Tesis Presentada para Optar Por El Título de Master en Automática

Universidad Central “Marta Abreu”de Las Villas
Facultad de Ingeniería Eléctrica

Departamento de Automática y Sistemas Computacionales
Tesis presentada para optar por el

título de
Master en Automática
Estrategia de control desacoplado adaptable

para robot industrial
Diplomante: Ing. Angel Ernesto Rubio Rodríguez
Tutor: Dr. Luis Hernández Santana
2000
"Año del 40 aniversario de la decisión de Patria o Muerte”
Estrategia de control desacoplado adaptable para robot industrial
DEDICATORIA
A Mariángel
y a Marielquis
por el tiempo que les debo

ÍNDICE
INTRODICCIÓN 1
Capitulo 1. Modelación y Control de Robots 7
1.1. Generalidades sobre la robótica 7

1.2. Modelación matemática 10
1.2.1. Modelación cinemática 10
1.2.2. Modelación dinámica 11
1.3. Estrategias de control 15
1.3.1. Control acoplado 16
1.3.1.1. Control PD 16
1.3.1.2. Control por modelo inverso 18
1.3.1.3. Control adaptable 19
1.3.1.4. Control robusto 20
1.3.1.5. Control Inteligente 21
1.3.2. Control desacoplado 22
1.3.2.1. Control desacoplado generalizado 22
1.3.2.2. Compensación de disturbios estructurados 27
1.3.2.3. Control robusto 28
1.3.2.4. Control adaptable 29
1.4. Conclusiones 31

Índice...
Capitulo 2. Control adaptable 32
2.1. Conceptos básicos 32

2.1.1. Características 33
2.1.2. Excitación persistente 33
2.2. Control adaptable por modelo de referencia (MRAC) 34
2.2.1. MRAC para sistemas de primer orden 36
2.2.2. MRAC para sistemas de grado relativo dos 40
2.3. Estimación en línea de parámetros 42
2.3.1. Parametrización lineal del modelo 42
2.3.2. Métodos de estimación basados en el error de predicción 43
2.4. MRAC Compuesto 48
Capitulo 3. Síntesis de las estrategias de control desacoplado adaptable 52
3.1. Control desacoplado con lazo interno adaptable 52

3.2. Control desacoplado con compensación de disturbio 56
CONCLUSIONES 61
RECOMENDACIONES 63
BIBLIOGRAFÍA 64
ANEXO 69

INTRODUCCIÓN
E l robot, como criatura mecánica que sustituye al hombre en sus labores, surge en
la literatura de ciencia ficción con la novela del escritor checo Karel Capek "Rossum el
Robot Universal" en 1921. Pero no es hasta la década del 60' que, en los laboratorios
del MIT (Massachussets Institute of Technology) y la Universidad de Stanford, se
realizan y cobran vida los primeros diseños de artefactos articulados que podían
realizar algunas tareas y ya a mediados de la década del 70' estuvieron disponibles los
primeros robots (o manipuladores) industriales que eran simples estructuras mecánicas
articuladas que orientaban en el espacio, con coordenadas cartesianas, cilíndricas o
esféricas, el extremo en que se colocaba la herramienta. Los actuadores eran
combinaciones de dispositivos eléctricos, hidráulicos y neumáticos, gobernados por
sencillos controladores que reproducían movimientos previamente enseñados. Con el
paso del tiempo, el desarrollo de nuevos accionamientos y medios de cómputo,
permitió satisfacer requerimientos más exigentes de la industria, y fueron diseñadas
estructuras más complejas que dieron paso a los actuales manipuladores industriales,
verdaderas joyas de la mecánica, la electrónica y el control [Sciavicco L., 1996].
Es de significar que, aunque el desarrollo inicial de esta tecnología estuvo motivado por
el afán de aumentar la productividad industrial, hoy en día el mayor impacto está en la
calidad y competitividad lograda en los productos, la flexibilidad que le ha dado a las
producciones y el mejoramiento de las condiciones de trabajo para los obreros. Por otra
parte, también ha introducido nuevos conceptos económicos como la rentabilidad de
series cortas, la realización justo a tiempo de un artículo y la producción bajo demanda.
Todo esto, gracias a la flexibilidad tan grande que permite en el diseño del producto
final que puede cambiarse fácil y rápidamente con sólo reprogramar los robots [Gupta

Introducción...2
K., 1997]. En cuanto a las áreas de aplicación, el 29,2% de los robots instalados, en
1997 por ejemplo, han estado dedicados a soldadura (13,2% al arco y 15,7% por
puntos) que ha sido la aplicación mayoritaria, seguida por montaje (25,7%),
manipulación (13,1%), mecanizado (8,7%) y paletización (3,1%) [Basañez L., 1999]. No
obstante, la robótica tiene algunos inconvenientes que son dignos de considerar: tiene
un elevado costo la inversión inicial y, aunque las tazas de amortización pueden estar
por los cuatro años (3.9 años en España) [Martínez A., 1992], aún son precios
prohibitivos para algunas economías; por otra parte, los operadores requieren de una
alta calificación y entrenamientos especiales; y el mantenimiento y reparación de los
manipuladores es tan difícil como costoso.
En Cuba, desde los primeros años de Revolución, la política de investigación y
desarrollo se ha caracterizado por tener una visión futurista y objetiva de estos
aspectos, de hecho, en la proyección estratégica de la política científico-tecnológica
cubana [CITMA, 1998] se plantea: “Para el desarrollo del país es imprescindible
aprovechar los conocimientos científicos y tecnológicos donde quiera que estén e
independientemente de donde se hayan generado. Ello implica dedicar esfuerzos no
solo a generar conocimientos, sino también a buscar información sobre los que han
generado otros, y en los casos que se justifique transferirlos, asimilarlos, difundirlos,
adaptarlos y aplicarlos en nuestras condiciones”. Es así como desde un principio se
incentiva, por ejemplo, la industrialización, siendo uno de sus principales ideólogos el
Comandante Guevara [Tablada C., 1987]; y, sin importar que fuera privilegio del primer
mundo, se desarrolla la Biotecnología y la Industria Farmacéutica. La importancia de la
robótica también fue prevista por la máxima dirección del país y a finales de los 80' se
realizan los primeros intentos de asimilar esta técnica con la adquisición de un robot de
soldadura para una empresa industrial, el ICIMAF creó una célula flexible con fines
docentes, EICISOFT produjo un lote de robots industriales, se desarrolló un estudio de
postgrado sobre robótica y sistemas flexibles en la Universidad Técnica de Brno,
república Checa, el cual fue cursado por una veintena de especialistas cubanos, dos de
los cuales son hoy profesores de la Universidad Central "Marta Abreu" de Las Villas
(UCLV) y discutieron sus respectivos doctorados en el tema de la robótica. Todas estas
inversiones se vieron interrumpidas cuando, a principios de la década del 90', el país

Introducción...3
cayó en lo que se ha dado a llamar Período Especial, crisis económica provocada por
el bloqueo económico y comercial de Estados Unidos y la caída del Campo Socialista;
a pesar de ello el papel de la ciencia y la innovación tecnológica mantuvo su
importancia y en el V Congreso del PCC se define en los siguientes términos: “... La
ciencia, la innovación y la asimilación de tecnologías son elementos esenciales en la
elevación de la eficiencia económica y condición primordial para el desarrollo, por lo
que seguirán siendo objeto de máxima prioridad... Deberán potenciarse la integración y
cooperación de las entidades de investigación, los centros de educación superior y las
empresas productivas” [PCC, 1997].
En ese ámbito, y motivado por los deseos aún latentes de investigar y desarrollar el
campo de la robótica en Cuba, en 1997 surge en la UCLV el Grupo de Investigaciones
Mecatrónicas y Aplicaciones de Soldadura (GIMAS) dirigido por el departamento de
Control Automático y Sistemas Computacionales de la Facultad de Ingeniería Eléctrica
(FIE), vinculado al Centro de Investigaciones de Soldadura y con especialistas de la
Empresa de Servicios Informáticos de Villa Clara. A tres años de creado el grupo, su
trabajo ha sido reconocido como premio CITMA provincial y ha obtenido un premio
relevante y otro destacada en el XII Forum de Ciencia y Técnica provincial, un premio
destacado en el Forum Nacional de Estudiantes y mención especial en el XII Forum
Nacional de Ciencia y Técnica. Se han presentado trabajos en la 1ra y 2da Jornada
Iberoamericana de Robótica desarrolladas en Colombia y Guatemala respectivamente,
y en los eventos METANICA 98 y 99, y DIAGNOS 2000, en La Habana, Cuba. Se ha
podido dar respuesta a solicitudes de cursos en América Latina sobre Robótica y
Sistemas Flexibles y se mantienen contactos de cooperación con universidades
españolas y con algunos de los principales investigadores del tema en Latinoamérica.
La UCLV cuenta con un programa de Maestría en Automática con salida en Robótica
fuertemente apoyado por los miembros del grupo y su equipamiento; así como por la
línea de investigación Automatización de Sistemas Mecatrónicos de la Facultad de
Ingeniería Eléctrica.
Como resultado principal del GIMAS se tiene la recuperación de las prestaciones de
dos robots RIAC-6 de la serie desarrollada por EICISOFT que habían perdido su parte
electrónica y de control, lo cual exigió el desarrollo de los elementos de hardware

Introducción...4
necesarios así como el software para la planificación y generación de trayectorias y el

control en tiempo real. Actualmente se trabaja en dos proyectos (MES y CITMA
territorial y nacional): "Desarrollo de célula flexible para la soldadura automática de
caballos de bicicleta" y "Desarrollo de célula flexible para la recuperación de piezas por
relleno con soldadura".
Para dar respuesta a estos proyectos, una parte no poco importante a desarrollar es la
síntesis de los algoritmos de control para el manipulador, que en aplicaciones de
soldadura por arco, aunque las velocidades de movimiento son relativamente bajas,
tienen la exigencia de seguimiento de trayectoria sin error en estado estacionario.
Ahora bien, teniendo en cuenta que un robot es un sistema de múltiples entradas y
múltiples salidas (MIMO) extremadamente no lineal y fuertemente acoplado, surgen
dos esquemas de control: el acoplado y el desacoplado. El control denominado
acoplado se orienta al control de la dinámica no lineal y acoplada del manipulador, y es
particularmente válido y necesario para robots con alto desempeño, grandes
velocidades de movimiento y bajas relaciones de engranes. De este tipo, hay
reguladores muy exactos, pero que exigen el conocimiento detallado del modelo del
manipulador (control por modelo inverso), y muy buenos, pero que implican altísimos
costos computacionales y en ocasiones son muy difíciles de implementar en la práctica
(control robusto y adaptable usando el modelo aproximado del manipulador y control
por técnicas inteligentes). El control desacoplado se refiere al control de cada actuador
de forma independiente, considerando los pares producto de las interacciones como
perturbaciones en el lazo de control. Variantes de este tipo pueden implementarse con
controladores convencionales PID, que para mejorar su desempeño pueden ser
precompensados con la posición, velocidad y aceleración deseada en cada momento y
realimentados con esos mismos parámetros reales, también los hay con compensación
de las perturbaciones estructuradas y con compensación por técnicas adaptivas [Carelli
R., 1998]. Este esquema se justifica en robots con altas relaciones de engranes y bajas
velocidades de operación y es ampliamente utilizado en los robots industriales por lo
que es el más adecuado para la aplicación que se pretende desarrollar.
Los reguladores con técnicas de control desacoplado quedan relativamente sencillos,
pero para lograr altos desempeños, como el necesario en seguimiento de trayectorias,

Introducción...5
deben ser lo suficientemente robustos como para absorber los disturbios. Chiacchio
propuso una variante que, usando reguladores clásicos de acción proporcional e
integral, precompensando con el estado deseado (posición, velocidad y aceleración) y
realimentando el estado real, logra magníficas prestaciones conocida como PPPI
[Chiacchio P., 1993]. La determinación de la aceleración real en muchos manipuladores
industriales (por ejemplo el RIAC-6) sería el resultado de derivar dos veces la posición,
lo cual amplifica mucho los ruidos de la medición, por lo que en la práctica se
implementa la variante original de este algoritmo (conocida como PPI) que no necesita
la aceleración pero sus desempeño es menos robusto.
Para abordar esta problemática se realiza el presente trabajo, que tiene como principal
objetivo la síntesis de una estrategia de control desacoplado adaptable para el
seguimiento de trayectoria, que logren aumentar las prestaciones del regulador PPI
mediante la inserción de un lazo interno adaptable que ayude a compensar los
disturbios. A continuación se hace una breve descripción por capítulos del mismo:
Capitulo 1. Modelación y Control de Robots.

En este capítulo, fundamentando con los documentos consultados durante la
realización del trabajo, se hace una valoración del estado actual de la robótica, los
métodos de modelación cinemática y dinámica de los robots y las estrategias que se
emplean para el control de sus movimientos, dando una explicación más detallada de
las técnicas de control desacoplado.
Capitulo 2. Control adaptable

Aquí se exponen los conceptos básicos de los controladores adaptables, se explica el
método clásico de control por modelo de referencia (MRAC) y se analizan los métodos
de estimación en línea de parámetros. Con esta base se pasa a explicar una variante
del MRAC mucho más rápida, que emplea como fuente de información para la ley de
adaptación, no solo el error de seguimiento, sino también el error de predicción (MRAC
Compuesto).

Introducción...6
Capitulo 3. Síntesis de estrategias de control desacoplado adaptable

En este capítulo se desarrollan dos estrategias de control desacoplado adaptable
basadas en la inserción de un lazo interno adaptable al regulador PPI; una usa el
modelo del MRAC Compuesto para adaptar cada actuador a su modelo de referencia y
la otra, basada en el error de seguimiento al modelo de referencia, compensa, con un
regulador PI, el disturbio de cada articulación.

