INDICE

1.-INTRODUCCION__________________________________________ _____ 2 2.-OBSERVACION DE UNA SEAL__________________________________ 3 3.-FILTRO DE KALMAN___________________________________________ 3 3.1 Filtro de Kalman con filtrado____________________________________ 6 3.2.- Paso 1: Prediccin Extrapolacin Estimacin __________________ 7 3.3.- Paso 2: Innovacin Actualizacin Correccin __________________8 4.-INICIACION DEL ALGORITMO____________________________________10 5.-ESTIMACIN DE LA VELOCIDAD DE UN MOTOR DE INDUCCIN UTILIZANDO MTODO EXTENDIDO DE KALMAN______________________11 5.1.-Modelo de la mquina de induccin_____________________________ 12 5.2.- Implementacin del filtro______________________________________15 6.-CONCLUSION_________________________________________________21 6.1.-Ventajas 6.2.-Desventajas 21 21

1.-INTRODUCCION Es de inters en el mundo del control automtico poder modelar un proceso y que en dicho modelo queden reflejadas, explcitamente todas las todas las variables que intervienen en su dinmica. La forma ms popular que cumple con esta condicin es la llamada representacin en variables de estado. Otra inquietud que surge una vez obtenido este modelo es el poder obtener informacin de la dinmica del proceso sin necesidad de medir todas las variables, sino que, haciendo uso del conocimiento de su dinmica poder inferir u observar algunas de ellas. El tercer problema surge cuando intentamos utilizar este modelo con mediciones contaminado por algn tipo de incertidumbre. Estos tres conceptos se abordan con la llamada estimacin estadstica de seales y su versin ms conocida es el Filtro de Kalman que pretendemos abordar en este espacio. El tratamiento de este tpico est ligado a dos aspectos del control: por un lado a la observacin o estimacin de estados internos de un sistema y por otro a esta misma observacin cuando las mediciones estn contaminadas por algn tipo de perturbacin.

2.-OBSERVACION DE UNA SEAL La forma ms comn de expresar un sistema o modelo de una planta es por su relacin entrada-salida forma que en muchos casos es suficiente y ofrece buenos resultados. Por ejemplo un motor podra quedar expresado como una funcin de transferencia que vincula la tensin de armadura, su entrada, con el ngulo girado por su eje, siendo sta su salida. De esta forma expresado el modelo del sistema resulta cmodo pero adolece de algunas limitaciones: por ejemplo no podemos inferir de l nada acerca de la corriente del motor o su velocidad. Para subsanar este inconveniente se ha pensado en expresar los sistemas de otra manera llegando as a la llamada representacin en variables de estado en donde quedan explicitadas las variables internas del sistema.

3.-FILTRO DE KALMAN El filtro de Kalman es un algoritmo utilizado para poder observar el estado oculto (no se puede medir) de un sistema dinmico lineal. Sirve adems cuando el sistema est sometido a ruido blanco aditivo. El filtro de Kalman es capaz de escoger la ganancia K de retroalimentacin de forma ptima cuando se conocen las varianzas de los ruidos que afectan al sistema. El filtro es un procedimiento matemtico que opera por medio de un mecanismo de prediccin y correccin. El algoritmo pronostica el nuevo estado a partir de su estimacin previa agregando un trmino de correccin proporcional al error de prediccin, de manera de minimizar dicho error estadsticamente. Dentro de la notacin estado-espacio, la derivacin del filtro de Kalman se sostiene en el supuesto de normalidad del vector de estado inicial y de las perturbaciones del sistema. De tal forma que es posible calcular la funcin de verosimilitud sobre el error de prediccin con lo cual se lleva a cabo la estimacin de los parmetros no conocidos del sistema. En el procedimiento de estimacin el modelo es formulado en estado-espacio y para un conjunto inicial de parmetros dados, los errores de prediccin del modelo son generados por el filtro y son utilizados para evaluar recursivamente la funcin de verosimilitud hasta maximizarla.

El algoritmo de Kalman es ptimo porque minimiza un criterio determinado y porque incorpora toda la informacin que se le suministra para determinar el filtrado. Recursivo porque no precisa mantener los datos previos, lo que facilita su implementacin en sistemas de procesado en tiempo real. Por ltimo, algoritmo de procesado de datos, ya que es un filtro, pensado para sistemas discretos. El objetivo del filtro de Kalman es estimar los estados de una manera ptima, de manera que se minimiza el ndice del error cuadrtico medio. Un sistema lineal se puede representar as:

Figura 1. Sistema lineal De manera que su evolucin es expresada en espacio de estados por: x(k+1) = Ax(k) + Bu(k) + v(k) y(k) = Cx(k) + w(k) Siendo: x(k) Estado. y(k) Salida u observacin del sistema. w(k) proceso estocstico asociado a la medida. v(k) proceso estocsticas asociado al sistema. A, B, C matrices determinsticas que definen la dinmica del sistema

