1.

TEORIA DE INTERFACES

1.1. CONVERSORES ADC/DAC

Electrónica de
Ref + Controlador Actuador Sistema Salida
- Potencia

Amplificador Sensor

Electrónica de
Ref + Controlador DAC Actuador Sistema Salida
- Potencia

ADC Amplificador Sensor

Variable Variable Variable

Analógica Eléctrica Binario / Digital

Algoritmo de
Físico
Sensor k ADC control
Mecánico 8
Eléctrico

Sistema Procesador

Programación
Actuador k DAC de Sistemas
Variable Discretos
8
Analógica

CONTROLADORES

- PID Sistemas Lineales

- Retroalimentación de Estado Invariables en el tiempo
- Difuso Sistemas No Lineales y
- Neuronal Variables en el tiempo

- DAC (Conversor Digital Analógico).

∞
N= ∑ a i bi
i =−∞

∞ n
N=∑ ai bi → N =∑ ai bi
i=0 i=0

b: Base del sistema numérico.

 a: Peso posicional.
n: Resolución.

En el caso binario:
0 ≤ ai <1

a i( 0,1)

n: Cantidad de bits.

Para 8 bits: n=8

N=a7 27+ a6 26 +a5 25+ a4 24 + a3 23+ a2 22+ a1 21 +a 0 20

V1
R1 R3

V2 - Vo
R2
+

GND

Del circuito se tiene:

V 0=i f ∙ R f +∆ V

V 1=i 1 ∙ R2 +∆ V

V 2=i 2 ∙ R2 + ∆V

Pero:
∆ V =0
i 1+ i2=i f

Se tiene:
V 1 V 2 −V 0
+ =
R 1 R2 Rf

Rf R
V 0=−
[ R1
V 1+ f V 2
R2 ]
Análogamente tenemos:

R0

R1

R2

Rf
R3 -

+
R4
GND

R5

R6

R7

27 26 25
24 23 22 21 20

[
e=− R f + R f + R f + Rf + R f + R f + Rf + R f
V V V V V V V
R7 7 R6 6 R 5 5 R 4 4 R 3 3 R2 2 R1 1 R 0 0
V ]
R f =128 k R5 =4 k R2=32 k
R7=1 k R 4=8 k R1=64 k
R6=2 k R3=10 k R0=128 k

0 ≤ V i≤ 1

Conversor DAC – Escalera R2R

- ADC (Conversor Analógico Digital).

1.2. SENSORES Y ACTUADORES

Sensor. Se define como sensor a todo elemento o dispositivo que transforma una
señal física en otra señal física (preferentemente eléctrico).

f(t) f1(t)
k
v,ω,i,P,T

Actuador. Se dice actuador a todo tipo de dispositivo que modifica una o más
variables del sistema.
Velocidad
Tiempo
V,i,R Posición
k
Motor
Contactor
SCR

1.3. FILOSOFIA DE INTERFASES

- Diseñar una interfaz adecuada al sistema a ser controlado o monitoreado.
- Depende de las variables a ser controladas.
Por Ejemplo: Interfaz a sistema térmico.
- Seleccionar el sensor adecuado.
- Transductor (Amplificador Operacional).
- Seleccionador Convertidor ADC con resolución adecuada.
 ADC 0804 para una entrada
 ADC 0808 multiplicada 8 canales
 ADC de 8 bits – 19.6 mV
 ADC de 10 bits – 4.88 mV
- Elemento Actuador.
 Resistencia Tungsteno
 Inducción Electromagnético
- Electrónica de Potencia
 Controlar al actuador

 Control de Velocidad.
 2. DISCRETIZACION DE SISTEMAS

2.1. MUESTREO DE UNA SEÑAL

Una muestra es un valor numérico en función del tiempo. Este valor es parte de una señal
continua o de una señal discreta y son extraídos de éstas para un procesado matemático
mediante elementos electrónicos que nos permita realizar funciones tales como el filtrado
de una señal.
El muestro con lo que a señales respecta, es el primer paso para el procesamiento de una
señal y lo que hace en sí es tomar medidas a intervalos regulares de tiempo, llamadas
muestras, se graban temporalmente en un circuito de memoria y luego se hace con los
pulsos resultantes lo que se tenga previsto.

f(t) f(kT)
T
 T

T : Tiempo de transmisión de datos, tiempo de conversión DAC/ADC, tiempo de

computo de procesos.
- Depende del Sistema según la teoría de Shannon.
f muestreo=2 ∙ f natural del sistema

En la práctica:
f muestreo=10 ∙ f natural del sistema

- Para un sistema f ( t ) al ser muestreado podemos obtener una función en

diferencias.
- Diferencias → puede ser procesado a través de un algoritmo en forma secuencial.
- Para resolver analizar → diseñar un sistema de control discreto → recurrimos a la
transformada Z.

Ec. Diferencial - Analisis de Estabilidad

Sn F(s)
f(t) - Criterio de Control

Controlador
F1(s) - Realizar optimizaciones
Físico

f(t)
- Analisis de Estabilidad
Ec. Diferencial F(z)
- Criterio de Control

Programa F1(z) - Realizar optimizaciones

 2.2. ECUACION EN DIFERENCIAS
Una ecuación en diferencias es una expresión del tipo:

G ( n . f ( n ) , f ( n+1 ) , … , f ( n+k ) )=0 ; ∀ n ∈ Z

donde f es una función definida en Z.

Si después de simplificar esta expresión quedan los términos f (n+ k 1) y f (n+ k 2) como el
mayor y el menor, respectivamente, se dice que la ecuación es de orden k =k 1 −k 2.

2.3. TRANSFORMADA Z
∞
Z {f (KT ) }=∑ f ( k ) ∙ Z −k
−∞

{Z {f ( KT ) }=∑ f ( k ) ∙ Z−k
∞
−∞

L { f (t ) }=∫ f ( t ) ∙ e−st ∙ dt
0
} −st
e ↔z
−k

∴ La transformada Z debe converger a una solución denominado región de convergencia.

Por Ejemplo:
∞
1 1 1 1 1 1
∑ A− j = 1−A −1
= 0 + 1 + 2 + 3 + 4 +…
A A A A A
j=0

Si:

∞
1
∑ 1 ∙ z−k= 1−z −1
k=0

∞
1
Fz= = 1∙ z−k
−1 ∑
1−z k=0
Sea:

f(2)
f(3)
f(4)
f(1)
f(0)

( t )=f ( 0 ) [ u ( t )−u ( t∗T ) ]+ f ( 1 ) [ u ( t−T )−u ( t −2T ) ] +f ( 2 ) [ u ( t−2T )−u ( t−3 T ) ]+ …

∞
f ( t )=∑ f ( k ) [ u ( t−kT )−u ( t−( k+ 1 ) T ) ]
k =0

Aplicando la transformada de Laplace:

∞
e−kTs −e−( K +1) Ts
F ( s ) =∑ f ( k ) ∙
k=0
[ s ]
∞
1−e−Ts
F ( s ) =∑ f ( k ) ∙ e−kTs ∙
k=0
[ s ]
∞
1−e−Ts
F ( s) = [ s ]
∙ ∑ f ( k ) ∙ e−kTs
k =0

1−e−Ts G (s )
F ( s) =
s
∙ G1 ( s ) =( 1−e−Ts ) ∙ 1
s [ ]
F ( s ) =( 1−e−Ts ) ∙ G2 ( s )

Aplicando la transformada inversa de Laplace:

f ( t )=L−1 {G 2 ( s )−e−Ts ∙ G 2 ( s ) }

f ( t )=g2 ( t )−g2 (t−T )

Con:
t=kT
Aplicamos la transformada Z:

F ( z )=G2 ( z )−Z −1 G2 ( z )

F ( z )=( 1−Z −1 ) ∙ G2 ( z )

G 2 ( z ) =Z [ g 2 ( kT ) ]

F ( z )=( 1−z−1 ) ∙ Z [ L−1 {G 2 ( s ) }t=kT ]

Entonces:

