, la pantalla principal de la interfaz gráfica esta dividida en las
3 etapas del sistema.
B Mientras el control adaptable opera se grafican en lı́nea las variables del proceso: señal de con-
trol, salida del proceso, parámetros de estimación (si el controlador de respaldo estuviera en fun-
cionamiento, la gráfica de estimación de parámetros es desactivada), en esta sección se incluyen 2
controles para iniciar y detener el controlador
C Tanto la traza de la matriz de covarianza, como la magnitud de la señal de control son usadas
como un criterio para conmutación automática entre el control adaptable y el control de respaldo.
También se monitorea el error de seguimiento a la referencia, que es un criterio de desempeño al
igual que el esfuerzo de control, este último al alcanzar ciertas cotas conmuta al control de respaldo.
Figura 5-31: Excitación del sistema durante la inicialización, a) Respuesta del proceso, b) Señal de excitación.
En la Figura 5-31b) podemos observar la señal cuadrada usada para excitar el motor de C.D. En la
Figura 5-31a) por su parte podemos observar la respuesta del sistema (medida directamente del sensor
de posición en volts). El comportamiento de la posición angular en un motor de C.D. en lazo abierto,
puede modelarse usualmente como un integrador. En una banda transportadora la dinámica dominante
sigue siendo integradora, sin embargo intervienen otros factores como la elasticidad de la banda y la
112
5.11 Pruebas con el sistema integrado
fricción de la misma con los elementos actuadores, por lo que en la Figura 5-31a) puede apreciarse un
comportamiento desviado de la respuesta lineal propia de un integrador puro. El siguiente paso dado
por el inicializador, consiste en que una vez almacenados los vectores de entrada y salida, se ejecutan los
algoritmos de estimación RLS para los sistemas de primero, segundo y tercer orden. En la Figura 5-32
se presenta el comportamiento de la estimación recursiva para el modelo interno de primer orden.
Figura 5-32: Estimación recursiva para el modelo interno de primer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.
En la Figura 5-32a) se puede observar un comportamiento de los parámetros bastante regular (consis-
tente), en la Figura 5-32b) se observa que la traza de la matriz de covarianza decrece, lo cual denota que
la estimación recursiva se está desarrollando adecuadamente, como un indicador del desempeño se mide
la varianza de la traza y se tiene 5.532x103 . Si el determinante de la matriz inversa de covarianza es 0,
el sistema no es identificable como ya se mencionó en secciones anteriores, ya que existe dependencia
lineal en la solución de la identificación. Mientras este último indicador se acerque a cero, implica el
riesgo de la perdida de la identificabilidad. Para el caso de la identificación con modelo interno de primer
orden, la varianza de este indicador es 9.457x109 , lo cual implica que el sistema no tiene problemas de
identificabilidad.
En la Figura 5-33 se presenta el comportamiento de la estimación recursiva cuando el modelo interno es
de segundo orden. En la Figura 5-33a) puede observarse un comportamiento variable en la estimación;
no hay un patrón que pudiera delatar perturbación paramétrica y en su lugar puede observarse una
inconsistencia en la estimación. Una situación que permite sospechar del sobredimensionamiento de la
estimación es el desempeño en espejo que puede apreciarse en los puntos a y b, y en los puntos c y d en la
Figura 5-33a). El comportamiento de la traza de Px se observa errático en la Figura 5-33b); la varianza
es para este caso 1.0995x108 , lo cual es un aumento significativo con respecto al caso de primer orden,
incluso considerando el aumento en la dimensión de la matriz de covarianza causado por el aumento
dimensional del modelo interno. Finalmente la varianza del determinante de la inversa de la matriz de
covarianza durante la estimación es 1.595x106 .
113
5. Resultados y Aplicaciones
Figura 5-33: Estimación recursiva para el modelo interno de segundo orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.
En la Figura 5-34a se observa que la estimación cuando el modelo interno es de tercer orden, tiene una
mayor variación. Se puede observar que los parámetros no parecen converger, la varianza de la traza para
este caso es 2.447x108 y la varianza del determinante de la inversa de la matriz de covarianza es de 12.919,
lo cual dados los niveles paramétricos para este indicador obtenidos durante la identificación tanto de
primer como de segundo orden, es peligrosamente cercano a cero, delatando el sobredimensionamiento.
De lo analizado gráfica por gráfica de la estimación para los diferentes órdenes se pueden obtener conclu-
siones basadas en la experiencia de diseño, y la interpretación cualitativa del proceso de estimación. El
procedimiento de selección del orden n para el modelo interno del estimador RLS usado por el GMVDPAC
descrito en el Capı́tulo 4 es un esfuerzo para capturar la experiencia del diseñador para la interpretación
de las gráficas de estimación recursiva.
114
5.11 Pruebas con el sistema integrado
Figura 5-34: Estimación recursiva para el modelo interno de tercer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.
