Está en la página 1de 44

POSGRADOS

MAESTRÍA EN ELECTRÓNICA Y AUTOMATIZACIÓN

Capítulo 1: Fundamentos matemáticos de sistemas discretos.


Temas:
1.1 Modelación matemática del proceso de muestreo y retención.
1.2 Reconstrucción de datos y filtrado de señales discretas.
1.3 Trasformada Z, inversa, propiedades y su relación con Laplace.
1.4 Ecuaciones de diferencia, función de transferencia pulso de sistemas discretos y retenedores.
1.5 Métodos de Linealización.

Docente:
Ph.D. Walter Humberto Orozco Tupacyupanqui

Cuenca, marzo 2019-agosto 2019


2

POSGRADOS
MAESTRÍA EN ELECTRÓNICA Y AUTOMATIZACIÓN

 Objetivo de la asignatura:
Esta asignatura tiene como objetivo profundizar el estudio de los sistemas de control digital, partiendo desde la
comprensión de los fundamentos matemáticos de los sistemas discretos y se complementa con el desarrollo de
habilidades para la utilización de herramientas matemáticas y computacionales para la representación, el análisis, el
diseño y la implementación de sistemas de control lineales y no lineales.

 Resultados de Aprendizaje del capitulo:

 Comprende los fundamentos matemáticos de los sistemas discretos.

PhD. Walter Orozco Maestría en Electrónica y Automatización


3
1.1 Mathematical modeling of the sampling process.

1.1.1 Finite-Pulsewidth sampler

𝑝 𝑡 = 𝑢 𝑡 − 𝐾𝑇 − 𝑢 𝑡 − 𝑘𝑇 − 𝑝 , 𝑝 < 𝑇
𝑘=−∞

Fig.1 A uniform-rate sampler with finite
sampling duration 𝑓𝑝∗ (𝑡) = 𝑓 𝑡 𝑝 𝑡 = 𝑓(𝑡) 𝑢 𝑡 − 𝐾𝑇 − 𝑢 𝑡 − 𝑘𝑇 − 𝑝
𝑘=−∞

 Since the unit pulse train 𝑝(𝑡) is a periodic function with period 𝑇, it can be
represented by a Fourier series:

2𝜋
𝑝 𝑡 = 𝐶𝑛 𝑒 𝑗𝑛𝜔𝑠 𝑡 𝜔𝑠 = = 2𝜋𝑓𝑠 [rad/s]
𝑇
𝑘=−∞
Fig.3 Typical input and output wveforms of a
𝑇 𝑝 uniform-rate sampler
1 −𝑗𝑛𝜔𝑠 𝑡
1
𝐶𝑛 = 𝑃 𝑡 𝑒 𝑑𝑡 = 𝑒 −𝑗𝑛𝜔𝑠 𝑡 𝑑𝑡 𝑝 𝑡 = 1, 0 ≤ 𝑡 ≤ 𝑝
𝑇 0 𝑇 0

1 − 𝑒 −𝑗𝑛𝜔𝑠 𝑡 𝑝 𝑠𝑖𝑛 𝑛𝜔𝑠 𝑝/2 −𝑗𝑛𝜔 𝑝/2


𝐶𝑛 = = 𝑒 𝑠

Fig.2 Pulse-amplitude modulator as a sampler. 𝑗𝑛𝜔𝑠 𝑇 𝑇 𝑛𝜔𝑠 𝑝/2




𝑝 𝑠𝑖𝑛 𝑛𝜔𝑠 𝑝/2 −𝑗𝑛𝜔 𝑝/2 𝑗𝑛𝜔 𝑡 𝑓𝑝∗ (𝑡) = 𝐶𝑛 𝑓 𝑡 𝑒 𝑗𝑛𝜔𝑠 𝑡
𝑝 𝑡 = 𝑒 𝑠 𝑒 𝑠
𝑇 𝑛𝜔𝑠 𝑝/2 𝑘=−∞
𝑛=−∞

PhD. Walter Orozco Maestría en Electrónica y Automatización


4

∞ ∞

𝑓𝑝∗ (𝑡) = 𝐶𝑛 𝑓 𝑡 𝑒 𝑗𝑛𝜔𝑠 𝑡 𝐹𝑝∗ (𝑗𝜔) = 𝐶𝑛 𝔉 𝑓(𝑡)𝑒 𝑗𝑛𝜔𝑠 𝑡


𝑛=−∞ 𝑛=−∞
Complex shifting theorem of the Fourier Transform
∞ ∞

𝐹𝑝∗ (𝑗𝜔) = 𝐶𝑛 𝐹 𝑗𝜔 + 𝑗𝑛𝜔𝑠 𝐹𝑝∗ (𝑗𝜔) = 𝐶𝑛 𝐹 𝑗𝜔 − 𝑗𝑛𝜔𝑠


𝑛=−∞ 𝑛=−∞

Folding frequency

Fig.4 Amplitude spectra of input and outpt signals of a finite-pulsewidth sampler.

PhD. Walter Orozco Maestría en Electrónica y Automatización


5

The sampled output has the same period as


Sampling period 𝑇 < 𝑇𝑐 /2
the input.

The output signal Will have a different


Sampling period 𝑇 > 𝑇𝑐 /2
frequency from the input (Aliasing)

The output frequency is referred to as


the alias frequency.
Fig. 5 (a) sampling frequency is greater than two times the frequency of the input signal. No
aliasing. (b) Aliasing caused by the inadequate sampling rate. 𝑇 is the samplnig period, 𝑇𝑐 the
period of input signal.

 Sampling theorem: The requieren that 𝜔𝑠 be at least twice as large as the A low sampling frequency normally has a detrimental effect
highest frequency (Nyquist frequency 𝜔𝑐 ) contained in the signal is formally on the stability of a closed-loop system.
known as the sampling theorem

PhD. Walter Orozco Maestría en Electrónica y Automatización


6
1.1.2 Mathematical modeling of Sampling by Convolution Integral

 Fourier Transform:  Laplace Transform:

∞ ∞
𝑝 𝑠𝑖𝑛 𝑛𝜔𝑠 𝑝/2 −𝑗𝑛𝜔 𝑝/2 𝑝 𝑠𝑖𝑛 𝑛𝜔𝑠 𝑝/2 −𝑗𝑛𝜔 𝑝/2
𝐹𝑝∗ (𝑗𝜔) = 𝑒 𝑠 𝐹 𝑗𝜔 + 𝑗𝑛𝜔𝑠 𝐹𝑝∗ (𝑠) = 𝑒 𝑠 𝐹 𝑠 + 𝑗𝑛𝜔𝑠
𝑇 𝑛𝜔𝑠 𝑝/2 𝑇 𝑛𝜔𝑠 𝑝/2
𝑛=−∞ 𝑛=−∞

 Laplace Transform [𝐹(𝑠) has 𝑘 simple poles]  Laplace Transform [𝐹(𝑠) has 𝑘 poles with multiplicity 𝑚𝑛 ≥ 1]

