Tcnicas de Control

INGENIERA MECATRNICA
CONTROL

Gabriela Castillo Alfaro Salvador Antonino Cern Anaya Carlos El Martnez Prez Jaime Andrs Monsivis Medina

ndice

Tcnicas de Control No Lineal Tcnicas de Control ptimo Tcnicas de Control Robusto Tcnicas de Control Difuso Tcnicas de Control Neuronal Tcnicas de Control Neuro Difuso Modos Deslizantes Redes de Petri Variables de Estado Bibliografa

p2 p3 p4 p5 p6 p7 p8 p10 p11 p12

I.

Tcnicas de Control No Lineal

El control no-lineal es el conjunto de tcnicas de anlisis y diseo para sistemas de control no lineales; un sistema de control no-lineal es aquel que tenga al menos un componente no-lineal; un componente es no-lineal si no cumple con las propiedades de homogeneidad o superposicin. [1] Los sistemas de control prcticamente siempre presentan no-linealidades inevitables, llamadas inherentes. Los siguientes son ejemplos de las no linealidades ms frecuentes: saturacin zona muerta histresis Todo-nada juego o Huelgo friccin esttica, friccin de Coulomb, etc. resorte no-lineal compresibilidad de fluido Producto de variables, raz, polinomio, funcin trigonomtrica, etc.

La presencia de alguna de estas no-linealidades puede afectar muy adversamente el comportamiento del sistema. As, la zona muerta puede producir error de rgimen estable, y la saturacin a su vez puede llevarlo a la inestabilidad.

Figura 1:- Grficas de no linealidades.

II.

Tcnicas de Control ptimo

Hay diversas formulaciones del problema de control ptimo, que varan dependiendo del criterio de optimalidad, del tipo de dominio de tiempo (continuo o discreto), de la presencia de diversos tipos de restricciones, y de qu variables estn libres. La formulacin de un problema de control ptimo requiere en general: Definir el modelo matemtico del sistema controlado Especificar el criterio de optimalidad Especificar las condiciones de contorno para el estado Describir las restricciones sobre el estado y los controles Describir cuales variables del problema estn libres.

Los mtodos numricos para la resolucin de problemas de control ptimo son esencialmente de dos tipos: directos e indirectos. En los mtodos directos, los problemas de control ptimo se discretizan y se convierten en problemas de programacin matemtica no lineal. Lo mtodos indirectos se basan en encontrar una solucin numrica de una condicin necesaria de optimalidad. En general se usa la condicin de Euler-Lagrange. El control ptimo se ha aplicado a diversos campos, como la aeronutica, el control de proceso, la robtica, la bioingeniera, la economa, las finanzas y las ciencias empresariales y contina siendo un rea de investigacin activa dentro de la teora de control. La teora de control ptimo puede ser aplicada a la planificacin de trayectorias de robots manipuladores y a la planificacin del vuelo de aviones comerciales. [2] El uso de estas tcnicas de optimizacin en sistemas de control para el diseo de trayectorias de vuelo de aviones comerciales permite un ahorro substancial de combustible que es un aspecto estratgico para las compaas areas y tiene como efecto adicional el de reducir las emisiones de CO2 muy beneficioso para el medio ambiente dado que el trfico areo es uno de los mayores responsable de las emisiones de CO2 en el mundo.

Figura 2:- Control ptimo aplicado en el diseo de trayectorias de vuelos

III.

Tcnicas de Control Robusto

El control robusto tiene una filosofa de diseo similar a la del control clsico, el cual se fundamenta en el anlisis y sntesis utilizando mtodos frecuenciales. Lo novedoso de las tcnicas de control robusto es proponer mtodos de diseo que permitan la sntesis de controladores realmente multivaribles, tomando en cuenta la incertidumbre de seal y de modelamiento. Una de las desventajas de dichas tcnicas es la alta complejidad matemtica, tanto en diseo como en implementacin, lo cual las hace poco atractivas para la industria. Hoy en da existen herramientas que facilitan la implementacin de controladores robustos en aplicaciones industriales de alta complejidad, aumentando el nmero de aplicaciones exitosas documentadas en las ltimas dos dcadas.

