Control Adaptativo

Introducción al Control Adaptativo

2.1. CONTROL ADAPTATIVO

2.1.1. Efectos de las variaciones de los
parámetros del proceso.
2.1.2. Esquemas de control adaptativos.
2.2. IDENTIFICACIÓN EN LÍNEA
2.2.1. Algoritmos de mínimos cuadrados
recursivos
2.3. REGULADORES SELF-TUNING INDIRECTOS
2.3.1. Controlador self-tuning por ubicación de
polos
2.3.2. Controlador self-tuning por Ziegler-Nichols
Introducción:

En 1950 fue iniciada la investigación en control adaptativo a causa del diseño de control de piloto
automático para aviones, con dinámica variable de viento y altitud, donde el control realimentado de
ganancia constante solo funcionaba en un rango de operación, surge la necesidad de un control que
barriera el espectro del rango de operaciones, llegando a una técnica de esquema de ganancia por
rangos.

En 1960 se presentan avances en teoría de control, como descripción de espacio de estado, teoría de la
estabilidad y programación dinámica.

En 1970 realizan prueban la estabilidad de los sistemas adaptativos conocidos hasta la fecha.

En 1980 los investigadores avanzan en los conceptos de control robusto y la robustez del control
adaptativo, comienza a emplearse para uso comercial

Recientemente, los avances en control adaptativo tienden hacia los conceptos de aprendizaje y ciencia
computacionales. Por otra parte, los progresos en microelectrónica has estimulado el desarrollo del
control adaptativo, hoy en día la mayoría de los controles permiten el ajuste de parámetros de alguna
manera, siendo un tema de investigación de amplio interés.
 Los sistemas realimentados

 El control en lazo abierto esta basado en la precisión del modelo de la planta

 La trayectoria de u a y no esta completamente determinada previamente.
 La dinámica de la planta no se conoce con exactitud.
 Las perturbaciones d , son desconocidas e influyen en el comportamiento del sistema.
 y es la respuesta de u + d
 Sistemas no perturbados, no requieren lazo cerrado.
Sensibilidad en bucle abierto y cerrado

 Para un sistema a lazo abierto (OL) la función de transferencia es: G(s)

 Entonces a lazo cerrado (CL) la T(s)= G(s) / [ 1+ G(s)].
 Para el ancho de banda del sistema, 𝑇 𝑠 ≅ 1 ∴ 𝐺 𝑠 ≫1
 Sensibilidad es la variación que sufre la T(s) como consecuencia de la variación de algún
parámetro p que interviene en la misma.
% ∆ 𝑻(𝒔) 𝒅𝑻 𝒑
𝑺𝑻𝒑 = = ∗
%∆𝒑 𝒅𝒑 𝑻
 Sensibilidad en bucle abierto y cerrado
 Supongamos que algún parámetro de G(s) sufre alguna variación
por envejecimiento, desgaste, etc.
 La Sensibilidad de la T(s) a CL será:

1 𝐺 1
𝑆𝐺𝑇 = ∗ =
(1 + 𝐺)2 𝑇 1+𝐺

 Se deduce que la 𝑆𝐺𝑇 ≪ 1

 En el caso del OL, la 𝑺𝑮𝑮𝟏 = 𝟏
 La realimentación reduce la sensibilidad a la variación de los
parámetros.
 Sensibilidad

 di: perturbación de entrada.

 do: perturbación de salida.
 n: ruido en el sensor.

Las funciones de sensibilidad condensan la información

𝐺𝐶 𝐶 1 𝐺𝐶 esencial sobre el desempeño del sistema, incluyendo
𝑌= 𝑅+ 𝐷𝑖 + 𝐷𝑜 − 𝑁
1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶 seguimiento de referencias, efecto de las perturbaciones
en cualquier punto y dinámica la acción de control, todo
ello tanto desde el punto de vista estático (bajas
frecuencias) como desde el punto de vista dinámico (altas
frecuencias).
(Ignacio Diaz Blanco 2003)
Funciones de sensbilidad