𝑘 𝑘 𝑚𝑛
𝑁 𝛾𝑛 1−𝑒 −𝑝(𝑠−𝛾𝑛 ) (−1)𝑚𝑛 −𝑖 𝐾𝑛𝑖 𝜕 𝑚𝑛−𝑖 1 − 𝑒 −𝑝𝑠
𝐹𝑝∗ 𝑠 = 𝐹𝑝∗ 𝑠 =
𝐷 ′ 𝛾𝑛 (𝑠 − 𝛾𝑛 ) 1 − 𝑒 −𝑇(𝑠−𝛾𝑛 ) 𝑚𝑛 − 𝑖 ! 𝜕𝑠 𝑚𝑛−𝑖 𝑠(1 − 𝑒 −𝑇𝑠 ) 𝑠=𝑠−𝑠𝑛
𝑛=1 𝑛=1 𝑖=1

𝑁 𝛾𝑛 1 𝜕 𝑖−1 𝑚𝑛
𝐹 𝛾 = 𝐾𝑛𝑖 = 𝑠 − 𝑠𝑛 𝐹(𝑠)
𝐷 𝛾𝑛 𝑖 − 1 ! 𝜕𝑠 𝑖−1 𝑠=𝑠𝑛

𝑑𝐷 𝛾  The residue at the pole γ = 𝛾𝑛 which has a multiplicty of 𝑚𝑛 ≥ 1


𝐷′ 𝛾𝑛 =
𝑑𝛾 𝛾=𝛾𝑛
1 𝜕 𝑚𝑖 −1 𝑚𝑖
1 − 𝑒 −𝑝(𝑠−𝛾)
𝛾 − 𝛾𝑖 𝐹(𝛾)
𝛾𝑛 : nth simple pole of 𝐹 𝛾 , 𝑛 = 1,2, ⋯ , 𝑘 𝑚𝑖 − 1 ! 𝜕𝛾 𝑚𝑖 −1 1 − 𝑒 −𝑇(𝑠−𝛾) 𝛾=𝛾𝑛

PhD. Walter Orozco Maestría en Electrónica y Automatización


7
1.1.3 Flat-top approximation of Finite-Pulsewidth Sampling

 If the sampling duration 𝑝 is very much smaller tan the sampling period 𝑇 and the smallest time constant of the signal 𝑓(𝑡), the sampler output 𝑓𝑝∗ (𝑡)
can be approximated by a sequence of flat-topped pulses.

𝑓 𝑘𝑇 𝑘𝑇 ≤ 𝑡 ≤ 𝑘𝑇 + 𝑝
𝑓𝑝∗ (𝑡) = 𝑘 = 0,1,2, ⋯
0 𝑘𝑇 + 𝑝 ≤ 𝑡 ≤ (𝑘 + 1)𝑇

∞ ∞
Expressed as 1 − 𝑒 −𝑝𝑠 −𝑘𝑇𝑠
𝑓𝑝∗ (𝑡) = 𝑓(𝑘𝑇) 𝑢 𝑡 − 𝐾𝑇 − 𝑢 𝑡 − 𝑘𝑇 − 𝑝 an Infinite 𝐹𝑝∗ (𝑠) = 𝑓(𝑘𝑇) 𝑒
series 𝑠
𝑘=0 𝑘=0

 Since the sampling duration 𝑝 is very small, 𝑝𝑠 2


the term 𝑒 −𝑝𝑠 can be approximated by −𝑝𝑠
1−𝑒 = 1 − 1 − 𝑝𝑠 + − ⋯ ≅ 𝑝𝑠
taking only the first two terms of its power- 2!
series expansión.

𝐹𝑝∗ (𝑠) = 𝑝 𝑓(𝑘𝑇) 𝑒 −𝑘𝑇𝑠


𝑘=0

𝑓𝑝∗ (𝑡) = 𝑝 𝑓(𝑘𝑇) 𝛿(𝑡 − 𝑘𝑇)


𝑘=0

PhD. Walter Orozco Maestría en Electrónica y Automatización


8
1.1.4 The ideal sampler
∞ ∞

𝑓𝑝∗ (𝑡) = 𝑝 𝑓(𝑘𝑇) 𝛿(𝑡 − 𝑘𝑇) 𝑓∗ 𝑡 = 𝑓 𝑘𝑇 𝛿 𝑡 − 𝑘𝑇 = 𝑓(𝑡)𝛿𝑇 (𝑡)


𝑘=0 𝑘=0


 An ideal simpler is defined as a sampler which closes
𝐹∗ 𝑠 = 𝑓 𝑘𝑇 𝑒 −𝑘𝑇𝑠 and opens instantaneously, every 𝑇 seconds, for a zero
𝑘=0 duration.

 Alternative expresions :

 𝑭(𝒔) has 𝒌 simple poles:  𝑭(𝒔) has 𝒌 simple poles with multiplicity 𝒎𝒏 ≥ 𝟏:
𝑘 𝑚𝑛
𝑘

(−1)𝑚𝑛 −𝑖 𝐾𝑛𝑖 𝜕 𝑚𝑛 −𝑖 1
𝑁 𝛾𝑛 1 𝐹 𝑠 =
𝐹∗ 𝑠 = 𝑚𝑛 − 𝑖 ! 𝜕𝑠 𝑚𝑛 −𝑖 1 − 𝑒 −𝑇𝑠 𝑠=𝑠−𝑠𝑛
𝐷′ 𝛾𝑛 1 − 𝑒 −𝑇(𝑠−𝛾𝑛 ) 𝑛=1 𝑖=1
𝑛=1
1 𝜕 𝑖−1 𝑚𝑛
𝑁 𝛾𝑛 𝐾𝑛𝑖 = 𝑠 − 𝑠𝑛 𝐹(𝑠)
𝐹 𝛾 = 𝑖 − 1 ! 𝜕𝑠 𝑖−1 𝑠=𝑠𝑛
𝐷 𝛾𝑛
The residue at the pole γ = 𝛾𝑛 which has a
𝑑𝐷 𝛾 multiplicty of 𝑚𝑛 ≥ 1
𝐷′ 𝛾𝑛 =
𝑑𝛾 𝛾=𝛾𝑛 1 𝜕 𝑚𝑛 −1 𝑚𝑛
1 Fig.6 Ideal sampler operator
𝛾 − 𝛾𝑛 𝐹(𝛾)
𝑚𝑛 − 1 ! 𝜕𝛾 𝑚𝑛 −1 1 − 𝑒 −𝑇(𝑠−𝛾)
𝛾𝑛 : nth simple pole of 𝐹 𝛾 , 𝑛 = 1,2, ⋯ , 𝑘 𝛾=𝛾𝑛

PhD. Walter Orozco Maestría en Electrónica y Automatización


9
Example:
𝑁 𝑠 1 𝐾=1
 A simple pole: 𝑓(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡) 𝐹 𝑠 = = Simple pole at 𝑠 = −𝑎
𝐷 𝑠 𝑠+𝑎

