Sistemas de Control Robusto Y Predictivo

Integrantes: Moisés Arévalo Galindo

Benjamín Fuentes Maza
Julio Cáceres Sepúlveda
Daniel Sánchez Mendoza

Carrera: Automatización Y Control Industrial

Sección: V-IAC-N6-P1-C1
Asignatura: Control Automático Avanzado
Docente: Francisca Andia Andia
F. Entrega: 29/12/2022

1
Tabla de contenido
...........................................................................................................................................................1
INTRODUCCIÓN..................................................................................................................................3
OBJETIVOS..........................................................................................................................................4
EL METODO DE LOS MINIMOS CUADRADOS......................................................................................5
1.1 Calcule las medias de los valores de x y los valores de y, la suma de los cuadrados de los
valores de x, y la suma de cada valor de x multiplicado por su valor correspondiente y...............7
1.2 Dibuje la recta en la gráfica de dispersión..........................................................................8
TIPOS DE PROCESO ESTOCASTICAS:...................................................................................................9
1.3 Proceso estocástico estacionario:......................................................................................9
1.4 Proceso estocástico no estacionario:...............................................................................11
CONVERGENCIA E INDENTIFICABILIDAD..........................................................................................14
1.5 Convergencia:...................................................................................................................14
1.6 Identificabilidad................................................................................................................15
DISEÑOS DE CONTROLADOS ADAPTIVOS.........................................................................................15
1.7 Controladores adaptivos por modelo de referencia.........................................................16
1.8 Control adaptivo auto sintonizable..................................................................................17
1.9 Control Adaptativo predictivo Experto métodos basados en modelos............................17
1.10 Métodos basados en respuesta transitoria......................................................................17
1.11 Método de respuesta en frecuencia.................................................................................17
1.12 Método de estación de parámetros.................................................................................18
1.13 Control adaptativo predictivo experto métodos basados en reglas.................................18
1.14 Control Adaptativo Predictivo Experto Control Experto...................................................18
ANALISIS DE SENSIBILIDAD:¿QUE ES Y CUAL ES SUIMPORTANCIA EN UN PROYECTO?....................18
1.15 Método de lyapunov........................................................................................................19
1.16 Criterio de Estabilidad de Lyapunov.................................................................................20
1.17 Energía de una Señal (Para el análisis de Lyapunov)........................................................20
ESTRUCTURA GENERAL DE LOS SISTEMAS ADAPTIVOS MRAC.........................................................23
1.18 Ventajas del MRAC...........................................................................................................23
CONTROL ADAPTATIVO POR MODELO DE REFERENCIA (MRAC)......................................................24
ESTRUCTURA GENERAL DE LOS SISTEMAS ADAPATATIVOS POR MODELO DE REFERENCIA (MRAC)
.........................................................................................................................................................25
CONCLUSION....................................................................................................................................37

2
BIBLIOGRAFIA...................................................................................................................................38

INTRODUCCIÓN

Como las plantas reales difieren del modelo utilizado en el diseño, surge la cuestión de si
el controlador diseñado a partir del modelo funcionara satisfactoriamente; para asegurar
que este lo hará se ha desarrollado la teoría del control robusto, utilizando la hipótesis de
que los modelos que se emplean en el diseño de los sistemas de control tienen errores de
modelado. Dividiéndose en error estructurado, el cual consiste en las variaciones de los
polos y ceros de la función de transferencia de la planta; y el error no estructurado que se
basa cuando la planta real no es lineal mientras que su modelo si es lineal.
El control robusto busca diseñar un controlador que satisfaga la estabilidad y rendimiento
de un conjunto de modelos, para que el sistema sea estable en el control robusto se debe
considerar primero que nada la norma H y el teorema de la ganancia pequeña, en otras
palabras la finalidad de este es mantener la funcionabilidad correcta de la maquina sin
importar su desgaste o estado en que se encuentre; es decir, el controlador debe
adaptarse a las características que dicha maquina va cambiando debido a su
funcionamiento.

3
 OBJETIVOS

Objetivo General:

Analizamos y buscamos, explicar y dar a demostrar de manera clara las características del
control adaptivo por modelo de referencia (MRAC); así mismo dando a conocer el método
de enfoque de sensibilidad junto al método de Lyapunov.
Objetivos Específicos:

 Detallar los métodos de los mínimos cuadrados.

 Explicar la aproximación estocástica.
 Definir el método de máxima verosimilitud.
 Separar lo que es la convergencia de la identificabilidad.
 Resumir los diseños de controladores adaptivos.
 Indicar el enfoque de la sensibilidad.
 Detallar el método de Lyapunov y de hipersensibilidad.
 Mostrar la estructura general de los sistemas adaptivos MRAC.

4
 EL METODO DE LOS MINIMOS CUADRADOS

Se utiliza para calcular la recta de regresión lineal que minimiza los residuos, esto es, las
diferencias entre los valores reales y los estimados por la recta. Se revisa su fundamento y
la forma de calcular los coeficientes de regresión con este método.
Calcula a partir de los N pares de datos experimentales (X, Y), los valores M y B que
mejor ajustan los datos a una recta. Se entiende por el mejor ajuste aquella recta que
hace mínima las distancias D de los puntos medidos a la recta.

Paso 1: Calcule la media de los valores de x y la media de los valores de y.

Paso 2: Realice la suma de los cuadrados de los valores de x.

Paso 3: Realice la suma de cada valor de x multiplicado por su valor correspondiente y.

