TEMA 4: CONTROL AVANZADO

DE PROCESOS
Índice

Compensación del retardo

Control predictivo
Control adaptativo
Control multivariable
Índice

Compensación del retardo

Control predictivo
Control adaptativo
Control multivariable
Compensación del retardo
Estrategia de control predictivo: forma de predecir
el comportamiento futuro del proceso para generar
señales de control que mejoren el rendimiento del
controlador.
Especialmente útil cuando el sistema tiene retardo:

Uso de reglas de Ziegler-Nichols à

controlador con baja Kp y elevado Ti à
el proceso controlado es muy lento
Compensación del retardo
Ejemplo:

1 −4s
P (s ) = e
s +1
Ziegler-Nichols

! 1 " Solución:
PID(s ) = 0.3 # 1 + + 2s $
% 8s & Predictor de Smith (PS)
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Compensación del retardo
Predictor de Smith: Principio de funcionamiento

C0
C=
1 + C0 (P̂0 P̂ )

C0 P
Gyysp =
1 + C0 (P̂0 P̂ ) + C0 P
 Compensación del retardo
Predictor de Smith: Principio de funcionamiento
C0
C=
1 + C0 (P̂0 P̂ )
C0 P
Gyysp =
1 + C0 (P̂0 P̂ ) + C0 P

U = C0 (E P̂0 (1 e Ls
)U )
Predicción del efecto del control en la salida en intervalo (t-L,t)
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
 Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Se puede interpretar como una conexión en cascada
de un controlador convencional C0 y un bloque con:

Se diseña para el
sistema sin retardo
Compensación del retardo
Predictor de Smith: Ejemplo
1. PID para sistema con retardo
! !
PID(s ) = 0.3 # 1 +
1 "
+ 2s $
! % 8s &
2. SP + PID para sistema con retardo
3. SP + PI para sistema sin retardo
1
PI (s ) = 1 +
s
1 −4s
P (s ) = e
s +1
 Compensación del retardo
Predictor de Smith: Ejemplo

1. PID para sistema con retardo

2. SP + PID para sistema con retardo
3. SP + PI para sistema sin retardo
Compensación del retardo
Predictor de Smith: Análisis
Estabilidad: los polos del proceso en lazo cerrado se
obtienen a partir de
!
Compensación del retardo
Predictor de Smith: Análisis
!
Respuesta ante perturbaciones de carga:
!

!
Si la perturbación ocurre en un instante t=0,
la respuesta del sistema en intervalo 0 ≤ t < L
es la misma que en lazo abierto.
Compensación del retardo
Predictor de Smith: Análisis
1) P(s) estable con ganancia estática K y C0(s) con acción
integral (ganancia integral, ki):
!
!
à
!
!
no existe error en régimen permanente para cambios en escalón en
las perturbaciones de carga
Compensación del retardo
Predictor de Smith: Análisis
2) P(s) con polo en el origen ( )y :

à existirá error en régimen permanente à la recuperación frente

a perturbaciones de carga será muy lenta para procesos con
dinámicas lentas
Compensación del retardo
Predictor de Smith: Análisis
Compensación del retardo
Predictor de Smith: Análisis
En frecuencia: la FdT del lazo es
Compensación del retardo
Predictor de Smith: Análisis
Compensación del retardo
Predictor de Smith: Análisis
Compensación del retardo
Predictor de Smith: Análisis - Margen de retardo
K P 1
P (s) = e sL
<
1 + sT P |T |
ln P = ln K ln(1 + sT ) sL
dP dK s dP dL
= dT sdL ' !L
P K 1 + sT P L
dK sT dT dL
= sL dL 1
K 1 + sT T L <
L !L|T |
Compensación del retardo
Predictor de Smith: Análisis - Margen de retardo
K P 1
P (s) = e sL
<
1 + sT P |T |
ln P = ln K ln(1 + sT ) sL
dP dK s dP dL
= dT sdL ' !L
P K 1 + sT P L
dK sT dT dL
= sL dL 1
K 1 + sT T L <
L !L|T |