Figura 3:-Control Robusto (QFT) anlogo al empleado en sistemas de mxima precisin en los sectores aeronutico y espacial.

IV.

Tcnicas de Control Difuso

La incorporacin de lgica difusa a los sistemas de control da lugar a lo que llamaremos sistemas de control difuso. Dentro de los sistemas de control se encuentran dos grandes reas, el modelado o identificacin y el control propiamente dicho o control directo. [5] La idea es muy simple, se trata de determinar de manera lgica que se debe hacer para lograr los objetivos de control de mejor manera posible a partir de una base de conocimiento proporcionada por un operador humano, sin esta base no es posible desarrollar una aplicacin y que esta funcione de manera correcta. Est mtodo de control puede verse de una forma ms clara mediante un diagrama de bloques como en la Fig. 4.

Figura. 4 Diagrama representativo de un control difuso

Se utiliza el conocimiento y experiencia de un operador humano para construir un controlador que emule el comportamiento de tal persona. Comparado con el control tradicional, el control difuso tiene dos ventajas prcticas, una es que el modelo matemtico del proceso a controlar no es requerido y otra es que se obtiene un controlador no lineal desarrollado empricamente sin complicaciones matemticas, en realidad los desarrollos matemticos de este tema todava estn en su infancia [3]. Una manera resumida de mostrar que es la lgica difusa, se muestra mediante la Fig. 5.

Figura 5. Diagrama de flujo del proceso para la Lgica difusa.

A continuacin se mostrarn diferentes ejemplos en donde se puede usar la Lgica Difusa (Fig. 6).

Figura.6. Ejemplo de control difuso para un mecanismo de control

V.

Tcnicas de Control Neuronal

Las Redes Neuronales (Neural Networks) son estructuras matemticas que procuran representar la informacin en forma similar a como se estructura en nuestro cerebro. El objetivo de usar redes neuronales es disponer de un sistema que se comporte como una caja negra que pueda emular el comportamiento de un sistema. Para ello, se requiere de una etapa de entrenamiento (donde se ingresa informacin disponible del sistema procurando que la red aprenda lo que se le quiere ensear) y una de validacin (dond e se contrasta el aprendizaje de la red con otros datos disponibles del sistema que no se utilizan para el entrenamiento). Cuando la red ha aprendido, se la puede utilizar tal como si se operara con el sistema real. En el caso de Control Neuronal (Neural Control), se pueden generar datos que representen condiciones del proceso y acciones de control que lleven al sistema a los valores deseados. Incorporando esa informacin al aprendizaje de la red, podra lograrse que el sistema emule tales condiciones. Este sistema requiere que el proceso de entrenamiento incluya todo el espectro posible de situaciones a las que podra estar expuesto el sistema, ya que si se llegase presentar una condicin que no fue considerada durante la etapa de entrenamiento, no puede asegurarse que el sistema responda en la forma esperada. Por tanto, la parte ms crtica es la seleccin de datos adecuados para el entrenamiento de la red. En esta etapa se puede encontrar combinado con otras tcnicas, como es el caso de sistemas neuro-fuzzy, que emplean lgica difusa para poder establecer la seleccin de datos a utilizar en el entrenamiento. Algunas aplicaciones de control neuronal pueden encontrarse en [4].

Figura.7. Estructura de una red neuronal.

VI.

