BENÉMERITA UNIVERSIDAD AUTÓNOMA DE PUEBLA

FACULTAD CIENCIAS DE LA ELÉCTRONICA

Lic. Ingeniería en Sistemas Automotrices

MATERIA: CONTROL MODERNO Y SUS APLICACIONES

DOCENTE: DR. ESTEBAN MOLINA FLORES

“PRÁCTICA 1: OBSERVABILIDAD Y CONTROLABILIDAD DE

SISTEMAS MIMO “
Estudiantes:
• Correa Arellano Pedro Jesús (201908383)
• Domingo Gaona María Edith (201948674)
• López Montañez Alexis (201952425)
• López Zavala Joseph Matthew (201903708)
• Moreno Rosas Luz Gabriela (201967766)

Periodo: Primavera 2023

Entrega: 22/02/2023
INTRODUCCIÓN
Algunos sistemas físicos pueden ser representados por una entrada y una salida, este es el caso de
los sistemas S.I.S.O., (Simgple Input – Simgple Output), sin embargo, existen gran cantidad de
sistemas que cuentan con múltiples entradas y múltiples salidas y son denominados sistemas
M.I.M.O., del inglés (Multiple Input Multiple Output). El desarrollo y evolución de la teoría de
control, ha permitido desarrollar gran cantidad de técnicas tanto de identificación como de control
adaptativas que utilizan el computador digital para tal propósito.

TEORÍA
Definición. Se dice que un sistema es completamente controlable si existe una señal 𝑢(𝑡) que
permite transferir los estados iniciales del sistema 𝑥0 = 𝑥(𝑡0 ) a cualquier otro estado 𝑥𝑡𝑓 = 𝑥(𝑡𝑓 )
en un tiempo finito 𝑇 = 𝑡𝑓 − 𝑡0 .

Definición. A su vez se dice que el sistema es completamente observarle si en ausencia de excitación

es posible determinar el valor de sus estados iniciales 𝑥0 = 𝑥(𝑡0 ) a partir de la observación de la
salida 𝑦(𝑡) durante un período finito de tiempo 𝑡𝑓 − 𝑡0 > 0.

OBJETIVOS
General

• Entender el principio de controlabilidad y observabilidad

• Obtención de diferentes parámetros para sistemas con características en
realimentación de estados
• Lograr ejercer la solución a los problemas que se presenten con referencia a
características referentes a controlabilidad y observabilidad.
Especifico

• Lograr resolver de una manera muy detallada problemas que requieren de un

control mayor al ver características de controlabilidad y observabilidad por medio
de diferentes técnicas aprendidas en la unidad para así llevarlo a la practica con la
ayuda de MATLAB
DESCRIPCIÓN DEL SISTEMA
Se requiere indicar en que grado las variables internas de nuestro sistema (las variables de estado)
se vinculan con las variables externas, es decir la excitación y la variable controlada. Así el concepto
de controlabilidad está ligado a como la excitación puede modificar el comportamiento transitorio
de las variables de estado, mientras que el concepto de observabilidad está ligado a como los
cambios de las variables internas pueden ser detectados desde la salida

MATERIALES Y EQUIPO EMPLEADO

• Libro de texto “ingeniería de control moderna - Ogata”
• Equipo de computo

2
DESCRIPCIÓN DE LA METODOLOGÍA
Recopilación de ejercicios para un mejor entendimiento de diferentes sistemas con ciertas
características en su funcionamiento

Ejemplo 9-5. Obtenga la matriz de transición de estados ∅(𝑡) del sistema siguiente
𝑥1̇ 0 1 𝑥1
[𝑥 ̇ ] = [ ][ ]
2 −2 −3 𝑥2
Obtenga también la inversa de la matriz de transición de estados, ∅(𝑡)−1 .

