LEVITACIÓN MAGNÉTICA EN TRENES

ANDRES GEOVANY LARA TRUJILLO1

Resumen
Por medio de este proyecto se busca realizar un estudio profundo y detallado sobre el
magnetismo y lo que se puede llegar a conseguir por medio de este. Contiene información
importante respecto a la levitación magnética, y cómo actúa permitiendo hacer flotar un
objeto. Además, se expone una breve introducción a la historia de la evolución de los trenes
y sus primeras patentes. Luego de esto y finalmente se lleva a cabo una prueba que
demuestra dicho fenómeno por medio de un experimento, para poder entender mejor la
levitación magnética.

Palabras clave: Levitación, levitación 1.1 Figuras y Tablas

magnética, Efecto de Messner,
sustencación, trenes de levitación Figura 1.1.
magnética, suspensión electrodinámica,
suspensión electromagnética, indrutrack.

1. Introducción.
1.2 Ecuaciones
A través del siguiente proyecto, se
realizará un estudio del magnetismo y sus ecu. 1.1.
aplicaciones particularmente en un
importante medio de transporte, los
trenes. Antes que nada, se hará una ecu 1.2.
introducción a la historia y evolución de
los trenes hasta el momento, desde sus
inicios hasta lo que nos centraremos en
este proyecto, los trenes de levitación. Se ecu 1.3.
explicará qué significa la levitación
magnética, cómo funciona, y también se
estudiará algunos otros fenómenos que se
irán explicando a medida que avance el ecu. 1.4.
proyecto. Finalmente, y para terminar, se
hará una demostración del
funcionamiento de los trenes por medio 1.3 Abreviaturas y Acrónimos
de la levitación magnética.
 LQG: Linear Quadratic Gaussian.
 LQE: Linear Quadratic Estimator
 LQR: Linear Quadratic Regulator
1
Ingeniería Industrial, 8vo semestre, Universidad Autónoma de Manizales, andres.larat@autónoma.edu.co

2. Objetivos.
Objetivo General
 Estudiar las aplicaciones del
Control Lineal Cuadrático
Gaussiano LQG dentro los
procesos industriales y evidenciar
las mejoras que dicho control
ofrece.
Objetivos Específicos
 Investigar y conocer a cerca del
diseño del control LQG, sus
respectivos modelamientos
matemáticos y diseños de
algoritmos.
 Analizar ejemplos en donde se
aplique el controlador LQG.
 Analizar gráficas que evidencien
resultados reales obtenidos en los
artículos estudiados.
 Adquirir conocimiento a partir del
proyecto de investigación con
respecto a los tipos de
controladores empleados en los
procesos industriales.
3. Metodología.
La presente investigación puede
clasificarse en diversas maneras, en
primera instancia es una investigación
aplicativa debido a que tiene como
objetivo encontrar estrategias o “La función de costo de control
mecanismos que permitan lograr un
objetivo concreto, que en nuestro caso es
la optimización a través del LQG.
También es una investigación de carácter
cuantitativo, gracias a que se basa en la
medición, recolección y análisis de datos
numéricos para dar un resultado esperado.
Tipo de investigación, variable o
categorías, técnicas e instrumentos de
recolección, ordenamiento de
información, procesamiento de datos y
plan de análisis.
No podemos dar inicio a esta
investigación sin antes dar a conocer en
qué consiste el Control lineal cuadrático
Gaussiano (LQG), es por eso que
daremos una breve descripción de ello
antes de comenzar.
El Control lineal cuadrático Gaussiano es
fundamental para el control óptimo de
sistemas no lineales perturbados, y es una
combinación entre un estimador lineal
cuadrática (LQE) y un regulador
cuadrático (LQR). Lo que hace más
óptimo este tipo de controlador,
comparado con otro como el PID, es que
el LQG toma en cuenta las perturbaciones
de un sistema real, mejorando de esta
manera la estabilidad del sistema.
Ahora bien, una vez conocida la
definición del LQG, procederemos a
analizar algunos aspectos y ejemplos de
la aplicación del controlador LQG en los
procesos industriales.
Para realizar una evaluación de
rendimiento mediante control óptimo
predictivo de LQG se representa en forma
de ecuación de estado. Estos métodos de
diseños predictivos son los
implementados actualmente en los
procesos industriales, y cuyas mejoras
serán evidenciadas por medio de datos
presentados más adelante.
predictivo incluye el error de seguimiento
futuro y los componentes de la señal de
control. La descripción del sistema de
ecuaciones de estado se puede escribir en
términos de estas entradas futuras, de
modo que el modelo incluya las salidas
para el tiempo ty un vector de salidas evaluación de desempeño propuesto
futuras.”2 anteriormente.
Lo anterior permite evaluar de esta forma
el rendimiento de los controles Ver figura 1.3.
predictivos. Si en dicha evaluación se
evidencia un buen rendimiento en En este caso, se tiene como objetivo
relación con el control de variación, estudiar controlar el rendimiento
entonces no sería necesario realizar un mediante un modo de regulación que no
ajuste adicional del controlador, pero sin permite afecten las perturbaciones
un proceso muestra un rendimiento bajo externas en el bucle.
con relación al control de variación, Para plantear nuestro problema ejemplo,
entonces sí se verá la necesidad de ajustar partiremos teniendo un punto de
y optimizar su rendimiento. referencia que tendrá en cuenta tanto el
Las relaciones en cuanto a la calidad más rendimiento de salida, como también el
precisas arrojan como resultado una esfuerzo.
menor variación en la salida del proceso,
pero que a su vez implican un mayor
esfuerzo del control. Para analizarlo
mejor, tomaremos el siguiente
planteamiento matemático:

J(A) =E[y;] +AE[u;]

Está claro que dado E [u;] = Q, el valor

mínimo (o el valor óptimo de Pareto
(Boyd y Barratt 1991)) de E [y;] se puede
encontrar a partir de esta curva que
representa el límite de rendimiento, por lo
tanto, y se puede usar para fines de
evaluación del desempeño.
Ver figura 1.1.

Aplicación en proceso industrial Deben ser pertinentes con los objetivos.

Resultados obtenidos (si es investigación
A continuación, se estudiará el terminada).
desempeño de un bucle de control en
cascada industrial con el método de
2
N. Danesh Pur, B. Huang, Sirish L. Shan,
“Performance assessment and benchmarking LQG
predictive optimal controllers for discrete-time
state-space systems”, Vol. 46, Nº. 8, International
Federation of Automatic Control, 2010
Para poder realizar nuestro control del
punto de referencia, es necesario hacer la
identificación del proceso, y para ello
tomaremos el LQG como uno de esos
puntos de referencia prácticos.

Solución LQG a través de GPC

Otra forma de resolver este problema de
LQG es con el enfoque de control
predictivo generalizado (GPC) o de
control predictivo modelo (MPC).
Considere una función de costo del
formulario.
ecuacion

ffffffffffffffffffffffffffffffffffffffffffffffffff
ffffffffffffffffffffffffffffffffffffffffffffffffff
ffffffffffffffffffffffffffffffffffffffffffffffffff
ffffffffffffffffffffffffffffffffffffffffffffffffff
fffjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjj
jjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjj
jjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjj
jjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjjj
jjjjjjjjjjjjjjjjj