You are on page 1of 141

An alisis de Sistemas de Control

Nicanor Quijano
c Borrador Editado 30 de abril de 2010

Indice general
Contenido Prefacio 1. Introducci on 1.1. Qu e es Retroalimentaci on? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Qu e es Control? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Historia del Control Autom atico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. Inicios del Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2. Per odo Pre-Cl asico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.3. Per odo Cl asico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.4. Control Moderno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Ejemplos de Sistemas de Control Retroalimentado y Future Directions . . . . . . . . . . . . . 2. Modelamiento de Sistemas 2.1. Filosof a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Principios de Modelamiento Matem atico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. Esquema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Sistemas de Primer Orden y Controlador ON-OFF . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Transformada Unilateral de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.2. Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . .
I

1 3 3 4 5 5 6 6 7 8 9 9 10 10 11 15 17 17 19 22 29 30 33 34 34 34 34

2.4.3. Soluci on de ODEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6. Linealizaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7. Diagramas en Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.1. Combinaci on en Serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.2. Combinaci on en Paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7.3. Puntos de Partida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.4. Bloques con Sumadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

ii

INDICE GENERAL 2.7.5. Sistemas Retroalimentados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.6. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8. Ley de Mason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 35 35 37 37 38 38 41 42 42 43 44 45 48 52 55 57 57 61 65 65 67 67 67 68 68 68 69 70 70 71 73 73 73 73 75

3. Caracter sticas de los Sistemas 3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Se nal de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Sensitividad de Sistemas de Control para Variaciones de Par ametros . . . . . . . . . . . . . . 4. Respuesta de los Sistemas 4.1. Sistemas de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1. Entrada paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2. Entrada rampa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Sistemas de Segundo Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1. Respuesta a Entrada Paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2. Caracter sticas Temporales del Sistema Subamortiguado . . . . . . . . . . . . . . . . . 4.3. Sistemas de Orden Superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Ubicaci on de las Ra ces en el Plano-s y la Respuesta Transitoria . . . . . . . . . . . . . . . . 5. Estabilidad de los Sistemas 5.1. Criterio de Estabilidad Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1. Robustez y Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Sistemas de Control Retroalimentado 6.1. An alisis de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1. Controlador Proporcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.2. Controlador Proporcional e Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.3. Controlador Proporcional, Integral, y Derivativo . . . . . . . . . . . . . . . . . . . . . 6.2.4. Controlador Proporcional y Derivativo . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.5. Implementaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.6. Sintetizando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3. Sintonizaci on de Controladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1. Sintonizaci on de Controladores PID: M etodo Manual . . . . . . . . . . . . . . . . . . . 6.3.2. Sintonizaci on de Controladores PID: Ziegler/Nichols . . . . . . . . . . . . . . . . . . . 6.3.3. Sintonizaci on de Controladores PID: Cohen y Coon . . . . . . . . . . . . . . . . . . . 6.3.4. Sintonizaci on de Controladores PID: M etodo del Coeciente de Ajustabilidad . . . . . 6.3.5. Sintonizaci on de Controladores PID: Internal Model Control (IMC) . . . . . . . . . .

6.3.6. Sintonizaci on de Controladores PID: S ntesis Directa . . . . . . . . . . . . . . . . . . . 6.4. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

INDICE GENERAL 6.5. PID Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.6. Criterios de Desempe no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.7. Dise no con Pole Placement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. Variables de Estado: Introducci on 7.1. Denici on de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.2. ODEs Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. Representaci on y Soluci on de Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.1. Representaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.2. Soluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3. Funciones de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.4. Formas Can onicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.4.1. First Companion Form: Forma Can onica Controlable . . . . . . . . . . . . . . . . . . . 7.4.2. Second Companion Form: Forma Can onica Observable . . . . . . . . . . . . . . . . . . 7.4.3. Jordan Form . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5. Equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iii 75 79 79 81 81 81 82 84 84 87 89 92 93 94 95 99

7.6. Estabilidad y Acotamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.6.1. Conceptos Locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.6.2. Conceptos Globales 8. Variables de Estado: Dise no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 105

8.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 8.2. Transformaci on de las Variables de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 8.3. Dise no de Controladores Utilizando State Feedback . . . . . . . . . . . . . . . . . . . . . . . . 109 8.4. Dise no de Estimadores en el Espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . 114 8.5. Integrated Full-State Feedback and Observer . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 9. Control Multivariable 119

9.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 9.2. An alisis de los Sistemas Multivariables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 9.2.1. Representaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 9.2.2. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 9.2.3. Problemas de Interacci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 9.2.4. Relative Gain Array . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 9.2.5. Selecci on de Lazos Utilizando RGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 9.3. Control Multivariable Desacoplado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

iv

INDICE GENERAL

Indice de guras
1.1. Sistemas de malla abierta a), y de lazo cerrado b). . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Componentes de un sistema de control asistido por computador [32]. . . . . . . . . . . . . . . 2.1. Primeros pasos en el dise no de un sistema de control [27]. . . . . . . . . . . . . . . . . . . . . 2.2. Otra metodolog a en el modelamiento de procesos [27]. . . . . . . . . . . . . . . . . . . . . . . 2.3. Tanque de ujo continuo perfectamente agitado. . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Respuesta a entrada paso de un sistema de primer orden. . . . . . . . . . . . . . . . . . . . . 2.5. Sistema t ermico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6. Ejemplo de un sistema de control on-o. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7. Transformadas t picas de Laplace [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8. Sistema Masa-Resorte-Amortiguador [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.9. Representaci on del sistema en el plano-s [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.10. Representaci on del sistema en el plano-s [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.11. Representaci on c omo var a en el plano-s cuando n se mantiene constante [7]. . . . . . . . 2.12. Respuesta en tiempo del sistema masa-resorte-amortiguador [7] . . . . . . . . . . . . . . . . . 2.13. Sistema masa-resorte-amortiguador [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.14. Representaci on del sistema en t erminos de la variable desviaci on [31] . . . . . . . . . . . . . . 2.15. Algunas reglas u tiles cuando se manejan diagramas en bloques [31, 22]. . . . . . . . . . . . . 4 5 9 10 11 15 16 17 23 25 26 27 28 28 29 30 33 34 34 34 35 35 35 42

2.16. Combinaci on Serie [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.17. Ejemplo de puntos de partida [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.18. Ejemplo de puntos de partida [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.19. Ejemplo del a lgebra de bloques [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.20. Ejemplo del a lgebra de bloques [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.21. Ejemplo del a lgebra de bloques para sistemas retroalimentados [7]. . . . . . . . . . . . . . . . 4.1. Diversos tipos de entradas comunes en el an alisis de sistemas de control. . . . . . . . . . . . . 4.2. Respuesta a entrada paso del sistema de primer orden (4.1) cuando K = 1, y = 10. La l nea punteada roja representa el valor nal cuando se ha cumplido el primer , mientras que la punteada negra representa el valor nal cuando se han cumplido 2 . . . . . . . . . . . . . . . 4.3. Respuesta a entrada rampa del sistema de primer orden (4.1) cuando K = 1, y = 10 para el panel superior, y = 1 para el panel inferior. . . . . . . . . . . . . . . . . . . . . . . . . . . v

43 44

vi

INDICE DE FIGURAS 4.4. Sistema de segundo orden [7]. En a) se tiene el grafo, mientras que en b) el diagrama en bloques. 44 4.5. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3). En este caso, se tiene que = 0 para el panel superior izquierdo, = 0,2 para el panel superior derecho, = 0,4 para el panel inferior izquierdo, y = 0,8 para el panel inferior derecho. En todos los casos, wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 1 y wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7. Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 2 y wn = 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8. Ubicaci on de los polos en el plano-s [7]. Para este caso = , = w n , y wd = wn 1 2. .

46 46 47 49 50 51 51 52 52 53

4.9. Curvas envolventes para la respuesta a entrada paso del sistema de segundo orden [22]. . . . . 4.10. Respuesta a entrada paso del sistema de segundo orden descrito por (4.7). En este caso, K1 = 1, wn = 23,53, and = 0,46. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11. Relaci on entre M P y . Adem as, se incluye la relaci on entre wn tp y el factor de amortiguamiento [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12. Diagrama en bloques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.13. Respuesta a entrada paso del sistema de segundo orden dise nado para obtener los par ametros MP y tp denidos en el ejercicio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.14. Ubicaci on de polos de un sistema de tercer orden en el plano-s [7]. . . . . . . . . . . . . . . . 4.15. a) Porcentaje de overshoot como funci on de y n cuando un sistema de segundo orden posee un cero. b) Respuesta a entrada paso para diversos valores de a/(n ). A=5, B=2, C=1, D=0.5, cuando = 0,45 [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.16. Ubicaci on de los polos y ceros en el plano-s para un sistema de tercer orden [7]. . . . . . . . . 4.17. Respuesta a entrada paso para un sistema de tercer orden con un cero. Si se desprecia el polo (-), el overshoot es mayor, pero su ts es menor. Si no se desprecia (), se tiene que el overshoot disminuye, haciendo que el tiempo de establecimiento aumente. . . . . . . . . . . . . . . . . . 4.18. Respuesta impulso para varias ubicaciones de las ra ces en el plano-s. El complejo conjugado no se muestra [7]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1. Sistema retroalimentado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Dise nar Kc para que el sistema sea estable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Sistema con tiempo muerto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1. Sistema de control t pico. La referencia o el set point viene siendo R(s), mientras que la variable controlada es C (s). La perturbaci on es D(s). . . . . . . . . . . . . . . . . . . . . . . . 6.2. Sistema retroalimentado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3. Proceso de tomar una se nal continua y (t) que es generada por el proceso, y convertirla en una secuencia de n umeros y [n]. El computador toma una decisi on y la convierte en otra secuencia de n umeros u[n], los cuales se convierten luego en una se nal continua u(t) que act ua sobre el proceso. Figura adaptada de [2]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4. Figura adaptada de [2]), la cual muestra el efecto de aliasing utilizando dos diferentes se nales x1 (t) = sin(2f1 t) (punteada) and x2 (t) = sin(2f2 t) (s olida), con sus respectivas frecuencias (f1 = 0,1 Hz, f2 = 0,9 Hz, y fs = 1 Hz). Este es un excelente ejemplo de c omo el aliasing puede afectar la reconstrucci on perfecta de las se nales . . . . . . . . . . . . . . . . . . . . . .

54 55

55 56 58 60 61

66 66

76

78

INDICE DE FIGURAS 7.1. Modelo mec anico que corresponde a una masa, sujetada por un amortiguador y un resorte. La posici on est a dada por y , y se le aplica una fuerza inicial f0 . . . . . . . . . . . . . . . . . . 7.2. Modelo en Simulink que corresponde a la Figura 7.1. . . . . . . . . . . . . . . . . . . . . . . . 7.3. Simulaci on en Simulink del sistema descrito en la Figura 7.1. Para este caso se utilizaron los par ametros f0 = 5N, M = 2kg, k = 16N/m, y cuatro valores para b. En la parte superior izquierda, se tiene b = 2N.s/m; en la parte superior derecha, se tiene b = 4N.s/m; en la parte inferior izquierda, se tiene b = 8N.s/m; y en la parte inferior derecha, se tiene b = 16N.s/m. En todos los casos se tiene que posici on est a dada por la l nea (-), mientras que la velocidad es la l nea punteada (- -). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.4. Simulaci on en Simulink del sistema descrito en la Figura 7.1, cuando u nicamente se aplica una fuerza f0 durante un determinado tiempo. Para este caso se utilizaron los par ametros f 0 = 5N, M = 2kg, k = 16N/m, y b = 2N.s/m. La posici on est a dada por la l nea (-), mientras que la velocidad es la l nea punteada (- -). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5. Diagrama en bloques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.6. Representaci on en diagramas en bloques de la Ecuaci on (7.22). Figura tomada de [12]. . . .

vii

83 84

85

86 91 93 94 95 97 98

7.7. Representaci on en diagramas en bloques de la Ecuaci on (7.23). Figura tomada de [12]. . . . . 7.8. Representaci on en diagramas en bloques de la forma can onica controlable. Figura tomada de [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.9. Representaci on en diagramas en bloques de la forma can onica de Jordan cuando las ra ces son diferentes. Figura tomada de [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.10. Representaci on en diagramas en bloques de la forma can onica de Jordan cuando las ra ces son repetidas. Figura tomada de [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.11. SISL de un punto de equilibrio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 7.12. ES de un punto de equilibrio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 7.13. UUB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 8.1. Diagrama en bloques para (8.1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 8.2. Realimentaci on de estado por medio de una ganancia K . . . . . . . . . . . . . . . . . . . . . . 109 8.3. Comportamiento de la denici on de controlabilidad en R3 . . . . . . . . . . . . . . . . . . . . . 110 8.4. Realimentaci on de estado con referencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 8.5. Realimentaci on de estado por medio de una ganancia K . . . . . . . . . . . . . . . . . . . . . . 114 8.6. Observador asociado con la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 8.7. Observador asociado con la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

viii

INDICE DE FIGURAS

Indice de Tablas
6.1. Valores de los par ametros de los controladores para el m etodo de malla cerrada. . . . . . . . . 6.2. Valores de los par ametros de los controladores para el m etodo de malla abierta. . . . . . . . . 6.3. Valores de los par ametros de los controladores para el m etodo de Cohen y Coon. . . . . . . . 71 72 73

6.4. Valores de los par ametros de los controladores para el m etodo del coeciente de ajustabilidad . 73

ix

INDICE DE TABLAS

Prefacio
Estas notas de clase son para uso exclusivo de la clase. Este es un primer borrador, el cual contiene muchos errores de toda ndole. En muchos casos no le doy el cr edito correspondiente a algunos resultados. Sin embargo, una falta de referencia no signica que los resultados sean del todo originales. En efecto, todos los resultados presentados en estas notas han sido tomados de libros y art culos que no necesariamente son m os (a excepci on de algunos ejemplos).

INDICE DE TABLAS

Cap tulo 1

Introducci on
Whenever you feel like criticizing any one,-he told me,- just remember that all the people in the world havent had the advantages that youve had. The Great Gatsby, F.S. Fitzgerald

El curso de sistemas de control se basa en un principio b asico: retroalimentaci on 1 . En esta primera entrega se brindan las deniciones necesarias para entender un sistema de control retroalimentado, adem as de una historia breve del control autom atico y el futuro del a rea. Las siguientes notas han sido adaptadas a partir de varios textos de control (e.g., [32], [12], [3], and [21]).

1.1.

Qu e es Retroalimentaci on?

El t ermino retroalimentaci on se utiliza para referirse a una situaci on en la cual uno tiene dos (o m as) sistemas din amicos2 interconectados de tal forma que cada sistema inuye al otro y a sus din amicas. Este t ermino fue originalmente un neologismo introducido en los a nos 1920s por parte de los ingenieros electr onicos (con enfasis en sistemas radiales) para describir los efectos que se producen cuando la se nal amplicada de salida afecta los circuitos de entrada. En la vida diaria se pueden encontrar varios ejemplos. Gracias al mecanismo de retroalimentaci on, un mam fero puede mantener la temperatura corporal constante (dentro de un rango) independientemente de los cambios de la temperatura ambiente. Otro ejemplo en el a mbito de la ingenier a lo encontramos en la parte aeron autica. Un avi on puede mantener su altitud y velocidad (adem as de aterrizar) sin que el piloto intervenga. El mecanismo b asico en este caso es nuevamente retroalimentaci on. Gr acamente, la Figura 1.1 ilustra en forma de diagrama de bloques el concepto principal detr as de un sistema retroalimentado. Normalmente, se utilizan los t erminos de malla abierta y lazo cerrado 3 . Un sistema se dice que es de lazo cerrado si los sistemas est an interconectados en forma c clica, tal como lo muestra la Figura 1.1b). Si la interconexi on se rompe, entonces estamos hablando de sistemas en malla abierta como lo muestra la Figura 1.1a). La retroalimentaci on tiene muchas propiedades interesantes. Por ejemplo, la retroalimentaci on permite que un sistema se vuelva menos sensible a perturbaciones externas, a las variaciones de los elementos que componen los equipos, o tambi en puede servir para crear un comportamiento lineal a partir de un sistema no lineal (pr actica muy utilizada en componentes electr onicos). Sin embargo, si la retroalimentaci on se emplea de forma incorrecta, se pueden generar inestabilidades en el sistema. Por ejemplo, un ruido indeseado de
1 En ingl es se conoce como feedback. El diccionario Merriam Webster dene el t ermino como: The return to the input of a part of the output of a machine, system, or process (as for producing changes in an electronic circuit that improve performance or in an automatic control device that provide self-corrective action) [1920] 2 Un sistema cuyo comportamiento cambia con el tiempo debido a una respuesta o a un est mulo externo es un sistema din amico. 3 En ingl es, los t erminos utilizados son open loop y closed loop, respectivamente

CAP ITULO 1. INTRODUCCION

Sistema 1

Sistema 2

a) Sistema de malla abierta

Sistema 1

Sistema 2

b) Sistema de lazo cerrado

Figura 1.1: Sistemas de malla abierta a), y de lazo cerrado b). un sensor ser a amplicado por la retroalimentaci on, por lo que se necesitar a un ltro que responda a este tipo de detalles. Otro problema cuando se tiene un sistema retroalimentado mal implementado es el hecho de inestabilidad. Uno de los casos m as comunes son los efectos de la realimentaci on positiva cuando la amplicaci on de un micr ofono es demasiado alta dentro de un sal on. Este es un ejemplo de inestabilidad debida a la retroalimentaci on, lo cual por supuesto, se quiere evitar, aunque no es sencillo. Esta es la raz on fundamental por la que la mayor parte del estudio de los sistemas retroalimentados est a dedicada al entendimiento de las din amicas y las t ecnicas de dise no de sistemas din amicos y su control.

1.2.

Qu e es Control?

La real academia de la lengua dene control como: Comprobaci on, inspecci on, scalizaci on, intervenci on; Dominio, mando, preponderancia; Ocina, despacho, dependencia, etc., donde se controla; Regulaci on, manual o autom atica, sobre un sistema; Dispositivo que regula a distancia el funcionamiento de un aparato, mecanismo o sistema. Si bien el t ermino tiene muchas deniciones, control se denir a como sigue. Denition 1 Control es un dispositivo que por medio del uso de algoritmos y retroalimentaci on regula el funcionamiento de un sistema. As pues, se puede decir que control incluye ejemplos tales como controladores de set point en procesos qu micos, y-by-wire en sistemas aeron auticos, adem as de protocolos para el control de tr aco en la Internet. En la actualidad, las aplicaciones que est an emergiendo entre otras incluyen veh culos y robots aut onomos y sistemas bioinspirados. El a rea de control es esencialmente una ciencia que incluye informaci on de tipo an alogo y digital. La idea b asica en un controlador moderno es sensar lo que est a sucediendo en el sistema, comparar el comportamiento de este con el objetivo inicial, corregir aquello que no est e saliendo bien, y enviar esta informaci on para que el sistema act ue. Es decir, es un sistema retroalimentado donde se sensa, se computa, y se act ua para obtener el cambio deseado. El punto clave en este caso es dise nar un controlador que asegure que las din amicas del sistema en malla cerrada sean estables y que el resultado nal sea siempre el deseado. Para ello se necesitan t ecnicas de modelaje y an alisis para capturar los elementos f sicos para poder describir de manera adecuada el comportamiento de un sistema, para poderlo hacer robusto cuando se tienen perturbaciones, ruido, y otras fallas debido a los componentes. La gura 1.2 muestra un ejemplo de este tipo de sistemas. En ella se pueden observar los elementos necesarios para sensar, computar, y actuar. En los sistemas de control moderno, el uso de computadores es esencial, con lo cual se requieren components tales como conversores an alogos y digitales (ADC y DAC seg un sus siglas en ingl es). Las perturbaciones que entran al sistema se modelan de varias formas (e.g., ruido,

1.3. HISTORIA DEL CONTROL AUTOMATICO

perturbaciones en el sistema). El algoritmo de control tiene que ser lo sucientemente robusto para poder responder r apida y adecuadamente a este tipo de incertidumbres. Este algoritmo se conoce generalmente como ley de control. Para poder dise nar de manera adecuada el controlador, por lo general es necesario tener un buen modelo del sistema que se quiere controlar.

Figura 1.2: Componentes de un sistema de control asistido por computador [32].

1.3.

Historia del Control Autom atico

Por m as de 2000 a nos se han utilizado sistemas retroalimentados de control. Dentro de los primeros ejemplos se tienen los relojes de agua descritos por Vitruvius y que se le atribuyen a Tesibios (circa 270 B.C.). Cerca de trescientos a nos despu es, Her on de Alejandr a describ a un tipo de aut omato el cual empleaba un mecanismo de retroalimentaci on. La historia del control autom atico se divide en cuatro per odos: Inicios del Control: Hasta 1900. Per odo del control pre-cl asico: 1900-1940. Per odo del control cl asico: 1935-1960. Per odo del control moderno: 1955 en adelante.

1.3.1.

Inicios del Control

Hacia el nal del renacimiento se descubrieron en occidente las ingeniosas ideas de sistemas de control del per odo hel enico, las cuales hab an sido preservadas por la cultura isl amica. A partir de ese momento, nuevos inventos comenzaron a aparecer durante el siglo XVIII. Uno de los primeros ejemplos es el control de temperatura en incubadoras (utilizando dispositivos aut omaticos) propuesto por Ren e-Antoine Ferchault de R eamur. Durante el siglo XIX se inventaron varios dispositivos termost aticos, los cuales ten an como caracter stica el hecho de que la potencia para operar el actuador era extra da del sistema de medida. El m as importante desarrollo de control durante el siglo XVIII fue la m aquina de vapor. En 1788 Matthew Boulton le describi o a su socio James Watt el mecanismo (yball governor ) que le permiti o a este u ltimo controlar la velocidad de la m aquina de vapor y reducir las variaciones de carga. El primer dise no se realiz o en Noviembre de 1788, y el controlador se utiliz o por primera vez en 1789. Este sistema tiene varios problemas: tiene un controlador proporcional que proporciona un u nico punto de operaci on; s olo puede

CAP ITULO 1. INTRODUCCION

funcionar a velocidades bajas; se necesita un mantenimiento permanente. Sin embargo, este fue uno de los avances m as importantes durante la revoluci on industrial. Mejoras a este sistema se realizaron durante los primeros setenta a nos del siglo XIX, dentro de los cuales se podr an rescatar aquellas patentadas por Siemens (1846; 1853), Porter (1858), y otros. En 1868 Maxwell public o el paper On Governors, el cual describ a un modelo matem atico utilizando ecuaciones diferenciales para controlar la turbina de vapor, y empez o a analizar la estabilidad del sistema. Por primera vez se determin o que la estabilidad estaba dada por la ubicaci on de los polos de la ecuaci on caracter stica. Maxwell determin o condiciones sucientes y necesarias para ecuaciones hasta de cuarto orden. En su epoca su trabajo no fue tan valorado como lo fue en el siglo XX. El trabajo que realiz o Maxwell fue retomado por Routh, el cual public o los primeros resultados en 1874. En 1877, Routh produce un tratado sobre Stability of Motion.en el cual expone los principios de estabilidad de lo que hoy se conoce como el criterio de estabilidad Routh-Hurwitz (su trabajo tomaba ideas de Cauchy y Sturm, y en 1895 Hurwitz es el que deriva la misma idea independientemente). La mayor a de los inventos de la epoca ten an que ver con control y estabilidad de temperatura, presi on, nivel, y velocidad de rotaci on de m aquinas. Luego las aplicaciones comenzaron a realizarse en la parte naval con la aparici on de barcos navales y armas de guerra. Una de los primeros motores dirigidos y controles de posici on en malla cerrada fueron dise nados por Farcot en 1866, el cual sugiri o por primera vez el nombre de servo-moteur. El desarrollo de la electricidad y su mejor comprensi on, permitieron que se crear an m as aplicaciones en el a rea de control (se ten an m as mecanismos para sensar y manipular se nales, y por ende para crear actuadores).

1.3.2.

Per odo Pre-Cl asico

Las aplicaciones que se vieron en los primeros a nos del siglo XX eran de todo tipo (e.g., control de voltage, corriente, regulaci on de frecuencia, control de velocidad de motores el ectricos, control de temperatura, presi on, y procesos industriales). Sin embargo, todos estos dispositivos que se dise naron no pose an un total entendimiento de las din amicas, lo cual gener o problemas. La u nica herramienta te orica que se ten a era el an alisis de estabilidad de Routh-Hurwitz, el cual implica conocer todos los par ametros del sistema, adem as de no proveer herramientas para entender el grado de estabilidad. En 1922, Nicholas Minorsky present o por primera vez un an alisis de control de posici on, y formul o lo que hoy se conoce como un controlador PID. Su an alisis parti o del estudio de c omo un capit an controlaba la posici on de su barco. Sin embargo, su trabajo carec a de herramientas a ser aplicadas. Por la misma epoca, Harlod Black comenz o a estudiar el incremento de ancho de banda en las l neas de transmisi on telef onica, para que no hubiese tantas p erdidas y distorsi on. El fue el primero en crear un circuito con retroalimentaci on negativa. Su colaborador inmediato fue Harry Nyquist, cuyo paper Regeneration Theorypublicado en 1932 formula las bases del an alisis que lleva su nombre. Este es uno de los papers m as importantes, ya que permite entender los benecios de la retroalimentaci on negativa, y provee herramientas para el an alisis y dise no de sistemas de control sin que se requiriesen ecuaciones diferenciales (la sola respuesta en frecuencia, combinada con los datos calculados permit an establecer el grado de estabilidad del sistema, y tambi en ayudaba a estimar los cambios necesarios para mejorar el desempe no). Uno de los trabajos que se hicieron a la par del de Black, fue el de Clesson Mason en Foxboro. Mason utiliz o retroalimentaci on negativa, e hizo que por primera vez en 1928 una compa n a tuviese controladores con amplicaci on lineal o integral.

1.3.3.

Per odo Cl asico

En diversos pa ses se comenz o a entender y analizar los sistemas de control desde un punto de vista m as matem atico. Los esfuerzos en los Estados Unidos se debieron m as al esfuerzo que Bell Telephone Laboratoriespuso en aras de obtener m as ancho de banda. En 1940, Hendrik Bode, demostr o que existe una relaci on una atenuaci on caracter stica y el m nimo cambio de fase asociado con ella. A su vez, utiliz o el

1.3. HISTORIA DEL CONTROL AUTOMATICO

punto (-1,0), en vez del (1,0) que originalmente utiliz o Nyquist para introducir los conceptos de margen de ganancia y de fase (adem as de las limitaciones de ganancia de ancho de banda). En 1942 Ziegler y Nichols publicaron un paper describiendo c omo encontrar los par ametros adecuados para un controlador PI y PID. Coon en los 50s, extendi o dicha teor a que hoy se conoce como el m etodo de sintonizaci on de Ziegler-Nichols. Un tercer grupo en MIT encabezado por Hazen y Brown, desarroll o por primera vez el estudio de diagramas en bloques, adem as de crear el primer simulador de sistemas de control por intermedio de un analizador diferencial. La segunda guerra mundial hizo que el a rea de control se centrara en temas espec cos, entre los cuales se tiene la detecci on de posici on de una aeronave, adem as de calcular su posici on futura, y el movimiento de un arma de alto calibre para poder dispararle. De ac a se generaron varios temas de investigaci on te orica, los cuales dieron pie al an alisis de sistemas discretos (e.g., el trabajo de Tustin), y el estudio de sistemas estoc asticos de Norbert Wiener. Al nalizar la guerra, casi todas las t ecnicas de control cl asico se hab an desarrollado (la u nica excepci on era el trabajo del lugar de las ra ces de Walter Evans en 1948). Las metodolog as de dise no realizadas eran para sistemas lineales y de una sola entrada, con coecientes constantes (lo que generaba problemas, ya que los sistemas son no lineales y de m ultiples entradas). Si bien las t ecnicas de respuesta en frecuencia eran bastante utilizadas, algunos prefer an la soluci on mediante ecuaciones diferenciales utilizando transformadas de Laplace, ya que seg un los ingenieros de la epoca, esta era m as ajustada a la realidad. Tambi en se comenz o a estudiar optimizaci on, a rea en la que intervinieron personas de la talla de Bellman, y LaSalle.

1.3.4.

Control Moderno

Los misiles guiados, la conquista del espacio, y el desarrollo de los computadores marcaron el inicio de esta nueva etapa de conocimiento del control. As pues, gracias a las ideas expuestas por Henri Poincar e en torno a ecuaciones diferenciales de primer y segundo orden, se comenz o a estudiar todo desde el punto de vista de state-space. Richard Bellman entre 1948 y 1952, trabajando para la corporaci on RAND, estudi o el problema de asignar un misil a un objetivo determinado para que este causara la mayor cantidad de da no posible. Esto lo llev o a formular el principio de optimalidad y gener o lo que se conoce como programaci on din amica (cuya m axima dicultad radica en la cantidad de memoria de c omputo que se requiere para resolver estos problemas). Bellman utiliz o formulaciones mec anicas como las expuestas por Lagrange y Hamilton para poder resolver los problemas o ptimos que se planteaban. A la par de Bellman, Pontryagin (1956) planteaba el maximum principle, el cual sent o las bases de la teor a de control o ptimo. Estas dos teor as permitieron que se empezara a profundizar en problemas matem aticos del a rea de control. L ogicamente, el desarrollo de los computadores incidieron en que muchos de los problemas pudiesen resolverse m as r apido de lo que se esperaba. Kalman en los a nos cincuenta present o un paper en el cual mostraba c omo problemas de control multivariable estaban ligados a aquellos de ltros, lo cual abr a una nueva a rea de investigaci on dentro del control (tambi en se encuentra dentro de todo este desarrollo los aportes que hiciera Bucy tiempo despu es para generar el famoso ltro Kalman-Bucy). As pues, se generaron conceptos tales como observabilidad y controlabilidad, hoy utilizados extensamente en el desarrollo de controladores bajo el uso de sistemas modelados a partir de variables de estado. Despu es de estos primeros pasos, se empezaron a abrir otras a reas de investigaci on: control adaptativo; control no lineal (con t ecnicas que van desde phase plane, describing functions, hasta teor a de estabilidad de Lyapunov); t ecnicas dentro de las cuales se comienza a ver una inuencia de varias a reas de la ciencia: algoritmos gen eticos, fuzzy logic, redes neuronales, y otras nuevas tales como foraging theory.

CAP ITULO 1. INTRODUCCION

1.4.

Ejemplos de Sistemas de Control Retroalimentado y Future Directions

Un sistema retroalimentado tiene propiedades buenas y malas. Un sistema que era inestable puede volverse estable, o se pueden reducir los problemas que se pueden producir por un incremento de las perturbaciones o del ruido. A continuaci on se presentan ciertos ejemplos de sistemas de control retroalimentado. Como se vio en el contexto hist orico, los primeros controladores retroalimentados se dedicaban m as al control de temperatura. Un ejemplo es el termostato. Este dispositivo mide la temperatura en alg un lugar, compara la temperatura con aquella que se desea, y utiliza retroalimentaci on para saber si se tiene que aumentar la temperatura en un determinado lugar o no. Si bien la explicaci on parece sencilla, esta ilustra el concepto b asico de control retroalimentado. En la vida real, hoy en d a, los termostatos tienen elementos que permiten evitar los problemas que se pueden producir por los retardos de transporte que existen a la hora de medir y actuar. Otro de los ejemplos donde se ve el progreso de los sistemas de control retroalimentado es en el a rea de la aeron autica y la industria automotriz. En el caso vehicular, uno de los ejemplos est a en el cruise control. En 1958 se introdujo por primera vez esta tecnolog a que hace que el veh culo por intermedio de un sistema retroalimentado controle la velocidad. As pues, la velocidad se mantiene constante independientemente de si se est a subiendo una cuesta, o si se est a conduciendo en bajada. Hoy en d a, este tipo de sistemas han mejorado de tal forma que entre otras caracter sticas novedosas, se puede optimizar el consumo de combustible y reducir la poluci on. M as ejemplos incluyen redes, robots, m aquinas inteligentes, e instrumentaci on. En estas a reas, la retroalimentaci on juega un papel muy importante, tanto que sin ella no se podr an tener redes r apidas y estables, o robots que realicen tareas tan complicadas como jugar f utbol, o dise nar equipos para el control de la insulina en pacientes diab eticos. Finalmente, cabe mencionar una de las a reas que m as inter es est a presentando en estos momentos: systems biology. Es bien sabido que la naturaleza ha aportado un sin n umero de ideas para el desarrollo de tecnolog a. Sin embargo, su estudio ha sido m as desde el punto de vista biol ogico que matem atico y tecnol ogico. Actualmente, se tienen m as herramientas para comprender y modelar de una forma m as completa los sistemas naturales, lo cual nos puede llevar a explorar soluciones en a mbitos de la ciencia como lo son la medicina, la biolog a, y los ecosistemas. En biolog a por ejemplo, uno de los temas m as recurrentes es el tratar de tratar de entender lo que pasa con sistemas complejos en ingenier a como las redes, para poder entender c omo funcionan ciertos aspectos moleculares (e.g., scale-free networks). Desde el punto de vista de los ecosistemas, es claro que estos son sistemas complejos, los cuales podr an verse como de m ultiples entradas y salidas. En un ecosistema pueden haber varias capas de retroalimentaci on, y a un se necesitan elementos te oricos que puedan explicar el funcionamiento de los mismos. Sin embargo, el traer estas ideas al a rea de control, permite que se vayan desmenuzando paulatinamente dichos problemas, y porque no, llegar a una soluci on futura de ciertos problemas b asicos (e.g., redes bacteriales).