𝐺𝐶 𝐶 1 𝐺𝐶
𝑌= 𝑅+ 𝐷𝑖 + 𝐷𝑜 − 𝑁
1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶
Condensan la información esencial
sobre el desempeño del sistema
1
𝑆 𝑠 = 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 La función de sensibilidad S(s)
1+𝐺𝐶 describe, por tanto, la atenuación del
𝐶𝐺 impacto de las perturbaciones que se
T 𝑠 = 1+𝐺 𝐶 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑐𝑜𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑟𝑖𝑎 obtiene mediante la realimentación.
𝐺 Para un mayor rechazo a
𝑆𝑖 𝑠 = 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑒𝑟𝑡𝑢𝑟𝑏𝑎𝑐𝑖𝑜𝑛 perturbaciones será deseable un valor
1+𝐺𝐶
𝐶 bajo de la función de sensibilidad.
𝑆𝑢 𝑠 = 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝐶𝑜𝑛𝑡𝑟𝑜𝑙
1+𝐺𝐶
Ejercicio:

Realizar un script de Matlab:

 Planta:
4
𝐺 𝑠 =
𝑠 + 1 2 (𝑠 + 2)
 Control PI: 𝐶 𝑠 = 𝑘𝑝 + 𝑘𝑖/𝑠
kp=1
ki=0,3
 Encontrar la frecuencia de cruce de sensibilidad, que es la frecuencia mas
baja con magnitud mayor a 1.
 Frecuencia de máxima amplificación de perturbaciones.
 Rechazo de perturbaciones:

 Rechazo a las perturbaciones: Capacidad de

responder ante perturbaciones en el sistema,
atenuando su efecto en la salida del mismo.
 La función de sensibilidad “S(s)” describe la
atenuación del impacto de las perturbaciones en
la realimentación.
 Frecuencia de cruce de sensibilidad: es la
frecuencia mas baja a la que S(s) tiene una
magnitud mayor a 1.
 Seguimiento de referencias:
𝐺𝐶 𝐶 1 𝐺𝐶
𝑌= 𝑅+ 𝐷𝑖 + 𝐷𝑜 − 𝑁
1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶 1 + 𝐺𝐶

𝜀 = 𝑅 𝑠 − 𝑌(𝑠)

𝐺𝐶 𝐶 1 𝐺𝐶
𝜀 =R- 𝑅 + 𝐷𝑖 + 𝐷𝑜 − 𝑁 𝑺 𝒔 =
𝟏
𝑺𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅
1+𝐺𝐶 1+𝐺𝐶 1+𝐺𝐶 1+𝐺𝐶 𝟏+𝑮𝑪

𝑮𝑪
T 𝒔 = 𝟏+𝑮 𝑪 𝑺𝒆𝒏𝒔 𝒄𝒐𝒎𝒑𝒍𝒆𝒎𝒆𝒏𝒕𝒂𝒓𝒊𝒂

𝜺 = 𝑺 𝑹 − 𝑺𝒊 𝑫𝒊 − 𝑺 𝑫𝒐 + 𝑻 𝑵 𝑮
𝑺𝒊 𝒔 = 𝑺𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒂𝒄𝒊𝒐𝒏
𝟏+𝑮𝑪
𝑪
𝑺𝒖 𝒔 = 𝑺𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒄𝒐𝒏𝒕𝒓𝒐𝒍
𝟏+𝑮𝑪
 Acción de Control
 Su, describe el comportamiento de la acción de control en función de la
referencia, r(t), perturbación de salida do y el ruido en el sensor n, e
indirectamente en la perturbación en la carga di.

𝑈 = 𝑆𝑢 𝑅 − 𝐷𝑜 − 𝑁 − 𝑇 𝐷𝑖

𝑇 Accion de Control
𝑆𝑢 = = 𝐶 𝑆 50
𝐺
GGs

Magnitude (dB)
0 Ts
 Incrementar el ancho de banda eleva -50
la acción de control en el rango de
frec amplificadas
-100

-150
0
)
Ejercicio análisis de acciones P, PI, PD
2
𝐺 𝑠 =
𝑠+1 𝑠+2

𝑘𝑖
𝐶 = 𝑘𝑝 + + 𝑘𝑑 𝑠
𝑠

Kp Ki kd
P 1 0 0
PI 1 1,5 0
PD 1 0 1
Control Adaptativo
 Adaptativo: cambiar el comportamiento conforme a nuevas
circunstancias.

 Un regulador adaptativo puede modificar su comportamiento en

respuesta a cambios en la dinámica del sistema y a las perturbaciones.
(similar al CL).