De las funciones de transferencia discretas puede decirse que todas tienen polinomios coprimos; es decir,
no hay redundancia de polos y ceros, en el sentido práctico la distancia entre polos y ceros impide inferir el
sobredimensionamiento, ya que la respuesta del sistema presentada en la Figura 5-31 tiene un contenido
armónico mucho más rico que un primer orden, y aunque una alternativa basada en la experiencia es
modelar estos sistemas como integradores puros, podemos observar que el criterio de asignación de polos
no es concluyente en este sentido. Para este caso particular la banda del prototipo es elástica, lo cual
introduce otras dinámicas adicionales a la integradora dominante. Si la elasticidad de la banda fuera
despreciable; es decir, la transmisión tuviera una relación uno a uno, la dinámica dominante serı́a más
evidente para este criterio, pero por los resultados se requiere revisar los otros dos criterios de decisión.
En la Tabla 5.6 se presenta el comportamiento de la integral de los residuos de la estimación.
115
5. Resultados y Aplicaciones
Como se mencionó en el Capı́tulo 4, este criterio sólo es empleado como criterio de desempate si no se
pueden tener resultados del criterio de asignación de polos y el de convergencia heurı́stica, por lo que se
procederá a revisar el criterio de convergencia heurı́stica, cuyos resultados se exponen en la Tabla 5.7 (la
varianza es medida en θ1 ).
Este criterio arroja resultados suficientes para la elección de orden, pues se puede observar la falta de
consistencia para estructuras internas, tanto de segundo como de tercer orden. Por lo cual y del algoritmo
de selección de orden descrito en el Capı́tulo 4 se deduce que el modelo es n = 1.
De la excitación para este caso puede medirse un retardo k=0 (ver Figura 5.31). Para el diseño de la
ubicación de polos, la dinámica dominante es integradora y la tarea fundamental es desplazar el polo
dominante en las cercanı́as de 1 al interior del cı́rculo unitario. Para establecer que tanto se puede
desplazar el polo hacia el interior del cı́rculo unitario, se hace la siguiente consideración práctica con
respecto a los actuadores: se calcula τ como el 10 % del tiempo necesario para alcanzar el 50 % del rango
entre los lı́mites de saturación de la variable. Por lo cual se tiene una τ deseada en lazo cerrado equivalente
a 2 seg., lo cual determina T como cuando h =0.1 seg., como:
T = z − 0.9512 (5.69)
resultado de la estimación inicial, se ajustan como valores iniciales del GMVDPAC, los finales de la
estimación de primer orden
θ0 = (0.99727053,0.00543861,1) (5.70)
donde el tercer parámetro corresponde a Co (la estructura de este polinomio, se elige a partir de la
recomendación de [8]), ya que se tiene cierta certeza sobre los parámetros de arranque que la matriz de
covarianza inicial es ajustada como:
Px0 = 10I (5.71)
Finalmente el factor de olvido es fijo durante la estimación como λ =0.99.
En la Figura 5-35a) puede apreciarse el comportamiento del desplazamiento de la banda transportadora
(medido del sensor en volts). La acción de control está menos tiempo en saturación que el control ajustado
arbitrariamente presentado en la Figura 5-23, además el sobreimpulso inicial es mucho menor en la Figura
5-35a) que en la Figura 5-23a). En la Figura 5-36 se presenta el proceso de estimación llevado a cabo
durante el control GMVDPAC.
116
5.11 Pruebas con el sistema integrado
Figura 5-35: Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Señal de control.
Figura 5-36: Estimación recursiva durante el control adaptable, a) Parámetros de estimación, b) Traza de la
matriz de covarianza.
En la Figura 5-36a) puede observarse que uno de los parámetros de estimación presentado en la Figura 5-
34 ronda la unidad, lo cual es congruente con la dinámica integradora dominante del sistema. En términos
generales se puede observar una estimación consistente, lo cual es validado por el comportamiento de la
traza de la matriz de covarianza presentado en la Figura 5-36b).
En la Figura 5-37 se presenta el resultado de una prueba que involucra cambio de carga, como puede
observarse éstos se realizan en los segundos 100 y 110 como desplazamientos axiales arbitrarios en la
banda, para sacar al sistema de su posición de control. La duración de la carga en tiempo está restringida
117
5. Resultados y Aplicaciones
a sólo lograr el desplazamiento de la banda para quedar fuera de la referencia. En la Figura 5-37b) se
observa la corrección realizada por la señal de control para regresar al sistema a su posición original. En
la Figura 5-38 se presenta el proceso de estimación relacionado.
Figura 5-37: Control GMVDPAC aplicando al control de posición de una banda transportadora prototipo durante
cambios de carga, a) Seguimiento a la referencia, b) Señal de control.