Cap tulo 2

Modelamiento de Sistemas
Entusiasmo es una palabra griega que signica rozado por el ala de Dios. El entusiasmo es eso. Un roce, un instante

Historia Argentina, Rodrigo Fres an En este cap tulo se pretende entender c omo se modelan los sistemas din amicos. Para ello, se empieza con una rese na los oca, para luego denir las ideas para el modelado matem atico de un sistema. Se presentan ejemplos y simulaciones para que el estudiante comience a familiarizarse con herramientas tales como Matlab y Simulink. Las siguientes notas han sido adaptadas a partir de varios textos de control (e.g., [27, 22, 16, 12, 31, 28, 7]).

2.1.

Filosof a

Cuando uno se enfrenta a un problema de control, por lo general se siguen ciertos procedimientos. La Figura 2.1 nos da una primera idea de c omo modelar un sistema.

PROCESO

Ganar intuicin y entender la planta

Especificar los objetivos de diseo

MODELAR
Figura 2.1: Primeros pasos en el dise no de un sistema de control [27]. 9

10

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

El modelamiento es la base para dise nar un buen sistema de control. Sin un buen modelo no podr amos dise nar un sistema de control que cumpla ciertas caracter sticas. Sin embargo, ning un modelo es perfecto, lo cual ciertas veces diculta el dise no. Lo bueno es que cualquier tipo de incertidumbre puede llegar a ser modelada de tal forma que se incluya en el proceso de dise no. De esta forma, se estar a frente a un modelo m as completo, y por ende, se tendr an m as herramientas a la hora del dise no de un controlador. En este curso, s olo se utilizar an sistemas lineales e invariantes en el tiempo (LTI por sus siglas en ingl es), ya que estos nos dan una primera aproximaci on del modelo de un sistema. Otro tipo metodolog a que se sigue por lo general est a descrito por la Figura 2.2.
PROCESO

Modelamiento fsico SYSID, APPROX

Modelo Verdadero

Modelo Diseado

Approx (reduccin, linealizacin)

Figura 2.2: Otra metodolog a en el modelamiento de procesos [27].

2.2.

Principios de Modelamiento Matem atico

Una de las razones fundamentales para el uso de modelos matem aticos es que las expresiones anal ticas que se encuentran proveen una visi on importante entre lo que son las caracter sticas del sistema f sico (e.g., temperatura, ujo, etc.), y sus din amicas. En lo que sigue se presenta un procedimiento para modelar sistemas, que en un principio cualquier inexperto deber a seguir. Sin embargo, con el paso del tiempo, el estudiante ir a adquiriendo intuici on e ideas de c omo se podr a desarrollar un modelo matem atico de un sistema f sico.

2.2.1.

Esquema

Un esquema b asico que deber a seguirse se dene a continuaci on. En la siguiente secci on se presenta un ejemplo que nos lleva paso a paso con el n de entender cada uno de los puntos expuestos en el siguiente esquema. 1. Denir Objetivos a ) Especicar las decisiones que se deben tomar para el dise no. b ) Valores num ericos. c ) Relaciones funcionales. d ) Requisitos de precisi on. 2. Preparar Informaci on a ) Hacer un bosquejo del proceso e identicar el sistema. b ) Identicar las variables de inter es.

2.2. PRINCIPIOS DE MODELAMIENTO MATEMATICO c ) Hacer suposiciones y toma de datos. 3. Formular el Modelo a ) Balances de conservaci on b ) Plantear las ecuaciones. c ) Combinar las ecuaciones y los t erminos que se han ido obteniendo. d ) Vericar los grados de libertad para saber si el n umero de ecuaciones es el adecuado. 4. Determinar la Soluci on a ) Anal ticamente. b ) Num ericamente. 5. Analizar los Resultados a ) Vericar resultados para saber qu e tan acertados est an. 1) Limitar y aproximar las respuestas. 2) Precisi on de los m etodos num ericos. b ) Interpretar resultados. 1) 2) 3) 4) Gracar la soluci on. Relacionar suposiciones y resultados de los datos. Evaluar sensitividad. Responder a preguntas del tipo y si?

11

6. Validar el Modelo a ) Seleccionar valores claves para validar. b ) Comparar con resultados experimentales. c ) Comparar con resultados de modelos m as complejos.

2.2.2.

Ejemplo

Para poder entender el procedimiento de modelado previamente descrito, tomemos el ejemplo de un tanque de ujo continuo perfectamente agitado (continuous-ow stirred tank de la Figura 2.3).

Figura 2.3: Tanque de ujo continuo perfectamente agitado. como Objetivo: Determinar la respuesta din amica del tanque a un cambio tipo escal on en la C A0 , as la velocidad y forma de respuesta. Todo esto depende del volumen y del ujo. Una de las suposiciones que se

12

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

tienen es que la salida no puede ser utilizada a no ser que el 90 % del cambio de concentraci on haya ocurrido. Por lo tanto, otro de los objetivos es determinar cu anto tiempo se necesita para llegar a este valor. Informaci on: Para poder preparar la informaci on, primero se identica el sistema, y la manera m as sencilla de hacerlo es mediante un diagrama. Con ello se pueden identicar las variables y tener una idea de los balances a formular. Para este caso, el sistema es el l quido en el tanque. El tanque ha sido bien dise nado tal que la concentraci on sea uniforme en el l quido. Se asumir a luego que, Es un well-stirred vessel, i.e., permite el uso de ODEs en lugar de PDEs. Se tiene un ujo constante de entrada. La densidad es la misma para A y el solvente. A nivel de datos, se asume que, F0 = 0,086m3 /min. V = 2,1m3 . CAIN IT = 0,925mole/m3 . Despu es de aplicar una entrada paso, se tiene que CA0 = 1,85mole/m3 . El sistema est a en estado estable al principio, i.e., CA0 = CA = CAIN IT , cuando t = 0. Formulaci on: Primero, para poder formular el modelo, tenemos que seleccionar las variables de cuyo comportamiento queremos predecir. Una vez se tengan estas variables, las ecuaciones pueden ser deducidas basados en principios fundamentales, como lo es la conservaci on. Estos balances de conservaci on son relaciones que obedecen ciertos supuestos en sistemas f sicos. Estos balances de conservaci on se pueden ver por lo general como, ACC = IN - OUT + GENERA donde si ACC = 0 para un well-mixed system, se tendr a una ODE, mientras que si ACC = 0 para un well-mixed system, se tendr a una ecuaci on algebraica. Los m as utilizados son los balances de masa y energ a. Balance de masa total: Acumulaci on de masa = Masa IN - Masa OUT Balance de masa por componente: Acumulaci on del componente de masa = Comp Masa IN - Comp Masa OUT + Generaci on del Componente de Masa. Balance de energ a: Acumulaci on de U+PE+KE = (U+PE+KE IN por convex) - (U+PE+KE OUT por convex) + Q - W donde U es la energ a interna, PE la energ a potencial, KE la cin etica, Q la temperatura transferida al sistema por el ambiente, y W el trabajo (si el volumen es constante, W=Ws). Hay casos espec cos en los que se utiliza cada uno de los balances previamente descritos. A continuaci on se da un ejemplo de los m as utilizados. Si la variable es el total de masa del l quido en un tanque o la presi on en un recipiente, el balance de materia total es el m as apropiado. Si la variable es la concentraci on de un componente, el balance de masa por componente es el apropiado. Si la variable es temperatura, el balance de energ a es el apropiado. L ogicamente, si se tienen varias variables, es claro que se pueden utilizar varios balances para poder obtener el modelo matem atico. En ciertos casos los balances no son sucientes, por lo que se utilizan ecuaciones que pueden relacionar varias variables. Por ejemplo,

2.2. PRINCIPIOS DE MODELAMIENTO MATEMATICO Transferencia de calor: Q = hA(T ). Tasa Reacci on Qu mica: rA = k0 eE/RT CA . Flujo: F = CV (P/)1/2 . Ecuaci on de estado: P V = nRT .

13

Estas relaciones dependen del problema en cuesti on, ya que por lo general no son universalmente aplicables. Finalmente, la formulaci on del modelo queda completa cuando se tiene el n umero adecuado de ecuaciones. Para ello, existe un elemento conocido como grado de libertad (degree of freedom, DOF), el cual viene dado por DOF = N V N E , donde N V es el n umero de variables dependientes (i.e., variables que dependen del comportamiento del sistema y deber an ser evaluadas por medio de las ecuaciones del modelo), y N E es el n umero de ecuaciones independientes. Si DOF = 0, el sistema est a exactamente especicado; si DOF < 0, el sistema est a sobreespecicado, i.e., no existe una soluci on del modelo; si DOF > 0, el sistema est a subespecicado, i.e., existe un n umero innito de soluciones. Para el ejemplo en cuesti on, como se tienen concentraciones, los balances de mas son adecuados. El balance total de masa para un incremento de tiempo t viene dado por, (V )(t+t) (V )t = F0 t F1 t donde es la densidad. Dividiendo por t, y tomando el l mite cuando tiende a 0, se tiene que la acumulaci on de masa es igual a la masa de entrada menos la masa de salida, i.e., (V )(t+t) (V )t = F0 F 1 t0 t l m d(V ) = F0 F 1 dt d dV V + = F0 F 1 dt dt Como la densidad es constante,
d dt

= 0, por lo que se tendr a que dV = F0 F1 dt (2.1)

Es claro que F0 es una variables externa que no depende del comportamiento del sistema. Como el l quido sale al rebosarse el l quido, entonces el ujo de salida F1 est a correlacionado con el nivel del l quido. Para ello se utiliza una ecuaci on de presa que viene dada por, F1 = k F L Lw , para L > Lw

donde kF es una constante, L = V /A es el nivel del l quido en el tanque, y Lw es el nivel en el cual se desborda la presa. En este caso, L > Lw por lo que el nivel nunca est a por debajo del overow, y la altura por encima del desborde L Lw es peque na comparada con el nivel del l quido en el tanque L. Por lo tanto, se asumir a que el nivel del l quido en el tanque es aproximadamente constante, y que F 0 = F1 = F , por lo que (2.1) se convierte en dV = F0 F1 = 0 V = constante (2.2) dt Ahora se necesita formular el balance de masa del componente A. Como es un tanque well-mixed, las concentraciones del tanque y las de salida son las mismas, por lo que, (M WA V CA )(t+t) (M WA V CA )t = (M WA F CA0 M WA F CA )(t) + 0 donde M WA corresponde al peso molecular del componente A, CA est a en moles/volumen del componente A, y como no hay reacci on qu mica, la generaci on es igual a 0. Esto implicar a nalmente que, M WA V dCA = M WA F (CA0 CA ) dt (2.3)

14

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Por lo tanto, las Ecuaciones (2.2) y (2.3) describen nuestro sistema. Se tiene entonces que las variables son CA y F1 , y las variables externas son F0 y CA0 , entonces el DOF = 0. Se tiene que tener en cuenta que los par ametros no cambian con el tiempo, lo cual no es real, pero es v alido siempre y cuando los cambios sean lentos. Soluci on Matem atica: Una de las ventajas de una soluci on anal tica es que se puede calcular valores espec cos de la soluci on, as como determinar las relaciones entre las variables y el comportamiento del sistema. El modelo en (2.3) es una ODE lineal de primer orden, que puede ser escrita como dCA 1 1 + C A = C A0 dt donde = V /F = 24,7min, y se conoce como la constante de tiempo del sistema. Para resolver este tipo de ecuaciones, se recurre a lo visto en ecuaciones diferenciales. Se sabe que e
t 1 dt 0

(2.4)

= et/

(2.5)

Multiplicando por este factor a ambos lados de (2.4) se obtiene que et/ Pero por (2.5), et/ det/ 1 dCA + CA = CA0 et/ dt dt 1 d(et/ CA ) = CA0 et/ dt 1 CA0 et/ dt es constante incluso despu es de hacer el cambio a entrada escal on, entonces d(et/ CA ) = d(et/ CA ) = et/ CA (t) = 1 C A0 et/ dt 1 dCA + CA dt = 1 CA0 et/

Como se asumi o que CA0

1 CA0 et/ + I

donde I es una constante. Originalmente se ha asumido que si t = 0, y C A (0) = CAIN IT , por lo que I = CAIN IT CA0 Escrito de otra forma ser a, CA = CA0 + (CAIN IT CA0 )et/ Se sabe que CAIN IT = CA0IN IT , por lo que CA CAIN IT = CA0 + (CAIN IT CA0 )et/ CAIN IT CA CAIN IT = (CA0 CAIN IT )(1 et/ ) Escrito de otra forma, esto podr a verse como y (t) = u(t) 1 et/ Si la entrada u(t) es un escal on unitario, la salida ser a y (t) = 1 et/ para t 0, lo que gr acamente ser a equivalente a lo que se ve en la Figura 2.4).

2.3. SISTEMAS DE PRIMER ORDEN Y CONTROLADOR ON-OFF

15

Figura 2.4: Respuesta a entrada paso de un sistema de primer orden. Como se puede ver, una de las caracter sticas primordiales de un sistema de primer orden es que si t = , el valor de y (t) ser a igual al 63.2 % del valor nal, i.e., y (t = ) = 1 e1 = 0,632 Se puede observar tambi en que entre m as peque na sea la constante de tiempo , m as r apida es la respuesta del sistema. Otra caracter stica importante de este tipo de sistemas es que la l nea tangente en t = 0 es 1/ , ya que 1 1 dy (t) = = et/ dt t=0 Es claro tambi en que si no se tuviese una entrada escal on unitario sino x(t) = Ku(t), entonces la salida ser a y (t) = K (1 et/ ) donde el valor nal vendr a dado por
t

l m y (t) = l m K l m Ket/ = K
t t

Para el caso del ejemplo en cuesti on, CAIN IT = 0,925 y = 24,7min, lo cual nos brinda la rapidez con la que responde el sistema. Todo esto depende del equipo (i.e., por el volumen V ), y la operaci on del proceso (i.e., F ).

2.3.

Sistemas de Primer Orden y Controlador ON-OFF

Otro ejemplo interesante a modelar es el de un sistema simple de calentamiento como el que se muestra en la Figura 2.5) En un clima fr o, la temperatura de una casa puede mantenerse a una temperatura deseada haciendo circular agua caliente a trav es de un intercambiador de calor. Un term ostato determina la temperatura en un cuarto, y se desea mantener dicha temperatura en un rango determinado. Objetivo: Determinar la respuesta din amica de la temperatura en un cuarto. Adem as, se quiere garantizar que el horno conmute s olo cada 3 min, lo cual ayudar a a que los gases sean purgados antes de volver a ser encendido. Informaci on: Variables importantes: Temperatura del cuarto; Estados ON/OFF del horno. Suposiciones: El aire en el cuarto es well-mixed; No existe intercambio de material desde/hacia cuarto; El calor transmitido s olo depende de la T = Troom Tout ; No hay transferencia de calor del suelo o del techo; Efectos de energ a cin etica y potencial son despreciables. Datos: La capacidad del aire CV = 0,17 cal/(g C); Densidad es = 1190g/m3 ; El coeciente de transferencia total de calor UA = 45 103 cal/( Ch); Tama no del cuarto 5m 5m 3m; Switcheo entre

16

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Figura 2.5: Sistema t ermico. a apagado originalmente; La temperatura ambiente 17 C ON y 23 C OFF; TINroom = 20 C, y el horno est es TA = 10 C. Formulaci on: El sistema se dene como el aire dentro de la casa. Para determinar la temperatura, un balance de energ a es necesario (como no hay material que se transmite, no se necesita hacer balance de materia). La aplicaci on del balance de energ a dar a: dY = 0 0 + Q Ws (2.6) dt Sin embargo, Ws = 0. Utilizando los principios de termodin amica y transferencia de calor, y sabiendo que la acumulaci on de energ a cin etica y potencial son despreciables,
dU dt

donde

= CV V dT dt = U A(T TA ) + Qh T > 23 T < 17 17 T 23

(2.7)

Por lo tanto las Ecuaciones (2.6) y (2.7) describen totalmente el sistema. El DOF es 0 ya que adem as se tienen dos variables (i.e., T y Qh ), cuatro par ametros (i.e., U A, CV , V , y ), y una variable externa TA . La ecuaci on que describir a nalmente todo el sistema es CV V Soluci on: Ordenando (2.8) se tiene que 1 U ATA + Qh dT + T = dt CV V La soluci on de (2.9) depende claramente del valor de Qh , por lo que T TIN IT = (TF IN AL TIN IT )(1 et/ ) (2.10) donde t es el tiempo desde el paso en Qh y = 0,34h de acuerdo a los valores asignados originalmente. El valor de TF IN AL viene dado por TF IN AL = TA + Qh = UA 10 C cuando Qh = 0 43,3 C cuando Qh = 1,5 106 (2.9) dT = U A(T TA ) + Qh dt (2.8)

0 1,5 106 Qh = sin cambio

El valor de TIN IT es el valor de temperatura cuando un paso en Qh ocurre.

En la Figura 2.6) se muestra un ejemplo de c omo ser a la respuesta de un controlador ON-OFF.

2.4. TRANSFORMADA DE LAPLACE

17

Figura 2.6: Ejemplo de un sistema de control on-o.

2.4.

Transformada de Laplace
Buena parte del material de esta secci on fue tomado de [6, 11, 13, 25].

2.4.1.

Transformada Unilateral de Laplace

La transformada unilateral de Laplace de una se nal x(t), X (s), se dene como

L {x(t)} = X (s) =

x(t)est dt

(2.11)

donde s = + jw es una variable compleja. El t ermino est es una exponencial decreciente que ayuda a la convergencia del sistema. Existen ciertas limitantes en x(t) para que exista transformada de Laplace: 1. x(t) debe ser piecewise continuous en cualquier intervalo nito 0 t 1 t t2 . 2. x(t) debe ser de orden exponencial. Denition 2 Una funci on x(t) es piecewise continuous en un intervalo nito si este intervalo puede ser dividido en un n umero nito de subintervalos sobre los cuales la funci on es continuo y se tienen l mites por izquierda y derecha de x(t). Denition 3 Una funci on x(t) es de orden exponencial si existe una constante a tal que e at |x(t)| est e acotada para todo valor de t mayor que un valor nito T . Esta u ltima limitante impone la restricci on de que , i.e., la parte real de s tiene que ser mayor a un l mite inferior a , para el cual el producto ea t |x(t)| es de orden exponencial. Esto es lo que se conoce como el concepto de region of convergence (ROC). Ejemplo 2.4.1 Sea x(t) = eat u(t), con a R+ . Cu al es L {x(t)}?

18 Utilizando (2.11), X (s) = = = =

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

0 0 0

x(t)est dt eat est dt e(s+a)t dt


1 s+a

1 s+ mt e((+a)+jw)t + a l

0 if + a > 0 X (s) = esto es v alido para Re{s} > a. Ejemplo 2.4.2 Sea x(t) = cos(wt)u(t), con w R+ . Cu al es L {x(t)}? Utilizando (2.11), X (s) =
0

1 s+a

cos(wt)est dt

Por Euler cos(wt) se convierte en 1 X (s) = 2

e(jws)t dt +

X (s) = Sin embargo,

1 2

1 1 l m e(jws)t l m e(jws)t jw s t jw + s t
t

e(jws)t dt 1 2

1 1 jw s jw + s

l m e(jwjw)t = 0 if > 0

Por ende,

l m e(jwjw)t = 0 if > 0

L {cos(wt)u(t)} = Ejemplo 2.4.3 Sea x(t) = tu(t). Cu al es L {x(t)}? Utilizando (2.11), X (s) =
0

s s2 +w2

test dt

Integrando por partes, y utilizando


b b

udv =
a

b [uv ]a

vdu
a

Sea u = t y dv = est dt. Entonces, X (s) = = Por ende, L {tu(t)} =


1 s2

te s 0

st

1 s2

[est ]0

est s dt

if Re{s} > 0

2.4. TRANSFORMADA DE LAPLACE

19

2.4.2.

Propiedades de la Transformada de Laplace

Linearidad Si x1 (t) X1 (s) x2 (t) X2 (s) Entonces, a1 x1 (t) + a2 x2 (t) a1 X1 (s) + a2 X2 (s)
L L L

Corrimiento en tiempo Si x(t) X (s) Entonces, x(t t0 ) X (s)est0 Proof: Por (2.11)
L L

L {x(t t0 )} = Cambiando de variables = t t0 , d = dt, L {x(t t0 )} = = =

x(t t0 )est dt

x( )es( +t0 ) d
0

est0

x( )es d

est0 X (s)

Shifting in the s-Domain Si x(t) X (s) Entonces, es0 t x(t) X (s s0 ) Ejemplo 2.4.4 e3t x(t) X (s 3) L {cos(w0 t)x(t)}
1 x(t) ejw0 t + ejw0 t }} = L {2 jw0 t jw0 t } + L {1 } = L {1 2 x(t)e 2 x(t)e L L L

1 2 X (s

jw0 ) + 1 2 X (s + jw0 )

20 Time Scaling Si Entonces, x(at) Proof: Por (2.11)


L L

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

x(t) X (s) 1 s X |a| a

L {x(at)} = Cambiando de variables y deniendo = at,


1 a d

x(at)est dt

= dt, entonces si a > 0 = =


1 a 0

L {x(at)} Si a < 0, se tiene

x( )es( a ) d
s a

(2.12)

1 aX

L {x(at)} = Cambiando de variables y deniendo = at,


1 a d

x(at)est dt

= dt,
1 a 0

L {x(at)}

= = =

x( )es( a ) d
0

1 X a

1 a

x( )es( a ) d
s a

(2.13)

Combinando los resultados de (2.12) y (2.13) para a > 0 y a < 0, se tiene L {x(at)} = 1 s X |a| a

Time Reversal Si Entonces, x(t) X (s)


L L

x(t) X (s)

Dierentiation Si Entonces, dx(t) L sX (s) x(0) dt


L

x(t) X (s)

2.4. TRANSFORMADA DE LAPLACE Proof: Por (2.11) L Integrando por partes con u = e L
dx(t) dt st

21

dx(t) dt
dx(t) dt dt,

=
0

dx(t) st e dt dt

y dv = = = =

se tiene
0

[est x(t)]0

x(t)(s)est dt

l mt est x(t) es0 x(0) + s l mt est x(t) x(0) + sX (s) eat |x(t)| < c |x(t)| < ceat

x(t)est dt

Por hip otesis x(t) es de orden exponencial, lo que implica que

Esto implica que para cualquier s tal que Re{s} > a,


t

l m est x(t) = 0

Entonces, L dx(t) dt = sX (s) x(0)

NOTA: Si x(t) es discontinua en t = 0 o si x(t) contiene un impulso o derivada de un impulso en t = 0, es necesario tomar el tiempo inicial como 0 . Entonces, dx(t) L sX (s) x(0 ) dt Note que si x(t) = 0 para t < 0, entonces x(0 ) = 0. La denici on general ser a Si Entonces,
L

x(t) X (s) dn x(t) L n s X (s) sn1 x(0) sn2 x (0) . . . sxn2 (0) xn1 (0) dtn donde xn1 (0) corresponde a la derivada n 1 de x evaluada en t = 0. Ejemplo 2.4.5 Sea x(t) = et u(t). Encuentre L Utilizando tablas o deniciones se tiene que dx(t) = et u(t) + (t)et = et u(t) + 1. (t) dt Por tablas, se sabe que (t) 1 eat u(t) Entonces L dx(t) dt =
L L dx(t) dt

1 s+a s s+1

22 Si se utilizan las propiedades, L Pero x(0 ) = 0. Entonces L dx(t) dt dx(t) dt

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

= sX (s) x(0 ) 1 s+1

=s

Dierentiation in the s-Domain Si Entonces, tN x(t) (1)N Integration Si Entonces,


t L L L

x(t) X (s) dN X (s) dsN

x(t) X (s) x()d


L

1 X (s) s

Convoluci on Si
L

x1 (t) X1 (s) x2 (t) X2 (s) Entonces, x1 (t) x2 (t) X1 (s)X2 (s) En la Figura 2.7 tomada de [31] se pueden ver algunas de las transformadas tradicionales de Laplace. .
L L

2.4.3.

Soluci on de ODEs

Ejemplo 2.4.6 [29] Un calibrador o ptico utilizado por la Chrysler Corporation, el cual se utiliza para vericar el perfecto alineamiento de todos los componentes met alicos de varias clases de Sedan de cuatro puertas, tiene unas din amicas en lazo cerrado dadas por y + 5y + 6y = f (t) Asumiendo que f (t) = 0, y que y (0) = 1, y (0) = 0, halle y (t). Primero tendr amos que colocar el sistema en t erminos de la transformada de Laplace como sigue s2 Y (s) sy (0) y (0) + 5sY (s) 5y (0) + 6Y (s) = 0 Y (s)(s2 + 5s + 6) = sy (0) + 5y (0)

2.4. TRANSFORMADA DE LAPLACE

23

Figura 2.7: Transformadas t picas de Laplace [31] Esto es equivalente a Y (s) = 2 3 s+5 = + (s + 3)(s + 2) s+3 s+2

Tomando la transformada inversa de Laplace se obtiene nalmente que y (t) = 3e2t 2e3t Un ejemplo de c omo se obtendr an los residuos en Matlab viene dado por:

[r,p,k] = residue([1 5],[1 5 6]) r = -2.0000 3.0000

p = -3.0000 -2.0000

k = []

Para poder obtener la transformada inversa de Laplace se utilizan por lo general fracciones parciales.

24 Polos Sencillos Sea P (s) = donde

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

N (s) = D(s)

n i=1

ki (s pi )

ki = [(s pi )P (s)]|s=pi siempre y cuando el grado del numerador sea menor a la del denominador. Polos M ultiples Sea P (s) = donde k11 k1r k21 k2m N (s) = + ... + + + ... + + ... r D(s) (s p1 ) (s p1 ) (s p2 ) (s p2 )m k1r = [(s p1 )r P (s)]|s=p1 k1i = 1 di [(s p1 )r P (s)] i! dsi
s=pi

i = 1, . . . , r 1

y as sucesivamente para todos los polos. Ejemplo 2.4.7 Sea P (s) = P (s) = P (s) = s2 (s

1 + 1)2

k11 k12 k21 k22 + 2 + + s s (s + 1) (s + 1)2 1 2 1 2 + 2+ + s s (s + 1) (s + 1)2

>> [r,p,k]=residue([1],conv([1 0 0],[1 2 1])) r = 2 1 -2 1

p = -1 -1 0 0

k = [] %

2.4. TRANSFORMADA DE LAPLACE Polos Complejos Conjugados ki ki+1 + ki = k i +1 (s ( + j )) (s ( j )) ki = [(s + ( j ))P (s)]|s=+j Por lo tanto,
(+j )t p(t) = ki e(j )t + ki e

25

P (s) = donde

p(t) = 2|ki |et cos (t + ki ) Ejemplo 2.4.8 Sea 3 y + 2y +y =0 P (s) = 4 3s 3s2 + 2s + 1 1 2 s= 3 3

Ejemplo 2.4.9 [7] Se tiene un sistema simple de masa resorte como se ve en la Figura 2.8. Este sistema representa, por ejemplo, un amortiguador de choques para un veh culo. En el se puede ver el diagrama de cuerpo libre de la masa M , donde b es el amortiguamiento viscoso (i.e., la fuerza de fricci on es linealmente proporcional a la velocidad de la masa), y la constante de un resorte ideal k .

Figura 2.8: Sistema Masa-Resorte-Amortiguador [7] . La ecuaci on diferencial vendr a dada por la suma de fuerzas actuando sobre M , i.e., utilizando la segunda ley de Newton, Ma = F En otras palabras ser a, My + by + ky = r(t) Si y (0 ) = y0 y y (0 ) = 0, y r(t) = 0, por lo que tendr amos que la representaci on en Laplace ser a, M (s2 sy (0 ) y (0 )) + b(sY (s) y (0 )) + kY (s) = 0 Y (s) = n(s) (M s + b)y0 = M s2 + bs + k d(s) (2.14)

26

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Si d(s) = 0, estamos hablando de la ecuaci on caracter stica, porque las ra ces de esta ecuaci on determinan la caracter stica de la respuesta en tiempo. Las ra ces de la ecuaci on caracter stica se conocen como polos o singularidades del sistema. Las ra ces de n(s) se denominan ceros. Consideremos el caso cuando k/m = 2 y b/m = 3, por lo que Y (s) = (s + 3)y0 (s + 1)(s + 2)

La Figura 2.9 [7] muestra como se gracar a este sistema en el plano-s.

Figura 2.9: Representaci on del sistema en el plano-s [7] . Utilizando expansi on en fracciones parciales se tiene Y (s) = 2 1 s+1 s+2

Tomando la transformada inversa de Laplace se obtiene nalmente que y (t) = 2et e2t Usualmente tambi en se desea obtener el valor nal o valor en estado estacionario. Para ello se utiliza una de las propiedades m as u tiles de la transformada de Laplace, i.e., el teorema del valor nal. Este se puede ver como l m y (t) = l m sY (s)
t s0

Cabe aclarar que esto s olo es v alido si l mt y (t) existe. Para el ejemplo en cuesti on, es claro que l mt y (t) = 0, lo que implica que la posici on nal de la masa es la posici on y = 0. Podr amos ilustrar los puntos principales de la transformada de Laplace hasta ahora enunciados por m etodos gr acos. Para ello, tomemos la Ecuaci on (2.14) nuevamente, i.e., Y (s) = Esto podr a escribirse como Y (s) = s2 (s + 2n )y0 2 + 2n s + w (s +
b M )y0 k M

b s2 + ( M )s +

donde es la tasa de amortiguamiento (no tiene dimensiones), y n es la frecuencia natural del sistema. El polinomio caracter stico ser a 2 =0 d(s) = s2 + 2n s + w

2.4. TRANSFORMADA DE LAPLACE Por lo que las ra ces vendr an dadas por s1,2 = n w Para este caso espec co, n =
k M,

27

2 1

(2.15)

y=

b . 2 kM

Si analiz aramos la Ecuaci on (2.15) es claro que Cuando > 1, las ra ces son reales. Cuando < 1, las ra ces son complejas conjugadas. Cuando = 1, las ra ces son repetidas y reales. Esta u ltima condici on se conoce como amortiguamiento cr tico. Para el caso cuando > 1, la respuesta es subamortiguada, y las ra ces de (2.15) se podr an escribir como s1,2 = n jw 1 2

Si grac aramos en el plano-s los polos y ceros de Y (s) obtendr amos lo que se ve en la Figura 4.8 [7].

Figura 2.10: Representaci on del sistema en el plano-s [7]. donde = cos1 . Si asumimos que n es constante, las ra ces complejas conjugadas variar an dependiendo del valor de como se ve en la Figura 2.11 [7]. Es claro que la respuesta transitoria aumentar a sus oscilaciones a medida que las ra ces tiendan al eje j , i.e., cuando tiende a cero. Si calcul aramos la transformada inversa utilizando la expansi on en fracciones parciales para el caso en que < 1, tendr amos que k1 k1 Y (s) = + s s1 s s2 s1 = n + jw s2 = n jw Utilizando las ideas vistas previamente, obtenemos que 1 1 k1 = y 0 j y 0 2 2 1 2 1 2 1 2

donde

28

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Figura 2.11: Representaci on c omo var a en el plano-s cuando n se mantiene constante [7]. Por lo tanto, |k1 | = y k1 = tan1 Finalmente, la respuesta en tiempo ser a igual a y (t) = y0 1 1 2

1 y0 2

1 1 2 1 2 1 2

en t cos n t 1 2 + tan1

Gr acamente, esto se ver a como se observa en la Figura 2.12 [7].

Figura 2.12: Respuesta en tiempo del sistema masa-resorte-amortiguador [7] . M rese ahora la relaci on entre la respuesta en tiempo y la ubicaci on de los polos y ceros en el plano-s. Si n var a, entonces la envolvente en t tambi en, por lo que la respuesta cambiar a. Entre m as grande sea el valor de n , m as r apido ser a el amortiguamiento de la respuesta. Esto implicar a desplazar bastante los polos hacia la izquierda del plano-s. Es claro que en aplicaciones de control se tendr an m as polos, por lo que la respuesta transitoria depender a de la contribuci on de todos ellos. Estas ideas se analizar an m as adelante.

2.5. FUNCIONES DE TRANSFERENCIA

29

2.5.