Pasó 4: Calcule la pendiente de la recta usando la fórmula:

Donde N es el número total de puntos de los datos.

Pasó 5: Calcule la intercepción en Y de la recta usando la fórmula:

5
Donde b = y - mx son las medias de las coordenadas de x y y de los puntos de datos
respectivamente.

Paso 6: Use la pendiente y la intercepción en y para formar la ecuación de la recta.

Ejemplo:
Use el método de mínimos cuadrados para determinar la ecuación de la recta que mejor
se ajusta para los datos. Luego grafique la recta.

Solución:

Grafique los puntos en un  plano coordenado.

Ilustración 1 Puntos en un plano coordenado

6
1.1 Calcule las medias de los valores de x y los valores de y, la suma
de los cuadrados de los valores de x, y la suma de cada valor
de x multiplicado por su valor correspondiente y.

Calcule la pendiente.

Calcule la intercepción en  y.

Primero, calcule la media de los valores de  x  y la media de los valores de  y.

7
Use la fórmula para calcular la intercepción en  y.

Use la pendiente y la intercepción en  y  para formar la ecuación de la recta

que mejor se ajusta.
La pendiente de la recta es -1.1 y la intercepción en y es 14.0.

Por lo tanto, la ecuación es y = -1.1 x + 14.0.

1.2 Dibuje la recta en la gráfica de dispersión.

Ilustración 1Grafica de dispersión

(Tutors, Varsity Tutors , 2007-2022)

8
 Proceso estocástico:
Un proceso estocástico es un conjunto de variables aleatorias que depende de un
parámetro o de un argumento. En el análisis de series temporales, ese parámetro es el
tiempo. Formalmente, se define como una familia de variables aleatorias Y indiciadas por
el tiempo, t. Tales que, para cada valor de t, Y tiene una distribución de probabilidad dada.
En pocas palabras, un proceso aleatorio es aquel que no se puede predecir. Se mueve al
azar. Aunque, como veremos más adelante, existen diferentes tipos de procesos
estocásticos. Uno de los ejemplos clásicos de un proceso aleatorio es el mercado de
valores.
Sin embargo, hay algunas estrategias que han demostrado que el mercado de valores no
es un proceso estrictamente aleatorio. Pero en este caso estamos hablando del mercado
de valores. Incluso el mejor modelo de pronóstico del mundo no puede predecir si el
mercado de valores subirá o bajará cada segundo.

Ejemplos estocásticos:
 Electrocardiograma.
 Terremotos.
 El clima.
 El segundo concreto de un partido en el que un jugador anota un gol.
 Número de personas que dicen una palabra concreta alrededor del mundo.

TIPOS DE PROCESO ESTOCASTICAS:

1.3 Proceso estocástico estacionario:

Un proceso estocástico estacionario es aquel cuya distribución de probabilidad varía
más o menos continuamente durante un período de tiempo. En otras palabras, una serie
de números puede parecer (y ser) caótica, pero tomar valores dentro de un rango
limitado. Con esta información se puede crear un modelo para tratar de predecir las
variables. El rendimiento diario de un activo financiero es un ejemplo de un proceso
estocástico estacionario. De ahí el rendimiento diario de EURUSD, es decir. Cambios
porcentuales diarios de la siguiente forma:

9
 Este gráfico representa el rendimiento porcentual diario del EURUSD desde 1999. Sin
embargo, para comprender mejor este concepto, solo proporcionaremos datos de los
últimos 100 días.

Al ampliar el gráfico, podemos ver el comportamiento cambiante con mayor claridad.

Durante los últimos 100 días, el EUR/USD ha fluctuado entre -1% y 1%. No podemos
predecir cómo cambiará una fecha en particular, pero podemos adivinar (en lugar de
confirmar) el rango de valores que cambiará.

10
1.4 Proceso estocástico no estacionario:
Un proceso estocástico no estacionario es aquel cuya distribución de probabilidad varía
de manera no constante. En otras palabras, si una secuencia de números se comporta de
forma completamente caótica, podemos decir que se trata de una aleatoriedad no
estacionaria. Un ejemplo de un proceso estocástico no estacionario es el precio del par de
divisas EURUSD.

(economipedia, 2022)

Como se muestra en la figura, tanto la variabilidad como la media cambian con el

tiempo. No podemos predecir si el EURUSD subirá o bajará. Ha estado arriba durante
algunos años y abajo durante muchos años. En cuanto a la serie en sí, no tiene sentido
intentar predecir el movimiento. En pocas palabras, un proceso estocástico es un proceso
aleatorio. Un proceso regido por el azar. Sin embargo, hay dos formas. Un proceso
estocástico no estacionario o caótico. Y los procesos estocásticos estacionarios, debido a
sus propiedades, se pueden intentar predecir.