 Es una solución en tiempo real al problema de diseño cuando hay

parámetros desconocidos.

 Existe un bucle de control en el que se compara un índice de

funcionamiento.
Esquema típico:
Lazo rápido.
CL ordinario

Lazo lento.
Cambios en los
parámetros
Adaptativo de bucle abierto
Cambio por tabla.
El controlador se puede
cambiar rápidamente.
La construcción de las tablas
puede ser laboriosa.
Ej: Actuador no lineal

𝑣 = 𝑓 𝑢 = 𝑢4 ; 𝑢>0

1 Construir el modelo en simulink y probar con

𝐺0 𝑠 =
(𝑠 + 1)3 escalones de 1 hasta 4.

1 Control tipo tabla para linealizar el

𝐺𝑐 𝑠 = 𝐾 1 + actuador.docx
𝑇𝑖 𝑠
actuador_no_lineal_1.slx
𝐾 = 0.15 ; 𝑇𝑖 = 1.0
¿Por que usar un control adaptativo?
 Los controles convencionales están preparados para controlar sistemas
de parámetros constantes. === >> Punto de operación fijo.

 Si las perturbaciones son pequeñas, en general siguen funcionando.

 Si cambia el punto de operación, NO.

 Dado que un controlador adaptativo es un sistema no lineal en el que

es necesario ajustar una serie de parámetros, es importante explorar
bajo que circunstancias es insuficiente utilizar un controlador fijo y
será necesario un controlador adaptativo.
Tipos de controles adaptativos
 Tipos de control adaptativo:
 Modelo de referencia (MRAC).
 Intentan alcanzar, para una señal de entrada definida, un comportamiento en CL dado por
un modelo de referencia.
 Rápida adaptación, Simplicidad de estabilización.
 No se adapta convenientemente si la señal de entrada es pobre.

 Regulador autoajustable (STR).

 Tratan de alcanzar un control óptimo, sujeto a un controlador y a obtener información del
proceso y sus señales.
 Se adapta para cualquier caso, en particular para perturbaciones no medibles.

 Regulador por tabla de controladores (gain Scheduling):

 Realimentación no lineal que cambia los parámetros en función del punto de operación.
Identificación de parámetros en línea.
 Una buena identificación lleva a un buen control.
 Proceso de determinar un conjunto de ecuaciones diferenciales o en
diferencias, o los parámetros de tales ecuaciones, que describen el proceso
físico, de acuerdo a un determinado criterio.
 Modelo físico y modelo de perturbaciones.
 Tan simple como sea posible.
 Puede ser en línea o con un archivo guardado.
 Tareas:
 Estudio Experimental.
 Formulación del criterio.
 Selección del modelo
 Estimación de parámetros
 Validación.
Identificación de parámetros en línea.

 Método de mínimos cuadrados:

 Consiste en buscar los parámetros desconocidos de tal
forma que la suma de los cuadrados de las diferencias
entre los valores observados y calculados,
multiplicados por un numero que mide le grado de
precisión, sea un mínimo.
 Los valores calculados deben ser funciones lineales de
los parámetros desconocidos.
Identificación por mínimos cuadrados:
 Si el sistema es determinista, sin ruido ni perturbaciones:

𝑦 𝑘 + 𝑎1 𝑦 𝑘 − 1 + ⋯ 𝑎𝑛 𝑦 𝑘 − 𝑛 = 𝑏1 𝑢 𝑘 − 𝑑 − 1 + 𝑏2 𝑢(𝑘 − 𝑑 − 2) + ⋯ + 𝑏𝑛 𝑢(𝑘 − 𝑑 − 𝑛)
O en forma vectorial:
𝑦 𝑘 = 𝜑𝑇 𝑘 ∗ 𝜃

𝜑𝑇 𝑘 = −𝑦 𝑘 − 1 , −𝑦 𝑘 − 2 … , −𝑦 𝑘 − 𝑛 , 𝑢 𝑘 − 𝑑 − 1 , 𝑢 𝑘 − 𝑑 − 2 … 𝑢(𝑘 − 𝑑 − 𝑛)

𝜃 𝑇 𝑘 = (𝑎1, 𝑎2, … , 𝑎𝑛, 𝑏1, 𝑏2, … . 𝑏𝑛)

