Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sistemas de Control Avanzado 1ra ED PDF
Sistemas de Control Avanzado 1ra ED PDF
1.1 DEFINICIÓN
Un controlador adaptativo es aquel que puede modificar su comportamiento en
respuesta a cambios en la dinámica del proceso y en las perturbaciones.
El control adaptativo puede controlar sistemas con parámetros constantes ó sistemas
con parámetros variables. La idea básica del control adaptativo es estimar on-line las
variaciones de los parámetros de la planta, basándose en la medida de las señales de
entrada – salida de la misma y utilizar los parámetros estimados para realizar los
ajustes del controlador. El control adaptativo, tanto para sistemas lineales ó no lineales,
es esencialmente no lineal.
1.2.3 Control con ganancia programada (Gain Scheduling): El control por ganancia
programable se refiere a un sistema donde los parámetros del controlador varían
dependiendo de las condiciones de operación medidas. La variable programable para el
cálculo de los parámetros del controlador puede ser el set-point, la variable controlada ó
una señal externa. Una vez seleccionadas las variables, se calculan los parámetros del
regulador para varios puntos de operación o zonas de trabajo en base a una adecuada
estrategia de control que puede ser del tipo PID, Deadbeat, etc. La figura 1.3 representa
un esquema del control con ganancia programable.
Punto de
Trabajo
Programación
Parámetros del Precalculada
Controlador
Controlador Planta
SP + Señal de Salida
- Control
Modelos Gráficos: En este caso el modelo del sistema está dado mediante una
gráfica. Un diagrama de Bode de un servo sistema es un ejemplo de un modelo
dado en forma gráfica. La respuesta de un sistema ante una entrada en escalón es
otro tipo de modelo gráfico.
Modelos Matemáticos: Son aquellos que describen el comportamiento del sistema
a partir de ecuaciones diferenciales (sistemas continuos) o de ecuaciones en
diferencias (sistemas discretos). Estos modelos son muy utilizados para el análisis,
predicción y diseño de sistemas dinámicos, controladores y filtros.
Existen dos formas básicas para obtener el modelo matemático de un sistema
dinámico:
o Matemáticamente: Es un método analítico en el cual se utilizan leyes físicas,
tales como las leyes de Newton y ecuaciones de balance para describir el
comportamiento dinámico de un fenómeno o de un proceso.
o Identificación del Sistema: Es un método experimental en el cual se realizan
algunas pruebas sobre el sistema que permiten obtener los datos necesarios
para estimar el valor de los parámetros del modelo representativo del sistema.
Este modelo se conoce como “MODELO ARMAX” (Auto Regressive Moving Average) y
en él se debe estimar el vector de parámetros dado por:
Así, las ecuaciones dadas en 2.6 se pueden escribir en forma matricial cómo:
En donde: Es de orden .
Es de orden (
Es de orden
Es de orden
Al utilizar el método de mínimos cuadrados para estimar , el vector debe ser tal
que minimice la suma de los cuadrados del error, es decir, que minimice la función:
Es decir:
EJEMPLO 2.1
Los datos que se dan a continuación corresponden a la respuesta de un sistema de
control ante una entrada en escalón unitario. Obtener, a partir de ellos, un modelo de
segundo orden que describa la dinámica del sistema.
K 0 1 2 3 4 5
u(k) 0 1 1 1 1 1
y(k) 0 0.73 1.26 1.55 1.73 1.84
Control Avanzado Luis Edo García Jaimes
La figura 2.2 corresponde a una representación gráfica de los datos reales y de los
datos estimados, éstos últimos se dan como una función en línea continua.
En donde:
Control Avanzado Luis Edo García Jaimes
EJEMPLO 2.1
Los datos que se dan a continuación corresponden a la respuesta de un sistema de
control a un escalón unitario. Obtener a partir de ellos, un modelo de segundo orden
que describa la dinámica del sistema. Asumir y utilizar mínimos cuadrados
recursivos.
K 0 1 2 3 4 5 6
u(k) 0 1 1 1 1 1 1
y(k) 0 0.73 1.26 1.55 1.73 1.84 1.91
El orden de es:
1. Se toma: y
2. Nuevos valores de y de :
3. Calcular el error:
4. Calcular :
La figura 2.3 corresponde a una representación gráfica de los datos reales y de los
estimados, éstos últimos se presentan como una función en línea continua. Obsérvese
la correspondencia entre los valores reales y los valores estimados.