¿Qué es el método de estimación de máxima verosimilitud y cómo se

interpreta?
En la historia de la estadística existen también piedras angulares y pilares fundamentales, como la
distribución de campana de Gauss, el método de mínimos cuadrados, y el principio de máxima
verosimilitud". −− "En la estadística moderna el principio de máxima verosimilitud se ha convertido
en una idea sencilla, para algunos incluso evidente. Después de todo, ¿quién puede oponerse a la
afirmación de que −entre todas las explicaciones posibles para los datos, se escogerá como la
mejor aquella que hace a los datos observados los más probables−? Pero si este principio fuera
verdaderamente tan simple, si solo se tratara de eso, ¿por qué muchos de los mayores cerebros
de la historia de las matemáticas le han encontrado defectos, desde el siglo dieciocho hasta
nuestros días? ¿Cómo es posible que algunos historiadores presenten como primera aparición de
esta idea un libro de 1760 de Johann Heinrich Lambert, en el que Lambert solo presenta un
sencillo ejemplo y es un ejemplo erróneo

11
El principio de máxima verosimilitud
Supongamos que se desea estimar la prevalencia en España de personas de más de 50
años con cifras de tensión igual o superior a 160/100 mmHg. Vamos a llamar a esa
prevalencia p y si se calcula en tanto por 1 será 0< p <1. Para ello se obtiene una muestra
aleatoria y representativa de esa población de tamaño N. Supongamos que denotamos
con la letra X el número de sujetos que presentan cifras tensionales iguales o superiores a
los límites fijados en nuestra muestra. El valor concreto que observaremos para X puede
ser 0 (ningún sujeto), 1, 2, hasta como máximo N (todos los sujetos). En este ejemplo es
razonable suponer que la variable aleatoria X, número de sujetos con cifras altas de
tensión, que observaremos en nuestro estudio (es aleatoria porque si repetimos el trabajo
con otra muestra diferente del mismo tamaño es poco probable que el valor observado
sea exactamente el mismo) siga una distribución de probabilidad binomial, cuya fórmula
es la siguiente:

donde CX,N es el número combinatorio que se calcula como N!/X!(N−X)! Para simplificar la
exposición, supongamos que se utiliza una muestra de N=200 sujetos. Una vez que
efectuamos el estudio conocemos el valor de X y podemos calcular la probabilidad de
observar exactamente ese valor para diferentes prevalencias posibles en la población. Esa
probabilidad que hemos llamado P(X) es función de N, X y p; luego conocidas las dos
primeras variables podemos probar con distintos valores de prevalencia p y determinar
qué valor de prevalencia en la población nos conduce a una mayor P(X), o lo que es lo
mismo para qué valor real de la prevalencia en la población es más probable que
observemos ese valor concreto de X en una muestra aleatoria de N sujetos. Supongamos
que el número X de pacientes con cifras de tensión iguales o superiores al límite prefijado
es de 60. Podemos plantear cuál es la probabilidad de obtener 60 sujetos hipertensos en
una muestra de 200 personas si la prevalencia real fuera de p=0.2. Substituyendo esos
valores en la ecuación obtenemos P(X)=0.00022. Si la prevalencia real fuera p=0.3 el valor
de P(X) calculado sería 0.06146, mayor que el anterior; y si p=0.4 entonces P(X)=0.00082,
que también es menor que el calculado para p=0.3. El método de máxima verosimilitud
nos dice que escogeremos como valor estimado del parámetro aquél que tiene mayor
probabilidad de ocurrir según lo que hemos observado, es decir aquél que es más
compatible con los datos observados, siempre suponiendo que es correcto el modelo
matemático postulado. Obviamente no se trata de ir probando diferentes valores del
parámetro, en este caso de la prevalencia p, para ver cuál es que proporciona un mayor
valor de verosimilitud. La ecuación, una vez fijados en nuestro estudio N y X, es
únicamente función de p, por lo que podemos representar en una gráfica el resultado de
sustituir diferentes valores de p en esa ecuación y obtendremos una gráfica como la de la
figura 1, donde se ve que esa función tiene su valor máximo para 0.3. Luego con ese
modelo matemático 0.3 es el valor de la prevalencia más verosímil de acuerdo con los
datos que hemos obtenido en nuestro estudio (N=200, X=60)

12
 Ilustración 2Función de verosimilitud
Para poder mostrar este gráfico, a menos que tengamos los programas adecuados, por supuesto
que sí Necesitamos calcular cada par de valores (probabilidad, p) y luego etiquetarlos. Sin
embargo, Existe un procedimiento matemático para determinar el valor máximo o mínimo de una
ecuación, por lo que Implica calcular la derivada de una función y ponerla a cero. Esto es en
realidad un problema claro, es decir, Matemáticas, la pendiente (es decir, la derivada) en cada
punto y el punto máximo que conocemos, la pendiente A cero Si el lector recuerda cómo se hace
esto y prueba la ecuación, Puede verificar si se alcanza el valor máximo de la función para el valor
p calculado como X/N, que no es Superar la proporción de pacientes hipertensos observados en
nuestro estudio, por otro lado, parece obvio Pero concluyentemente, el cálculo confirma algo que
nos parece evidente, a saber: La proporción más probable calculada a partir de una muestra
aleatoria es El número de eventos dividido por el tamaño de la muestra. Sin embargo, este
argumento es general y existe En muchos casos el resultado no es tan sencillo y las matemáticas
son fundamentales para la estimación Parámetro.