𝑘
𝑁 𝛾𝑛 1 𝑁 𝛾𝑛 1
𝐹 𝑠 = = ′
𝐷 𝛾𝑛 = 1 𝐹∗ 𝑠 =
𝐷 𝛾𝑛 𝛾+𝑎 𝐷′ 𝛾𝑛 1 − 𝑒 −𝑇(𝑠−𝛾𝑛 )
𝑛=1

1
Simple pole at 𝛾1 = −𝑎 𝐹∗ 𝑠 =
1 − 𝑒 −𝑇(𝑠+𝑎)
 Multiple-order poles:

1
𝑓(𝑡) = 𝑡𝑢(𝑡) 𝐹(𝑠) = 𝐾=1 𝑠1 = 0 𝑚1 = 2
𝑠2 2

(−1)2−𝑖 𝐾1𝑖 𝜕 2−𝑖 1
𝐹 𝑠 =
1 𝜕 𝑖−1 2 − 𝑖 ! 𝜕𝑠 2−𝑖 1 − 𝑒 −𝑇𝑠 𝑠=𝑠, 𝑧=𝑒 𝑇𝑠
𝑚1 𝑖=1
𝐾1𝑖 = 𝑠 − 𝑠1 𝐹(𝑠)
𝑖 − 1 ! 𝜕𝑠 𝑖−1 𝑠=𝑠1


𝜕 1 𝑇𝑒 −𝑇𝑠
1 𝜕1−1 1 1 1 𝐹 𝑠 =− =
𝐾11 = 𝑠 2 𝐾11 = 𝑠 2
=1 𝜕𝑠 1 − 𝑒 −𝑇𝑠 1 − 𝑒 −𝑇𝑠 2

1 − 1 ! 𝜕𝑠1−1 𝑠2 1−1 ! 𝑠2 𝑠=0


𝑠=0

PhD. Walter Orozco Maestría en Electrónica y Automatización


10
1.2 Data reconstruction and filtering of sampled signals

 When the sampled-data or digital signals appear in a control system, they should be first converted into analog signals before being applied to the
controlled process.

 The problem of data construction can be regarded as: Given a sequence of numbers, 𝑓 0 , 𝑓 𝑇 , 𝑓 2𝑇 , ⋯ , 𝑓 𝑘𝑇 , ⋯ , a continuous-data signal
𝑓 𝑡 , 𝑡 ≥ 0, is to be reconstructed from information contained in the sequence.

Extrapolation process

𝑓 (2) 𝑘𝑇 Aproximation is based on the power-series


𝑓𝑘 𝑡 = 𝑓 𝑘𝑇 + 𝑓 (1) 𝑘𝑇 𝑡 − 𝑘𝑇 + 𝑡 − 𝑘𝑇 2
+⋯
2! expansión of 𝑓(𝑡)

𝑓𝑘 𝑡 = 𝑓 𝑡 𝑘𝑇 ≤ 𝑡 < 𝑘 + 1 𝑇

𝑛
𝑑 𝑓(𝑡)  The derivatives of the function 𝑓(𝑡) must be obtained at the sampling
𝑓 𝑛
𝑘𝑇 = 𝑛 = 1,2, …
𝑑𝑡 (𝑛) 𝑡=𝑘𝑇
instants.
 Since the only available information on 𝑓(𝑡) is its magnitudes at the sampling
instants, the derivatives of 𝑓(𝑡) must be estimated from the values of 𝑓(𝑘𝑇).

PhD. Walter Orozco Maestría en Electrónica y Automatización


11
 A simple expresión involving only two data pulses gives an estimate of the first derivative of 𝑓(𝑡) at 𝑡 = 𝑘𝑇:

1
𝑓 (1) 𝑘𝑇 = 𝑓 𝑘𝑇 − 𝑓 𝑘 − 1 𝑇
𝑇

 Similarly, the second derivative:


1 (1) 1
𝑓 (2) 𝑘𝑇 = 𝑓 𝑘𝑇 − 𝑓 (1) 𝑘 − 1 𝑇 𝑓 (1) 𝑘 − 1 𝑇 = 𝑓 𝑘−1 𝑇 −𝑓 𝑘−2 𝑇
𝑇 𝑇

1 1 1
𝑓 (2) 𝑘𝑇 = 𝑓 𝑘𝑇 − 𝑓 𝑘 − 1 𝑇 − 𝑓 𝑘 − 1 𝑇 − 𝑓 𝑘 − 2 𝑇
𝑇 𝑇 𝑇

1
𝑓 (2) 𝑘𝑇 = 𝑓 𝑘𝑇 − 𝑓 𝑘 − 1 𝑇 − 𝑓 𝑘 − 1 𝑇 + 𝑓 𝑘 − 2 𝑇
𝑇2

1 We have expressed the second derivative of 𝑓(𝑡) at 𝑡 = 𝑘𝑇 in terms of 𝑓(𝑘𝑇)


𝑓 (2) 𝑘𝑇 = 𝑓 𝑘𝑇 − 2𝑓 𝑘 − 1 𝑇 + 𝑓 𝑘 − 2 𝑇
𝑇2 and the sampled values at two preceding sampling instants.

 The number of delayed pulse data required to approximate the value of 𝑓 𝑛 (𝑘𝑇) is 𝑛 + 1.
 The number of delays depends on the degree of accuracy of the estimate of the time function 𝑓(𝑡) during the Interval 𝑘𝑇 to (𝑘 + 1)𝑇.

PhD. Walter Orozco Maestría en Electrónica y Automatización


12
1.2.1 The zero-order hold (zoh-extrapolator).
Laplace Transform:

𝑓𝑘 𝑡 = 𝑓 𝑘𝑇 𝑘𝑇 ≤ 𝑡 < 𝑘 + 1 𝑇
1 𝑒 −𝑇𝑠 1 − 𝑒 −𝑇𝑠
𝐺ℎ𝑜 𝑠 = − =
𝑠 𝑠 𝑠
𝑔ℎ𝑜 𝑡 = 𝑢 𝑡 − 𝑢(𝑡 − 𝑇)

Frequency representation:
Fig. 7 Impulse response of zero-order hold.

1 − 𝑒 −𝑗𝜔𝑇
𝐺ℎ𝑜 𝑗𝜔 =
𝑗𝜔

2𝑒 −𝑗𝜔𝑇/2 𝑒 𝑗𝜔𝑇/2 − 𝑒 −𝑗𝜔𝑇/2


𝐺ℎ𝑜 𝑗𝜔 =
𝑗2𝜔

2𝑠𝑖𝑛 𝜔𝑇/2 𝑒 −𝑗𝜔𝑇/2 T: sampling period [s]


𝐺ℎ𝑜 𝑗𝜔 = 𝜔𝑠 : sampling frequeny [rad/s]
𝜔

𝑇𝑠𝑖𝑛 𝜔𝑇/2 𝑒 −𝑗𝜔𝑇/2


𝐺ℎ𝑜 𝑗𝜔 = 𝑇 = 2𝜋/𝜔𝑠
𝜔𝑇/2 Fig. 8. (a) Input signal to an
ideal sampler. (b) Output
signal of an ideal sampler. (c)
2𝜋 𝑠𝑖𝑛 𝜔𝜋/𝜔𝑠 𝑒 −𝑗(𝜔𝜋/𝜔𝑠 ) Output signal of a zero-
𝐺ℎ𝑜 𝑗𝜔 = orderhold (ZOH) device.
𝜔𝑠 𝜔𝜋/𝜔𝑠

PhD. Walter Orozco Maestría en Electrónica y Automatización


13

Magnitude

2𝜋 𝑠𝑖𝑛 𝜔𝜋/𝜔𝑠
𝐺ℎ𝑜 𝑗𝜔 =
𝜔𝑠 𝜔𝜋/𝜔𝑠

𝑠𝑖𝑛 𝜔𝜋/𝜔𝑠
𝐺ℎ𝑜 𝑗𝜔 = 𝑇
𝜔𝜋/𝜔𝑠

𝑇 = 2𝜋/𝜔𝑠

Phase

∡𝐺ℎ𝑜 𝑗𝜔 = ∡𝑠𝑖𝑛(𝜔𝜋/𝜔𝑠 )- 𝜔𝜋/𝜔𝑠

Fig. 9. Gain and phase characteristic of the zero-order hold.