Tcnicas de Control Neurodifuso

La lgica difusa y las redes neuronales tienen propiedades computacionales particulares, lo que lo hacen ser adecuadas para resolver ciertos tipos de problemas, por ejemplo, las redes neuronales ofrecen ventajas como el aprendizaje, adaptacin, tolerancia a fallas pero no son buenas para explicar el modo en que toman sus decisiones. En cambio los sistemas difusos razonan con informacin imprecisa a travs de un mecanismo de inferencia bajo incertidumbre lingstica, son buenos para explicar sus decisiones pero no pueden tomar las reglas automaticamente. [6] Los sistemas Neuro-Difusos combinan la capacidad de aprendizaje de las redes neuro artificiales con el poder de interpretacin lingstica de los sistemas de inferencia difusos, obteniendo resultados como: Aplicabilidad de los algoritmos de aprendizaje desarrollados para redes neuronales. Posibilidad de promover la integracin de conocimiento que puede ser adquirido a travs de aprendizaje y puede ser explicado y entendido. Posibilidad de extraer conocimiento para una base de reglas difusas a partir de un conjunto de datos.

El sistema Neuro-Difuso consiste en un sistema difuso tradicional, solo que cada etapa puede ser representada por una capa de neuronas a las que se puede proveer la capacidad de aprender de redes neuronales para optimizar el conocimiento del sistema.

Figura 7. Estructura de un sistema Neuro- Difuso.

En la figura 7, cada pequeo rectngulo representa una neurona, para realizar el entrenamiento de los sistemas Neuro- Difusos de este sistema, puede ser configurada con los valores iniciales obtenidos del conocimiento al priori (primordial), y luego, sintonizados utilizando un algoritmo de entrenamiento tal como Retro-propagacin del Error, de la siguiente manera: Paso 1: Presentar una muestra de entrada, y computar la salida correspondiente Paso2: computar el error entre la salida y el valor objetivo Paso3: se ajustan los pesos de conexin y las funciones de pertenencia Paso4: si el error es mayor que la tolerancia, volver al paso 2, sino es as el entrenamiento ha finalizado.

VII.

Modos Deslizantes

En sistemas con control como una funcin de estado discontinuo, llamados modos deslizantes pueden elevarse. El control de la accin del interruptor a alta frecuencia el modo deslizante debiera ocurrir en el sistema. El estudio de los modos deslizantes abarca una amplia extensin de reas heterogneas desde problemas matemticos puros hasta aspectos de aplicacin. Los sistemas con modos deslizantes tienen capacidad para ser una herramienta eficiente para el control complejo de alto orden de plantas dinmicas no lineales que operan bajo condiciones inciertas, un problema comn para muchos procesos de tecnologa moderna. Esto explica el alto nivel de la actividad de investigacin y publicacin en el rea y el inters de prcticas de ingenieros en el control de modo deslizante durante las ltimas dos dcadas. [7]

Los modos deslizantes como un fenmeno pueden aparecer en un sistema dinmico gobernado por ecuaciones diferenciales ordinarias con lados de mano derecha discontinuos. El trmino modo deslizante apareci primero en el contexto de los sistemas relevadores. Puede suceder en el control como una funcin del interruptor de estado de sistema en alta (tericamente infinita) frecuencia; este movimiento es llamado modo deslizante. Puede ser ejecutado en el ms simple sistema relevador de primer orden con el estado variable x(t).

Figura 8. Control Relevador

Formalmente, el modo deslizante puede aparecer no solo en un sistema de control con control discontinuo sino en cualquier sistema dinmico con discontinuidades en las ecuaciones de movimiento. Por ejemplo, del lado derecho de la figura 9 es una funcin descontina del estado en el sistema mecnico simple con friccin Coulomb descrita en la figura 10 la ecuacin de movimiento es dada por. m&x&+ kx = -uf (x&) Donde x(t) es el desplazamiento, k es la rigidez del resorte y la fuerza de friccin es una funcin discontinua de la velocidad: uf =u0 sign(x) u0=const

Figura 9. Control rastreable de modo deslizante

Figura 10. Sistema mecnico con friccin Coulomb

VIII.

Redes de Petri

Las redes de Petri son una herramienta de modelado muy efectiva para la representacin y el anlisis de procesos concurrentes. [8] Tiene tres ventajas potenciales: El sistema completo es a menudo ms fcil de entender debido a la naturaleza grfica. El comportamiento del sistema puede ser analizado utilizando la teora de las redes de petri, que incluye herramientas como los arboles de marcados y establece relaciones entre ciertas estructuras de redes u el comportamiento dinmico. Es posible disear automticamente sistemas cuyo comportamiento es conocido o fcilmente verificable.