dL 1
dm = max < max
L !L|T |
Compensación del retardo
Predictor de Smith: Análisis - Margen de retardo
K P 1
P (s) = e sL
<
1 + sT P |T |
ln P = ln K ln(1 + sT ) sL
dP dK s dP dL
= dT sdL ' !L
P K 1 + sT P L
dK sT dT dL
= sL dL 1
K 1 + sT T L <
L !L|T |

dL 1
dm = max < max
L !L|T |
Compensación del retardo
A continuación nos vamos a centrar en algunas
modificaciones del PS:
¤ Predictor PPI à simplificación del PS para sistemas de
1er orden con retardo (L) >> constante de tiempo (T)
¤ Predictor para procesos integradores à modificación
del SP para resolver sus inconvenientes:
■ No puede utilizarse con procesos inestables, y
■ Posee error en régimen permanente frente a perturbaciones
de carga para procesos con integración
Compensación del retardo
Predictor PPI:

P̂0
Compensación del retardo
Predictor PPI:
Kp 1 + sTi
C0 (s) = ,
Ti s
T
T i = T ; Kp =
Tcl K

Tcl es el tiempo de
respuesta deseado del
sistema en lazo cerrado.
P̂0 Compromiso entre:
▪Robustez à Tcl /L
▪Rapidez à inverso a
Tcl
Compensación del retardo
Predictor PPI:

P̂0

C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )

1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:

P̂0

C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )

1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:

P̂0

C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )

1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:
Compensación del retardo
Predictor PPI vs predictor de Smith: Ejemplo
PPI con Tcl = 0.5

1. Estructura SP

2. Estructura aproximada (P0 ' K)

! 1"
PI (s ) = 2 # 1 + $
% s&
Compensación del retardo
Predictor PPI vs predictor de Smith: Ejemplo

ref
SP
1 PPI

0.8

0.6

T (ºC)

0.4

PPI con Tcl = 0.5 0.2

1. Estructura SP 0
0 5 10 15 20 25 30 35 40 45 50
Tiempo (s)

2. Estructura aproximada (P0 ' K)

Compensación del retardo
Predictor para procesos integradores:
Error cero en régimen permanente frente a
perturbaciones de carga:
Compensación del retardo
Predictor para procesos integradores:
Error cero en régimen permanente frente a
perturbaciones de carga:

Estimación de perturbación
Compensación del retardo
Predictor para procesos integradores:
Compensación del retardo
Predictor para procesos integradores:

1 0
Compensación del retardo
Predictor para procesos integradores:
1.4
ref
SP
1.2 SPI

0.8
T (C)

0.6

0.4

0.2

0
0 10 20 30 40 50
Tiempo (s)
Índice

Compensación del retardo

Control predictivo
Control adaptativo
Control multivariable
Control predictivo basado en modelo
Utilizado en plantas químicas y refinerías desde los 80s para
responder a las condiciones cambiantes del mercado.
Responder a todos los aspectos de la automatización del
proceso de toma de decisiones:
Medidas
Control: satisfacción de criterios de operación:
Nivel 1: lazos simples
Nivel 2: proceso
Optimización: satisfacción de objetivos económicos
Logística: localización de recursos y programación de
plantas
Control predictivo basado en modelo
Criterios prácticos de comportamiento:
Económicos:
variables de proceso en objetivos dictados por
optimización
minimización de función de coste
Seguridad o ambiente: algunas variables de proceso no
violar límites especificados
Equipamiento: control no llevar al proceso a las limitaciones
físicas del equipamiento
Calidad: satisfacer las especificaciones de los consumidores
Preferencias: Modos preferidos de operación
Control predictivo basado en modelo
En la práctica, el punto de operación de una planta
que satisface los objetivos globales del proceso está
en la intersección de las restricciones.
Para tener éxito, el sistema de control tiene que
anticipar la violación de las restricciones y corregir
de forma sistemática para que esto no ocurra.
Práctica usual: ignorar las restricciones en el diseño y
corregir ad hoc durante la implementación.
Necesaria metodología para manejar restricciones
de forma sistemática durante diseño e
implementación del control: MPC.
Control predictivo basado en modelo

MPC
Estrategia de control multivariable que utiliza:
un modelo dinámico del proceso
la historia de los pasados cambios en el control y
la optimización de una función de coste, J, sobre un
horizonte de predicción en retroceso
para calcular los cambios de control óptimos.
 Control predictivo basado en modelo
MPC
Estrategia de control multivariable que utiliza:
un modelo dinámico del proceso
la historia de los pasados cambios en el control
y
la optimización de una función de coste, J,
sobre un horizonte de predicción en retroceso
para calcular los cambios de control óptimos.