Para este sistema

0 1
𝐴=[ ]
−2 −3
La matriz de transición de estados ∅(𝑡) se obtiene mediante

∅(𝑡) = 𝑒 𝐴𝑡 = ℒ −1 [(𝑠𝐼 − 𝐴)−1 ]

Como
𝑠 0 0 1 𝑠 −1
𝑠𝐼 − 𝐴 = [ ]−[ ][ ]
0 𝑠 −2 −3 2 𝑠 + 3
La inversa de (𝑠𝐼 − 𝐴) se obtiene mediante
1 𝑠+3 1
(𝑠𝐼 − 𝐴)−1 = [ ]
(𝑠 + 1)(𝑠 + 2) −2 𝑠
𝑠+3 1
(𝑠 + 1)(𝑠 + 2) (𝑠 + 1)(𝑠 + 2)
=
−2 𝑠
[(𝑠 + 1)(𝑠 + 2) (𝑠 + 1)(𝑠 + 2)]
Por tanto

∅(𝑡) = 𝑒 𝐴𝑡 = ℒ −1 [(𝑠𝐼 − 𝐴)−1 ]

−𝑡 −2𝑡
[ 2𝑒 −𝑡 − 𝑒 −2𝑡 𝑒 𝑡 − 𝑒 −2𝑡 ]
−2𝑒 + 2𝑒 −𝑒 −𝑡 + 2𝑒 −2𝑡
Si se tiene en cuenta que ∅−1 (𝑡) = ∅(−𝑡), se obtiene la inversa de la matriz de transición de estados
del modo siguiente
−𝑡 −2𝑡
∅−1 (𝑡) = 𝑒 −𝐴𝑡 = [ 2𝑒 −𝑡 − 𝑒 −2𝑡 𝑒 𝑡 − 𝑒 −2𝑡 ]
−2𝑒 + 2𝑒 −𝑒 −𝑡 + 2𝑒 −2𝑡
Conclusión: Se logra obtener un resultado con respecto a la matriz de transición con ayuda de las
ecuaciones propuestas del libro, así como aplicar conocimientos adquiridos en materias anteriores.

3
Ejemplo 9-6. Obtenga la respuesta en el tiempo del sistema siguiente:
𝑥1̇ 0 1 𝑥1 0
[𝑥 ̇ ] = [ ][ ] + [ ]𝑢
2 −2 −3 𝑥2 1
Donde 𝑢(𝑡) es la función escalón unitario que se presenta en 𝑡 = 0, o 𝑢(𝑡) = 1(𝑡)

Para este sistema

0 1 0
𝐴=[ ], 𝐵=[ ]
−2 −3 1
La matriz de transición de estados ∅(𝑡) = 𝑒 𝐴𝑡 se obtuvo en el ejemplo anterior
−𝑡 −2𝑡
∅(𝑡) = 𝑒 𝐴𝑡 = [ 2𝑒 −𝑡 − 𝑒 −2𝑡 𝑒 𝑡 − 𝑒 −2𝑡 ]
−2𝑒 + 2𝑒 −𝑒 −𝑡 + 2𝑒 −2𝑡
La respuesta a la entrada escalón unitario se obtiene entonces como
𝑡 −(𝑡−𝜏) −2(𝑡−𝜏)
𝑥(𝑡) = 𝑒 𝐴𝑡 𝑥(0) + ∫ [ 2𝑒 −(𝑡−𝜏) − 𝑒 −2(𝑡−𝜏) 𝑒 (𝑡−𝜏) − 𝑒 −2(𝑡−𝜏) ] [0] [1]𝑑𝜏
0 −2𝑒 + 2𝑒 −𝑒 −(𝑡−𝜏) + 2𝑒 −2(𝑡−𝜏) 1
O bien
1 1
𝑥 (𝑡) −𝑡 −2𝑡
𝑒 𝑡 − 𝑒 −2𝑡 ] [𝑥1 (0)] + [ − 𝑒 −𝑡 + 𝑒 −2𝑡 ]
[ 1 ] = [ 2𝑒 −𝑡 − 𝑒 −2𝑡 2 2
𝑥2 (𝑡) −2𝑒 + 2𝑒 −𝑒 −𝑡 + 2𝑒 −2𝑡 𝑥2 (0)
𝑒 − 𝑒 −2𝑡
−𝑡

Conclusión: Obtenemos gracias a la matriz de transición de estados una respuesta en el tiempo con
ayuda de herramientas como lo es la integración y algebra de matrices.