Si el caso es no determinista, afectado por ruidos y perturbaciones:

𝑦 𝑘 = 𝜑𝑇 𝑘 ∗ 𝜃መ + 𝑒(𝑘)

ො 𝑘ൗ𝑘 − 1)
𝑒 𝑘 = 𝑦 𝑘 − 𝑦(
ො 𝑘Τ𝑘−1)
𝑦(
Si el caso es no determinista, afectado por ruidos y perturbaciones:

𝑦 𝑘 = 𝜑𝑇 𝑘 ∗ 𝜃መ + 𝑒(𝑘)

ො 𝑘Τ𝑘−1)
𝑦(

ො 𝑘ൗ𝑘 − 1)
𝑒 𝑘 = 𝑦 𝑘 − 𝑦(

El método de mínimos cuadrados consiste en minimizar el cuadrado del error

𝐽 = ෍ 𝑒𝑘2 = ෍(𝑦 𝑘 − 𝜑𝑇 (𝑘)𝜃)2

𝑘 𝑘
1. Se Inicializan las matrices de ganancias "L" y de covarianza "P“ , tita y el error.

෡
𝑷 𝒌 ; 𝜽(𝒌)
𝑳 = zeros(6,1);
P = 1e20*eye(6);
෡ = [0.1 ; 0.1 ; 0.1 ; 0.1 ; 0.1 ; 0.1];
𝜽
e = 0;

2. Se Obtiene la matriz Fi traspuesta, Fi debe ser columna.

𝝋𝑻 𝒌 = [−𝒚 𝒌 − 𝟏 , 𝒚 𝒌 − 𝟐 , − 𝒚 𝒌 − 𝟑 , 𝒖 𝒌 , 𝒖 𝒌 − 𝟏 , 𝒖 𝒌 − 𝟐 ]

3. Se Calcula el error a priori.

෡
𝒆 𝒌 + 𝟏 = 𝒚 𝒌 + 𝟏 − 𝝋𝑻 𝒌 + 𝟏 𝜽(𝒌)
4. Se Calcula la matriz de ganancias L:
𝑷 𝒌 𝝋(𝒌 + 𝟏)
𝑳 𝒌+𝟏 =
𝟏 + 𝝋𝑻 𝒌 + 𝟏 𝑷(𝒌)𝝋(𝒌 + 𝟏)
5. Se calcula el tita estimado:
෡ 𝒌+𝟏 =𝜽
𝜽 ෡ 𝒌 + 𝑳 𝒌 + 𝟏 𝒆(𝒌 + 𝟏)
6. Se Actualiza la matriz de covarianza. Se puede adicionar un factor de
olvido “c” entre 0,98 y 1.
𝑷 𝒌 + 𝟏 = [𝑰 − 𝑳 𝒌 + 𝟏 ∗ 𝝋𝑻 𝒌 + 𝟏 ]𝑷(𝒌)*1/c
7. Se Estima la salida “y” con los parámetros estimados tita.
෡
ෝ =𝝋∗𝜽
𝒚
8. Estimación del error.
ෝ(𝒌)
𝒆 𝒌 = 𝒚(𝒌) − 𝒚
9. Se Repite el proceso desde el punto 2.
Ver: Estimacion_min_cuad.m
Regulador MRAC
 Características generales, Diseño.
 Método del Gradiente (Regla del MIT)
 Método de Lyapunov.
Regulador MRAC
 Whitaker 1958.

 El mecanismo de adaptación
mira la salida “yp” y la
compara con la salida del
modelo de referencia “ym”.
 El Mecanismo de adaptación,
ajusta los parámetros del
controlador, para llevar a cero
el error ym-yp.
MRAC, Regla MIT
 Año 1958 por Whitaker del M.I.T., Instrumentation Laboratory .
 Tambien llamada regla del Gradiente.
 Los parámetros del proceso pueden ser desconocidos y variables.
 El mecanismo de adaptación o ajuste mira la salida de la planta y la salida
del modelo de referencia y calcula los parámetros adecuados de forma que la
diferencia entre ambas o error de seguimiento (tracking error) tienda a cero.
 Puede utilizar, además de las señales de salida de la planta y del modelo de
referencia,
 las señales de entrada,
 de referencia
 y las variables de estado de la planta.
 MRAC, Regla MIT