MODELACIÓN Y CONTROL DE ROBOTS
L a temática que se estudia en el presente trabajo tiene gran actualidad a nivel

mundial y está en pleno desarrollo dada la repercusión tan grande que ha tenido en el
mercado los saltos de calidad que se han generado con la inserción de la robótica en la
industria. Esto queda en evidencia al analizar los numerosos artículos y publicaciones
producidos por la comunidad científica que se dedica al tema; así como por su
incidencia en los congresos y eventos de Control Automático celebrados anualmente,
los cuales dedican sesiones íntegras al mismo. En este capítulo, con base en los
documentos consultados durante la realización de este trabajo, se hace una valoración
del estado actual de la robótica, haciendo hincapié en las estrategias de control.
1.1. Generalidades sobre la robótica

En la práctica, un robot industrial es un manipulador de uso general controlado por
computadora, conformado por elementos rígidos conectados en serie mediante
articulaciones prismáticas o de revolución. Regularmente tienen un extremo fijado a
una base o soporte, mientras el otro está libre y equipado con una herramienta para
manipular objetos o realizar tareas de montaje.

Capítulo 1. Modelación y control de robots...8
Figura 1.1. Manipuladores industriales.

Según la IFR (International Federation of Robotic) en su reunión de Sydney 1988: “Los
robots industriales son máquinas de manipulación automática, reprogramables y
multifuncionales, con tres o más ejes reprogramables que pueden posicionar y orientar
materiales, piezas, herramientas o dispositivos especiales para la ejecución de trabajos
diversos en las diferentes etapas de la producción industrial, ya sea en una posición fija
o en movimiento” [Barrientos A., 1997]. Atendiendo al nivel de complejidad de las
tareas que pueden acometer los robots industriales, la IFR los clasifica en cuatro tipos:
Robot secuencial Sigue una trayectoria de posicionamiento punto a punto
donde no importan mucho los puntos intermedios por los
que se transiten.
Robot de trayectoria Sus articulaciones siguen una trayectoria definida en el
tiempo con los datos de posición, velocidad y aceleración en
cada momento.
Robot adaptivo Dispone de sensores que conllevan a un control adaptable o
un control con aprendizaje. Esto permiten un autoajuste a
partir de datos exteriores o de condiciones de
funcionamiento detectadas durante la actuación del robot.
Actúan a partir de la experiencia adquirida en los ciclos
precedentes (aprendizaje).
Robot telemanipulado Se dirige a distancia.

Según el tipo de robot, será el grado de complejidad de su sistema de control que

consta de los actuadores, los sensores, el controlador, el planificador y generador de
trayectorias y el sistema de supervisión y decisión. Este puede organizarse
jerárquicamente, ocupando las tareas más complejas los niveles superiores de la
jerarquía (planificadores y supervisores), que a su vez basan su trabajo en las tareas
ejecutadas por los niveles jerárquicos inferiores (controladores) [Fu K. S., 1988], [Craig
J. J., 1988]. Ahora bien, por muy sofisticado que sea el sistema, necesita el trabajo
eficiente de los módulos inferiores para poder desarrollar sus funciones; por lo tanto,
resolver la tarea del servocontrol es el primer paso de toda utilización de robots. Es por
ello, que los esfuerzos del presente trabajo estarán dedicados a dar continuidad a
otros, realizados por el GIMAS con el objetivo de estudiar e implementar las estrategias
de control necesarias en los robots RIAC-6 disponibles por el Grupo [Hernández L.
1993], [Rubio A. E., 1997], [Hernández L. 1998a], [Gonzalez R., 1998], en el sentido de
mejorar sus prestaciones para aplicaciones de seguimiento de trayectoria en la
soldadura robotizada por arco eléctrico. Para ello es necesario, primeramente, contar
con el modelo matemático del manipulador, y luego, hacer un estudio de las estrategias
de control reportadas para determinar la variante más ventajosa y sintetizarla.
Figura 1.2. Manipulador ASEA IRb-6 similar al Cubano RIAC-6.

1.2. Modelación matemática

Los robots se modelan matemáticamente desde dos perspectivas diferentes: la
cinemática, que relaciona la posición cartesiana de la herramienta así como su
orientación con la posición articular de los motores; y la dinámica, que relaciona las
variables de mando con las fuerzas o pares, posiciones, velocidades y aceleraciones
articulares. Ambos modelos son sumamente importantes, el primero porque relaciona
la cadena articular que conforma el manipulador con el mundo tridimensional que lo
rodea y el segundo, porque es el que permite sintetizar y ajustar las estrategias de
control que se usen.
1.2.1. Modelación cinemática

La cinemática en la robótica enfrenta dos problemas fundamentales: resolver la
posición cartesiana y orientación de la herramienta en función de la posición angular de
cada motor (cinemática directa), y determinar la posición angular que deben tener los
motores para que la herramienta esté en determinada posición angular y orientación
deseada (cinemática inversa).
A grandes rasgos, los métodos para resolver la cinemática se pueden clasificar en
geométricos, algebraicos matricial e interactivos. Los métodos geométricos permiten
encontrar ecuaciones cerradas simples, pero solo son aplicables cuando la geometría
del manipulador es sencilla [Fu K. S., 1988], este método tiene su mayor valor práctico
para manipuladores de hasta tres grados de libertad. Los métodos algebraicos
matriciales tienen su base en los trabajos de Paul [Paul R. P., 1981] y logran
ecuaciones explícitas de poca complejidad mediante el empleo de matrices de
transformaciones homogéneas, siendo posible aplicarlos en casos generales con
determinada sistematicidad. Por su parte, los métodos iterativos [Goldenberg A., 1985]
tienen la gran ventaja de ser independientes de la geometría del robot, pero son lentos,
lo que los hace poco viables para aplicaciones de control en tiempo real. En la
actualidad se han desarrollado trabajos en los que la cinemática la determina una red
neuronal previamente entrenada con técnicas de visión artificial [Ibarra J. M.],
[Hashimoto H., 1992]. Por otra parte, y como resultado del desarrollo de los sistemas
operativos de las actuales computadoras en modo gráfico y de las posibilidades de

cálculo que brindan los actuales microprocesadores, las compañías de Software han
desarrollado herramientas de visualización en tercera dimensión que resuelven la
cinemática en sólidos virtuales articulados, como por ejemplo OpenGL y DirectX
[Microsoft, 1996].
Para profundizar en el tema puede consultarse [Sciavicco L., 1996] o [Barrientos A.,
1997] y en [del Pozo, A., 1990] se detalla la cinemática (y dinámica) directa e inversa
para el manipulador IRb-6, muy similar al RIAC-6.
1.2.2. Modelación dinámica

El modelo matemático asociado a la dinámica de manipuladores robóticos, incluyendo
el mecanismo y los actuadores, relaciona las variables de comando de los actuadores
con las fuerzas o pares, posiciones, velocidades y aceleraciones articulares. Este
modelo está caracterizado por un sistema de ecuaciones diferenciales no lineales
fuertemente acopladas. Las no linealidades se manifiestan considerablemente cuando
el robot opera a velocidades relativamente elevadas y la carga manipulada es
importante en relación a la estructura mecánica del robot; este es el caso de robots de
elevado desempeño con actuadores de accionamiento directo [Craig J. J., 1988]. En el
RIAC-6, los motores tienen acoplado reductores armónicos para mover las
articulaciones, y por otra parte, las aplicaciones de soldadura por arco eléctrico
requieren de velocidades relativamente bajas y con cargas pequeñas y constante; no
obstante, las no linealidades hay que tenerlas muy en cuenta, pues este tipo de
aplicaciones tiene la exigencia de seguimiento de trayectoria sin error en estado
estacionario.
El modelo dinámico se puede obtener a partir de leyes físicas como las de la mecánica
newtoniana y lagrangiana, dando como resultado ecuaciones de movimiento en función
de parámetros geométricos e inerciales de los elementos del robot. Sobre esta base se
han desarrollado diferentes métodos para la obtención del modelo dinámico, tales son
los casos de las ecuaciones de Lagrange-Euler, las recursivas de Lagrange, las de
Newton-Euler y las generalizadas de d’Albert y Lee [Panames A., 1998]. Las
ecuaciones de Lagrange-Euler son las más fácil de interpretar físicamente por lo que
son muy usadas para demostraciones y análisis en artículos y libros, pero

computacionalmente son muy complejas; las de Newton-Euler son todo lo contrario y

se usan en implementaciones de tiempo real [Corke P., 1999]. En todos estos casos se
excluye la dinámica del actuador, el juego libre y la fricción de los engranes, mientras la
obtención de sus parámetros resulta realmente engorroso, aunque se han propuesto
métodos que determinan algunos de forma experimental, usando sensores de fuerzas y
cámaras de visión [Raucent B., 1993a], [Raucent B., 1993b], y otros que los obtienen
usando técnicas de control adaptable, fuzzy e inteligente en lazos de control [Paul M.
J., 1994], [Carelli R., 1998], [Berstecher R., 1999], [Alongue F., 1999].
Por las ecuaciones de Lagrange-Euler, en ausencia de fricciones y desestimando la
dinámica de los actuadores y otras perturbaciones, para un manipulador rígido de n
grados de libertad, el modelo dinámico resulta:
H(q)  q
  C(q, q )  q  g(q)  t
(1.1)
Donde:
q : Vector n dimensional que describe la posición articular de cada elemento.
t : Vector n dimensional del torque aplicado a cada articulación.
H : Matriz n x n de inercia.
C : Vector n dimensional de fuerzas centrípetas y de Coriolis producto del
movimiento de las articulaciones.
g : Vector n dimensional de fuerzas gravitacionales.
Por ejemplo, el modelo utilizado en las pruebas de simulación del presente trabajo, es
el de un manipulador de dos grados de libertad; que, usando la metodología de Fu [Fu
K. S., 1988] y con los datos de Del Pozo [del Pozo, A., 1990] para las articulaciones
dos y tres (hombro y brazo) del RIAC-6, las más complejas dinámicamente, queda:

L2
q1,q2 : Posición articular.
Lc2
T1,T2 : Torque aplicado al eje.
L1
T2, q2 I2, m2 m1,m2 : Masa de las articulaciones.
Lc1 I1, I2 : Momentos de inercia.
I1, m1
Lc1,Lc2 : Posición del centro de masa.
q1
L1, L2 : Longitud de las articulaciones.
T1
Figura 1.3. Esquema de las articulaciones dos y tres (hombro y brazo).
 t1   H11 H12   q1   h  q 2  h  q1  h  q 2   q1   g1 

t   H 
H 22  q2   h  q1 0  q   g  (1.2)
 2   21  2   2 
Donde:
H11 = m1 LC12 + I1 + m2 [ L12 + LC22 + 2 L1 LC2 cos(q2) ] + I2
H12 = H21 = m2 L1 LC2 cos(q2) + m2 LC22 + I2
H22 = m2 LC22 + I2
h = m2 L1 LC2 sin(q2)
g1 = m1 LC1 g cos(q1) + m2 g [ LC2 cos(q1 + q2) + L1 cos(q1) ]
g2 = m2 LC2 g cos(q1 + q2)
Con los datos del IRb-6 (tomados de [del Pozo, A., 1990]):
m1 = 2.084; % Masa de la articulación uno (Kg)
m2 = 4.836; % Masa de la articulación dos (Kg)
I1 = 0.3487; % Momento de inercia de la articulación uno (Kg m 2)
I2 = 0.6249; % Momento de inercia de la articulación dos (Kg m 2)
L1 = 0.4; % Dimensión de la articulación uno (m)
L2 = 0.67; % Dimensión de la articulación dos (m)
Lc1 = 0.319; % Distancia al centro de masa de la articulación uno (m)
Lc2 = 0.2536; % Distancia al centro de masa de la articulación dos (m)

Puesto que el control desacoplado trata el control de cada articulación de forma

independiente, es necesario conocer el modelo dinámico de una articulación que
coincidirá con el de su actuador pues los pares producto de la dinámica acoplada del
manipulador se consideran disturbios.
Cada articulación es movida, por lo general, con un motor de corriente directa el cual
puede modelarse de la siguiente forma:
2 Re
Td
1 1 1
1 K Re 1
L a .s+Ra J.s+F s
m q
Donde
m : Voltaje de mando aplicado al motor.
p : Posición angular de la articulación.
Td : Torque disturbio aplicado al eje del motor.
Re : Relación de engrane.
La : Inductancia de armadura.
Ra : Resistencia de armadura.
J : Momento de inercia del motor.
F : Fricción viscosa en el eje.
K : Constante de par del motor.
Kv : Constante de fuerza contraelectromotriz.
Este modelo puede reducirse a:
2 Kd
Td
Km 1
1 Re 1
T m .s+1 s
m q
Donde:
K Ra  J Re  Ra
Km  Tm  Kd  (1.3)
Ra  F  K  Kv Ra  F  K  Kv K
Para los motores del RIAC-6 se determinó por identificación y con los datos de chapa:
Km = 6.28 rad/segV, Tm = 0.8 seg, Kd = 0.172, Re = 1/160 (1.3’)

Luego, teniendo en cuenta (1.2) y (1.3), el modelo desacoplado para un manipulador de

dos articulaciones puede verse como:
M o to r 1 1
Pos
p1
Td
Vel
1 Volt Ac el
M AT LAB
m1 De m u x
Fu n cti o n
Pos
Td ca l cu l a to rq u e
Vel
2 Volt Ac el
m2 M o to r 2
2
p2
Evidentemente es un modelo altamente acoplado y no lineal que pudiera interpretarse

como un sistema de primer orden (modelo reducido del motor) con parámetros
dependientes de la posición, velocidad y aceleración de las articulaciones, durante el
seguimiento de una trayectoria. Por lo que la estrategia de control desacoplado debe
tener muy en cuenta esa situación.
1.3. Estrategias de control

Como se ha visto, teniendo en cuenta que un robot es un sistema de múltiples entradas
y múltiples salidas (MIMO) extremadamente no lineal y fuertemente acoplado, surgen
dos esquemas de control: el acoplado y el desacoplado. El control denominado
acoplado se orienta al control de la dinámica no lineal y acoplada del manipulador y es
particularmente válido y necesario para robots con alto desempeño, grandes
velocidades de movimiento y bajas relaciones de engranes. Por su parte, el control
desacoplado se refiere al control de cada actuador de forma independiente,
considerando los pares producto de las interacciones como perturbaciones en el lazo
de control. Este esquema se justifica en robots con altas relaciones de engranes y
bajas velocidades de operación y es ampliamente utilizado en los robots industriales
[Carelli R., 1998].