Se deben asumir las condiciones siguientes:

Las matrices de covarianza Q(k) y R(k) son diagonales y por tanto simtricas. En el sistema real podremos observar el valor de y(k) de manera directa con los sensores adecuados. Esta medida incorporar una serie de incertidumbres asociadas: la incertidumbre del sensor y la del sistema. Por otro lado solo podremos acceder al valor y(k). En caso de necesitar la evolucin completa del estado x(k) y/o de precisar el valor de la observacin ajena a las variaciones provocadas a la incertidumbre, tendremos que estimar de alguna manera indirecta sus valores. El filtro de Kalman propone un mtodo para obtener un estimador ptimo del estado. Si suponemos que x(k) es la estimacin en el instante k del estado. El filtro de Kalman buscar obtener ese valor de estimacin de manera que se minimice el error cuadrtico medio. Definiendo el error como la diferencia entre el valor real del estado y la estimacin: e(k) = x(k) - x(k) [1] El objetivo por tanto ser minimizar P(n) = E{e(n).eT(n)} [2] A la matriz P(n) se la conoce como matriz de covarianza del error. Dependiendo del valor que tome n en [2], tendremos distintas representaciones del filtro de Kalman:

Si n = k+1, el filtrado ser de prediccin. Si n = k, el filtrado ser de alisado.

Figura 2. Grafica prediccin y filtrado.

3.1 Filtro de Kalman con filtrado: El objetivo consiste en determinar los valores de x(k) conocidas las medidas contaminadas y(0),y(1),,y(k) para que P(k) sea mnima, o visto desde otro punto de vista, el objetivo es determinar los valores de x(k +1) a partir de las medidas Contaminadas de la observacin y(k +1) para que la matriz P(k +1) sea mnima. El filtrado de x(k +1) propuesta por Kalman y Bucy, se realizar a partir del estado Anterior y de un factor de correccin que ser funcin del error. El algoritmo tiene dos pasos que son ejecutados de forma iterativa. Prediccin: Antes detener la medida y(k+1) y Correccin o actualizacin del estado.

En la siguiente figura se puede ver el proceso de clculo:

3.2.- Paso 1: Prediccin Extrapolacin -Estimacin Calculamos una prediccin del estado x(k+1),lo notaremos como x(k+1).El valor de la prediccin es calculado a partir del valor ms actualizado del estado (posteriormente veremos que es el estado corregido en la parte final del algoritmo) x'( k+1)=Ax (k)+u (k) [3]

Predecimos el valor de la matriz de covarianza del error previo a la medida P(k+1) (recordamos que estamos haciendo una previsin del estado). Como se indic en [2], el error estar definido por: e(k+1)=x(k+1)x(k+1).[4] Por tanto e(k+1) en esta etapa de prediccin vale: e'(k+1)=Ax (k)+Bu (k)+v(k)Ax (k)Bu (k) T P'(k+1)=E {[A(x(k)x (k))+v( k)][ A(x(k)x ( k))+v(k)] }

Operando: T P'(k+1)=E {[A(x(k)x (k)][A(x( k)x (k)] }+E {v(k)v(k)T }

E {v(k)v(k)T} Se define como la matriz de covarianza asociada al proceso: Q(k)

Queda por tanto: P'(k+1)=AP(k)A T +Q(k) [5]

3.3.- Paso 2: Innovacin Actualizacin - Correccin. Decamos antes que el valor del estado se va a calcular a travs del estado anterior y de una correccin que es funcin del error. Esto es: x(k +1)=x'(k +1) + K(k +1)[y(k +1) -Cx'(k +1)] Siendo el factor de correccin: K(k +1)[y(k +1) -Cx'(k +1)] Y: y(k+1) es el ltimo valor observado. x(k+1) es el valor ms actualizado disponible del estado (calculado en la fase de prediccin. Buscaremos el valor de K(k+1) para conseguir un valor ptimo de x(k +1) tal que la matriz de covarianza del error sea mnima. Volviendo a definir el error a partir de [1]: e(k +1) = x(k + 1) - x(k + 1) Substituyendo: e(k +1) = x(k +1) - x'(k +1) - K[y(k +1) -Cx'(k +1)] La observacin y(k+1)tiene el valor y(k +1) = Cx(k +1) + w(k +1) Por tanto: [6]

e(k +1) = x(k + 1) - x' (k + 1) - KCx(k + 1) - Kw(k + 1) + KCx' (k +1) Agrupando: e(k +1) = [I - KC](x(k +1) - x' (k +1)) - Kw(k + 1) As pues, segn [2]:

Anteriormente ya calculamos que:

Por lo que:

Si Llamamos P1 a P(k+1) y P(k+1) = P:

Diferenciamos respecto a K para obtener el mnimo de la expresin e igualamos a cero

Es decir:

Se puede comprobar que es el mnimo a travs del Hessiano. Substituyendo [8] en [7]:

4.-INICIACION DEL ALGORITMO: Para iniciar el algoritmo es necesario conocer las siguientes condiciones de contorno: Un valor inicial del estado: x(0). El valor de la matriz de covarianza del error, que para P(0). Podemos asumir que P(0) = Q. Y los valores de las matrices de covarianza asociadas al sistema y a la medida: Q y R.