(Molinero, 2003)

13
 CONVERGENCIA E INDENTIFICABILIDAD

1.5 Convergencia:
La convergencia industrial se refiere a las nuevas conexiones que surgen en 3 áreas
tecnológicas el proceso de trabajos empresas cadena de suministro e incluso sectores de
la industria que antes no estaban relacionados cada nueva conexión de cadena la
innovación y puede dar a lugar la importante perturbación las empresas pueden
aprovechar las convergencias aprovechando los datos sus conocimientos resultantes y la
automatización para transformar la forma que se diseñe las fábricas y operen las cosas
ofreciendo las mejores prácticas de las industrias convergentes reuniendo funciones
multidisciplinares las empresas pueden diferenciar productos y servicios mejorar la
experiencia de los clientes impulsar la eficiencia y la sostenibilidad y crecimiento

Ilustración 3convergencia

La operación industrial de la convergencia entre las tecnologías de la información y la

tecnología de la operación está impulsada por esta necesidad de mejorar las utilizaciones
y visibilidad de los datos obtener el mayor retorno de las inversiones del sistema y de los
software y mejorar la ciberseguridad esta convergencia que también es una facilitador
clave para que las empresas industriales y alcancen sus metas de las transformaciones
digitales no obstante aunque el valor de estos impulsos empresariales cada vez más
evidentes ves muchas ocasiones lograr la convergencia de la IT/OT siendo un desafío.
(AEC, 2021)

14
1.6 Identificabilidad.
La identifica habilidad es una propiedad esencial de los modelos de Irán y cuyo estudio
debe ser abordado antes de iniciar cualquier procedimiento de estimación paramétrica. La
reducción del consumo de energía se ha convertido en uno de los principales problemas a
resolver para ser humano la mayoría parte de la energía consumida tanto en el ámbito
doméstico como el industrial está ligada en gran medida a los procesos térmicos tales
como sistema de calefacción o ciertos electrodomésticos.
La identifica habilidad estructura es una propiedad teórica que depende exclusivamente
de la participación del modelo asumiendo medidas libres de ruido y errores esencial para
las construcciones de cualquier modelo a partir del proceso de identificación existen
varias definiciones de identifica habilidad en la literatura estas definiciones se clasifican
principalmente en 2 categorías local y global.
(Javier Sanz-Bermejo, 2022)

DISEÑOS DE CONTROLADOS ADAPTIVOS

Un controlador adaptativo es un tipo de control que se puede modificar su
comportamiento en respuesta a los cambios de la dinámica del proceso y en las
perturbaciones logrando así que el comportamiento o desempeño del sistema en lazo
cerrado conserve las características del diseño requeridas el control adaptable puede
controlar sistemas lineales o no lineales con comportamiento constante o variables en el
tiempo la idea básica del control adaptativo es estimar en línea los parámetros o incierto
de las plantas en base a la medición de la señal de la entrada y salida y usar los
parámetros estimados para ajustar el parámetro del control de manera que se mantenga
un desempeño empeño óptimo en general se acepta el control adaptativo en un tipo de
control no lineal en el que está el estado del proceso puede ser separado en 2 escalas de
tiempo que en la evoluciona a diferente velocidad la escala lenta corresponde a los
cambios en los parámetros del regulador y la escala rápida a la dinámica del bucle
ordinarias de realimentación.
El objetivo del control adaptativo es conseguir mejorar el desempeño con respecto a la
estabilidad error de posición u otras especificaciones a pesar de intensidad umbral en los
parámetros iniciales del modelo de articulación interferencial externa y comportamientos
dinámicos no moderados como flexibilidad de los articulaciones y enlaces dinámicas de los
actuales fricciones, ruido provocado por los sensores y dinámica desconocida del
entorno(posibles perturbaciones que puede llegar a tener el proceso).

15
1.7 Controladores adaptivos por modelo de referencia

El modelo es usado para especificar la respuesta ideal del sistema y es usualmente lineal la
elección del modelo de referencia debe satisfacer 2 requisitos por un lado debe reflejar las
características deseadas del sistema tales como tiempo de elevación tiempo de
asentamiento sobrepaso máximo etcétera por otra parte el comportamiento ideal del
modelo debe ser alcanzable por el sistema de control es decir no se puede escoger un
modelo de referencia sin pensar si el controlador o planta es capaz de lograr dicho
comportamiento esto impone algunas limitaciones en la estructura del modelo de
referencia por ejemplo su orden y grado

Ilustración 4Controladores adaptivos por modelo de referencia

16
1.8 Control adaptivo auto sintonizable
Este tipo de controladores se toman continuamente valores de entrada y salida para
estimar en línea y configurar los valores de los parámetros de un modelo aproximado del
proceso para que los cambios ocurren con el tiempo en el sistema real, son modelados
mediante un proceso lineal cuyos parámetros van cambiando con el tiempo para ajustarse
lo más parecido al proceso real.

Ilustración 5 Control Adaptivo auto sintonizable

1.9 Control Adaptativo predictivo Experto métodos basados en

modelos
Los métodos de sintonía automática suelen realizarse en base a una derivación de un
modelo de proceso. Existen diversos tipos de modelos entre ellos los basado en respuesta
a otras Transitorias respuesta en frecuencia y estimación de parámetros
1.10 Métodos basados en respuesta transitoria
Se puede basar en análisis de la respuesta en lazo abierto generalmente va a realizar una
presintonía del sistema de control o un lazo cerrado, que representará mejor la respuesta
del sistema de control en condiciones reales del uso la mayoría se basa en análisis de la
respuesta a una señal escalón o pulso, aunque se puede utilizar otro tipo de
perturbaciones.
1.11 Método de respuesta en frecuencia
Suelen utilizarse para determinar la dinámica del proceso para conocer la frecuencia
apropiada para su análisis se puede utilizar el método de relé que lleva al sistema a una
oscilación límite variando la amplitud la histéresis del relé permite conocer varios puntos
del diagrama de Nyquist. (Es un teorema fundamental, especial interés en las