 Controlador primario: cumple la función de

que sea posible que el conjunto planta y
controlador puedan reproducir el modelo de
referencia.
 Modelo de referencia: especifica el
comportamiento deseado a lazo cerrado. Se
tiene que elegir un modelo conservador para
que sea sensible a la dinámica de la planta.
 Ley de control: o ley de adaptación. Es la
parte más importante del control adaptativo
porque garantiza la estabilidad del conjunto
del sistema.
MRAC, Regla MIT.
Características:
 Pocos conocimientos de control, conceptos intuitivos y sintonizado
relativamente sencillo.
 Se puede utilizar para controlar una gran cantidad de procesos, tanto
sencillos como complejos; incluyendo sistemas con tiempos de retardo
grandes y sistemas de fase no mínima.
 Se puede aplicar al caso multivariable.
 El controlador resultante es una sencilla ley de control lineal.
 Su extensión para tratar el caso con restricciones es conceptualmente sencilla
y puede ser incluida durante el diseño.
 Es muy útil cuando las referencias futuras son conocidas.
 Es una metodología abierta.
MRAC, Regla MIT.
Lazo de Adaptacion

Modelo de ym

Referencia

-
Mec de e

Ajuste
+
Parámetros del
Regulador: tita

r
u y
Regulador Planta

Lazo de Control
MRAC, Regla MIT.
Procedimiento:
 𝑒 = 𝑦 − 𝑦𝑚 ⇒ 0
 índice de funcionamiento :
1 2
𝐽 𝜃 = 𝑒
2
 𝜃 es el parámetro a ajustar para que J sea minimizada.
𝑑𝜃 𝑑𝐽 𝑑𝑒
 = −𝛾 𝑔𝑟𝑎𝑑 𝐽 = −𝛾 = −𝛾𝑒
𝑑𝑡 𝑑𝜃 𝑑𝜃
Sensibilidad derivativa
nos dice cuanto el error es influenciado
por el parámetro ajustable.
Desarrollo un parámetro

Definimos el error.

Aplicamos el operador derivada:

Desarrollo un parámetro
Ejercicio

K=1;
Km=3;
sistema=tf(K*[1],[10.5]);
• Entrada escalón (Step). modelo=tf(Km*[1],[1 0.5]);
• Senoidal (Sine Wave). (1/8 Hz) gamma=1;
• Pulsos (Pulse generator). gamma=0.4;
• Señal aleatoria (Random Number). gamma=0.1;
MRAC, Regla MIT.
Procedimiento 2 parámetros:
MRAC, Regla MIT.
Procedimiento 2 parámetros:
 Se procede con el calculo de las derivadas parciales
MRAC, Regla MIT.
Procedimiento 2 parámetros:
𝑎𝑚 + 𝑎
𝜃2 = → 𝜃2 𝑏 + 𝑎 = 𝑎𝑚
𝑏
𝛾′
𝛾=
𝑏
 MRAC, Regla MIT.
Procedimiento 2 parámetros:
Recapitulando, obtenemos:

Recordando la ley de control:

 Estabilidad de Lyapunov
1892, Lyapunov, un matemático e ingeniero ruso, estableció las bases de la
teoría que hoy lleva su nombre, formuló de manera precisa el concepto de
estabilidad. ¿cuál será el movimiento que ejecuta la
no asintótica bolita si la sacamos “un poco” de su
estado de equilibrio y la soltamos?
 Estabilidad de Lyapunov
El análisis de estabilidad se realiza sobre sistemas libres, (u=0).
Un punto o estado de equilibrio (xe), es un punto del espacio de estados tal que, si lo
tomamos como medición inicial, nos mantenemos en él indefinidamente, siempre que
dejemos libre al sistema, es decir, sin acciones externas.