Figura 5-38: Estimación recursiva durante el control adaptable cuando existen cambios de carga, a) Parámetros
de estimación, b) Traza de la matriz de covarianza.
El control de respaldo (el PID genético directo), descrito en la sección 4.3 es probado por separado para
el mismo sistema. Una vez que se ha elegido el orden del modelo interno, se utilizaron los parámetros
118
5.11 Pruebas con el sistema integrado
de estimación de dicha estructura para construir un modelo interno usado para computar la función de
aptitud dentro del algoritmo genético. Las especificaciones particulares para el algoritmo genético son:
tamaño de población = 50, longitud del cromosoma = 3 para genes de 8 bits. La reproducción es realizada
a partir de un torneo, donde participa el 10 % de la población por generación. El PID genético incluye
un proceso de mutación del 10 % con el fin de disminuir las posibilidades de la convergencia prematura.
Figura 5-39: Simulación del controlador PID para el individuo más apto, a) Seguimiento a la referencia, b)Proceso
evolutivo.
Como ya se mencionó en la sección 4.3, el individuo (cromosoma) está compuesto como las ganancias
PID para la ecuación (4.25). El proceso evolutivo está realizado para un número fijo de generaciones,
25, que le llevan al sistema de cómputo particular 60.367 segundos. Los valores obtenidos a partir del
individuo más apto al finalizar la evolución controlada se exponen en la Tabla 5.8.
En la Figura 5-40 se presenta la prueba práctica del control PID genético en la banda transportadora,
puede observarse un comportamiento adecuado ya que el control sólo tiene un error en estado estacionario
muy pequeño, pues llega a 3.93 volts cuando la referencia de 4 volts, lo cual equivale al 1.75 % de error
en estado estacionario. En la Figura 5-40b) se observa el comportamiento de la señal del control el cual
es diferente a la generada por el GMVDPAC. En la Figura 5-41 se realiza un cambio forzado entre el
GMVDPAC y el control de respaldo en el tiempo t = 100 seg para observar la continuidad de desempeño
de los controladores para un proceso real.
119
5. Resultados y Aplicaciones
Figura 5-40: Control PID genético directo aplicado al control de posición de una banda transportadora prototipo,
a) Seguimiento a la referencia, b) Señal de control.
Figura 5-41: Conmutación entre controladores GMVDPAC y PID genético directo en el segundo 100,
a) Seguimiento a la referencia, b) Señal de Control.
120
Capı́tulo 6
Conclusiones
Este trabajo de tesis condujo a una modificación sobre el algoritmo del controlador de varianza mı́nima
generalizado (GMVC), para lacanzar mejores niveles de desempeño y confiabilidad en aplicaciones prácti-
cas. Al resultado de la modificación del GMVC se le denominó controlador de varianza mı́nima general-
izado con asignación dinámica de polos (GMVDPAC). Las modificaciones realizadas al GMVC, reestruc-
turaron el algoritmo implı́cito como uno explı́cito, permitiendo ası́, la actualización de los parámetros
asociados a la función costo en cada iteración, con el fin de mejorar la respuesta del sistema ante pertur-
baciones paramétricas.
1
En el Capı́tulo 5 se observó que en términos generales cuando la amplitud de la perturbación aumenta, el GMVDPAC
muestra un mejor desempeño. También en las pruebas de dicho capı́tulo se observó que cuando hay perturbación en los
parámetros el menor ITAE se tiene con GMVDPAC.
121
6. Conclusiones
Flexibilidad
El GMVDPAC es un algoritmo flexible ya que para operar, la información necesaria del proceso es
reducida y puede ser recopilada por un sistema automático (inicializador), lo que facilita su uso en posibles
aplicaciones industriales. Con el fin de recopilar la información mı́nima necesaria para la operación del
control adaptable, se desarrolló un sistema de inicialización que dio muy buenos resultados, tanto en
simulación como en experimentos prácticos. Las capacidades del GMVDPAC permitieron minimizar las
necesidades del sistema en su conjunto, simplificando ası́ varios aspectos del desempeño del control en
lazo cerrado.
Por su parte la etapa de supervisión desarrollada, extiende la autonomı́a del controlador, pues le permite
operar bajo un modo de respaldo en caso necesario, proveyendo al sistema en su conjunto de un mayor
grado de independencia.
El sistema desarrollado integrado, permite la operación dentro de un buen nivel de confiabilidad y au-
tonomı́a. Aunque el controlador individualmente es capaz de controlar sistemas de fase mı́nima e inesta-
bles, el sistema integrado en su conjunto sólo contempla la operación autónoma con sistemas asintótica-
mente estables, marginalmente estables e integradores.
En general la estructura de control desarrollada tiene una enorme potencialidad para su aplicación prácti-
ca en el contexto industrial, además de que las ventajas expuestas en el trabajo pueden hacerla atractiva
en sistemas donde existan perturbaciones paramétricas y se requiera un seguimiento de la referencia
estrecho.