Control Avanzado Luis Edo García Jaimes
En donde
Para el diseño del controladores adaptativos se pueden utilizar diferentes métodos:
Asignación de polos, optimización de parámetros, ajuste por tablas etc.
Control Avanzado Luis Edo García Jaimes
La ecuación 3.3 genera ecuaciones simultáneas cuya solución da como resultado los
parámetros del controlador.
Para asegurar error de estado estable igual a cero es necesario que el controlador
tenga un integrador, con esta condición, el denominador del controlador cumple
con la igualdad:
EJEMPLO 3.1
La función de transferencia de pulso de cierto sistema neumático está dada por:
Diseñar para el sistema un controlador digital de modo que los polos dominantes del
sistema en lazo cerrado estén ubicados en z=0.6 j0.2
SOLUCIÓN: La función de transferencia del sistema se puede escribir como:
En donde: y
Resolviendo resulta:
Control Avanzado Luis Edo García Jaimes
La figura 3.1 muestra la respuesta del sistema ante un escalón unitario aplicado en el
set-point.
Donde:
Utilizando la identidad:
En donde:
Los dos últimos términos del lado derecho de la ecuación 3.13 tienen el siguiente
significado:
anteriores a .
: contiene las perturbaciones producidas entre el instante y el
instante , cuyo efecto sobre la salida no se puede controlar con pues
es independiente de
Resolviendo la ecuación 3.10 para se obtiene:
O sea:
Para hacer mínimo el valor de es necesario calcular su derivada con respecto a e igualar
el resultado a cero lo cual da como resultado:
EJEMPLO 3.2
Se desea diseñar un controlador de mínima varianza para un sistema con función de
transferencia discreta siguiente:
En donde:
Con y , se obtiene:
Resolviendo se obtiene:
Control Avanzado Luis Edo García Jaimes
La figura 3.6a muestra la respuesta del sistema con el controlador de mínima varianza
estimado y la figura 3.6b la del sistema con controlador de mínima varianza mas el
integrador.
Despejando q0 resulta:
EJEMPLO 3.3
Un sistema de flujo tiene como función de transferencia:
Control Avanzado Luis Edo García Jaimes
0 1
, está relacionado directamente con el error y tiene que ver con el vector de
señales (Referencia, salida etc.)
EJEMPLO 4.1
Diseñar un sistema de control por modelo de referencia para un sistema de primer
orden [2].
SOLUCIÓN: Sea el sistema de primer orden:
El error es:
Haciendo:
Se obtiene:
Para que el error sea cero se debe cumplir que: por lo tanto:
Despejando :
Control Avanzado Luis Edo García Jaimes
Es decir:
Haciendo:
Se trata de diseñar un sistema que lleve los parámetros y a los valores deseados.
Para este propósito se define la función de Lyapunov:
Esta función es cero cuando y los parámetros del controlador tengan su valor
óptimo.
Control Avanzado Luis Edo García Jaimes
Entonces:
5 ym
s+5 e
R Modelo de Ref
u 4 yp
to 0.8s+1
2 Proceso
1
s
So
1
-2
s
EJEMPLO 4.2
Diseñar un sistema de control por modelo de referencia para un sistema de segundo
orden.
SOLUCIÓN: Sea el sistema de segundo orden:
Se obtiene:
r 1 ym
s2 +1.6s+1
1 f
-2
s
q1
5 u 4 yp
1 s2 +2s+4
s
qo
1 du/dt
5
s
du/dt
Control Avanzado Luis Edo García Jaimes
Con:
Siga el modelo:
En donde:
En donde:
Control Avanzado Luis Edo García Jaimes
La figura 4.4 muestra el diagrama en bloques del sistema de control con modelo de
referencia propuesto.
4. Los ceros inestables del proceso deben ser ceros de , es decir, ceros de
NOTA: En caso de que el sistema tenga solo ceros estables se considera que
, en este caso la ley de control toma la forma:
Control Avanzado Luis Edo García Jaimes
En donde:
EJEMPLO 4.3
La función de transferencia de un sistema de presión está dada por:
Grado de
Grado de
Control Avanzado Luis Edo García Jaimes
Por lo tanto:
Despejando se obtiene:
Es decir:
La figura 4.5 muestra el diagrama en bloques del sistema de control y la respuesta del
mismo ante una entrada en onda rectangular.