G1 (s)
F ( z )=( 1−z−1 ) ∙ Z L−1
[ { } ]
s t=kT

2.4. FUNCION DE TRANSFERENCIA DE SISTEMAS DISCRETOS

2.5. METODOS COMPUTACIONALES

EJEMPLO: Sea los polos de la función de transferencia G ( s ) . Encontrar su transformada Z
en: a) Lazo Abierto, b) Lazo Cerrado

jw

σ
-2 -1

Lazo Abierto

x(s) y(s)
G(s)

1 1
G ( s )= = 2
(s+2)( s+1) s +3 ∙ s+ 2

Transformando a Z:

1
[ { ( ) ( ) }]
G ( z ) =( 1−z−1 ) ∙ Z L−1
s s+2 s +1

1 A B C
L−1 { } {} { } { }
s (s+2)(s +1)
=L−1
s
+ L−1
s+2
+ L−1
s+1

1 1
A= ; B= ; C=−1
2 2
1 1 1
L−1
{ s ( s+ 2 )( s+1 ) 2 }
= u (t ) + e−2 t u ( t )−e−t u ( t )
2

1 1 1
L−1 { s (s+2)(s +1) 2 }
= u ( kT )+ e−2 kT u ( kT )−e kT u (kT )
2

1 1
G ( z ) =( 1−z−1 ) ∙ Z [ 2
u ( kT ) + e−2 kT u ( kT ) −e kT u ( kT )
2 ]
1 1 1 1 1
G ( z ) =( 1−z−1 ) ∙
[ ∙
2 1−z −1
+ ∙
2 1−e z
−2 T −1
−
1−e−T z −1 ]
1 1
→ e−at → e−akT →
s +a −aT −1
1−e z

Nota: Si no se da tiempo de muestreo se asume T =1. Entonces si T =1:

 1 1 1 1 1
G ( z ) =( 1−z−1 ) ∙
[ ∙
2 1−z −1
+ ∙
2 1−e z
−2 −1
−
1−e−1 z−1 ]
Mediante Matlab:
Ts=1; num/den =
nc=[1];
dc=[1 3 2]; 1
printsys(nc,dc,'S') -------------
[nz,dz]=c2dm(nc,dc,Ts,'Zoh'); S^2 + 3 S + 2
printsys(nz,dz,'Z')
num/den =

0.19979 Z + 0.073498
--------------------------
Z^2 - 0.50321 Z + 0.049787

Las raíces del denominador o polo de la función de transferencia:

r=roots(dz) r=

0.3679
0.1353

Para poder graficar esta función de transferencia en continuo y discreto, utilizamos

los comandos:
step(nc,dc)
hold on
dstep(nz,dz)
hold on
 Step Response
1

0.9

0.8

0.7

0.6
Amplitude
0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12 14 16 18 20
Time (seconds)

a) Lazo Cerrado

x(s)+ y(s)
G(s)
-

1 G (s )
2
=
s + 3∙ s+2 1+ G ( s )
1
G ( s )= 2
s + 3∙ s+1
En Matlab:
Ts=1; num/den =
nc=[1];
dc=[1 3 1]; 1
[nz,dz]=c2dm(nc,dc,Ts,'Zoh'); -------------
printsys(nc,dc,'S') S^2 + 3 S + 1
printsys(nz,dz,'Z')
num/den =

0.21335 Z + 0.080968
--------------------------
Z^2 - 0.75546 Z + 0.049787

Las raíces del denominador o polo de la función de transferencia:

 r=roots(dz) r=

0.6825
0.0729

Para poder graficar esta función de transferencia en continuo y discreto, utilizamos los
comandos:
step(nc,dc)
hold on
dstep(nz,dz)
hold on

Step Response
1

0.9

0.8

0.7

0.6
Amplitude

0.5

0.4

0.3

0.2

0.1

0
0 5 10 15 20 25
Time (seconds)

Correspondencia de polos P s al P z

z=e Ts

Si: s=σ + j ∙ ω

Entonces:

z=e T ( σ + j ∙ ω)=e Tσ ∙ e j ∙ ω

z=e Tσ ∙( cos(ω)+ j∙ sin ⁡(ω))

cos (ω)+ j ∙ sin ( ω )=1

z=e Tσ =|a+ jb|=a2 +b 2

Ejemplo: Encontrar G(z ) y su respuesta:

jw
j5
σ x(s) y(s)
G(s)
-2 -0.5
-j5
Lazo Abierto

Mediante Matlab:
Ts=1; num/den =
nc=[1];
dc1=[1 0.5]; 1
dc2=[1 2+5i]; ---------------------------
dc3=[1 2-5i]; S^3 + 4.5 S^2 + 31 S + 14.5
dc4=conv(dc3,dc2);
dc=conv(dc4,dc1); num/den =
[nz,dz]=c2dm(nc,dc,Ts,'Zoh');
printsys(nc,dc,'S') 0.025342 Z^2 - 0.00070601 Z +
printsys(nz,dz,'Z') 0.00091327
r=roots(dz) -----------------------------------------
step(nc,dc) Z^3 - 0.68331 Z^2 + 0.064884 Z -
hold on 0.011109
dstep(nz,dz)
hold on r=

0.6065 + 0.0000i
0.0384 + 0.1298i
0.0384 - 0.1298i

No oscila porque tiene un polo dominante y real.

 3. SISTEMAS SISO

3.1. CRITERIO DE JURY

Para el sistema SISO

X(Z)
Y(Z)
K G(z)

H(z)

Si la realimentación es unitaria, H(z) = 1 en general la H(z) es la F.T. del sensor y

transductor como este tiene que ser lineal entonces es “KL” y se hace los ajustes para que
sea unitario

X(Z)
Y(Z)
K G(z)

K∗G(z )
FT =
1+ KG (z)

Polinomio característico:1+ KG ( z )=0

P ( z ) =1+ KG ( z )=0

P ( z ) =a0 z n+ a1 z n−1 +a 2 z n−2+ a3 z n−3 ++… … … …+an−1 z+ an z 0

Reglón Z0 Z1 Z2 Z3 Z4 ………………. Zn
1 an an-1 an-2 an-3 an-4 ………………. a
2 an-1 an-1 an-1 an-1 an-4 ………………. an
3 bn-1 bn-2 bn-3 bn-4 bn-5 …………….
4 b0 b1 b2 b3 b4 ………bn-1
cn-2 cn-3 cn-4 cn-5 cn-5 ……….c0
2n-3 c0 c1 c2 c3 c4 cn-2
 an a n−1−k
b k=
[ a0 ak+1 ]
k=0,1,2,3 … … .. n−1

bn−1 bn−2−k
ck=
[ b0 bk +1 ]
k=0,1,2,3 … ….. n−2

Criterios de prueba para la estabilidad

1: |a n|<a o

2: P(z)|z=1 >0

¿ 0 si n= par
3: P(z)|z=−1 {
¿ si n=impar

4: |b n−1|>|b0|

|c n−2|>|c 0|

3.2. DISEÑO DE CONTROL PROPORCIONAL SEGÚN JURY

Si se cumplen los cuatro criterios, el sistema es estable; basta que un criterio no se cumpla
para que el sistema sea inestable
EJEMPLO: verificar si el sistema es estable

X(Z)
Y(Z)
10 G(z)

1+ KG ( z )=0
10
1+ 2
=0
z + z +0.25

z 2+ z+10.25=0 a z 2+ a1 z +a 2
por compararacion :a0 =1; a1=1 ; a2=10.25

N ° de reglones 2 n−3=2∗2−3=1
 Reglones Z0 Z0 Z0
1 10.25 1 1

Prueba:

1:|a n|<a o

|10.25|<1 no cumple
2: P(z)|z=1 >0

P ( 1 )=1+1+10.25>0 cumple

¿ 0 si n= par
3: P(z)|z=−1{¿ si n=impar

P (−1 )=1−1+10.25> 0 cumple

Entonces:
El sistema es inestable con K = 10

EJEMPLO: Encontrar el rango de K para que el sistema sea estable

X(Z)
Y(Z)
K G(z)