6.1. Contribuciones
El desarrollo de la tesis partió de la premisa que para aumentar los niveles de confiabilidad y autonomı́a
de un controlador adaptable del tipo STR (y de esta forma facilitar su inserción en el contexto industrial),
se requiere que el sistema de control adaptable contemple una estructura de soporte, conformada por un
inicializador automático y un sistema de supervisión, capaz de tomar acciones pertinentes en caso de un
desempeño poco satisfactorio.
Como fue comentado al inicio del documento en [46] se describe un procedimiento de inicialización ligado
a la estructura de supervisión descrita en [31], ambos procedimientos están basados en el análisis de la
respuesta a la frecuencia, particularmente en el uso del relevador realimentado [2] y son empleados en el
controlador de campo adaptable ABB ECA600. La principal limitante es que el relevador realimentado
solo puede emplearse con procesos ası́ntoticamente estables. Ya que el controlador involucrado en la
propuesta original, puede nominalmente manejar indistintamente sistemas de fase mı́nima y no mı́nima,
debiera esperarse que el inicializador desarrollado tuviera rangos de operación más amplios.
En la propuesta de tesis doctoral presentada en el documento del seminario predoctoral, se propusieron
como opciones para el controlador del sistema, el GMVC [19], [20] y el GMVPAC [1]. Posterior al semi-
nario predoctoral se encontró que el GMVPAC de Allidina tenı́a problemas algorı́tmicos y de convergencia
por lo que se descartó como opción, la propuesta original del inicializador y supervisor descrita en el do-
cumento del seminario predoctoral estaba en función de las necesidades de dicho controlador, siendo las
variables de inicialización requeridas para dicho controlador:
122
6.1 Contribuciones
1. Variables relacionadas a la respuesta dinámica como el error y algunas de sus relaciones estadı́sticas,
3. Estabilidad del sistema de control a través del monitoreo de la señal de control y la ubicación de
polos,
Bajo este esquema, serı́a necesario proponer los polinomios costo (punto 7 de la inicialización) y verificar
que los polos alcanzaran la asignación deseada (punto 3 de la supervisión), para que en caso de que ésto
no sucediera, rediseñar los polinomios costo.
La particularidad de las necesidades expresadas motivaron la sı́ntesis de un algoritmo de control que
satisfaciera dichas necesidades: el GMVDPAC. El uso del GMVDPAC elimina la necesidad del punto 7
de inicialización y simplifica el punto 3 de la supervisión, al suprimir la necesidad de verificar la ubicación
de polos ya que ésta se asegura, si la estimación converge (ver Capı́tulo 3), por lo que se centró el desarrollo
en el punto 2 de la supervisión, ya que si el supervisor garantiza la consistencia estructural se pueden
esperar buenos niveles de desempeño en el controlador.
Las principales aportaciones del trabajo se pueden establecer en relación a las etapas del sistema. Con
respecto al algoritmo de control adaptable propuesto, las aportaciones son:
El algoritmo propuesto contempla una actualización permanente de los polinomios costo (relati-
vamente con poco aumento de costo computacional) lo cual permite garantizar una asignación de
polos ante perturbaciones paramétricas,
El algoritmo presenta un mayor rango de estabilidad que el algoritmo original ante perturbaciones
paramétricas arbitrarias.
El algoritmo de control desarrollado en la tesis se ha reportado en [64] y en [59] donde se aborda como
tema la eficiencia computacional, mientras que en [61] se aborda el desempeño de los polos en lazo
cerrado. En [67] se revisa a partir de una aplicación el desempeño dinámico del controlador, y en [60] se
estudia la estabilidad del algoritmo ante perturbaciones paramétricas.
Por su parte para el control de respaldo se desarrolló un sistema de sintonización por modelo interno
(para n ≤ 3) que permite la sintonización del controlador PID, sin importar si el sistema es estable,
marginalmente estable o inestable. El control aprovecha un procedimiento de inicialización común con el
control adaptable, del cual se genera un modelo interno y con ayuda de un algoritmo genético se obtienen
las ganancias necesarias.
Esta propuesta de sintonización fue denominada PID genético directo y ha sido reportada en [62] y en
[63], también se hace referencia a ella en [64].
En lo referente al sistema de soporte se desarrolló un proceso de inicialización que se basa en una excitación
en lazo abierto y la estimación RLS.
123
6. Conclusiones
Para el desarrollo de la inicialización se propuso un método original para elegir el orden del modelo
interno e inicializar las variables del controlador autosintonizable. Dicho método fue reportado en [64].
Finalmente para la estructura de supervisión en lı́nea se desarrolló un sistema experto, que sintetiza el
conocimiento heurı́stico generado en este rubro, a lo largo del trabajo.
A continuación se enumeran las publicaciones, producto del trabajo de tesis.