Las redes de Petri son un grafo orientado formado por: Plazas o lugares, representadas mediante circunferencias. Transiciones, representadas por segmentos rectilneos Arcos dirigidos que unen transiciones y plazas.

El ejemplo de la figura 11, representa una red de Petri, donde los testigos, si estn presentes en una plaza significa que verifican la condicin que representa esa plaza.

Figura 11. Representacin de una red de Petri.

Redes de Petri con Disparo Una transicin est habilitada si todas las plazas de entrada estn marcadas, y una transicin habilitada se puede disparar. El disparo consiste en quitar un testigo de cada plaza de entrada y aadir un testigo a las plazas de salida. Su representacin grfica se muestra en la figura 12.

10

Figura 12. Redes de Petri con disparo

IX.

Variables de Estado

La representacin en variables de estado de un proceso es sumamente til cuando se trata se sistemas de mltiples entradas y mltiples salidas, los cuales resultan complicados de tratar bajo el concepto de funcin de transferencia, una sola entrada-una sola salida. [9] Cabe destacar que una representacin de estado solamente es posible para sistemas lineales y puede expresarse en forma general para un sistema de ecuaciones diferenciales lineales de primer orden, en donde las variables de estado del sistema son las x(t), las entradas u(t) y las posibles salidas y(t) tal como de muestra a continuacin. x1(t) = f1 (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) x2(t) = f2 (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) ... xn(t) = fn (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) Relaciones que expresan las salidas en funcin de las variables del sistema y1(t) = g1 (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) y2(t) = g2 (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) ... ym(t) = gm (x1(t), x2(t), ... xn(t), u1(t), u2(t), ... un(t), t) Lo anterior puede ser expresado en forma matricial como se muestra a continuacin, en donde las matrices A, B, C y D dependern de las funciones f y g que determinan el modelo del sistema. x = Ax + Bu y = Cx + Du
11

X.

Bibliografa
[1] Control No Lineal: Introduccin, Representacin y Comportamiento. Universidad del Valle, Colombia http://www.univalle.edu.co/~automatica/Cursos/MoldelaPreg/Material/CNL1.pdf Consultado 16/02/2013 [2] Departamento de Estadstica e Investigacin Operativa Universidad Rey Juan Carlos. http://www.deio.urjc.es/controloptimo.html Consultado 16/02/2013 [3] Mark J.Willis y Ming T. Tham (1994) Advanced Process Control. Dept. of Chemical and Process Engineering. University of Newcastle. Disponible en http://lorien.ncl.ac.uk/ming/advcontrl/sect1.htm. consultado 16/02/2013 [4] Keith Sevcik (2006) An introduction to Model Reference Adaptive Control (MRAC). Consultado 16/02/2013 [5] Greg Goebel (2003) An Introduction To Fuzzy Control Systems. Documento de dominio pblico disponible en http://www.faqs.org/docs/fuzzy/. consultado 16/02/2013 [6] Control Neuro Difuso aplicado en una gra Torre, Chahuara, Quispe Jos Carlos Sistemas Neuro Difusos http://sisbib.unmsm.edu.pe/bibvirtualdata/tesis/ingenie/chahuara_qj/Cap2.pdf Consultado 16/02/2013 [7] Introduccin al Control con Modos Deslizantes, Universidad Autnoma de Mxico, Dr Leonid Fridman http://verona.fi-p.unam.mx/~lfridman/modos.php Consultado 16/02/2013 [8] Redes Redes De Petri: Definicin De Petri: Definicin, Formalizacin Y Ejecucin Consultado Universidad de Cantabria http://www.ctr.unican.es/asignaturas/MC_ProCon/Doc/PETRI_1.pdf Consultado 16/02/2013 [9] Katsuhiko Ogata, Ingeniera de control moderna, Prentice hall, 3ra edicin.

12