1
G ( z) = 2
z + z+ 0.25
Solución
K
P ( z ) =1+ KG ( z )=1+ 2
z + z +0.25

P ( z ) =z 2+ z + K +0.25=0
Pruebas

1:|a n|<a o
|K +0.25|<1

K= 0.75
{
−1.75

2: P(z)|z=1 >0

P ( 1 )=1+1+ K +0.25>0
K +2.25>0
K >−2.25
¿ 0 si n= par
3: P(z)|z=−1 {
¿ si n=impar

P (−1 )=1−1+ K + 0.25>0

K >0.25
Respuesta: el rango de la constante K para la estabilidad está en el rango 0 y 0.75

EJEMPLO:

X(Z)
Y(Z)
K G(z)

H(z)

Solución:
1
G ( z) =
z +0.3
1
H ( z) =
z +1
P ( z ) =1+ KG ( z ) H ( z )=0
1
∗1
z+ 0.3
P ( z ) =1+ K =z2 + z +0.3+ K
z +1
Pruebas:
 1:|a n|<a o

|K +0.3|<1

K= 0.7
−1.3 {
2: P(z)|z=1 >0

P ( 1 )=1+1+ K +0.3>0
K +2.6> 0
K >−2.6
¿ 0 si n= par
3: P(z)|z=−1
¿ si n=impar {
P (−1 )=1−1(1.3)+ K +0.3> 0
K >0
Respuesta: El rango de la constante K para la estabilidad está en el rango 0 y 0.7
3.3. ERROR EN ESTADO ESTACIONARIO
Se define como la diferencia entre la respuesta del sistema y la señal de referencia,
cuando la retroalimentación es unitaria, en su defecto se denominara error
actuante

X(Z)
+ Y(Z)
G(z)
ref - g(z)

H(z)

X(Z)
e
+
G(z) Y(Z)

ref - g(z)
e ( z ) =x ( z )−g ( z )=x ( z )−H ( z ) y ( z )
y ( z ) =e ( z) G(z)
e ( z ) =x ( z )−H ( z ) G ( z ) e ( z )

e ( z ) [ 1+ H ( z ) G ( z ) ]=x ( z )

x (z )
e (z )=
1+ H (z )G(z )

Aplicando el teorema de Valor final

lim ¿KT → ∞ f (KT )=lim ¿ z →1 (1−z−1) F (z )¿ ¿

Si el sistema es estable y definimos como tipo de planta a la cantidad de polos

sobre el círculo unitario
Si la entrada es escalón unitario
1
u ( z )= =ref (z)
1−z−1
1
(1−z−1 )
1−z−1 1
lim ¿KT → ∞ f (KT )=lim ¿ z →1 = ¿¿
1+ H (z)G(z) 1+ lim ¿z → 1 G(z ) H ( z) ¿

Si consideramos que:
1
∗A ( z )
( z−1 )N
G ( z) H ( z ) =
B(z)
1
∗A ( z )
1 ( Z−1 ) N
lim ¿KT → ∞ e( KT ) = K =lim ¿z → 1 ¿¿
1+ K p p B( z)

Si es tipo “0” N=0

A(z)
K p =lim ¿ z →1 =cte ¿
B(z)
1
lim ¿KT → ∞ e( KT ) = =cte¿
1+cte

Si es tipo “1” N=1

 1 A( z)
K p =lim ¿ z →1 →∞¿
(z−1) B ( z )
1
lim ¿KT → ∞ e( KT ) = =0=e ss ¿
1+∞
Para N>=1
lim ¿KT → ∞ e( KT ) =e ss =0 ¿

Si la referencia es una recta

T z−1
Ref z =
( )
(1−z−1)2

T z −1
(1−z−1 )
(1−z−1)2
e ss ¿ lim ¿ z →1 ¿
1+ H (z)G(z)

T z −1
e ss ¿ lim ¿ z →1 ¿
( 1−z−1 ) + ( 1−z−1 ) H ( z ) G ( z )
T
e ss =
lim ¿ z →1 ( 1−z−1 )∗A ( z )
¿
B(z)
T
e ss =
lim ¿ z →1 ( 1−z−1 )∗A ( z )
¿
B(z)
T
e ss =
( 1−z−1 )
lim ¿ z →1 N ∗A ( z )
z (1−z −1 )N
¿
B(z)

Si N=0
T
e ss =
Kv

( 1−z−1 )
∗A ( z )
z 0 (1−z −1)0
K v ¿ lim ¿ z → 1 ¿
B (z )
 ( 1−z−1 )
∗A ( z )
1
K v ¿ lim ¿ z → 1 =0¿
B (z )
1 1
e ss = = →∞
Kv 0

Si N=1

( 1−z−1 )
1
∗A ( z )
z 1 ( 1−z−1 )
K v ¿ lim ¿ z → 1 =cte¿
B(z)
1
e ss = =cte
Kv

Si la referencia exponencial

(1+ z¿ ¿−1) z−1

Ref ( z )=T ¿
2(1−z−1 )2

T z −1
(1−z−1 )
(1−z−1)3
e ss ¿ lim ¿ z →1 ¿
1+ H (z) G( z)

T z −1
(1−z−1 )
(1−z−1)2
e ss ¿ lim ¿ z →1 ¿
1+ H (z)G(z)
2T
e ss =
( 1−z−1)2∗A ( z)
lim ¿ z → 1 2 N
¿
( 1−z−1 ) z N B( z)
2T
e ss =
Ka

(1−z−1)2∗A ( z)
K a =lim ¿ z → 1 2 N
¿
( 1−z−1 ) z N B(z )
 Para N=0: K a =0 →e ss =∞

Para N=1: K a =0 →e ss =∞
2 A(1)
Para N=2: K a = → e ss =cte
B (1)

Para N=3: K a =∞ → e ss =0

Entonces se tendrá la siguiente tabla:

Sistema Unitario u(t ) Rampa r (t ) Exponencial exp( t)

Tipo 0 1 ∞ ∞
1+ K p
Tipo 1 0 1 ∞
Kv
Tipo 2 0 0 1
Ka

EJEMPLO:
Para el sistema determinar K para que el error reduzca un 20 %, planta en lazo
abierto

Solución:
1
G ( s )=
(s+1.8)( s+1.5)
 Con ayuda del programa “errordiscreto.m” en Matlab se calcula:
Ts=1;
k=1;
nc=[1];
dc=poly([-1.8 -1.5]);
printsys(nc,dc)
[nz,dz]=c2dm(nc,dc,Ts,'zoh');
printsys(nz,dz,'z');
[nlz,dlz]=cloop(nz,dz);
a=polyval(nz,1);
b=polyval(dz,1);
yo=polyval(nz,1)/polyval((nz+dz),1)
kp=a/b
ess=1/(1+kp)
%para reducir el error en un 20%
kerr=((1/(ess*0.80))-1)/kp

e ss =0.7297

K 1=0.37036

K=1.92524
3.4. CONTROLADORES PID DISCRETO
La parte integral I:

 elimina el error entre la salida y la referencia de la plata

 reduce el tiempo de crecimiento puede aumentar el tiempo de
estabilización
 incrementa las oscilaciones
La parte derivativa D:

 reduce las oscilaciones por que posee un carácter predictivo

PID continúo → PID discreto

t
1 de (t)
u ( t )=Ke ( t ) + ∫ e ( t ) dt +T d
Ti 0 dt

Discretizando, aplicamos la definición de la integral de la derivada y la integral

 k
1 e (¿(k−1)T ) e (¿(k−1 )T )
u( KT )= K e(KT ) + ∑ e(KT ) + +T d e(KT ) + ¿¿
T i j=0 2 T

Aplicando la transformada Z

KI
{
U ( z )= K p +
1−z −1 }
+ K d ( 1−z−1 ) E ( z )

Donde:

KT K
K p =K+ =K − I
2Ti 2
KT
K I=
Ti
KTd
Kd=
T
Para evitar desbordamientos o saturaciones lo expresamos en su forma de
velocidad
∆ u(KT ) =u(KT )−u (( K−1 )T ) en su forma de velocidad