4.0394z(z+0.4404)
0.038(z+0.4631)
(z+0.4631)(z+0.0819)
z2(z-0.8607)
1.855z2
(z+0.4631)(z+0.0819)
Control Avanzado Luis Edo García Jaimes
Punto de
Trabajo
Programación
Parámetros del Precalculada
Controlador
Controlador Planta
SP + Señal de Salida
- Control
EJEMPLO 5.1
La figura 5.2 muestra la respuesta de un intercambiador de calor ante escalones
aplicados en diferentes zonas de operación. La temperatura se midió con un
instrumento calibrado de 0 a 100 ºC y la apertura de la válvula se da en porcentaje.
Diseñar para el sistema un controlador PI con ganancia programable.
Controlador PI:
22 1.5261 -1.2592
40 1.8289 -1.5233
52 1.6498 -1.3781
67 2.2663 -1.8818
78 1.7412 -1.4606
Los datos presentados en la tabla 5.1 y las ecuaciones de regresión para estimar los
parámetros y del controlador, se obtienen a partir de los valores de los puntos de
operación y de los modelos de primer orden con retardo correspondientes. Para ello se
utilizó el programa en MATLAB que se da a continuación:
% GANANCIA PROGRAMABLE
% El programa calcula un controlador PI según Ziegler-Nichols
% Para este caso, el modelo debe ser de primer orden con retardo POR
% Para cada punto de operación se debe estimar el modelo correspondiente.
% Puntos de operación: los valores medios de la respuesta de la variable en cada uno
% de los escalónes.
clc
T=input('Entre los puntos de operacion V=');
Control Avanzado Luis Edo García Jaimes
L=length(T);
N=0;
while N<L
N=N+1
n=input('Entre el numerador n=');
d=input('Entre el denominador d=');
R=input('Entre el retardo R=');
TM=input('Entre el periodo de muestreo TM=');
[a,b,c,d1]=tf2ss(n,d);
[ad,bd,cd,dd]=c2dt(a,b,c,TM,R);
[nd1,dd1]=ss2tf(ad,bd,cd,dd);
k=length(nd1);
for j=1:k
if (abs(nd1(j)))<10^(-8)
nd1(j)=0;
else
nd1(j)=nd1(j);
end
end
printsys(nd1,dd1,'z')
theta=R+TM/2;
kc=0.9*d(1)/(n*theta);
ti=3.33*theta;
qo=kc*(1+TM/(2*ti))
q1=-kc*(1-TM/(2*ti))
qo1(N)=qo
q11(N)=q1
end
disp('Los coeficientes para el calculo de qo sn:')
coeqo=polyfit(T,qo1,4);
disp('Los coeficientes para el calculo de q1 son:')
Control Avanzado Luis Edo García Jaimes
coeq1=polyfit(T,q11,4);
T1=50:95;
qo2=polyval(coeqo,T1);
q12=polyval(coeq1,T1);
figure(1)
plot(T1,qo2,T,qo1,'*')
title('VALORES DE qo')
xlabel('T (ºC)')
ylabel('qo')
grid
figure(2)
plot(T1,q12,T,q11,'*')
title('VALORES DE q1')
xlabel('T (ºC)')
ylabel('q1')
grid
VALORES DE qo
2.5
2
qo
1.5
1
20 30 40 50 60 70 80 90
T (ºC)
VALORES DE q1
-0.6
-0.8
-1
-1.2
q1
-1.4
-1.6
-1.8
-2
20 30 40 50 60 70 80 90
T (ºC)
La figura 5.5 muestra la forma de simular el sistema con ganancia programable con el
controlador PI. Los polinomios para el cálculo de y se incluyen en el bloque f(u).