Funciones de Transferencia

Denition 4 La funci on de transferencia de un sistema lineal e invariante en el tiempo, es la relaci on en frecuencia que existe entre la entrada y la salida cuando las condiciones iniciales son iguales a cero. En esta denici on, v alida para sistemas lineales e invariantes en el tiempo, se tiene que para un sistema como (7.18), la relaci on entre la entrada u y la salida y estar a dado por una transformaci on en frecuencia de las se nales, siempre y cuando las condiciones iniciales sean nulas. y n + a1 y n1 + . . . + an1 y + an y = b0 um + b1 um1 + . . . + bm1 u + bm u Esto ser a, H (s) = L [salida] L [entrada]
CI =0

nm

(2.16)

d onde L [] es la transformada de Laplace. Aplicando esto a (7.18), se obtiene que H (s) = b0 sm + b1 sm1 + . . . + bm1 s + bm Y (s) = U (s) sn + a1 sn1 + . . . + an1 s + an (2.17)

Cabe aclarar que en realidad la respuesta de un sistema est a dada por dos componentes: Y (s) = n(s) R(s) d(s) Respuesta a Estado Cero Respuesta Forzada Funci on de Transferencia + p(s) d(s) Respuesta a Entrada Cero Respuesta Natural

Ejemplo 2.5.1 [7] Se tiene el sistema que se ve en la Figura 2.13 [7]. Obtener la funci on de transferencia que relaciona la velocidad v1 (t) y la fuerza r(t).

Figura 2.13: Sistema masa-resorte-amortiguador [7] . Al modelar el sistema, se tiene el siguiente conjunto de ecuaciones, M1 v 1 + (b1 + b2 )v1 b1 v2 M2 v 2 + (v2 (t) v1 (t))b1 + kx2 (t) = r(t) = 0

donde x2 (t) corresponde a la posici on asociada a la velocidad v2 (t). Si las condiciones iniciales son iguales a 0, tendr amos en frecuencia que

30

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Despejando en t erminos de V1 (s) se tiene que la funci on de transferencia ser a V1 (s) = M2 s + b 1 +


k s 2 (M1 s + b1 + b2 )(M2 s + b1 + k s ) b1

M1 sV1 (s) + (b1 + b2 )V1 (s) b1 V2 (s) (s) M2 sV2 (s) + (V2 (s) V1 (s))b1 + k V2s

= R(s) = 0

R(s)

2.6.

Linealizaci on

Las aproximaciones de un sistema no lineal a uno lineal se realiza para estudiar el comportamiento local de un sistema, donde los efectos no lineales son peque nos y pr acticamente despreciables. Para que una ecuaci on sea lineal, cada uno de los t erminos no debe contener variables cuya potencia sea mayor que uno. Existe una t ecnica de linealizaci on mediante la cual es posible aproximar las ecuaciones no lineales que se pueden analizar mediante la transformada de Laplace. La suposici on b asica es que la respuesta de la aproximaci on lineal representa la respuesta del proceso en la regi on cercana a un punto de operaci on, al rededor del cual se realiza la linealizaci on [31, 7]. El manejo de las ecuaciones linealizadas se facilita en gran medida con la utilizaci on de las variables desviaci on, las que se denen como la diferencia entre el valor de la variable y su valor en un punto de operaci on dado. Esto se podr a escribir como x (t) = x(t) x (2.18)

En (2.18) se tiene que x(t) es la variable que se est a analizando, y x es el punto de operaci on al rededor del que deseamos trabajar. En otras palabras, la variable desviaci on mide la diferencia entre el valor de la variable y un valor de operaci on sobre el que deseamos trabajar (ver Figura 2.14 [31]).

Figura 2.14: Representaci on del sistema en t erminos de la variable desviaci on [31] . La transformaci on del valor absoluto de una variable al de desviaci on equivale a mover el cero sobre el eje de esa variable hasta el valor base, i.e., x . Se tiene que dn x(t) dn x (t) = n dt dtn Supongamos que se tiene la ecuaci on diferencial x (t) = f (x(t)) La expansi on por series de Taylor de la funci on no lineal f (x(t)) alrededor de un punto de operaci on x est a dada por f (x(t)) = f ( x) + df (x(t)) dx (x x ) + 1 d2 f (x(t)) 2! dx2 (x x )2 + 1 d3 f (x(t)) 3! dx3 (x x )3 + . . .

x= x

x= x

x= x

2.6. LINEALIZACION

31

La aproximaci on lineal consiste en tomar u nicamente los primeros elementos de la serie, i.e., aquellos que no est an elevados a ninguna potencia. Por lo tanto, f (x(t)) f ( x) + df (x(t)) dx (x x ) (2.19)

x= x

Si se plantea en t erminos de las variables desviaci on se tiene que f (x(t)) f ( x) + df (x(t)) dx x


x= x

Ejemplo 2.6.1 [31] Linealizar la ecuaci on de Arrhenius para la dependencia de las tasas de reacci on qu mica de la temperatura, k (T ) = k0 eE/RT es el punto de operaci Supongamos que T on alrededor del cual queremos linealizar. Tomando (2.19) se tiene que ) + dk k (T ) = k (T T dt T =T Es decir que ) + k (T ) k (T ) = k (T E 2 T RT

Ejemplo 2.6.2 Analicemos el problema de un tanque acoplado con una v alvula que se observa en la Figura... ANADIR FIGURA Primero, antes de plantear las ecuaciones diferenciales que nos ayudar an a entender el sistema, recordemos c omo se modela un sistema hidr aulico. El ujo de l quido a trav es de una v alvula que est a totalmente abierta est a dado por q (t) = CV P G

donde q (t) corresponde al ujo, CV es el coeciente de la v alvula en gpm/(psi)1/2 y G es la gravedad espec ca del l quido que uye a trav es de la v alvula. Esta ecuaci on se puede reducir a q (t) = K P Donde la v alvula se modela como se muestra en la Figura... ANADIR FIGURA La resistencia al ujo del l quido se dene como la variaci on de diferencia de nivel necesaria para producir una variaci on unitaria en el gasto. Se sabe que
h

V =
0

A()d

(2.20) (2.21)

P = gh + Pa

donde A es el a rea del tanque, h la altura, la densidad, g la gravedad, y P a es la presi on atmosf erica. La presi on P y el volumen V de un tanque est an relacionados por dV = C como se observa en la Figura... dP ANADIR FIGURA Utilizando la regla de la cadena, se tiene que dV dh dV = dP dh dP

32 Reemplazando (2.20) y (2.21) se obtiene que

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

1 dV = A(h) dP g
1 Por lo tanto C = A(h) g .

Por otra parte, el volumen en funci on del tiempo est a dado por
h

V (t) = V (0) +
0

(qi () qo ())d

donde qi es el ujo de entrada y qo es el ujo de salida. = qi qo , y por ende Lo que implica que V 1 dP = (qi qo ) dt C Retomando el problema original, tenemos que P1 = P1 Pa , qo = K1 P1 , y por lo tanto 1 = 1 (qi K1 P C1 P1 )

Si linealizamos el sistema alrededor de los puntos de operaci on q o y P 1 , se obtiene que qo = q o + 1 Pa , por lo que Pero, P1 = P K1 (P1 P 1) 2 P1 1 1 ) (P1 P R1

qo = q o +

Reemplazando en la ecuaci on diferencial, obtenemos que 1 = 1 P C1 q i 1 P1 R1

Si se tomaran las funciones de transferencia de las variables desviaci on (asumiendo que los puntos de operaci on son las mismas condiciones iniciales para simplicar el problema), se obtendr an dos sistemas de primer orden, i.e., 1 R1 P = q i 1 + sC1 R1 1 q o = q i 1 + sC1 R1 Para ver el comportamiento de este sistema, ser a u til utilizar Simulink para ver el comportamiento tanto del sistema no lineal y el lineal asumiendo que Pa = 3, P1 = 6, C1 = 5, y K1 = 2. Un sistema de una entrada y una salida se puede ver como
dx dt

= f (x, u) = h(x, u)

(2.22)

con x Rn , u, y R. Asumamos que los puntos de operaci on son x = xe y u = ue . Para estudiar comportamientos locales del sistema al rededor del punto de operaci on, se asume que las variables desviaci on x = x xe y u = u ue son se nales peque nas, tal que las perturbaciones no lineales al rededor del punto de operaci on pueden ser despreciadas con respecto a los t erminos lineales. Utilizando el cambio de variables por las variables

2.7. DIAGRAMAS EN BLOQUES

33

desviaci on, y tomando w = y h(xe , ue ), adem as del hecho que por series de Taylor, y despreciando los t erminos de orden superior, se tiene que f (x, u) = f (xe , ue ) + f f (xe , ue ) x+ (xe , ue ) u + ... x u

M as formalmente, se puede denir la linealizaci on Jacobiana del sistema no lineal (2.22) como = Ax x + Bu w = Cx + Du
f h h donde A = f olo se x |xe ,ue , B = u |xe ,ue , C = x |xe ,ue , y D = u |xe ,ue . Es importante recalcar que s puede denir la linealizaci on de un sistema con respecto a un punto de operaci on.

Es decir, si uno generalizara para una funci on con n variables xi , i = 1, . . . , n tendr amos que esta se linealiza como n f f (x1 , . . . , xn ) = f ( x1 , . . . , x n ) + (xk x k ) (2.23) xk ( x1 ,...,x n )
k=1

Ejemplo 2.6.3 [31] Sea la funci on f (x, y, z ) = 2x2 + xy 2 3 y z

= 8 . Demuestre que la aproximaci on lineal de f () en x = 1, y = 2, y z = 3 es f x + 3 y+ 2 3z

2.7.

Diagramas en Bloques

Previamente, se hab an utilizado sumadores, integradores, y bloques de ganancia u nicamente para hacer una representaci on en diagramas en bloques. Ahora, tendremos bloques que representar an directamente la funci on de transferencia, por lo cual si quisi eramos representar las condiciones iniciales de un determinado sistema, tendr amos que tener bloques adicionales que representaran dicha energ a inicial [5, 28, 7, 22]. En la Figura 2.15 [31, 22] se muestran algunas de las reglas de diagramas en bloques que se utilizar an. Sin embargo, a continuaci on se describen de manera m as profunda algunas de ellas.

Figura 2.15: Algunas reglas u tiles cuando se manejan diagramas en bloques [31, 22].

34

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

2.7.1.

Combinaci on en Serie

Se dice que se tiene una combinaci on en serie cuando se tienen dos funciones de transferencia conectadas una despu es de otra. En la Figura 2.16 [7] se muestra un sistema cuya salida X 3 (s) = X2 (s)G2 (s) est a conectada con un sistema que tiene una salida X2 (s) = X1 (s)G1 (s). Reemplazando W (s) en la primera ecuaci on, se tiene que X3 (s) = X1 (s)G1 (s)G2 (s), lo que es equivalente al diagrama en bloques que tambi en se puede ver en la Figura 2.16 [7].

Figura 2.16: Combinaci on Serie [7].

2.7.2.

Combinaci on en Paralelo

Cuando dos sistemas tienen una entrada en com un, y sus salidas est an atadas a un sumador, se tiene una combinaci on en paralelo. Anal ticamente, se tendr a que X 1 (s) = X (s)F1 (s), X2 (s) = X (s)F2 (s), y Y (s) = X1 (s)+ X2 (s). As pues, el diagrama en bloques se puede reducir tal que Y (s) = X (s)(F 1 (s)+ F2 (s)).

2.7.3.

Puntos de Partida

Un pick-o point es un punto donde llega una variable y de ah se divide en m as de un bloque. Las Figuras 2.17 y 2.18 [7] muestran un par de ejemplos.

Figura 2.17: Ejemplo de puntos de partida [7].

Figura 2.18: Ejemplo de puntos de partida [7].

2.7.4.

Bloques con Sumadores

Las Figuras 2.19 y 2.20 [7] muestran un par de ejemplos.

2.8. LEY DE MASON

35

Figura 2.19: Ejemplo del a lgebra de bloques [7].

Figura 2.20: Ejemplo del a lgebra de bloques [7].

2.7.5.

Sistemas Retroalimentados

En la Figura 2.21, G(s) se conoce como la forward transfer function, mientras que H (s) se conoce como la feedback transfer function. El conjunto G(s)H (s) se conoce como la open-loop transfer function. La funci on de transferencia que relaciona la entrada y la salida de un sistema retroalimentado como el que se ve en la Figura 2.21 ser a, G(s) T (s) = 1 G(s)H (s)

Figura 2.21: Ejemplo del a lgebra de bloques para sistemas retroalimentados [7].

2.7.6.

Ejemplos

2.8.

Ley de Mason

En [18, 17] S. Mason deni o las ideas para resolver ecuaciones lineales utilizando grafos o diagramas de ujo, pero teniendo en cuenta aquello que Tustin omiti o en un art culo previo. Esto dio origen a lo que se conoce como Masons gain formula. Los diagramas de ujo son una forma alternativa de representar gr acamente los sistemas din amicos. Las se nales se representan en estos casos por medio de nodos que est an conectados entre si por ramas. Cada nodo representa una variable del sistema, y cada rama que conecta dos nodos representa una funci on de transferencia o ganancia. El ujo va en una u nica direcci on, la cual se indica mediante una echa. Sobre esta, se coloca el valor de la ganancia entre dos nodos, lo que indica una relaci on entre dos se nales determinadas. La idea es poder utilizar este tipo de ideas para poder obtener relaciones entrada salida sin tener que utilizar el a lgebra de bloques descrito previamente. A continuaci on se explicar a la terminolog a utilizada, y luego se denir a dicha f ormula. Estas deniciones fueron sacadas del [22].

36

CAP ITULO 2. MODELAMIENTO DE SISTEMAS

Denition 5 Un nodo es un punto que representa una variable o se nal. Denition 6 Una rama es un segmento lineal dirigido que une dos nodos. Denition 7 Un nodo de entrada (source) es un nodo que s olo tiene una rama saliente. Un nodo de salida (sink) es un nodo que s olo tiene ramas entrantes. Un nodo mixto es aquel que tiene tanto ramas de entrada y de salida. Un nodo suma las se nales de todas las ramas entrantes y transmite esta suma a todas las ramas salientes. Denition 8 Un trayecto es una conexi on entre ramas de un nodo a otro con las echas en la misma direcci on. Es decir, todas las se nales van en la misma direcci on de un nodo a otro. Un trayecto directo es aquel que conecta un nodo de entrada con un nodo de salida donde ning un nodo se encuentra m as de una vez. Denition 9 Un lazo es una trayectoria cerrada (loop) en la cual ning un nodo se repite. N otese que ning un nodo de entrada puede ser parte de una trayectoria cerrada ya que cada nodo en un lazo debe tener al menos una rama que llegue al nodo y al menos otra rama saliendo. Se dice que un lazo es disyunto cuando no se tiene un nodo en com un. Denition 10 La ganancia del trayecto es el producto de las funciones de transferencia de todas las ramas del trayecto. Es claro que para un sistema dado pueden existir varias formas de realizar el diagrama de ujo. Para determinar la relaci on entrada salida, se puede reducir el diagrama de ujo utilizando a lgebra (similar a lo que vimos previamente), o se puede utilizar le ley de Mason que denimos a continuaci on. La funci on de transferencia entre un nodo de salida y uno de entrada, est a dada por F (s) = 1
n

Pk k
k=1

(2.24)

donde n es el n umero de trayectos directos, Pk es la ganancia del trayecto directo k , es el determinante del diagrama, y k es el cofactor del determinante de la k - esima trayectoria directa del diagrama eliminando los lazos que se tocan en el k - esimo camino directo; esto es, se eliminan los lazos que tocan el camino directo Pk . se dene a continuaci on. =1 La
a

+
b,c

Lb Lc Suma de los productos ganancias de lazos disyuntos (dos)

Ld Le Lf
d,e,f

+...

Suma de todas las ganancias de lazos individuales

Suma de los productos ganancias de lazos disyuntos (tres)

Cap tulo 3

Caracter sticas de los Sistemas


Pero las lenguas son sustancias radioactivas que hunden sus ra ces en nuestro coraz on m as primitivo, en la oscura e irracional memoria de la horda. Rosa Montero

3.1.

Introducci on

Como se ha visto previamente, un sistema de control se compone de una serie de elementos que est an interconectados de tal forma que se obtiene una respuesta deseada del sistema. Ya que lo que uno desea es conocido, una se nal proporcional al error producido entre la se nal deseada y la actual se puede generar (ver Figura 4.1p213). Para ello, alg un tipo de retroalimentaci on es necesaria, la cual redundar a en un mejor comportamiento del sistema. Es claro que este tipo de retroalimentaci on aparece en varios sistemas en la naturaleza, como lo son los sistemas biol ogicos y siol ogicos. ANADIR FIGURA Para poder entender las ventajas y caracter sticas a la hora de introducir la retroalimentaci on, comparemos con un sistema en malla abierta como el de la Figura... ANADIR FIGURA En este caso, es claro que la perturbaci on TD (s) inuye directamente Y (s), por lo que en ausencia de retroalimentaci on, el sistema de control es bastante sensible a las perturbaciones y a los cambios en los par ametros de G(s). Por otro lado, un sistema retroalimentado negativamente ser a como el que se observa en la Figura... ANADIR FIGURA A pesar de la complejidad, se tiene una serie de ventajas como: 1. Decremento de la sensitividad del sistema a variaciones en los par ametros del proceso. 2. Mejora el rechazo a perturbaciones. 3. Mejora la atenuaci on de la medici on del ruido. 4. Reduce el valor del error en estado estacionario del sistema. 5. M as f acil de controlar y ajustar la respuesta transitoria del sistema. 37

38

CAP ITULO 3. CARACTER ISTICAS DE LOS SISTEMAS

3.2.

Se nal de Error

El sistema de la Figura... tiene tres entradas (i.e., R(s), D(s), N (s)), y una salida Y (s). El error de seguimiento estar a dado por E (s) = R(s) Y (s) Si asumimos que H (s) = 1 por simplicidad, se tiene que Y (s) = Gc (s)Gp (s) Gp (s) Gc (s)Gp (s) R(s) + D(s) N (s) 1 + Gc (s)Gp (s) 1 + Gc (s)Gp (s) 1 + Gc (s)Gp (s)

(3.1)

Por lo que el error vendr a dado por E (s) = Denamos la funci on L(s) = Gc (s)Gp (s) como la ganancia de lazo, lo cual dar a E (s) = Por otro lado, se dene F (s) = 1 + L(s) con lo que la funci on de sensitividad ser a S (s) = 1 F (s) (3.3) Gp (s) Gc (s)Gp (s) 1 R(s) D(s) + N (s) 1 + L(s) 1 + L(s) 1 + L(s) Gp (s) Gc (s)Gp (s) 1 R(s) D(s) + N (s) 1 + Gc (s)Gp (s) 1 + Gc (s)Gp (s) 1 + Gc (s)Gp (s) (3.2)

y la funci on de sensitividad complementaria ser a C (s) = Por lo tanto (3.2) se convertir a en E (s) = S (s)R(s) S (s)Gp (s)D(s) + C (s)N (s) (3.4) L(s) 1 + L(s)

Analizando (3.4) se puede ver que para un Gp (s) dado, si queremos minimizar el error, se necesita que S (s) y C (s) sean lo m as peque nos posibles. Sin embargo, ambas funciones dependen de G c (s), y adem as S (s) + C (s) = 1 Por lo que no podr an minimizarse ambas funciones al tiempo. Para poder entender qu e signica que una funci on sea grande o no, analicemos la magnitud de L(s), i.e., |L(j )| a lo largo de un rango de frecuencias de inter es. Para reducir la inuencia de D(s) en E (s) se quiere que L(s) sea grande en el rango de G (s) a peque no, haciendo que la inuencia de frecuencias que caracterizan la perturbaci on. Por ende, 1+p L(s) ser D(s) disminuya. Al tener L(s) = Gc (s)Gp (s) se requiere que la magnitud de Gc (s) sea alta. Para atenuar la inuencia del ruido N (s) en E (s), se requiere que L(s) sea peque no en el rango de frecuencias que caracterizan L(s) el ruido. Por ende, 1+ ser a peque n o, haciendo que G ( s ) tenga que tener una magnitud peque na en ese c L(s) mismo rango de frecuencias.

3.3.

Sensitividad de Sistemas de Control para Variaciones de Par ametros

Un proceso Gp (s) est a sujeto a una gran cantidad de variaciones en sus par ametros que afectan el proceso de control. En un sistema de malla abierta esta redundar a en bastantes errores en la salida, mientras

3.3. SENSITIVIDAD DE SISTEMAS DE CONTROL PARA VARIACIONES DE PARAMETROS

39

que en un sistema de malla cerrada esto podr a reducirse gracias al sensado de la salida en la entrada. Para ello, la sensitivdad es de vital importancia. Por ejemplo, si Gc Gp >> 1 para toda frecuencia, la salida ser a Y (s) R(s) cuando D(s) = N (s) = 0. Esto implicar a que la salida y la entrada ser an similares, pero Gc Gp >> 1 causar a oscilaciones y se podr a llegar a la inestabilidad del sistema. El hecho de que aumente la magnitud de la ganancia de lazo, disminuye el efecto de G p (s) en la salida, es de mucha utilidad. Por lo tanto, la primera ventaja de un sistema retroalimentado es que el efecto en las variaciones de los par ametros del proceso Gp (s) se ve reducida. Supongamos que la planta se ve sujeta a una serie de cambios en los par ametros (e.g., cambios del ambiente, envejecimiento) de tal forma que la verdadera funci on de transferencia del proceso es Gp (s) + Gp (s) Consideremos los efectos que se producen en el error E (s) debidos a Gp (s), asumiendo que D(s) = N (s) = 0, y que s olo tenemos como entrada la referencia. E (s) + E (s) = 1 R(s) 1 + Gc (s)(Gp (s) + Gp (s))

Sabiendo la relaci on que existe entre E (s) y R(s), se tiene que E (s) = Gc (s)Gp (s) R(s) (1 + Gc (s)(Gp (s) + Gp (s)))(1 + Gc (s)Gp (s))

Por lo general, Gc (s)Gp (s) >> Gc (s)Gp (s), i.e., E (s) Gc (s)Gp (s) R(s) (1 + L(s))2

Esto quiere decir que el error se ve reducido por un factor 1 + L(s), el cual por lo general se hace mucho m as grande que 1 en el rango de frecuencias de inter es. Es decir que por lo general, 1 + L(s) L(s), haciendo que 1 Gp (s) E (s) R(s) L(s) Gp (s) La sensitividad se ver a reducida para cambios en el proceso siempre y cuando L(s) sea grande, i.e., sensitividad S (s) menor. Para este caso, la sensitividad del sistema se dene como la proporci on de cambio en la funci on de transferencia del sistema a cambios en el Gp (s) para peque nos cambios incrementales. Es decir, si la funci on de transferencia del sistema es T (s) = S (s) = Y (s) R(s)

T (s)/T (s) Gp (s)/Gp (s)

En el l mite, para peque nos cambios, esta ecuaci on se convierte en


T (s) = SG p

T (s) Gp (s) ln T (s) = Gp (s) T (s) ln Gp (s)

La sensitividad en malla abierta a cambios de la planta Gp (s) es igual a 1. Demostremos que en malla cerrada, se tiene lo mismo obtenido previamente. T (s) =
T (s) = SG p

Gc (s)Gp (s) 1 + Gc (s)Gp (s) Gp (s) Gc (s)Gp (s) 1+Gc (s)Gp (s) = 1 1 + Gc (s)Gp (s)

Gc (s) T (s) Gp (s) = Gp (s) T (s) (1 + Gc (s)Gp (s))2

40

CAP ITULO 3. CARACTER ISTICAS DE LOS SISTEMAS

En muchos casos, lo que se busca obtener es la sensitividad a variaciones de un par ametro de la funci on T de transferencia del proceso Gp (s), i.e., S . Utilizando la regla de la cadena, se tiene que
T T Gp (s) S (s) = SG (s)S p

Cuando la funci on de transferencia del sistema depende de un par ametro que est a sujeto a variaciones del estado, i.e., N (s, ) T (s) = D(s, ) Su funci on de sensitividad estar a dada por
T (s) = S

ln T (s) ln N (s, ) = ln ln

ln D(s, ) ln

D N (s) (s) S = S

donde 0 es el valor nominal del par ametro. Ejemplo 3.3.1 Se tiene el sistema en malla cerrada con retroalimentaci on negativa unitaria y ganancia de Ka lazo 1+K como se ve en la Figura... a ( +1) ANADIR FIGURA La funci on de transferencia est a dada por T (s) = La sensitividad a variaciones de Ka ser a
T SK (s) a T G = SG S Ka T (s) G(s) G(s) Ka = G(s) T (s) Ka G(s) Ka 1+Ka ( +1) a 1+KK a ( +1)

Ka 1 + Ka

= =

T (s) Ka G(s) T (s) 1 1+Ka

Cap tulo 4

Respuesta de los Sistemas


Hemos renunciado a buscar un mundo perfecto quiz a porque sabemos que la perfecci on es imposible y a lo mejor indeseable. Todos aspiramos con las justas a ser sobrevivientes dignos y nos resignamos con humor a las injusticias, la corrupci on y la violencia que vemos a diario. Alonso Cueto

Antes de iniciar con el dise no de los controladores, necesitamos entender c omo se comportan los sistemas con respecto a diversas entradas. Los sistemas que analizaremos son sistemas lineales e invariantes en el tiempo (LTI), por lo cual se utilizar a la transformada de Laplace para poder analizar el comportamiento de sistemas de primero y segundo orden. Luego, se muestra que los sistemas de orden superior son una combinaci on de las respuestas de primer y segundo orden. Las entradas m as comunes en los sistemas de control, de las cuales cuatro se ilustran en la Figura 4.1. Estas ser an: Entrada paso (escal on unitario): Este tipo de entrada se encuentra en varios sistemas como lo son sistemas de temperatura donde se quiere conservar la misma temperatura en alg un lugar determinado. Entrada rampa: En el aterrizaje autom atico de un avi on, la aeronave sigue una entrada rampa que le indicar a la pendiente de planeaci on a seguir (por lo general es igual a 3). Otro ejemplo que se encuentra en la industria es el del tratamiento del calentamiento del acero. La temperatura se incrementa de forma gradual a lo largo del tiempo. Entrada sinusoidal: Su utilidad no parece evidente a simple vista, ya que por lo general no se requiere que un sistema siga este tipo de se nales. Sin embargo, si se conoce la respuesta de este tipo de entradas en sistemas LTI para todas las frecuencias, se podr a tener una descripci on m as completa del sistema. De esta forma, se podr an dise nar compensadores o controladores para un sistema. Hay otro tipo de entradas que se pueden utilizar como son las parab olicas, o aquellas que podr an ser descritas de forma general como r(t) = tn Es claro que como su transformada de Laplace es R(s) = n! sn+1

su respuesta estar a relacionada con otras se nales de prueba. En el siguiente an alisis se ver a que la respuesta en tiempo de un sistema est a compuesto de dos elementos: (i) la respuesta transitoria (o respuesta natural), que es aquella que representa la forma como se va desde el estado inicial hasta el estado nal, y (ii) la respuesta en estado estacionario (o entrada forzada), que representa el comportamiento del sistema cuando el tiempo tiende a innito. Para el siguiente an alisis, se presentan ejemplos y simulaciones en Matlab y Simulink. Las siguientes notas han sido adaptadas a partir de varios textos de control (e.g., [22, 31, 28, 7]). 41

42

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

Entrada paso

10 8 6

Entrada rampa

1.5

1 4 0.5 2 0

tiempo

10

tiempo

10

Entrada senoidal

100 80 60

Entrada parablica

0.5

0 40 0.5 20 0

tiempo

10

tiempo

10

Figura 4.1: Diversos tipos de entradas comunes en el an alisis de sistemas de control.

4.1.

Sistemas de Primer Orden

Asumamos que se tiene un diagrama en bloques como el que se muestra en la Figura... Utilizando lo visto en el cap tulo anterior, se tiene que la funci on de transferencia viene dada por H (s) = K s + 1 (4.1)

K La salida de este sistema es igual a C (s) = R(s) s +1 , donde R(s) puede ser una entrada paso, rampa, o sinusoidal. Algunas veces vale la pena estudiar la entrada impulso.

4.1.1.

Entrada paso

Si se tiene una entrada paso, entonces R(s) = 1 s por lo que, utilizando fracciones parciales, C (s) se vuelve igual a K K C (s) = 1 s s+ Tomando la transformada inversa de Laplace, se obtiene que c(t) = K 1 e En l neas generales, la salida c(t) se puede escribir como c(t) = css (t) + ctr (t) donde ctr (t) corresponde a la respuesta que va del estado inicial al estado nal, y c ss (t) corresponde a la manera como se comporta la salida del sistema conforme t . La Figura 4.2 ilustra el resultado de (4.2) cuando K = 1, y = 10. En (4.2) la primera parte de t la respuesta corresponde a la respuesta en estado estacionario, mientras que la segunda parte, i.e., Ke corresponde a la respuesta transitoria del sistema. Esto se debe a que si tomamos el l mite cuando t tiende a innito de (4.2) , obtenemos que l m c(t) = l m sC (s) = K
t s0
t

(4.2)

4.1. SISTEMAS DE PRIMER ORDEN

43

Por lo cual K corresponde al valor nal o el valor en estado estable. La constante se conoce como la constante de tiempo, y como se puede observar en la gura, despu es de 4 o 5 el sistema ya est a cerca del valor nal. Por lo general, para t 4 la respuesta permanece dentro del 2 % del valor nal.
Step Response 1

0.9

0.8

0.7

0.6 Amplitude

0.5

0.4

0.3

0.2

0.1

10

20

30

40 Time (sec)

50

60

70

80

Figura 4.2: Respuesta a entrada paso del sistema de primer orden (4.1) cuando K = 1, y = 10. La l nea punteada roja representa el valor nal cuando se ha cumplido el primer , mientras que la punteada negra representa el valor nal cuando se han cumplido 2 . Otro punto interesante a analizar es lo que puede verse en la Figura 4.2. Cuando t = , el valor nal es igual al 63.2 % del valor nal, ya que c( ) = K Ke1 = 0,632K . Cuando t = 2 se llega al 86.5 % del valor nal. Estos dos puntos se representan en la Figura 4.2. As pues, cuando la constante de tiempo es peque na, la respuesta es m as r apida, y esto se puede ver porque la pendiente de la curva en t = 0 es igual a K .

4.1.2.

Entrada rampa

En este caso, la funci on de transferencia expandida viene dada por C (s) = K K K + 1 2 s s s+

Por lo tanto, en tiempo esto viene siendo equivalente a c(t) = Kt K + K e


t

para t 0

La Figura 4.3 muestra un par de ejemplos de este tipo de respuesta. Para este caso, Kt K corresponde al t a estado estacionario, mientras que K e corresponde a la respuesta natural. El error en este caso vendr dado por e(t) = Kr(t) c(t), por lo que e(t) = K + K e Tomando el l mite de esta se nal, tendremos que l mt e(t) = K . Por lo tanto, entre m as peque no K menor ser a la diferencia entre la entrada y la salida en estado estacionario. Esto se puede apreciar m as claramente si comparamos las dos gr acas en la Figura 4.3. En el panel superior el valor del error es 10, mientras que en el segundo caso es igual a 1. De esta forma, se puede observar claramente como el error disminuye.
t

44

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

Respuesta rampa de un sistema de primer orden con = 10 80 70 60 50 40 30 20 10 0

Amplitude

10

20

30

40 Time (sec)

50

60

70

80

Respuesta rampa de un sistema de primer orden con = 1 80 70 60 50 40 30 20 10 0

Amplitude

10

20

30

40 Time (sec)

50

60

70

80

Figura 4.3: Respuesta a entrada rampa del sistema de primer orden (4.1) cuando K = 1, y = 10 para el panel superior, y = 1 para el panel inferior.

4.2.

Sistemas de Segundo Orden

Consideremos el diagrama en bloques que se ve en la Figura 4.4, el cual podr a ser equivalente a un (s) K sistema que representa un servosistema con una funci on de transferencia dada por C R(s) = Js2 +Bs+K , donde K es una constante de proporcionalidad, B es una constante de fricci on y J es una constante de inercia. Manipulando algebr aicamente esta ecuaci on, obtendremos C (s) = 2 R(s) s +
K J B Js

K J

Una forma conveniente y est andar de escribir dicha expresi on es


2 C (s) wn = 2 2 R(s) s + 2wn s + wn

(4.3)

Esta forma se conoce como la forma est andar del sistema de segundo orden. Para el caso espec co del B 2 , y 2 w = 2 = . El t e rmino w se conoce como la frecuencia servosistema descrito previamente, wn =K n n J J natural no amortiguada, es el factor de amortiguamiento relativo del sistema, y es la atenuaci on. El factor de amortiguamiento relativo es el cociente real B y el amortiguamiento cr tico B c = 2 JK .

Figura 4.4: Sistema de segundo orden [7]. En a) se tiene el grafo, mientras que en b) el diagrama en bloques. El comportamiento din amico del sistema se describe en t erminos de w n y . Como se vio previamente, si 0 < < 1 los polos del sistema son complejos conjugados y se encuentran ubicados en el semi-plano izquierdo del plano-s. En este caso, se dice que el sistema es subamortiguado y su respuesta transitoria es oscilatoria. Si = 0, la respuesta transitoria no es amortiguada, y si = 1 el sistema se denomina cr ticamente amortiguado; nalmente, si > 1 el sistema es sobreamortiguado. A continuaci on se analizar an algunos de estos casos.

4.2. SISTEMAS DE SEGUNDO ORDEN

45

4.2.1.