∆ U (KT ) =K p {e( KT )−e((k−1 )T ) }+ K I e(KT ) + K D [e ( KT )−2 e (( K −1 )T ) +e ((K −2)T) ]

Donde:
KI
K p =K−
2
KT
K I=
Ti
KTd
Kd=
T
Si: e (KT )=R(KT ) + y ( KT )
R (z )− y ( z )
U (z )=−K p y (Z )+ K I −1
−K D (1−z−1) y (z)
1−z

3.5. METODOS Y CRITERIOS DE SINTONIZACION DE LOS PID

Método de Ziegler-Nichols mediante respuesta al escalón en lazo abierto
 Kp Ki Kd
P T ∞ 0
L
PI 0.9∗T L 0
L 0.3
PID 1.2∗T 2∗L 0.5∗L
L

2do METODO MEDIANTE OSCILACIONES SOSTENIDAS

X(Z)
Y(Z)
PID PLANTA

Kp Ki Kd
P 0.5 K cri ∞ 0
PI 0.45 K cri 1 0
T
1.2 cri
PID 0.6 K cri 0.5∗T cri 0.12∗T cri

EJEMPLO
PID discreto mediante oscilaciones sostenidas, dado el sistema discreto mediante:

d 2 y (t) d y(t )
+2 =10u(t )
dt dt

Si T = 0.1 s
Con ayuda del programa “sintopid.m” en Matlab se obtiene:
nc=[10];
dc=[1 2 0];
printsys(nc,dc)
%step(nc,dc)
%pause
[nlc,dlc]=cloop(nc,dc);
printsys(nlc,dlc)
pause
%hold on
step(nlc,dlc)
pause
clf
rlocus(nc,dc)
[Km,pole]=rlocfind(nc,dc);
Wm=max(imag(pole))
Kp=0.6*Km
Kd=Kp*pi/(4*Wm)
Ki=(Kp*Wm)/pi
ncc=[Kd Kp Ki];
dcc=[1 0];
ncp=conv(nc,ncc);
dcp=conv(dc,dcc);
printsys(ncp,dcp)
[nlcp,dlcp]=cloop(ncp,dcp);
pause
step(nlcp,dlcp)
pause
hold on
step(nlc,dlc)
pause
%clf
hold off
Donde se obtiene los resultados:
K p =2.6615

K d =0.3251

K i=5.4475

Respuesta en t crecimiento sobrepico ts ess

lazo cerrado
Kp Baja Sube Poco cambio Baja
KI Baja Sube Sube Elimina
Kd Poco cambio Baja Baja Poco cambio
 4. SISTEMAS MIMO

4.1. ECUACIÓN DE ESTADO EN TIEMPO CONTINÚO.

ẋ= A∗x+ B∗u
y=C∗x + D∗u
 Dado una ecuación diferencial se debe encontrar la ecuación de estado. Cada
ecuación de estado es diferente según el método empleado para su obtención
pero su polinomio característico es único.
Por el método de sustitución, por ejemplo,

d 2 y a∗dy
+ +b∗y ( t ) =c∗x (t)
dt dt
Cada estado es una variable diferente, por ejemplo,
Distancia es un estado x 1 ,

Velocidad es otro estado x 2 ,

Aceleracion es otro estado x 3 , etc .

Si
y=x 1

ẏ=x 2= ẋ 1

ÿ= ẋ 2=C∗x −a∗ ẏ−b∗y=C∗x−a∗x2 −b∗x1

Por tanto
ẋ 1=x 2

ẋ 2=C∗x−a∗x 2−b∗x 1

ẋ1 0 1 x 0
[][ = ][ ][]
∗ 1 + ∗x
ẋ2 −b −a x 2 c

A= [−b0 −a1 ] B=[ 0c ]

y

x1
y=x 1= [ 1 0 ]∗
[]
x2

C=[ 1 0 ] D=0

Mediante operadores

d 2 d2
ÿ +a∗ ẏ +b∗y=c∗x ; P= ;P = 2
dt dt
P2 y+ a∗Py +b∗y=c∗x

P2 y=c∗x −a∗Py−b∗ y
1 1 1
y=
P 2
P (
∗( c∗x −a∗Py−b∗ y )= ∗ −a∗y + ∗(−b∗y +c∗x )
P )
También
ẋ 1=x 2+ (−a )∗x1

ẋ 2=(−b )∗x 1+ c∗u

ẋ1 0 1 x 0
[][ = ∗ 1 + ∗x
ẋ2 −b −a x 2 c ][ ][]
x1
y=x 1= [ 1 0 ]∗
[]
x2

A= −a 1 B= 0 C=[ 1 0 ]
[
−b 0 c ] []
Si
ẋ= A∗x+ B∗u
y=C∗x
s∗X ( s )= A∗X ( s ) + B∗U (s)
Y ( s )=C∗x ( s )
s∗X ( s )= A∗X ( s ) + B∗U ( s )
Y ( s )=C∗X ( s )
( s∗I −A )∗X ( s )=B∗U ( s)

X ( s )=( s∗I −A )−1∗B∗U (s)

Y ( s )=C∗( s∗I −A )−1∗B∗U ( s )

Y (s ) −1
=C∗( s∗I − A ) ∗B
U ( s)
|s∗I −A|=0
Las raíces deben estar en el semiplano izquierdo del plano S y nos muestra el cómo
se comporta la ubicación de sus polos.
Si “u” es la señal de control, definimos una ley de control
u=−K∗x Retroalimentación de estado
Por tanto, si
ẋ= A∗x+ B∗u
y=C∗x
se define un sistema autónomo como
ẋ= A∗x−B∗K∗x
y=C∗x
Si
u=−K∗x + K 0∗Ref

se tiene
ẋ= A∗x+ B∗(−K∗x + K 0∗Ref )

ẋ= A∗x+ B∗(−K )∗x+ B∗K 0∗Ref

ẋ=( A−B∗K)∗x+ B∗K 0∗Ref

Si
~
A= A−B∗K
~
B=B∗K 0

Se tiene
~
ẋ= A∗x−~
B∗Ref
y=C∗x
4.2. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO Y SEÑAL DE
REFERENCIA.
|s∗I −A|=0 polinomio característico
|s∗I −A + B∗K|=0 polinomio deseado
De esta relación calculamos “K” y para “ K 0” recurrimos al teorema del valor final.
lim f (t )=lim s∗F (s )
t→∞ s→0

lim y (t)=lim s∗Y (s)

t→∞ s→0

de
ẋ= A∗x+ B∗u
y=C∗x
se tiene, mediante la transformada de Laplace
s∗X ( s )= A∗X ( s ) + B∗U ( s )
Y ( s )=C∗X (s )
( s∗I −A )∗X ( s )=B∗U ( s)

X ( s )= ( s∗I − A )−1∗B∗U (s)

Y ( s )=C∗( s∗I −A )−1∗B∗U (s)

lim y (t)=lim s∗C∗ ( s∗I − A )−1∗B∗U (s)

t→∞ s→0

Si “U ( s)” es un escalón

s∗C∗( s∗I −A )−1∗B∗1

lim y (t)=lim =lim C∗( s∗I − A )−1∗B
t→∞ s→0 s s →0

donde
~
A= A−B∗K
~
B=B∗K 0

Para un sistema con retroalimentación de estado

lim y (t)=lim C∗( s∗I − A +B∗K )−1∗B∗K 0 =1

t→∞ s→0

1
K 0=
lim C∗( s∗I − A+ B∗K )−1∗B
s→0

Condición de controlabilidad.
Se dice que un sistema es controlable cuando todos y cada uno de los estados del
sistema pueden ser llevados desde el punto A al B mediante una señal de control
en un tiempo finito. La prueba para esta condición es que el rango de la siguiente
matriz de controlabilidad debe ser igual a “n” donde “n” es el tamaño de la matriz
“ A”, esta condición garantiza que el sistema puede tener una señal de control que
modifique su comportamiento a uno deseado.
Condición de observabilidad.
La condición de observabilidad se dice tal de un sistema si cualquier estado inicial “
X (0)”, puede determinarse a partir de la observación de la respuesta del sistema
 en un tiempo finito. Para garantizar o comprobar la observabilidad de un sistema
se debe comprobar la siguiente relación (que el rango de la matriz de observación
sea igual a “n”) esta condición se debe comprobar toda vez que se quiere
implementar un sistema de control mediante observadores de estado.
4.3. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO MEDIANTE
OBSERVADOR DE ORDEN COMPLETO.
ẋ= A∗x+ B∗u
y=C∗x
Si
u=−K∗x + K 0∗Ref

“ K 0” y “K” son calculados para cumplir un comportamiento deseado.