Ejemplo 9-7. Considere la matriz A siguiente

0 1
𝑎=[ ]
0 −2
Calcule 𝑒 𝐴𝑡 mediante los dos métodos analíticos presentados previamente.

Método 1. Los valores propios de A son 0 y −2(𝜆1 = 0, 𝜆2 = −2). La matriz P de transformación se

obtiene como
1 1
𝑃=[ ]
0 −2
A partir de 𝑒 𝐴𝑡 se obtiene el modo siguiente:
1
1 1
𝑒 𝐴𝑡 = [
1 1 𝑒
][
0
0 ][ 2 ] = [1 (1 − 𝑒 −2𝑡 )]
1 2
0 −2 0 𝑒 −2𝑡
0 − 0 𝑒 −2𝑡
2
Método 2. Como
𝑠 0 0 1 𝑠 −1
𝑠𝐼 − 𝐴 = [ ]−[ ]=[ ]
0 𝑠 0 −2 0 𝑠+2
Se obtiene

4
 1 1
𝑠 𝑠(𝑠 + 2)
(𝑠𝐼 − 𝐴)−1 =
1
[0 𝑠+2 ]
Por tanto,
1 −2𝑡
𝑒 𝐴𝑡 = ℒ −1 [(𝑠𝐼 − 𝐴)−1 ] = [1 2 (1 − 𝑒 )]
0 𝑒 −2𝑡
Conclusión: En este ejercicio logramos comparar como por medio de dos métodos diferentes se
logra llegar al resultado que uno espera, por ello de aquí podemos rescatar que bien se dice por
ahí no importa la forma en que uno solucione las cosas lo que importa son los resultados
obtenidos.

Ejemplo 9-8. Sea la matriz

0 1
𝐴=[ ]
0 −2
Calcule 𝑒 𝐴𝑡 utilizando la fórmula de interpolación de Sylvestre.

1 𝜆1 𝑒 𝜆1 𝑡
| 1 𝜆2 𝑒 𝜆2 𝑡 | = 0
𝐼 𝐴 𝑒 𝐴𝑡
Al sustituir 𝜆1 por 0 y 𝜆2 por -2, se obtiene
1 0 0
|1 −2 𝑒 −2𝑡 | = 0
𝐼 𝐴 𝑒 𝐴𝑡
Si se desarrolla el determinante, se deduce

−2𝑒 𝐴𝑡 + 𝐴 + 2𝐼 − 𝐴𝑒 −2𝑡 = 0
O bien
1
𝑒 𝐴𝑡 = (𝐴 + 2𝐼 − 𝐴𝑒 −2𝑡 )
2
1 0 1 2 0 0 1 −2𝑡
= {[ ]+[ ]−[ ]𝑒 }
2 0 −2 0 2 0 −2
1 −2𝑡
= [1 2 (1 − 𝑒 )]
0 𝑒 −2𝑡
Un enfoque alternativo es determinar 𝛼0 (𝑡)𝑦 𝛼1 (𝑡) a partir de

𝛼0 (𝑡) + 𝛼1 (𝑡)𝜆1 = 𝑒 𝜆1 𝑡

𝛼0 (𝑡) + 𝛼1 (𝑡)𝜆2 = 𝑒 𝜆2 𝑡

5
Como 𝜆1 = 0 y 𝜆2 = −2, las dos últimas ecuaciones se convierten en

𝛼0 (𝑡) = 1
𝛼0 (𝑡) − 2𝛼1 (𝑡) = 𝑒 −2𝑡
Al resolver para 𝛼0 (𝑡) 𝑦 𝛼1 (𝑡) se obtiene
1
𝛼0 (𝑡) = 1, 𝛼1 (𝑡) = (1 − 𝑒 −2𝑡 )
2
Luego, 𝑒 𝐴𝑡 se puede escribir como