Paz-Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “PID Controller Tuning for
Stable and Unstable Processes Applying” GECCO 2004 (Genetic and Evolutionary Computation
Conference 2004, Seattle, Washington), publicado en el número especial de la revista Lecture Notes
in Computer Science, 3103, pp. 1-10, Springer-Verlag 2004.
Paz-Ramos M.A., Quintero-Mármol-Márquez E., Fernández del Busto R., “Generalized Minimum
Variance with Pole Assignment Controller Modified for Practical Applications”, Proceedings of
the 2004 IEEE International Conference on Control Applications, pp. 1347-1352, September 2-4,
Taipei, Taiwan.
Ponce Cruz P., Paz Ramos M.A., Fernández del Busto R., Quintero-Mármol E., “DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment”,
IEEE International Symposium on Industrial Electronics, pp. 957-962, Junio 20-23 2005, Dubrovnik,
Croacia.
Paz-Ramos M.A., Quintero-Mármol-Márquez E., Fernandez del Busto R., Olguin E., Santos O. J.,
Ponce P., “Improving Stability and Performance in a Generalized Minimum Variance Controller
using Dynamic Pole Assignment”, 2nd International Conference on Electrical and Electronics En-
gineering and XI Conference on Electrical Engineering, pp. 370-373, México City, September 7-9
2005.
Paz Ramos M. A., Fernández del Busto R., Quintero Mármol E., “Generalized Minimum Variance
with Pole Assigment Controller”, Memorias del congreso nacional de Control Automático 2005 de la
Asociación de México de Control Automático (AMCA), artı́culo 77. Cuernavaca Morelos, México,
19-21 de Octubre del 2005.
Estabilidad: En este trabajo se exploraron algunos aspectos relacionados a la estabilidad del algoritmo
propuesto (GMVDPAC), y se mostraron las capacidades del algoritmo para sobreponerse a pertur-
baciones paramétricas durante su operación. Los casos revisados en el documento no contemplan
124
6.2 Trabajos futuros
retardo en el transporte. En algún momento del desarrollo de la tesis, se revisaron algunos casos
con retardo con la ayuda del método D particiones [36], sin embargo no se pudo generalizar un
resultado, a pesar de lo cual se observaron situaciones sumamente interesantes, las cuales requieren
mayor trabajo en la búsqueda de una interpretación acertada.
Supervisión: Un aspecto que requiere la mayor atención en el control de procesos es el manejo de las
oscilaciones, pues la existencia de estas en un lazo, representa un riesgo de consideración, para
la operación del proceso. En particular las estructuras de control adaptable son más susceptibles
a la disfunción a causa de las oscilaciones [72] y de hecho en la práctica, cuando las oscilaciones
se presentan se recomienda detener el proceso de adaptación [29]. Un trabajo de interés podrı́a
ser el desarrollo de una herramienta que trabaje de forma coordinada con el control adaptable y
que permita la detección oportuna de dichas oscilaciones para tener otras alternativas diferentes
a detener la adaptación. El estudio de la interacción entre la herramienta y el control adaptable
ameritarı́an especial cuidado.
Implementación: Durante el desarrollo del trabajo, siempre se mantuvo el objetivo de que el trabajo
pudiera implementarse en la práctica, por lo cual fueron llevados a cabo varios experimentos con
el fin de evaluar el desempeño del sistema en su conjunto. Por otro lado siempre se tuvieron como
referencia algunos controladores comerciales de campo, por lo que un paso lógico podrı́a ser la
implementación del sistema en un sistema mı́nimo, bajo una estructura embebida ó aprovechando
las posibilidades que brindan los controladores de automatización programables [79].
125
6. Conclusiones
126
ANEXO A
127
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
Referencias Bibliográficas
[1] Allidina A.Y., Hughes F.M., “Generalized self-tuning controller with pole assigment”, IEE Proc.
Control Theory Appl., Vol. 127, No.127 . 13—18. 1980.
[2] Åström K.J., Adaptive Control, Filtering and Signal Processing . Springer-Verlag, 1995.
[3] Åström K.J., “Adaptive Control Around 1960”, IEEE Control Systems Magazine , 44—49, June
1996.
[4] Åström K.J., Hägglund T. PID controllers: theory, design and tuning (Second Edition). Research
Triangle Park, 1995.
[5] Åström K.J., Hägglund T., “The future of PID Control”, Control Engineering Practice No. 9 ,
1163—1175, 2001.
[6] Åström K.J., Wittenmark B., “On Self Tuning Regulators”, Automatica Vol. 9 , 185—199, 1973.
[7] Åström K.J., Wittenmark B., “Self-Tuning Controllers Based on Pole-Zero Placement”, IEE Proc.
Control Theory Appl., Vol. 127, No.3 , 120—130, 1980.