20
e(k) -1
Z
-K- f(u) D
qo
-1 To Workspace
Z
e(k-1) q1
-K- f(u)
EJEMPLO 5.2
La dinámica de los tanques interconectados de la figura 5.7 se describe mediante las
ecuaciones diferenciales no lineales:
En donde:
En donde:
Entonces:
Entonces:
a12=0.25/sqrt(h1-h2);
a21=0.25/sqrt(h1-h2);
a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2);
b11=1;
b21=0;
c=[1 0];
% Matrices linealizadas punto1
a=[a11 a12;a21 a22];
b=[b11;b21];
c=[1 0];
cero=zeros(length(a),1);
A=[a cero;c 0];
B=[b;0];
p=[-0.1 -0.2 -0.5]'; % Polos deseados
K1=acker(A,B,p);
k11=K1(1,1:2);
k21=K1(1,3);
% Estados de equilibrio para punto2
h1=8*q2^2;
h2=4*q2^2;
a11=-0.25/sqrt(h1-h2);
a12=0.25/sqrt(h1-h2);
a21=0.25/sqrt(h1-h2);
a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2);
b11=1;
b21=0;
c=[1 0];
% Matrices linealizadas punto 2
a=[a11 a12;a21 a22];
b=[b11;b21];
c=[1 0];
Control Avanzado Luis Edo García Jaimes
cero=zeros(length(a),1);
A=[a cero;c 0];
B=[b;0];
K2=acker(A,B,p);
k12=K2(1,1:2);
k22=K2(1,3);
% Estados de equilibrio para punto3
h1=8*q3^2;
h2=4*q3^2;
a11=-0.25/sqrt(h1-h2);
a12=0.25/sqrt(h1-h2);
a21=0.25/sqrt(h1-h2);
a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2);
b11=1;
b21=0;
c=[1 0];
% Matrices linealizadas punto 3
a=[a11 a12;a21 a22];
b=[b11;b21];
c=[1 0];
cero=zeros(length(a),1);
A=[a cero;c 0];
B=[b;0];
K3=acker(A,B,p);
k13=K3(1,1:2);
k23=K3(1,3);
% Estados de equilibrio para punto4
h1=8*q4^2;
h2=4*q4^2;
a11=-0.25/sqrt(h1-h2);
a12=0.25/sqrt(h1-h2);
Control Avanzado Luis Edo García Jaimes
a21=0.25/sqrt(h1-h2);
a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2);
b11=1;
b21=0;
c=[1 0];
% Matrices linealizadas punto4
a=[a11 a12;a21 a22];
b=[b11;b21];
c=[1 0];
cero=zeros(length(a),1);
A=[a cero;c 0];
B=[b;0];
K4=acker(A,B,p);
k14=K4(1,1:2);
k24=K4(1,3);
sim('gananciavar1')
El modelo elegido debe describir lo mejor posible la dinámica del proceso para poder
predecir las salidas futuras al mismo tiempo que debe ser sencillo de usar y de
comprender. El optimizador es otra parte fundamental de la estrategia pues proporciona
las acciones de control.
Hay una serie de elementos comunes a todos los controladores predictivos [4]:
El modelo de predicción.
La función objetivo
Obtención de la ley de control
6.3.1 Modelo de predicción. Debe ser capaz de capturar la dinámica del proceso para
poder predecir las salidas futuras, al mismo tiempo debe ser sencillo de usar y
comprender y además, debe permitir un análisis teórico.
A continuación se presentan los principales modelos de procesos y de perturbaciones
utilizados en la formulación del control predictivo.
En donde:
En donde:
Modelo ARMAX
Modelo ARIX
Modelo ARIMAX
Donde la perturbación viene dada por un ruido blanco coloreado por el polinomio
. Este algoritmo, al igual que otros que usan el modelo de función de
transferencia, se puede implementar fácilmente en forma adaptativa usando un
algoritmo de identificación en línea como los mínimos cuadrados recursivos.
En donde:
En donde:
: Es la predicción óptima de la salida del proceso pasos adelante.
: Horizonte mínimo de coste. (Horizonte mínimo de predicción).
: Horizonte máximo de coste. (Horizonte máximo de predicción).
: Horizonte de control.
y :Secuencias de ponderación. En la práctica y se toma como
parámetro de diseño.
: Es la trayectoria futura de referencia o Set-point.
El objetivo es el cálculo de la secuencia de control futura de tal manera
que la salida futura del proceso permanezca se aproxime lo mejor posible a
. Esto se logra minimizando la función de costo dada en la ecuación 6.16
Control Avanzado Luis Edo García Jaimes
Haciendo:
Despejando
Haciendo resulta:
Donde:
Los dos últimos términos de la ecuación 6.24 dependen solo del pasado por lo tanto,
pueden agruparse en un solo término , dando lugar a:
Haciendo:
Control Avanzado Luis Edo García Jaimes
Se obtiene:
La ecuación 6.26 debe ser un mínimo, el cual se obtiene derivando la función con
respecto a la variable e igualar el resultado a cero.
Para el cálculo de la derivada se tienen en cuenta las siguientes propiedades del
cálculo matricial:
Es decir:
Por lo tanto:
EJEMPLO 6.1
Para el sistema de control de la figura 6.6, diseñe un controlador predictivo. Asuma
horizonte de predicción 3, horizonte de control 3, y periodo de muestreo T=2 seg.