17
telecomunicaciones). Y la otra forma de analizar la respuesta en frecuencia es mediante
con el método en línea, en el que se introduce un filtro paso banda que permite
determinar el contenido de la señal a diversas frecuencias y determinar así los puntos
correspondientes del diagrama Nyquist.
1.12 Método de estación de parámetros
Consiste en estimar una serie de parámetros para determinar un modelo de bajo orden
con el que poder calcular los parámetros del controlador. Una de sus principales ventajas
es que no requiere un tipo de señal concreta de excitación; por contra suelen necesitar de
una presintonía que puede realizarse según los métodos anteriores.
1.13 Control adaptativo predictivo experto métodos basados en reglas
Se trata de imitar la sintonía manual basada en la experiencia previa. se realiza el mismo
proceso para el análisis de la respuesta del sistema ante una perturbación que los
métodos basados en modelos, para poder llevar a cabo la sintonía automática con estos
métodos es necesario determinar la regla adecuada para llevar a cabo el ajuste. sin
embargo, aunque es fácil determinar reglas para decidir si estos parámetros deben
modificarse, por lo que son métodos más adecuados para sistema con adaptación
continua donde se realizan pequeños cambios de ajustes con cada transitorio presenta la
desventaja de que, si se producen 2 cambios en la consigna o en la perturbación de carga
en muy poco tiempo puede resultar en una regla de sintonía errónea.
1.14 Control Adaptativo Predictivo Experto Control Experto
El control experto permite hacer uso del conocimiento previo que se tiene de un proceso
para llevar a cabo su control, generalmente mediante la aplicación de reglas, de esta
forma el controlador puede tomar decisiones sobre el control que permite mejorar su
función. de esta forma se puede conocer el comportamiento de la planta en determinadas
situaciones que escapan el control adaptativo predictivo. el sistema debe ser capaz de
interpretar la información recibida de la planta y decidir qué tipo de acciones debe llevar a
cabo en base a las reglas que conoce
(2), 2022)

ANALISIS DE SENSIBILIDAD:¿QUE ES Y CUAL ES SU IMPORTANCIA EN UN

PROYECTO?

El análisis de sensibilidad es una herramienta de gestión que permite a una organización

predecir el resultado de un proyecto ayudando a comprender la incertidumbre, las
limitaciones y el alcance del modelo de decisión. También conocido como análisis
hipotético, le permite determinar cómo los diferentes valores de una variable
independiente pueden afectar a una variable dependiente en particular. Además de la
gestión de proyectos, es aplicable en una amplia variedad de disciplinas, como la
economía, la ingeniería, la geografía, la biología, etc.

18
Hay dos tipos de análisis de sensibilidad: local y global. La primera es una técnica basada
en costos que examina el efecto de un parámetro a la vez, manteniendo la variable
constante. El análisis de sensibilidad global, por otro lado, utiliza una muestra global para
explorar el espacio de diseño. Pero ¿cuál es su significado en el proyecto? El análisis de
sensibilidad es una de las herramientas más utilizadas por los directores de proyectos para
predecir los resultados esperados de un proyecto. Esto da más flexibilidad a los modelos
de valoración durante el análisis y, en última instancia, en las presentaciones a clientes
potenciales, inversores o partes interesadas. Su uso en la gestión de proyectos tiene
muchas ventajas:

Facilita la toma de decisiones: El análisis de sensibilidad proporciona predicciones

basadas en datos. Es más fácil para la gerencia tomar decisiones de inversión cuando se
consideran todas las variables y se analizan todos los resultados. Por lo tanto, es una
herramienta extremadamente útil para planificar el futuro de la empresa.

Asegura el control de calidad: Mediante el análisis de sensibilidad, las empresas pueden

identificar procesos que impiden la creación de productos útiles y dificultan el logro de los
objetivos. La identificación temprana de estos errores ayudará a crear mejores productos
en menos tiempo, lo que resultará en una mayor diversificación en el futuro.

Mejor asignación de recursos: Un análisis de sensibilidad identifica las fortalezas y

debilidades de la planificación del proyecto mientras sopesa su impacto potencial en los
resultados. Esto permite a las organizaciones enfocar los recursos en las variables que más
necesitan apoyo.

El análisis de sensibilidad permite a las empresas utilizar datos fiables y precisos para
predecir el éxito o el fracaso del proyecto. Al explorar todas las variables y posibles
resultados, los gerentes de proyectos pueden tomar mejores decisiones de proyectos,
negocios o inversiones.

(business, 2022)

1.15 Método de Lyapunov.

El análisis de estabilidad es una tarea relativamente simple tanto para sistemas lineales
como invariantes en el tiempo; sin embargo, los métodos de estabilidad anteriores no se
pueden utilizar para el análisis de sistemas lineales y no lineales variables en el tiempo. Sin
embargo, existe un criterio de estabilidad que nos puede ayudar en este proceso, llamado
criterio de estabilidad de Lyapunov.

19
1.16 Criterio de Estabilidad de Lyapunov

Una forma común de analizar la estabilidad de un sistema es la teoría de la estabilidad de

Lyapunov, donde el análisis se determina implícitamente. Porque no se utiliza
directamente la dinámica del sistema, sino que se analiza la forma en que funciona el
sistema. La idea se originó en el siglo XIX, cuando todo se basaba en la energía y solo
existían los sistemas mecánicos, por lo que un sistema podía describirse como estable si su
energía tendía a cero con el tiempo.