1.3.1. Control acoplado

Esta técnica exige el conocimiento detallado del modelo del manipulador que, como se
vio, excluye la dinámica del actuador, el juego libre y la fricción de los engranes, y por
otra parte la obtención de algunos de sus parámetros es realmente engorroso, por lo
que es muy difícil disponer de uno de estos modelos con exactitud. A continuación se
exponen algunas estrategias de control acoplado.
1.3.1.1. Control PD
Para este regulador se define la ley de control como:
t  Kp  q ~
~  Kv  q (1.4)
Donde t representa el vector de los pares o fuerzas de los actuadores, Kp = diag{kpi} y
Kv = diag{k } son matrices de ganancias diagonales y definidas positivas y q~  q q
vi
d
es el error de posición articular del robot.

Igualando (1.1) y (1.4) se obtiene la dinámica del sistema en lazo cerrado:
H(q)  q ~  Kp  q
  C(q, q )  q  g(q)  Kv  q ~ (1.5)
Adoptando como estados del sistema (1.5) los vectores de error de posición y su
derivada temporal, la ecuación de estados resulta:
~   ~
q 
x  q  

~
q q d  ~  Kv  q
  H 1 (q) Kp  q 
~  C(q, q )q  g(q) 

(1.6)
Esta ecuación en general no tiene estados de equilibrio ( x  0 ) pues qd t  y q d t 
pueden adoptar cualquier valor. Es por ello que se considera el caso particular del
posicionamiento para el cual qd  constante y q d  0 . La ley de control queda
entonces:
~  Kv  q
t  Kp  q (1.7)
y la ecuación de estados:
 q    q 
x       1
   H (q)Kp  q  Kv  q  C(q, q )q  g(q)
~ (1.8)
 q

Con puntos de equilibrio en:

~ 
q
xe   e  (1.9)
0
Que es equivalente a satisfacer:
~  g(q)  0  Kp  q
Kp  q ~  g(q  q
~ )0 (1.10)
e d e
Si se quiere que en el estado de equilibrio el error de posicionamiento sea nulo, o sea

~  0 , es necesario que g(q) = 0. Por lo que este tipo de regulador sería útil, en
q e
tareas de posicionamiento, para robots en los que no influye la gravedad, como por
ejemplo los SCARA.
No obstante, si se conoce exactamente el término g(q), que es el más fácil de
determinar en (1.1), se propondría como ley de control:
~  Kp  q
t  Kv  q ~  g(q) (1.11)
Y de esta forma se garantiza posicionamiento exacto independientemente de la
influencia del torque gravitacional. Este es el llamado control PD con compensación de
gravedad [Carelli R., 1998].
Análisis de estabilidad:
Para el análisis de estabilidad del regulador PD se propone una función definida
positiva del tipo Lyapunov, que incluye la energía cinética y potencial del robot y la
energía potencial asociada a la acción proporcional del controlador:
t
~)  1  q T H(q)q  q T g(q)dt  1  q

V (t , q , q ~ T Kp  q
~ (1.12)
2 2
0
Cuya derivada temporal resulta:
V (t , q , q   1  q T H
~)  q T H(q)q ~
~ T Kp  q
 (q)q  q T g(q)  q (1.13)
2
Sustituyendo en (1.13) la dinámica del sistema de control (1.5) queda:
V  q T Kp  q
~  Kv  q  C(q, q )q  g(q)  1  q T H ~
~ T Kp  q
 (q)q  q T g(q)  q (1.14)
2

Resolviendo (1.14) teniendo en cuenta las propiedades del modelo dinámico del robot,
1   ~  q  q  q , se obtiene:
donde q T  H (q)  C(q, q )q  0 , y sabiendo que q d
2 
V  q T  Kv  q  0 semidefini da negativa (1.15)

De (1.15), aplicando el teorema de La Salle y el Lema de Barbalat, se concluye que el
sistema es estable [Carelli R., 1998].
1.3.1.2. Control por modelo inverso

Esta variante es ideal para el seguimiento de trayectoria y se basa en aplicar una ley de
control que desacople y linealice la dinámica del robot para luego controlarlo con una
ley de control lineal [Carelli R., 1998].
Para linealizar se usa:
t  H(q)  a  C(q, q )  q  g(q) (1.16)
que al igualarla a (1.1) y como H(q) es definida positiva y por consiguiente siempre
tiene inversa, queda a  q
 y como planta a controlar:
qi
s  1
(1.17)
ai s2
Para controlar este sistema lineal resultante se propone una ley proporcional derivativa
(PD) con la siguiente forma:
aq ~  Kp  q
  Kv  q ~ ~  q q
q (1.18)
d d
Con las matrices Kv y Kp definidas positivas y normalmente diagonales.

Esta ley provoca q = qd por lo que no tiene error de seguimiento y la ecuación
característica del sistema en lazo cerrado (por la cual se ajustan Kv y Kp) queda:
  Kv  q
~
q ~  Kp  q
~0 (1.19)
Nótese que todo esto implica un conocimiento exacto del modelo lo cual, como se ha
dicho, es muy difícil de obtener.
Aplicando una metodología similar a la vista en el epígrafe anterior para el análisis de la
estabilidad del sistema, se demuestra que con este regulador y con el resto de los que
se analizarán en este capítulo, el sistema es asintóticamente estable.

1.3.1.3. Control adaptable

Una de las incertidumbres que puede tener el modelo son las llamadas incertidumbres
paramétricas que pueden deberse a cargas desconocidas, posición desconocida de la
carga, coeficientes de fricción inciertos, etcétera. Estas se representan como valores
estimados de la forma siguiente:
   
t  H(q)  q
  C(q, q )  q  g(q)  Y(q, q , q
 )  θ  w o (q, q , q
 ) (1.20)
En esta expresión se indica la dinámica del robot en términos de matrices y vectores
  
estimados H, C, g, o en la expresión lineal en términos del vector de parámetros

estimados θ . El término final wo representa la parte de la dinámica que es bien
conocida y sobre la cual no existen incertidumbres. Para controlar un robot que
presente este tipo de incertidumbres, se suele utilizar el denominado control adaptable,
que siempre que se garantice una señal persistentemente excitada estima los
parámetros inciertos según la ley de adaptación que se proponga.
Para esta estrategia existen en la bibliografía numerosas soluciones. La primera, dada
por Craig, propone una ley de control del tipo dinámica inversa de la forma:
  
t  H(q)q  Kv  q ~  C
~  Kp  q (q, q )  q  g(q) (1.21)
 d 
Cuya ley de adaptación se define a partir del análisis de estabilidad (ver detalles en
[Craig J. J., 1988]). Esta variante tiene algunos inconvenientes:
 Debe medirse o estimarse el vector de aceleración articular, para lo cual no es
común la disponibilidad de sensores y en todo caso resultan muy costosos.
 Debe existir la inversa de H, y para ello debe asegurarse que los parámetros
estimados estén entre valores o cotas que aseguren la existencia de esta
inversa.
Surgen, entonces, otras soluciones como por ejemplo la descrita en [Carelli R., 1998]:
   
t  H(q)a  C(q, q )  q  v   g(q)  Y a, q, q , v   θ (1.22)
Donde:
aq ~  Kp  q
 d  Kv  q ~ (1.23)
v
p ~
pλ
q 
1
pλ
 Kv  q
~  Kp  q
~  (1.24)

Y con ley de adaptación:


θ  GY T a, q, q , v   v
T
G=G >0 (1.25)
Esta no necesita medir aceleración ni invertir la matriz H, con lo que supera

ampliamente a la primera solución.
También se reportan otras variantes de control acoplado adaptable como por ejemplo,
la de Ying Dai [Dai Y., 1999], que propone una ley de adaptación que sólo necesita la
velocidad, pues la estima mediante dos filtros no lineales variantes en el tiempo o la de
Alonge [Alongue F., 1999], que propone una que sin realimentación de velocidad logra
un rechazo al ruido apreciable en control por torque calculado. Pero todas mantienen la
principal dificultad de estas técnicas de control, que es la complejidad computacional
del algoritmo, motivado por la cantidad de parámetros a estimar, sobre todo si se tienen
en cuenta todas las articulaciones, razón por la que generalmente se muestran sólo
para dos articulaciones. Para resolver esto llegan a proponerse, incluso, arquitecturas
multiprocesadoras como la que se detalla en [Ziauddin S., 1995].
1.3.1.4. Control robusto

En el modelo del robot también pueden estar presente las llamadas incertidumbres
estructurales, correspondientes a dinámicas no modeladas como podrían ser la
elasticidad en las articulaciones, retardos puros despreciados, efectos de fricción no
modelados, etcétera. Estas se representan en un término d(t) en el modelo del robot:
t  H(q)  q
  C(q, q )  q  g(q)  d(t ) (1.26)
De forma general, las incertidumbres paramétricas y estructurales, podrían estar
combinadas, lo que se representaría:
 )  θˆ  Y (q, q , q
t  Y1(q, q , q  )  θ  d(t ) (1.27)
1 2 2
Donde θ 1 incluye los parámetros de mayor incertidumbre que se estiman en un
esquema de control adaptable; θ 2 incluye los parámetros inciertos pero que no se
estiman, éstos se asumen fijos y con incertidumbres acotadas; y por último d(t) que es
el vector de los efectos dinámicos no modelados e incluye también las perturbaciones,
d(t) al igual que θ 2 se considera con cotas conocidas.

Esta problemática se ataca con el Control Robusto, que tiene por objetivo reducir el
efecto de las incertidumbres del modelo en el desempeño del sistema de control. Una
posible ley de control se describe en [Carelli R., 1998]:
t  Y1(a, q, q , v )  θˆ1  Y2  K 2  sgn Y T  v   K  sgnv  (1.28)

 2 
Donde:
 sgnv1  
K  diagk i , K 2  diagk 2i , k i ,k 2i  0; sgnv   
 
 
sgnv 
 n 
Las constantes ki y k2i se determinan en función del análisis de estabilidad, y para los
parámetros adaptables, se adopta la siguiente ley de ajuste:

θˆ1  G  Y T (a, q, q , v )v (1.29)
1
Ahora bien, a esta variante deben hacérsele las siguientes observaciones:
En primer lugar, es imprescindible conocer las cotas de d(t) y de θ 2, y por otra parte,
pueden producirse conmutaciones rápidas del mando debido al uso de la función signo,
que pueden provocar excitaciones o vibraciones inadmisibles en el mecanismo. Para
reducir este efecto, se puede sustituir la función (sgn v) por una función saturación y de
este modo las conmutaciones serían más suaves en la acción de control, pero
entonces debe admitirse una banda de error para v, lo cual provocará que no se
verifique exactamente el objetivo de convergencia asintótica a cero de los errores de
control, aunque sí el hecho de estar acotados en una banda determinada. Finalmente,
podría excluirse del controlador el mecanismo de adaptación para reducir el costo
computacional, pero entonces las cotas de d(t) y θ 2 deberán ser mayores y habrá más
influencia de los efectos negativos de la conmutación en las funciones signo.
1.3.1.5. Control inteligente

Otra vía de resolver el problema de las incertidumbres en el modelo del robot es
aplicando técnicas de control inteligente tales como redes neuronales, algoritmos
evolutivos y reguladores difusos, que asociadas a esquemas de control con aprendizaje
van “aprendiendo” el modelo real del robot y llegan a permitir el control de sus

movimientos con gran precisión [Carelli R., 1998], [Porter B., 1999], [Berstecher R.,
1999]. Estas técnicas, aún hoy, computacionalmente son muy costosas y generalmente
quedan a nivel de simulación y cuando más, de laboratorio.
Actualmente se reportan muchos trabajos que incorporan como sensor cámaras de
televisión y aplicando esquemas de control servo visual, controlan los movimientos del
robot [Hashimoto H., 1992], [Corke P., 1993], [Ibarra J. M.], [Herminio O., 2000]. Esta
línea también está siendo abordada por el GIMAS y muestra de ello son los trabajos de
M. Herrera y R. González [Herrera M., 2000], [Gonzáles R., 2000].
Figura 1.4. Esquema de Control Servo Visual.
1.3.2. Control desacoplado

El control desacoplado se refiere al control de cada actuador de forma independiente,
considerando los pares producto de las interacciones como disturbio en el lazo de
control, por lo que los reguladores que se usen tienen que eliminar al máximo sus
efectos perturbadores. A continuación se exponen algunos esquemas de esta
estrategia.
1.3.2.1. Control desacoplado generalizado

Considerando el modelo reducido del motor, ecuación (1.3), el esquema generalizado
de control desacoplado que se aplicaría a cada articulación de forma independiente,
sería:

2 Kd
d i stu rb i o
Km 1
1 Cp Cv Ca Re 1
T m .s+1 s
qd q
K ta d u /d t d u /d t
K tv d u /d t
K tp
Donde una forma efectiva para la supresión del efecto de los disturbios se asegura con
grandes valores de ganancia en los amplificadores antes del punto de inserción del
disturbio para que este resulte despreciable y la presencia de una acción integral tal,
que cancele los efectos de la componente gravitacional del modelo del robot en estado
estable [Sciavicco L., 1996]. A continuación se muestran algunas variantes de este
esquema:
Control con realimentación de posición y velocidad.

El esquema de control sería el siguiente:
2 Kd
d i stu rb i o
K v*[T v 1 ](s) Km 1
1 Kp Re 1
s T m .s+1 s
qd q
d u /d t
Nótese que en robots que sólo dispongan de sensores de posición, la velocidad se

obtendría derivando la posición. Para este esquema la función transferencial en lazo
cerrado, con Tv = Tm para cancelar el polo (Tms + 1), queda:
q Re  Km  Kp  Kv
(s)  (1.30)
qd s 2  Re  Km  Kv  s  Re  Km  Kp  Kv

El regulador se ajusta en función de la razón de amortiguamiento (  ) y la frecuencia

natural de oscilaciones (wn) deseadas:
2    wn
Re  Km  Kv  2    wn de donde: Kv  (1.31)
Re  Km
wn 2 wn 2
Re  Km  Kp  Kv  wn 2 de donde: Kp   (1.32)
Re  Km  Kv 2
Analizando ante disturbio, la función transferencial queda (sin la cancelación del polo):
q s  Km  Re
(s)  (1.33)
d s 3  Tm  s 2  Re  Km  Kv  Kp  s   1  Tv  s 
y el error en estado estable, aplicando el teorema del valor final:
  q 
lim s  Es   lim s    s   ds  (1.34)
s0 s0   d 
es nulo ante disturbio tipo paso (d(s)=1/s) e igual a 1/(KvKp) para disturbios tipo rampa
(d(s)=1/s2). El término KvKp suele denominarse factor de rechazo al disturbio (Xr) y en
este caso queda determinado por la wn y  que se deseen en lazo cerrado. Para
introducir un parámetro independiente que ajuste Xr se usa la configuración que se
explica a continuación.
Control con realimentación de posición, velocidad y aceleración.