N
X N
X
J= i (ri xi )2 + ⇢i u2i
i=1 i=1
 Control predictivo basado en modelo

1. Obtener un modelo del proceso.

2. En el instante t, se observan las entradas y las salidas
pasadas del proceso u e y. El comportamiento futuro
del proceso se predice suponiendo que el modelo del
proceso y las señales de control futuras uf = u(τ), t ≤
τ < t + th son conocidas (th: horizonte de predicción).
3. Se calcula la señal de control uf para obtener el
comportamiento futuro deseado (normalmente
mediante un modelo matemático).
4. Se aplica la parte inicial de la señal de control uf en
el intervalo [t, t + h].
Problema de optimización:
5. Modificar el tiempo a t + h, y repetir el
minimizar la desviación entre el
procedimiento desde el paso 2.
comportamiento actual y el deseado,
posiblemente con penalización sobre
señales de control
Control predictivo basado en modelo
MPC
Se basa en la predicción del comportamiento futuro
del proceso utilizando un modelo del proceso y la
optimización del comportamiento del sistema sobre
un horizonte finito de tiempo.
La realimentación se obtiene aplicando la parte
inicial de la señal de control y repitiendo el proceso
sobre un horizonte de tiempo desplazado (control de
horizonte en retroceso o de horizonte móvil).
La mayoría de los controladores predictivos se han
desarrollado para sistemas muestreados.
Control predictivo basado en modelo
Ejemplo:
!
▪ Comportamiento pasado:
!
▪ Predicción valores futuros de la salida en función de las señales de control
futuras:
!
▪ Comportamiento futuro deseado como trayectoria: yd
!
Control predictivo basado en modelo
Función de coste que penaliza las desviaciones:

min
!
!
(pueden existir restricciones sobre las entradas y las salidas del proceso
y sobre el incremento de la señal de control)
!
!
Aplicación de u(t) y repetición del procedimiento en cada muestreo

u(t) = F (y(t), y(t h), ...., y(t nh),

u(t h), u(t 2h), ..., u(t nh))
Control predictivo basado en modelo
Ejemplo 1: sistema de primer orden
!
!
▪ Trayectoria deseada:
!
▪ Igualando con :

!
▪ Resolviendo la ecuación para :
!
PI
!
Control predictivo basado en modelo
Ejemplo 2: sistema de primer orden con retardo
!
!
!
▪ Trayectoria
deseada:
!
▪ Suponiendo
!
▪ Igualando con :

min
Control predictivo basado en modelo

K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
 Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
 Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
 Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
Control predictivo basado en modelo
Control de matriz dinámica (DMC):
!
▪ Modelo como respuesta impulsional:
! !
!!Función de coste:
▪

!!
!!
!!
!!
!!
!
▪ Inconveniente: puede ser necesario un gran nº de parámetros si la dinámica del proceso es muy lenta.
▪ Generalizado a control cuadrático de matriz dinámica (QDMC): puede incluir restricciones sobre la
señal de control.
!
!
Control predictivo basado en modelo

Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso
Control predictivo basado en modelo
Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso

1. Predicción
• Modelo de la planta: xk+1 = f (xk , uk )
• Simulación:
– Secuencia entradas futuras: uk = [uk|k uk+1|k · · · uk+N 1|k ]
T

– Trayectoria futura: xk = [xk|k xk+1|k · · · xk+N |k ]T

Control predictivo basado en modelo
Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso

N
X N
X
2. Optimización J= i (ri xi )2 + ⇢i u2i
i=1 i=1
PN
• Función de coste: Jk = i=0 gi (xk+i|k , uk+i|k )

• Solución numérica: minuk Jk ! u⇤k : secuencia óptima

 Control predictivo basado en modelo
Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso

3. Implementación
• Usar primer elemento de u⇤k : entrada de la planta: uk = u⇤k|k
• Repetir pasos 1–3 en siguiente periodo de muestreo
 Control predictivo basado en modelo
1. Predicción
• Modelo de la planta: xk+1 = f (xk , uk )
• Simulación:
– Secuencia entradas futuras: uk = [uk|k uk+1|k · · · uk+N 1|k ]
T

– Trayectoria futura: xk = [xk|k xk+1|k · · · xk+N |k ]T

2. Optimización
PN
• Función de coste: Jk = i=0 gi (xk+i|k , uk+i|k )
• Solución numérica: minuk Jk ! u⇤k : secuencia óptima
3. Implementación
• Usar primer elemento de u⇤k : entrada de la planta: uk = u⇤k|k
• Repetir pasos 1–3 en siguiente periodo de muestreo
Control predictivo basado en modelo
Control predictivo basado en modelo
Ventajas
• Modelo de planta generalizado
– Lineal, no lineal,
– monovariable, multivariable,
– determinı́stico, estocástico
• Posibilidad de restricciones en entradas y estados
– actuador, seguridad, economı́a, ...
• Comportamiento lazo cerrado ' óptimo

Desventajas
• Requiere optimización online: coste computacional
Control predictivo basado en modelo
Control predictivo basado en modelo
Control predictivo basado en modelo
Control predictivo basado en modelo
Índice

Compensación del retardo

Control predictivo
Control adaptativo
Control multivariable
Control adaptativo
Estrategia de control para procesos con características
variables en el tiempo o con distintas condiciones de
operación.
!
Controlador con parámetros
ajustables
! y un mecanismo
de
! ajuste de parámetros.
Es necesario conocimiento
previo del proceso.
Control adaptativo
Dos tipos:
¤ Métodos
los parámetros del controlador se ajustan directamente a partir de
directos los datos de operación en lazo cerrado
!
¤ Métodos los parámetros del controlador se obtienen mediante
indirectos 1) actualización del modelo del proceso en línea
2) aplicación de algún método de diseño
Control adaptativo
A continuación vamos a ver diferentes esquemas de
control adaptativo:
¤ Autosintonía.
¤ Control de ganancia programada.
¤ Control por modelo de referencia.
Control adaptativo
Autonsintonía:
▪ Somete al proceso a una serie de experimentos para:
▪ Obtener información (test del relé)
▪ Sintonizar el controlador con esa información
▪ Es ampliamente utilizada en los controladores PID.

Genera una oscilación

de ciclo límite à medir el
período y la amplitud de
la oscilación à a partir
de ellos, calcular los
parámetros del controlador
PID
Control adaptativo
Control adaptativo

✓r ⇣✏⌘ ◆
4d ✏
N (A) = 1 j
⇡A A A
Control adaptativo
✓r ⇣✏⌘ ◆
4d ✏
N (A) = 1 j
⇡A A A
Condición de oscilación:
G(j!) = N (A)1

Información del proceso

Ku = ⇡A
4d
, Pu
Control adaptativo
Control de ganancia programada:
1. Cuantificar cómo deben cambiarse los parámetros del
controlador ante cambios en las características del proceso.
2. Dividir el rango de operación.

3. Definir una función de coste a minimizar.

4. Obtener la tabla de ganancias o ecuación (por ej., mediante

simulaciones del proceso con cambios).
▪ Muy utilizado para PIDs.
Control adaptativo
Ejemplo: control de velocidad
!
!
!
!
0.025 4.39
! PI( s ) = 0.09 +
s
Gv ( s ) =
s + 0.1746
1) Análisis de la red à distribución del retardo
!
2) Esquema de simulación
del sistema

Distribución
obtenida
Control adaptativo
3) Cálculo valores óptimos de beta (mediante simulaciones)
βmax = f(τnet) mediante el criterio de Nyquist

J = 0.35 J 1 + 0.65 J 2
J 1 : sobreimpulso
!0.8tr si tr > tr0
J2 = "
$0.2tr si tr ≤ tr0

J en función de τnet βop = f(τnet)