PhD. Walter Orozco Maestría en Electrónica y Automatización


14
1.2.2 The first-order hold (foh-extrapolator).

𝑓 𝑘𝑇 − 𝑓 𝑘 − 1 𝑇
𝑓𝑘 𝑡 = 𝑓 𝑘𝑇 + 𝑓 (1) 𝑘𝑇 𝑡 − 𝑘𝑇 𝑓𝑘 𝑡 = 𝑓 𝑘𝑇 + 𝑡 − 𝑘𝑇
𝑇
𝑘𝑇 ≤ 𝑡 < 𝑘 + 1 𝑇
1
𝑓 (1) 𝑘𝑇 = 𝑓 𝑘𝑇 − 𝑓 𝑘 − 1 𝑇
𝑇

The output of the foh between two


consecute sampling instants is a ramp
function.
Fig. 10. Impulse response of first-order hold.
The impulse response:

𝑓 0 − 𝑓 −1 𝑇 𝑡
k=0 𝑓0 𝑡 = 𝑓 0 + 𝑡 For a unit impulse: 𝑓 0 = 1, 𝑓 −1 𝑇 = 0 𝑓0 𝑡 = 1 + 0≤𝑡<𝑇
𝑇 𝑇

𝑓 𝑇 −𝑓 0 𝑡
k=1 𝑓1 𝑡 = 𝑓 𝑇 + 𝑡−𝑇 For a unit impulse: 𝑓 0 = 1, 𝑓 𝑇 = 0 𝑓1 𝑡 = 1 − T ≤ 𝑡 < 2𝑇
𝑇 𝑇

𝑓 2𝑇 − 𝑓 1 𝑇
k=2 𝑓2 𝑡 = 𝑓 2𝑇 + 𝑡 − 2𝑇
𝑇
For a unit impulse: 𝑓 𝑇 = 0, 𝑓 2𝑇 = 0 𝑓2 𝑡 = 0 2T ≤ 𝑡 < 3𝑇
The impulse response of the foh for 𝑡 > 2𝑇 is zero

PhD. Walter Orozco Maestría en Electrónica y Automatización


15
𝑡
𝑓0 𝑡 = 1 + 0≤𝑡<𝑇
𝑇 T: sampling period [s]
Funcional impulse response 𝑇 = 2𝜋/𝜔𝑠
𝑡 𝜔𝑠 : sampling frequeny [rad/s]
𝑓1 𝑡 = 1 − T ≤ 𝑡 < 2𝑇
𝑇

𝑡 2 𝑡−𝑇 𝑡 − 2𝑇
𝑔ℎ1 𝑡 = 𝑢 𝑡 + 𝑢 𝑡 − 𝑇 − 2𝑢 𝑡 − 𝑇 − 𝑢 𝑡−𝑇 + 𝑢 𝑡 − 2𝑇 𝑢 𝑡 − 2𝑇 + 𝑢(𝑡 − 2𝑇)
𝑇 𝑇 𝑡

2 2
1 + 𝑇𝑠 1 − 𝑒 −𝑇𝑠 1 + 𝑇𝑠 2 1 + 𝑇𝑠 1 − 𝑒 −𝑗𝜔𝑇
𝐺ℎ1 𝑠 = 𝐺ℎ1 𝑠 = 𝐺ℎ0 𝐺ℎ1 𝑗𝜔 =
𝑇 𝑠 𝑇 𝑇 𝑗𝜔

Magnitude

2
2𝜋 4𝜋 2 𝜔 2 sin(𝜋𝜔/𝜔𝑠 )
𝐺ℎ1 𝑗𝜔 = 1+
𝜔𝑠 𝜔𝑠2 (𝜋𝜔/𝜔𝑠 )
Phase
2𝜋𝜔 2𝜔𝜋
∡𝐺ℎ1 𝑗𝜔 = tan−1 −
𝜔𝑠 𝜔𝑠

Fig. 11. Reconstruction of a continuous-time signal by means of a first-order hold

PhD. Walter Orozco Maestría en Electrónica y Automatización


16

Magnitude

2
2𝜋 4𝜋 2 𝜔 2 sin(𝜋𝜔/𝜔𝑠 )
𝐺ℎ1 𝑗𝜔 = 1+
𝜔𝑠 𝜔𝑠2 (𝜋𝜔/𝜔𝑠 )

2
4𝜋 2 𝜔 2 sin(𝜋𝜔/𝜔𝑠 )
𝐺ℎ1 𝑗𝜔 = 𝑇 1 +
𝜔𝑠2 (𝜋𝜔/𝜔𝑠 )

𝑇 = 2𝜋/𝜔𝑠
Phase

2𝜋𝜔 2𝜔𝜋
∡𝐺ℎ1 𝑗𝜔 = tan−1 −
𝜔𝑠 𝜔𝑠

∡𝐺ℎ1 𝑗𝜔 = tan−1 𝑇𝜔 − 𝑇𝜔

Fig. 12. Gain and phase characteristic of the first-order hold.

PhD. Walter Orozco Maestría en Electrónica y Automatización


17
1.2.3 The Slewer hold (sh-extrapolator).

(𝑡 + 𝑇) 2𝑡 (𝑡 − 𝑇) 𝑒 𝑇𝑠 − 2 + 𝑒 −𝑇𝑠 Laplace transform


𝑔ℎ𝑝 𝑡 =− 𝑢 𝑡+𝑇 − 𝑢 𝑡 + 𝑢 𝑡−𝑇 𝐺ℎ𝑝 𝑠 =
𝑇 𝑇 𝑇 𝑇𝑠 2

2
(1 − 𝑒 −𝑇𝑠 )2 𝑇𝑠 𝐺ℎ0
𝐺ℎ𝑝 𝑠 = 𝑒 𝐺ℎ𝑝 𝑠 = 𝑒 𝑇𝑠
𝑇𝑠 2 𝑇

The term 𝑒 𝑇𝑠 makes the 𝐺ℎ𝑝 (𝑠) phisically unrealizable


(not causal)

2
𝐺ℎ0 (1 − 𝑒 −𝑇𝑠 )2
𝐺ℎ𝑠 𝑠 = =
𝑇 𝑇𝑠 2
(1 − 𝑒 −𝑗𝜔𝑇 )2
𝐺ℎ𝑠 𝑗𝜔 = −
𝑇𝜔 2

Phase Magnitude

2𝜔𝜋 2 1 − cos(𝜔𝑇)
∡𝐺ℎ𝑠 𝑗𝜔 = − 𝐺ℎ𝑠 𝑗𝜔 =
𝜔𝑠 𝑇𝜔 2
Fig. 13. Gain and phase characteristic of the slewer holder.