Es bien sabido que la energía es siempre una función escalar formada a partir de la
dinámica del sistema.

Los términos para definir la energía son infinitos, dependiendo de la aplicación que se
quiera utilizar (energía potencial, energía cinética...)

Esencialmente, una función escalar V (||x||) está asociada con el sistema para capturar la
energía asociada con la trayectoria del sistema. Quiero analizar si esta función tiende a
cero con el tiempo. Esta función escalar está relacionada con la norma de estado del
sistema.

1.17 Energía de una Señal (Para el análisis de Lyapunov)

Si para nuestro análisis primero debemos recordar cuál es la energía de la señal horaria
(teorema de Lyapunov):

Se analiza si la función tiende a cero con el tiempo. Una característica de esta definición
de energía es que siempre es positiva:

20
Para que la integral vaya a cero, la característica de la gráfica analítica siempre es positiva
y la derivada siempre es negativa porque siempre es decreciente. Si se cumplen estas dos
características, el sistema siempre volverá a cero.

Luego verifique que el sistema sea internamente estable si la energía está presente

Ahora, si tiene varios estados, es decir, no es solo un escalar, puede usar la definición del
producto interno.

El único problema es si, por ejemplo, mi función de energía no tiene una derivada siempre
negativa.

Esta función es estable cuando llega a cero, pero no tiene ambas propiedades, por lo que
no puedo capturar la dinámica de esta energía. El problema con este enfoque es que la
función a utilizar debe ser monótonamente decreciente. Para hacer esto, ponga la matriz
en el estado P e intente encontrar la matriz que hace que la función sea monótonamente
decreciente.

21
En resumen, usar Lyapunov para determinar la estabilidad significa que una función que
exhibe un comportamiento energético monótono se puede definir para decir que el
sistema es estable. De lo contrario, si no se puede determinar la función, por lo general no
significa que el sistema sea estable. El sistema es estable El sistema no es estable.

(GIRALDO, 2022)

Función de sensibilidad complementaria

La función de sensibilidad complementaria en un punto es la función de transferencia de

lazo cerrado. Está relacionado con la función de transferencia de lazo abierto, L, y la
función de sensibilidad, S, en el mismo punto de la siguiente manera:

De esa forma podemos reducir la expresión de salida del diagrama de bloques en:

22
 ESTRUCTURA GENERAL DE LOS SISTEMAS ADAPTIVOS MRAC

Según sean diseñados los bloques de un sistema, podemos tener principalmente dos tipos
de control adaptativos:
Controladores adaptativos con modelo de referencia (MRAC) y reguladores autoajustables
(STR).
MRAC y STR están considerados como la aproximación a la solución del problema de
control adaptativo; lo que acredita esto es que, para cualquier juego de valores posibles
de los parámetros de la planta y las perturbaciones, existe un controlador lineal con una
complejidad fijada, así el conjunto de controlador y planta tienen características
preespecificadas.

Se diferencian en:
Los controladores adaptativos con modelo de referencia pretenden lograr para una señal
de entrada definida, un comportamiento en bucle cerrado dado por un modelo de
referencia.
Los reguladores adaptativos autoajustables, intentan alcanzar un control optimo,
sometido a un tipo de controlador y a adquirir datos del proceso.
1.18 Ventajas del MRAC
Posee de una rápida acomodación para una entrada definida; además de tener una
facilidad de tratamiento de la estabilidad empleando la teoría de estabilidad de sistemas
no lineal; por contraparte no se adapta adecuadamente si la señal de entrada al sistema
es débil.

23
 CONTROL ADAPTATIVO POR MODELO DE REFERENCIA (MRAC)
Los sistemas adaptativos con modelo de referencia fueron proyectados en primera
instancia para sistemas continuos por minimización de un índice de actuación, siendo
dicho índice la integral del error al cuadrado (hang 1973). Esta regla de diseño fue
propuesta por Whitaker del MIT (1958), Instrumentación laboratorio, denominándose por
ello como la regla del MIT.
En cuanto a las distribuciones existentes con modelo de referencia, la más común es
emplear un modelo paralelo, como se presenta en la imagen a continuación; vale señalar
que hay más configuraciones, algunas de estas son modelo serie, serie paralelo, etc.

Ilustración 6 control adaptativo por modelo de referencia

El error: e = ym - yp; que serán las 2 salidas que tendremos tanto de nuestro modelo de
referencia como de nuestro proceso normal.

24
ESTRUCTURA GENERAL DE LOS SISTEMAS ADAPATATIVOS POR MODELO DE
REFERENCIA (MRAC)

Ilustración 7 Estructura general de los sistemas adaptivos por modelo de referencia (MARC)

Representación equivalente del modelo de error.

Pudiendo expresarse como:

Si se requiere que el mecanismo de adaptación posea una memoria. Siendo esto lo más
lógico; debe incluirse un integrador en el mecanismo de adaptación. Resultando que los
parámetros ajustables dependan no solo del error en un determinado momento, sino
además de los valores pasados. Por ello la ley de adaptación se designa de la siguiente
manera:

25
Las ecuaciones pueden representarse según la figura representación equivalente del
modelo de error, sistema que puede descomponerse en un sistema lineal y otro no lineal,
al cual se le puede aplicar el criterio de hiperestabilidad.
Para cumplir dicho criterio, la parte lineal se modifica agregándole un término D en serie.
Por otro lado, a las funciones F y G, caben muchas posibilidades; pero teniendo en cuenta
que se desea que el error constantemente sea cero, pueden elegirse de la forma:

La estructura final del sistema seria la representada en la siguiente imagen, donde los
parámetros de diseño serían las funciones D, ɸ1, ɸ2, Ѱ1 y Ѱ2, la resolución se realiza para
cada caso concreto y no de forma general, ya que el caso general resulta bastante
complicado.