1 1 −2𝑡
𝑒 𝐴𝑡 = 𝛼0 (𝑡)𝐼 + 𝛼1 (𝑡)𝐴 = 𝐼 + (1 − 𝑒 −2𝑡 )𝐴 = [1 2 (1 − 𝑒 )]
2
0 𝑒 −2𝑡
Conclusión: Obtenemos una forma mejor desarrollada con la ayuda del método de Sylvestre que
por medio de un determinante logramos obtener datos importantes.

Ejemplo 9-9. Los vectores

1 1 2
𝑥1 = [2], 𝑥2 = [0], 𝑥3 = [2]
3 1 4
Son linealmente independientes ya que

𝑥1 + 𝑥2 − 𝑥3 = 0
Los vectores
1 1 2
𝑦1 = [2], 𝑦2 = [0], 𝑦3 = [2]
3 1 2
Son linealmente independientes ya que

𝑐1 𝑦1 + 𝑐2 𝑦2 + 𝑐3 𝑦3 = 0
Implica que

𝑐1 = 𝑐2 = 𝑐3 = 0
Observe que la matriz 𝑛 𝑥 𝑛 es no singular (es decir, tiene un rango n o el determinante es diferente
de cero), entonces n vectores columna (o fila) son linealmente independientes. Si la matriz 𝑛 𝑥 𝑛 es
singular (es decir, tiene un rango menor que n o el determinante es cero), entonces n vectores
columna (o fila) son linealmente dependientes. Para demostrar esto, considere que
1 1 2
[𝑥1 ⋮ 𝑥2 ⋮ 𝑥3 ] = [2 0 2] = 𝑆𝑖𝑛𝑔𝑢𝑙𝑎𝑟
3 1 4
1 1 2
[𝑦1 ⋮ 𝑦2 ⋮ 𝑦3 ] = [2 0 2] = 𝑁𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟
3 1 4

6
Conclusión : Empleamos una manera mejor vista para alguien logre identificar si está presente
alguna singularidad o no de dichas matrices por medio de si son o no linealmente dependientes.

Ejemplo 9-10. Sea el sistema definido por

𝑥̇ 1 1 𝑥1 1
[ 1] = [ ][ ] + [ ]𝑢
𝑥2̇ 0 −1 𝑥2 0
Como

[𝐵 ⋮ 𝐴𝐵] = [1 1] = 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟
0 0
El sistema no es de estados completamente controlable

Conclusión: Forma de saber si un sistema es controlable a su totalidad.

Ejemplo 9-11. Sea el sistema definido por

𝑥̇ 1 1 𝑥1 0
[ 1] = [ ] [𝑥 ] + [ ] 𝑢
𝑥2̇ 2 −1 2 1
Para este caso,

[𝐵 ⋮ 𝐴𝐵] = [0 1 ] = 𝑛𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟
1 −1
Conclusión: Forma de saber si un sistema es singular o no a su totalidad.

Ejemplo 9-12. Los sistemas siguientes son de estado completamente controlable:

𝑥̇ −1 0 𝑥1 2
[ 1] = [ ] [𝑥 ] + [ ] 𝑢
𝑥2̇ 0 −2 2 5
𝑥1̇ −1 1 0 𝑥1 0
[𝑥2̇ ] = [ 0 −1 0 ] [𝑥2 ] + [4] 𝑢
𝑥3̇ 0 0 −2 𝑥3 3
𝑥1̇ −2 1 0⋮ 0 𝑥1 0 1
𝑥2̇ 0 −2 1⋮ 𝑥2 0 0 𝑢
1
𝑥3̇ = 0 0 −2 ⋮ 𝑥3 + 3 0 [𝑢 ]
2
𝑥4̇ ⋮ −5 1 𝑥4 0 0
[𝑥5̇ ] [ 0 ⋮ 0 −5 ] [𝑥5 ] [2 1]
Los sistemas siguientes no son de estado completamente controlable:
𝑥̇ −1 0 𝑥1 2
[ 1] = [ ] [𝑥 ] + [ ] 𝑢
𝑥2̇ 0 −2 2 0
𝑥1̇ −1 1 0 𝑥1 4 2 𝑢
1
[𝑥2̇ ] = [ 0 −1 0 ] [𝑥2 ] + [0 0] [𝑢 ]
2
𝑥3̇ 0 0 −2 𝑥3 3 0