Se proponemos un sistema mediante observador, un sistema de control

económico pero no preciso. Para emplear esta estrategia de control el sistema
deberá cumplir necesariamente con las condiciones de observabilidad y
controlabilidad, por lo tanto la estrategia de control a ser implementado estará
definido por el siguiente diagrama.
~
ẋ= A∗~
x +B∗u+ K e∗( y −~y)

donde “ K e ” es la ganancia del observador y “~

x” es el estado observado o estimado.
~
ẋ= A∗~
x +B∗u+ K e∗y−K e∗~y

Si
~y=C∗~x
~
ẋ= A∗~
x +B∗u+ K e∗y−K e∗C∗~x
~
ẋ=( A−K e∗C)∗~
x + B∗u+ K e∗y

Esta es la ecuación de estado del observador.

El comportamiento está determinado mediante

|s∗I −A + K e∗C|=polinomio deseado , de acá calculamos K e

POLINOMIOS ÓPTIMOS (CRITERIOS DE OPTIMIZACIÓN), CRITERIOS DE ERROR.
Los criterios de error están cuantificados o evaluados mediante un índice de
comportamiento que nos indica la bondad del sistema, se considera un sistema
óptimo de control si los valores están definidos de forma tal que el índice es
mínimo o máximo según el seguimiento. Dicho requerimiento deberá brindar una
 selectividad que fácilmente puede ser computado o cuantificado, de forma
analítica o experimentalmente.
Bajo este concepto se emplearan los siguientes índices de error de
comportamiento.
Criterio de error cuadrático integral (C.E.C.I.)
∞
J=∫ e2 (t )dt
0

Este criterio es usado generalmente en entradas de tipo determinístico debido a

que nos dan un gran peso a los errores grandes y poco peso a los errores
pequeños. Los sistemas de control diseñados bajo este criterio tienen respuestas
rápidas y oscilatorias con lo cual presentara una estabilidad relativa bastante
pobre.
Criterio del error cuadrático integral temporal (C.E.C.I.T.)
∞
J=∫ t∗e2 (t )dt
0

Los sistemas de control diseñados bajo este criterio generan un poco importancia a
los errores en un tiempo inicial, es decir le da un poco peso, mientras que los
errores que se producen mas adelante toman mayor importancia. Por lo tanto, los
sistemas tendrán una respuesta suave y poco oscilatoria resultando una mejora al
criterio anterior.
Criterio de error absoluto integral (C.E.A.I.)
∞
J=∫|e (t)|dt
0

Los sistemas de control diseñados bajo este criterio están relacionados

directamente con un mínimo consumo, consecuentemente se suele utilizar para
centrales térmicas donde se pretende minimizar el consumo de combustible. Por lo
tanto, podemos utilizar cuando los sistemas son altamente sobreamortiguados, sin
embargo su selectividad no suele tener un buen comportamiento.
Al igual que en el criterio C.E.C.I., podemos aplicar la variable temporal para
mejorar el comportamiento del sistema bajo el siguiente criterio.
Criterio de error absoluto integral temporal (C.E.A.I.T.)
∞
J=∫ t∗|e (t)|dt
0
 Los polinomios óptimos bajo el criterio C.EA.I.T.
s+ wn

s2 +1.4∗w n∗s+ wn2

s3 +1.75∗wn∗s 2 +2.15∗wn2∗s+ wn3

s4 + 2.1∗w n∗s3 +3.4∗wn2∗s 2+2.7∗wn3∗s+ wn4

s5 +2.8∗w n∗s4 +5.0∗wn2∗s3 +5.5∗w n3∗s2 +3.4∗w n4∗s+ wn5

s6 +3.25∗w n∗s5 +6.60∗w n2∗s 4 +8.60∗wn3∗s3 +7.45∗w n4∗s 2+3.95∗w n5∗s+ wn6

4.4. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO MEDIANTE

OBSERVADOR DE ORDEN MÍNIMO.
Si
ẋ= A∗x+ B∗u
y=C∗x
y teniendo una ley de control
u=−K∗x + K 0∗Ref

podemos calcular “K”

|s∗I −A + B∗x|= polinomiodeseado
Se tiene un observador de orden completo
~
ẋ= A∗~
x +B∗u+ K e∗( y −~y)
~y=C∗~
x
y=C∗x
~
ẋ= A∗~
x +B∗u+ K e∗y−K e∗C∗~x

|s∗I −A + K e∗C|=polinomio deseado

Un control con características intemedias se da cuando el observador es de orden
mínimo, es decir una parte es medido y otro es calculado.

xa Estados medidos
x=
[][xb
=
Estados no medidos(seran calculados) ]
ẋ a A Aab x a Ba
[ ] [ ][ ][ ]
ẋ b
= aa
A ba
∗ +
Abb x b Bb
∗u
 xa
y= [ 1 0 ]∗
[]
xb

ẋ a= A aa∗x a + A ab∗x b + Ba∗u

ẋ b= A ba∗x a+ A bb∗x b + Bb∗u

[ ẋa −A aa∗x a −B a∗u]=[ Aab ]∗[ x b ]=Ecuación de salida del observador de orden minimo

[ ẋ b ]=[ A bb ]∗[ x b ]+ [ A ba∗x a + Bb∗u ]=Ecuación de estado que describe el comportamiento del observador de ordenm
Asociando a una estructura de la ecuación de estado.
ẋ= A∗x+ B∗u
y=C∗x
Planteamos una tabla de equivalencia del observador de orden mínimo.

Observador de orden completo Observador de orden mínimo

y ẋ a− A aa∗x a−Ba∗u
C Aab
~
x ~x b
A A bb
B∗u Aba∗xa + Bb∗u
Ke Ke
Si la estructura del observador de orden completo es:
~
ẋ= A∗~x +B∗u+ K e∗( y −~y)
~
ẋ= A∗~
x +B∗u+ K e∗y−K e∗C∗~x
~
ẋ=( A−K e∗C)∗~
x + B∗u+ K e∗y
~
ẋ b=( Abb −K e∗Aab )∗~
x b +( A ba∗x a + Bb∗u)+ K e∗( ẋ a− A aa∗x a−Ba∗u)

En esta última ecuación la dinámica del comportamiento del observador de orden

mínimo esta dado mediante el polinomio característico.

|s∗I −A bb + K e∗A ab|= polinomio caracteristico

sn=0
~
ẋ b= ( A bb−K e∗A ab )∗~
x b + A ba∗x a+ B b∗u+ K e∗ ẋ a−K e∗A aa∗x a−K e∗Ba∗u ¿
~
ẋ b−K e∗ ẋ a=( A bb−K e∗A ab)∗~
x b + A ba∗x a + Bb∗u−K e∗A aa∗x a−K e∗B a∗u ¿

Si
~ ~
η̇= ẋ b−K e∗ẋ a
~
η=~
x b−K e∗x a
~
η̇=( Abb −K e∗Aab )∗~
η+ y∗[ K e∗( A bb−K e∗Aab ) + ( A ba−K e∗A aa ) ] + ( Bb−K e∗B a )∗u

4.5. DISCRETIZACIÓN DE LA ECUACIÓN DE ESTADO.

Si
ẋ= A∗x+ B∗u
y=C∗x
Encontramos la solución de la ecuación de estado mediante Laplace.
t
x ( t )=e At ∗x ( t 0 ) +∫ e A ( t−τ )∗B∗u ( τ ) dτ
0