El esquema de control es el siguiente:
2 Kd
disturbio
Ka*[Ta 1](s) Km 1
1 Kp Kv Re 1
s Tm.s+1 s
qd q
du/dt du/dt
du/dt
Nótese que para robots que sólo dispongan de sensores de posición, es necesaria la
segunda derivada de la posición que resulta sumamente ruidosa en la práctica y

filtrarla implica la inserción de nuevas dinámicas en el sistema y ya no sería como el

mostrado en la figura. Éste, como función transferencial tiene, para Ta = Tm:
Kp  Kv  Ka  Km  Re
q
(s)  1  Ka  Km  Re (1.35)
qd Kv  Ka  Km  Re Kp  Kv  Ka  Km  Re
s2  s 
1  Ka  Km  Re 1  Ka  Km  Re
De donde:
Kv  Ka  Km  Re
 2    wn (1.36)
1  Ka  Km  Re
Kp  Kv  Ka  Km  Re
 wn 2 (1.37)
1  Ka  Km  Re
Ante disturbios la función transferencial queda:
q s  Km  Re
(s)  (1.38)
d Tm  s  1   s 2  Km  Re  Ka   Kp  Kv  Kv  s  s 2   Ta  s  1 
 
Nuevamente, aplicando el teorema del valor final, el error en estado estable es nulo
ante disturbio tipo paso (d(s)=1/s) pero ahora es igual a 1/(KaKvKp) para disturbios tipo
rampa (d(s)=1/s2). De donde el factor de rechazo a disturbio queda:
Xr  Kp  Kv  Ka (1.39)
De las ecuaciones (1.36), (1.37) y (1.39) se obtiene el ajuste para el regulador:
2 Xr 1 Xr
Kp  Ka   Kv  (1.40)
wn wn 2 Km  Re Kp  Ka
Con los dos esquemas anteriores se logra un buen rechazo a disturbio sobre todo con
el segundo, donde puede aumentarse sin interferir en la respuesta del sistema en lazo
cerrado, pero en ambos casos el seguimiento a trayectorias es a través de la función
transferencial de segundo orden resultante. Para seguimiento perfecto (al menos
teóricamente) se precompensa con la velocidad y aceleración deseada en cada
q
momento, de forma tal que quede: s  1
qd
Controladores precompensado
Control con realimentación de posición y velocidad, precompensado con la velocidad
(qqd) y aceleración (qqqd) deseadas:

1
3
K m *K v
qqqd
4 Kd
2
d i stu rb i o
qqd
K v*[T v 1 ](s) Km 1
1 Kp Re 1
s T m .s+1 s
qd q
d u /d t
Control con realimentación de posición, velocidad y aceleración, precompensado con la

velocidad (qqd) y aceleración (qqqd) deseadas:
3 1 +1 /(K m *K a )
qqqd
4 Kd
2 d i stu rb i o
qqd
K a *[T a 1 ](s) Km 1
1 Kp Kv Re 1
s T m .s+1 s
qd q
d u /d t d u /d t
d u /d t
Estos son los reguladores PPI y PPPI propuestos en [Chiacchio P., 1993] para el
control desacoplado de robots, que a pesar de su sencillez ofrecen magníficas
prestaciones para el seguimiento de trayectoria y permiten un buen rechazo a disturbio.
A continuación se presentan los resultados de la simulación de estos dos esquemas
para el robot RIAC-6.

(grados) 100
S et P oint
qd,qqd, 50
qqd qqqd
qqqd
0 qd
-50
0 0.5 1 1.5 2 2.5 3 3.5 (seg)
(grados) 0.5
E rror de
seguim iento
qd-q 0
PPI
-0.5
0 0.5 1 1.5 2 2.5 3 3.5 (seg)
(grados) 0.1
E rror de
seguim iento
qd-q
0
PPPI
-0.1
0 0.5 1 1.5 2 2.5 3 3.5 (seg)
Figura 1.5. Trayectoria deseada y error de seguimiento con los reguladores PPI y PPPI.
1.3.2.2. Compensación de disturbios estructurados

Para reducir aún más los errores durante el seguimiento de la trayectoria, se
precompensan los disturbios producto del acoplamiento entre las articulaciones que no
son desconocidos si se conoce el modelo del robot. Estos son los llamados disturbios
estructurados y una buena aproximación a ellos se obtienen evaluando el modelo del
robot a partir de los movimientos deseados:
d  H(qd)  q
 d  C(qd, q d)  q d  g(qd) (1.41)
La causa de que la compensación del acoplamiento entre los eslabones no sea exacta
surge de las diferencias entre las variables articulares reales y las deseadas que son
en definitiva las que se evalúan en el modelo. Sin embargo con este método se reduce
sensiblemente el efecto del par de perturbación d, [Carelli R., 1998]. Más preciso sería
evaluar las variables articulares reales en el modelo pero se elevaría sensiblemente el
costo computacional, pues el cálculo sería en línea (a diferencia de la evaluación de las
deseadas que se hace fuera de línea). Por otra parte están los errores que se

introducen por las imprecisiones en el modelo y en ocasiones, buscando menor

complejidad, sólo se precompensa con la componente del torque gravitacional. A
continuación se muestra este esquema de control:
3
Cá l cu l o d e d i stu rb i o s e stru ctu ra d o s 4 Kd
qqqd
d i stu rb i o
2 re a l
qqqd
qqd
qqd Km 1
m1 Re 1
1 qd
T m .s+1 s
q
qd q
Re g u l a d o r
p re co m p e n sa d o
1.3.2.3. Control robusto

Las técnicas de control robusto también se emplean en el control desacoplado, pues
permiten obtener reguladores que no necesitan tener en cuenta la influencia de algunos
tipos de disturbios, como los torques gravitacionales, centrífugos y de Coriolis, para
ajustar el tipo de respuesta en lazo cerrado que se desee. En [Umeno T., 1993] se
propone un método de diseño de control robusto con dos funciones de ajuste (dos
grados de libertad). El esquema del controlador robusto se muestra a continuación:
2 Kd
d i stu rb i o
Km 1
1 Cb (s) Re 1
T m .s+1 s
qd q
Ca (s)
Con:
Q(s)
CA 
Pn (s)(1  Q(s))
(1.42)
GR (s) 1
CB 
1  GR (s) Pn (s)(1  Q(s))

Donde:
CA y CB regulador de dos grados de libertad
Pn(s): Modelo nominal de la planta
GR(s): Modelo de referencia de la respuesta entrada salida deseada
Q(s): Incluye los ceros y polos inestables de la planta
El elemento más importante para este diseño es la selección del parámetro Q(s), para
lo que Umeno demuestra mediante un diseño H que:
S(jw) = 1-Q(jw)
T(jw) = Q(jw)
siendo, S(jw) y T(jw), la sensibilidad y la sensibilidad complementaria respectivamente.
Esta condición se cumple también si el ancho de banda de Q(jw) es mucho mayor que
el del sistema deseado en lazo cerrado.
Los resultados de la simulación de este esquema muestran un adecuado
comportamiento, no obstante, cuando el nivel del disturbio sube un poco, se producen
vibraciones en la respuesta, lo cual es un elemento a tener en cuenta para cualquier
diseño [Hernández L., 1998a].
1.3.2.4. Control adaptable

La filosofía del control adaptable, aplicada a la estrategia de control desacoplado en
robots, consiste en tomar un modelo de referencia formado por una simple ecuación de
segundo orden para cada motor y utilizar un algoritmo de control capaz de eliminar los
efectos perturbadores de la dinámica realmente acoplada del robot. En [Hernández L.,
1993] se propone el esquema que a continuación se muestra:

4 Kd
d i stu rb i o
re a l
3 ku 3
qqqd
2
ku 2 + d ku 2
qqd
1 Up Km 1
ku 1 + d ku 1 Re 1
qd
T m .s+1 s
q
d u /d t
km 1 + d km 1
km 2 + d km 2
M e ca n i sm o
d e a d a p ta ci o n
M odelo de
Re fe re n ci a
Donde la señal de mando Up es generada como:

Upt   Kp  P(t )  Ku  U(t )
Kp  Bp   (Am - Ap)
Ku  Bp   Bm (1.43)
q  qd 
P  U 
q  q d 
Siendo Ap y Bp las matrices que representan el motor en el espacio de estados,
mientras Am y Bm son las matrices que representan el modelo de referencia en dicho
espacio.
Como mecanismo de adaptación para los términos dK se usa una ley del tipo
proporcional integral. Este esquema brinda elevadas prestaciones, pero con el tiempo
puede deteriorarse por la acción integral del mecanismo de adaptación [Hernández L.,
1998a].

1.4. Conclusiones
Como conclusiones parciales de este capítulo se tienen:
 El tema del control de trayectoria en manipuladores robóticos es de gran
actualidad dada su alta incidencia en los congresos y revistas especializadas de
control automático así como su tratamiento en los libros de la especialidad. Por
otra parte es de suma importancia su dominio por parte del GIMAS dada las
intenciones existentes de desarrollar aplicaciones de soldadura por arco,
siguiendo trayectorias específicas, con el manipulador IRb-6 disponible.
 Del análisis de las dos alternativas de control existentes: Acoplado y
desacoplado, se concluye que las estrategias de control acoplado son
computacionalmente muy costosas y requieren el conocimiento, al menos
aproximado, del modelo del robot, cosa esta que las complica aún más; mientras
que las técnicas de control desacoplado, aunque con menores prestaciones, son
relativamente sencillas e implementables en la práctica para aplicaciones
industriales.
 Finalmente, de las estrategias de control desacoplado, la PPPI propuesta por
Chiacchio, es la que mejores resultados ofrece en simulación pero la obtención
de la aceleración dificulta su implementación en la práctica. Una buena
alternativa resulta el esquema PPI aunque brinda menores prestaciones. En los
capítulos que siguen se presenta la combinación del esquema PPI con técnicas
de control adaptable con el objetivo de elevar sus prestaciones.

CONTROL ADAPTABLE
C omo se adelantó en las conclusiones del capítulo anterior en este trabajo se

pretende combinar el regulador PPI con técnicas de control adaptable para mejorar sus
prestaciones, por lo que se hace necesario el estudio de dichas técnicas. En este
capítulo se exponen los conceptos básicos de los controladores adaptables, se explica
el método clásico de control por modelo de referencia (MRAC), se analizan los métodos
de estimación de parámetros y con esta base se pasa a explicar una variante del
MRAC mucho más rápida que emplea como fuente de información para la ley de
adaptación no sólo el error de seguimiento sino también el error de predicción (MRAC
Compuesto); no obstante, para profundizar más en el tema pueden consultarse los
textos [Slotine J. J., 1989] y [Astrom K., 1989] que fueron los que sirvieron de base para
el desarrollo de este capítulo.
2.1. Conceptos básicos

La idea básica del control adaptable es estimar en línea la incertidumbre en los
parámetros de la planta a controlar, basándose en las señales medidas del sistema, y
el uso de la estimación de parámetros en el cálculo de las entradas del control. Por ello,
el sistema de control adaptable puede ser considerado como un sistema de control con
estimación en línea de parámetros. Este método avanzado de control puede ser

Capítulo 2. Control Adaptable...33
desarrollado para sistemas lineales y no lineales, aunque de por sí es inherentemente

no lineal.
2.1.1. Características
Debe notarse que el control robusto puede ser también utilizado para tratar las
incertidumbres paramétricas. Así que se impone establecer una breve comparación
entre el control robusto y el control adaptable. En principio, el control adaptable es
superior al control robusto en el tratamiento de la incertidumbre de parámetros que
varían de forma lenta. La razón básica recae sobre el aprendizaje de los sistemas de
control adaptables: un regulador adaptable mejora sus indicadores a medida que se va
adaptando, mientras que el regulador robusto, simplemente los intenta mantener
constante. Otra razón es que los reguladores adaptables requieren poca o ninguna
información previa sobre los parámetros desconocidos, mientras que el regulador
robusto requiere de estimados previos razonables de los parámetros. Recíprocamente,
el control robusto posee algunas características deseables las cuales el control
adaptable no posee, tales como su habilidad de tratar con disturbios, variaciones
rápidas de parámetros y dinámica no estructurada. Estas características pueden ser
combinadas con el control adaptable, obteniendo reguladores adaptables robustos en
los cuales se reduce la incertidumbre de los parámetros que varían de forma lenta, por
la adaptación de parámetros, y las otras fuentes de incertidumbres se atacan por las
técnicas de control robusto. No obstante, también se han desarrollado métodos de
estimación que permiten una convergencia más rápida de los parámetros de
adaptación en los reguladores adaptables sin necesidad de combinarlos con métodos
robustos.
2.1.2. Excitación persistente

Es importante resaltar que el hecho de que el error de adaptación converja a cero no
implica la convergencia de los parámetros. De hecho, es posible obtener la
convergencia del error de adaptación sin que el parámetro converja a su valor exacto.
Para obtener la convergencia de los parámetros deben ser satisfechas algunas

condiciones por parte de la señal considerada. El concepto de persistencia de la

excitación o de excitación persistente establece estas condiciones.
Una señal u se considera excitación persistente de orden n sí existe la función
covarianza Cu
1T 
Cu    lim   u t   u t dt  (2.1)
   T 
 0
y sí la matriz:
 Cu 0   Cu n  1
     (2.2)
 
Cu n  1  Cu 0  
es definida positiva. Por ejemplo, una señal escalón unitario es una excitación
persistente de primer orden y una señal sinusoidal, de segundo orden.
El concepto de excitación persistente se puede expresar también en el dominio de la
frecuencia. Se puede demostrar que el espectro de frecuencia de una señal es
diferente de cero para n frecuencias positivas, entonces es de excitación persistente de
segundo orden. Una señal es de excitación persistente de orden infinito si su espectro
de frecuencia es diferente de cero en un intervalo.
El conocimiento del concepto de la excitación persistente es importante para la
comprensión del comportamiento de los sistemas de control adaptable. Para lograr la
convergencia de p parámetros a sus valores exactos, la señal de entrada debe ser de
excitación persistente, de orden mayor o igual a p. En el caso contrario no es posible la
convergencia de los parámetros a los valores exactos.
En sistemas de control adaptable la señal se obtiene de una realimentación de la
salida. De esta forma es difícil garantizar que esta señal sea de excitación persistente
de algún orden a menos que se introduzcan perturbaciones externas.
2.2. Control adaptable por modelo de referencia (MRAC)