Implementa-
ción
en Simulink
 Control adaptativo
4) Resultados

▪ Retardo fijo: τnet = 0.2 s ▪ Retardo variable: τnet є [0.2,0.4] s

▪ Mejora del 55.77% en error de velocidad ▪ Mejora del 83.85% en error de velocidad
Control adaptativo
Control adaptativo por modelo de referencia:
▪ Introduce un modelo en lazo cerrado (o trayectoria) de cómo
debe responder el proceso frente a cambios en el punto de
consigna.
▪ Método de ajuste a partir

de una función de coste

(por ej., la integral del
error al cuadrado).
Control adaptativo
▪ Regla MIT:
1 2
J( θ ) = e ( θ ), donde e = y − ym
2
dθ ∂J ∂e
= −γ = −γ e Controlador adaptativo con prealimentación
dt ∂θ ∂θ

e = y − ym = KG( s )U( s ) − Gm ( s )U c ( s ) = KG( s )U( s ) − K0 G( s )U c ( s )

∂e K dθ K
= KG( s )U c ( s ) = ym = −γ e ym = −γ # ym e
∂θ K0 dt K0
Control adaptativo
Ejemplo:
Control adaptativo
Ejemplo: 1.2
ref
Modelo
1 Sistema

0.8

0.6
y / ym

0.4

0.2

−0.2
0 10 20 30 40 50
Tiempo (s)
Índice

Compensación del retardo

Control predictivo
Control adaptativo
Control multivariable
Control multivariable
Sistemas MIMO:
!Y1(s ) " !G11(s ) G12 (s ) G13 (s ) "
!# $ # $ !U1(s ) "
Y2 (s )$ = #G21(s ) G22 (s ) G23 (s )$ #
#
!# %U2 (s )$&
%Y3 (s )$& #%G31(s ) G32 (s ) G33 (s )$&
! G(s )
Interacción: efecto de un lazo de control
sobre otro lazo de control, rebotando el
efecto
! sobre el lazo original.
La FdT entre cada salida y cada
entrada cambia en función de los lazos
de control à no se pueden sintonizar
los controladores de cada lazo de
manera independiente.
 Control multivariable
Evaluación de las interacciones (en régimen permanente):
método Bristol de ganancias relativas.
! λ ... λ
" 11 1n # lim G (s ) K ∂y / ∂u
ij ij u =0,k ≠ j i j u =cte,k ≠ j
Λ = !$ ! " ! %
$ % s →0 todos los lazos abiertos k k
λ = ij = =
lim G (s ) ij K ∂y / ∂u ij y =0,k ≠ i i j y =cte,k ≠ i
s →0 resto de lazos cerrados
!$'λn1 ... λnn %( k k

¤ Propiedad.- La suma de los elementos de cualquier fila o

columna es 1: n n
! ∑ λki = ∑ λkj = 1
¤ Se puede determinar
k =1
a partir de las ecuaciones del sistema,
k =1

aplicando la definición de ganancia estática:

(G(0)−1 )T ,
Λ = G(0)el×producto
donde G(0) es la matriz de ganancias estáticas y x representa
elemento por elemento.
Control multivariable
¤ Análisis:
Control multivariable
▪No formar lazos de control con ganancia
¤ Análisis: relativa <0.
▪No formar lazos de control con variables
con ganancia relativa ∞.
▪No formar lazos de control con variables
con ganancia relativa =0.

▪Controlar las variables más importantes

con aquellas variables de entrada con las
que tengan una dinámica más rápida sin
respuesta inversa.
▪Puede implicar la desintonización de los
poco importantes.
▪Cerrar lazos de control con las ganancias
estáticas relativas más próximas a 1.