Resumiendo, el algoritmo tiene los siguientes pasos: En la iteracin k: 1 Prediccin:

2 Correccin:

Ntese que el concepto de filtrado es debido a que los valores del estado ptimo x(k +1) y de la observacin se producen en el mismo instante. 5.-ESTIMACIN DE LA VELOCIDAD DE UN MOTOR DE INDUCCIN UTILIZANDO MTODO EXTENDIDO DE KALMAN Los controladores del motor de induccin hoy en da son los ms utilizados en los accionamientos elctricos industriales, principalmente por su robustez y relacin torque / Corriente mayor, poco mantenimiento, etc. El control ms utilizado en los motores de induccin es el control vectorial que consiste en llevar el comportamiento del motor de induccin a un modelo de mquina de corriente continua, es decir, poder controlar en forma separada la corriente de armadura y la corriente de campo. Cuando es utilizado este control se requiere tener el conocimiento exacto de la posicin del flujo del rotor (flujo de referencia ms utilizado) y por lo tanto se debe disponer de la velocidad o posicin del eje del rotor. Para la medicin de esta velocidad se utilizan gran cantidad de sensores tales como taco generadores, foto sensores, etc., los cuales necesitan ser ubicados en el eje o cerca de l generando desventajas de alineacin, mantenimiento, muestreo, etc., que disminuyen entre otras, la confiabilidad y robustez del controlador. Es as como se crea el control sin sensor, el cual proporciona una estimacin de la velocidad y posicin del eje del rotor mejorando las desventajas mencionadas anteriormente. Diversos controladores sin sensor han sido aplicados, siendo los ms importantes los que utilizan los Modelos de Sistemas Referenciales Adaptativos que presentan problemas de estimacin a bajas velocidades debido principalmente a las variaciones sufridas en la constante de tiempo del rotor,

mtodos basados en Inteligencia Artificial, utilizando principalmente redes neuronales que han presentado respuestas de estimacin aceptables, pero que presentan problemas cuando suceden cambios bruscos de velocidad y tambin tienen la desventaja que necesitan ser entrenadas en operacin off-line del motor. Un mtodo que ha tenido aceptacin, es el Filtro Extendido de Kalman que pertenece a la familia de filtros adaptativos de estimacin de mnima varianza, porque minimiza la varianza del error estimado de cada variable de estado. El funcionamiento ptimo se obtiene cuando son utilizados los valores reales de las matrices de covarianza, del ruido de medicin y del ruido del sistema.

5.1.-Modelo de la mquina de induccin. El modelo del motor de induccin en coordenadas del estator puede ser escrito de la siguiente forma:

Donde ids e iqs son las corrientes del estator de eje directo y eje en cuadratura respectivamente, lrd y lrq son los enlaces de flujo del rotor en el eje directo y eje en cuadratura respectivamente, wr es la velocidad del rotor, usd usq son las tensiones del estator en los ejes directo y cuadratura, Lr y Rr son las impedancias y resistencias del rotor, M la inductancia mutua, Tr la constante de tiempo del rotor, Rs es la resistencia del estator y s1 es el factor de enlace total.

La salida del sistema se escribe de la forma:

El Filtro de Kalman es una herramienta que permite estimar las variables de estado cuando el sistema presenta ruidos aditivos de medicin y de sistema. La implementacin del Filtro de Kalman se basa en sistemas que puedan ser escritos en variables de estado de la siguiente manera:

Donde, G(t) es la matriz de peso del ruido del sistema, v1(t) es la matriz del ruido del sistema y v2(t) es la matriz de ruido de medicin. Estas matrices se asumen estacionarias, blancas y gausianas, es decir, con medida cero y covarianza conocida. El Filtro extendido de Kalman es una particularizacin del filtro lineal para sistemas de segundo orden que puedan ser linealizados en un punto de operacin, como se realizar en el sistema de control del motor de induccin. Este algoritmo puede expresarse de la siguiente forma para un sistema en variables de estado en la forma discreta:

Entonces es necesario conocer las matrices Y, G y H y tambin los valores de las matrices de covarianza del ruido del sistema y de medicin Q y R.