Muestreando la señal con

t=( K +1 )∗T =KT +T
( K +1 )∗T

x ( ( K + 1 )∗T )=e A ( K +1)∗T ∗x ( t 0 ) + ∫ e A ( ( K+1 )∗T−τ )∗B∗u ( τ ) dτ

0

Si t=K∗T
K∗T
A∗K∗T
x ( K∗T )=e ∗x ( t 0 ) + ∫ e A (K∗T −τ )∗B∗u ( τ ) dτ
0

( K +1) ∗T
A∗K∗T A ∗T
x ( ( K + 1 )∗T )=e ∗e ∗x ( t 0 ) + ∫ e A ( (K +1 )∗T−τ )∗B∗u ( τ ) dτ … …(1)
0

K∗T
A∗T A∗T A ∗K∗T A∗T
e ∗x ( K∗T )=e ∗e ∗x ( t 0 ) + e ∗ ∫ e A ( K∗T −τ )∗B∗u ( τ ) dτ … …(2)
0

( 1 )−(2)
( K +1 ) ∗T K∗T
A∗T A ( ( K +1 )∗T−τ )
x ( ( K + 1 )∗T )−e ∗x ( K∗T )= ∫ e ∗B∗u ( τ ) dτ− ∫ e A ( (K +1 )∗T−τ )∗B∗u ( τ ) dτ
0 0

( K +1 ) ∗T
A∗T
x ( ( K + 1 )∗T )−e ∗x ( K∗T )= ∫ e A ( (K +1 )∗T−τ )∗B∗u ( τ ) dτ
K∗T

( K +1 )∗T
A∗T
x ( ( K + 1 )∗T )=e ∗x ( K∗T ) + ∫ e A (( K +1)∗T −τ )∗B∗u ( τ ) dτ
K∗T

Si λ=K∗T +T −τ → dλ=−dτ ; τ =K∗T +T −λ

Si τ =K∗T → λ=T
 Si τ =( K +1)∗T → λ=0
0
x ( ( K + 1 )∗T )=e A∗T∗x ( K∗T )−∫ e A (( K +1)∗T −τ )∗B∗u ( τ ) dτ
T

T
x ( ( K + 1 )∗T )=e A∗T∗x ( K∗T ) +∫ e A ( (K +1 )∗T−τ )∗B∗u ( τ ) dτ
0

Si consideramos el retenedor de orden cero esto da que:

T
A∗T
x ( ( K + 1 )∗T )=e ∗x ( K∗T ) +∫ e A∗λ∗B∗u ( K∗T ) dτ
0

Si λ=t
T
x ( ( K + 1 )∗T )=e A∗T
( )
∗x ( K∗T ) + B∗∫ e A∗t dt ∗u ( K∗T )
0

x ( ( K + 1 )∗T )=G∗x ( K∗T ) + H∗u ( K∗T )

Donde

G=e A∗T
T T
H=B∗∫ e A∗t dt=∫ e A∗t∗B dt
0 0

También, si y ( t ) =C∗x( t) y t=K∗T

y ( K∗T )=CD∗x ( K∗T )

4.6. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO Y SEÑAL DE

REFERENCIA.

x ( ( K + 1 )∗T )=G∗x ( K∗T ) + H∗u ( K∗T )

y ( K∗T )=CD∗x ( K∗T )

Si u ( K∗T )=− L∗x ( K∗T )+ K 0∗Ref (K∗T )

Control por retroalimentación de estado,

x ( ( K + 1 )∗T )=G∗x ( K∗T ) + H∗(−L∗x ( K∗T ) + K 0∗Ref ( K∗T ) )

x ( ( K + 1 )∗T )=( G−H∗L )∗x ( K∗T ) + H∗K 0∗Ref ( K∗T )

y ( K∗T )=CD∗x ( K∗T )

Si
~
G=G−H∗L
~
H=H∗K 0

x ( ( K + 1 )∗T )=~
G∗x ( K∗T ) +~
H∗Ref (K∗T )

y ( K∗T )=CD∗x ( K∗T )

Para calcular “L”
|z∗I −G+ H∗L|= polinomio deseado
Para calcular “ K 0” aplicamos el teorema de valor final

lim f (K∗T )=lim ( 1−z −1 )∗F( z)

K∗T → ∞ z →1

si el sistema es estable.
Sistema representado mediante ecuaciones diferenciales y en diferencias.
n
ai∗d n−i y n b j∗d n− j u
Si ∑ =∑
i=0 dt n−i j=0 dt n− j
n

Y (s )
∑ b j∗s n− j
LTI L { }
U (s )
=
n
j=0

s + ∑ a i∗s
n
n−i

i=1

Forma canónica controlable

ẋ 1 0 1 0 … 0 x1 0

[ ][
ẋ 2
⋮
ẋ n−1
ẋ n
=
0
⋮
0
0
⋮
0
1
⋮
0
−a n −a n−1 −a n−2
… 0
⋱
… 1
⋮ ∗

… −a1
][ ][]
x2
⋮ +
x n−1 0
xn
0
⋮ ∗u

x1

y= [ bn−an∗b 0 b n−1−an−1∗b0

Forma canónica observable

[]
x2
… b 1−a1∗b0 ]∗ ⋮ + b0∗u
x n−1
xn
 ẋ 1 0 0 0 … 0 0 −a n x1 bn−an∗b0

[ ][
ẋ 2
⋮
ẋ n−1
ẋ n
=
1 0 0
⋮ ⋮ ⋮
0 0 0
0 0 0

x1
…
⋱
…
…
0
⋮
1
0
0 −an−1
⋮ ⋮ ∗
0 −a 2
1 −a1
][ ][ ]
x2
⋮
x n−1
xn
+
bn−1−an−1∗b 0
⋮
b2−a2∗b 0
b1−a1∗b 0
∗u

x2
y= [ 0 0 … 0 1 ]∗ ⋮ +b 0∗u
xn −1
xn
[]
Si la ecuación diferencial puede ser representado mediante
Y (s ) c c c
=b0 + 1 + 2 +…+ n
U ( s) s + P1 s + P2 s+ Pn

Forma canónica diagonal

ẋ 1 −P1 0 0 … 0 x1 1

[][
ẋ 2
⋮
ẋ n
=
0
⋮
0
−P2
⋮
0
0 … 0
⋮ ⋱ ⋮
0 … Pn
∗
][ ][] x2 1
+ ∗u
⋮ ⋮
xn 1

x1
y= [ c1 c 2
x
⋮
xn []
… c n ]∗ 2 +b 0∗u

n n
En el dominio discreto ∑ ai∗y ( K + i)=∑ bi∗u( K+ i)
i=0 i=0

∑ bi∗z n−i
Y (z) i=0 b 0∗z n +b1∗z n−1 +…+ bn
= =
U ( z) n n−i a 0∗z n +a1∗z n−1 +…+ an
∑ ai∗z
i=0

Forma canónica controlable

 x 1 (K +1) 0 1 0 … 0 x1 ( K ) 0

[ ][
x 2 (K +1)
⋮
x n−1 (K +1)
x n (K +1)
0
= ⋮
0
−a n
0
⋮
0
−a n −1
1
⋮
0
−a n−2
… 0
⋱
… 1
⋮ ∗

… −a 1
][ ][]
x2 ( K )
⋮
x n−1 ( K ) 0
xn ( K )
0
+ ⋮ ∗u(K )

x1 ( K )

y (K )=[ b n−a n∗b 0 b n−1 −an−1∗b0

Forma canónica observable

[ ]
… b1 −a1∗b0 ]∗
x2 ( K )
⋮
xn−1 ( K )
xn ( K )
+b 0∗u( K )

x 1 (K +1) 0 0 0 … 0 0 −an x1 ( K ) b n−an∗b0

[ ][
x 2 (K +1)
⋮
1 0
=⋮ ⋮
x n−1 (K +1) 0 0
x n (K +1) 0 0
0
⋮
0
0
…
⋱
…
…
0
⋮
1
0
0 −an−1
⋮ ⋮ ∗
0 −a2
1 −a1
][ ][ ]
x2 ( K )
⋮
x n−1 ( K )
xn ( K )
+
b n−1−an−1∗b0
⋮
b 2−a2∗b0
b 1−a1∗b0
∗u(K )

x1 ( K )

y (K )=[ 0 0 … 0 1 ]∗ ⋮
[ ]
x2 ( K )

x n−1 ( K )
xn ( K )
+b0∗u(K )

Si la ecuación diferencial puede ser representado mediante

Y (z) c c c
=b 0 + 1 + 2 +…+ n
U ( z) z + P1 z + P2 z + Pn

Forma canónica diagonal

x 1( K + 1) −P1 0 0 … 0 x1 ( K ) 1

[ ][
x 2( K + 1) = 0 −P2
⋮
x n( K+ 1)
⋮
0
⋮
0
⋮ ⋱ ⋮
][ ][]
0 … 0 ∗ x 2 ( K ) + 1 ∗u( K )
⋮
0 … Pn x n ( K ) 1
⋮
 x1 ( K )
y= [ c1 c 2
[ ]
… c n ]∗ x 2 ( K ) +b0∗u(k)
⋮
xn ( K )

La fórmula de Ackermann está dada por

−1
L= [ 0 0 … 1 ]∗ [ H G∗H ¿ G n−1∗H ] ∗ϕ(G)

donde ϕ ( G )= polinomio deseado.