26
Ilustración 8sistema de proceso adaptivo referencia

(Francisco Rodríguez Rubio, 1996)

27
Diseña el controlador a un proceso usando Control Adaptivo con Modelo
Referencia (MRAC)

El objetivo del control adaptativo por modelo de referencia (mrac) es hacer que el lazo de
control tenga el mismo comportamiento dinámico de otro modelo que representa el
comportamiento dinámico deseado del sistema en lazo cerrado. En la figura 3 se observa
el esquema de esta estrategia de control, donde se muestra claramente el mecanismo de
adaptación, el lazo de realimentación negativa, el compensador de retardo a partir del
predictor Smith, el lazo de control o ley de control con parámetro variables y el modelo de
referencia en paralelo a todo el sistema. La respuesta del modelo de referencia a una
entrada representa la respuesta ideal que la planta debería tener en lazo cerrado. De
acuerdo con esto, el controlador se debe diseñar de tal manera que la respuesta del lazo
de control sea igual a la del modelo de referencia de tal forma que la diferencia entre la
salida real del sistema y la salida del modelo de referencia tienda a cero, es decir, el
mecanismo de adaptación ajusta los parámetros del controlador de tal manera que el
sistema siga al modelo de referencia. En este trabajo, el mecanismo de adaptación está
basado en la regla mit.

Ilustración 9proceso usando control adaptivo

F Diagrama de bloques sistema de control adaptativo por modelo de referencia Fuente:

los autores Modelo de referencia para el eje X y eje Y La selección del modelo de
referencia es un factor crítico al momento de diseñar la estrategia de control adaptativo,
ya que este debe estar sujeto a la dinámica real de la planta en lazo cerrado; por lo tanto,

28
es importante estimar un modelo matemático que a pesar de presentar incertidumbre,
permita aproximar la dinámica de la planta para hacer una buena elección del modelo. De
esta manera se planteó un control de posición adaptativo con un parámetro de
adaptación θ definido por la ley de control que se describe en la ecuación. U w = θj ⋅ = θ −
() R Y T De la figura, la salida del proceso es el producto entre la ley de control U(s) y el
modelo de la planta Gp(s) en el dominio de la frecuencia. Dado que la salida del
controlador está definida por la ecuación, y el modelo de la planta de cada eje con retardo
puede ser aproximado a un modelo en lazo cerrado sin retardo en la trayectoria de
realimentación gracias a la inclusión en el lazo de control del predictor Smith, tal como se
propone en Normey, Rico y Camacho, se obtienen los modelos de referencia en lazo
cerrado para el eje X y eje Y, según las ecuaciones y a partir de las ecuaciones

Ilustración 10 ecuación 1 y 2

De esta manera se planteó un control de posición adaptativo con un parámetro de

adaptación θ definido por la ley de control que se describe en la ecuación (3)

Ilustración 11 ecuación 3

se obtienen los modelos de referencia en lazo cerrado para el eje X y eje Y, según las
ecuaciones (4) y (5), a partir de las ecuaciones (1), (2) y (3).

29
 Ilustración 12 ecuación 4 y 5

ecuación (6), donde e es el error de seguimiento del sistema mostrado en la figura 3 y θθ

representa los parámetros de la ley de control, el cual puede ser un escalar o un vector
dependiendo de la cantidad de parámetros de la ley de control seleccionada

Ilustración 13 ecuación 6

la ecuación (7), en la cual el parámetro Y es la ganancia de adaptación, que debe ser

seleccionada correctamente con el fin de reducir el tiempo de establecimiento y al mismo
tiempo disminuir el transitorio del proceso de adaptación del sistema adaptativo

Ilustración 14 ecuación 7

30
Para resolver la ecuación (7) es necesario calcular el gradiente del error de seguimiento a
partir del modelo de referencia y el modelo matemático del sistema tal como lo muestra
la ecuación (8).

Ilustración 15 ecuación 8

En donde el gradiente del término Ym es igual a cero, ya que el modelo de referencia no

depende del parámetro θ, de modo que el problema del cálculo del gradiente del error de
seguimiento se reduce a la derivada parcial del modelo matemático de la planta en lazo
cerrado respecto al parámetro de la ley de control θ [7], tal como se muestra en la
ecuación (9) para el eje X y la ecuación (10) para el eje Y.

Ilustración 16 ecuación 9 y 10

31
Resolviendo las ecuaciones (9) y (10), y a partir de la ecuación (7), el mecanismo de
adaptación del control adaptativo queda descrito por la ecuación (11) para el eje X y la
ecuación (12) para el eje Y.