En donde:
Control Avanzado Luis Edo García Jaimes
Se obtiene:
Pero:
Entonces:
Es decir:
Control Avanzado Luis Edo García Jaimes
La figura 6.7 muestra el diagrama en bloques del sistema con el controlador predictivo
calculado para el sistema.
Figura 6.7 Diagrama en bloques para el control predictivo del ejemplo 6.1
En la figura 6.8 se presenta la respuesta del sistema con el control predictivo con
diferentes valores de la referencia .
EJEMPLO 6.2
La función de transferencia de un sistema neumático está dada por:
En donde: , , y .
Entonces:
Es decir:
Por lo tanto:
Es decir:
Finalmente:
La ecuación 6.29 es la base para el diseño de los controladores del tipo PID cuyos
parámetros se calculan aplicando alguna de las técnicas de control con modelo interno.
Control Avanzado Luis Edo García Jaimes
Donde es un filtro pasa bajo, que debe seleccionarse de manera que garantice que
la función de transferencia del controlador sea propia. El filtro es de la forma:
EJEMPLO 6.3
Se desea diseñar un controlador PI con modelo interno para un sistema de primer
orden sin retardo. Obtener los parámetros y del controlador.
Con Se obtiene:
Para obtener los parámetros de dicha tabla, Rivera, Morari y Stogestad utilizan una
aproximación de Padé de primer orden para el retardo así:
PI
PD
PID
PID
PID
EJEMPLO 6.4
El modelo de cierto sistema de flujo puede aproximarse al de un sistema de segundo
orden sin retardo con función de transferencia:
Obtenga para el sistema un controlador PID con modelo interno. Asuma como periodo
de muestreo . Resuelva el problema para y y grafique las
respuestas ante una entrada en escalón unitario.
Control Avanzado Luis Edo García Jaimes
La figura 6.10 muestra la respuesta del sistema de flujo a un escalón unitario. Como
puede verse, para la respuesta del sistema es más rápida que para el
sistema con pero presenta un sobreimpulso considerable (18%). Por lo
tanto, cuando se diseñan controladores por el método de control con modelo interno es
necesario seleccionar el valor de adecuado para que el sistema en lazo cerrado tenga
un desempeño adecuado.
Como puede verse, a partir de la ecuación 6.33, una parte del controlador cancela los
polos y ceros de la planta. El problema consiste en establecer e implementar
restricciones específicas sobre de modo que el controlador sea realizable y que el
sistema, en lazo cerrado, tenga un comportamiento adecuado. Dichas restricciones se
pueden resumir en las siguientes [7]:
En donde:
debe tener como ceros todos los polos de que estén fuera del
círculo unitario.
debe tener como ceros todos los ceros de que estén fuera del
círculo unitario.
Si el sistema es tipo 1, con constante de error de velocidad Kv, debe tener un error
de estado estable igual a cero ante una entrada en escalón unitario y 1/K v de error
de estado estable ante una entrada en rampa unitaria, es decir:
Para un escalón unitario :
EJEMPLO 6.5
La figura 6.12 representa el esquema de una antena diseñada para rastrear un satélite.
La dinámica del sistema que describe el movimiento de la antena se puede aproximar
mediante la expresión:
La ubicación deseada para los polos de lazo cerrado está dada por:
Control Avanzado Luis Edo García Jaimes
a) Restricción de causalidad :
Por lo tanto:
escalón unitario en la referencia, una vez suprimido el efecto timbre que producía el
controlador.
REFERENCIAS
[1] Rodriguez, R. Lopez, M. Control Adaptativo y Robusto. Universidad de Sevilla.1996.
[2] Aström, K. Wittenmark, B. Adaptive Control. Addison Wesley, 1989.
[3] Iserman,R. Lachman,K. Adaptive Control Systems. Prentice Hall 1991.
[4] Bordons, C. Control Predictivo: metodología, tecnología y nuevas perspectivas.
Departamento de Ingeniería de Sistemas y Automática. Universidad de Sevilla. 2000
[5] Camacho,E. Bordons, C. Model Predictive Control. Springer Verlag, 1999.
[6] Franklin, G. Powell, D. Digital Control of Dynamic Systems. Addison Wesley, 1990.
Ollero, A. Control por Computador. Descripción interna y diseño óptimo. Marcombo
Boixareu Editores, 1991.
Phillips, C. Nagle, H. Digital control systems. Análysis and Desing. Ediciones G. Gili.
1997.
Control Avanzado Luis Edo García Jaimes
BIBLIOGRAFÍA SUGERIDA