4.7. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO CON
OBSERVADOR DE ORDEN COMPLETO.
Si
x ( K +1)=G∗x ( K ) + H∗u ( K )
y ( K )=CD∗x ( K )

Por retroalimentación de estado

u ( K )=−L∗x ( K ) + K 0∗Ref ( K )

Mediante el observador calcular los estados a partir de las señales de entrada y

salida
El observador debe contemplar todos los parámetros del sistema real.
~
x ( K+ 1 )=G∗~
x ( K ) + H∗u ( K ) + K e∗[ y ( K )−~y (k )]

donde “ K e ” es la ganancia del observador

y ( K )=CD∗x ( K )
~y ( K ) =CD∗~
x ( K)
~
x ( K+ 1 )=G∗~
x ( K ) + H∗u ( K ) + K e∗y ( K ) −K e∗~
y (k )
~
x ( K+ 1 )=G∗~
x ( K ) + H∗u ( K ) + K e∗y ( K ) −K e∗CD∗~
x(K )
~
x ( K+ 1 )=( G−K e∗CD )∗~
x ( K )+ H∗u ( K ) + K e∗y ( K )

El comportamiento de la ecuación de estado está determinado por la ecuación

característica de

|z∗I −G+ K e∗CD|= polinomio deseado

Para la realimentación de estado tenemos el polinomio característico dado por
|z∗I −G+ H∗L|= polinomio deseado
El sistema original |z∗I −G|
4.8. DISEÑO DE CONTROL POR RETROALIMENTACIÓN DE ESTADO CON
OBSERVADOR DE ORDEN MÍNIMO.
Si
x ( K +1)=G∗x ( K ) + H∗u ( K )
y ( K )=CD∗x ( K )

Dado que u ( K )=−L∗x ( K ) + K 0∗Ref ( K )

Considerando que

x a (K )
= Estado medido
x ( K )=
[ ][x b (K ) Estado no medido ]
[ xa ( K)]1 × m

[ xb ( K)]1 ×(n−m)

El tamaño de xa < altamaño de x b

x a (K +1) Gaa Gab x a ( K ) H a

[ =
][ ∗
][ ][ ]
+
x b (K +1) Gba Gbb x b ( K ) H b
∗u

xa ( K )
y ( K )=[ 1 0 ]∗
[ ]
xb ( K )

x a ( K + 1 )=Gaa∗x a ( K ) +G ab∗x b ( K )+ H a∗u

x b ( K + 1 )=Gba∗x a ( K ) +Gbb∗x b ( K )+ H b∗u

x a ( K + 1 )−Gaa∗x a ( K )−H a∗u=G ab∗x b ( K )

Representa la ecuación de salida del observador de orden mínimo.

x b ( K + 1 )=Gbb∗x b ( K ) +Gba∗x a ( K )+ H b∗u

Representa la dinámica de función del observador de orden mínimo.

~
x ( K +1)=G∗~x(K )+ H∗u ( K )
~y ( K)=CD∗~
x (K )
x b ( K + 1 )=G bb∗x b ( K ) +G ba∗x a ( K )+ H b∗u

Observador de orden completo Observador de orden mínimo

 ~
x (K ) ~
x b (K )
G G bb
H∗u (K ) Gba∗x a (K )+ H b∗u( K )
y (K ) x a (K +1)−G aa∗x a ( K )−H a∗u
C Gab
Ke Ke
En el observador de orden completo
~
x ( K+ 1 )=G∗~
x ( K ) + H∗u ( K ) + K e∗[ y ( K )−~y (k )]
~y ( K ) =CD∗~
x ( K)
~
x ( K+ 1 )=G∗~
x ( K ) + H∗u ( K ) + K e∗y ( K ) −K e∗CD∗~
x(K )
~
x ( K+ 1 )=( G−K e∗CD )∗~
x ( K )+ H∗u ( K ) + K e∗y ( K )
~
x ( K+ 1 )=( G bb−K e∗G ab )∗~
x b ( K ) +G ba∗x a ( K ) + H b∗u ( K ) + K e∗ [ xa ( K +1 )−G aa∗x a ( K ) −H a∗u ]

La ecuación anterior representa al observador de orden mínimo.

Su polinomio característico será:

|z∗I −G bb+ K e∗Gab|= polinomio deseado

Como el orden del vector de estado “ x b” es menor a “x” y por tanto el tamaño u
orden de “G bb” es menor a “G n ×n ” sus polinomios son iguales; y para que el
observador de orden mínimo calcule los estados antes que el sistema evolucione a
otro punto el polinomio deseado del observador debe ser de muerte súbita
(n−m )
z =0
Reorganizando la ecuación de estado a:
y ( K )=x a (K )

y ( K +1 )=x b ( K +1)
~
x b ( K +1 )−K e∗ y ( K +1 )=( G bb−K e∗G ab )∗( ~
x b ( K )−K e∗y ( k )) + ( G bb−K a∗G ab )∗K e∗y ( K )+ ( G ba−K e∗G aa )∗y ( k )

Si
~
x b ( K +1 )−K e∗ y ( K +1 )=~η ( K +1 )
~
x b ( K )−K e∗ y ( k )=~
η(K)

Se tiene
~
η ( K +1 )=( G bb−K e∗G ab )∗~
η ( K ) +[ ( G bb−K a∗G ab )∗K e + ( Gba−K e∗G aa ) ]∗y ( k ) + ( H b −K e∗H a )∗u( K )
5. CONTROL DE LOGICA DIFUSA

5.1. LOGICA DIFUSA

Logica difusa → Control

{ Algoritmos Geneticos →Optimizacion
Redes Neuronales → Identificacion

logica difusa V → grado de pertenecia , no es concreto

{
F

logica Booleana V → la respuesta es concreta

F {
Si un sistema es parcialmente descrito por un modelo matemático, es necesario
recurrir al a estrategias de control que no sean sensibles a las ‘variables’ no
conocidas por los tanto recurrimos a conceptos de probabilidades modelados
mediante
 x 1 ∈ Un 90 % A del sistema especialmente en los bornes

x 1 ∈ Un 0.5 % A

SENSORES NO IMPARCIALES (HUMANO)

frio
T
{tibio
caliente

5.2. ESTRUCTURA DE CONTROLADOR DE LOGICA DIFUSA

Control de lógica difusa
Recurre a la experiencia del operador
Variables no son concretas, sino más bien están descrita por la lingüística
(frio, tibio, caliente, alto, medio, bajo) (rápido, medio, bajo)
Para transformar una variable concreta en una variable difusa, se empleara el
difusor o fusificador

x́=
∫ f (x) dx . x
∫ f (x) dx
Utilizando la matriz asociada difusa (FAM)
La “fam” engloba el comportamiento del sistema
Aplicando el concepto de la minucia