Generalmente el sistema de control adaptable por modelo de referencia suele ser como
el representado en la figura 2.1. Este está compuesto por cuatro partes: la planta que
contiene los parámetros desconocidos, el modelo de referencia para especificar la

salida deseada del sistema de control, la ley de control, la cual contiene los parámetros
ajustables y el mecanismo de adaptación para actualizar los parámetros ajustables.
M odelo de ym
Re fe re n ci a
e
1 u
Co n tro l a d o r P l a n ta 1
r
y
a
M e ca n i sm o d e a d a p ta ci ó n
Figura 2.1: Control adaptable por modelo de referencia MRAC.
La planta: Se asume de una estructura conocida, aunque los parámetros son

desconocidos. Para plantas lineales eso significa que el número de polos y ceros es
conocido pero se desconocen sus ubicaciones. Para plantas no lineales, esto implica
que la estructura de las ecuaciones dinámicas es conocida pero algunos de los
parámetros no lo son.
El modelo de referencia: Se usa para especificar la respuesta ideal del sistema de
control adaptable. Intuitivamente, provee a la planta de una respuesta ideal en la cual el
mecanismo de adaptación debe encontrar el ajuste de los parámetros. La selección del
modelo de referencia es parte del diseño del sistema de control adaptable y el mismo
debe reflejar los indicadores especificados tales como tiempo de subida, tiempo de
establecimiento y sobreimpulso máximo.
El regulador: Es usualmente diseñado con un número de parámetros ajustables, esto
implica que se puede obtener una familia de reguladores asignando varios valores a los
parámetros ajustables. El regulador debe tener la capacidad de seguimiento perfecto
para obtener la convergencia. Esto significa que cuando los parámetros de la planta
sean exactamente conocidos, los correspondientes parámetros del regulador deben
hacer coincidir la salida de la planta con la del modelo de referencia. Cuando los
parámetros de la planta son desconocidos, el mecanismo de adaptación ajustará los
parámetros del regulador de forma que sea obtenido el seguimiento perfecto. Si la ley
de control es lineal en términos de los parámetros ajustables, se dice que el regulador

es linealmente parametrizable. Los diseños de control adaptable que existen,

normalmente requieren de la parametrización lineal del regulador con el objetivo de
obtener mecanismos de adaptación que garanticen estabilidad y convergencia.
El mecanismo de adaptación: Se usa para ajustar los parámetros en la ley de control.
En los sistemas MRAC la ley de adaptación busca los parámetros de forma que la
respuesta de la planta sea la misma que la del modelo de referencia, el objetivo de la
adaptación es hacer cero el error de seguimiento. La mayor diferencia con el control
convencional radica en la existencia de este mecanismo. El mayor problema en el
diseño del control adaptable es sintetizar el mecanismo de adaptación con el cual se
garantizará que el sistema de control se mantenga estable y exista una convergencia
en el error de seguimiento cuando los parámetros hayan variado.
2.2.1. MRAC para sistemas de primer orden

Un sistema de primer orden se representa con la función transferencial:
y  a p  y  b p  u (2.3)
Donde:
y : es la salida de la planta
u : la entrada a la misma
ap , bp : sus parámetros
En el diseño de controladores adaptables, los parámetros de la planta se asumen
desconocidos y se especifican los indicadores deseados a través del modelo de
referencia, que en este caso sería un modelo de referencia de primer orden descrito
por:
y m  am  y m  bm  r (2.4)
Donde am y bm son los parámetros constantes del modelo (am requiere ser
estrictamente positivo para que el modelo de referencia sea estable) y r es la señal de
referencia. El modelo puede ser expresado por su función de transferencia, como
sigue:
ym bm
 Ms   (2.5)
r s  am

Se hace notar que M(s) es una función estrictamente real positiva.

El objetivo del diseño de control adaptable es formular las leyes de control y
adaptación, de modo que el error del modelo resultante y t   y m t  converja
asintóticamente a cero. Se escoge la ley de control siguiente:
u  aˆ r t  r  aˆ y t  y (2.6)
Donde âr y â y son ganancias variables de realimentación. Con esta ley de control la
dinámica a lazo cerrado sería:

 
y   a p  aˆ y b p y  aˆ r b p r (t ) (2.7)
La razón de la selección del control en la ecuación (2.6) esta justificada por permitir la
posibilidad de un ajuste perfecto al modelo. De hecho, si los parámetros de la planta
son conocidos, los valores de los parámetros del control serán los siguientes:
b a p  am
ar*  m , a *y  (2.8)
bp bp
Que al sustituirlos en (2.7) se obtiene la dinámica en lazo cerrado:

y  am y  bm r (2.9)
Que es idéntica a la dinámica del modelo de referencia (2.4), obteniéndose cero error
de seguimiento.
Debido a que ap y bp son desconocidos, la entrada de control alcanzará estos objetivos
adaptablemente; o sea la ley de adaptación, basada en el error de seguimiento
y t   y m t  , buscará continuamente poner las ganancias de forma tal que y tienda
asintóticamente a ym. La estructura del regulador adaptable se muestra en la figura 2.2.
Figura 2.2. MRAC para una planta de primer orden.

Ahora bien, se denota e = y - ym como el error de seguimiento, y los errores de los

parámetros se definen como la diferencia entre los parámetros del regulador
(resultantes de la ley de adaptación), y los parámetros ideales.
~
 ar   aˆ r  ar* 
a t    ~   
~
* (2.10)
a y  aˆ y  a y 
Restando 2.4 a 2.6 se obtiene la dinámica del error de seguimiento:
 
e  a m y  y m   a m  a p  b p aˆ y y  b p aˆ r  bm r 

e  a m e  b p a~r r  a~y y  (2.11)
Esta puede ser convenientemente representada como:
e
bp
s  am
a~r r  a~y y   1

 Ms   a~r r  a~y y  (2.12)
ar*
Ahora bien, según el siguiente lema demostrado en [Slotine J., 1989]:

Lema:
Considerando dos señales e y  relacionadas por la siguiente ecuación dinámica:

e(t )  H(s)  k  φ t t   vt   (2.13)
Donde e(t) es una señal de salida escalar, H(s) una función transferencial estrictamente real
positiva, k una constante de signo conocido, (t) un vector mx1 función del tiempo y v(t) un
vector medible de mx1. Si el vector  varía acorde a:
 t    sgnk     e  vt 
φ (2.14)
Con  siendo una constante positiva, entonces e(t) y (t) serán globalmente acotadas. Y si v
es acotado, entonces e(t)0 para t  .
La relación (2.12) tiene la forma de (2.13) por lo que la ley de adaptación para los
parámetros âr y â y puede ser:
a̂ r   sgn (b p )    e  r (2.15)
a̂ y   sgn (b p )    e  y (2.16)
Siendo  una constante positiva que representa la ganancia de adaptación.

Aplicando este esquema de control al modelo de primer orden de los motores del
RICAC-6 cuyos datos se dan en (1.3’), se obtienen los siguientes resultados (  =10):

1
P arám etros
(ar,ay) 0
-1
0 2 4 6 8 10 12 14 16 18 20
2
S alida(y) 0
-2
0 2 4 6 8 10 12 14 16 18 20
0.5
E rror (e) 0
-0.5
0 2 4 6 8 10 12 14 16 18 20
Figura 2.3. Sin disturbio. Convergencia de los parámetros, salida y error de

seguimiento.
1
P arám etros
(ar,ay ) 0
-1
0 2 4 6 8 10 12 14 16 18 20
2
S alida(y ) 0
-2
0 2 4 6 8 10 12 14 16 18 20
0.5
E rror (e) 0
-0.5
0 2 4 6 8 10 12 14 16 18 20
Figura 2.4. Ante disturbio. Convergencia de los parámetros, salida y error de

seguimiento.

Esto sería con vistas a aplicar externamente el regulador PPI a cada articulación en
una estrategia de control desacoplado (figura 2.5). Los disturbios de la dinámica
realmente acoplada del robot se considerarían reflejados como variaciones de la
ganancia y la constante de tiempo de los motores, variaciones que serían corregidas
por los parámetros de adaptación. El problema está en que el modelo del motor, desde
ese punto de vista, varía muy rápido y constantemente y este MRAC no es capaz de
seguir esas variaciones por lo que se estudiará otro en la sección 2.4.
4 Kd
3 d i stu rb i o
qqqd re a l
qqqd
2 qqd Km 1
m Ar Re 1
qqd qd
T m .s+1 s
q
q
1 M o to r
Re g u l a d o r P P I
qd
Ay
Ay
M e ca n i sm o d e
Ar A d a p ta ci ó n
K re f
T re f.s+1
M o d e l o d e re fe re n ci a
Figura 2.5. Regulador PPI con MRAC en el lazo interno.
2.2.2. MRAC para sistemas de grado relativo dos

Otra variante sería aplicar el MRAC al sistema resultante una vez aplicado el regulador
PPI, ecuación 1.30. Para este caso la ley de control es similar a la anterior pero resulta
más compleja de implementar ver figura 2.6 y por otra parte, como la planta es de
grado relativo dos y por ello no resulta estrictamente real positiva, no se puede aplicar
el lema visto en 2.2.1, por lo que la ley de adaptación requiere de modificaciones
drásticas que la complican en extremo:

u  θ t t   w t  Ley de control con w(t) vector de parámetros medibles

t   et   t   t  Error aumentado (ver detalles en [Slotine J., 1989])
sgnkp       w
θ   Ley de adaptación para los parámetros de control
1 w t  w
 
α   Parámetro para del error aumentado
1 w t w
km ym (t)
s2 +a m 1 .s+a m 2
r (t)
u0 u1 u y(t)
kp e
k
s2 +a p 1 .s+a p 2
a1
s+l o
b 1 .s+b 2
s+l o
Figura 2.6. Ley de control para el MRAC en plantas de grado relativo dos.
e(t)
+
w(t)  t
Wm(s) 1/k
+ (t)
t Wm(s)
_
(t)
(t)
+
Wm(s) t
Figura 2.7. Cálculo del error aumentado.
Por la complejidad que requiere este método, queda descartado como variante para
mejorar el desempeño del regulador PPI.

2.3. Estimación en línea de parámetros

Una de las formas de reducir las incertidumbres paramétricas en un sistema dinámico
es aplicar las técnicas de estimación de parámetros que infieren los valores de los
mismos a partir de la medición de las entradas y salidas del sistema. Estas pueden
ejecutarse fuera de línea si los parámetros a estimar son constantes y hay suficiente
tiempo para la estimación antes de controlar; pero si los parámetros varían durante la
operación, la estimación debe ser en línea para mantener el seguimiento. En el
contexto de los controladores adaptables los problemas que envuelven variaciones de
los parámetros son comunes por lo que los métodos de estimación en línea cobran
mayor importancia.
2.3.1. Parametrización lineal del modelo

La esencia en la estimación de parámetros es extraer la información a partir de los
datos disponibles del sistema por lo que se necesita un modelo de estimación que
relacione los datos disponibles con los parámetros desconocidos, el cual puede o no
ser el que se use como ley de control. En forma general el modelo para la estimación
de los parámetros es la parametrización lineal:
y(t )  W(t )  a (2.17)
Donde:
y(t) : Vector n dimensional que contiene las salidas del sistema parametrizado.
a(t) : Vector m dimensional que contiene los parámetros a estimar.
W(t) : Matriz de n x m en función de las señales conocidas.
Debe hacerse notar que tanto y como W deben conocerse en función de las
mediciones que se tengan del sistema y que donde único habrá parámetros
desconocidos será en a, lo que significa que (2.17) es una simple ecuación lineal en
términos de los parámetros desconocidos. Surge entonces una ecuación diferente para
cada instante de tiempo t y teniendo las mediciones de y(t) y W(t) en k instantes de
muestreo se tienen k ecuaciones de la forma (2.17). El objetivo de los métodos de
estimación de parámetros es, por tanto, resolver estas ecuaciones redundantes para
obtener los m parámetros desconocidos por lo que bastarían m ecuaciones; pero,
teniendo en cuenta el ruido y los errores de modelación, es preferible tomar más datos.

En los métodos en línea se soluciona una ecuación recursiva que permite estimar y
actualizar los valores de a para cada nuevo conjunto de y y W disponible.
La rapidez de la estimación de a depende del método que se emplee y de la
excitabilidad que porte el conjunto de datos y y W. A continuación se muestran algunos
de los métodos.
2.3.2. Métodos de estimación basados en el error de predicción

Se sabe que el vector a en (2.17) es desconocido pero en el instante t se estima que
sea ât  , por tanto podría predecirse el valor de la salida y(t) basándose en los
parámetros estimados y el modelo:
yˆ t   W t   aˆ t  (2.18)
La diferencia entre la salida predicha y la salida medida es el llamado error de
predicción que se denota como:
e1t   yˆ t   yt  (2.19)
Todos los métodos de estimación en línea que se muestran a continuación basan su
ley de estimación en este error.
Para ejemplificar el desempeño de estos métodos, ante ruidos y variaciones de los
parámetros en el tiempo, se aplican al modelo:
f  m a (2.20)
Donde:
f : Fuerza. Salida del modelo (y)
a : Aceleración. Entrada del modelo (w)
m : Masa. Parámetro a estimar (a)
En el mismo la aceleración es conocida (por medición) y para ver la convergencia se
dispone de la masa real.
Luego:
fˆ  a  m
ˆ
f  am  d d : Disturbio o ruido. (2.21)
e1  fˆ  f

Para ver el comportamiento ante ruidos se asume at   sent  y m  2 con

d t   0.5  sen20  t  . Mientras que para ver el comportamiento ante variaciones del
parámetro en el tiempo se asume at   sent  y mt   1  0.5  sen0.5  t  .
Estimación por el método del gradiente

Este es el más simple de los métodos de estimación y se basa en actualizar los
parámetros en función del gradiente del error de predicción. En términos de (2.18) y
(2.19) la ley de estimación resulta:
aˆ   p0  W t  e1 (2.22)
Donde p0 es un número positivo llamado ganancia del estimador.
Para el modelo (2.20) sin y con ruido para una masa constante y p0 con valores uno y
tres, los resultados de estimación, a través del parámetro estimado, se muestran en la
figura 2.8.
1.2 1.2
p0 =3
p0 =3
1 1
0.8 p0 =1 0.8 p0 =1
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.8. Método del gradiente sin y con ruido para parámetro constante.
Se puede notar que para mayores valores de p0 la convergencia es más rápida pero
empeora ante ruidos.
Los resultados de estimación sin y con ruido para una masa variable en el tiempo y p0
con valores uno y tres, se muestran en la figura 2.9.