5.2.- Implementacin del filtro. La ecuacin 1 muestra como la velocidad del rotor wr est presente en dicha matriz como un parmetro. La idea del algoritmo es que esta matriz pueda ser aumentada con la velocidad de manera que la velocidad del rotor sea un parmetro y una variable de estado. Por lo tanto la ecuacin 1 aumentada y discretizada ser:

Donde kt es el tiempo de muestreo. La funcin F ser:

Con las ecuaciones ajustadas para la aplicacin del Filtro de Kalman Extendido y con los valores de las matrices de covarianza del ruido de sistema y de medicin, se obtienen los resultados que se presentan a continuacin.

Con estos datos se procede a simular el motor de induccin con control vectorial con las siguientes respuestas:

Figura 3. Control vectorial del motor de induccin. La figura 1 muestra un esquema del control vectorial, donde las tensiones y las corrientes del estator junto con la medida de velocidad son informaciones necesarias para la operacin del control. En la figura 2 se presenta la corriente del estator Isd que es mantenida constante durante toda la aplicacin del control, tal como lo establece el mtodo de control

vectorial cuando se varia la velocidad por debajo de la nominal, es decir, velocidad para frecuencia nominal, normalmente de 50 Hz. En la figura 3 se aprecia el comportamiento de la corriente Isq encargada del control de la corriente del torque electromagntico. Por ltimo, en la figura 4, se observa la velocidad real y estimada y puede concluirse entonces que el control funciona correctamente.

Figura 4. Corriente del estator Isd.

Figura 5. Comportamiento de la corriente Isq.

Figura 6. Velocidad del motor. Con el control funcionando correctamente se elimina el sensor de velocidad y se implementa el Filtro de Kalman Extendido, para estimar la velocidad del motor de induccin. Los valores iniciales de las matrices G, R, Q son:

Los resultados de la velocidad estimada comparada con la velocidad real son mostrados en la figura 5.

Figura 7. Velocidad del motor estimada y real.

La figura 5 muestra como el filtro intenta estimar correctamente la velocidad del motor, utilizando valores iniciales puestos en forma aleatoria. Con valores obtenidos en [19] por ensayos de prueba y error, se introducen de nuevo en el algoritmo obtenindose nuevos resultados. Estos son:

Con los valores G, Q y R modificados, la respuesta obtenida por el algoritmo muestra una estimacin aceptable (figura 6), corroborando que aunque los dems valores se mantienen casi iguales al caso anterior, el efecto del cambio de los valores de R afectan el desempeo del algoritmo.

Figura 8. Velocidad del motor estimada y real.

6.- CONCLUSION. En el presente informe se trat de resumir y explicar de manera general y a modo de ejemplo el filtro de Kalman, explicando algunas de sus variantes y ecuaciones ms usadas. Tambin podemos decir que en la aplicacin a motores el filtro de Kalman permite excluir (en el caso del control vectorial) un sensor de velocidad en el eje de la maquina estimando de manera analtica el flujo y la velocidad. A modo de conclusin podemos rescatar las principales ventajas y desventajas que posee esta herramienta de estimacin comparndolas entre si y comentando acerca de las virtudes del filtro. Estas se muestran a continuacin. 6.1. - VENTAJAS Evita la influencia de posibles cambios estructurales en la estimacin. La estimacin recursiva parte de una muestra inicial y actualiza las estimaciones incorporando sucesivamente una nueva observacin hasta cubrir la totalidad de los datos. Lo anterior lleva a que la estimacin ms reciente de los coeficientes est afectada por la historia lejana de la serie, lo cual en presencia de cambios estructurales podra sesgarla. Este sesgo se puede corregir con las estimaciones secuenciales pero al costo de un mayor error estndar. As el filtro de Kalman, como los mtodos recursivos, utiliza toda la historia de la serie pero con la ventaja de que intenta estimar una trayectoria estocstica de los coeficientes en lugar de una determinstica16, con lo cual soluciona el posible sesgo de la estimacin ante la presencia de cambios estructurales. El filtro se distingue por su habilidad para predecir el estado de un modelo en el pasado, presente y futuro, aun cuando la naturaleza precisa del sistema modelado es desconocida. La modelacin dinmica de un sistema es una de las caractersticas claves que distingue el mtodo de Kalman. Los modelos lineales dinmicos son modelos con una transicin lineal desde un periodo al prximo, los cuales pueden describir la mayora de los modelos comnmente utilizados en trabajos de series de tiempo. 6.2. - DESVENTAJAS Entre las desventajas del filtro se menciona que requiere condiciones iniciales de la media y varianza del vector estado para iniciar el algoritmo recursivo. Sobre la forma de determinar estas condiciones iniciales no existe acuerdo. Por ejemplo, en un enfoque bayesiano este filtro requiere que se especifiquen a priori valores de los coeficientes iniciales y de sus respectivas varianzas. Una forma puede ser obtener esa informacin a partir de la estimacin de un modelo similar al deseado pero con coeficientes fijos para un subperiodo muestral.