Respuesta a Entrada Paso

Caso Subamortiguado (0 < < 1) La Ecuaci on (4.3) se puede escribir en este caso como
2 C (s) wn = R(s) (s + wn + jwd )(s + wn jwd )

donde la frecuencia natural amortiguada del sistema wd es igual a wd = wn paso, se tiene que C (s) = = =
2 wn s(s+wn +jwd )(s+wn jwd ) s+2wn 1 2 s s2 +2wn +wn wn s+wn 1 2 (s+w )2 +w 2 s (s+wn )2 +wd n d

1 2 . Si R(s) es una entrada

Recordando la transformada inversa de Laplace para este caso, se tiene que L 1 s + wn wn t cos(wd t) 2 =e (s + wn )2 + wd wd wn t sin(wd t) 2 =e (s + wn )2 + wd

L 1

Esta u ltima ecuaci on podr a asociarse a la que ten amos previamente de la siguiente forma L 1 Por lo tanto, ewn t sin(wd t) (1 2 ) Si se utiliza la identidad trigonom etrica C cos + D sin = C 2 + D2 sin + tan1 c(t) = 1 1 (1 2 ) ewn t sin wd t + tan1 (1 2 ) c(t) = 1 ewn t cos(wd t)
wd wn w d

(s + wn

)2

2 wd

(1 2 )

ewn t sin(wd t)

C D

, se obtiene (4.4)

De (4.4) se puede deducir que la frecuencia de oscilaci on por parte de la respuesta transitoria es igual a w d , i.e., depende directamente de . Si analiz aramos la se nal de error para este caso, obtendr amos que e(t) = = r(t) c(t)

ewn t cos(wd t) +

(1 2 )

sin(wd t)

Como se puede ver, la se nal de error presenta una oscilaci on amortiguada, por lo que si t , entonces no existe error. El u nico caso cr tico ser a si = 0, donde se tiene una oscilaci on permanente, con una frecuencia wn (porqu e?). Un ejemplo de c omo ser a la respuesta en tiempo para diversos casos se ilustra en la Figura 4.5. Caso Cr ticamente Amortiguado ( = 1) Si los dos polos de (4.3) son iguales, el sistema tendr a que = 1, por lo que a entrada paso se tiene que C (s) =
2 wn s(s + wn )2

46

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 2 4 6

Figura cuando = 0

1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0

Figura cuando = 0.2

10

12

14

16

18

20

10

12

14

16

18

20

1.4 1.2 1 0.8 0.6 0.4 0.2 0

Figura cuando = 0.4

1.4 1.2 1 0.8 0.6 0.4 0.2 0

Figura cuando = 0.8

10

12

14

16

18

20

10

12

14

16

18

20

Figura 4.5: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3). En este caso, se tiene que = 0 para el panel superior izquierdo, = 0,2 para el panel superior derecho, = 0,4 para el panel inferior izquierdo, y = 0,8 para el panel inferior derecho. En todos los casos, w n = 24. La transformada inversa de Laplace ser a c(t) = 1 ewn t (1 + wn t) Esto parte de la base que si = 1, tocar a aproximar uno de los factores de (4.4) a l m sin(wd t) 1 2 = wn t (4.5)

La Figura 4.6 muestra un ejemplo de como responder a el sistema para este caso.
Figura cuando = 1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

10

12

14

16

18

20

Figura 4.6: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 1 y w n = 24.

4.2. SISTEMAS DE SEGUNDO ORDEN Caso Sobreamortiguado ( > 1)

47

En este caso, los dos polos de la funci on de transferencia en (4.3) son reales negativos y diferentes. Para una entrada paso, se tiene que C (s) =
2 wn

s(s + wn + wn

2 1)(s + wn wn wn es2 t es1 t s1 s2

2 1)

La transformada inversa de Laplace nos da c(t) = 1 + 2 2 1 (4.6)

donde s1 = wn + wn 2 1 y s2 = wn wn 2 1. Si se analiza (4.6) se puede ver que se tienen dos factores exponenciales que decaen. Entre m as grande es el valor de , uno de las exponenciales decae m as r apidamente (s2 ser a considerablemente menor a s1 , por lo que la exponencial asociada a este polo podr a despreciarse). El efecto que tiene s2 en el sistema ser a much simo m as relevante, por lo cual (4.6) se aproxima mediante s2 C (s) = R(s) s + s2 Esta respuesta es similar a la respuesta de un sistema de primer orden. La Figura 4.7 muestra un ejemplo de esta situaci on.
1 Figura cuando = 2

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

10

12

14

16

18

20

Figura 4.7: Respuesta a entrada paso del sistema de segundo orden descrito por (4.3) cuando = 2 y w n = 24.

Entrada Impulso Para este caso, se tendr a que C (s) =


2 wn 2 s2 + 2wn s + wn

Por lo tanto, la respuesta en tiempo del sistema estar a dada por c(t) wn 1 2 ewn t sin wn 1 2t

Es claro que este factor es la derivada del t ermino que se obtuvo en la secci on anterior para entrada paso. En la Figura... se observa el comportamiento para diferentes s.

48

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

4.2.2.

Caracter sticas Temporales del Sistema Subamortiguado

Para este caso, se asumir a que se tiene una funci on de transferencia de la forma H (s) = Esto puede ser escrito como H (s) = K1 s2 s2 k 2 + 2wn s + wn

2 wn = K1 H1 (s) 2 + 2wn s + wn

(4.7)

Por lo general, al dise nar un sistema de control se especican ciertas caracter sticas que se denen en el a mbito del tiempo. Estas caracter sticas est an ligadas a la respuesta transitoria, la cual depende de la entrada o la perturbaci on que se le aplique al sistema. La entrada cl asica que se utiliza para ver dicho comportamiento es el escal on unitario, ya que es f acil de generar y es lo sucientemente dr astico para observar el comportamiento del sistema (adem as, al conocer su respuesta en tiempo, se pueden obtener todas las dem as respuestas). Como esta respuesta depende de las condiciones iniciales, se asumir a que estas son cero, i.e., el sistema est a en reposo al inicio. Asumiendo que se tiene una entrada paso y el sistema es subamortiguado, se vio previamente que esto puede ser escrito como 2 wn C (s) = K1 2 2) s(s + 2wn s + wn C (s) = = K1 K1
1 s 1 s

s+2wn 2 s2 +2wn s+wn s+wn wn 2 (s+w )2 +w 2 (s+wn )2 +wd n d

Utilizando lo visto previamente, se obtiene nalmente que c(t) = K1 1 1 (1 2 ) ewn t sin wd t + tan1 (1 2 ) (4.8)

Para simplicar nuestro an alisis, se asumir a que K1 = 1. La Figura 4.10 muestra un ejemplo de la se nal c(t) en (4.3). En esta gura, se pueden identicar cinco puntos importantes: tr : tiempo de subida. Es el tiempo que se necesita para subir del 10 al 90 por ciento del valor nal (como se muestra en la Figura 4.10). Sin embargo, esta denici on aplica m as para el caso sobreamortiguado. La denici on que se utilizar a ac a es el tiempo que toma la se nal de pasar del 0 al 100 % del valor nal. Utilizando (4.4), tenemos que el tiempo de subida viene dado cuando c(t r ) = 1. Esto quiere decir que 1 = c(t) = 1 1 (1 2) ewn tr sin wd tr + tan1 (1 2 )

Como ewn tr = 0, esta ecuaci on se puede escribir como tan(wd tr ) = 1 (1 2 )

Entonces,

En la Figura 4.8 se muestra una soluci on gr aca para poder despejar la tangente en la ecuaci on anterior. Eso ser a igual a wd 1 tan1 tr = wd
wd

tr =

4.2. SISTEMAS DE SEGUNDO ORDEN

49

Figura 4.8: Ubicaci on de los polos en el plano-s [7]. Para este caso = , = w n , y wd = wn

1 2.

tp : tiempo de pico. Es el tiempo que se requiere para que la respuesta alcance el primer pico del overshoot. Para esto, se tiene que hallar la derivada de c(t) evaluada en tp , ya que esta ser a igual a 0. dc dt Esto ser a equivalente a wn ewn tp cos wd tp + 1 2 sin wd tp + ewn tp wd sin wd tp wd 1 2 cos wd tp =0 =0
t=tp

Esto es equivalente a

wn 1 2

ewn tp sin wd tp = 0

Lo que dar a que sin wd tp = 0, por lo que wd tp = 0, , 2, . . .. Como el tp corresponde al primer pico, tp =
wd

Si el sistema es sobreamortiguado, el tiempo de pico no estar a denido, y en este caso el dise no suele tener en cuenta tr . M P : M aximo pico porcentual. Es el valor del m aximo pico de la respuesta medido con respecto al valor de estado estable. El valor se dene por lo general como MP = Utilizando esta idea, se obtiene que M P = e Por lo tanto,
wn w d

c(tp ) c() 100 % c()

cos

1 2

sin

50

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS


MP = e

1 2

100 %

ts : tiempo de asentamiento. Es el tiempo que se requiere para que la respuesta del sistema llegue a un rango dentro del cual se considera que el sistema est a en estado estable. Por lo general se utilizan las reglas del 2 y el 5 % (i.e., estar dentro del 2 o el 5 % del valor nal).
e Si se analiza el sistema, se puede ver que las curvas 1
wn t

1 transitoria (ver Figura 4.9). Por lo tanto, la constante de tiempo de estas curvas es = w . Como n bien se mencionaba previamente, el ts depende de la tolerancia, i.e., 2 % o 5 % del valor nal. Si es el 2 % del valor nal, se tendr a que esperar 4 para que el sistema ingrese dentro de esta banda, mientras que si es el 5 %, se tendr a que esperar 3 para que el sistema llegue a este rango. En el primer caso,

1 2

son las curvas envolventes de la respuesta

ts = mientras que en el segundo caso, ts =

4 wn ,

2%

3 wn ,

5%

Figura 4.9: Curvas envolventes para la respuesta a entrada paso del sistema de segundo orden [22]. Ganancia DC: Este es el valor en estado estable del sistema. A partir de todo esto, es claro que si uno desea una respuesta r apida, wn debe ser grande. Adem as, para limitar M P y reducir ts , no debe ser demasiado peque no. La Figura 4.11 ilustra c omo ser a la relaci on en este caso.

4.2. SISTEMAS DE SEGUNDO ORDEN


1.4 Step Response

51

1.2

MP
1

DC gain

0.8 Amplitude 0.6 0.4 0.2

tr tp
Time (sec)

ts

Figura 4.10: Respuesta a entrada paso del sistema de segundo orden descrito por (4.7). En este caso, K 1 = 1, wn = 23,53, and = 0,46.

Figura 4.11: Relaci on entre M P y . Adem as, se incluye la relaci on entre wn tp y el factor de amortiguamiento [7].

Ejemplo 4.2.1 Halle los valores de K y Kh en la Figura 4.12 para que el M P = 20 % y tp = 1. La funci on de transferencia en este caso est a dada por K C (s) = 2 R(s) s + s(1 + KKh ) + K
2 = K y que 2wn = 1 + KKh . Utilizando las ecuaciones Si comparamos con (4.3), se puede deducir que wn para M P y tp podemos obtener los valores de y wn , para luego obtener las variables deseadas. En este caso,

52

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

1 R(s)

K s2+s Transfer Fcn Subsyste m 1+sKh

1 C(s)

Figura 4.12: Diagrama en bloques. se tiene que e Despejando, se obtiene que = 0,456. Como tp =

1 2

= 0,2 wd

Por lo que al despejar se obtiene que wn = 3,53. Con esto se tiene que K = 12,46 y Kh = 0,1781. La Figura 4.13 muestra el resultado de la simulaci on utilizando estos valores. Es claro que los par ametros de dise no fueron cumplidos.

Step Response 1.4

System: untitled1 Peak amplitude: 1.2 Overshoot (%): 20 At time (sec): 0.988 1.2

1 System: untitled1 Rise Time (sec): 0.442

System: untitled1 Settling Time (sec): 2.36

System: untitled1 Final Value: 1

0.8 Amplitude 0.6 0.4 0.2 0

0.5

1.5

2 Time (sec)

2.5

3.5

Figura 4.13: Respuesta a entrada paso del sistema de segundo orden dise nado para obtener los par ametros MP y tp denidos en el ejercicio.

4.3.

Sistemas de Orden Superior

Por lo general, el an alisis que se ha hecho de sistemas de segundo orden nos da una clara visi on del comportamiento de los sistemas. Un concepto que aparece en el an alisis previo, es el de ra ces dominantes. Estas ra ces, que para el caso anterior eran los polos del sistema, son las que contienen la mayor cantidad de informaci on sobre el comportamiento del mismo. Para sistemas de orden superior a dos, la respuesta a

4.3. SISTEMAS DE ORDEN SUPERIOR

53

entrada paso se puede asemejar a lo visto previamente, haciendo algunas suposiciones (de esta forma, no es necesario obtener la transformada inversa de Laplace para determinar el comportamiento del sistema). Por ejemplo, tomemos el sistema de tercer orden, T (s) = 1 (s2 + 2s + 1)(s + 1)

Si se mostrara el comportamiento en el plano-s se obtendr a lo que se observa en la Figura 4.14, el cual ser a un sistema normalizado con wn = 1. Clement en (falta ref...) demostr o que la performance del sistema calculada por M P y ts se podr a asemejar a un sistema de orden dos cuando 1 10|wn | Es decir, que la respuesta de un sistema de tercer orden puede aproximarse a uno de segundo orden por sus 1 ra ces dominantes siempre y cuando la parte real de dichas ra ces sea menor que 10 de la parte real de la tercer ra z.

Figura 4.14: Ubicaci on de polos de un sistema de tercer orden en el plano-s [7]. Por otro lado cabe aclarar que el an alisis de un sistema de segundo orden es v alido si la funci on de transferencia no tiene ceros nitos, ya que si estos est an localizados relativamente cerca de los polos complejos dominantes, la respuesta transitoria del sistema se ver a altamente afectada. Por ejemplo, si se tiene un sistema cuya funci on de transferencia es de la forma T (s) =
2 n a

(s + a)

2) (s2 + 2n s + n

El porcentaje de overshoot a una respuesta escal on unitario ser a funci on del t ermino a/ , cuando 1, como se puede ver en la Figura 4.15. Otro ejemplo de lo que puede suceder cuando se le a nade un polo y un cero adicional se tiene en el siguiente caso. Asuma que se tiene un sistema cuya funci on de transferencia es de la forma T (s) =
2 n a

(s + a)

(s2

2 )(1 + s) + 2n s + n

54

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

Figura 4.15: a) Porcentaje de overshoot como funci on de y n cuando un sistema de segundo orden posee un cero. b) Respuesta a entrada paso para diversos valores de a/(n ). A=5, B=2, C=1, D=0.5, cuando = 0,45 [7].

Cuyos polos y ceros pueden afectar la respuesta transitoria del sistema. Si a n y 1/(n ), entonces el polo y el cero no tendr an mucho efecto sobre la respuesta a entrada paso. Sin embargo, si se tuviera un sistema donde T (s) = (s2 62,5(s + 2,5) + 6s + 25)(s + 6,25)

Entonces, s habr a inconvenientes. Por ejemplo, la ubicaci on de los polos en el plano-s ser a la que se observa en la Figura 4.16. N otese que la ganancia DC es igual a 1 (i.e., T (0) = 1), por lo que se espera tener un error en estado estacionario nulo a entrada paso. A su vez, se tiene que n = 3, = 0,16, y a = 2,5. Si quisi eramos despreciar el polo real, la funci on de transferencia ser a T (s) = 10(s + 2,5) (s2 + 6s + 25)

donde el factor de 62.5 cambi o por el de 10 para preservar el valor DC de la funci on. Es claro que en este caso se tendr a que = 0,6, y n = 5, lo que implicar a que se tienen polos dominantes acompa nados de un cero con a/(n ) = 0,833. Utilizando Matlab, se tiene que el M P = 55 %, y el ts = 1,33 segundos. Sin embargo, si grac aramos la respuesta a entrada paso del sistema, se ve que se obtiene un overshoot mucho menor (i.e., 38 %), y que el ts aumenta a 1.6 segundos (ver Figura 4.17). Es decir que los efectos de un tercer polo en T (s) hacen que se amortig ue el overshoot, pero que se aumente el tiempo de establecimiento. Por lo tanto, no se puede despreciar el tercer polo en este caso.

DE LAS RA 4.4. UBICACION ICES EN EL PLANO-S Y LA RESPUESTA TRANSITORIA

55

Figura 4.16: Ubicaci on de los polos y ceros en el plano-s para un sistema de tercer orden [7].

Step Response 1.6 System: T2 Peak amplitude: 1.54 Overshoot (%): 54.4 At time (sec): 0.353 System: T1 Peak amplitude: 1.38 Overshoot (%): 37.9 At time (sec): 0.565

1.4

1.2

System: T2 Settling Time (sec): 1.47 System: T1 Settling Time (sec): 1.59

Amplitude

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1 Time (sec)

1.2

1.4

1.6

1.8

Figura 4.17: Respuesta a entrada paso para un sistema de tercer orden con un cero. Si se desprecia el polo (-), el overshoot es mayor, pero su ts es menor. Si no se desprecia (), se tiene que el overshoot disminuye, haciendo que el tiempo de establecimiento aumente.

4.4.

Ubicaci on de las Ra ces en el Plano-s y la Respuesta Transitoria

La respuesta transitoria de un sistema retroalimentado en malla cerrada puede ser descrito en t erminos de la ubicaci on de los polos de la funci on de transferencia. En general se vio que la funci on de transferencia est a dada por Pk (s)k (s) C (s) = k T (s) = R(s) (s) donde (s) = 0 es la ecuaci on caracter stica del sistema. Para un sistema con ganancia de lazo G(s) y retroalimentaci on negativa con ganancia H (s), la ecuaci on caracter stica ser a (s) = 1 + G(s)H (s).

56

CAP ITULO 4. RESPUESTA DE LOS SISTEMAS

Para un sistema de malla cerrada, los polos de T (s) son las ra ces de (s) y a su vez los polos de P ( s ) ( s ), por lo que la respuesta transitoria del sistema estar a descrita por las ra ces de (s) (i.e., k k k los polos y ceros de T (s) est an incluidos en (s)). La salida de un sistema con ganancia 1 a entrada paso unitaria, donde no hay ra ces repetidas se puede expresar como M N Ai Bk + C k 1 + C (s) = + 2 + 2 ) 2 s i=1 s + i s + 2k s + (k k
k=1

donde Ai , Bk , Ck son constantes. Las ra ces del sistema ser an s = i y s = k jk , por lo que al tomar la transformada inversa se tendr a una respuesta transitoria que ser a la suma de varios t erminos, i.e.,
M N

c(t) = 1 +
i=1

Ai e

i t

+
k=1

Dk ek t sin k t + k

donde Dk es una constante que depende de Bk y Ck , k , k . La respuesta transitoria se compone de la salida en estado estable, los t erminos exponenciales, y los t erminos senoidales amortiguados. Para que el sistema sea estable, i.e., para que la salida sea acotada a una entrada paso, la parte real de las ra ces i y k debe estar ubicada en el semi-plano izquierdo del plano-s. En la Figura 4.18 se ve la respuesta impulso para varias ubicaciones de las ra ces.

Figura 4.18: Respuesta impulso para varias ubicaciones de las ra ces en el plano-s. El complejo conjugado no se muestra [7]. A medida que se vaya tomando experiencia, se va a ver que la ubicaci on de los ceros tambi en es fundamental en la respuesta del sistema. Los polos de T (s) determinan los modos particulares que estar an presentes en la respuesta, mientras que los ceros establecer an un peso relativo en cada uno de los modos. Por ejemplo, mover un cero cerca de un polo reducir a la contribuci on relativa del modo correspondiente al polo. El ejemplo siguiente ilustra mejor estos detalles (ver ppt para el ejemplo...).

Cap tulo 5

Estabilidad de los Sistemas


Me costaba entender que no ten a que caerle bien a todos para ser respetado, ni tampoco que el agrado o desagrado que nos procura una persona es algo caprichoso, incapaz de ser explicado s olo por la raz on

La materia del deseo, Edmundo Paz Sold an Uno de los problemas que se tiene a la hora de dise nar los controladores, es el de la estabilidad. Un sistema puede ser estable o inestable, pero al interactuar con otros dispositivos, las caracter sticas pueden cambiar. Existen varios m etodos, que sirven de base para el desarrollo de controladores. Criterio de estabilidad Routh-Hurwitz: este criterio fue de los primeros m etodos de estabilidad desarrollados. Su importancia radicaba en la consecuci on del n umero de ra ces con parte real positiva, con lo que se pod a determinar si un sistema era o no estable. Se dice que un sistema es de fase m nima si todos los polos y ceros est an ubicados en el semiplano izquierdo del plano s (si al menos uno se ubica en el semiplano derecho, se dicen de fase no m nima). Criterio del lugar de las ra ces: Evans desarroll o un m etodo gr aco que permit a entender m as claramente c omo se desplazaban los polos y ceros de la ecuaci on caracter stica. Durante muchos a nos su uso fue fundamental para el desarrollo de controladores, y en la actualidad existen herramientas de computador que permiten gracar lugares de las ra ces complejos. Diagramas de Bode y Nyquist: Estas dos herramientas tambi en permiten observar el comportamiento de un sistema desde un punto de vista pr actico. En el siguiente an alisis se presentan ejemplos y simulaciones en Matlab y Simulink, adem as de la teor a del criterio de estabilidad de Routh-Hurwitz, adem as de una extensi on a la parte robusta como lo es el m etodo de Kharitonov. Las siguientes notas han sido adaptadas a partir de varios art culos y textos de control (e.g., [10, 22, 9, 15, 31, 28, 7, 26]).

5.1.

Criterio de Estabilidad Routh-Hurwitz


La funci on de transferencia del sistema de la Figura 6.2 se puede escribir como C (s) G(s) = R(s) 1 + G(s)H (s)

b0 sm + b1 sm1 + . . . + bm1 s + bm C (s) = R(s) a0 sn + a1 sn1 + . . . + an1 s + an

mn

(5.1)

donde el denominador se conoce como la ecuaci on caracter stica del sistema. Las ra ces de esta ecuaci on denen la estabilidad del sistema, por lo que estas tienen que estar en el semi-plano izquierdo del plano 57

58

CAP ITULO 5. ESTABILIDAD DE LOS SISTEMAS

s. Las ventajas del m etodo establecido paralelamente por E. J. Routh y A. Hurwitz es que no se tienen que factorizar el denominador para encontrar exactamente la ubicaci on de las ra ces. El m etodo original se desarrollo en t erminos de los determinantes, pero para explicar de una manera m as clara, se utilizar a una forma m as sencilla que involucra un conjunto de elementos en forma de las y columnas. En (5.1), se elimina cualquier ra z cero (i.e., an = 0), y se hace el an alisis siempre y cuando todos los coecientes ai sean positivos, cuando uno est a interesado en estabilidad absoluta del sistema (esto se debe a que si se tienen a i 0 y al menos un aj > 0, entonces al menos existe una ra z imaginaria o con una parte real positiva, lo cual implica que el sistema es inestable).

1 R(s)

G(s) G(s)

1 C(s)

H(s) H(s)

Figura 5.1: Sistema retroalimentado. El criterio de estabilidad parte de organizar el polinomio de la ecuaci on caracter stica como a0 sn + a1 sn1 + . . . + an1 s + an = 0 donde todos los coecientes ai > 0. Luego, se dene la siguiente tabla sn s sn2 sn3 . . . s2 s s0
a0 a3 a0 a5 donde b1 = a1 a2a , b2 = a1 a4a , b3 = 1 1 b1 a5 b3 a1 b1 a7 b4 a1 c2 = , y c3 = , entre otros. b1 b1 n1

a0 a1 b1 c1 . . . e1 f1 e2

a2 a3 b2 c2 . . . e2

a4 a5 b3 c3 . . .

a6 a7 ... ... . . .

a1 a6 a0 a7 , a1

y as sucesivamente. Por ejemplo, c1 =

b1 a3 b2 a1 , b1

El criterio de estabilidad de Routh-Hurwitz propone que el n umero de ra ces con parte real positiva en la ecuaci on caracter stica es equivalente al n umero de cambios de signo en los coecientes de la primera columna de la matrizformada previamente. Si todos los coecientes en esta primera columna son positivos, entonces el sistema es estable. Ejemplo 5.1.1 Determine la estabilidad del sistema a0 s 3 + a 1 s 2 + a 2 s + a 3 = 0 s3 s2 s s0 a0 a1 a3 a2 a3

a1 a2 a0 a3 a1

Por lo tanto, para que el sistema sea estable, se requiere que a1 a2 > a0 a3 .

5.1. CRITERIO DE ESTABILIDAD ROUTH-HURWITZ Ejemplo 5.1.2 Determine la estabilidad del sistema s4 + 2s3 + 3s2 + 4s + 5 = 0 s4 s3 s2 s s0 1 2 1 6 5 3 4 5 5 0

59

Por lo tanto, al haber dos cambios de signo, existen dos ra ces con parte real positiva. Esto puede ser comprobado directamente utilizando el comando roots en Matlab. En este caso, se obtendr an las siguientes ra ces: 1,28 j 0,86 y 0,29 j 1,41. Existen un par de casos especiales que se tratar an a continuaci on. 1. Caso 1: Si un t ermino en la primera columna es cero, pero el resto no, el cero se sustituye por un valor peque no que se denominar a . Ejemplo 5.1.3 La ecuaci on caracter stica est a dada por s3 + 2s2 + s + 2 = 0 s3 s2 s s0 1 2 0 2 1 2

Como no hay cambio de signo, pero el sistema presenta un , se puede decir que el sistema es cr ticamente (marginalmente) estable. Ejemplo 5.1.4 La ecuaci on caracter stica est a dada por s5 + 2s4 + 4s3 + 8s2 + 10s + 6 = 0 s5 s4 s3 s2 s s0 Hay dos cambios de signo, ya que inestable. 1 2 0
8 14

4 10 8 6 7 6

7 6
8 14

> 0, por lo que el factor

< 0. Por lo tanto, el sistema es

2. Caso 2: Si toda una la de elementos es igual a cero, esta tiene que ser sustituida por la derivada de la la anterior. Ejemplo 5.1.5 La ecuaci on caracter stica est a dada por s4 + 4 = 0 s4 s3 1 0 0 0 4

En este caso, se toma como polinomio auxiliar el que corresponde a la la anterior a la que se tiene llena de ceros. En este caso, P (s) = s4 + 4, y su derivada corresponder a ahora a la nueva la de s3 . En este caso, se tendr a que s4 1 0 4 s3 4 0 s2 0 4 s 16/ s0 4 Hay dos cambios de signo, ya que > 0. Por lo tanto, el sistema es inestable.

60

CAP ITULO 5. ESTABILIDAD DE LOS SISTEMAS

Este criterio es bastante utilizado en el dise no de controladores. Ejemplo 5.1.6 Hallar el rango de Kc en la Figura 5.2 para que el sistema sea estable.
1 R(s) Kc Kc 0. 016 3s+1 Transfer Fcn1 50 30s+1 Transfer Fcn2 1 C(s)

Transfer Fcn 1 10s+1

Figura 5.2: Dise nar Kc para que el sistema sea estable La ecuaci on caracter stica est a dada por 1 + Kc Esto se puede escribir como 900s3 + 420s2 + 43s + (1 + 0,8Kc ) = 0 Utilizando el criterio de estabilidad de Routh-Hurwitz, se tiene que s3 s2 s s0 900 420
17160720Kc 420 1 + 0,8Kc

50 1 0,016 =0 3s + 1 30s + 1 10s + 1

43 1 + 0,8Kc

Por lo tanto el rango de Kc tiene que ser 1,25 < Kc < 23,83. Ejemplo 5.1.7 Se tiene un proceso inestable cuya funci on de transferencia viene dada por P (s) = 1 (s 1)(s2 + 2s + 2) K (s + 2) s+3

Lo que se desea en este caso es utilizar un compensador G(s) de la forma G(s) =

tal que el sistema en malla cerrada unitaria con retroalimentaci on negativa sea estable. Halle el rango de K para que esto se logre. 3 < K < 14 68 K K 2 > 0 Por lo que se tiene que 3<K< 68,25 0,5 7,76

Ejemplo 5.1.8 Halle el rango de K en funci on de T para que el sistema sea estable para el sistema de la Figura 5.3. La ecuaci on caracter stica, est a dada por s + 1 + KeT s = 0 Sistemas con Tiempo Muerto Existen sistemas en los cuales la respuesta no es inmediata, con lo que se tiene un tiempo muerto o retardo de transporte. Por lo general, la salida viene siendo una se nal desplazada un determinado tiempo T .

5.1. CRITERIO DE ESTABILIDAD ROUTH-HURWITZ

61

1 R(s)

Ke^(Ts)/(s+1) Kc

1 C(s)

Figura 5.3: Sistema con tiempo muerto En frecuencia, un desplazamiento en tiempo, implica multiplicar el sistema por una exponencial e sT . Para poder hacer el an alisis, se utilizan aproximaciones, dentro de las cuales, la m as conocida es la aproximaci on de Pad e. En general, la aproximaci on de Pad e de orden n viene dada por Pd (s) = eT s = donde ck =
n k k k k=0 (1) ck T s n k k k=0 ck T s

Por ejemplo, para n = 1, c0 = 1 y c1 = 1/2. Es decir que la aproximaci on de Pad e de primer orden viene dada por 1 T 2s esT = T 1+ 2s Para n = 2, se tiene que c0 = 1, c1 = 1/2 y c2 = 1/12, por lo que se tendr a que Pd (s) = esT = 1
T 2 T 2

(2n k )!n! k = 0, . . . , n 2n!k !(n k )!

s+ s+

1+

(T s)2 12 (T s)2 12

Utilizando la aproximaci on de Pad e descrita previamente, se tiene que T T T 2 s +s 1K + 2 2 2 Utilizando el criterio de Routh-Hurwitz, se tiene que s2 s s0 1 + 1+K
T 2 KT 2

+ (1 + K ) = 0

1+K
T 2

2 . Se puede ver claramente que a medida que T aumenta, el Esto implica nalmente que K > 1 y K < 1 + T rango de ganancia disminuye, por lo cual el tiempo muerto inuye bastante en la estabilidad de los sistemas.

5.1.1.

Robustez y Estabilidad

El criterio de estabilidad de Routh-Hurwitz determina la estabilidad de un polinomio caracter stico con coecientes jos. Sin embargo, si algunos de los par ametros tienen ciertos tipos de incertidumbres (debido a la planta), o par ametros libres como los del controlador en los coecientes de la ecuaci on caracter stica, se necesita hacer una variaci on al criterio de Routh-Hurwitz. Para ello, se introduce a continuaci on el criterio de estabilidad de Kharitanov, el cual es u til en este tipo de problemas (sin embargo, si el n umero de par ametros es grande, el an alisis se vuelve un poco largo y tedioso) [26]. Asumamos que la funci on de transferencia de una planta est a dada por P (s) = Kp 2 s2 + 2n sn

62

CAP ITULO 5. ESTABILIDAD DE LOS SISTEMAS

A su vez, supongamos que de acuerdo al conocimiento que se tiene de la planta se sabe que se tienen unos rangos para cada uno de los par ametros, i.e., Kp [0,8, 1,3], [0,2, 0,3] y n [10, 12]. La funci on de transferencia se puede escribir entonces como q0 P (s) = 2 r0 s + r 1 s + r 2 donde q0 [0,8, 1,3], r0 [1, 1], r1 [4, 7,2], y r2 [100, 144]. Es claro entonces que se tendr an una gran cantidad de posibilidades para formar una u nica funci on de transferencia del sistema. Generalizando, se puede ver que cualquier funci on de transferencia que tenga incertidumbre en sus par ametros se puede escribir de la forma Pq,r (s) = q0 sm + q1 sm1 + . . . + qm Np (s) = Dp (s) r0 sn + r1 sn1 + . . . + rn

+ + , rl ] para todo l = 0, . . . , n. Los y + corresponden , qk ] para todo k = 0, . . . , m, y rl [rl donde qk [qk a los l mites inferiores y superiores de los par ametros, respectivamente. Las plantas P q,r (s) con esta clase de incertidumbres se conocen como interval plants. Si se tiene un sistema retroalimentado como el que se ve en Nc (s) la Figura..., con C (s) = D , la funci on de transferencia vendr a dada por c (s)

T (s) =

Nc (s)Np (s) Dc (s)Dp (s) + Nc (s)Np (s)

Por lo que el sistema ser a robustamente estable si todas las ra ces de la ecuaci on caracter stica D c (s)Dp (s) + Nc (s)Np (s) = 0 est an ubicadas en el semi-plano izquierdo para todas las posibles combinaciones de P (s) Pq,r (s). ANADIR FIGURA s+2 s2 + 2s + 2 q0 P (s) = r0 s3 + r 1 s2 + r 2 s + r 3 con r0 [1, 1,1], r1 [4, 4,2], r2 [6, 8], r3 [10, 20], y q0 [3, 5]. Entonces, el polinomio caracter stico estar a dado por (s2 + 2s + 2)(r0 s3 + r1 s2 + r2 s + r3 ) + q0 (s + 2) = 0 C (s) = Expandiendo este polinomio, se tendr a que a0 s 5 + a 1 s 4 + a 2 s 3 + a 3 s 2 + a 4 s + a 5 = 0 donde a0 [1, 1,1], a1 [6, 6,4], a2 [16, 18,6], a3 [30, 44,4], y a5 [26, 50]. N otese bien que en este caso hay seis coecientes, pero en realidad s olo cinco son variables caracter sticas del sistema (i.e., s olo los r i s y q0 son variables). Consideremos que el polinomio caracter stico es = a0 sn + a1 sn1 + . . . + an
+ donde los coecientes ak pueden tomar cualquier valor en un intervalo dado [a k , ak ], k = 0, . . . , n, cuyos valores son independientes de aj , j = k . El conjunto de todas las ecuaciones caracter sticas est a dado por + a := a0 sn + . . . + an : [a k , ak ], k = 0, . . . , n

Ejemplo 5.1.9 Sean

Theorem 5.1.1 Teorema de Kharitanov Todos los polinomios en a son estables s y s olo s los siguientes cuatro polinomios son estables a1 (s) a2 (s) a3 (s) a4 (s)
+ + 2 3 4 5 = a n + an1 s + an2 s + an3 s + an4 s + an5 s + . . . + + + 2 3 4 5 = a+ + a s + a s + a s + a s + a s + ... n n1 n2 n3 n4 n5 + + + 2 3 4 5 = an + an1 s + an2 s + an3 s + an4 s + an5 s + . . . + + 2 3 4 5 = a+ n + an1 s + an2 s + an3 s + an4 s + an5 s + . . .

