Memorias del Congreso Nacional de Control Automático 2016, Querétaro, México, Septiembre 28-30, 2016

DESARROLLO DE UN OBSERVADOR QUASI-LPV m

X T
V̇ (e(t)) := ωi (ζ) (e (t) (Ai T P − CT LT
i P + P Ai −
Un observador de estados es un sensor virtual capaz de i=1
estimar las variables no medidas a partir de variables me- P Li C)e (t)) < 0
dibles. Especificamente el observador utiliza el modelo del
sistema y las mediciones de entrada y de salida disponibles. Sustituyendo Wi =P Li , la condición que se debe cumplir
Considere el sistema quasi-LPV (5). es
Un observador quasi-LPV se representa como sigue:
AT T T
i P − C Wi + P Ai − Wi C < 0 (14)
m
X
x̂˙ (t) = ωi (ζ) (Ai x̂ (t) + Bi u (t) + Li (y (t) − ŷ (t))) Note que la ecuación (14) garantiza la convergencia del
i=1 observador; sin embargo, no toma en cuenta ninguna con-
Xm dición con respecto a la velocidad de convergencia, regida
y (t) = ωi (ζ) (Cx̂ (t)) (8) por la ubicación de sus polos en el plano complejo. Es
i=1 aconsejable considerar la técnica de colocación de polos en
regiones LMI propuesta por (Chilali and Gahinet, 1996),
Donde x̂ denota los estados estimados, ζ es el vector de es necesario asignar todos los eigenvalores del observador
las variables de programación, y Li , i = 1, 2, . . . , m son las en una región específica del plano complejo ,considerando
ganancias del observador. una región D(q,r) de radio r a una distancia −q ver figura
El problema se replantea en encontrar Li tal que el error (2). En (Chilali and Gahinet, 1996) los eigenvalores del
de estimación converge a cero cuando t tiende a infinito. observador se agrupan en S (a, R, q) definido por:
De manera tal que: S (a, R, q) = {z ∈ C || z + q |< R, Re (z) < a, q > 0, a > 0}
(15)
Aplicando el método propuesto en (Chilali and Gahinet,
e(t) = x(t) − x̂(t) (9) 1996), se obtiene la siguiente variación de (14),
y su dinámica está expresada como  
−rP qP + P Ai − Wi C
< 0 (16)
qP + Ai T P − CT Wi T −rP
ė (t) = ẋ (t) − x̂˙ (t) (10)
Para un observador quasi-LPV la dinámica del error de
estimación para un sistema se obtiene sustituyendo ẋ (t) y
x̂˙ (t):

m
X
ė (t) = ωi (ζ) (Ai x (t) + Bi u (t) − Ai x̂ (t) −
i=1
Bi u (t) − Li Ce)
m
X
ė (t) = ωi (ζ) (Ai x (t) − Ai x̂ (t) − Li Ce)
i=1

finalmente:

m
X
ė (t) = ωi (ζ) (Ai − Li C) e (t) (11)
i=1 Figura 2. Región dentro de un disco de radio r D(q,r)
la función de Lyapunov cuadrática:
V (e (t)) := e (t) P e > 0
T
(12) DETECCIÓN Y LOCALIZACIÓN DE FALLAS
T
para P = P > 0 y su derivada es Una vez que se estiman los estados (y por ende el vector
T T
V̇ (e (t)) := ė (t) P e (t) + e (t) P ė (t) < 0 (13) y(t)), las señales de diagnóstico o residuos, son generados
Sustituyendo (11) en la función de Lyapunov : a partir de los estados estimados y de los estados medidos
(x1 y x5 ), que en este caso de estudio son los estados
del modelo no lineal. Esto es, ||r1 (t)|| = ||y1 (t) − ŷ1 (t)||
m
X T y ||r2 (t)|| = ||y2 (t) − ŷ2 (t)||.
V̇ (e (t)) := ωi (ζ) (((Ai − Li C) e (t)) P e (t) +
i=1 Al procedimiento de supervisión en tiempo real de un
T proceso con capacidad para detectar, aislar fallas y evaluar
e (t) P (Ai − Li C) e (t)) < 0
su significado y gravedad se le conoce como sistema de
m
X diagnóstico de fallas (Torres et al., 2014).
T
V̇ (e (t)) := ωi (ζ) (e (t) (Ai T P − CT LT
i P )e (t) + El objetivo de nuestro sistema de diagnóstico de fallas
i=1 basado en un banco de observadores es generar un conjunto
T
e (t) (P Ai − P Li C) e (t)) < 0 de residuos que detectan la ocurrencia de fallas en sensores,
273