[8] Åström K.J., Wittenmark B., Adaptive Control (Second Edition). Addison Wesley, 1995.
[9] Åstrom K.J., Wittermark B., Computer Control led Systems; Theory And Design . Prentice Hall,
1997.
[10] Bartos F.J., “Artificial Intelligence ...Within”, Control Engineering , 26—33, September 2003.
[11] Bennett S., “Development of the PID Controller”, IEEE Control Systems Magazine , 58—64, Decem-
ber 1993.
[12] Bennett S., “A Brief History of Automatic Control”, IEEE Control Systems Magazine, Vol. 16, No.
3, 17—25, June 1996.
[13] Bernaerts K., Van Impe J.F., “Data-driven approaches to the modelling of bioprocesses” Transac-
tions of the Intitute of Measurement and Control No. 16 , 349—372, 2004.
[14] Bernstein D. S., “Feedback Control: An Invisible Thread in the History of Technology”, IEEE
Control Systems Magazine, Vol.22 , 53—68, April 2002.
[15] Butman S., Sivan R., “On Cancellations, Controllability and Observability”, IEEE Transactions on
Automatic Control , 317—318, 1964.
[16] Chang W.A., Ramakrishna R.S., “Elitism-Based Compact Genetic Algorithms”, IEEE Transactions
on Evolutionary Computation , Vol. 7, No. 4, 367 — 385, Aug. 2003.
[17] Chen Ch-T., Linear System Theory and Design (3rd Edition). Oxford University Press, 1998.
145
REFERENCIAS BIBLIOGRÁFICAS
[18] Chiu S., “Developing Commercial Applications of Intelligent Control”, IEEE Control Systems Ma-
gazine , 94—100, April 1997.
[19] Clarke D.W., Gawthrop B.A., “Self-tuning controller”, IEE Proc. Control Theory Appl., Vol. 122,
No.9 122 , 929—934, September 1975.
[20] Clarke D.W., Gawthrop B.A., “Self-tuning control”, IEE Proc. Control Theory Appl., Vol 126 ,
633—640, 1979.
[21] Clarke D.W., Mohtadi C., “Properties of Generalized Predictive Control”, Automatica Vol. 25, No.
6, 859-875, 1989.
[22] Clarke D.W., Mohtadi C., Tuffs P. S., “Generalized Predictive Control - Part I. The Basic Algorithm”,
Automatica Vol. 23 , No. 2, 137—148, 1987.
[23] Clarke D.W., Mohtadi C., Tuffs P. S., “Generalized Predictive Control - Part II. Extensions and
Interpretations”, Automatica Vol. 23, No. 2, 149—160, 1987.
[24] Ender D.B., “Process Control Performance Not as Good as You Think”, Control Engineering ,
180—190, September 1993.
[25] Estévez-Reyes L., “Process Control Reliability: The Key to Investing in Your Infrastructure”, ISA
Transactions, Vol. 39, No. 1 , 115—121, 2000.
[26] Franklin G.F., Powel J.D., Workman M.L., Digital Control of Dynamic Systems (Second Edition).
Addison Wesley, 1990.
[27] Goldberg David, Genetic Algorithms in search, optimization and machine learning . Addison Wesley,
1989.
[28] Grimble M.J., “Non-Linear Generalized Minimum Variance Feedback, Feedforward and Tracking
Control”, Automatica No. 4, 957—969, 2005.
[29] Hägglund T., “Industrial Implementation of on-Line Performance Monitoring Tools”, Control En-
gineering Practice , Vol. 13 , 1383—1390, 2005.
[30] Hägglund T., Åström K.J., “Industrial Adaptive Controllers Based on Frequency Response Tech-
niques”, Automatica Vol. 27 , 599—609, 1991.
[31] Hägglund T., Åström K.J., “Supervision of adaptive control algorithms”, Automatica Vol. 36 , 1171—
1180, 2000.
[32] Hägglund T., Åström K.J., “Method and on apparatus in tuning a PID-Regulator”, U.S. Patent No.
4,549,123, Oct. 22 1985.
[33] Hang C.C., “The Choice of Controller Zeros”, IEEE Control Systems Magazine, January 1989.
[34] Holmberg U., Relay Feedback of Simple Systems . PhD dissertation, Department of automatic control,
Lund Institute of Technology, August 1991.
[36] Hwang C., Hwang J.H., “Stabilisation of First-Order Plus Dead-Time Unstable Processes Using PID
Controllers”, IEE Proc.-Control Theory Appl., Vol. 151, No. 1, 89—94, January 2004.
146
REFERENCIAS BIBLIOGRÁFICAS
[37] Inoue A., Yanou A., Sato T. Hirashima Y., “An Extension of Generalized Minimum Variance Control
for Multi-input Multi-output systems Using Coprime Factorization Approach”, 4184—4188, 2000.