5.1. CRITERIO DE ESTABILIDAD ROUTH-HURWITZ

63

En la literatura, los polinomios a1 (s), . . . , a4 (s) se conocen como los polinomios de Kharitanov. Por medio del teorema de Kharitanov, la robustez en estabilidad puede ser obtenida al aplicar el teorema de estabilidad de Routh-Hurwitz a cada uno de los cuatro polinomios. Si se ve desde el punto de vista de complejidad, el hecho de haber reducido todo el espacio de posibilidades a s olo tener que observar el comportamiento en estos cuatro polinomios es un gran logro.

64

CAP ITULO 5. ESTABILIDAD DE LOS SISTEMAS

Cap tulo 6

Sistemas de Control Retroalimentado


Dicen que la manera m as limpia y sana de salir de un presente que agobia y que no vislumbra ning un futuro es poner marcha atr as e internarse en el pasado. S olo el pasado, con sus hechos y recuerdos, podr a esclarecer lo que hoy nos parece tan enredado y oscuro. Quiz as. Pero entiendo a los que se niegan a rebobinar hacia cualquier lado. Si algo ten amos en com un todos nosotros era que no quer amos ni mirar ni sentir. Nuestra u nica convicci on era no volver a tener ninguna.

Por favor, Rebobinar, Alberto Fuguet La estrategia de control retroalimentado es tratar de mantener el valor de salida cerca de un valor deseado o set-point por medio de: 1. Medirla salida utilizando un dispositivo determinado, independientemente que la salida de un sensor/transmisor pueda llegar a alterarse. 2. Compararla variable medida con el valor deseado o set-point para obtener la desviaci on (que ser a la se nal de error, o la se nal de error retroalimentado). 3. Utilizando esta se nal de error, el controlador procesar a dicho valor y su salida ser a la alimentaci on del proceso. 4. Esta salida, antes de ir al proceso pasa por un elemento nal de control, el cual se encarga de transmitir dicha se nal en las unidades determinadas al proceso. 5. Nuevamente se mide la se nal de salida, y se repite el proceso. Un sistema de control t pico tiene la forma que se muestra en la Figura 6.1. A continuaci on se analizar a en primera instancia lo que sucede con la se nal de error que surge al comparar la variable medida con el valor deseado, para luego ver c omo funcionan diversos tipos de controladores. Las notas de este cap tulo han sido sacadas de varios libros, dentro de los que se destacan [22, 31, 7, 11, 8, 24, 16, 32, 2, 23].

6.1.

An alisis de Error

Por lo general, este sistema se analiza como un sistema retroalimentado como el que se muestra en G(s) (s) la Figura 6.2, cuya funci on de transferencia viene dada por C R(s) = 1+G(s)H (s) . Es bien sabido que los sistemas responden de manera diferente, dependiendo del tipo de entrada que se aplica al mismo. En estado estacionario, existen sistemas que tienen errores iguales a cero para una entrada paso, mientras que si la entrada es una r ampa o par abola, entonces el sistema ya no tiene a cero de manera asint otica. 65

66

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO


2 D(s)

1 R(s)

Gc(s) Controlador

Gv(s) Vlvula Elemento final de control

Gp(s) Proceso

1 C(s)

Gt(s) Transmisor Elemento Secundario

Gs(s) Sensor Elemento Primario

Figura 6.1: Sistema de control t pico. La referencia o el set point viene siendo R(s), mientras que la variable controlada es C (s). La perturbaci on es D(s).

1 R(s)

G(s) G(s)

1 C(s)

H(s) H(s)

Figura 6.2: Sistema retroalimentado. La funci on de transferencia que relaciona el error E (s) en la Figura... con la entrada est a dado por 1 E (s) = R(s) 1 + G(s)H (s) donde el t ermino G(s)H (s) se conoce como la funci on de transferencia de lazo abierto. Por lo general, esta funci on se puede escribir como G(s)H (s) = K (Ta s + 1)(Tb s + 1) . . . (Tm s + 1) sN (T1 s + 1)(T2 s + 1) . . . (Tp s + 1)

El t ermino sN representa la multiplicidad de un polo en el origen, y N representa el tipo de sistema que se tiene. Entre m as grande sea el valor de N , menor ser a la estabilidad del sistema como se ver a luego. Cabe resaltar que el tipo del sistema es diferente del orden de un sistema. El error en estado estacionario viene dado por ess = l m e(t) = l m sE (s)
t s0

De acuerdo al sistema de la Figura.... este error se puede escribir como ess = l m sR(s)
s0

1 1 + G(s)H (s)

Denamos Kp = l ms0 G(s)H (s), por lo que tendr amos varios casos dependiendo el tipo de entrada del sistema.

6.2. CONTROLADORES PID 1. R(s) = 1 s . En este caso, si N = 0, Kp = K , por lo que ess = ess = 0. 2. R(s) = s1 2 . En este caso, si N = 0, ess = . Si N = 1, ess = que ess = 0. 3. R(s) =
1 s3 . 1 1+K .

67 Si N 1, Kp = , con lo que

1 K.

Finalmente, N 2, Kp = , con lo Finalmente, si N 3, ess = 0.

En este caso, si N 1, ess = . Si N = 2, ess =

1 K.

6.2.

Controladores PID

El controlador de tres t erminos como se le conoc a originalmente apareci o por primera vez en 1922 [19]. En este art culo, Minorsky aplicaba por primera vez ideas de control a barcos, y se basaba en el hecho de que peque nas desviaciones (producidas por la linealizaci on de los elementos) podr an ser utilizadas para entender las din amicas de un sistema bajo control. A continuaci on se estudiar a el controlador Proporcional, Integral, y Derivativo (PID) en cada una de sus diversas conguraciones.

6.2.1.

Controlador Proporcional

El controlador proporcional es el m as simple (sin contar con el controlador ON-OFF). La ecuaci on t pica est a dada por u(t) = u + Kc (r(t) y (t)) = u + Kc e(t) (6.1) donde u(t) corresponde a la salida del controlador (por lo general estar a dada en unidades de psi o mA); u es el valor base (este valor es la salida del controlador cuando el error es 0. Generalmente se ja durante la calibraci on del controlador); Kc es la ganancia del controlador, y e(t) es la se nal de error. Por lo general, asumiremos que u = 0. Como se puede ver, si y (t) se incrementa de tal forma que supere a r(t), el error se vuelve negativo, y por ende u(t) decrece. Por otra parte, la salida del controlador es proporcional al error, y esta ganancia determina cu anto se modica la salida. Es claro que como s olo tiene un valor que ajustar, se hace m as sencillo. Pero como se vio en la secci on anterior, existe un error en estado estacionario, dependiendo de la entrada que se tenga, y el proceso que se est a controlando. En algunos casos, los controladores reales no utilizan el t ermino ganancia sino que utilizan el concepto de Banda Proporcional (BP). Esta es inversamente proporcional a la ganancia K c , y se dene como BP = 100 Kc

En algunos textos se conoce tambi en como porcentaje de banda proporcional. Por lo tanto, la ecuaci on en este caso ser a, 100 u(t) = u + e(t) (6.2) BP Es claro que las Ecuaciones (6.1) y (6.2) son totalmente diferentes, por lo que se tiene que tener saber muy bien qu e tipo de controlador se est a utilizando. ANADIR EJEMPLO

6.2.2.

Controlador Proporcional e Integral

Para evitar ese error en estado estable, se a nade un elemento que tiene en cuenta lo que sucede y ha sucedido en t erminos del error. Esta acci on integral o de reajuste tiene como consecuencia que la Ecuaci on (6.1) se convierta en Kc u(t) = u + Kc e(t) + e(t)dt (6.3) i

68

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO

donde i corresponde al tiempo de integraci on o reajuste (por lo general su valor se da en minutos por repeticiones). Si se ve gr acamente, este valor ser a la respuesta que le toma al controlador en repetir la acci on proporcional (ver Figura...). ANADIR FIGURA Tanto menor sea i , m as pronunciada es la curva de respuesta, lo que implica que la respuesta del controlador es m as r apida. Otra forma de verlo es que si i es peque no, mayor ser a el t ermino constante delante de la integral, por lo que se le dar a m as importancia al controlador. Adem as, recu erdese que la integral es como una suma, por lo que a medida que e(t) cambia, se van integrando todos los valores presentes y anteriores, por lo que el controlador tiende a cambiar su respuesta. Cuando e(t) = 0, la integral no es necesariamente cero, ya que tiene en cuenta los t erminos anteriores. Algunos fabricantes utilizan un t ermino conocido como la rapidez de reajuste, que corresponde a ir =
1 i .

ANADIR TABLA FABRICANTES

6.2.3.

Controlador Proporcional, Integral, y Derivativo

Al a nadir un tercer t ermino como lo es una acci on derivativa, se est a ajustando la rapidez de derivaci on o de preactuaci on. Este nuevo t ermino tiene como n anticipar hacia donde va el proceso durante la observaci on de la rapidez para el cambio del error, i.e., su derivada. En este caso, la Ecuaci on (6.3) se convierte en de(t) Kc e(t)dt + Kc d u(t) = u + Kc e(t) + (6.4) i dt donde el t ermino d corresponde a la rapidez de derivaci on, y est a dado por lo general en minutos. Los controladores PID se utilizan en procesos donde las constantes de tiempo son muy largas. En procesos en los que las constantes son cortas, existe una mayor susceptibilidad al ruido, por lo que la derivada tender a a amplicarlo. Esto se ve m as claramente al obtener una funci on de transferencia de (6.4) cuando u =, i.e., 1 U (s) = Kc 1 + + d s E (s) i s En la pr actica, esta funci on de transferencia no se suele implementar, sobre todo por lo que se dijo sobre el t ermino derivativo. M as adelante veremos otro tipo de funciones de transferencias que s se suelen implementar. En general, el uso de ltros y conguraciones diferentes ayudan a la implementaci on de dichos controladores.

6.2.4.

Controlador Proporcional y Derivativo

Este tipo de controlador se utiliza en procesos donde s olo es posible utilizar controladores proporcionales, pero que cuentan con cierto tipo de anticipaci on. La ecuaci on caracter stica para este caso es u(t) = u + Kc e(t) + Kc d de(t) dt (6.5)

Su mayor desventaja radica en el hecho de que u nicamente opera con una desviaci on en la variable que se controla. Esto s olo puede ser eliminado con la acci on integral. Sin embargo, un PD puede soportar mayor ganancia.

6.2.5.

Implementaci on

Dentro de todas las acciones del controlador de tres t erminos, la acci on derivativa es la m as complicada de implementar, y por eso muchos fabricantes no la utilizan. Los problemas de implementaci on radican en:

6.2. CONTROLADORES PID

69

El uso o no de un ltro. Esto con el n de evitar da nos en los actuadores y no amplicar ruidos de alta frecuencia. Estos ltros pueden ser de primero o segundo orden, dependiendo del fabricante. El punto en el cual la acci on derivativa act ua, bien sea en la medida o en el error. Si la acci on derivativa act ua o no con la acci on integral, lo cual depende del algoritmo que se utilice. El punto de acci on depende de si se hace regulaci on o tracking. En el primer caso, se requiere que el proceso est e en un estado jo a pesar de las perturbaciones, por lo que el set point es constante. En este caso, no importa si la parte derivativa se encuentra a la salida del error o de la medida. Sin embargo, cuando se hace tracking los cambios son bruscos, ya que el set point es variable, por lo que ubicar la parte derivativa con respecto a la medida es mucho m as u til. En estos casos, se suele recurrir tambi en al uso del ltro, por lo que el t ermino derivativo vendr a siendo: Kd d s U (s) = d Y (s) 1 + s N
d Este ser a un ltro ideal utilizando un sistema de primer orden con constante de tiempo N . Es claro en este caso que si las frecuencias son bajas, i.e., s peque no, se tiene que el factor que predomina es d s, mientras d que si las frecuencias son altas, i.e., s grande, el factor que predomina es d = N , lo cual lo hace constante a

frecuencias altas (N se suele escoger entre 2 y 20). La salida del controlador en este caso ser a para un PID igual a Kd d s 1 E (s) Y (s) U (s) = Kc 1 + d i s 1 + s N

6.2.6.

Sintetizando

Hasta este punto se han visto los controladores P, PI, PD, PID, y los par ametros asociados a ellos. Se conoce el concepto de Kc , BP , i , iR , d . Cabe recordar que la forma en la que se basan la mayor a de conceptos de sintonizaci on est a basada en la funci on de transferencia ideal. Si se tuviera un sistema de primer orden K en malla cerrada que T (s) = s+1 , donde
Kp s+1

asociado a un controlador proporcional, se obtendr a

K = =

Kc Kp 1 + K c Kp 1 + K c Kp

Esto implicar a que el controlador proporcional modicar a el comportamiento din amico del sistema, conservando el orden del mismo, pero modicando los valores de los par ametros asociados. Uno de los puntos importantes es ver la contribuci on de Kc en el . Si Kc Kp > 0, entonces < , por lo que se har a m as r apida la respuesta del proceso. Si en lugar de un regulador proporcional se tuviera un PI, la funci on de transferencia en lazo cerrado vendr a siendo Kp Kc (i s + 1) T (s) = i s2 + (i + Kp Kc i )s + Kc Kp Es claro que se tiene un cero y dos polos. En el caso anterior, el efecto de P s olo era cambiar las caracter sticas del proceso, i.e., sus par ametros. En el caso de un PI, se a naden un polo y un cero a la funci on de transferencia. Si la entrada fuera un escal on unitario, y se factorizara el denominador. se tendr a algo de la forma C (s) = 1 Kp Kc (i s + 1) s i (s r1 )(s r2 )

Es decir que c(t) = A0 + A1 er1 t + A2 er2 t . Una serie de conclusiones se pueden obtener en este caso: El cero puede forzar la existencia de un overshoot.

70

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO Si r1 y r2 son reales y negativos, el valor se aproxima a su valor nal de forma exponencial. Si r1 y r2 son complejos conjugados con parte real negativa, se tendr a una respuesta amortiguada oscilatoria. Si al menos uno de los valores r1 o r2 fuera positivo, se tiene un sistema inestable. No hay oset en este caso.

En el caso de tener un PD en vez de un PI, T (s) tiene un cero y un polo, pero hace que la respuesta transitoria exhiba error en estado estacionario como el proporcional. Este se va si se tiene un PID, caso en el cual se tienen dos polos y dos ceros, y 0 error en estado estacionario. Por lo tanto, se podr a decir que las caracter sticas de los controladores cl asicos ser an: Control P: Acelera la respuesta del sistema de control pero posee un oset para todos los procesos, a excepci on l ogica de un proceso de capacidad constante. Control PI: Elimina osets pero el sistema se vuelve m as oscilatorio. El a nadir la acci on integral hace que se aumente la inestabilidad si Kc aumenta. Control PD: Anticipa y estabiliza pero tiene oset como el controlador P. Control PID: El t ermino I elimina el oset y las oscilaciones son compensadas por el t ermino D. Sin embargo, estas amplican las componentes de ruido de las se nales.

6.3.
PID.

Sintonizaci on de Controladores PID


A continuaci on se revisan diversas estrategias conocidas para la sintonizaci on de los controladores

6.3.1.

Sintonizaci on de Controladores PID: M etodo Manual

Es b asicamente de ensayo y error en el campo y puede ser tedioso y prolongado en algunos casos. La acci on derivativa es particularmente dif cil de sintonizar adecuadamente, por lo tanto, esta no es muy utilizada. La sintonizaci on se inicia con valores l mites de los par ametros del P.I.D, vari andolos consecutivamente hasta lograr la respuesta deseada. El m etodo consta de los siguientes pasos: Tomar valores l mites de los par ametros: Para Kc y d valores peque nos El valor de i debe ser grande. Luego, se dobla el valor de Kc y se observa la respuesta. Se continua de esta misma forma hasta obtener oscilaciones sostenidas (Kcu ). El valor nal ser a Kc = Kcu /2. Luego, se reduce el valor de i a la mitad de su valor. Se observa su respuesta y se continua de la misma forma hasta obtener oscilaciones sostenidas (i ). El valor nal ser a i = 2i . Se realiza el mismo procedimiento con d . Primero, se aumenta d hasta obtener una respuesta oscila toria (d ), con lo que el valor nal ser a d = d /3.

DE CONTROLADORES PID 6.3. SINTONIZACION Tipo De Regulador P PI PID Kc 0,5Kcr 0,45Kcr 0,6Kcr i Pcr /1,2 0,5Pcr d 0,125Pcr

71

Tabla 6.1: Valores de los par ametros de los controladores para el m etodo de malla cerrada.

6.3.2.

Sintonizaci on de Controladores PID: Ziegler/Nichols

Hasta el momento se ha visto la forma t pica de un controlador de tres t erminos, conocido como el PID. Estos tipos de controladores se dise nan para mantener un nivel, o una temperatura, por ejemplo. En general, se requiere que estos controladores sean: estables y robustos en lazo cerrado; que la inuencia de las perturbaciones no sea cr tica; que la respuesta sea r apida y suave a cambios de set-point; y que no tenga error en estado estable, entre otros. Sin embargo, a un no hemos dado detalles de c omo seleccionar cada una de las constantes asociadas al controlador de tres t erminos. L ogicamente, estos valores van a estar asociados directamente con las caracter sticas del proceso, y esto es lo que se conoce como sintonizaci on. Para poder sintonizar controladores, existen m etodos heur sticos (aquellos que est an asociados al conocimiento que tengan los operadores de la planta), m etodos matem aticos (los cuales requieren de un modelo matem atico del proceso), y un tercer m etodo que combina las t ecnicas heur sticas y anal ticas. Este u ltimo m etodo surgi o en el a no de 1942 cuando John G. Ziegler y Nathaniel B. Nichols propusieron unas t ecnicas experimentales simples que permitiesen mejorar las caracter sticas de los controladores de la empresa en la que ellos trabajaban (Taylor Instruments) [35]. Las t ecnicas desarrolladas tienen tres funciones b asicas: 1. Se realiza un est mulo en el proceso. 2. Se identica el modelo matem atico de acuerdo a los resultados experimentales. 3. Se determinan los par ametros del controlador a partir de lo obtenido en 2. Dentro de estas t ecnicas est an las que son de: Malla abierta requieren la operaci on del controlador en la opci on MANUAL. Esta t ecnica no es la adecuada para sistemas que en lazo abierto puedan tener un comportamiento inestable (e.g., reactores qu micos, o controles de nivel de l quidos). Malla cerrada, los cuales operan con el controlador en la opci on AUTOMATICO. Ziegler/Nichols de Malla Cerrada La idea de este m etodo es trabajar el lazo de control en modo autom atico con una acci on proporcional, i.e., i = , d = 0, y utilizar el criterio de estabilidad de Routh-Hurwitz asociado con el m etodo de sustituci on directa para caracterizar el proceso con dos par ametros: 1. Ganancia u ltima o cr tica: Kcr . 2. Per odo u ltimo o cr tico: Pcr . En la Figura... se muestra el lazo t pico para la prueba en autom atico para este caso. ANADIR FIGURA La idea es entonces ir incrementando el valor de Kc desde 0 hasta un valor Kcr , el cual corresponde al valor de ganancia en el cual la salida presenta oscilaciones sostenidas por primera vez (ver Figura...). El per odo cr tico corresponde al per odo de oscilaci on tal como se ve en la Figura... Si estas no se presentan, este m etodo no deber a aplicarse. La Tabla 6.1 muestra los valores que se requieren para cada uno de los tres controladores t picos que podr an sintonizarse bajo este m etodo.

72

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO Tipo De Regulador P PI PID Kc T /(L.K ) 0,9T /(L.K ) 1,2T /(L.K ) i 3,33L 2L d 0,5L

Tabla 6.2: Valores de los par ametros de los controladores para el m etodo de malla abierta. Ejemplo 6.3.1 Asumamos que Gp (s) = 1 (s + 1)(0,5s + 1)(0,2s + 1)

Como bien se sabe, la estabilidad est a denida por intermedio de la ecuaci on caracter stica del sistema, i.e., 1 + Gp (s)Gc (s) = 0, lo que en este caso dar a que 0,1s3 + 0,8s2 + 1,7s + 1 + Kc = 0 Si se utilizar el criterio de Routh-Hurwitz se ve que el sistema es estable si 1 < K c < 12,6 (aunque los valores negativos de Kc no tengan mucho sentido pr actico). Es claro que cuando la ganancia llega a su l mite superior, se tienen oscilaciones sostenidas, ya que el sistema se volver a cr ticamente estable. Para comprobar esto, utilicemos el m etodo de sustituci on para hallar Kcr y Pcr . Para ello, se sustituye s = j , i.e., 0,1j 3 0,8 2 + 1,7j + 1 + Kc = 0 Se tendr a entonces una ecuaci on para la parte real y otra para la parte imaginaria, i.e., 0,1 3 + 1,7j = 0 y 0,8 2 + 1 + Kc = 0 17, por lo que el Pcr =
2 cr

Esto nos da que cr =

= 1,52 segundos, y Kcr = 12,6.

Este m etodo suele utilizarse cuando el 10 % M P 60 % a entrada escal on unitario. Ziegler/Nichols de Malla Abierta El m etodo de malla abierta pretende ajustar el controlador a partir del modelo del proceso. Para ello, es necesario identicar el proceso utilizando una entrada paso en malla abierta como se ve en la Figura.... ANADIR FIGURA Ziegler y Nichols se reeren a una curva de reacci on, i.e., una curva en forma de S luego de aplicar la entrada escal on unitario. Esto suele darse si la planta no incluye integrador(es) o polos dominantes complejos conjugados. Si la respuesta no est a en esta forma, el m etodo no debe aplicarse. La respuesta del proceso en este caso ser a KeLs C (s) = U (s) Ts + 1 donde L se conoce como el tiempo de atraso, y T es la constante de tiempo del sistema medida como se puede ver en la Figura.... ANADIR FIGURA La Tabla 6.2 muestra los valores que se requieren para cada uno de los tres controladores t picos que podr an sintonizarse bajo este m etodo.

DE CONTROLADORES PID 6.3. SINTONIZACION Tipo De Regulador P PI PD PID Kc


1 T 3T +L K L 3T 1 T 10,8T +L K L 12T 1 K 1 K T L T L 30T +4L 24T 16T +3L 12T

73 i L/T ) L 30+3( 9+20(L/T )

d L
62(L/T ) 22+3(L/T ) 4L 11+2(L/T )

L/T ) L 32+6( 13+8(L/T )

Tabla 6.3: Valores de los par ametros de los controladores para el m etodo de Cohen y Coon. rc 0 a 0.1 0.1 a 0.2 0.2 a 0.5 Kc
5 K 0,5 Krc 0,5(1+0,5rc ) Krc

i T T T (1 + 0,5rc )

d 0 0
,5rc T 0,0 5rc +1

Tabla 6.4: Valores de los par ametros de los controladores para el m etodo del coeciente de ajustabilidad .

6.3.3.

Sintonizaci on de Controladores PID: Cohen y Coon

Este m etodo trabaja con la respuesta temporal del sistema a una entrada escal on, es muy parecido al de Ziegler-Nichols y tambi en utiliza el modelo de primer orden con tiempo muerto para hallar los par ametros. Las reglas para la sinton a se encuentran matem aticamente establecidas. Una de las grandes ventajas de este m etodo es que se puede seleccionar un controlador PD, cosa que no se logra en los otros m etodos. Los valores de los par ametros se calculan basados en las relaciones de la Tabla 6.3.

6.3.4.

Sintonizaci on de Controladores PID: M etodo del Coeciente de Ajustabilidad

Los m etodos de Ziegler - Nichols y de Cohen - Coon, son dif ciles de aplicar en la pr actica, porque llevan a un comportamiento muy oscilatorio, por esto los instrumentistas implementaron una versi on derivada de estas reglas que tambi en se basa en el modelo de primer orden con retardo, para hallar los coecientes del P.I.D se utiliza el coeciente de ajustabilidad rc , denido como: rc = L T

Se recomienda que 0,1 < rc < 1, pero con los valores de este coeciente se encuentran relaciones espec cas para los par ametros del P.I.D. como se ve en la Tabla 6.4. Para un valor m as grande del coeciente de ajustabilidad, el sistema es imposible de controlar con un PID.

6.3.5.

Sintonizaci on de Controladores PID: Internal Model Control (IMC)

COMPLETAR

6.3.6.

Sintonizaci on de Controladores PID: S ntesis Directa

Este m etodo no parte de un algoritmo en particular para el controlador. Su objetivo es encontrar una funci on de transferencia del controlador que cumpla con las especicaciones de lazo cerrado dadas. Para ello, se utiliza el modelo de malla abierta del proceso. El problema es que con este m etodo no necesariamente se garantiza que el controlador va a existir en la vida real, pero sirve para tener una idea de qu e tipo de controlador podr a utilizarse. Para este caso se tiene el sistema de la Figura... ANADIR FIGURA

74

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO La funci on de transferencia de lazo cerrado ser a T (s) = C (s) Gc (s)Gp (s) = R(s) 1 + Gc (s)Gp (s)

En el m etodo de Ziegler/Nichols se ajustan los par ametros del controlador y se observa la respuesta para as hacerle ajustes nos a dichas constantes. Sin embargo, en el m etodo de s ntesis directa lo que se hace es despejar Gc (s), por lo que T (s) Gc (s) = (6.6) Gp (s)(1 T (s)) La Ecuaci on (6.6) ser a la del controlador, ya que uno tiene caracter sticas propias de dise no para T (s). La Ecuaci on (6.6) se conoce como la ecuaci on de s ntesis, y lo dif cil en este caso es la selecci on de T (s). Sin embargo, algunas caracter sticas b asicas que se tienen que cumplir son El error en estado estable debe ser nulo. La respuesta del sistema debe ser lo sucientemente r apida, pero el sobreimpulso debe ser lo m as peque no posible. T (s) tiene que ser una funci on simple matem aticamente hablando. Las funciones de transferencia que generalmente se utilizan para cumplir estos objetivos son T1 (s) = T1 (s) = 1 1 s + 1 (6.7) (6.8)

1 (2 s + 1)(3 s + 1)

donde los i s son las constantes de tiempo que determinan qu e tan r apido responde el sistema. Si estos par ametros son peque nos, el sistema no responde m as r apido, aunque la ganancia del controlador se incrementa. Por ende, de acuerdo al proceso que se tenga, la selecci on de estos par ametros es bastante cr tica. Los dos tipos de controladores que aparecen al reemplazar (6.7) y (6.8) en (6.6) son Gc (s) = Gc (s) = 1 1 Gp (s) 1 s (6.9) (6.10)

1 1 Gp (s) s(2 3 s + 3 + 2 )

N otese bien que el hecho de que se tenga un controlador con un polo en cero, hace que para una entrada escal on, el error en estado estable tienda a 0.
1 Si Gp (s) = Kp , Gc (s) = 1 K , por lo que el controlador ser a similar a uno con acci on integral, y 1 ps determina qu e tan r apida ser a la respuesta del sistema. Si,

Gp (s) =

Kp s + 1

y Gc (s) se selecciona de acuerdo a (6.9), se tiene un controlador PI, ya que Gc (s) = s + 1 1 Kp s


1 K p

Si lo comparamos con la ecuaci on ideal de un PI tendr amos que Kc =

y i = .

En los dos casos previamente expuestos se trat o de buscar una relaci on directa entre la forma del controlador que se obtiene a partir del proceso y un controlador cl asico. Es claro que en ocasiones se tienen que hacer suposiciones fuertes (e.g., despreciar ciertos par ametros) para que el sistema se parezca a una de las ecuaciones ideales que conocemos.

6.4. ALGORITMOS

75

6.4.

Algoritmos

En general, los controladores comerciales utilizan algoritmos diferentes para implementar un PID. De este tipo de algoritmo dependen los valores de los par ametros obtenidos mediante el m etodo de sintonizaci on que se utilice. Los algoritmos cl asicos son: Ideal:
I Gc (s) = Kc

1+

1 iI s

I + d s

(6.11)

Paralelo o No Interactivo:
P + Gc (s) = Kc

1 P s + d iP s 1
S 1 + d s

(6.12)

Serie o Interactivo:
S Gc (s) = Kc 1+

iS s

(6.13)

Es claro que los m etodos de sintonizaci on vistos hasta el momento se basan en (6.11). Por lo tanto, se tendr an que expresar (6.12) y (6.13) en t erminos de (6.11) para as poder utilizar los par ametros que se obtienen en los m etodos de sintonizaci on vistos. Para (6.13), se tiene que
S Kc S d iS s

1+

1 S s + d iS

Este tipo de controladores se caracterizan porque las acciones derivativa e integral se aplican sucesivamente, lo que hace que exista una fuerte interacci on entre ambas acciones. Al comparar con un controlador ideal, se tiene que S S I = Kc 1+ d Kc iS
S + iS iI = d I d = 1 S d

1 +

1 S i

Por otro lado, el algoritmo paralelo (utilizado por Modicon, Siemens, Allan Braedley, entre otros) es similar al ideal ya que tiene las tres acciones est an actuando en forma independiente, pero su sintonizaci on es diferente ya que P I = Kc Kc
P P iI = Kc i I = d P d P Kc

6.5.

PID Digital
CAMBIAR!!!!!

Para poder implementar un controlador de lazo sencillo, se requieren tres acciones b asicas que un procesador realizar a de forma permanente para controlar la planta. Se hace una conversi on de las se nales an alogas que provienen de los sensores utilizando un conversor ADC. Se procesan los datos, i.e., se hace el c alculo del algoritmo de control.

76

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO Finalmente, se env a el resultado a los actuadores en forma an aloga utilizando un conversor DAC.