1.5 1.5
p0 =3
p0 =3
1 p0 =1 1
p0 =1
0.5 0.5
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.9. Método del gradiente sin y con ruido para parámetro variable.
Nótese que para mayores valores de p0 el seguimiento es mejor pero nuevamente se
observa un empeoramiento ante ruidos.
Estimación por el método de los mínimos cuadrados estándar

Este método se basa en minimizar el total del error de predicción, lo que permitirá
menor influencia de los ruidos. La ley de estimación queda:
aˆ  Pt   W t  e1 (2.23)

Donde P(t) es una matriz cuadrada de ganancias estimadoras determinada según:
P t   P  W t  W  P (2.24)
Para el modelo (2.20) sin y con ruido para una masa constante y como condición inicial
de P tres y treinta, los resultados de estimación se muestran en la figura 2.10.
1.2 1.2
P0 =3
P0 =3
1 1
P0 =30 P0 =30
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.10. Mínimos cuadrados sin y con ruido para parámetro constante.

Nótese que al aumentar la condición inicial de P se logró mayor inmunidad a los ruidos
pero se hizo más lenta la convergencia.
Los resultados de estimación sin y con ruido para una masa variable en el tiempo y
teniendo como condición inicial de P, tres y treinta, se muestran en la figura 2.11.
1.5 1.5
P0 =30
P0 =30
1 1
P0 =3
P0 =3
0.5 0.5
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.11. Mínimos cuadrados sin y con ruido para parámetro variable.
Con este método, al aumentar la condición inicial de P, el desempeño es muchísimo
más inmune a los ruidos comparado con el del gradiente, pero el seguimiento a
variaciones del parámetro se deteriora notablemente.
Estimación por el método de los mínimos cuadrados con olvido exponencial

Esta variante le incluye a la anterior un término de olvido exponencial de los datos que
han sido usados para la estimación de los parámetros, de esta forma la ley de
estimación sigue siendo 2.21 mientras P se calcula por:
P t    0  P  P  W t  W  P (2.25)
Donde  0 es la razón de olvido exponencial.

Para el modelo (2.20) sin y con ruido para una masa constante, con condición inicial de
P treinta, y  0 = 0.5 y 3, los resultados de estimación se muestran en la figura 2.12.

1.2 1.2
1 0 =3 1
0 =0.5
0.8 0.8 0 =3
0.6 0.6 0 =0.5
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.12. Mínimos cuadrados con olvido exponencial,

sin y con ruido para parámetro constante.
Al aumentar  0 se hace más rápida la convergencia y aunque influyen más los ruidos,
nótese que es mucho menos que en el método del gradiente pues la condición inicial
de P está en treinta.
Los resultados de estimación sin y con ruido para una masa variable en el tiempo, con
condición inicial de P treinta y  0 = 0.5 y 3, se muestran en la figura 2.13.
1.5 1.5
0 =3 0 =3
0 =0.5 0 =0.5
1 1
0.5 0.5
0 0
0 5 10 15 20 0 5 10 15 20
Figura 2.13. Mínimos cuadrados con olvido exponencial,

sin y con ruido para parámetro variables.
Nótese la mejora en el seguimiento que se obtiene al aumentar  0 . El problema de
este método es que si W deja de ser persistentemente excitada, algunos parámetros de

la matriz P pueden tender al infinito.

Estimación por el método de la ganancia acotada con olvido exponencial

Para evitar el aumento excesivo de la matriz P en caso de que W deje de ser
persistentemente excitada, se introduce una nueva modificación al método y la ley de
estimación queda:
P t   t   P  P  W t  W  P
 P  (2.26)
t    0 1  
 P 
 0
Donde P0 es el máximo permisible en los términos de la matriz de ganancia y P
representa la norma de la matriz.
2.4. MRAC Compuesto

En el controlador MRAC desarrollado en la sección 2.2.1, la ley de adaptación se basa
en el error de seguimiento e, sin embargo este no es la única fuente de información. El
error de predicción e1 también contiene información acerca de los parámetros, como
quedó reflejado en los esquemas de estimación de la sección 2.3. Surge entonces el
MRAC Compuesto que, usando ambas fuentes de información, logra mejorar
visiblemente el desempeño del sistema. A continuación se muestra su desarrollo para
un sistema de primer orden.
Para el sistema de primer orden de la figura 2.2, el MRAC clásico (visto en la sección
2.2.1) tiene como ley de control:
u  vt  a (2.27)
y como ley de adaptación:
a̂   sgn( b p )    v  e (2.28)
Donde:

a  ar 
ay t v  r y t (2.29)
Para aplicar los métodos de estimación a los parámetros ar y ay se requiere

previamente una parametrización lineal de la planta en función de dichos parámetros.
Para ello, adicionando amy en ambos miembros de la ecuación (2.3) se obtiene:

y  am  y  (a p  am )  y  b p  u (2.30)
Lo que permite:
(a p  a m )
 s  am   y 
1
u ( s)  y (2.31)
bp bp
Poniendo (2.9) en función de los parámetros ideales dados en (2.8) se obtiene:

( s  am )  y
u ( s)  ar   ay  y (2.32)
bm
Multiplicando (2.32) por 1/(s+am) queda:
u y y
 ar   ay  (2.33)
( s  am ) bm ( s  am )
Finalmente la ecuación (2.33) puede verse compactada en forma de parametrización
lineal:
u1  W  a (2.34)
Donde:
u1 
u
s  am
a  ar 
ay t
 y
W
y 

s  am 
(2.35)
 bm
El error de predicción se define como:
e1  uˆ1  u1 (2.36)
Donde:
u
uˆ1  W  aˆ u1  (2.37)
s  am
La ley de adaptación compuesta queda:

aˆ  P(t )  sgn (b p )  v  e  W t  e1  (2.38)
donde P(t) es la matriz de ganancias estimadoras que debe calcularse según el método
de estimación con ganancia acotada, ecuaciones (2.26), para lograr una rápida
convergencia, cierta inmunidad ante ruido y seguimiento ante variaciones de los
parámetros.
Aplicando este esquema de control al modelo de primer orden de los motores del
RICAC-6 (1.3’) se obtienen los siguientes resultados (  0 = 5, K0 = 5):

1
P arám etros
(ar,ay) 0
-1
0 2 4 6 8 10 12 14 16 18 20
2
S alida(y) 0
-2
0 2 4 6 8 10 12 14 16 18 20
0.5
E rror (e) 0
-0.5
0 2 4 6 8 10 12 14 16 18 20

seguimiento.
1
P arám etros
(ar,ay) 0
-1
0 2 4 6 8 10 12 14 16 18 20
2
S alida(y) 0
-2
0 2 4 6 8 10 12 14 16 18 20
0.5
E rror (e) 0
-0.5
0 2 4 6 8 10 12 14 16 18 20

seguimiento.

2.5. Conclusiones
Las conclusiones parciales de este capítulo son las siguientes:
 Conocida la intención de combinar el regulador PPI con técnicas de control
adaptable, lo más recomendable es aplicarlas al lazo interno de velocidad;
debido a que el sistema resultante, en este caso, quedaría de grado relativo
uno, que son los de leyes de adaptación menos complejas y no provocarían un
aumento excesivo de los costos computacionales del algoritmo de control final.
 Dado que en el lazo interno de velocidad la ganancia del motor, y sobre todo su
constante de tiempo, son realmente variables si se tiene en cuenta la dinámica
acoplada del robot, el método de adaptación que se emplee en el lazo interno
debe ser capaz de seguir con rapidez esas variaciones, por lo que ha de
emplearse el MRAC Compuesto con la estimación por mínimos cuadrados con
ganancia acotada, que es el más rápido de los estudiados.

SÍNTESIS DE LAS ESTRATEGIAS DE

CONTROL DESACOPLADO ADAPTABLE
E n este capítulo se muestra la síntesis de la estrategia de control desacoplado

adaptable resultante de combinar el regulador PPI con el MRAC Compuesto. También
se muestra otra variante de control basada en la compensación adaptable del disturbio
que por su simplicidad pudo implementarse en la práctica dando buenos resultados.
Ambas estrategias son evaluadas en simulación para el modelo acoplado del robot
RIAC-6 dado en el primer capítulo.
3.1. Control desacoplado con lazo interno adaptable

La idea de combinar en una estrategia de control desacoplado un regulador capaz de
absorber parte de los disturbios con técnicas de control adaptable que le permitan
aumentar sus prestaciones, sin elevar excesivamente los costos computacionales,
quedó prevista en [Hernández L., 1993] e intentó materializarse en [Mendoza V., 1995].
Una variante es aplicar la técnica de control adaptable por modelo de referencia
(MRAC) pero ésta se complica cuando el grado relativo del sistema es mayor que uno;
sin embargo, cuando el grado relativo es uno, el mecanismo de adaptación resulta muy
sencillo ([Slotine J. J., 1989], [Astrom K., 1989]). Es por ello que se decide aplicar un

Capítulo 3. Síntesis de las estrategias de control desacoplado adaptable...53
MRAC en el lazo interno de velocidad del regulador PPI que es donde quedaría un
sistema de grado relativo uno, ver figura 3.1.
4 Kd
3 disturbio
qqqd real
qqqd
2 qqd Km 1
m Ar Re 1
qqd qd
Tm.s+1 s q
q
1 Motor
Regulador PPI
qd
Ay
Kref Ar
Mecanismo de
Tref.s+1 Adaptación Ay
Modelo de referencia
Figura 3.1. Esquema de control PPI con MRAC en el lazo interno.

En este caso la dinámica no lineal del robot se considera reflejada en los parámetros
Km y Tm del motor que durante la ejecución de una trayectoria variarán continuamente.
Por lo que el mecanismo de adaptación que se emplee debe ser rápido y capaz de
seguir las variaciones de dichos parámetros. Se propone, por tanto, el esquema MRAC
Compuesto visto en el capítulo anterior.
Para las pruebas de simulación se usó el modelo del robot, para las articulaciones dos
y tres, descrito en el capítulo uno, ecuaciones (1.2) y (1.3), con los datos dados en el
mismo. El PPI se ajusta con wn = 10 y  = 1.1, según las ecuaciones (1.31) y (1.32) y
el MRAC Compuesto con  0 = 50000 y K0 = 5000, valores que permitieron que la ley
de adaptación lograra la convergencia de sus parámetros en un segundo. La
trayectoria a seguir es de 0° a 90° en cada articulación y se genera con un polinomio de
7mo orden.
(rad) 2 2
1.5
1.5
ar
1
1
0.5
0.5 qd ay
0
0 -0.5
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.2. Convergencia de los parámetros sin la acción del torque disturbio.

A continuación se muestran los errores de seguimiento en posición (qd-q) obtenidos

con el PPI sin disturbio, el PPI con disturbio y el PPI con MRAC Compuesto con
disturbio; y los mandos necesarios en cada caso así como la adaptación de los
parámetros en el último:
-3
x 10
(V ) 40 (rad) 2
30
m 1
20
10 0
err
0
-1
-10
-20 -2
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.3. Mando necesario y error de seguimiento en el PPI sin disturbio.

-3
x 10
(V ) 40 (rad) 4
m
m32
30
m1
m2 2
20
0
10
err2
err3
-2
0
err1
err2
-10 -4
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.4. Mando necesario y error de seguimiento en el PPI con disturbio.

-3
x 10
(V ) 50 (rad) 2
m
m32
m1 1
m2
0 0 err2
err3
-1
err1
err2
-50 -2
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.5. Mando necesario y error de seguimiento en el PPI adaptable.

5 3
Articulación 2 Articulación 3
ar
0 1 ar
ay
0
ay
-5 -1
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.6. Adaptación de los parámetros en el PPI adaptable.
El parámetro ar del PPI adaptable aparentemente intenta ir al infinito, esto se debe a

que la señal de mando deja de ser persistentemente excitada y la matriz de ganancia P
comienza a aumentar, pero como puede verse en su ecuación, tiene una cota en P0.
Este fenómeno se muestra a continuación donde se extiende más el tiempo de
simulación e incluso se manda nuevamente a 0° la posición de las articulaciones:
-3
x 10
rad 2 rad 2
1.5 1
1 0
0.5 -1
0 -2
0 2 4 6 8 10seg 0 2 4 6 8 10seg
Figura 3.7. Posición deseada y error de seguimiento en el PPI adaptable

5 5
ar ar
0 0
ay ay
Articulación 2 Articulación 3
-5 -5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 3.8. Adaptación de los parámetros en el PPI adaptable

Nótese que con el PPI con MRAC Compuesto se lograron reducir los errores (figura
3.5) a los que se obtienen si no existieran los disturbios propios de la dinámica no lineal
y acoplada del robot (figura 3.3).
3.2. Control desacoplado con compensación de disturbio

Como en definitiva se trata de minimizar el efecto producido por un disturbio, se probó
esta otra variante que introduce el error de seguimiento (respecto al modelo de
referencia) en un regulador PI cuya salida se suma al mando generado por el algoritmo
de control desacoplado (PPI) y trata de llevar este error a cero igualándose al disturbio,
ver figura 3.9.
4 Kd
3 disturbio
qqqd real
qqqd
2 qqd Km 1
m Re 1
qqd qd
Tm.s+1 s q
q
1 Motor
Regulador PPI
qd
Kref
Regulador PI
Tref.s+1
Modelo de referencia
Figura 3.9. Esquema de control PPI con compensación de disturbio.
Para la simulación se mantiene el modelo del robot y el ajuste del regulador PPI. El PI
compensador se ajusta con Ti = Tm = 0.8 y Kc = 400. A continuación se muestran los
resultados que se obtienen, nótese que los errores son ligeramente superiores a los del
PPI con MRAC Compuesto pero esta variante es tan sencilla de implementar que
ingenierilmente resulta muy atractiva.