▪Simular las distintas alternativas: puede

suponer un esfuerzo considerable.
▪Emparejar variables con ganancia
relativa ante perturbación baja.
 Control multivariable
Ejemplo método Bristol:
! !Y (s ) " ! p (s ) p (s )" !U (s ) "
1 11 12 1

! #%Y (s )$& = #% p (s ) p (s )$& #%U (s )$&

2 21 22 2

1
C1(s ) = 1 + ,
s
! 0
"
C2 (s ) = K p 2 = #0.8
"1.6
$
Control multivariable
¤ La razón de las ganancias estáticas del lazo 1 cuando el segundo
lazo está abierto y cuando el segundo lazo está cerrado es:
p11(0)p22 (0)
λ=
! p11(0)p22 (0) − p12 (0)p21(0)
¤ La matriz de ganancias relativas: # λ 1− λ $
Λ=&
(1 − λ λ ')

▪ Si λ = 1 à No existe interacción: el segundo lazo no tiene impacto sobre

el primer lazo y viceversa.
▪ Si 0 < λ < 1 à el lazo cerrado tiene una ganancia más alta que el
▪ lazo abierto. El efecto es más severo para λ = 0.5.
▪ Si λ > 1 à el lazo cerrado tiene una ganancia inferior que la del lazo
abierto.
▪ Si λ < 0 à la ganancia del primer lazo cambia de signo cuando se
cierra el segundo lazo: el efecto de las interacciones es severo.
Control multivariable
Ceros multivariables en el semiplano derecho:
¤ Para sistemas multivariables, los ceros son los polos del sistema
inverso:
! G(s ) = p11(s )p22 (s ) − p21(s )p12 (s ) = 0
¤ son de particular interés porque imponen limitaciones sobre el
rendimiento alcanzable.
¤ Ej:
! ! 1 2 "
! p11(s ) p12 (s ) " # s + 1 s + 3 $ " 3 −2#
G(s ) = # $=# $ Λ=%
! p
% 21 ( s ) p22 ( s ) & # 1 1 $ ' −2 3 (
&
#% s + 1 s + 1 $& Existen interacciones significativas

1− s dificultades cuando se diseñan los

G(s ) = 2
=0 s =1
(s + 1) (s + 3 ) lazos de control para tener un ancho
de banda mayor que ω0 = 1
 Control multivariable

2
C1(s ) = C2 (s ) = 2 +
s
El sistema se hace
inestable si Kp = 3!!!
Control multivariable
Desacoplo: eliminar o reducir las interacciones de cada
variable de entrada con las variables de salida distintas
de la que controla.
!
! "d d12 # 1 " p22 (0) − p12 (0)#
D = $ 11 % = G −1
(0) = $ %
! &d 21 d 22 ' G(0) & − p21(0) p11(0) '
!
! Y (s ) = 0 Y (s ) = 0
2 1
! U (s )
1
'
2
'
U (s ) q (s ) =
p (0)p (0) − p (0)p (0)
11 22 12 21
11
FdT del sistema G(0)
p12 (0)p11(0) − p12 (0)p11(0)
desacoplado ! q (s ) q12 (s ) "
q12 (s ) =
G(0)
Q(s ) = P (s )D = # 11 $ p21(0)p22 (0) − p21(0)p22 (0)
%q21(s ) q22 (s )& q21(s ) =
G(0)
Desarrollo en serie de Taylor
! " 1 κ12s # q22 (s ) =
p22 (0)p11(0) − p21(0)p12 (0)
Q( s ) ≈ % G(0)
para pequeños |s| 'κ 21s 1 &(
Control multivariable
¤ Continuando con el ejemplo anterior:
−1
"1 2 / 3 # " 3 −2#
D = G−1(0) = $ % = $ −3 3 % Desarrollo en serie de
&1 1 ' & ' Taylor para pequeños |s|

" 3(1 − s ) 4s #
$ (s + 1)(s + 3) (s + 1)(s + 3) % "1 − 7s / 3 4s / 3 #
Q(s ) = P (s )D = $ %≈$
$ 1 % ' 0 1 − s %(
$' 0 %(
s +1

▪ κ21 = 0 à la interacción no aporta limitaciones de rendimiento para el 2º lazo

▪ Cero en s = 1 à existen limitaciones
Control multivariable
Ej [King, pp. 178]:
dL F1 + F2 ! F1 F2 "
Fi: flujos = #F + F
L: nivel dt A F1 + F2 $
Λ=# 1 2 $
A: sección # F2 F1 $
T: temperatura FT
1 1 + F2T2
T = # $
F1 + F2 & F1 + F2 F1 + F2 '