La secuencia de operaci on ser a: 1. Esperar la interrupci on de un reloj que ser a el encargado de darle la orden al procesador de cada cu anto se tienen que tomar datos. Esto ser a el tiempo de muestreo T s . 2. Leer los datos del sensor. 3. Calcular la se nal de control por medio de un algoritmo discretizado del PID. 4. Enviar el resultado a los actuadores. 5. Actualizar las variables del controlador modicadas por la discretizaci on del algoritmo. 6. Repetir. En la Figura 6.3 se puede observar un diagrama condensado de un sistema de control digital de un solo lazo. Un ejemplo t pico m as detallado es el que se muestra en la Figura...
u(t) y(t)

t PROCESS

HOLD SAMPLER

D/A u[n]

COMPUTER

A/D y[n]

Figura 6.3: Proceso de tomar una se nal continua y (t) que es generada por el proceso, y convertirla en una secuencia de n umeros y [n]. El computador toma una decisi on y la convierte en otra secuencia de n umeros u[n], los cuales se convierten luego en una se nal continua u(t) que act ua sobre el proceso. Figura adaptada de [2]. ANADIR FIGURA Los computadores que se utilizan se conectan a los actuadores y al proceso por medio de conversores de se nal. La salida es procesada por un DAC durante un per odo jo de tiempo T el cual se conoce como el tiempo de muestreo (lo mismo sucede a la entrada). El muestreador es b asicamente un interruptor que se cierra cada T segundos por un instante corto de tiempo. Por ejemplo, en la Figura... se tiene un ejemplo, que gr acamente dar a algo como se ve en la Figura... ANADIR FIGURAS El DAC es un dispositivo que convierte la se nal muestreada r (t) en una se nal continua p(t). Por lo general, el DAC se representa como un circuito de zero-order hold (ZOH) como se ve en la Figura... ANADIR FIGURA La funci on de transferencia del ZOH es G0 (s) = 1 esT s

6.5. PID DIGITAL

77

La idea de este retenedor de orden cero es tomar el valor de r[kT ] y retenerlo constante por un tiempo kT t < (k + 1)T , como se ve en la Figura... para k = 0. ANADIR FIGURA El muestreador y el ZOH pueden seguir acertadamente la se nal de entrada si T es peque no comparado con los cambios transientes en la se nal. Para una rampa y una exponencial se tendr a lo que se observa en las Figuras... ANADIR FIGURAS Muy poco se pierde si se hace un muestreo entre instantes muy cercanos, mas sin embargo, mucho se pierde si los puntos de muestreo se ubican demasiado lejos. Esto se da sobre todo en la conversi on de la se nal muestreada a una continua. Si la frecuencia de muestreo 2 s = T es lo sucientemente grande comparada con la componente de frecuencia m as alta en una se nal continua, entonces se puede armar que las caracter sticas de amplitud de la se nal se preservan. Para evitar este tipo de inconvenientes, asumamos que 1 es la frecuencia m axima o ancho de banda de una se nal x(t), i.e., no hay componentes de frecuencia por encima de 1 . El siguiente teorema conocido como el teorema de muestreo de Nyquist, ilustra la escogencia de la frecuencia de muestreo de acuerdo al ancho de banda de la se nal en cuesti on. Theorem 6.5.1 Si s =
2 T ,

i.e., la frecuencia de muestreo, cumple con s > 21

donde 1 es la componente de frecuencia m as alto en una se nal continua x(t) (i.e., su ancho de banda), entonces esta puede ser reconstruida en su totalidad de la se nal muestreada x (t). Si esto se cumple, no habr a problemas de aliasing, fen omeno que se da cuando se crean nuevos componentes de frecuencia debidos al muestreo. Si no, se pueden tener dos se nales diferentes cuya reconstrucci on ser a imposible (e.g., Figura 6.4). Por lo general, se analiza el sistema en frecuencia utilizando la Transformada Z , la cual es un equivalente de la transformada de Laplace en tiempo discreto, pero con z = esT En t erminos de estabilidad, esta transformaci on llevar a a que un sistema muestreado es estable si todos los polos de lazo cerrado de T (z ) est an ubicados dentro del c rculo unitario en el plano z . Criterios de estabilidad como el de Jury se aplican en estos casos en lugar de Routh-Hurwitz. En t erminos de diagramas en bloques, hay que tener mucho cuidado d onde se ubican los muestreadores, ya que las funciones de transferencia no ser an las mismas. En las Figuras... se muestra un ejemplo donde G(z )H (z ) = GH (z ). ANADIR FIGURAS Para poder implementar un PID en un procesador, es menester discretizar cada una de las funciones. Por ende, necesitamos expresar las ecuaciones continuas en t erminos de ecuaciones de diferencias, lo cual se puede hacer utilizando algoritmos posicionales e incrementales. Por simplicidad, veremos los primeros u nicamente. El algoritmo posicional recibe su nombre porque este determina directamente la posici on que debe tomar el actuador. Sea, la Ecuaci on (6.4) con u = 0, y la integral de 0 a t. La aproximaci on de la integral se da por medio de la regla rectangular o trapezoidal de una se nal, i.e., 1 i o 1 i
0 t t 0

Ts e( )d = i
n

e(hTs )
h=1

Ts e( )d = i

h=1

e(hTs Ts ) + e(hTs ) 2

78
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO

10

Figura 6.4: Figura adaptada de [2]), la cual muestra el efecto de aliasing utilizando dos diferentes se nales x1 (t) = sin(2f1 t) (punteada) and x2 (t) = sin(2f2 t) (s olida), con sus respectivas frecuencias (f1 = 0,1 Hz, f2 = 0,9 Hz, y fs = 1 Hz). Este es un excelente ejemplo de c omo el aliasing puede afectar la reconstrucci on perfecta de las se nales respectivamente. La Figura... muestra un ejemplo de c omo se calcular an dichas aproximaciones a partir de un ejemplo gr aco. ANADIR FIGURA La acci on derivativa tiene por aproximaci on d de(t) e(nTs ) e(nTs Ts ) = d dt Ts

Como se mencion o previamente, Ts corresponde al tiempo de muestreo. De esta forma, el PID ideal discretizado se convertir a en u[nTs ] = Kc Observaciones: Teniendo el controlador PID digital, para poderlo sintonizar utilizando alguno de los m etodos vistos previamente, se recurre a a nadir T /2 al tiempo muerto del proceso, para as poder utilizar dichos criterios. Es decir, el nuevo tiempo muerto ser a dependiente del tiempo de muestreo, i.e., =L+ T L 2 Con ello, se estar a incluyendo el tiempo de muestreo en la selecci on de cada uno de los componentes. En cuanto al desempe no, si el muestreo es muy lento/r apido, el PID puede no responder adecuadamente. Una gu a u til se puede resumir como: Para lograr en un controlador digital un desempe no cercano al de su contraparte continua, seleccione T 0,05(L + ), donde L y son el tiempo muerto y la constante de tiempo del sistema de primer orden, respectivamente. Obtener un modelo emp rico del sistema. e[nTs ] + Ts i
n

e[hTs ] + d
h=1

e[nTs ] e[(n 1)Ts ] Ts

6.6. CRITERIOS DE DESEMPENO

79

Implementar y ajustar de forma m as na.

= L+ T . Determinar las constantes de sintonizaci on utilizando Ziegler y Nichols por ejemplo, con L 2

6.6.

Criterios de Desempe no

Hasta este punto se han visto tres criterios fundamentales que uno suele buscar a la hora de dise nar un controlador: estabilidad, criterios de estado estacionario, y respuesta din amica del sistema. Otro de los criterios que existen, aborda el desempe no de la integral de tiempo que puede ser utilizado par la escogencia de los par ametros. Los m as comunes son aquellos que involucran minimizar una funci on que contenga la integral del error. Estos m etodos cl asicos son: 1. Integral Absolute Error (IAE) IAE =
0

|e(t)|dt

En algunos casos se toma como l mite superior un tiempo t nito tal que se haya alcanzado el valor en estado estacionario. Por lo general este es igual al tiempo de establecimiento t s . 2. Integral Squared Error (ISE) ISE =
0

e2 (t)dt

La idea en este caso es penalizar errores grandes. 3. Integral Time-weighted Absolute Error (ITAE) IT AE =
0

t|e(t)|dt

La idea en este caso es penalizar m as los errores en tiempos grandes. 4. Integral Time-weighted Squared Error (ITSE) IT SE =
0

te2 (t)dt

La idea en este caso es penalizar errores grandes en tiempos largos. ANADIR EJEMPLO En l neas generales, lo que se tiene es I = 0 f (e(t), r(t), y (t))dt, ya que no necesariamente tendr a que ser el error, sino una combinaci on de cualquiera de las se nales que se tengan a disposici on.
T

6.7.

Dise no con Pole Placement

En esta forma de dise no, se desea que los polos de lazo cerrado se ubiquen en lugares previamente estipulados por la respuesta del sistema. Para un sistema con retroalimentaci on unitaria, controlador G c (s) y proceso Gp (s), la ecuaci on caracter stica ser a 1 + Gc Gp = 0. Si tuvi eramos un sistema de primer orden y un controlador PID ideal, la ecuaci on caracter stica vendr a siendo i Kc Kp d + 2 1 + K c Kp s + i s + 1 = 0 Kp Kc Kc Kp

Se tendr an entonces dos polos de lazo cerrado r1,2 = (1 + Kc Kp ) Kc Kp 2(Kc Kp d + ) 2(Kc Kp d + ) (1 + Kc Kp )i Kc Kp


2

i (Kc Kp d + ) Kc Kp

80

CAP ITULO 6. SISTEMAS DE CONTROL RETROALIMENTADO

Como los valores de Kp y del proceso se conocen por lo general, la escogencia de Kc , i , y d nos lleva a ubicar los polos donde se desee en el plano complejo. Si se quisiera obtener una salida determinada, uno puede tener un polinomio caracter stico de base/gu a para la ubicaci on de los polos. Por ejemplo, para una ecuaci on de segundo orden, una funci on de transferencia ser a 1 2 s2 + 2 s + 1 r r r Si r = 4 y r = 0,5, en este caso se necesitar a que i Kc Kp d + = 16 Kp Kc 1 + K c Kp i = 4 Kc Kp Sin embargo, es claro que las respuestas no van a ser exactamente las mismas, ya que s olo se est an escogiendo los polos mientras que los ceros no se tienen en cuenta y estos pueden afectar el desempe no.

Cap tulo 7

Variables de Estado: Introducci on


Es gracias a la muerte que podemos ser felices porque sabemos que en alg un momento todo va a terminar Mario Vargas Llosa

Hasta el momento hemos analizado los sistemas desde el punto de vista de funciones de transferencia. Hemos visto c omo los modelos matem aticos obtenidos por medio de leyes f sicas nos ayudan a modelar relaciones de toda ndole, adem as de brindarnos la posibilidad de estudiar dichos sistemas para obtener su estabilidad y buscar m etodos de control. Sin embargo, todo este estudio se ha basado en el hecho de que los sistemas estudiados son lineales y est an representados en el espacio s. Es sabido que cualquier sistema no lineal se puede transformar en uno lineal por medio de m etodos de linealizaci on como los vistos previamente. En este cap tulo veremos otra forma de representar los sistemas por medio de las variables de estado. El an alisis que se har a en este y los subsiguientes cap tulos se basa en los sistemas lineales, y su representaci on por medio de ecuaciones diferenciales ordinarias. Primero se repasan los conceptos de variables de estado y su relaci on con cualquier tipo de sistema, y luego se ahonda en la representaci on de sistemas lineales. Las notas de este cap tulo han sido sacadas de varios libros, dentro de los que se destacan [22, 31, 7, 11, 32, 12, 14, 30, 33].

7.1.

Denici on de Variables de Estado

El prop osito de un modelo de variables de estado es desarrollar una representaci on que preserve la relaci on entrada-salida, pero expresada en t erminos de n ecuaciones de primer orden. La principal ventaja de este modelo es que las caracter sticas internas del sistema son representadas [28]. Un modelo de variables de estado es un conjunto de ecuaciones diferenciales de primer orden que est an acopladas, y usualmente se representa de forma vectorial. Supongamos que se tienen n variables de estado y m entradas. x i = fi (x1 , x2 , . . . , xn , u1 , u2 , . . . , um ) i = 1, . . . , n (7.1) Si se transformase (7.1) en t ermino de vectores, se tendr a que x = f (x, u, t) donde x = [x1 , x2 , . . . , xn ] , y u = [u1 , u2 , . . . , um ] . En este caso f () es una funci on vectorial con n + m + 1 argumentos, de dimensi on n.

7.1.1.

Deniciones

Existen dos tipos de sistemas din amicos. Aquellos que est an descritos por ecuaciones diferenciales (i.e., aquellas que describen la evoluci on de los sistemas en tiempo continuo), y aquellos descritos por ecuaciones de diferencias o iterated maps (i.e., aquellas din amicas en tiempo discreto). A lo largo del curso se utilizar an 81

82

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

ecuaciones diferenciales, y m as espec camente las ordinarias (las parciales no ser an utilizadas) de la forma x i = fi (x1 , x2 , . . . , xn , t), i = 1, . . . , n (7.2)

i Con x i dx on determinada por el problema a tratar. El sistema descrito por (7.25) puede dt , y f () una funci ser lineal o no lineal y depende tanto de x como de t.

Denition 11 El sistema descrito por (7.25) se dice que es un sistema aut onomo si f i () no depende del tiempo. En caso contrario, decimos que (7.25) es un sistema no aut onomo o dependiente del tiempo. Denition 12 El sistema x i = fi (x1 , x2 , . . . , xn , t, u(t)) (7.3) se dice que es un sistema forzado o con entrada. Si f () no depende de u(t) se tiene un sistema no forzado. Denition 13 El vector x Rn es un equilibrio del sistema no forzado (7.26) si fi (t, x ) = 0 t 0, i {1, . . . , n} Si x es un equilibrio de (7.26), y las condiciones inciales son xi (t0 ) = x i para todo t t0 , el sistema tiene una soluci on u nica xi (t) = x . i Es decir que si el sistema est a en equilibrio desde el principio, este no se mover a de ah . Denition 14 El estado de un sistema din amico es un conjunto de cantidades f sicas, cuyas especicaciones (en ausencia de otro tipo de excitaci on) determina completamente la evoluci on del sistema [12]. Esto implicar a que el n umero de condiciones iniciales que deben ser especicadas constituye el orden del sistema, y por ende el n umero de variables de estado necesarias para determinar el mismo. Ejemplo 7.1.1 Sea x 1 x 2 = = x2 + x1 4 + x 2 x1 (7.4)

Los puntos de equilibrio del sistema estar an dados por (2, 2) y (2, 2).

7.1.2.

ODEs Lineales

Si la ecuaci on diferencial en (7.1) es lineal, esta se puede escribir como x 1 (t) x 2 (t) x n (t) = = = a11 (t)x1 (t) + . . . + a1n (t)xn (t) + b11 (t)u1 (t) + . . . + b1m (t)um (t) a21 (t)x1 (t) + . . . + a2n (t)xn (t) + b21 (t)u1 (t) + . . . + b2m (t)um (t) . . . an1 (t)x1 (t) + . . . + ann (t)xn (t) + bn1 (t)u1 (t) + . . . + bnm (t)um (t)

(7.5)

La Ecuaci on (7.5) se puede reducir a nivel vectorial de tal forma que x (t) = A(t)x(t) + B (t)u(t) (7.6)

donde A(t) y B (t) son matrices de n n y n m, respectivamente. La Ecuaci on (7.6) se conoce como la Ecuaci on de Estado. En este caso, A(t) y B (t) dependen del tiempo. En nuestro an alisis, estas dos matrices no depender an por lo general del tiempo. En algunos casos se tienen tambi en entradas ex ogenas (adem as de las entradas de control) las cuales dependen del ambiente. En esos casos, la Ecuaci on (7.6) se transforma en x (t) = A(t)x(t) + B (t)u(t) + E (t)x0 (t) donde x0 es un vector que re une las entradas ex ogenas (e.g., perturbaciones, ruido), y E (t) es una matriz de las ganancias que poseen dichas entradas.

DE VARIABLES DE ESTADO 7.1. DEFINICION

83

Finalmente, lo que nos interesa es la salida en la mayor a de los casos, m as no el estado. Por ello, se dene un vector de salida y = [y1 , y2 , . . . , yr ] y estar a dado por y (t) = h(x(t), u(t)) Si se linealizara el sistema, este vector ser a el observation vector, y la ecuaci on de salida o de observaci on vendr a dada por y (t) = C (t)x(t) + D(t)u(t) (7.7) donde C (t) y D(t) son matrices de r n y r m, respectivamente. Ejemplo 7.1.2 [12, 28] En este caso se tiene un modelo que corresponde a una masa M que est a sujetada a un amortiguador cuya constante de amortiguaci on es b y a un resorte cuya constante es k . La Figura7.1 muestra el sistema.

k M

fo

Figura 7.1: Modelo mec anico que corresponde a una masa, sujetada por un amortiguador y un resorte. La posici on est a dada por y , y se le aplica una fuerza inicial f0 .

Por intermedio de las leyes de Newton, sabemos que M d2 y (t) = dt2 f (t)

Asumiendo que el sistema es lineal en todos sus componentes, se tiene que M dy (t) d2 y (t) +b + ky (t) = f0 dt2 dt (7.8)

La Ecuaci on (7.8) es una representaci on de un sistema de segundo orden por intermedio de ecuaciones diferenciales. Para poder hacer una representaci on en variables de estado, se necesita hacer un cambio de variables de la siguiente forma. x1 (t) = y (t) (7.9) (t) x2 (t) = dy dt Por lo tanto x 1 (t) x 2 (t) = = x2 (t)
d2 y (t) dt2

(7.10)

Utilizando (7.8) en (7.10), con el cambio de variables descrito en (7.9) se tiene que x 1 (t) x 2 (t) = = x2 (t) b x2 (t) M
k M x1 (t)

1 M f0

Las Figuras 7.2 y 7.3 muestran la implementaci on del sistema utilizando Simulink. La primera corresponde al modelo utilizando diagrama en bloques donde s olo se pueden utilizar sumadores, integradores, y ganancias. La segunda corresponde a la simulaci on del sistema para cuatro casos diferente. Como se puede

84

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

0 observar, en los cuatro casos la posici on nal es la misma ( f a es la respuesta k , i.e., 0.3125m), pero lo que var 1 f0 . Entre m as grande sea el del sistema. Esto se debe a que los puntos de equilibrio ser an x2 = 0 y x1 = k amortiguamiento, menos oscilaciones tiene el sistema, pero su respuesta pareciera ser m as lenta. Es el mismo caso de la velocidad, ya que esta siempre llega a 0, pero con m as o menos oscilaciones. Cabe aclarar que en estos cuatro casos las otras variables permanecieron exactamente iguales. Un ejemplo de qu e sucede cuando se deja de aplicar una fuerza constante f0 se puede ver en la Figura 7.4. Claramente, en este caso, el sistema cambia su punto de equilibrio luego de 19 segundos, ya que en ese momento f 0 = 0. Esto era de esperarse debido a la f sica del sistema (i.e., se tiene un amortiguador).

f0 To Workspace2 1/M Step Gain1

x2 To Workspace1

x1 To Workspace

1 s Integrator

1 s Integrator1 Scope

Gain b/M

Gain2 k/M


 






 


  
!#"$ % !#& 
'  !#(
)$* + , !#&
- .
- /- (
)$0 * +
Figura 7.2: Modelo en Simulink que corresponde a la Figura 7.1. Ejemplo 7.1.3 [12] Representar el sistema descrito en (7.11) por intermedio de diagramas de bloques. x 1 (t) x 2 (t) = = a11 x1 + a12 x2 (t) + b11 u1 + b12 u2 (t) a21 x1 + a22 x2 (t) + b21 u1 + b22 u2 (t) (7.11)

7.2.
7.2.1.

Representaci on y Soluci on de Variables de Estado


Representaci on

Consideremos el siguiente sistema de n- esimo orden [22] y n + a1 y n1 + . . . + an1 y + an y = u (7.12)

En este caso, y n corresponde a la n- esima derivada de y . Para poder hacer una representaci on en t ermino de ecuaciones de estado, se asume que se conocen las condiciones iniciales y (0), y (0), . . ., y n1 (0), adem as de la entrada u(t). Por lo tanto, el conjunto de n variables de estado ser a x1 (t) x2 (t) xn (t) = y (t) = y . . . =
dn1 y (t) dtn1

Y SOLUCION DE VARIABLES DE ESTADO 7.2. REPRESENTACION

85

1 0.8 0.6 0.4 0.2 0 0.2 0.4 0

Simulacin para b=2. Velocidad ()

0.6 0.5 0.4 0.3 0.2 0.1 0 0.1

Simulacin para b=4. Posicin ()

10

15

20

0.2

10

15

20

0.4 0.3 0.2 0.1 0 0.1

Simulacin para b=8, Velocidad ()

0.35 0.3 0.25 0.2 0.15 0.1 0.05

Simulacin para b=16, Posicin ()

10

15

20

10

15

20

Figura 7.3: Simulaci on en Simulink del sistema descrito en la Figura 7.1. Para este caso se utilizaron los par ametros f0 = 5N, M = 2kg, k = 16N/m, y cuatro valores para b. En la parte superior izquierda, se tiene b = 2N.s/m; en la parte superior derecha, se tiene b = 4N.s/m; en la parte inferior izquierda, se tiene b = 8N.s/m; y en la parte inferior derecha, se tiene b = 16N.s/m. En todos los casos se tiene que posici on est a dada por la l nea (-), mientras que la velocidad es la l nea punteada (- -). Es decir que la Ecuaci on (7.12) se puede escribir como x 1 x 2 x n1 x n = = = = x2 x3 . . . xn an x1 an1 x2 . . . a1 xn + u 0 1 . . . 0 an2 ... ... ... ... 0 0 . . . x1 x2 . . . 0 0 . . .

La salida se obtiene mediante,

Lo que expresado en una forma matricial ser a x 1 0 1 x 0 0 2 . . . . . = . . . . x 0 n1 0 x n an an1

1 xn1 a1 xn x1 x2 . . . xn

+ 0 1

...

De esta forma, el sistema de orden n se ve representado por un conjunto de ecuaciones de estado y de salida como las que se describen en (7.6) y (7.7).

86

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION


Entrada f0=5, nicamente los primeros 19 segundos

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

10

15

20

25

30

35

40

Figura 7.4: Simulaci on en Simulink del sistema descrito en la Figura 7.1, cuando u nicamente se aplica una fuerza f0 durante un determinado tiempo. Para este caso se utilizaron los par ametros f 0 = 5N, M = 2kg, k = 16N/m, y b = 2N.s/m. La posici on est a dada por la l nea (-), mientras que la velocidad es la l nea punteada (- -).

Otra representaci on m as compleja es la que se describe en (7.13). y n + a1 y n1 + . . . + an1 y + an y = b0 un + b1 un1 + . . . + bn1 u + bn u (7.13)

Como se puede observar, el problema en este caso es c omo denir las variables de estado de tal forma que se eliminen las derivadas de u en (7.13). Para ello, se plantea la siguiente soluci on x1 x2 x3 xn Donde 0 1 2 3 n = = = = = b0 b 1 a 1 0 b 2 a 1 1 a 2 0 b 3 a 1 2 a 2 1 a 3 0 . . . bn a1 n1 . . . an1 1 an 0 = y 0 u = y 0 u 1 u = x 1 1 u = y 0 u 1 u 2 u = x 2 2 u . . . = y n1 0 un1 1 un2 . . . n2 u n1 u = x n1 n1 u

Lo que expresado en una forma matricial ser a x 1 x 2 . . . 0 0 . . . 0 an 1 0 . . . 0 an1 0 1 . . . 0 an2 ... ... ... ... 0 0 . . . x1 x2 . . . + 1 2 . . . n

x n1 x n

1 xn1 xn a1

Y SOLUCION DE VARIABLES DE ESTADO 7.2. REPRESENTACION La salida se obtiene mediante, x1 x2 . . . xn

87

...

+ 0 u

Ejemplo 7.2.1 Transforme la siguiente ecuaci on en t erminos de variables de estado y + a1 y + a 2 y = b0 u + b1 u + b2 u Para ello, se utilizan las transformaciones vistas previamente, por lo cual x1 x2 donde 0 1 2 Reemplazando, se obtiene que x 1 x2 = = = = = = x2 1 u y 0 u 1 u a1 y a 2 y + b0 u + b1 u + b2 u b0 u b1 u + a 1 b0 u a1 (x2 + b0 u + 1 u) a2 (x1 + b0 u) + b2 u + a1 b0 u a1 x2 a1 b0 u a 1 1 u a 2 x 1 a 2 b0 u + b 2 u + a 1 b0 u a1 x2 a2 x1 2 u = = = b0 b 1 a 1 b0 b 2 a 1 1 a 2 0 = y 0 u = y 0 u 1 u = x 1 1 u

7.2.2.

Soluci on

Asumamos que se tiene la representaci on en el espacio de estado x (t) = Ax(t) Esta ecuaci on se puede escribir como x 1 (t) x 2 (t) x n (t) = = = a11 x1 (t) + . . . + a1n xn (t) a21 x1 (t) + . . . + a2n xn (t) . . . an1 x1 (t) + . . . + ann xn (t)

Se asume que se conocen las condiciones iniciales del sistema (x(0)), por lo cual se podr a integrar a ambos lados de la ecuaci on, para as obtener x1 (t) x1 (0) x2 (t) x2 (0) xn (t) xn (0) = = =
t 0 t 0 t 0

(a11 x1 ( ) + . . . + a1n xn ( )) d (a21 x1 ( ) + . . . + a2n xn ( )) d . . . (an1 (t)x1 ( ) + . . . + ann xn ( )) d

Esto, escrito de forma matricial, se convierte en


t

x(t) =
0

Ax( )d

+ x(0)

(7.14)

88

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

Pero, qu e es x( ) en (7.14)? Si observamos (7.14), x( ) viene siendo la soluci on de dicha ecuaci on cuando x(t)|t= . En otras palabras,

x( ) =
0

Ax( )d

+ x(0)

(7.15)

Reemplazando (7.15) en (7.14),


t

x(t) =
0

A
0

Ax( )d

+ x(0) d

+ x(0)

Si se hiciera esto repetidamente, se obtiene que


t t t 0 0

x(t) =

I+
0

Ad +
0 0

A2 d d +
0

A3 d d d + . . . x(0)

Como el sistema es lineal e invariante en el tiempo, la matriz A es constante, por lo que x(t) = I + At + A 3 t3 A 2 t2 + + . . . x(0) 2! 3!

El t ermino entre par entesis es la aproximaci on en series de Taylor de una exponencial. Por lo tanto, x(t) = eAt x(0) = (t)x(0) (7.16)

El t ermino (t) = eAt se conoce como matriz de transici on de estado. Esta matriz se conoce as porque transere el estado del sistema en tiempo 0 a tiempo t. En el paper [20] se deducen 19 diferentes formas de computar dicha matriz. Algunas propiedades de la matriz de transici on de estado son (0) = I 1 (t) = (t) k (t) = (kt) (t1 + t2 ) = (t1 )(t2 ) (t2 t2 )(t1 t0 ) = eA(t2 t0 ) Ahora, si se asume que el sistema tiene respuesta forzada, i.e., x (t) = Ax(t) + Bu(t) x (t) Ax(t) = Bu(t)

Multiplicando a ambos costados por eAt ,

eAt (x (t) Ax(t)) = eAt Bu(t) Pero, eAt (x (t) Ax(t)) = Integrando a ambos lados, eAt x(t) =
0 t

d At e x(t) dt

eA Bu( )d + x(0)

Por ende, la soluci on cuando se tiene respuesta forzada es


t

x(t) = eAt
0

eA Bu( )d + eAt x(0)

(7.17)

7.3. FUNCIONES DE TRANSFERENCIA

89

7.3.

Funciones de Transferencia

Denition 15 La funci on de transferencia de un sistema lineal e invariante en el tiempo, es la relaci on en frecuencia que existe entre la entrada y la salida cuando las condiciones iniciales son iguales a cero. En esta denici on, v alida para sistemas lineales e invariantes en el tiempo, se tiene que para un sistema como (7.18), la relaci on entre la entrada u y la salida y estar a dado por una transformaci on en frecuencia de las se nales, siempre y cuando las condiciones iniciales sean nulas. y n + a1 y n1 + . . . + an1 y + an y = b0 um + b1 um1 + . . . + bm1 u + bm u Esto ser a, H (s) = L [salida] L [entrada]
CI =0

nm

(7.18)

d onde L [] es la transformada de Laplace. Aplicando esto a (7.18), se obtiene que H (s) = b0 sm + b1 sm1 + . . . + bm1 s + bm Y (s) = U (s) sn + a1 sn1 + . . . + an1 s + an (7.19)

Cu al es la relaci on que existe entre la funci on de transferencia y la representaci on en variables de estado? Tomemos la Ecuaci on (7.6), y aplicando la transformada de Laplace, se obtiene que sX (s) x(0) = AX (s) + BU (s) Como se sabe que las condiciones iniciales son cero, se tiene que sX (s) AX (s) = BU (s) Se asume que (sI A) es no singular (porqu e?), por lo que se deduce que X (s) = (sI A)1 BU (s) (7.20) Por otra parte, la transformada de y (t) en (7.7) viene siendo Y (s) = CX (s) + DU (s), por lo cual si reemplazamos X (s) en (7.20), se obtiene que la funci on de transferencia es Y (s) = C (sI A)1 B + D U (s) (7.21)

Si se analiza la Ecuaci on (7.21) se puede observar que |sI A| corresponde al polinomio caracter stico del G(s) sistema, ya que el resto de t erminos podr an ser agrupados de tal forma que H (s) = |sI A| , por lo que los valores propios de A son id enticos a los polos de H (s). Su rol es vital ya que las ra ces del polinomio son las ra ces caracter sticas, o valores propios, o polos del sistema, los que determinan las principales caracter sticas del comportamiento del sistema no forzado. Se sabe que (t) = eAt = I + At + Por lo tanto, la transformada de Laplace ser a igual a (s) = I A A2 A3 + 2 + 3 + 4 + ... s s s s A A2 A3 I + 2 + 3 + 4 + ... s s s s
2

A 2 t2 A 3 t3 + + ... 2! 3!

[sI A](s) = [sI A] [sI A](s) Por lo tanto, =

A I2 + A ... s + s2 + 2 A A3 A s s2 s3 . . . = I

En la literatura, la matriz (s) = (sI A)1 se conoce como el resolvent de A (o la matriz caracter stica). Por lo tanto, los pasos a seguir a la hora de calcular la matriz de transici on de estado son:

eAt = L 1 {(sI A)1 }

90 1. Calcular (sI A). 2. Obtener (s) = (sI A)1 .

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

3. Tomar la transformada inversa de Laplace de (s) elemento por elemento. Recuerde que adj(A) 1 = (Cij ) |A| |A| d onde adj(A) es la matriz adjunta, o la matriz de cofactores, la cual tiene como coecientes (C ij ) = (1)i+j Mij (Mij es la matriz que remueve la la i y la columna j , para luego tomar el determinante). El determinante de una matriz A de n n se puede denir por medio de la expansi on de Laplace con respecto a una la arbitraria i de la forma A1 =
n

detA =
j =1

aij Cij

Esto tambi en se puede hacer con respecto a una columna arbitraria k de la forma,
n

detA =
i=1

aik Cik

Ejemplo 7.3.1 [4] Sea

Se tiene entonces la siguiente serie de menores,

2 A= 3 2 3 2 2 2 2 3

4 0 0 2 3 1 3 1 2

1 2 3 =5 =4 =1

M12 = M22 = M32 =

Por lo tanto, los cofactores asociados ser an C12 = (1)3 5 = 5, C12 = (1)4 4 = 4, y C32 = (1)5 1 = 1. Por lo tanto, usando la expansi on de Laplace con respecto a la columna 2, se tiene que |A| = 4C 12 = 20. Ejemplo 7.3.2 Calcular la matriz adjunta cuando se tiene una matriz cuadrada de n = 2, y n = 3. A= a11 a21 a12 a22 b13 b23 b33

adj(A) = b22 b32 b21 adj(B ) = b31 b21 b31 b23 b33 b23 b33 b22 b32

b11 B = b21 b31 b11 B = b21 b31

b12 b22 b32 a22 a21

b12 b22 b32 b12 b32

a12 a11 b13 b23 b33 b13 b33

b11 b13 b31 b33 b b 11 12 b31 b32

b12 b22 b 11 b21 b11 b21

b13 b23 b13 b23 b12 b22

7.3. FUNCIONES DE TRANSFERENCIA

91

Ejemplo 7.3.3 [12] Hallar la matriz de transici on de estado si las din amicas de un motor DC con inercia est an dadas por = w w = w + u d onde y son constantes del motor. eAt = 1 0 (1 et )/ et

Ejemplo 7.3.4 Consid erese la funci on de transferencia asociada al diagrama de la Figura 7.5. a2 s 2 + a 1 s + a 0 Y (s) = 3 U (s) s + b2 s2 + b1 s + b 0

U (s )

Y (s )
1 s3 + b 2 s2 + b 1 s+ b 0

V (s )

a2s + a1s + a0

Figura 7.5: Diagrama en bloques. Halle la representaci on de la forma x = Ax + Bu y = Cx + Du dv 3 + b2 v + b1 v + b0 v = u dt3 Tomando x1 = v , x2 = v , y x3 = v , se tiene entonces que 0 1 0 0 0 1 x + 0 u x = 0 b0 b1 b2 1 Por otro lado, se tiene que a2 v + a1 v + a0 v = y Por lo tanto, se obtendr a que y = [a0 a1 a2 ]x Ejemplo 7.3.5 [29] Un calibrador o ptico utilizado por la Chrysler Corporation, el cual se utiliza para vericar el perfecto alineamiento de todos los componentes met alicos de varias clases de Sedan de cuatro puertas, tiene unas din amicas en lazo cerrado dadas por y + 5y + 6y = f (t) Asumiendo que f (t) = 0, y que y (0) = 1, y (0) = 0, halle y (t). Haciendo x1 (t) = y (t), y x2 (t) = x 1 (t), se tiene que x 1 (t) x 2 (t) = 0 6 1 5 x1 (t) x2 (t) Se tiene entonces que

y C = [1, 0]. Hallando la matriz de transici on de estado (sI A)1 = 1 s2 + 5s + 6 s+5 6 1 s

92

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION


s+5 (s+2)(s+3) 6 (s+2)(s+3) 1 (s+2)(s+3) s (s+2)(s+3)

(s) = (t) = Como sabemos,

3e2t 2e3t 6e2t + 6e3t x1 (t) x2 (t) = (t)

e2t e3t 2e2t + 3e3t x1 (0) x2 (0)

Entonces, y (t) = 3e2t 2e3t

7.4.