PhD. Walter Orozco Maestría en Electrónica y Automatización


18

Fig. 14. Gain and phase characteristic of the zero-order-hold, first-order hold and slewer hold.

PhD. Walter Orozco Maestría en Electrónica y Automatización


19

1.3 Trasformada Z, inversa, propiedades y su relación con Laplace.

1.3.1 Definition of the z-Transform

Consider the sequence 𝑦 𝑘 , 𝑘 = 0, 1, 2, … , where 𝑦(𝑘) could represent a sequence of numbers or events. The z-transform of 𝑦(𝑘) is defined as:

1.3.2 Relationship between the Laplace Transform and the z-Transform

 We represent the sequence 𝑦 𝑘𝑇 , 𝑘 = 0, 1, 2, … as a train of impulses separated by the time interval 𝑇 (Sampling period).
 This situation occurs quite often in digital and sampled-data control systems in which a signal 𝑦(𝑡) is digitized or sampled every 𝑇 seconds to form a
time sequence that represents the signal at the sampling instants.

The z-transform may be related


to the
Laplace transform

Important: We must understand that the function 𝑦(𝑡) is first sampled


or discretized to get 𝑦 ∗ (𝑡) before taking the z-transform.

PhD. Walter Orozco Maestría en Electrónica y Automatización


20
Example:

𝑌 𝑧 = 𝑒 −𝛼𝑇𝑘 𝑧 −𝑘
𝑘=0
Convergence

𝑌 𝑧 = 𝑒 −𝛼𝑇 𝑧 −1 𝑘
𝑒 −𝛼𝑇 𝑧 −1 < 1
𝑘=0

1
𝑌 𝑧 =
1 − 𝑒 −𝛼𝑇 𝑧 −1

PhD. Walter Orozco Maestría en Electrónica y Automatización


21
1.3.3 An alternative expression for 𝐹(𝑧)

The following development shows how 𝐹(𝑧) can be determined directly from 𝐹(𝑠)

 𝐹(𝑠) has simple poles.

𝑘 𝑘 𝑘
𝑁 𝛾𝑛 1 𝑁 𝛾𝑛 1 𝑁 𝛾𝑛 1
𝐹∗ 𝑠 = 𝐹∗ 𝑠 = 𝐹 𝑧 =
𝐷′ 𝛾𝑛 1 − 𝑒 −𝑇(𝑠−𝛾𝑛 ) 𝐷′ 𝛾𝑛 1 − 𝑒 𝛾𝑛𝑇 𝑒 −𝑇𝑠 𝐷 ′ 𝛾𝑛 1 − 𝑒 𝛾𝑛𝑇 𝑧 −1
𝑛=1 𝑛=1 𝑛=1

𝑁 𝛾𝑛 Simples poles at:


𝐹 𝛾 = 𝛾 = 𝛾𝑛 , 𝑛 = 1,2, … , 𝑘
𝐷 𝛾𝑛

 𝐹(𝑠) has multiple-order poles. 𝑑𝐷 𝛾


𝐷′ 𝛾𝑛 =
𝑑𝛾 𝛾=𝛾𝑛

𝑘 𝑚𝑛

(−1)𝑚𝑛 −𝑖 𝐾𝑛𝑖 𝜕 𝑚𝑛 −𝑖 1
𝐹 𝑠 =
𝑚𝑛 − 𝑖 ! 𝜕𝑠 𝑚𝑛 −𝑖 1 − 𝑒 −𝑇𝑠 𝑠=𝑠−𝑠𝑛 , 𝑧=𝑒 𝑇𝑠
𝑛=1 𝑖=1 For a pole at 𝑠 = 𝑠𝑛 with multiplicity 𝑚𝑛 > 1

1 𝜕 𝑚𝑛 −1 𝑚𝑛
1
1 𝜕 𝑖−1 𝑠 − 𝑠𝑛 𝐹(𝛾)
𝐾𝑛𝑖 = 𝑠 − 𝑠𝑛 𝑚𝑛
𝐹(𝑠) 𝑚𝑛 − 1 ! 𝜕𝑠 𝑚𝑛−1 1 − 𝑒 −𝑇𝑠 𝑧 −1 𝑠=𝑠𝑛
𝑖 − 1 ! 𝜕𝑠 𝑖−1 𝑠=𝑠𝑛

PhD. Walter Orozco Maestría en Electrónica y Automatización


22
Example:
1
 A simple pole: 𝑓(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡) 𝐹(𝑠) = Simple pole at 𝑠 = −𝑎 𝐾=1
𝑠+𝑎

𝑘
𝑁 𝛾𝑛 1 𝑁 𝛾𝑛 1
′ 𝐹 𝑧 =
𝐹 𝛾 = = 𝐷 𝛾𝑛 = 1
𝐷 𝛾𝑛 𝛾+𝑎 𝐷′ 𝛾𝑛 1 − 𝑒 𝛾𝑛𝑇 𝑧 −1
𝑛=1

 Multiple-order poles:
1 1
Simple pole at 𝛾1 = −𝑎 𝐹 𝑧 = =
1 − 𝑒 𝛾1 𝑇 𝑧 −1 1 − 𝑒 −𝑎𝑇 𝑧 −1
1
𝑓(𝑡) = 𝑡𝑢(𝑡) 𝐹(𝑠) = 𝐾=1 𝑠1 = 0 𝑚1 = 2
𝑠2 2

(−1)2−𝑖 𝐾1𝑖 𝜕 2−𝑖 1
1 𝜕𝑖−1 𝐹 𝑠 =
𝐾1𝑖 = 𝑠 − 𝑠1 𝑚1
𝐹(𝑠) 2 − 𝑖 ! 𝜕𝑠 2−𝑖 1 − 𝑒 −𝑇𝑠 𝑠=𝑠, 𝑧=𝑒 𝑇𝑠
𝑖−1 ! 𝜕𝑠 𝑖−1 𝑠=𝑠1 𝑖=1
𝜕 1
𝜕𝑖−1 𝜕2−1
𝐹∗ 𝑠 = −
𝐾1𝑖 =
1
𝑠 2 1
𝐾12 =
1
𝑠 2 1 𝜕𝑠 1 − 𝑒 −𝑇𝑠 𝑧=𝑒 𝑇𝑠
𝑖−1 ! 𝜕𝑠 𝑖−1 𝑠2 𝑠=0 2−1 ! 𝜕𝑠 2−1 𝑠2 𝑠=0

1 𝜕2−1 2 1 𝐹 ∗ 𝑠 = (1 − 𝑒 −𝑇𝑠 )−2 𝑇𝑒 −𝑇𝑠


1 𝜕1−1 2 1 𝐾12 = 𝑠 𝑧=𝑒 𝑇𝑠
𝐾11 = 𝑠 2−1 ! 𝜕𝑠 2−1 𝑠2 𝑠=0
1−1 ! 𝜕𝑠 1−1 𝑠2 𝑠=0
𝑇𝑧
𝐹 𝑧 = (1 − 𝑧 −1 −2
) 𝑇𝑧 −1 𝐹 𝑧 =
𝐾11 =
1
𝑠 2 1
=1 (𝑧 − 1)2
1−1 ! 𝑠 2 𝑠=0 𝐾12 = 0

PhD. Walter Orozco Maestría en Electrónica y Automatización


23
1.3.4 The inverse z-transform
TABLE I: Z-TRANSFORM
In general, the inverse z-transform of a function Y(z) yields information on y(kT) only, not
on y(t). In other words, the z-transform carries information only at the sampling instants.
With this in mind, the inverse z-transform can be carried out by one of the following three
methods:

1. Partial-fraction expansion
2. Power-series method
3. The inverse formula
 Partial-fraction expansion:

PhD. Walter Orozco Maestría en Electrónica y Automatización


24

 Power series method:

Based on the z-transform definition, it is we can clearly see that in the sampled case
the coefficient of 𝑧 −𝑘 in 𝑌(𝑧) is simply 𝑦(𝑘𝑇). Thus, if we expand 𝑌(𝑧) into a power
series in powers of 𝑧 −𝑘 , we can find the values of 𝑦 𝑘𝑇 for 𝑘 = 0, 1, 2, … .