7
 𝑥1̇ −2 1 0⋮ 0 𝑥1 4
𝑥2̇ 0 −2 1⋮ 𝑥2 2
𝑥3̇ = 0 0 −2 ⋮ 𝑥3 + 1 𝑢
𝑥4̇ ⋮ −5 1 𝑥4 3
[𝑥5̇ ] [ 0 ⋮ 0 −5] [𝑥5 ] [0]
Conclusión: Aquí podemos apreciar cómo es una estructura adecuada para un sistema controlable
y observable las características y dimensiones aproximadas que esta puede llevar.

Ejemplo 9-13. Sea la función de transferencia siguiente

𝑋(𝑠) 𝑠 + 2.5
=
𝑈(𝑠) (𝑠 + 2.5)(𝑠 − 1)
Es evidente que ocurre una cancelación del factor (𝑠 + 2.5) en el numerador y el denominador de
esta función de transferencia. (Por tanto, se pierde un grado de libertad) Debido a esta cancelación,
este sistema no es de estado controlable.

La misma condición se obtiene si se escribe esta función de transferencia en la forma de una

ecuación de estado. Una representación en el espacio de estados es
𝑥̇ 0 1 𝑥1 1
[ 1] = [ ] [𝑥 ] + [ ] 𝑢
𝑥2̇ 2.5 −1.5 2 1
Como

[𝐵 ⋮ 𝐴𝐵] = [1 1]
1 1
El rango de la matriz [𝐵 ⋮ 𝐴𝐵] es 1. Por tanto, llegamos a la misma conclusión: el sistema no es de
estado completamente controlable.

Conclusión: Obtención de una ecuación en el espacio de estados, así como de igual manera
observamos que sucede cuando se eliminan términos en una función de transferencia, donde viene
afectando directamente a los grados de libertad.

Ejemplo 9-14. Sea el sistema descrito por

𝑥̇ 1 1 𝑥1 0
[ 1] = [ ][ ] + [ ]𝑢
𝑥2̇ −2 −1 𝑥2 1
0
𝑦 = [1 0] [ ]
1
¿Es este sistema controlable y observable?

Como el rango de la matriz

[𝐵 ⋮ 𝐴𝐵] = [0 1 ]
1 −1
Es 2, el sistema es de estado completamente controlable.

Para la controlabilidad de salida, se calcula el rango de la matriz [𝐶𝐵 ⋮ 𝐶𝐴𝐵] = [0 1]

8
El rango de esta matriz es 1. Por tanto, el sistema tiene una salida completamente controlable. Para
verificar la condición de observabilidad, examine el rango de [𝐶 ∗ ⋮ 𝐴∗ 𝐵∗ ]. Como

[𝐶 ∗ ⋮ 𝐴∗ 𝐵∗ ] = [0 1]
1 1
El rango de [𝐶 ∗ ⋮ 𝐴∗ 𝐵∗ ] es 2. Por tanto, el sistema es completamente observable.

Conclusión: Por medio de un rango obtenido directamente de la matriz trabajadas se logra obtener
el dato para saber si estamos con un sistema controlable y observable.