[38] Ioannou P.A., Sun J., Robust Adaptive Control . Prentice Hall, 1996.
[39] Isermann R., Lachmann K.H., “Parameter-adaptive Control with Configuration Aids and Supervision
Functions ”, Automatica Vol. 21, No.6 , 625—638, 1985.
[40] Jury E.I., “On the History and Progress of Sampled-Data Systems”, IEEE Control Systems Maga-
zine , 16—21, 1987.
[41] Kim Y.-S., (Samsung Electronics). “Unit Method for Determining Gains a of PID Controller Using
a Genetic Algorithm” U.S. Patent , No. 5,971,579, Oct. 26 1999.
[42] Lawrence D.A., Sethares W. A., Ren W., “Parameter Drift Instability in Adaptive Systems”, Pro-
ceedings of the IEEE Conference on Decision and Control , 3230—3235, December 1990.
[43] Li Z., Evans R.J., “Generalised minimum variance control of linear time-varying systems”, IEE Proc.
Control Theory Appl., Vol. 149 . 111—116, 2002.
[44] Ljung L., System Identification, Theory for the User . Second edition Prentice Hall PTR, 1999.
[45] Ljung L., Glad T., Anderson T., “Identidicability Implies Robust Identificability”, Proceeding of the
32nd Conference on Decision and Control , 567—569, 1993.
[46] Lundh M., Åström K.J., “Automatic Initialization of Robust Self-tuning Controllers”, Automatica
Vol. 30 , No. 11, 1649—1662, 1994.
[47] Luyben W.L., Process Model ling, Simulation and Control for Chemical Engineers . Mc Graw Hill,
1990.
[48] Luyben W.L., Luyben M.L., Essentials of process control . Mc Graw Hill International Editions,
1997.
[49] Masayoshi D., Yasuchika M., “Generalized Minimum Variance Control for Time Varying Systems
without Diophantine equation”, Proceedings of American Control Conference , 3230—3235, 2002.
[50] Masayoshi D., Yasuchika M., “A Study on Robust Asymptotic Tracking Property for Generalized
Minimum Variance Control”, Proceedings of American Control Conference , 1472—1477, 2002.
[51] Mendes R.S., Amaral W.C., Latre L.G., “Determination of weighting polynomials in generalized
minimum variance controllers”, IEE Proc. Control Theory Appl., Vol. 135 , 21—27, 1988.
[52] Mitsukura Y., Yamamoto T., Kaneda M., “A Design of Self-Tuning PID Controllers Using a Genetic
Algorithm”, Proceedings of American Control Conference , 1361—1365, 1999.
[53] Montmain J., Gentil S., “Dynamic causal model diagnostic reasoning for online technical process
supervision”, Automatica Vol. 36 , 1137—1152, 2000.
[54] Narendra K.S., “Parameter Adaptive Control - The End... or the Beginning?”, Proceedings of the
33rd Conference on Decision and Control , 2117—2125, 1994.
[56] Niu S., Fisher D.G., “Monitoring Parameter Identificability During on Line Identification”, Procce-
dings of IEEE Conference on Control Applications , 1717—1722, 1994.
147
REFERENCIAS BIBLIOGRÁFICAS
[57] Ogata K., Sistemas de Control en Tiempo Discreto . Segunda Edición, Pearson Educación, 1996.
[58] Oki T., Yamamoto T., Kaneda M., “A Comparison of Self-Tuning Control Schemes in Applications”,
SICE , 1593—1598, 1995.
[59] Paz Ramos M.A., Quintero-Mármol-Márquez E., Fernández Del Busto R., “Generalized Minimum
Variance with Pole Assigment Controller Modified for Practical Applications”, Proceedings of the
2004 IEEE International Conference on Control Applications , 1347—1352, 2004.
[60] Paz Ramos M.A., Quintero-Mármol E., Fernández Del Busto R. Olguı́n E. Santos O.J. Ponce P.,
“Improving Stability and Performance in a Generalized Minimum Variance Controller Using Dy-
namic Pole Assignment”, 2nd International Conference on Electrical and Electronics Engineering
and XI Conference on Electrical Engineering, Mexico City , 370—373, September 2005.
[61] Paz Ramos M.A., Fernandez Del Busto R., Quintero-Mármol E., “Generalized Minimum Variance
with Dynamic Pole Assignment Controller", Memorias del Congreso Nacional de Control Automático
2005 de la Asociación de México de Control Automático (AMCA), Cuernavaca Morelos, México,
articulo 77, Octubre 2005.
[62] Paz Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “PID Controller Tuning for
Stable and Unstable Processes”, GECCO 2004, Lecture Notes in Computer Science 3103 Springer
Verlag , 1—10, 2004.
[64] Paz Ramos M.A., Quintero-Mármol-Márquez E., Torres-Jiménez J., “Automatic Intelligent Initializa-
tion for a Modified Generalized Minimum Variance Controller”, Procceding of the 5th Asian Control
Conference , 1231—1238, 2004.