𝐹 𝑧 = 𝑓 0 + 𝑓 𝑇 𝑧 −1 + 𝑓 2𝑇 𝑧 −2 + ⋯ + 𝑓 𝑘𝑇 𝑧 −𝑘 + ⋯

 Given the function 𝐹(𝑧), the best way to express it into a power series is to divide its numerator by its denominator by long division.
 The main difference bewteen the partial-fraction expansion method and the series expansion method is that the former gives a closed-form solution
to 𝑓(𝑘𝑇) whereas the latter gives a sequence of numbers.

1 − 𝑒 −𝑎𝑇 𝑧 𝑧 − 𝑧𝑒 −𝑎𝑇 𝑧 − 𝑧𝑒 −𝑎𝑇


𝐹 𝑧 = = 2 =
𝑧 − 1 𝑧 − 𝑒 −𝑎𝑇 𝑧 − 𝑧𝑒 −𝑎𝑇 − 𝑧 + 𝑒 −𝑎𝑇 𝑧 2 − 𝑧(1 + 𝑒 −𝑎𝑇 ) + 𝑒 −𝑎𝑇

𝐹 𝑧 = 1 − 𝑒 −𝑎𝑇 𝑧 −1 + 1 − 𝑒 −2𝑎𝑇 𝑧 −2 + 1 − 𝑒 −3𝑎𝑇 𝑧 −3 + ⋯

𝐹 𝑧 = 1 − 𝑒 −𝑎𝑘𝑇 𝑧 −𝑘 𝑓 𝑘𝑇 = 1 − 𝑒 −𝑎𝑘𝑇
𝑘=0

PhD. Walter Orozco Maestría en Electrónica y Automatización


25

 The inverse formula:

The time sequence 𝑦(𝑘𝑇) can be determined from 𝑌(𝑧) by use of the inversion formula:

which is a contour integration along the path Γ, that is, a circle of radius
𝑧 = 𝑒 𝑐𝑇 centered at the origin in the z-plane, and 𝑐 is a value such that the
poles of 𝑌(𝑧)𝑧 𝑘−1 are inside the circle.

 One way of evaluating the contour integration of the previous


Example: equation is to use the residue theorem of complex-variable theory.

1 𝑧(1 − 𝑒 −𝑎𝑇 )
𝑌 𝑧 = 𝑧 𝑘−1 𝑑𝑧 𝑓 𝑘𝑇 = 𝑟𝑒𝑠𝑖𝑑𝑢𝑒𝑠 𝑜𝑓 𝑌 𝑧 𝑧 𝑘−1 𝑎 𝑡ℎ𝑒 𝑝𝑜𝑙𝑒𝑠 𝑜𝑓 𝑌(𝑧)
2𝜋𝑗 𝑧 − 1 (𝑧 − 𝑒 −𝑎𝑇 )
Γ
𝑧=1 𝑧 = 𝑒 −𝑎𝑇
 Poles:

𝑧=1 𝑧(1 − 𝑒 −𝑎𝑇 ) 𝑘−1


𝑧 𝑘 (1 − 𝑒 −𝑎𝑇 ) 𝑧 𝑘 (1 − 𝑒 −𝑎𝑇 ) 𝑧 𝑘 (1 − 𝑒 −𝑎𝑇 )
𝑧 = =1 = −𝑒 −𝑎𝑘𝑇
𝑧 − 1 (𝑧 − 𝑒 −𝑎𝑇 ) 𝑧 − 1 (𝑧 − 𝑒 −𝑎𝑇 ) (𝑧 − 𝑒 −𝑎𝑇 ) 𝑧−1
𝑧 = 𝑒 −𝑎𝑇

𝑓 𝑘𝑇 = 1 − 𝑒 −𝑎𝑘𝑇 𝑘 = 0,1,2, …

PhD. Walter Orozco Maestría en Electrónica y Automatización


26
1.3.5 Theorems of the z-transform

TABLE II: THEOREMS OF THE Z-TRANSFORM

PhD. Walter Orozco Maestría en Electrónica y Automatización


27
1.4 Ecuaciones de diferencia, función de transferencia pulso de sistemas discretos y retenedores.

1.4.1 Solution of Linear Difference Equations

The z-transform can be used to solve linear difference equations. As a simple


example, let us consider the first-order unforced difference equation

Real Translation (Time Delay and Time Advance)

The inverse z-transform of the last equation can be obtained by expanding 𝑌(𝑧)
into a power series in 𝑧 −1 by long division. We have

𝑌 𝑧 = 1 − 𝑧 −1 + 𝑧 −2 − 𝑧 −3 + ⋯ 𝑦(0)

y 𝑘 = −1 𝑘 𝑦(0) 𝑘 = 0,1,2, …

PhD. Walter Orozco Maestría en Electrónica y Automatización


28

Example:

Consider the second-order difference equation:

Real Translation (Time Delay and Time Advance)

PhD. Walter Orozco Maestría en Electrónica y Automatización


29

1.4.2 Transfer function of discrete-data systems.

Fig. 16. Block diagram of a discrete-data system.

 The output of the ZOH is a staircase approximation of the input to the ideal
sampler, 𝑟(𝑡). As the sampling period 𝑇 approaches zero, the output of the
ZOH, ℎ(𝑡) approaches 𝑟(𝑡), that is,

Fig. 17. Discrete-data system with a fictitious sampler.


Fig. 15. (a) Input signal to an ideal sampler. (b) Output
signal of an ideal sampler. (c) Output signal of a zero-
order hold (ZOH) device.

PhD. Walter Orozco Maestría en Electrónica y Automatización


30

 Fourier Series
Fig. 18. Discrete-data system with a fictitious sampler.

 Since the unit impulse is defined as a pulse with a width of Δ and a


height of 1/Δ, and Δ ⟶ 0, 𝐶𝑛 is written:

1 1 − 𝑒 −𝑗𝑛𝜔𝑠∆ 1
𝐶𝑛 = lim 𝑒 −𝑗𝑛𝜔𝑠 𝑡 𝑑𝑡 = lim =
∆⟶0 𝑇∆ 0 ∆⟶0 𝑗𝑛𝜔𝑠 𝑇∆ 𝑇

1
𝛿𝑇 = 𝑒 𝑗2𝜋𝑛𝑡/𝑇
𝑇
𝑛=−∞

Taking the Laplace Transform:

PhD. Walter Orozco Maestría en Electrónica y Automatización


31
From previous análisis:

Pulse-Transfer Function
The fictitious sampler 𝑆2 has the same sampling
period 𝑇 and is synchronized to the original sampler 𝑆1 .