NMG
N
{
NG NG

N
N{
Z→Z

{{
P P PG
PG
PMG

La operación de la FAM se basa en los conectivos lógicos

if And Then
si Po(1 )=Z and Po(3 )=N then u=N min(1,3) … … … A 1

si Po(1 )=Z and Po( 4)=Z then u=Z min(1,4 ) … … … A 2

si Po(2 )=P and Po(1 ) =N then u=Z min(2,3) … … … A 3

si Po(2 )=P and Po( 4)=Z then u=Z min(2,4 ) … … … A 3

A 1 X 1+ A 2 X 2+ A 3 X 3+ A 4 X 4
x́=
A 1+ A 2+ A 3+ A 4

e= ⟨ N , Z , P ⟩

e 0= ⟨ N , Z , P ⟩
u=⟨ NG , N , Z , P , PG ⟩
5.3. OBTENCION DE LA FAM MEDIANTE RESPUESTA OSCILANTE AL ESCALON

Para:
e= ⟨ N G , N , Z , P , PG ⟩
e 0= ⟨ N G , N , Z , P , PG ⟩
u=⟨ NG , N , Z , P , PG ⟩

O:
e= ⟨ NG , NM , N , Z , P , PM , PG ⟩

e 0= ⟨ NG , NM , N , Z , P , PM , PG ⟩
u=⟨ NG , NM , N , Z , P , PM , PG ⟩

Donde: K 1 , K 2 , K 3 son para ajustar los valores a un conjunto difuso parametrizado

SISTEMAS DIGITALES ESTOCASTICOS

X (K +1) =GX (K )+ H u(K )

y (K )=C X (K )

EJEMPLO:

0.1 0.2
G=[−0.5 0.8 ]

0.05
H=[
0.2 ]

C=[ 1 0 ]

Hallar: X ( K +1 ) y Y (K +1)
Donde:
e=0.57

e 0=−1.35
u=0.444

EJEMPLO:

d3 y d2 y dy
Para el sistema: 3 +0.85 2 + 2.57 +10 y=x ( t ) con e=0.42; de=1.35
dt dt dt
X 1 (k)=0.5

X 2 (k)=1.8

X 2 (k)=0.2

Hallar: Y (K +1)
 Haciendo use de la función “fuzzy” en Matlab se obtiene
X (K +1) =GX (K )+ H u(K )

y (K )=C X (K )

y (K +1)=0.6730

6. Algoritmos genéticos

6.1. INTRODUCCION A LOS ALGORITMOS GENETICOS

Conceptos Básicos
P/E.
 En un ambiente agresivo, el individuo más apto sobrevive

Generación de individuos en forma aleatoria

En ambiente agresivo

Selección

Generamos individuos en forma aleatoria (riqueza genética)

Búsqueda en un amplio universo

Evaluación

Selección

Mezcla de los individuos seleccionados (cruzamiento hijos)

Mutación

6.2. REPRESENTACION GENETICA DE PROBLEMAS FISICOS

CONCEPTOS A ENTENDER

 Cromosomas
 Alelos
 CAGT

Alelos Cromosomas
 Gen 1 Gen2

P/E.
8 5 5
8
8

15 15 8 8
5 5 5
5
8
8

15 8 5
8

G1 – Cantidad de lados (10) ----------------- 4 Alelos

G2 – Tamaño de los alelos (20 cm) ------ 5 Alelos Existe 3 Genes
G3 - Color de las figuras (8 colores) ------ 3 Alelos

G1 G2 G3 Cromosomas

8 4 2 1 16 8 4 2 1 4 2 1

G1 G2 G3

Rojo = 1 ; Verde = 2 ; Azul = 3 ; Café = 4

8 4 2 1 16 8 4 2 1 4 2 1
15 15 0 0 1 1 0 1 1 1 1 0 0 1

G1 G2 G3
15

8
8 4 2 1 16 8 4 2 1 4 2 1

8 8
 0 1 0 0 0 1 0 0 0 0 1 0

G1 G2 G3
8

5 5
8
8
8 4 2 1 16 8 4 2 1 4 2 1

0 1 0 0 0 1 0 0 0 0 1 0
5 5
8 8

G1 G2 G3
5
8

En la generación de individuos de forma aleatoria. El contenido de los alelos cambia o se

distribuye en forma aleatoria pero no su estructura.

P/E.

PID = Kp Ki Kd

Kp 0 ------- 180 ------ 8 alelos

Ki 0 ------- 25 ------ 5 alelos
Kd 0 ------- 5 ------ 3 alelos

128 64 32 16 8 4 2 1 128 64 32 16 8 4 2 1 128 64 32 16 8 4 2 1

0 0 1 0 0 1 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 1

Kp = 37 Ki = 12 Kd = 5

EVALUACIÓN
Someter al sistema a una prueba
SELECCIÓN
Mediante lista de los “n” individuos mejores son elegidos para formar el grupo de padres
de la siguiente generación.

15 25

I1

I2

I3

10 I4

I5
45 5

Todos los individuos tienen la probabilidad de formar parte de ser padres de la siguiente
generación, algunos mas que otros.
Para este caso sería de la siguiente manera:

I4 45
I1 25 Siguiente generación
I5 15
I2 10
Descartados
I3 5

Generación:
Sería (I 1, I 2, I 3)
Se elimina (I 2, I 3)
CRUZAMIENTO
Se combina los atributos de los padres.
POR PLANILLA
P1 P2
A B C D A B C D

H1 H2
A F C H E B G H

MUTACIÓN
Podemos tener uno o más operadores de mutación para una representación.

P/E.
r 8 1 6 7 4 2 7 8 3 0 1 4

r+1 9 9 0 0 3 6 2 2 8 0 7 0
H1 8 1 6 0 3 6 2 2 3 0 1 4

H2 9 9 0 7 4 2 7 8 8 0 7 0

Por punto
P1 P2 .
A B C D

H1 H2 .
A B C D

Difu PI 1 --------- NMG NG N Z P PG PMG

1 2 3 4 5 6 7

r+1 FAM
Regla [ 1 2 2 3 3 3 4 2 2 2 3 3 4 5 …]

24 25

7. REDES NUERONALES
7.1. INTRODUCCION A LAS REDES NEURONALES
ENTRADAS:
Los nombres suelen estar en relación a su función de activación, a la organización y modo
de entranmiento.
Como calcular los pesos simulados para un problema determinado.
Inicialmente se genera en forma aleatoria, si la salida ya es conocida el cual denominamos
detinos “lurgel”
“t” y la entrada también es conocido tenemos un problema de:
[ P ][ W ]= [ l ] ASOCIACION LINEAL
[ W ] = [ P ]−1 [ l ] ENTRENAMIENTO HEBBIANO TRANSPUESTO

P [ P 1 P 2 P 3] t [t 1t 2t 3]

PW=T W=P^-1*T=T*P^-1 POR ORDEN DE PATRONES

El método de retro propagación mediante el error cuadrático.

∂Wij ∂ E
=
∂t ∂ Wij
Donde E es la energía del sistema y está dado por:

1 1
E= ( ti−aj )2= ei2
2 2
Si la energía es disipativo

−∂Wij
∗∂ ej
∂Wij −∂ E ∂ ei ∂E
= = yi =ej
∂t ∂ Wij ∂Wij ∂ ej
∂Wij ∂ ei
=−ej
∂t ∂ Wij
Aplicamos un factor de entrenamiento “n”
∂ ej
∗∂uj
∂Wij ∂ ej ∂ Wi
=−nej =−nej
∂t ∂ Wij ∂Wij
Si
 ∂ ej −∂ f ( ui )
ej=ti−f ( uj ) ∴ = =f ( ui )
∂ uj ∂ ui
n
∂Wij ∂ ui ∂ui
=−ej∗f ( uj ) pero si ui ∑ Wij∗Pi
∂t ∂Wij ∂ Wij i=0

n
∂ ∑ uij∗Pi
∂Wij ∂ui i=0
=−nej f ( ui ) Pi = =Pi
∂t ∂ Wij ∂ wij

Si la derivada es una variación e variable respecto del tiempo.

Se asemeja a una pendiente entre dos puntos.
CONTROLADOR ADAPTIVO