Ilustración 17 ecuación 11 y 12

Resultados

Finalizado el diseño del algoritmo de control, a través del proceso de sintonización y

validación por medio de simulaciones, el control adaptativo por modelo de referencia con
predictor Smith, fue implementado sobre un sistema embebido basado en un
microcontrolador de 32 bits pic32 de Microchip® sobre la plataforma Starter Kit del mismo
fabricante. Las funciones de transferencia fueron convertidas a ecuaciones en diferencia
en el dominio Z utilizando un retenedor de orden cero para su posterior programación
sobre el controlador digital, con una frecuencia de muestreo de 200 Hz, la cual se
seleccionó de acuerdo con las señales sísmicas reales que se tomaron como referencia
para reproducir sismos sobre la mesa. En la figura se observan los resultados de las
pruebas del control adaptativo cuando la señal de entrada al sistema es una secuencia
periódica de pulsos cuadrados. De acuerdo con esta figura, se pude observar que el
sistema se adapta rápidamente siguiendo al modelo de referencia, con un gamma Y de
0,0001 para el eje X y 0,0008 para el eje Y.

32
 Ilustración 18respuesta del eje x y eje y en tren de pulso

Para el diseño del modelo de referencia se estableció el parámetro de la ley de control θx

en 0,005 y θy en 0,1, así que es de esperarse que los parámetros de adaptación converjan
en estos valores, tal como lo muestra la figura 5, donde se observa claramente la
convergencia y tiempo de convergencia de los parámetros ajustables θx y θy de la ley de
control U= θ(R–Y) U = θ(R–Y) para cada eje, los cuales son regidos por el mecanismo de
adaptación. El parámetro θx converge en 0,005 y el parámetro θy converge en 0,1, lo cual
es uno de los indicadores de que el mecanismo funciona adecuadamente, haciendo que el
sistema siga al modelo de referencia.

33
 Ilustración 19 convergencia de parámetro del theta x y

A partir de los resultados anteriores se realizaron pruebas de repetitividad ante señales

sísmicas de referencia para la mesa vibradora. Los resultados presentados en la figura 6
muestran que el control adaptativo responde con un alto nivel de aproximación y
repetitividad para las diferentes pruebas realizadas sobre cada eje de la mesa. En este
caso, para analizar la aproximación entre señal deseada dada por el modelo de referencia
y la señal obtenida por la planta real, se optó por el cálculo del error medio cuadrático
normalizado (nrmse), dada en la ecuación y la medida del número de variabilidad entre las
señales utilizando el coeficiente de determinación R2 descrito en la ecuación.

34
Ilustración 20respuesta eje x y eje y en 4 prueba

35
1

La tabla 1 muestra los resultados obtenidos de las cuatro pruebas realizadas sobre la mesa
vibratoria, tomando como señal de referencia una señal sísmica, cuyos datos fueron
obtenidos del sismo ocurrido en Imperial Valley, ca, el 15 de octubre de 1979. Este sismo
se seleccionó debido a que presenta un alto contenido de componentes de baja
frecuencia acorde al ancho de banda del sistema, el cual está restringido por el retardo
propio de la mesa, y fue descargado del Center of Engineering Strong Motion Data
(cesmd)

Ilustración 21 Tabla para el eje x y eje y

(Núñez-Rodríguez, 2013)

36
 CONCLUSION

Los sistemas de control robusto ayudan a que un controlador diseñado a partir de un

modelo funcione satisfactoriamente con la planta real. Hemos podido observar las
razones por las cuales es necesario el uso de controladores adaptativos en los sistemas
físicos como por la dinámica variable de un proceso, por las características de las
perturbaciones que puede llegar a tener, optimización del diseño en ingeniería, etc. Con
este informe se logró los siguientes conceptos:

Se logro detallar los métodos de los mínimos cuadrados.

Conseguimos explicar la aproximación estocástica.
Obtuvimos el método de máxima verosimilitud.
Comprendimos la diferencia entre convergencia e identificabilidad.
Adquirimos los conocimientos sobre los diseños de controladores adaptivos.
Se logro detallar el método de Lyapunov
Se descubrió el enfoque de la sensibilidad.
Conseguimos mostrar la estructura general de los sistemas adaptivos MRAC.

37
 BIBLIOGRAFIA
2), S. d. (2022). Sistemas de Control y Proceso Adaptativo (página 2). Obtenido de
https://www.monografias.com/docs114/sistemas-control-y-proceso-adaptativo/sistemas-
control-y-proceso-adaptativo2

AEC, L. c. (2021). La convergencia industrial impulsa la innovación del sector AEC. Obtenido de
https://www.asidek.es/la-convergencia-industrial-del-sector-aec/#:~:text=La
%20convergencia%20industrial%20se%20refiere,lugar%20a%20una%20importante
%20perturbaci%C3%B3n.

business, e. (2022). esan business. Obtenido de Análisis de sensibilidad: ¿qué es y cuál es su

importancia en un proyecto?: https://www.esan.edu.pe/conexion-esan/analisis-de-
sensibilidad-que-es-y-cual-es-su-importancia-en-un-proyecto

economipedia. (2022). Obtenido de https://economipedia.com/definiciones/proceso-

estocastico.html

Francisco Rodríguez Rubio, M. J. (1996). Control adaptativo y robusto.

GIRALDO, S. A. (2022). Estabilidad por Lyapunov. Obtenido de

https://controlautomaticoeducacion.com/sistemas-dinamicos-lineales/lyapunov/

Javier Sanz-Bermejo, E. R.-L. (2022). An´alisis de identificabilidad aplicado a un sistema de.

Molinero, L. M. (2003). Qué es el método de estimación de máxima verosimilitud y cómo se

interpreta.

Núñez-Rodríguez, R. A. (2013). Control adaptativo por modelo de referencia

Tutors, V. (2022). Varsity Tutors. Obtenido de

https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/line-of-best-fit

38
39