Fig. 19. Block diagram of a discrete-data system.

Fig. 20. Discrete-data system with a fictitious sampler.

PhD. Walter Orozco Maestría en Electrónica y Automatización


32
 z-Transfer Function: Same form

The same equation for 𝑅(𝑧)

1.4.3 Transfer Functions of Discrete-Data Systems with Cascade Elements

Fig. 21. Discrete-data system with cascaded elements


and a sampler separating the two elements.
𝑌 𝑠 = 𝐺2 (𝑠)𝐺1∗ (𝑠)𝐷 ∗ (𝑠)

PhD. Walter Orozco Maestría en Electrónica y Automatización


Fig. 22. Discrete-data system with cascaded elements 33
and no sampler in between.

𝐺 𝑠 = 𝐺1 (𝑠)𝐺2 (𝑠)

Important:
𝐺1 (𝑧)𝐺2 (𝑧) ≠ 𝐺1 𝐺2 (𝑧)

1.4.4 Transfer Function of the Zero-Order-Hold

The transfer function of the ZOH is written:

1 − 𝑒 −𝑇𝑠 1 𝑒 −𝑇𝑠
𝐺ℎ0 𝑧 =𝑍 =𝑍 −𝑍 =
𝑠 𝑠 𝑠

𝑧 𝑧 𝑧 1
𝐺ℎ0 𝑧 = − 𝑧 −1 = 1 − 𝑧 −1 =1 1−𝑧 −1
𝑍
𝑧−1 𝑧−1 𝑧−1 𝑠 Fig. 23. Impulse response of the ZOH.

PhD. Walter Orozco Maestría en Electrónica y Automatización


34

Plant

Fig. 24. ZOH and G(s) in cascade.

Example:

Consider that for the system shown in the following figure:

Fig. 25. Discrete system with ZOH and G(s) in cascade.

PhD. Walter Orozco Maestría en Electrónica y Automatización


35

1.4.5 Transfer Functions of Closed-Loop Discrete-Data Systems


The transfer functions of closed-loop discrete-data systems are derived using the following procedures:

1. Regard the outputs of samplers as inputs to the system.


2. All other non-inputs of the system are treated as outputs.
3. Write cause-and-effect equations between the inputs and the outputs of the system using the SFG gain formula.
4. Take the pulsed transform or the z-transform of the equations obtained in step 3, and manipulate these equations to get the pulse-transfer function or
the z-transfer function.

𝐸 ∗ 𝑠 = 𝑅∗ 𝑠 − 𝐺 𝑠 𝐻 𝑠 ∗ 𝐸 ∗ (𝑠)

𝐸 ∗ 𝑠 = 𝑅∗ 𝑠 − 𝐺𝐻 ∗ 𝑠 𝐸 ∗ (𝑠)
Fig. 26. Closed-loop discrete-data system

𝑅∗ (𝑠) 𝑌 ∗ 𝑠 = 𝐺(𝑠)𝐸 ∗ (𝑠) ∗ 𝐸 ∗ 𝑠 1 + 𝐺𝐻∗ 𝑠 = 𝑅∗ 𝑠



𝐸 𝑠 =
1 + 𝐺𝐻∗ 𝑠
𝑌 ∗ 𝑠 = 𝐺 ∗ (𝑠)𝐸 ∗ (𝑠)
𝑅∗ (𝑠) 𝑌∗ 𝑠 𝐺 ∗ (𝑠) 𝑌 𝑧 𝐺 (𝑧)
∗ ∗
𝑌 𝑠 = 𝐺 (𝑠) = =
1 + 𝐺𝐻 ∗ 𝑠 𝑅∗ (𝑠) 1 + 𝐺𝐻∗ 𝑠 𝑅(𝑧) 1 + 𝐺𝐻 𝑧
PhD. Walter Orozco Maestría en Electrónica y Automatización
36

𝑌 𝑠 = 𝐺 𝑠 𝑅 𝑠 − 𝐺 𝑠 𝐻(𝑠)𝑌 ∗ (𝑠)

𝑌∗ 𝑠 = 𝐺 𝑠 𝑅 𝑠 ∗
− 𝐺 𝑠 𝐻(𝑠) ∗ 𝑌 ∗ (𝑠)

𝑌 ∗ 𝑠 + 𝐺 𝑠 𝐻(𝑠) ∗ 𝑌 ∗ (𝑠) = 𝐺 𝑠 𝑅 𝑠 ∗
Fig. 26. Closed-loop discrete-data system

∗ 𝑌 ∗ 𝑠 1 + 𝐺 𝑠 𝐻(𝑠) ∗
= 𝐺 𝑠 𝑅 𝑠 ∗
𝐺𝑅 𝑠 𝐺𝑅 𝑧
𝑌∗ 𝑠 = Y 𝑧 =
1 + 𝐺𝐻 ∗ 𝑠 1 + 𝐺𝐻 𝑧 𝐺 𝑠 𝑅 𝑠 ∗

𝑌 𝑠 = ∗
Important: 1 + 𝐺 𝑠 𝐻(𝑠)
Of interest in this case is the fact taht we can no longer define the input-output transfer
function of this system. Since the input 𝑟(𝑡) is not directly sampled bu a sampler, the
sampled signal 𝑟 ∗ (𝑡) simply does not exist.

PhD. Walter Orozco Maestría en Electrónica y Automatización


37
1.5 Métodos de linealización.

Modelo dinámico: Se define como el conjunto de ecuaciones que relacionan las variables de interés del proceso y permiten reproducir su
comportamiento.

 Modelos para simulación.


 Modelos linealizados para el diseño de controladores analógicos como digitales.

y = 3u
Los sistemas lineales se representan por ecuaciones lineales, pudiendo ser tanto
ecuaciones estáticas como ecuaciones dinámicas (ODEs).
2𝑦 + 4𝑦 − 10𝑦 = 0.5𝑢

2𝑦 + 4𝑦 + 6𝑦 2 = 3𝑠𝑖𝑛𝑦
Los sistemas no lineales se representan por ecuaciones no lineales, pudiendo ser
tanto ecuaciones estáticas como ecuaciones dinámicas (ODEs).
𝑚𝑙𝜃 = −mg sin 𝜃 − 𝑘𝑙𝜃

La no linealidad del sistema implica que la aplicación de la misma señal en dos puntos de operación diferentes genera respuestas diferentes.

No se cumple la propiedad de aditividad: la suma de las salidas No se cumple la propiedad de homogeneidad: la multiplicación de
individuales es distinta, tanto en los aspectos dinámicos como estáticos, a una constante por la señal de entrada, modifica en la misma
la salida que se obtiene si se le aplica la señal de entrada suma de las antes proporción la señal de salida.
consideradas.