-3
x 10
(V ) 40 (rad) 3
m
m31
30 2
20 m
m22 1
10 0
err1
err2
0 -1
err2
err3
-10 -2
-20 -3
0 2 4 6 (seg) 0 2 4 6 (seg)
Figura 3.10. Mando necesario y error de seguimiento en el PPI con compensación de

disturbio
(V ) 4 (V ) 3
2 2
0 1
td1
td2
-2 0
td2
td3
tc1
tc2
-4 -1 tc2
tc3
-6 -2
-8 -3
0 1 2 3 4 (seg) 0 1 2 3 4 (seg)
Figura 3.11. Torque disturbio (td) y de compensación (tc) en cada articulación
En la práctica, este regulador fue implementado (ver anexo) y probado, en el robot

RIAC-6 del GIMAS usando como procesador una PC 486 a 100MHz y con período de
muestreo de 10 ms. Para diferentes exigencias de velocidad y aceleración los
resultados fueron los siguientes:
Nota: Cada figura que se muestra a continuación tiene tres gráficos que son:
Grafica 1: Posicion velocidad y aceleracion deseadas en grad, grad/seg y grad/seg 2
Grafica 2: Error de posición en grados para la articulación dos (Hombro).
(PPI: verde, PPI compensado: azul)
Grafica 3: Error de posición en grados para la articulación tres (Brazo).
(PPI: verde, PPI compensado: azul)

200
-200
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10
Figura 3.12. Resultados para una trayectoria con picos de velocidad articular máximos
de 47.6 grad/seg y con picos de aceleración articular máximos de 124.3 grad/seg2.
500
-500
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10

500
-500
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10
1
-1
0 1 2 3 4 5 6 7 8 9 10
Debe destacarse, en primer lugar, que con el PPI compensado los errores siempre son
menores que con el PPI original. Además, que el comportamiento de ambas
articulaciones con el regulador PPI compensado, es practicamente igual, sin importar
que los disturbios sean diferentes para cada una, lo cual sí se aprecia con el regulador
PPI sin compensar para el cual los errores en la articulación dos son siempre mayores
que en la articulación tres, esto significa que en el PPI compensado los disturbios están
siendo prácticamente eliminados. Por otra parte, a medida que se aumentaron las
exigencias de velocidad y aceleración no se deterioró casi la respuesta del regulador
compensado, mientras que la respuesta del PPI original sí se vió afectada.
Nótese sin embargo, que el PPI compensado presenta pequeñas oscilaciones en
estado estable debido a los ruidos en el error de seguimiento, pero son realmente
despreciables para la aplicación de soldadura por arco que se pretende montar por lo
que no se les confiere mucha importancia.
Para una mejor comparación, todas las figuras anteriores se unieron y se muestran en
la figura 3.15.

500 500 500
0 0 0
-500 -500 -500

0 5 10 0 5 10 0 5 10
1 1 1
0 0 0
-1 -1 -1
0 5 10 0 5 10 0 5 10
1 1 1
0 0 0
-1 -1 -1
0 5 10 0 5 10 0 5 10
Figura 3.15. Comparación de los resultados obtenidos con el PPI original (verde)
y el PPI compensado (azúl).
3.3. Conclusiones
Las conclusiones parciales del capitulo son las siguientes:
 Con el PPI con MRAC Compuesto se logró reducir el error al que habría si no
existiera interacción entre las articulaciones. El costo computacional aumenta
pero sigue siendo inferior al que implican otros métodos de control más exactos.
 Los resultados con el PPI con compensación de disturbio son ligeramente
inferiores a los del PPI con MRAC Compuesto, pero computacionalmente es
extremadamente sencillo y se logró implementar en la práctica con buenos
resultados.

CONCLUSIONES
E l señor Luis Basañez Villaluenga, Coordinador Nacional Español de la IFR

(International Federation of Robotic), plantea lo siguiente:
“En los últimos años, los robots han constituido una planta excelente para la aplicación
y ensayo de numerosas técnicas de control. En este sentido, cabe mencionar el control
adaptativo, el control difuso y el control neuronal, entre otros. Muchos de los sistemas
desarrollados han sido probados únicamente en simulación y no han sido sometidos
aún a una verificación experimental que permita su validación real.
“No obstante, diversos fabricantes de robots han incorporado mejoras derivadas de
estos desarrollos y puede apreciarse una paulatina mejora en las prestaciones de los
sistemas de control, ligada también, evidentemente, a la disponibilidad de micro
procesadores más rápidos y potentes. En esta línea, algunos fabricantes han
comenzado a incorporar en sus sistemas módulos de compensación dinámica que
permiten al robot cargado seguir con precisión trayectorias a velocidad elevada.
“La identificación en línea del modelo del robot puede permitir mejorar su
comportamiento dinámico y supervisar su funcionamiento con vistas a detectar
disfuncionalidades o fallos del sistema.”, [Basañez L., 1999].
Estas ideas armonizan y redondean las conclusiones de este trabajo:
 Es innegable la actualidad del tema que se aborda y el punto de vista desde el
que se ataca tiene precisamente el mayor valor práctico para la industria, pues
se busca un algoritmo de control sencillo, que no requiera de sensores
especiales y que sea capaz de brindar altas prestaciones en el seguimiento de
trayectorias.

Conclusiones...62
 Como resultado del trabajo se modificó la estrategia de control PPI

adicionándole en su lazo interno de velocidad un MRAC Compuesto y se obtuvo
una algoritmo de control desacoplado adaptable, capaz de reducir los errores de
seguimiento al mínimo teórico que tiene el PPI sin disturbio.
 También se obtiene otra variante del mecanismo de adaptación en el lazo
interno introduciendo un compensador adaptable de disturbio. Con éste las
prestaciones son ligeramente inferiores a las del primer algoritmo pero su
sencillez y en definitiva, sus magníficas prestaciones, lo hacen ingenierilmente
muy útil, de hecho se logra montar en la práctica y poner en funcionamiento.
 Quedan también, como resultados, los reguladores PID, PPI, PPI con MRAC
Compuesto y PPI con compensación de disturbio, implementados en C y listos
para ser usados en otras aplicaciones.

RECOMENDACIONES
C omo recomendaciones se dan las siguientes:

 Se debe continuar trabajando en la implementación del regulador PPI con MRAC
Compuesto que por estar fuera de los objetivos de este trabajo no se llegó a
ajustar en la práctica.
 La variante PPI con compensación de disturbio presenta pequeñas oscilaciones
en estado estable producto de los ruidos en el error de seguimiento, que aunque
no representa grandes errores cartesianos para el caso de la soldadura por arco,
en aplicaciones de alta precisión pudieran ser perjudiciales, éstas se intentaron
eliminar con una zona muerta en dicho error pero los resultados no fueron muy
halagüeños; por lo que deben probarse otros mecanismos.
Finalmente, no todo está dicho en este tipo de estrategia de control y pudieran surgir
otras ideas. Por ello este trabajo es solo la demostración de que la aplicación de un
algoritmo de adaptación en el lazo interno de un regulador robusto por sus
prestaciones, tiene valor práctico para aplicaciones industriales y queda abierto el
campo de su investigación.

BIBLIOGRAFÍA
[Alongue F., 1999] Alongue F., F. D’Ippolito, F. M. Raimondi, An adaptive control
law for robotic manipulator without velocity feedback., 14th
World Congress of IFAC, Paper No. B-1d-07-5, 1999.
[Astrom K., 1989] Astrom K., and B. Wittenmark, Adaptive Control. Addison-
Wesley, USA, 1989.
[Barrientos A., 1997] Barrientos A., L. F. Peñín, C. Balguer, R. Aracil, Fundamentos
de Robotica., McGraw Hill, 1997.
[Basañez L., 1999] Basañez L., Actualidad y perspectivas de la robótica., Institut
d’Organització i Control de Sistemes Industrials, 1999.
[Berstecher R., 1999] Berstecher R., R. Palm and H. Unbehauen, An adaptive fuzzy
Sliding mode controller for a robot arm., 14th World Congress of
IFAC, Paper No. B-1d-01-3, 1999.
[Carelli R., 1998] Carelli R., Control de movimiento y fuerza., II Jornada
Iberoamericana de Robótica, Guatemala, Junio, 1998.
[Chiacchio P., 1993] Chiacchio P., Robust design of independent joint controller with
experimentation on high-speed paralled robot., IEEE
Transaction on Industrial Electronic, Vol. 40 (4), Agosto, pp.
393-403, 1993.
[CITMA, 1998] CITMA, La ciencia y la innovación tecnológica en Cuba. Bases
para su proyección estratégica., Ministerio de Ciencia,
Tecnología y Medio Ambiente, Editorial academia, 1998.

Bibliografía...65
[Corke P., 1993] Corke P. and M. C. Goodz, Controller design for high
performance visual servoing., CSIRO Division of Manufacturing
Technology, Locked Bag 9, Preston, Australia, 1993.
[Corke P., 1999] Corke P., Robotic Toolbox of MATLAB RELEASE 5., CSIRO,
Manufacturing Science and Technology, Pinjarra Hills,
AUSTRALIA, April, 1999.
[Craig J. J., 1988] Craig J. J., Adaptive Control of Mechanical Manipulatores.,
Adison-Wesley, 1988.
[Crochetiere W.,1984] Crochetiere W., Locating the wrist of an elbow-type
manipulators., IEEE Transactions on Systems Man and Cyber,
Vol. SMC-14, pp. 497-499, Mayo / Junio, 1984.
[Dai Y., 1999] Dai Y., S. Shi and N. Zheng, Adaptive control of robot
manipulators with only position measurements., 14th World
Congress of IFAC, Paper No. B-1d-06-1, 1999.
[Feng G., 1994] Feng G., New robust model reference adaptive control
algorithm., IEE Process Control Theory Application, Vol. 141,
No 3, 1994.
[Fu K. S., 1988] Fu K. S., Gonzalez R. C. and C. Lee., Robótica, Control,
Detección, Visión e Inteligencia., Mc Graw-Hill Interamericana,
España, 1988.
[Goldenberg A., 1985] Goldenberg A., B. Benhabid and R. Fenton., A complete
generalized solution to then inverse kinematics of robots., IEEE
Transactions on Robotics and Automation, Vol. Ra-1, pp. 15-20,
1985.
[González R., 1998] González R. y N. Escalona., Recuperación de Robot industrial.,
Trabajo de Diploma, UCLV, 1998.
[Gonzáles R., 2000] Gonzáles R., Control de servo visual de Robot industrial. Tesis
en opción al grado de Master en Automática (Trabajo en
desarrollo) , UCLV, 2000.
[Gupta K., 1997] Gupta K., Mechanics and Control of Robots., Springer Verlag,
New York, 1997.

Bibliografía...66
[Hashimoto H., 1992] Hashimoto H., T Kubtoa, M. Sato, F. Harashima, Visual control
of robotic manipulator based on neural networks., IEEE
transaction industrial electronics, Vol. 39, No 6, December,
1992.
[Herminio O., 2000] Herminio O., Control dinámico servovisual de manipuladores
robóticos., Tesis Doctoral, Facultad de Ingeniería, Universidad
Nacional de San Juan, 2000.
[Hernández L., 1993] Hernández L., Estrategia de control adaptable para robots
industriales., Tesis en opción al grado de Doctor en Ciencias
Técnicas, UCLV, 1993.
[Hernández L., 1998a] Hernández L., y B. L. Martínez, Estudio comparativo de
estrategias de control independientes de articulaciones de
robots industriales., INFORMATICA 98, La Habana, Cuba,
Febrero 1998.
[Hernández L., 1998b] Hernández L., y B. L. Martínez, Rubio A. E., Modelación de
robots industriales para tareas de diseño y control., II Jornada
Iberoamericana de Robótica, Guatemala, Junio, 1998.
[Hernández L., 1998c] Hernández L., R. Gonzalez, M. Herrera, A. E. Rubio, y otros,
Recuperación de robots industriales., XII Forum de Ciencia y
Técnica, Villa Clara, Cuba, 1998.
[Herrera M., 2000] Herrera M., Herramientas de visión artificial para aplicaciones
industriales. Tesis en opción al grado de Master en Automática
(Trabajo en desarrollo) , UCLV, 2000.
[Ibarra J. M.] Ibarra J. M., V. Bahena y H. Mendoza, Aplicación de las redes
neuronales al control de robots basado en visión.
[Martínez A., 1992] Martínez A., Los robots industriales y la economía española.,
Automatización Integrada. Revista de Robótica, No 67, Abril,
1992.
[Mendoza V., 1995] Mendoza V., Alternativa de control adaptivo para
servomecanismos utilizados en robótica. Trabajo de Diploma,
UCLV, 1995.

Bibliografía...67
[Panames A., 1998] Panames A., Modelado dinámico., II Jornada Iberoamericana

de Robótica, Guatemala, Junio, 1998.
[Paul R. P., 1981] Paul R. P. and G. B. Shimano., Kinematics control equations for
simple manipulators., IEEE Transactions on Systems Man and
Cyber, Vol. SMC-11, pp. 449-455, Junio, 1981.
[Microsoft, 1996] Microsoft Co., Microsoft DirectX 3 Software Development Kit.,
1996.
[Paul M. J., 1994] Paul M. J. and J. P. Ruud, Identification and control closed loop
issues., 10th IFAC Symposium on System Identification,
Copenhagen, Denmark, July, 1994.
[Porter B., 1999] Porter B., C. Allaoui, Evolutionary design of high accuracy
digital trajectory tracking controllers for robotic manipulators.,
14th World Congress of IFAC, Paper No. B-1d-01-5, 1999.
[PCC, 1997] PCC, Resolución sobre el desarrollo económico en Cuba.,
1997.
[del Pozo, A., 1990] del Pozo A. y R. Sebastián., La Síntesis Cinemática y Dinámica
de dos Robots Industriales., Editorial Academia, La Habana,
1990.
[Raucent B., 1993a] Raucent B., and J. C. Samin, Dynamic modeling and
identification of the PUMA robot, Transactions of the CSME,
Vol. 17, No. 4A, 1993.
[Raucent B., 1993b] Raucent B. and J. C. Samin, Robot calibration., Chapman &
Hall, London, 1993.
[Rubio A. E., 1997] Rubio A. E., Sistema para el Control Independiente de
Articulaciones del Manipulador ASEA IRb-6., Trabajo de
Diploma, UCLV, 1997.
[Sciavicco L., 1996] Sciavicco L. and B. Sciciliano., Modeling and Control of Robot
Manipulators., McGraw Hill Co, New York, 1996.
[Slotine J. J., 1989] Slotine J. J. and W. Li, Applied non lineal control., Prentice Hall,
New Jersey, 1989.