Formas Can onicas

En el siguiente ejemplo se muestra como una misma ecuaci on diferencial puede tener varias representaciones en el espacio de estado. Porqu e? Porque existen varios m etodos para transformar las variables de estado. De ah que surjan diversos tipos de formas que se denominar an las formas can onicas. Ejemplo 7.4.1 Encuentre la representaci on en el espacio de estado de d3 y + 6 y + 11y + 6y = 6u dt3 Seg un lo visto en la secci on anterior, se tiene que las matrices A, B , C , y D vienen dadas por 0 1 0 0 1 A= 0 6 11 6 0 B= 0 6 C= 1 0 0 y D = 0. La matriz de transici on de estado estar a dada en Laplace por 2 s + 6s + 11 s+6 1 2 6 s + 6s (sI A)1 = 3 s + 6s2 + 11s + 6 6s 11s 6 H (s) = C (sI A)1 B = Si partimos de la funci on de transferencia, se tiene que Y (s) = =
6 3 s+2 U (s) + s+3 U (s) X1 (s) + X2 (s) + X3 (s) 3 s+1 U (s)

Por lo que la funci on de transferencia ser a

1 s s2

s3

6s2

6 + 11s + 6

Por lo que se tendr a una representaci on en el espacio de estado igual a x 1 x 2 x 3 y = x1 + 3u = 2x2 6u = 3x3 + 3u = x 1 + x2 + x3

Por ende, se tendr an otro tipo de matrices A, B , C , y D. El resultado del ejemplo anterior nos muestra claramente que una funci on de transferencia puede tener muchas representaciones en el espacio de estado. A continuaci on se explicar an los m etodos est andares conocidos como representaciones CANONICAS, las cuales tienen varias propiedades que ser an explotadas a lo largo del curso.

7.4. FORMAS CANONICAS

93

7.4.1.

First Companion Form: Forma Can onica Controlable

Arranquemos por denir las variables de estado para la siguiente funci on de transferencia H (s) = Esto es equivalente a y n + a1 y n1 + . . . + an1 y + an = u Esta ecuaci on se puede ver como una serie de n integradores, donde la salida del u ltimo corresponder a a la salida y , la salida del pen ultimo seria y , y as sucesivamente. La Figura 7.6 muestra como ser a el diagrama en bloques para este caso. 1 sn + a1 sn1 + . . . + an1 s + an (7.22)

Figura 7.6: Representaci on en diagramas en bloques de la Ecuaci on (7.22). Figura tomada de [12]. La representaci on en el espacio de estado viene dada por x 1 x 2 x n1 x n y = = x2 x3 . . .

= xn = an x1 an1 x2 . . . a1 xn + u = x1

Si form asemos la matriz A, se puede ver que tiene una estructura especial: los coecientes del denominador de H (s) est an en la u ltima la precedidos de un signo menos; el resto de valores son 0, excepto la superdiagonal cuyos t erminos son 1. Este tipo de matrices se conocen como matrices que tienen una companion form. La funci on de transferencia en (7.22) se modica de tal forma que ahora, la funci on de transferencia es H (s) = b0 sn + b1 sn1 + . . . + bn1 s + bn sn + a1 sn1 + . . . + an1 s + an (7.23)

donde si el grado del numerador fuera menor o igual al grado del denominador, i.e., deg(num) deg(den), entonces se dice que es una funci on de transferencia propia; si es estrictamente menor, entonces se dice que es una funci on de transferencia estrictamente propia; y si es mayor, entonces se dice que la funci on de transferencia es impropia. Pero esta ecuaci on es equivalente a H (s) = Por linealidad,
Z (s) U (s)

Y (s) Z (s) Z (s) U (s)

ser a equivalente a (7.22), mientras que se puede decir que Y (s) = b0 sn + b1 sn1 + . . . + bn1 s + bn Z (s)

As pues, se tiene una parte que es id entica a lo expuesto anteriormente, mientras que la segunda ser a la suma escalizada de las salidas de los integradores que se forman de acuerdo a lo visto previamente. Un diagrama en bloques se puede ver en la Figura 7.7.

94

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

Figura 7.7: Representaci on en diagramas en bloques de la Ecuaci on (7.23). Figura tomada de [12]. Las matrices A y B son las mismas que se denieron previamente, mientras que las matrices C y D estar an dadas en este caso por el hecho de que y = (bn an b0 )x1 + (bn1 an1 b0 )x2 + . . . + (b1 a1 b0 )xn + b0 u Esta ecuaci on se obtiene por los dos caminos directos que existen, i.e., a Uno que multiplica cada uno de los elementos. b Otro que llega al sumador/restador y se ve multiplicado por b0 . La estructura en este caso se conoce como la rst canonical form. En control se le da el nombre de forma can onica controlable. Ejemplo 7.4.2 EJEMPLO La forma can onica tiene las siguientes propiedades: El polinomio caracter stico se puede determinar por la u ltima l nea de A c , i.e., |I A| = 0 an + an1 + . . . + a1 n = 0 Un sistema con esta estructura siempre es controlable, y su matriz de controlabilidad es full rank.

7.4.2.

Second Companion Form: Forma Can onica Observable

En la rst companion form los coecientes del denominador de H (s) aparec an en alguna la de la matriz A. Existe otra forma en la que los coecientes aparecen en alguna columna de dicha matriz. Tomando (7.23), y factorizando, se obtiene que sn (Y (s) b0 U (s)) + sn1 (a1 Y (s) b1 U (s)) + . . . + (an Y (s) bn U (s)) = 0 Dividiendo por sn y despejando Y (s), se tiene que 1 1 Y (s) = bo U (s) + (b1 U (s) a1 Y (s)) + . . . + n (bn U (s) an Y (s)) s s
1 El t ermino s on de transferencia de una cadena de i integradores. La Figura 7.8 ilustra i corresponde a la funci este hecho.

7.4. FORMAS CANONICAS

95

Figura 7.8: Representaci on en diagramas en bloques de la forma can onica controlable. Figura tomada de [12].

x 1 x 2 x n1 x n y

= =

x2 a1 (x1 + b0 u) + b1 u x3 a2 (x1 + b0 u) + b2 u . . .

= xn an (x1 + b0 u) + bn1 u = an (x1 + b0 u) + bn u = x 1 + b0 u

Si en la Figura 7.8 se numeran las variables de estado de izquierda a derecha (i.e., t erminos dentro de c rculos en la gura?) se obtiene la forma 0 1 0 ... 0 0 0 1 ... 0 ... ... ... ... ... an an1 an2 ... a1

Ao =

Bo = Co =

bn a n b0 bn1 an1 b0 . . . b1 a 1 b0 0 0 ... 1

y Do = b0 . Esta es la que se conoce como la forma can onica observable. Si se comparan las matrices de la secci on anterior con estas, se tiene que Ac = Ao , Bc = Co , y Cc = Bo .

7.4.3.

Jordan Form

Polos de H (s) Diferentes La funci on de transferencia en (7.23) se convierte en b0 + r2 rn r1 + + ... + s s1 s s2 s sn

En algunos casos, para hallar los residuos de una funci on de transferencia, se puede recurrir a programas como Matlab. A continuaci on se presenta c omo se deber a hacer para obtener dichos residuos de la expansi on en fracciones parciales.

96

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

RESIDUE Partial-fraction expansion (residues). [R,P,K] = RESIDUE(B,A) finds the residues, poles and direct term of a partial fraction expansion of the ratio of two polynomials B(s)/A(s). If there are no multiple roots, B(s) R(1) R(2) R(n) ---- = -------- + -------- + ... + -------- + K(s) A(s) s - P(1) s - P(2) s - P(n) Vectors B and A specify the coefficients of the numerator and denominator polynomials in descending powers of s. The residues are returned in the column vector R, the pole locations in column vector P, and the direct terms in row vector K. The number of poles is n = length(A)-1 = length(R) = length(P). The direct term coefficient vector is empty if length(B) < length(A), otherwise length(K) = length(B)-length(A)+1. If P(j) = ... = P(j+m-1) is a pole of multplicity m, then the expansion includes terms of the form R(j) R(j+1) R(j+m-1) -------- + -----------+ ... + -----------s - P(j) (s - P(j))^2 (s - P(j))^m [B,A] = RESIDUE(R,P,K), with 3 input arguments and 2 output arguments, converts the partial fraction expansion back to the polynomials with coefficients in B and A.

Una forma de ver esta ecuaci on es utilizar diagramas en bloques como se puede ver en la Figura 7.9. x 1 x 2 x n y En este caso = = s 1 x1 + u s 2 xs + u . . .

= s n xn + u = r 1 x1 + r 2 x2 + . . . + r n xn + b0 u s1 0 A= ... 0 0 s2 ... 0 ... 0 ... 0 ... ... . . . sn

C=

B= r1

1 1 . . . 1

r2

...

rn

y D = b0 . Si las ra ces son reales, se podr a implementar en hardware. En cualquier otro caso s olo servir a desde un punto de vista te orico. Polos de H (s) con Ra ces Repetidas Cuando el sistema tiene ra ces repetidas, la expansi on en t erminos de fracciones parciales no es tan simple. En este caso, lo que se tiene es algo de la forma H (s) = bo + H1 (s) + . . . + Hn (s) (7.24)

7.4. FORMAS CANONICAS

97

Figura 7.9: Representaci on en diagramas en bloques de la forma can onica de Jordan cuando las ra ces son diferentes. Figura tomada de [12].

donde n < n es el n umero de polos diferentes de H (s), y Hi (s) = r2,i rki ,i r1,i + + ... + s si (s si )2 (s si )ki

con ki como la multiplicidad del polo i (i = 1, . . . , n ). El u ltimo t ermino se puede ver como una cadena de 1 ki bloques id enticos con una funci on de transferencia del tipo s si . En la Figura 7.10 se ilustra este hecho. La representaci on ser a x 1,i x 2,i x ki ,i yi = = = = si x1,i + u x1,i + si x2,i . . . xki 1,i + si xki ,i r1,i x1,i + r2,i x2,i + . . . + rki ,i xki ,i

98

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

Figura 7.10: Representaci on en diagramas en bloques de la forma can onica de Jordan cuando las ra ces son repetidas. Figura tomada de [12]. En este caso si denimos xi = [x1,i , x2,i , . . . , xki ,i ] , se tiene la siguiente representaci on i x yi donde = = si 1 0 ... 0 A i xi + bi u C i xi 0 si 1 ... 0 ... 0 ... 0 ... 0 ... ... . . . si

Ai =

C=

r1,i

Bi =

1 0 . . . 0

r2,i

...

rki ,i

La matriz Ai consiste en dos diagonales: la diagonal principal con los polos m as una subdiagonal de unos. En a lgebra esto se conoce como la Jordan form (si se tomara otra nomenclatura, los unos ir an en la parte superior). Por (7.24) se tienen n subsistemas de este mismo calibre. Por lo tanto, el sistema general consistir a en concatenar cada uno de ellos, deniendo x = [x1 , x2 , . . . , xn ] , con A1 0 . . . 0 0 A2 . . . 0 A= ... ... ... ... 0 0 . . . An B1 B2 B= . . . Bn C= C1 C2 ... Cn y D = b0 . EJEMPLOS MATLAB/SIMULINK

7.5. EQUILIBRIO

99

7.5.

Equilibrio
Asumamos que se tiene un sistema que puede ser descrito mediante la siguiente ecuaci on diferencial x = f (t, x) (7.25)

d onde x Rn es el estado del sistema, t 0, con una condici on inicial x(t0 ) = x0 , siendo t0 el valor inicial del tiempo. Por lo general, no existen reglas generales que permitan encontrar de manera expl cita las soluciones del sistema descrito mediante la Ecuaci on (7.25). En este caso, el an alisis de este tipo de problemas se realiza de dos formas: i) un an alisis cuantitativo mediante el cual se haya de manera expl cita la soluci on de (7.25) utilizando m etodos num ericos y aproximaciones; o ii) un an alisis cualitativo, en el cual no se busca una soluci on expl cita de la soluci on de (7.25), sino que el sistema es estudiado gracias al comportamiento de la familia de soluciones del problema en cuesti on. Nosotros enfocaremos este tutorial en este segundo tem, ya que los resultados principales de este an alisis incluyen las propiedades de estabilidad de un punto de equilibrio (o posici on de reposo), y el acotamiento de las soluciones de ecuaciones diferenciales de la forma denida en (7.25). Empecemos nuestro an alisis por denir ciertas propiedades b asicas en nuestro problema. La ecuaci on diferencial que nos ata ne est a denida por intermedio de la Ecuaci on (7.25), d onde x R n . Para denir el dominio de f tenemos que considerar dos opciones: 1. Si hablamos de resultados globales debemos asumir que f : R+ Rn Rn , d onde R+ = [0, +) es el dominio del tiempo. 2. Si estamos considerando resultados locales debemos asumir que f : R + B (h) Rn , para un cierto h tal que B (h) = {x Rn : |x| < h}, y | | es cualquiera de las normas en Rn . Esto quiere decir que estamos limitando nuestro an alisis a una cierta bola de radio h donde est a denido nuestro estado x. Algunas veces se asume que t R, pero nosotros asumiremos en lo que resta que t [t 0 , +), d onde t0 0. En el siguiente an alisis asumiremos que para un determinado t0 , y una condici on inicial x(t0 ) = x0 , el sistema de la Ecuaci on (7.25) posee una soluci on u nica que llamaremos (t, t 0 , x0 ). Esta soluci on est a denida para todo t t0 y depende de manera continua de los datos iniciales, i.e., (t0 , x0 ). Uno de los casos particulares en los que esta aseveraci on es cierta es cuando f satisface la condici on de Lipschitz que denimos a continuaci on. Denition 16 Condici on de Lipschitz: Sea D un conjunto tal que D R n . Llamemos C (D) al conjunto donde todos los elementos de f son continuos, i.e., f C (D). Decimos que f C (D) satisface la condici on de Lipschitz en D (con respecto a x) con constante Lipschitz L si |f (t, x) f (t, y )| L|x y | (7.26)

para todo (t, x), (t, y ) que pertenezcan a D. En este caso, la funci on f es continua seg un Lipschitz en x. La Denici on 16 es importante porque nos permite establecer el siguiente teorema. Theorem 7.5.1 Existencia Local y u nica: Sea f (t, x) una funci on continua en todo t que satisface (7.26) para todo x, y B = {x Rn : ||x x0 || r} y para todo t [t0 , t1 ]. Existe pues un determinado > 0 tal que la ecuaci on x = f (t, x) con x(t0 ) = x0 tiene una soluci on u nica sobre [t0 , t0 + ]. Lo que nos quiere decir el Teorema 7.5.1 es que si para cierto xm x0 , entonces la trayectoria (t, t0 , xm ) (t, t0 , x0 ) de manera uniforme en t en |t t0 | para cierto > 0. Una vez establecidas estas condiciones, podemos denir el punto de equilibrio. Denition 17 Un punto xe Rn se dice que es un punto de equilibrio de la Ecuaci on (7.25) (en un tiempo t R+ ) si, f (t , xe ) = 0 t t

100

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

N otese que para sistemas aut onomos (aquellos en los cuales la Ecuaci on (7.25) no depende del tiempo), un punto xe Rn es un punto de equilibrio en un determinado tiempo t si y s olo si es un punto de equilibrio para todo tiempo. N otese tambi en que si xe es un punto de equilibrio en t , entonces la transformaci on = t t reduce la Ecuaci on (7.25) a dx = f ( + t , x) d y por ende, xe es un punto de equilibrio en = 0. Es por ello que se asumir a que t = 0, y omitiremos su uso en lo que resta del documento. Adem as, si x(t0 ) = xe , el sistema est a en reposo desde el inicio, por lo cual no tiene porque desplazarse de su punto de equilibrio. Ejemplo [14]: Consideremos el sistema descrito por x 1 x 2 = = x2 g l sin(x1 )
k m x2

d onde g, l, m, k > 0. Este sistema describe de forma simple el p endulo sin fricci on, y como se puede ver tiene innitos puntos de equilibrio localizados en (n, 0), n = 0, 1, 2, . . .. F sicamente s olo tiene dos puntos de equilibrio, y los dem as son la repetici on de los dos primeros. Para poder denir ciertas caracter sticas de un punto de equilibrio, introducimos la siguiente denici on. Denition 18 Un punto xe de (7.25) se dice que es un punto de equilibrio aislado si existe una constante r > 0 tal que B (xe , r) Rn no contiene m as puntos de equilibrio de (7.25) que xe . En este caso, la bola de radio r y centro xe se dene como B (xe , r) = {xe Rn : |x xe | r}. Como podemos observar, todos los puntos de equilibrio de la Ecuaci on (7.27) son aislados en R 2 . Sin embargo, existen sistemas en los cuales los puntos de equilibro no son aislados. Ejemplo [?]: Consideremos el sistema x 1 x 2 = = ax1 + bx1 x2 bx1 x2

d onde a > 0 y b > 0 son constantes. Queda claro que x1e = 0, por lo cual cualquier punto en el eje positivo de x2 es un punto de equilibrio de (7.27). As pues, el punto de equilibrio no es aislado. Es claro que existen casos en los cuales no existen puntos de equilibrio. Por ejemplo, tomemos el siguiente ejemplo x 1 = 2 + sin(x1 + x2 ) + x1 x 2 = 2 + sin(x1 + x2 ) x1 En lo que nos resta, asumiremos que los puntos de equilibrio son aislados. Tambi en asumiremos que el punto aislado de equilibrio que analizaremos es xe = 0. Por qu e? Asumamos que xe = 0 es un punto de equilibrio de (7.25). Si denimos e = x xe , entonces e = 0 es un punto de equilibrio de e = f (t, e + xe ) (7.27)

Como las propiedades de (7.27) y (7.25) son las mismas, podemos asumir que el punto de equilibrio est a localizado en xe = 0, el cual es conocido como el punto de equilibrio trivial de (7.25).

7.6.
7.6.1.

Estabilidad y Acotamiento
Conceptos Locales

El siguiente an alisis denir a la estabilidad de un punto de equilibrio x e = 0 de (7.25), mas no de un conjunto de puntos de equilibrio. La raz on primordial de ello es que si quisi eramos hacer lo u ltimo, tendr amos que introducir el concepto de distancia, el cual puede llegar a confundir inicialmente al lector. En una versi on m as detallada de este tutorial, es menester incluir este tipo de deniciones.

7.6. ESTABILIDAD Y ACOTAMIENTO

101

Denition 19 Se dice que el punto de equilibrio xe de (7.25) es estable en el sentido de Lyapunov (SISL) si para cualquier > 0 y cualquier t0 R+ existe un ( , t0 ) > 0 tal que |(t, t0 , x0 )| < cuando |x0 | < ( , t0 ) Gr acamente esto podr a verse como en la Figura 7.11, para el caso de n = 2. (7.29) t > t0 (7.28)

x2

(t,t0,x 0)

(,t0)

x1

Figura 7.11: SISL de un punto de equilibrio. Cabe rearmar que es el punto de equilibrio el que es estable, mas no el sistema. Adem as, como en la denici on se tienen que cumplir las Ecuaciones (7.28) y (7.29) para cualquier > 0 y cualquier t 0 R+ , no es l ogico tratar de probar que un punto de equilibrio es estable por medio de simulaciones. La simulaci on s olo ayudar a para dar una intuici on sobre lo que podr a suceder, mas no es en ning un caso una prueba matem atica. En la Denici on 19, ( , t0 ) depende de y t0 . Si es independiente de t0 , i.e., = ( ), entonces se dice que el punto de equilibrio xe = 0 de (7.25) es uniformemente estable. Denition 20 Se dice que el punto de equilibrio xe de (7.25) es asint oticamente estable (AS) si: 1. Es SISL. 2. Para cualquier t0 0, existe un (t0 ) > 0, tal que
t

l m (t, t0 , x0 ) = 0

si

|x0 | < (t0 )

El dominio de atracci on del punto de equilibrio xe de (7.25) es el conjunto de todas las condiciones iniciales x0 Rn tales que (t, t0 , x0 ) 0 cuando t para un cierto t0 0. Si la segunda condici on es v alida, se dice que el punto de equilibrio xe de (7.25) es atra do. Si en la segunda condici on no depende de t0 , y adem as el punto de equilibrio xe de (7.25) es uniformemente estable, se dice que el punto de equilibrio xe de (7.25) es uniformemente asint oticamente estable (UAS). Cu al es la diferencia entre un punto de equilibrio que es SISL y uno que es AS? Cuando hablamos de SISL se dice que el sistema tiene unas condiciones iniciales tales que si el sistema est a cerca de su punto de equilibrio, entonces al nal el sistema se mantendr a cerca del punto de equilibrio. Sin embargo, en la denici on de AS lo que se tiene es que si el sistema arranca cercano al punto de equilibrio, entonces adem as de que la trayectoria

102

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

se mantendr a cerca, esta converger a al punto de equilibrio.

Ejemplos: x = 0: Este sistema tiene un punto de equilibrio que es SISL, m as en ning un momento es AS ya que las trayectorias no convergen al punto de equilibrio. x = ax: Si asumimos que a > 0, el punto de equilibrio es xe = 0, y como se puede ver este es SISL pero adem as como la trayectoria es (t, t0 , x0 ) = x0 eat , tomando el l mite en el innito, se puede ver que la trayectoria converge a 0, con lo cual es AS. Este u ltimo ejemplo nos muestra una caracter stica adicional, y es cu an r apido las trayectorias convergen al punto de equilibrio. A continuaci on la denimos. Denition 21 El punto de equilibrio xe = 0 es exponencialmente estable (ES) si existe una constante > 0, y para cualquier > 0, existe un ( ) > 0 tal que |(t, t0 , x0 )| exp(tt0 ) para todo t t0 cuando |x0 | < ( ) y t0 0. La Figura 7.12 muestra el comportamiento de (t, t0 , x0 ) en las vecindades de un punto de equilibrio xe = 0 que es ES.
(t)

e- t

x0

Figura 7.12: ES de un punto de equilibrio. Si un punto de equilibrio xe = 0 de (7.25) no es SISL, entonces se dice que es inestable. Sin embargo, pueden existir casos en los que las soluciones de (t, t0 , x0 ) tienden a cero cuando t aumenta, por lo cual los conceptos de inestabilidad y atracci on pueden ser compatibles. Hasta ahora s olo hemos considerado propiedades locales del punto de equilibrio. A continuaci on enunciaremos ciertas propiedades globales.

7.6.2.

Conceptos Globales

Denition 22 La soluci on de (t, t0 , x0 ) de (7.25) es acotada si existen un > 0 tal que |(t, t0 , x0 )| < t t0

7.6. ESTABILIDAD Y ACOTAMIENTO

103

El sistema (7.25) posee estabilidad seg un Lagrange si para cada t0 0 y x0 , la soluci on (t, t0 , x0 ) es acotada. En la denici on anterior pod a depender de t0 . Si esta constante es tal que para cualquier > 0 y cualquier t0 R+ , = () > 0 (independiente de t0 ), se tiene que si |x0 | < , entonces |(t, t0 , x0 )| < para todo t t0 . Denition 23 Las soluciones de la Ecuaci on (7.25) son uniformemente y u ltimamente acotadas (UUB) si existe una constante B > 0 (que es la constante de acotamiento), y si para cualquier > 0 y t0 R+ , existe un T = T () (independiente de t0 ) tal que |x0 | < |(t, t0 , x0 )| < t t0 + T

Gr acamente esta u ltima denici on puede verse ilustrada en la Figura 7.13. Lo que se ilustra en esta gura es que si bien se pueden llegar a tener oscilaciones elevadas en un principio, luego de un tiempo T (), las trayectorias se ven acotadas por una especie de cilindro de radio B .

(t)

x0

T()
Figura 7.13: UUB. En la denici on de AS si el dominio de atracci on del punto de equilibrio x e = 0 es Rn , se dice que xe = 0 de (7.25) es globalmente asint oticamente estable (GAS). Finalmente, el punto de equilibrio xe = 0 de (7.25) es globalmente exponencialmente estable (GES) si existe un > 0, y para cualquier > 0 existe un k ( ) > 0 tal que |(t, t0 , x0 )| k ( )|x0 |e(tt0 ) para todo t t0 cuando |x0 | < .

104

CAP ITULO 7. VARIABLES DE ESTADO: INTRODUCCION

Cap tulo 8

Variables de Estado: Dise no


Entre tenerle miedo a todo y tenerle miedo a mi propio miedo, elijo esto u ltimo, no se olvide que soy polic a y que si le tuviera miedo a todo no podr a trabajar. Pero si le tiene miedo a sus miedos su vida se puede convertir en una observaci on constante del miedo, y si estos se activan, lo que se produce es un sistema que se alimenta a s mismo, un rizo del que le resultar a dif cil escapar, dijo la directora.

2666, Roberto Bola no Las notas de este cap tulo han sido sacadas de varios libros, dentro de los que se destacan [22, 7, 11, 32, 12, 4].

8.1.

Introducci on

Normalmente estamos interesados en controlar el sistema con una se nal de control u(t), que est a ligada a las variables de estado del sistema. Este controlador opera bajo la informaci on disponible, y es un sistema de compensaci on bastante utilizado para optimizaci on de sistemas. Los conceptos de controlabilidad y observabilidad fueron introducidos por R. E. Kalman en los a nos 50s para explicar porqu e un m etodo de dise no de compensadores para sistemas inestables por medio de la cancelaci on de los polos en el semiplano derecho por ceros en el mismo semiplano no siempre funcionaba. Kalman demostr o que una cancelaci on perfecta polo-cero podr a resultar en un sistema inestable incluso teniendo una funci on de transferencia estable. Ejemplo 8.1.1 [12] Asumamos que se tiene el sistema descrito por las ecuaciones de estado, x 1 x 2 x 3 x 4 y = 2x1 + 3x2 + 2x3 + x4 + u = 2x1 3x2 2u = 2x1 2x2 4x3 + 2u = 2x1 2x2 2x3 5x4 u = 7x1 + 6x2 + 4x3 + 2x4

La funci on de transferencia est a dada por H (s) = C (sI A)1 B = s3 + 9s2 + 26s + 24 s4 + 10s3 + 35s2 + 50s + 24

Factorizando, se puede ver como un sistema de cuarto orden se reduce a uno de primer orden de la forma H (s) = Porqu e sucede esto? 105 (s + 2)(s + 3)(s + 4) 1 = (s + 1)(s + 2)(s + 3)(s + 4) s+1

106

CAP ITULO 8. VARIABLES DE ESTADO: DISENO Por intermedio de un cambio de variables (que se ver a m as adelante), el sistema puede ser escrito

como

z 1 z 2 z 3 z 4 y

= z1 + u = 2z2 = 3z3 + u = 4z4 = z 1 + z2

(8.1)

El diagrama en bloques que se muestra en la Figura 8.1 nos ilustra que: La variables z1 se ve afectada por la entrada u y es visible por la salida. La variables z2 no se ve afectada por la entrada u, pero s es visible por la salida. La variables z3 se ve afectada por la entrada u, pero no es visible por la salida. La variables z4 no se ve afectada por la entrada u y no es visible por la salida.
u + z1 y

z2

z3

z4 +

Figura 8.1: Diagrama en bloques para (8.1). Como Kalman demostr o, todo sistema de la forma gen erica, x y = Ax + Bu = Cx

puede ser transformado en susbistemas como los del ejemplo anterior. Para este caso espec co, se concluye que

DE LAS VARIABLES DE ESTADO 8.2. TRANSFORMACION 1. El primer subsistema es controlable y observable.

107

La parte que es controlable se dice que es estabilizable, mientras que la que es observable se dice que es detectable. 2. El segundo subsistema no es controlable, pero s es observable. 3. El tercer subsistema es controlable, pero no es observable. 4. El u ltimo subsistema no es ni controlable ni observable. La funci on de trasferencia est a determinada s olo por el subsistema que es tanto controlable como observable. Se dice que un sistema que contiene un subsistema NO controlable es NO controlable; un sistema que contiene un subsistema NO observable es NO observable. Si existe al menos una cancelaci on de polos y ceros inestables, cualquier perturbaci on llevar a al sistema a volverse inestable. Sin embargo, en este caso no habr a problema ya que los polos eran todos estables, por lo cual la cancelaci on polos/ceros no nos afectaba en demas a.

8.2.

Transformaci on de las Variables de Estado

Muy frecuentemente las variables de estado que se utilizan no son las mejores en la formulaci on de un sistema din amico x = Ax + Bu y = Cx + Du Esta es una de las razones por las que pasar de G(s) a (A, B, C, D) no es u nico (realization problem). Si se escoge z z T 1 z T 1 z = = = = Tx Tx Ax + Bu AT 1 z + Bu

Por lo que, la normal/modal canonical form viene siendo z y = T AT 1 x + T Bu = CT 1 x + Du

Lo que se puede escribir de forma m as sencilla como z y = = + Bu Az Cz + Du

fuera diagonal, entonces ser Por ejemplo, en el caso de calcular eAt , si la matriz A a m as sencillo calcular At At e que e , ya que los valores propios no se ven afectados bajo una transformaci on ideal, i.e., |I T AT 1 | = = = = |T (I A)T 1 | |T ||I A||T 1 | |T ||T 1 ||I A| |I A|

= T AT 1 sea diagonal. El problema que surge entonces es escoger T de tal forma que A Denition 24 Una valor propio C de A satisface e = Ae donde A Rnn , e Cn . Este u ltimo es el vector propio de A asociado con .

108

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

Una de los m etodos para hallar T es utilizando la noci on de vectores propios agrupados todos en la matriz T 1 . Sin embargo, el m etodo que se describe a continuaci on s olo es v alido si los n valores propios son diferentes, i.e., no existe ninguno que sea repetido. Para hacer la explicaci on m as sencilla, supongamos que A tiene tres vectores propios diferentes e1 , e2 , e3 . A continuaci on escogemos las columnas de T 1 como cada uno de los vectores propios, i.e., | | | T 1 = e1 e2 e3 | | |

, la cual ser Luego, se puede obtener T , y por lo tanto calcular A a una matriz diagonal que tendr a en su diagonal los valores propios i , i = 1, . . . , n. Esto nos permitir a encontrar la modal canonical form si es que existe. Ejemplo 8.2.1 Encontrar la modal canonical form del siguiente sistema, si es que existe. x y = = 1 2 0 2 [2 6]x x+ 3 1 u

En primera instancia, tendr amos que hallar los valores propios de A por medio de |I A| = 0, lo que en este caso implica que = {1, 2}. Luego, para encontrar T se necesita encontrar una base de vectores propios, i.e., ( i I A)ei = 0, i = 1, 2. Esto implica que si 1 = 1 se puede escoger que e1 = (1, 0) , y que si 2 = 2 se puede escoger que e2 = (2, 1) . Por lo tanto se tendr a que T 1 = y T = Por lo cual T AT 1 = TB = 1 0 1 1 0 2 1 0 2 1 1 0 2 1

CT 1 = [2, 2] Otra forma m as sencilla de obtener la matriz T cuando 1 0 0 2 = A 0 0 0 0 Con 1 1 2 1 . . .


n1 1

los valores propios son todos diferentes, es utilizar ... 0 0 0 .. . 0 ... n ... ... ... . . . ... 1 n 2 n . . .
n1 n

T 1

1 2 2 2 . . .
n1 2

DE CONTROLADORES UTILIZANDO STATE FEEDBACK 8.3. DISENO Ejemplo 8.2.2 Encontrar la modal canonical form del siguiente sistema, si es que existe. 0 0 1 0 0 1 x + 0 u x = 0 1 18 27 10 y = [1 0 0]x

109

En primera instancia, tendr amos que hallar los valores propios de A por medio de |I A| = 0, lo que en este caso implica que = {1, 3, 6}. Si T se escoge como T 1 Se puede comprobar que T AT 1 1 = 1 1 1 3 9 1 6 36 0 3 0 0 0 6

1 = 0 =A 0 1/10 = 1/6 B 1/15

= [1, 1, 1] C

Tambi en podr a comprobarse que la escogencia de dicha matriz T se puede obtener por el m etodo de los vectores propios descrito previamente. Vale resaltar nuevamente que los m etodos descritos son v alidos si se tienen n valores propios diferentes. Si uno de los valores propios es repetido, el m etodo falla, ya que no se tendr an n vectores propios independientes. Otra de las cosas que valdr a resaltar es el hecho de que el polinomio () = |I A| = 0 corresponde al polinomio caracter stico. Esto se hace m as evidente cuando uno recuerda la denici on de funci on de transferencia que se utiliz o previamente.

8.3.

Dise no de Controladores Utilizando State Feedback

La idea general de hacer todas estas transformaciones y saber cu ales estados est an disponibles con respecto a la entrada, es poder dise nar controladores para que se cumplan ciertas caracter sticas. En l neas generales, lo que se pretende es obtener una ganancia en funci on del estado, de tal forma que la entrada cambie, y haciendo que los polos se ubiquen donde uno desea. La Figura 8.5 muestra c omo se retroalimentar a el estado por medio de una ganancia K . La pregunta ser a entonces, cu ando se puede utilizar la t ecnica conocida como state-feedback para ubicar los polos de lazo cerrado en cualquier punto?
r + u B + + A x C y

Figura 8.2: Realimentaci on de estado por medio de una ganancia K .

110 Ejemplo 8.3.1 x = 1 3

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

a 2

x+

0 1

La idea es poder dise nar un controlador lineal de la forma u = Kx tal que los polos queden ubicados donde se desee. Por lo tanto, l reemplazar u, se tendr a un sistema de la forma x = 1 3 K1 a 2 K2 x

Los polos de lazo cerrado est an determinados por el polinomio caracter stico, i.e., |I (A BK )| = 0 2 + (K2 + 3) + 2 + K2 + a(K1 3) = 0 Supongamos que queremos que los polos de lazo cerrado est en ubicados en -2, -3, i.e., ( + 2)( + 3) = 0 2 + 5 + 6 = 0 Entonces, se tendr a nalmente que escoger K2 = 2, y K1 =
2 a

+ 3, con a = 0.