PhD. Walter Orozco Maestría en Electrónica y Automatización


38

1.5.1 No linealidades típicas en sistemas físicos.

 La salida de uncomponente puede saturarse a niveles altos de una señal de entrada.

 Un amplificador electrónico es lineal en un intervalo específico


pero presenta una saturación a altos voltajes de entrada.
 El posicionador eléctrico de una válvula no puede abrirse más del
100% ni cerrarse menos del 0%.

 Puede existir una zona muerta (rango de variaciones de entrada en las que el
componente es insensible) que afecte a las señales de pequeña magnitude.

Si un motor DC está parado se necesita una tension de


alimentación no nula por encima de cierto umbral para que el
motor supere la fricción estática y empiece a girar.

Fig. 27. Efectos de no linealidades en los sistemas


físicos.losed-loop discrete-data system

PhD. Walter Orozco Maestría en Electrónica y Automatización


39

 Pueden existir sistemas con histéresis.

 Huelgo estático en los engranajes entre motor y carga.

Sea 𝑋, el desplazamiento de la parte inferior del engranaje (motor) e 𝑌 el desplazamiento de la


parte superior (carga):

 Cuando empieza a moverse el engranaje motor en la dirección positiva, hasta que no se ha


desplazado una distancia (h) el engranaje de la carga no empieza a moverse, y a partir de ese
momento lo hacen de forma conjunta.
 Algo similar sucede cuando los engranajes motor y carga se está moviendo simultáneamente
hacia la derecha, y el engranaje motor comienza a moverse en la dirección izquierda.

El porque de la linealización:

 La formulación básica de la automática requiere de modelos matemáticos LINEALES.


 Si el modelo del sistema es no-lineal basta con realizar una aproximación lineal del mismo.
 El rango de validez de estos modelos linealizados está limitado al punto del entorno al cual se linealizan(punto de linealización).

𝑑𝑦(𝑡) 𝑘 𝑑∆𝑦(𝑡)
𝐵 =𝛽 𝑡 − 𝑦(𝑡) 𝐵 = ∆𝛽 𝑡 − 𝑘∆𝑦(𝑡)
𝑑𝑡 2 𝑑𝑡

PhD. Walter Orozco Maestría en Electrónica y Automatización


40

1.5.2 Proceso de linealización.

 Determinación de una aproximación lineal de una ecuación


no lineal que representa un sistema dinámico en un punto
dado.
 El modelo linealizado es válido en un entorno alrededor del punto
de linealización.
 Cuanto más nos alejemos de este punto, peor será la
aproximación.

Aproximación lineal

Expansión en serie de Taylor alrededor de un punto de operación 𝑥0 :

Fig. 28. Punto de análisis para linealización del proceso


matemático de expansion en series de Taylor.

Si la variación (𝑥 − 𝑥0 ) es pequeña, se pueden despreciar los términos de orden


superior. Por lo tanto, linealizar la función 𝑓(𝑥) basta con aproximarla por los
primeros dos términos de la serie:

PhD. Walter Orozco Maestría en Electrónica y Automatización


41
Ejemplo:

Modelo matemático
lineal

Bajo esta perspectiva la


diferencia 𝑦 − 𝑦0 es
proporcional a 𝑥 − 𝑥0 por medio
de la constante 𝐾.

PhD. Walter Orozco Maestría en Electrónica y Automatización


42
Ejemplo:

Linealice la ecuación no lineal 𝑧 = 𝑥𝑦 en la region 5 ≤ 𝑥 ≤ 7, 10 ≤ 𝑦 ≤ 12. Encuentre el error si se usa la ecuación linealizada para el valor de 𝑧
cuando 𝑥 = 5, y = 10.

 Como punto de interés se encoge el anális en el par ordenado (6,11).

𝑧 = 𝑥𝑦 𝑧 − 𝑧0 = 𝑎 𝑥 − 𝑥0 + 𝑏(𝑦 − 𝑦𝑜 )

𝜕(𝑥𝑦) 𝜕(𝑥𝑦)
𝑎= 𝑏=
𝜕𝑥 𝜕𝑦 𝑥=𝑥0 ,𝑦=𝑦0
𝑥=𝑥0 ,𝑦=𝑦0
𝑥 = 5, y = 10 𝑧 = 11𝑥 + 6𝑦 − 66
𝑎 = 11 𝑏=6 𝑧0 = 𝑥0 𝑦0 = 66
𝑧 = 55 + 60 − 66 = 49

𝑧 − 𝑧0 = 𝑎 𝑥 − 𝑥0 + 𝑏(𝑦 − 𝑦𝑜 ) 𝑧0 = (5)(10) = 50

𝑧 − 66 = 11 𝑥 − 𝑥0 + 6(𝑦 − 𝑦𝑜 ) 50 − 49
𝑒= × 100 = 2%
50
𝑧 − 66 = 11 𝑥 − 6 + 6(𝑦 − 11) 𝑧 = 11𝑥 − 66 + 6𝑦 − 66 + 66

𝑧 = 11𝑥 + 6𝑦 − 66

PhD. Walter Orozco Maestría en Electrónica y Automatización


43
Ejemplo:

Considere la ecuación no lineal que describe el movimiento de un péndulo:

𝐿: Longitud de la cuerda del péndulo


𝜃 + (𝑔/𝐿)𝑠𝑖𝑛 𝜃 = 0 𝑔: Aceleración de la gravedad

 Si el interés esta centrado en los pequeños movimientos del péndulo alrededor del punto
de operación 𝜃 = 0, entonces el proceso implica linealizar el modelo alrededor de este
punto de operación.


𝑔 𝑑2 𝜃 𝑔 𝜃 𝑘 𝑑𝑘
𝜃+ 𝑠𝑖𝑛 𝜃 = 2 + 𝑠𝑖𝑛𝜃
𝐿 𝑑𝑡 𝐿 𝑘! 𝑑𝜃 𝑘
𝑘=0 𝜃=0

𝑔 𝑑2 𝜃 𝑔 𝜃3
𝜃+ 𝑠𝑖𝑛 𝜃 = 2 + 𝜃 − +⋯ =0
Fig. 29. Péndulo.
𝐿 𝑑𝑡 𝐿 3!

𝑑2 𝜃 𝑔
+ 𝜃=0
𝑑𝑡 2 𝐿

PhD. Walter Orozco Maestría en Electrónica y Automatización


44

POSGRADOS
MAESTRÍA EN ELECTRÓNICA Y AUTOMATIZACIÓN

Temas revisados:

1.1 Modelación matemática del proceso de muestreo y retención.


1.2 Reconstrucción de datos y filtrado de señales discretas.
1.3 Trasformada Z, inversa, propiedades y su relación con Laplace.
1.4 Ecuaciones de diferencia, función de transferencia pulso de sistemas discretos y retenedores.
1.5 Métodos de Linealización.

Referencias bibliográficas
[1] Kuo, Banjamin. Sistema de control automático. Pearson.
[2] Ogata, Katuhiko. Ingeniería de control moderna. Prentice
[3] Dorf, Richard and Bishop, Robert. Sistemas de control moderno. Pearson.
[4] Ogata, Katsuhiko. Ingeniería de control utilizando MATLAB. Prentice.

PhD. Walter Orozco Maestría en Electrónica y Automatización