Bibliografía...68
[Tablada C., 1987] Tablada C., El pensamiento económico de Ernesto Ché

Guevara, Ediciones Casa de las Américas, 1987.
[Torroalva C., 1992] Torroalva C., Nueva clasificación de la IFR para los robots.,
Automatización integrada. Revista de robótica., No 67, Pág. 57-
68, Abril 1992.
[Umeno T., 1993] Umeno T., Robust servosystem design with two degrees of
freedom and its application to novel motion control of robot
manipulators., IEEE transactions on industrial electronics, Vol.
40, No. 5, October 1993.
[Ziauddin S., 1995] Ziauddin S., A. Zalzala, An implementation of fast globally
stable adaptive robot control on a multi processor network.,
Control Engineering Practice, Vol. 3, No. 11, Elsevier Science
Ltd, Great Britain, June, 1995.

ANEXO
A continuación se muestra el programa fuente de los algoritmos de control:
// Reguladores digitales
#include <math.h>
// --------------------------- Funcion de saturacion

#define sat(x,min,max) (x>max)?max:(x<min)?min:x
// --------------------------- Filtro digital de primer orden

typedef struct Filtro1o{
float nn,dd;
float m1,mf1;
} Filtro1o;
Filtro1o InitFiltro1o( float Km, float Tm, float TT )

{
Filtro1o tmp;
tmp.nn = Km*TT/(TT+2.0*Tm);
tmp.dd = (TT-2.0*Tm)/(TT+2.0*Tm);
tmp.m1 = 0;
tmp.mf1 = 0;
return( tmp );
}
float Filtra1o( Filtro1o *fil, float m0 )

{
float mf0;

Anexo...70
mf0 = fil->nn*(m0+fil->m1) - fil->dd*fil->mf1;
fil->mf1 = mf0;
fil->m1 = m0;
return( mf0 );
}
// --------------------------- Regulador PID con anti WinDup

#define ManMx 0x0FFF
#define ManMn -0x0FFF
typedef struct RegPID{

float err1;
float AA,BB,CC,II;
int man;
} RegPID;
RegPID InitRegPID( float skc, float sti, float std, float stm )
{ // kc(1+1/tis+tds)
RegPID tmp;
tmp.AA = skc;
tmp.BB = skc*stm/(2.0*sti);
tmp.CC = skc*std/stm;
tmp.II = 0;
tmp.man = 0;
tmp.err1 = 0;
return( tmp );
}
int RegulaPID( RegPID *pid, float SP, float med )

{
float man,err0 = SP-med;
// Con anti WinDup en la integral mejorada

pid->II += pid->BB*(err0+pid->err1);
if( pid->II > ManMx )
pid->II = ManMx;
if( pid->II < ManMn )
pid->II = ManMn;
man = pid->AA*err0 + pid->II + pid->CC*(err0-pid->err1);

// Podria mejorarse derivando la medision y no el error

Anexo...71
// para si trabajo a variaciones bruscas del SP

pid->err1 = err0;
// Saturacion del mando

if( man>ManMx )
man = ManMx;
if( man<ManMn )
man = ManMn;
pid->man = (int)man;
return( pid->man );
}
// --------------------------- Regulador PPI
typedef struct RegPPI{

RegPID pi;
float Ka,Kp,p1,T;
} RegPPI;
RegPPI InitRegPPI( float Fi, float Wn, float Km, float Tm, float TT )
{
RegPPI tmp;
float Kp,Kv,Tv;
Tv = Tm;
Kv = 2.0*Fi*Wn/Km;
Kp = Wn/(2.0*Fi);
tmp.Ka = 1/(Kv*Km);
tmp.Kp = Kp;
tmp.p1 = 0;
tmp.T = TT;
tmp.pi = InitRegPID( Kv*Tv, Tv, 0, TT );
return( tmp );
}
int RegulaPPI( RegPPI *ppi, float spp, float spv, float spa, float med )
{
float tsp,tmed,vel = (med-ppi->p1)/ppi->T;
ppi->p1 = med;

Anexo...72
tsp = ppi->Kp*spp + spv + ppi->Ka*spa;

tmed = ppi->Kp*med + vel;
return( RegulaPID( &(ppi->pi), tsp, tmed ) );

}
// --------------------------- Regulador PPI con compensacion del disturbio

typedef struct RegPPIcd{
RegPPI ppi;
RegPID pi;
float p1,v1,T,nn,dd, emin;
int m1,m2;
} RegPPIcd;
RegPPIcd InitRegPPIcd( float Kc, float emin, float Fi, float Wn, float Km, float Tm,
float TT )
{
RegPPIcd tmp;
tmp.m1 = 0;
tmp.m2 = 0;
tmp.v1 = 0;
tmp.p1 = 0;
tmp.emin= emin;
tmp.nn = Km*TT/(TT+2*Tm);
tmp.dd = (TT-2*Tm)/(TT+2*Tm);
tmp.T = TT;
tmp.ppi = InitRegPPI( Fi, Wn, Km, Tm, TT );
tmp.pi = InitRegPID( Kc, Tm, 0, TT );
return( tmp );
}
int RegulaPPIcd( RegPPIcd *ppicd, float spp, float spv, float spa, float p0 )
{
int m0,man;
float vm,v0;
v0 = (p0-ppicd->p1)/ppicd->T;
vm = ppicd->nn*(ppicd->m1+ppicd->m2) - ppicd->dd*ppicd->v1;
m0 = RegulaPPI( &(ppicd->ppi), spp, spv, spa, p0 );
if( fabs(vm-v0)<ppicd->emin )
vm = v0;
else
vm += ( vm>v0 )?-ppicd->emin:+ppicd->emin;
man = m0 + RegulaPID( &(ppicd->pi), vm, v0 );

Anexo...73

man = sat( man, ManMn, ManMx );
ppicd->p1 = p0;
ppicd->v1 = vm;
ppicd->m2 = ppicd->m1;
ppicd->m1 = m0;
return( man );
}
// --------------------------- Regulador PPI adaptable MRAC bgf

typedef struct RegPPIad{
RegPPI ppi;
Filtro1o Fw,Fm;
int m1,m2;
float ar1,ay1,TKm;
float p1,v1,T,nn,dd;
float p11,p12,p21,p22,lo,Po;
float p11a,p12a,p21a,p22a;
float ar1a,ay1a;
float man1,alim;
} RegPPIad;
RegPPIad InitRegPPIad( float alim, float lo, float Po, float Fi, float Wn, float Km,
float Tm, float TT )
{
RegPPIad tmp;
tmp.ar1 = tmp.ar1a = 1;
tmp.ay1 = tmp.ay1a = 0;
tmp.p11 = tmp.p22 = tmp.p11a = tmp.p22a = Po;
tmp.p12 = tmp.p21 = tmp.p12a = tmp.p21a = 0;
tmp.lo = lo;
tmp.Po = Po;
tmp.m1 = 0;
tmp.m2 = 0;
tmp.v1 = 0;
tmp.p1 = 0;
tmp.man1= 0;
tmp.alim= alim;
tmp.TKm = Tm/Km;
tmp.nn = Km*TT/(TT+2.0*Tm);

Anexo...74
tmp.dd = (TT-2.0*Tm)/(TT+2.0*Tm);
tmp.T = TT;
tmp.Fw = InitFiltro1o( Tm, Tm, TT );
tmp.Fm = InitFiltro1o( Tm, Tm, TT );
tmp.ppi = InitRegPPI( Fi, Wn, Km, Tm, TT );
return( tmp );
}
int RegulaPPIad( RegPPIad *ppiad, float spp, float spv, float spa, float p0 )
{
int m0,man;
float vm,v0,e,w1,w2,m1e,m1,e1,vwe1,vwe2,l,p11,p12,p21,p22,norma;
float p11e,p12e,p21e,p22e;
float ar1e,ay1e;
v0 = (p0-ppiad->p1)/ppiad->T;
vm = ppiad->nn*(ppiad->m1+ppiad->m2) - ppiad->dd*ppiad->v1;
m0 = RegulaPPI( &(ppiad->ppi), spp, spv, spa, p0 );
e = v0 - vm;
// e = ( e>1 )?e-1:(e<-1)?e+1:0;
w1 = v0*ppiad->TKm;
w2 = Filtra1o( &ppiad->Fw, v0 );
m1e = w1*ppiad->ar1 + w2*ppiad->ay1;

m1 = Filtra1o( &ppiad->Fm, ppiad->man1 );
e1 = m1e - m1;
// e1 = ( e1>1 )?e1-1:(e1<-1)?e1+1:0;
vwe1 = e*ppiad->m1 + e1*w1;

vwe2 = e*v0 + e1*w2;
p11 = ppiad->p11;
p12 = ppiad->p12;
p21 = ppiad->p21;
p22 = ppiad->p22;
norma = ((fabs(p11)+fabs(p21))>(fabs(p12)+fabs(p22)))?
(fabs(p11)+fabs(p21)):(fabs(p12)+fabs(p22));
l = ppiad->lo*(1.0 - norma/ppiad->Po);
p11e = (l*p11 - ((p11*w1+p12*w2)*w1*p11+(p11*w1+p12*w2)*w2*p21) );


Anexo...75
p11 += (ppiad->p11a+p11e)*ppiad->T/2.0;
p11 = sat( p11, -ppiad->Po, ppiad->Po );

ar1e = -(p11*vwe1 + p12*vwe2);

ay1e = -(p21*vwe1 + p22*vwe2);
ppiad->ar1 += (ppiad->ar1a+ar1e)*ppiad->T/2.0;
ppiad->ay1 += (ppiad->ay1a+ay1e)*ppiad->T/2.0;
ppiad->ar1 = sat( ppiad->ar1, -ppiad->alim, ppiad->alim );

ppiad->ay1 = sat( ppiad->ay1, -ppiad->alim, ppiad->alim );
man = ppiad->ar1*m0 + ppiad->ay1*v0;

man = sat( man, ManMn, ManMx );
ppiad->p1 = p0;
ppiad->v1 = vm;
ppiad->m2 = ppiad->m1;
ppiad->m1 = m0;
ppiad->man1 = man;
ppiad->p11 = p11;
ppiad->p12 = p12;
ppiad->p21 = p21;
ppiad->p22 = p22;
ppiad->p11a = p11e;
ppiad->p12a = p12e;
ppiad->p21a = p21e;
ppiad->p22a = p22e;
ppiad->ar1a = ar1e;
ppiad->ay1a = ay1e;
return( man );
}

Tesis Presentada para Optar Por El Título de Master en Automática

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Presentada para Optar Por El Título de Master en Automática

Cargado por

Copyright:

Formatos disponibles

Universidad Central “Marta Abreu”de Las Villas

Facultad de Ingeniería Eléctrica

Tesis presentada para optar por el

Estrategia de control desacoplado adaptable

Diplomante: Ing. Angel Ernesto Rubio Rodríguez

Tutor: Dr. Luis Hernández Santana

Departamento de Automática y Sistemas Computacionales

Capitulo 1. Modelación y Control de Robots 7

1.1. Generalidades sobre la robótica 7

Departamento de Automática y Sistemas Computacionales

Capitulo 2. Control adaptable 32

2.1. Conceptos básicos 32

Capitulo 3. Síntesis de las estrategias de control desacoplado adaptable 52

3.1. Control desacoplado con lazo interno adaptable 52

Departamento de Automática y Sistemas Computacionales

Departamento de Automática y Sistemas Computacionales

Departamento de Automática y Sistemas Computacionales

Departamento de Automática y Sistemas Computacionales

necesarios así como el software para la planificación y generación de trayectorias y el

Departamento de Automática y Sistemas Computacionales

Capitulo 1. Modelación y Control de Robots.

Capitulo 2. Control adaptable

Departamento de Automática y Sistemas Computacionales

Capitulo 3. Síntesis de estrategias de control desacoplado adaptable

Departamento de Automática y Sistemas Computacionales

MODELACIÓN Y CONTROL DE ROBOTS

L a temática que se estudia en el presente trabajo tiene gran actualidad a nivel

1.1. Generalidades sobre la robótica

Departamento de Automática y Sistemas Computacionales

Figura 1.1. Manipuladores industriales.

Departamento de Automática y Sistemas Computacionales

Según el tipo de robot, será el grado de complejidad de su sistema de control que

Figura 1.2. Manipulador ASEA IRb-6 similar al Cubano RIAC-6.

Departamento de Automática y Sistemas Computacionales

1.2. Modelación matemática

1.2.1. Modelación cinemática

Departamento de Automática y Sistemas Computacionales

1.2.2. Modelación dinámica

Departamento de Automática y Sistemas Computacionales

computacionalmente son muy complejas; las de Newton-Euler son todo lo contrario y

Departamento de Automática y Sistemas Computacionales

Figura 1.3. Esquema de las articulaciones dos y tres (hombro y brazo).

 t1   H11 H12   q1   h  q 2  h  q1  h  q 2   q1   g1 

Departamento de Automática y Sistemas Computacionales

Puesto que el control desacoplado trata el control de cada articulación de forma

Este modelo puede reducirse a:

Departamento de Automática y Sistemas Computacionales

Luego, teniendo en cuenta (1.2) y (1.3), el modelo desacoplado para un manipulador de

Evidentemente es un modelo altamente acoplado y no lineal que pudiera interpretarse

1.3. Estrategias de control

Departamento de Automática y Sistemas Computacionales

1.3.1. Control acoplado

es el error de posición articular del robot.

Esta ecuación en general no tiene estados de equilibrio ( x  0 ) pues qd t  y q d t 

Departamento de Automática y Sistemas Computacionales

Con puntos de equilibrio en:

Si se quiere que en el estado de equilibrio el error de posicionamiento sea nulo, o sea

Cuya derivada temporal resulta:

Departamento de Automática y Sistemas Computacionales

V  q T  Kv  q  0 semidefini da negativa (1.15)

1.3.1.2. Control por modelo inverso

Con las matrices Kv y Kp definidas positivas y normalmente diagonales.

Departamento de Automática y Sistemas Computacionales