Ejemplo 9-15. Demuestre que el siguiente sistema no es completamente observable

𝑥̇ = 𝐴𝑥 + 𝐵𝑢
𝑦 = 𝐶𝑥
Donde
𝑥1 0 1 0 0
𝑥
𝑥 = [ 2] , 𝐴=[ 0 0 1 ], 𝐵 = [0] , 𝐶 = [4 5 1]
𝑥3 −6 −11 −6 1
Tome en cuenta que la función de control u no afecta a la observabilidad completa del sistema. Para
examinar la observabilidad completa, simplemente se hace 𝑢 = 0. Para este sistema, se tiene que
4 −6 6
[𝐶 ∗ ⋮ 𝐴∗ 𝐵∗ ⋮ (𝐴∗ )2 𝐶 ∗ ] = [5 −7 5 ]
1 −1 −1
Considere que
4 −6 6
|5 −7 5 | = 0
1 −1 −1
Por tanto, el rango de la matriz [𝐶 ∗ ⋮ 𝐴∗ 𝐵∗ ⋮ (𝐴∗ )2 𝐶 ∗ ] es menor que 3. Así, el sistema no es
completamente observable.

De hecho, en la función de transferencia del sistema ocurre una cancelación. La función de

transferencia entre 𝑥1 (𝑠) 𝑦 𝑈(𝑠) es
𝑋1 (𝑠) 1
=
𝑈(𝑠) (𝑠 + 1)(𝑠 + 2)(𝑠 + 3)
Y la función de transferencia entre 𝑌(𝑠) 𝑦 𝑋1 (𝑠) es
𝑌(𝑠)
= (𝑠 + 1)(𝑠 + 4)
𝑋1 (𝑠)
Por tanto, la función de transferencia entre la salida 𝑌(𝑠) y la entrada 𝑈(𝑠) es
𝑌(𝑠) (𝑠 + 1)(𝑠 + 4)
=
𝑈(𝑠) (𝑠 + 1)(𝑠 + 2)(𝑠 + 3)

9
Es evidente que los dos factores (𝑠 + 1) se cancelan uno al otro. Esto significa que no hay
condiciones esenciales 𝑥(0) diferentes de cero que no se determinen a partir de la medición de
𝑦(𝑡).

Conclusión: Demostración de la forma completamente observable de un sistema MIMO, donde se

recaban bastantes conocimientos relativos a la solución del ejercicio.

Ejemplo 9-16. Los sistemas siguientes son completamente observables.

𝑥̇ −1 0 𝑥1 𝑥1
[ 1] = [ ][ ], 𝑦 = [1 3] [𝑥 ]
𝑥2̇ 0 −2 𝑥2 2

𝑥1̇ 2 1 0 𝑥1 𝑦1
𝑥1
3 0 0 𝑥
[𝑥2̇ ] = [0 2 1] [𝑥2 ], [𝑦 ] = [ ] [ 2]
2 4 0 0 𝑥
𝑥3̇ 0 0 2 𝑥3 3

𝑥1̇ 2 1 0⋮ 0 𝑥1 𝑥1
𝑥2̇ 0 2 1⋮ 𝑥2 𝑥2
𝑦1 1 1 1 0 0 𝑥
𝑥3̇ = 0 0 2⋮ 𝑥3 , [𝑦 ] = [ ] 3
𝑥4 2 0 1 1 1 0 𝑥
𝑥4̇ ⋮ −3 1 4
[𝑥5̇ ] [ 0 ⋮ 0 −3 𝑥5 ]
] [ [𝑥5 ]

Los sistemas siguientes no son completamente observables.