[65] Pereira J.M. Dias., “A Fieldbus Prototype for Educational Purposes”, IEEE Instrumentation Mea-
surement Magazine , 24—31, 2004.
[67] Ponce Cruz P., Paz Ramos M.A., Fernandez Del Busto R. Quintero-Mármol E., “DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment”,
Proc. IEEE International Symposium on Industrial Electronics. Dubrovnik, Croatia , 957—962, June
2005.
[68] Poulin E., Pormeleau A., “PI Setting for Integrating Processes Based on Ultimate Cycle Information”,
IEEE Transactions on Control Systems Technology, Vol. 7, No. 4 , 509—511, July 1999.
[69] Reeve A., “Auto-Tuning and Self-Tuning Controllers”, C&I , 67—69, October 1991.
[70] Reyes A., “Producción Inteligente”, Manufactura, Año 10, Número 106 , 73—81, Abril 2004.
[71] Rhinehart R.R., “The century’s greatest contributions to control practice”, ISA Transactions ,
Vol. 39, 3—13, 2000.
[72] Rohrs C. E., Valvani L., Athans M. Stein G., “Robustness of Continuous-Time Adaptive Control
Algorithms in the Presence of Unmodeled Dynamics”, IEEE Transactions on Automatic Control ,
AC-30, No. 9 , 881—889, September 1985.
148
REFERENCIAS BIBLIOGRÁFICAS
[73] Sazali Y., Faisal A.M., Mohamed F.A., “On-line self-tuning controller for induction motor based on
generalized minimum variance method”, SICE , 875—878, 1998.
[74] Shoureshi R., “Active Noise Control: A Marriage of Acoustics and Control”, Proceedings of the
American Control Conference , 3444—3448, June 1994.
[75] Smith C. A., Corripio A. B., Control Automático de Procesos. Teorı́a Y Práctica . Editorial Noriega
Limusa, 2002.
[76] Strothman J., “Leaders of the pack”, InTech 50 , 22—27, August 2003.
[77] Takatsu H., Itoh T., “Future Needs for Control Theory in Industry - Report of Control Technology
Survey in Japanese Industry”, IEEE Transactions on Control Systems technology, Vol. 7, No.3 ,
298—305, May 1999.
[78] Thornhill N. F., Cox J. W., Paulonis M. A., “Diagnosis of Plant-Wide Oscillation Through Data-
Driven Analysis and Process Understanding”, Control Engineering Practice ,Vol. 11 ,1481—1490, 2003.
[79] Vázquez C.M., “La Nueva Generación de PLC’s, PAC’s Controladores Automáticos Programables”,
InTech México Automatización, año 3, No. 2 , 16—21, Abril-Junio 2004.
[80] Visioli A., “Optimal Tuning of PID Controllers for Integral and Unstable Processes”, IEE Proc.-
Control Theory Appl., Vol. 148, No. 2 , 181—184, March 2001.
[81] Wellstead P.E., Prager F., Zanker P., “Pole Assigment self-tuning regulators”, IEE Proc. Control
Theory Appl., No. 126 , 781—787, 1979.
[82] Wellstead P.E., Zarrop M.B., Self-Tuning Systems, Control and Signal Processing . John Wiley &
Sons, 1991.
[83] Wilbanks W.S., “50 Years of Progress in Measuring and Controlling Industrial Processes”, IEEE
Control Systems Magazine Vol. 16, No.1 , 62—66, 1996.
[84] Wittenmark B., Åström K.J., “Practical Issues in the Implementation of Self-Tuning Control”,
Automatica Vol. 20 , 595—605, 1984.
[85] Xia L., Moore J.B., Gevers M., “On adaptive estimation and pole assigment of overparametrized
systems”, International Journal of Adaptive Control and Signal Processing No.1 , 143—160, 1987.
[86] Xia L., Moore J.B., “Recursive Identification of Overparametrized Systems”, IEEE Transactions on
automatic control, Vol. 34, No. 3 , 327—331, 1989.
[87] Y.-Ang K. H., Chong G. C. Y., “Patents, Software, and Hardware for PID Control”, IEEE Control
Systems Magazine , February 2006.
[88] Yamamoto T., Fujii K., Kaneda M., “Self-Tuning Temperature Control of a Polymerizing Reactor”,
1110—1114, 1998.
[89] Yamamoto T., Inoue A., Shah S.L., “Generalized Minimum Variance Self-Tuning Pole-Assigment
Controller with PID Structure”, Proceedings of IEEE International Conference on Control Applica-
tions , 125—130, 1999.
[90] Ziegler J.G., Nichols N. B., “Optimum Settings for Automatic Controllers”, Trans. ASME, No. 64 ,
759—7687, November 1942.
149