J es el Jacobiano, hay que encontrar los autovalores

del sistema linealizado. El equilibrio del sistema no
lineal es:
Asintóticamente estable si todos los autovalores
están en SPI o son negativos.
Inestable, si uno o más de sus autovalores están en
SPD o son positivos.
Solamente estable para autovalores en SPI y uno o
más autovalores sobre el eje imaginario.
Solamente permite analizar la estabilidad local del
sistema, es decir en la vecindad del punto de equilibrio.
Estabilidad de Lyapunov.
Ejemplo:

Tiene dos polos en SPI, entonces el

sistema es asintóticamente estable en x=0.
 Estabilidad de Lyapunov.
Ejemplo: Ejem1
function dx = ejem1func(t,x)
dx = zeros(2,1);
dx(1) = 3*x(1)-1*x(2);
dx(2) = 5*x(1)+3*x(2);
% Análisis del ejemplo Nº1
clear all;
clc;
% Intervalo de tiempo:
ti = 1; % Instante inicial:
tf = 160; % Instante final:
%Condiciones iniciales:
x(1) = 2;
x(2) = 1;
[t,x] = ode45(@ejem1func,[ti tf],[x(1); x(2)]);
figure(1)
plot(t,x(:,1),t,x(:,2))
title('Solución del ejemplo Nº1');
xlabel('tiempo t');
ylabel('solución x');
legend('x_1','x_2')
grid
figure(2)
plot(x(:,1),x(:,2))
title('Retrato de fase');
xlabel('x1'); ylabel('x2');
grid
A = [3 -1;5 3]; %Jacobiano
eig(A)
MRAC, Método Lyapunov.
Si existe un sistema con variables de estado x con las siguientes propiedades:

𝑉 𝑥 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑒𝑛 𝑥

𝑉 𝑥 >0 𝑝𝑎𝑟𝑎 𝑥 ≠ 0 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑎.

𝑉 0 =0

𝑉 𝑥 → ∞ 𝑝𝑎𝑟𝑎 𝑥 → ∞
Método de Lyapunov.

Entonces el sistema es estable en el sentido de Lyapunov con respecto a

las variables x en aquella región del espacio de estado en el cual:
𝑉ሶ 𝑥 ≤ 0 𝑝𝑎𝑟𝑎 𝑥 ≠ 0 𝑠𝑒𝑚𝑖𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎.
El sistema es asintóticamente estable en el sentido de Lyapunov con
respecto a las variables de estado x en aquella región del espacio de
estado en el cual:
𝑉ሶ 𝑥 < 0 𝑝𝑎𝑟𝑎 𝑥 ≠ 0 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎.
El sistema es inestable si:

𝑉ሶ 𝑥 > 0 𝑝𝑎𝑟𝑎 𝑥 ≠ 0 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑎.

1. Encontrar la ecuación de error: (yp-ym).
2. Encontrar una función de Lyapunov como función del error entre las señales y del error de
los parámetros:∅ = 𝜃መ − 𝜃 En su forma mas simple:

𝑽 = 𝒆𝑻 𝑷 𝒆 + ∅𝑻 𝜞−𝟏 ∅
Donde 𝑃 𝑦 Γ −1 deben ser definidas positivas.
3. Calcular la derivada de la función de Lyapunov. Debe ser definida negativa:

𝑉ሶ = −𝑒 𝑇 𝑄𝑒 + 𝑎𝑙𝑔𝑢𝑛𝑜𝑠 𝑡𝑒𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝜙

La matriz Q debe ser definida positiva.
Las matrices P y Q para un sistema gobernado por la matriz A están relacionadas:

−𝑸 = 𝑨𝑻 𝑷 + 𝑷 𝑨
4. Haciendo el termino extra igual a cero se obtiene la ley de adaptación:

𝜽ሶ = −𝜞 𝜺 𝝃
ε esta directamente relacionada con el error e y ξ es una versión modificada del
vector de señales.
 Obtenemos la derivda de la salida

Definimos los siguientes parámetros para que el error tienda a cero

Obtenemos la derivada del error

Encontrar la función candidata
 Metodo de Lyapunov.
 Correr:
 MRAC_Lyapunov_m.m
 MRAC_Lyapunov.slx

clc;
clear;

b=2;
sistema=tf([b],[1 1]);

modelo=tf([1],[1 1]);
%gamma=-1;
gamma=-0.5;
%gamma=-0.1;
3.1. CONTROL AUTO-TUNING
3.1.1. Técnicas de Auto-tuning
3.1.2. El método del realimentación de relé
3.1.3. Auto-sintonización de un controlador PID
3.2. EL CONTROLADOR POR PLANIFICACIÓN DE GANANCIAS.
3.2.1. Diseño de un Controlador (Gain-Scheduling)
3.2.2. Aplicaciones de “Gain-Scheduling”