𝑥̇ −1 0 𝑥1 𝑥1
[ 1] = [ ][ ], 𝑦 = [0 1] [𝑥 ]
𝑥2̇ 0 −2 𝑥2 2

𝑥1̇ 2 1 0 𝑥1 𝑦1
𝑥1
0 1 3 𝑥
[ 2̇ ] = [0 2
𝑥 1] [𝑥2 ], [𝑦 ] = [ ] [ 2]
2 0 2 4 𝑥
𝑥3̇ 0 0 2 𝑥3 3

𝑥1̇ 2 1 0⋮ 0 𝑥1 𝑥1
𝑥2̇ 0 2 1⋮ 𝑥2 𝑥2
𝑦1 1 1 1 0 0 𝑥
𝑥3̇ = 0 0 2⋮ 𝑥3 , [𝑦 ] = [ ] 3
2 0 1 1 0 0 𝑥
𝑥4̇ ⋮ −3 1 𝑥4 4
[𝑥5̇ ] [ 0 ⋮ 0 −3] [𝑥5 ] [𝑥5 ]

Conclusión: Demostración de la forma completamente observable de un sistema MIMO, donde se

recaban bastantes conocimientos relativos a la solución del ejercicio.

RESULTADOS Y OBSERVACIONES
Se logra completar los objetivos propuestos donde se entiende de una mejor manera cada
una de las diferentes formas de dar solución a sistemas MIMO de los cuales es necesario
tener un gran panorama de aprendizaje para así saber a lo que se enfrenta uno en este caso
se vio de todo desde obtención de una matriz de transición hasta llegar a fundamentar la
forma singular o no de un sistema para así dar el resultado final de si contamos con
completa controlabilidad y completa observabilidad de los sistemas mencionados.

10
CONCLUISONES
Durante la realización de la práctica se logró obtener un mejor aprendizaje respecto a como
dar solución a sistemas MIMO por varios métodos, igual se contempla la forma de cada
expresión al ser expresada en matrices en el espacio de estados para lograr convertirlas a
funciones de transferencia o viceversa. Pero lo mas impactante para el equipo fue la misma
forma de caracterizar la forma en que se encuentra nuestro sistema ya sea completamente
controlable o completamente observable las características que cada uno debe llevar y el
como es posible que al cambiar un valor de la matriz del sistema este cambie de manera
fuerte la caracterización en la que se encontrara para después llevarlo a practica con ayuda
de Matlab y poder obtener graficas/simulaciones de como es el comportamiento del
sistema y si en verdad este será eficiente.
REFERENCIAS
[1] GOODWIN G. C., SANG S. K., “Adaptive Filtering, Prediction and Control”, Prentice Hall, Inc.
Enlgewood Cliffs, New Jersey, 1984.

[2] BOLAÑOS O. R., CORREA, F. A., “Identificación y Control de Sistemas MIMO Mediante Técnicas
Adaptativas”, Proyecto de Grado, Universidad Tecnológica de Pereira, 2005.

[3] GIRALDO, B. D, CORREA F. A., BOLAÑOS O. R., “Control de Frecuencia y Voltaje en Tiempo Real
de un Generador”, Revista Scientia Et Technica. Año XIII, No 32. Enero de 2007. UTP. ISSN 0122-
1701.

[4] GIRALDO, B. D., MEJÍA, G. D., MOLINA C. A., “Control PID Autosintonizado Usando
Identificación en Línea y Modelo de Referencia”, Revista Scientia Et Technica, Año IX, No 21. Enero
de 2003.

[5] ESCOBAR M. A., BEDOYA E. J., “Control en Tiempo Real de la Velocidad de un Motor de
Inducción Utilizando Técnicas Inteligentes”, Proyecto de Grado, Universidad Tecnológica de
Pereira, 2002.

[6] “IEEE Control Systems Magazine, PID 2006”, Revista IEEE, Volumen 26, Número 1, Febrero de
2006, Pags. 30 – 80.

[7] GIRALDO, B. D., TABARES, G. I., “Teoría de Control”, Universidad Tecnológica de Pereira, 1997.

[8] Giraldo B. D., TABARES, G. I, GALVÁN, C. “Adquisición de Datos y Control en Tiempo Real de un
Sistema Utilizando el Programa C++ Builder”, Revista Scientia Et Technica, Año V, No10, Julio de
1999.

[9]http://www.chemengr.ucsb.edu/~ceweb/faculty/seborg
/teaching/SEM_2_slides/Ch18_1_25_05.ppt

11