Qu e suceder a en el problema anterior si a = 0? En ese caso, no se pueden colocar los polos de lazo cerrado donde uno lo desea, ya que el sistema no ser a controlable. La siguiente denici on ilustra mejor este concepto. Denition 25 El sistema x = Ax + Bu es controlable si y s olo si es posible transferir, por medio de la entrada u(t), el sistema de cualquier estado inicial x(t) = x0 a cualquier otro estado x(T ) = xT en un tiempo nito T t 0. En R3 ser a algo como se ve en la Figura 8.3.

x3

x f = x (T ) x0 x2

x1
Figura 8.3: Comportamiento de la denici on de controlabilidad en R3 .

DE CONTROLADORES UTILIZANDO STATE FEEDBACK 8.3. DISENO Denition 26 El sistema x = Ax + Bu

111

se dice que es controlable si para cualquier polinomio c (s) de orden n existe un u nico control u = Kx tal que el polinomio caracter stico de A BK sea igual a c (s). Otra forma de comprobar si un sistema es controlable o no, es por medio de las caracter sticas algebr aicas de sus matrices. Para denir correctamente esto, se necesita recordar lo siguiente. Theorem 8.3.1 El rango de una matriz A es el n umero de columnas (o las) linealmente independientes. Denition 27 Un conjunto de vectores {v1 , v2 , . . . , vn } son linealmente independientes si 1 v1 + . . . n vn = 0 1 = 2 = . . . = n = 0 Si no, son linealmente dependientes, ya que al menos un i = 0 uno podr a expresar el vector asociado con el como una combinaci on lineal en t erminos de los otros vectores. Ejemplo 8.3.2 Los vectores [1, 3] , [4, 5] , [6, 4] NO son independientes, porque se pueden escoger 1 = 2, 2 = 2, y 3 = 1, tal que 1 [1, 3] + 2 [4, 5] + 3 [6, 4] = 0. Theorem 8.3.2 El sistema x = Ax + Bu A Rnn se dice que es controlable si rank (C ) = n donde . . . n1 C = [B . . AB . . ... . .A B] es la matriz de controlabilidad. Ejemplo 8.3.3 Dado el sistema x Determina si 1. El sistema es controlable? 2. Si es as , determine las ganancias K = [K1 , K2 ] tal que los polos de lazo cerrado est en ubicados en {2, 2}. Una de las ventajas de las formas can onicas se puede ver a continuaci on. Si el sistema est a en la forma can onica controlable, se tiene que 0 1 0 ... 0 0 0 1 ... 0 . . . . . . . . . . . . . . . A= 0 0 0 ... 1 a0 a1 a2 . . . an1 B= 0 0 . . . 1 = 1 0 0 3 x+ 1 1 u

112

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

Si se quisieran ubicar los polos en unos puntos determinados con K = [K1 , . . . , Kn ], los valores propios de A BK est an dados por las ra ces de |I (A BK )| = 0, los cuales son n + (an1 + Kn )n1 + (an2 + Kn1 )n2 + . . . + a0 + K1 = 0 Si se comparara con el polinomio deseado, n + 1 n1 + . . . + n1 + n = 0 Por lo tanto, ser a muy sencillo obtener los valores de las ganancias Ki , de la forma K1 = n a 0 K2 = n1 a1 Y as sucesivamente. Sin embargo, no es necesario transformar el sistema en la forma can onica controlable para hacer la ubicaci on de polos. Se puede hacer esto directamente con el sistema (A, B ) y luego calcular la ecuaci on caracter stica con A BK directamente. Un test interesante con el cual se puede vericar la controlabilidad de un sistema es el PBH test. . Theorem 8.3.3 El par (A, B ) es controlable si y s olo si rank [A I . . B ] = n para todos los valores propios de A. El desarrollo hasta ahora se ha basado en state feedback u = Kx. Se tendr a la misma libertad si se escogieran los polos si se utilizara output feedback, u = Ky ? Ejemplo 8.3.4 [22] Considere la funci on de transferencia Y (s) 1 = U (s) s(s + 1)(s + 2) Se desea dise nar este servosistema para que lo polos en lazo cerrado est en ubicados en 2 j 3,464 y 10. Se supone que la conguraci on del sistema es la que se ve en la Figura 8.4.
x1 r + K1 + x = Ax + Bu x2 x3 y = Cx
y = x1

K2

K3

Figura 8.4: Realimentaci on de estado con referencia. El sistema en t erminos de las variables de estado se ve como 0 0 1 0 1 x + 0 u x = 0 0 1 0 2 3 y = [1 0 0]x Y adem as, a partir de la Figura... es claro que u = (K2 x2 + K3 x3 ) + K1 (r x1 ) = Kx + K1 r.

DE CONTROLADORES UTILIZANDO STATE FEEDBACK 8.3. DISENO

113

Por lo tanto, se puede ver que el rank (C ) = 3, y por ende, el sistema es controlable. Ahora s podemos mirar el polinomio caracter stico |I (A BK )| = 0, y compararlo con el deseado. De esta forma se obtienen los dos polinomios a comparar, i.e., 3 + 2 (K3 + 3) (2 K2 ) + K1 = 0 Y el polinomio deseado ser a 3 + 142 + 56 + 160 = 0 Por lo tanto, K = [160, 54, 11]. El sistema nalmente quedar a de la 0 1 0 0 1 x + x = 0 160 56 14 y = [1 0 0]x forma 0 0 r 160

En primera instancia tenemos que determinar si el sistema es controlable. Para ello, se dene la matriz de controlabilidad C = [ B | AB | A2 B ] 0 0 1 = 0 1 3 1 3 7

Para un sistema de una entrada y una salida, la f ormula de Ackermann es u til para calcular la matriz K de u = Kx, dada la ecuaci on caracter stica q () = n + n1 n1 + . . . + 0 En este caso, K = [0 0 . . . 1]C 1 q (A) donde q (A) = An + n1 An1 + . . . + 0 I y C es la matriz de controlabilidad. Ejemplo 8.3.5 Se tiene una funci on de transferencia 1 Y (s) = 2 U (s) s determinar K tal que los polos est en ubicados en 1 j . En este caso, el polinomio caracter stico ser a de la forma q () = 2 + 2 + 2 Por lo tanto se tendr a que 1 = 0 = 2. La representaci on de estado est a dada por x = 0 0 1 0 x+ 0 1 u

Por ende, la matriz de controlabilidad estar a dada por C = [B |AB ] = 0 1 1 0

Lo cual implica que el sistema es controlable (N otese bien que para obtener K utilizando esta f ormula, se requiere que la inversa de la matriz C exista, y esto se da esencialmente al garantizar que C es full rank, i.e., cuando el sistema es controlable). Por lo tanto, podr amos calcular K de la forma K = [0 1]C 1 q (A)

114 donde C 1 = y q (A) = Por lo tanto, 0 0 1 0


2

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

1 1 +2

0 1 0 0 1 0

1 0

= 1 0

0 1 0 1

1 0 = 2 0 2 2

+2

K = [2 2]

8.4.

Dise no de Estimadores en el Espacio de Estado

En lo que hemos visto, es necesario tener acceso a todas las variables de estado. Recordemos que la topolog a de state feedback viene dada por el diagrama de la Figura 8.5.
r + u B + + A x C y

Figura 8.5: Realimentaci on de estado por medio de una ganancia K . Si record aramos el ejemplo anterior, hay sistemas que no tienen todas sus variables de estado accesibles. Por lo tanto, existen t ecnicas que proveen un estimado de los estados inaccesibles. Un sistema din amico cuyas variables son las variables de estado de otro sistema se conoce como un observador de este sistema. El t ermino fue acu nado por D. Luemberger en 1963, el cual demostr o que para cualquier sistema lineal observable, se puede dise nar un observador tal que el error de lo estimado (i.e., la diferencia entre el estado del sistema actual y el observado), tiende a cero asint oticamente tan r apido como uno lo desee. Esta t ecnica de dise no es equivalente al dise no de sistemas retroalimentados por pole placement. Un observador es un dispositivo que reconstruye una se nal, el cual provee el estimado de los estados inaccequibles como e ve en la Figura 8.6.
r + z u y Plant (A, B, C )

Observer

Figura 8.6: Observador asociado con la planta. Asumamos que existe una planta cuyo comportamiento est a dado por x y = Ax + Bu = Cx

La entrada u y la salida y est an conectadas al sistema estimado como se muestra en la Figura 8.7. Si el estado del sistema es z , entonces por inspecci on se tiene = (A LC ) z z + Bu + Ly

DE ESTIMADORES EN EL ESPACIO DE ESTADO 8.4. DISENO


u B

115

+ y + L + + z z C y

Figura 8.7: Observador asociado con la planta. Por lo tanto, el comportamiento din amico de la diferencia entre los estados de los dos sistemas est a dado por x z = (A LC )( z x) Si se puede escoger L tal que A LC tenga ra ces con parte real negativa, entonces z x cuando t , independientemente de la entrada u. Denition 28 El sistema x y = Ax + Bu = Cx

con condiciones iniciales x(0) = x0 es observable si el estado x(t) puede ser determinado por la entrada u(s) y la salida y (s), 0 s t. Theorem 8.4.1 El sistema x y = Ax + Bu = Cx es la matriz de observabilidad.

. . . . es observable si rank (O) = n, donde O = [C . . CA . . CA2 . . ... . . CAn1 ]

x Es claro que los polos del error de lazo cerrado z = (A LC )(z x) pueden ser colocados en cualquier posici on (escogiendo L), siempre y cuando el par (A, C ) sea observable. Para un sistema de una entrada y una salida, tambi en se pueden seleccionar los valores de L por medio de la f ormula de Ackermann, con L = [L1 L2 . . . Ln ] Si la ecuaci on caracter stica es () = n + n1 n1 + . . . + 0 En este caso, L = (A)O 1 [0 0 . . . 1] donde (A) = An + n1 An1 + . . . + 0 I y O es la matriz de observabilidad. Ejemplo 8.4.1 Para el sistema x = 2 1 3 4 x+ 0 1 u

y = [1 0]x

asumamos que queremos tener un polinomio caracter stico de la forma


2 () = 2 + 2n + n

donde = 0,8 y n = 10. Halle L para tal efecto.

116

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

Teniendo estos datos, se sabe entonces que 1 = 16 y que 0 = 100. Por ende, el polinomio caracter stico utilizando la f ormula de Ackermann ser a (A) = donde O= y O1 = Por lo tanto, 1 2/3 0 1/3 2 1 3 4
2

+ 16

2 1

3 4 1 2

+ 100

1 0

0 1

133 22

66 177

0 3

L = [22 59] Esto se pudo haber obtenido como se hab a venido haciendo hasta el momento. Denition 29 El sistema

x (t) x(0)

= Ax + Bu = x0

(8.2)

se dice que es stabilizable si existe una matriz K tal que para u = Kx, el sistema en lazo cerrado x = (A BK )x es estable. De manera informal, lo que nos plantea la denici on es que (8.2) es stabilizable si y s olo si todos los modos inestables son controlables. Denition 30 El par (C, A) es detectable si existe una matriz L tal que A LC , sea estable. En otras palabras, desde el punto de vista de los valores propios se tiene que {A LC } = {A C L } Entonces, (C, A) es detectable si y solo si (A , C ) es stabilizable.

8.5.

Integrated Full-State Feedback and Observer

El compensador de variables de estado se construye a partir de la uni on de la ley de control de lo que se conoce como full-state feedback y el observador. El compensador se muestra en la Figura... ANADIR FIGURA Para el dise no se siguen los siguientes pasos: 1. Se asume que todas las variables de estado son medibles, y se utiliza una ley de control conocida como full-state feedback control law. En realidad esto no es pr actico ya que por lo general no es posible medir todos los estados. En la pr actica s olo algunos estados son medibles, o algunas combinaciones de ellos existen. 2. Se construye un observador para estimar los estados que no se pueden sensar directamente, ni que est an disponibles como salidas. Estos observadores pueden ser full-state o de orden reducido (estos en el caso que algunos estados est en disponibles como salidas, por lo cual no necesitan ser estimados). 3. Se requiere acoplar el observador con el full-state feedback control law. Esto u ltimo se conoce como compensador.

8.5. INTEGRATED FULL-STATE FEEDBACK AND OBSERVER 4. Adicionalmente, se pueden considerar entradas de referencia para completar el dise no. Para el 3er punto, se podr a tener que la ley de control est a dada por u(t) = K x (t)

117

(8.3)

Es esta una buena estrategia? Originalmente, K se dise no para garantizar que el sistema en malla cerrada fuera estable, i.e., det(I (A BK )) = 0 ten a ra ces ubicadas en el LHP. Si todos los estados estaban disponibles, entonces al seleccionar K para que la premisa se cumpla, se ten a que x(t) 0 cuando t para cualquier condici on inicial x(t 0 ). Ahora bien, lo que se necesita es comprobar que con (8.3) el sistema sigue siendo estable. Para ello, se tiene que el observador de estado viene dado por = (A BK LC ) x x + Ly como se ve en la Figura... ANADIR FIGURA El error de estimaci on utilizando el compensador de (8.4) dar a que = Ax + Bu Ax e =x x Bu Ly + LC x Es decir e = (A LC )e (8.5) lo cual es equivalente al error de estimaci on que se obtuvo en el dise no del observador. Esto implica que el error de estimaci on NO depende de la entrada. Se tiene el sistema x y = Ax + Bu = Cx (8.6) (8.4)

Si u = Kx, entonces

x = (A BK )x + BKe x e A BK 0 BK A LC x e

donde x = x e. De forma matricial, combinando (8.5) y (8.6) tendr amos que =

El objetivo es vericar que la ley de control u = K x sigue siendo una buena soluci on para mantener el sistema estable. Para ello, recordemos que la ecuaci on caracter stica est a dada por det(I (A BK ))det(I (A LC )) = 0 Si las ra ces del polinomio det(I (A BK )) = 0 est an en el semi-plano izquierdo (lo cual es cierto por el dise no de K ), y si las ra ces de det(I (A LC )) = 0 est an tambi en en dicho semi-plano (lo cual es cierto por el dise no del observador), entonces el sistema total ser a estable. Por ende, el dise no de ambas cosas por separado es v alido, y esto se conoce como el separation principle. As pues, todo se podr a resumir de la siguiente manera: 1. Determinar K tal que det(I (A BK )) = 0 tenga ra ces en el semi-plano izquierdo, y ubicar los polos tal que se cumplan las especicaciones de dise no. La ubicaci on arbitraria de los polos est a garantizada por el hecho de que el sistema sea completamente controlable. 2. Determinar L tal que det(I (A LC )) = 0 tenga ra ces en el semi-plano izquierdo y ubicar polos para cumplir los criterios de desempe no del observador. Esto se da porque el sistema es observable.

118 3. Conectar utilizando

CAP ITULO 8. VARIABLES DE ESTADO: DISENO

u(t) = K x La funci on de transferencia del compensador ser a (s) = (A BK LC )X (s) + LY (s) sX U (s) = (K (sI (A BK LC ))1 L)Y (s) (s) U (s) = K X

Cap tulo 9

Control Multivariable
Lo expuesto en este cap tulo est a desglosado en el art culo [34]. Sin embargo, algunos ejemplo han sido tomados de [1] y [31].

9.1.

Introducci on

Por lo general, en la industria siempre se tiene m as de un lazo de control para poder fabricar sus productos. Estos sistemas se conocen como sistemas multivariables o sistemas de m ultiples entradas y salidas (MIMO, por sus siglas en ingl es). Algunos ejemplos comunes son: Reactores qu micos. Columnas de destilaci on. Intercambiadores de calor. Por ejemplo, en un reactor qu mico como el que se ve en la Figura..., las variables de inter es son usualmente la composici on del producto y la temperatura de reacci on. ANADIR FIGURA Por lo tanto, habr a un lazo dedicado a la composici on, y otro a la temperatura. Sin embargo, cualquier cambio en uno de los lazos estar a afectando al otro por lo que ambos lazos deber an saber qu e hace el otro para as poder cumplir sus objetivos de control. Este fen omeno es lo que se conoce como interacci on de lazo. Este tipo de interacciones debidas a la forma del proceso o a su dise no pueden causar problemas de inestabilidad del sistema.

9.2.
9.2.1.

An alisis de los Sistemas Multivariables


Representaci on

Las t ecnicas de dise no de controladores se basa en modelos lineales por lo general por medio de ecuaciones diferenciales que describen su comportamiento (tambi en pueden existir m etodos emp ricos para determinar la estructura del proceso). Por lo general, este tipo de modelos se hace mediante aproximaciones de espacio de estado, o utilizando el modelo de entrada/salida (i.e., funciones de transferencia). 119

120

CAP ITULO 9. CONTROL MULTIVARIABLE

9.2.2.

Modelos

Por lo general, los sistemas de dimensi on elevada se pueden descomponer en subsistemas de 2 2, por lo que la discusi on a seguir se basar a en procesos de dos entradas y dos salidas. Estos modelos pueden asumir varios tipos de formas estructurales. Dos modelos comunes son las representaciones P- y V-canonical que se muestran en la Figura... ANADIR FIGURA Con la estructura en P-canonical se tiene una interacci on conocida como feedforwards, mientras que la V-canonical posee un acople feedback. Los elementos Gk corresponden a funciones de transferencia que ij determinan las diversas relaciones entrada/salida.

P-canonical Representation Como se puede ver en la Figura..., las salidas est an determinadas por
p y1 = u 1 G p 11 + u2 G12 p y2 = u 1 G p 21 + u2 G22

Esto se puede ver de manera matricial como y = Gp u Es decir y1 y2 = Gp 11 Gp 21 Gp 12 Gp 22 u1 u2

V-canonical Representation Como se puede ver en la Figura..., las salidas est an determinadas por
v y1 = (y2 Gv 12 + u1 )G11 v y2 = (y1 Gv 21 + u2 )G22

Esto se puede ver de manera matricial como


v 1 v y = [I Gv Gm u m GI ]

donde y= y1 y2 Gv 11 0 0 Gv 21 u1 u2 0 Gv 22 Gv 12 0

Gv m =

Gv I =

u=

9.2. ANALISIS DE LOS SISTEMAS MULTIVARIABLES Relaci on Entre Representaciones

121

Un sistema puede ser modelado utilizando cualquiera de las estructura P o V, y su relaci on est a dada por
v 1 v Gm Gp = [I Gv m GI ]

siempre y cuando la inversa exista. La pregunta que surgir a ser a cu al de estas dos representaciones tendr a que utilizarse. No existen reglas para ello, sin embargo, lo siguiente deber a ser tenido en cuenta: 1. Los par ametros del modelo deben ser determinados por los experimentos. 2. El modelo debe ser lo sucientemente representativo del proceso. 3. El modelo debe ser simple y que contenga la mayor cantidad de informaci on.
v Consideremos primero la V-canonical representation. No es posible obtener las matrices G v m y GI a partir de las pruebas de malla-abierta por ejemplo. Esto se debe a que un cambio en cualquiera entrada afectar a todas las otras I/O del sistema. Sin embargo, t ecnicas num ericas de identicaci on permitir an la obtenci on de las funciones de transferencia de la V-canonical representation. Por otro lado, los procesos se ven afectados por perturbaciones externas de carga. En la V-canonical representation se tiene que v 1 (Gv y = [I Gv m + GD v ) m GI ]

donde GD =

GD 1 0

0 GD 2

y v es un vector de perturbaciones. Si se tuviesen las mismas perturbaciones de carga en P-canonical representation esto dar a y = Gp u + GD v N otese que en este caso cada par de I/O est a u nicamente denido, y los elementos de las funciones de transferencia Gp y GD se pueden determinar directamente por experimentaci on de lazo abierto. Adem as, en la P-canonical representation el modelo es impl citamente observable y controlable, i.e., las salidas pueden ser medidas y las entradas pueden ser consideradas para control. Por lo tanto, de ahora en adelante nos concentraremos en representaciones tipo P-canonical.

9.2.3.

Problemas de Interacci on

Preguntas como porqu e se necesita el control multivariable, o cu ales son los efectos de la interacci on en el desempe no del sistema surgen en estos casos. Para poder ver el efecto de la interacci on, asumamos que se tiene el sistema de la Figura... con G21 = G12 = 0. ANADIR FIGURA Es decir, se tienen dos procesos G11 y G22 los cuales interactuan con unos controladores proporcionales. Como no existir a acople entre los sistemas, se tendr an ecuaciones caracter sticas independientes de la forma 1 + Kc1 G11 = 0 1 + Kc2 G22 = 0 Si asumimos que los procesos G11 y G22 son de primer orden, con un controlador proporcional se tendr a un sistema estable, independientemente de la magnitud de las ganancias K ci . Sin embargo, la ecuaci on caracter stica cuando G21 = 0 y G12 = 0 vendr a dada por 1 + Kc1 G11 + Kc2 G21 + Kc1 G11 Kc2 G22 Kc1 Kc2 G12 G21 = 0 (1 + Kc1 G11 )(1 + Kc2 G22 ) Kc1 Kc2 G12 G21 = 0

122

CAP ITULO 9. CONTROL MULTIVARIABLE

Esta ecuaci on nos muestras que en este caso s habr a un rango limitado de acci on de las ganancias para que exista estabilidad en el sistema. El problema de la interacci on puede ser disimuido por la escogencia de los acoples entrada/salida. Para un sistema de 22, esto ser a simple ya que u1 se acopla con y2 , y u2 con y1 , y si estos acoples no surten efecto en el dise no entonces se acoplan u1 y1 y u2 y2 . Sin embargo, para sistemas de n dimensiones, se tendr an que intentar n! acoples lo que hace imposible probar todas las posibilidades. Por lo tanto, es importante evaluar cuantitativamente el grado de interacci on entre lazos de control con el n de estructurar el esquema de control que contenga la menor interacci on posible. Una t ecnica para ello es lo que se conoce como el relative gain analysis technique.

9.2.4.

Relative Gain Array

Bristol (REF Bristol 66) desarrolla una t ecnica que sirve para la selecci on de manipulative-controlled variable pairings, as como los comportamientos de las respuestas controladas (REF Skinskey 81). Este m etodo permite determinar si un par entrada/salida es una buena escogencia para implementar un controlador SISO, ya que la interacci on con otros lazos ser a despreciable. El an alisis se basa en la construcci on del relative gain array (RGA), el cual se presenta a continuaci on para un sistema de 2 2 en la forma p-canonical. Sean Kij las ganancias de la funci on de transferencia Gij . Asumiendo que u2 permanece constante, un cambio a entrada paso en u1 de magnitud u1 , producir a un cambio y1 en la salida y1 . Entonces, la ganancia entre u1 y y1 cuando u2 es constante est a dada por K11 |u2 = y1 u1

u2

Si ahora se mantiene constante y2 en vez de u2 , entonces un cambio en u1 resultar a en un cambio diferente en y1 , y y1 K11 |y2 = u1 y2 Si bien las ganancias est an denidas para el mismo par de variables, sus valores pueden ser diferentes ya que se obtienen para diferente condiciones. Si existe interacci on, entonces el cambio en y 1 debido al cambio en u1 para los dos casos (i.e., u2 y y2 constantes) ser a diferente. Se dene 11 = K11 |u2 K11 |y2

como el relative gain entre la salida y1 y la entrada u1 . Se tiene entonces que Si 11 = 0 entonces el cambio en u1 no inuye en y1 . Por ende, no deber a ser utilizado para controlar y1 . Si 11 = 1 entonces la ganancia entre la salida y1 y la entrada u1 no se ve afectada por el lazo y2 u2 , i.e., no existe interacci on. Para un proceso de 2 2 se tienen los siguientes elementos 12 K12 |u1 = = K12 |y2 K21 |u2 = = K21 |y1
y1 u2 y1 u2 y2 u1 y2 u1 u1 y2

21

u2 y1

9.2. ANALISIS DE LOS SISTEMAS MULTIVARIABLES K22 |u1 = = K22 |y1 11 21


y2 u2 y2 u2

123

22 Por lo que la matriz RGA ser a

u1 y1

12 22

Para un sistema de n entradas y n salidas se tiene que Kij |u = ij = Kij |y


yi uj yi uj u y

Los sub ndices u y y signican que se tienen valores constantes para u m , m = j y yk , k = i, respectivamente. Por lo que la matriz RGA ser a 11 12 . . . 1n . = . . 21 22 ... nn Calcular todos estos elementos parecer a algo tedioso si no fuere porque: La suma de todos los elementos en cada columna es 1, i.e.,
n

ij = 1,
i=1

j = 1, . . . , n

La suma de todos los elementos en cada la es 1, i.e.,


n

ij = 1,
j =1

i = 1, . . . , n

Por lo tanto, en un sistema de 2 2, s olo se tiene que determinar un solo elemento del RGA, ya que los dem as se podr an encontrar a partir de este, i.e., 12 = 1 11 21 = 12 22 = 11 De manera similar para un sistema de n n, s olo se tienen que determinar (n 1) (n 1) elementos. Este m etodo se basa en un procedimiento experimental. Una determinaci on anal tica es posible si un modelo en estado estable est a disponible. Entonces si tenemos y1 = K11 u1 + K12 u2 y2 = K21 u1 + K22 u2 donde Kij son las ganancias en estado estable de la matriz de funciones de transferencia. Entonces, K11 |u2 = Se sabe que y1 = K11 u1 + K12 y2 K21 u1 K2 2 y1 u1 = K11
u2

124 Entonces K11 |y2 =

CAP ITULO 9. CONTROL MULTIVARIABLE

y1 u1

y2

= K11

K12 K21 K22

Por lo tanto, si reemplaz aramos obtenemos que 11 = K11 K22 K11 K22 K12 K21

De esta forma, los dem as elementos de la matriz RGA podr an ser calculados. Para un sistema de n n, si se conoce la matriz de ganancias del proceso K , entonces = K. (K )1 donde . corresponde a la multiplicaci on elemento por elemento.

9.2.5.

Selecci on de Lazos Utilizando RGA

Una vez se tenga , los siguientes casos pueden surgir: 1. Si 11 = 0 entonces la matriz RGA tiene elementos en 0 en la diagonal principal y 1 en la no diagonal. Es decir, que el control del sistema s olo se puede lograr agrupando y1 con u2 y y2 con u1 . El sistema controlado resultante no tendr a interacci on. 2. Si 11 = 1 entonces el sistema no interact ua entre s , y los pares y1 u1 y y2 u2 son los que estar an activos. Por ende, u1 (u2 ) no puede ser utilizado para controlar y2 (y1 ). 3. Si 0 < 11 < 0,5 (e.g., 11 = 0,25), entonces los elementos de la diagonal tendr an menos peso, i.e., el mejor acople se dar a entre y1 u2 y y2 u1 . 4. Si 0,5 < 11 < 1, es el caso opuesto al anterior, i.e., los elementos que tendr an m as peso se dar a por el acople de y1 u1 y y2 u2 . 5. Si 11 > 1, entonces los elementos de la no-diagonal ser an negativos. Si los pares y 1 u1 y y2 u2 se toman en cuenta, se tendr a que K11 |u2 >1 11 = K11 |y2 y K22 |u1 22 = >1 K22 |y1 Suponiendo que K11 |u2 = 1, entonces 0 < K11 |y2 < 1, lo que implica que el cambio en y1 debido al cambio en u1 es reducido si el lazo y2 u2 est a cerrado. Es decir que las respuestas controladas se ver an afectadas por la interacci on del otro lazo. Entre mayor sea la ganancia relativa, mayor ser a el efecto. Por lo tanto, el par en cuesti on requerir a el uso de ganancias de controlador mayores. Los pares y1 u2 y y2 u1 no son los adecuados para ello, ya que las ganancias son negativas. Esto implica que las interacciones resultantes har an que las salidas controladas se desv en de donde se deseaba, y por lo tanto el controlador no ser a el adecuado ya que fallar a. Estos son s olo algunos casos, pero si uno quisiera ser m as riguroso tendr a que mirar los casos con diferente n umero de I/O y perturbaciones, lo cual est a fuera del alcance al que queremos llegar en esta clase. Sin embargo, una regla general para la selecci on de los lazos de control ser a: Los lazos de control deber an tener pares I/O que tengan positive relative gains con valores lo m as cercanos posibles a 1. El uso de las ganancias relativas para determinar el mejor acoplamiento I/O para control de un sistema multivariable lleva a lo que se conoce como la estrategia de control dominant interaction.

9.3. CONTROL MULTIVARIABLE DESACOPLADO Ejemplo 9.2.1 [1] Un sistema tiene una matriz de ganancias DC dadas por 1 1,5 2,8 1,6 4 K = G(0) = 4 0,15 2 0,1 La matriz RGA estar a dada por RGA = K. K 0,26 = 0,7328 0,0073 0,0478 0 0163 0,9685 0,6922 0,2835 0,0242

125

Cu ales ser an los pares ideales?

Los pares recomendados en este caso ser an y2 u1 , y3 u2 y y1 u3 si se llegasen a utilizar controladores PI SISO.

9.3.

Control Multivariable Desacoplado

Otra aproximaci on para tratar interacciones entre los lazos de control es dise nar esquemas de control que no interact uen entre s , i.e., desacoplados. La idea fundamental es eliminar completamente los efectos de las interacciones de lazo. Esto se logra por medio de la especicaci on de redes de compensaci on conocidas como desacopladas. El rol de estos desacopladores es descomponer un proceso multivariable en una serie de subsistemas independientes de un solo lazo. Si esto se logra, entonces un desacople completo (o ideal) ocurre y el proceso multivariable puede ser controlado utilizando controladores independientes de un solo lazo. La Figura... ilustra el esquema generalmente utilizado en el desacople. ANADIR FIGURA La forma de la red de desacople ha sido la causa de cierta controversia, ya que existen diferentes tipos de representaciones (e.g., P- o V-decouplers), de los cuales la m as popular es el P-decoupler introducido por Boksenbom and Hood , el cual se ve en la Figura... ANADIR FIGURA En este caso, G c corresponde a la matriz de elementos de desacople, G c = G c,11 G c,21 G c,12 G c,22

Por otro lado, la matriz G (2 2) es la matriz de funciones de transferencia del proceso descrita previamente, la cual est a asociada con unos vectores de entrada/salida u y y . Se introduce un vector de set points o referencias, w = [w1 , w2 ] , lo cual redunda en y = Gu u = G c (w y )

1 GG y = [I + GG cw c]

y = GG c (w y )

Para que los lazos individuales del sistema de malla cerrada sean independientes el uno del otro, se requiere que 1 X = [I + GG GG c] c = diag (x1 , x2 ) i.e., X debe ser una matriz diagonal. Como la suma y el producto de dos matrices diagonales son diagonales, y la inversa de una matriz diagonal tambi en es diagonal, entonces este requisito se cumple si GG c es diagonal, i.e., G G q1 0 G11 G12 c,11 c,12 = GG c = 0 q2 G21 G22 Gc,21 G c,22

126 donde

CAP ITULO 9. CONTROL MULTIVARIABLE

q1 = G11 G c,11 + G12 Gc,21 0 = G11 G c,12 + G12 Gc,22 0 = G21 G c,11 + G22 Gc,21 q2 = G21 G c,12 + G22 Gc,22

Por lo tanto, si los elementos de la funci on de transferencia G se conocen, y teniendo especicados los elementos de la diagonal de G , entonces se pueden seleccionar los elementos de la no diagonal de G c c para determinar el desacople. Esto implicar a que G c,12 = G c,21 = G12 G c,22 G11 G21 G c,11 G22

Si los elementos del camino directo del desacoplador (i.e., G c,11 y Gc,22 ) se toman como controladores PI por ejemplo, entonces dadas las funciones de transferencia del proceso, la red de desacople se podr a especicar totalmente. Esta t ecnica de dise no requiere un conocimiento total de G, y por lo tanto se enfatiza en el uso de la P-canonical form, ya que como se dijo previamente esta representaci on puede ser obtenida experimentalmente.

N otese que esta estructura s olo estudia el problema del servomecanismo. El rechazo a perturbaciones de carga requiere una aproximaci on diferente. Con esta conguraci on, si los elementos del forward path ) se sintonizan online, entonces los elementos de compensaci on de la o-diagonal se tienen que y G (G c,22 c,11 recalcular. Si bien este no es un gran problema si la estrategia se implemente en un microcontrolador, la inter-dependencia de los elementos desacoplados se convierte en una desventaja cuando uno de los lazos se coloca en modo manual. Para este caso, el efecto de desacople se pierde. Otro m etodo es el de Zalkind-Luyben. Previamente se discuti o la necesidad del desacople con controladores de lazo independiente como se ve en la Figura... ANADIR FIGURA En este caso, se tienen dos bloques extra que representan los controladores del forward-loop. A diferencia del caso anterior, la red de desacople forma una segunda post-compensaci on y permitir a m as exibilidad en la implementaci on y commissioning1 del esquema de control non-interacting. Sea Gc la matriz del controlador del forward path con salid u, por lo que y = Gu u = G cu u = Gc (w y ) y = GG c Gc (w y ) Como Gc es una matriz diagonal, el objetivo de desacople se logra si X = GG c = diag [x1 , x2 ] Es decir,
1 X= G c =G

1 det(G)

G22 x1 G21 x1

G12 x2 G11 x2

La forma m as simple se da con elementos unitarios en la diagonal, i.e.,


G c,11 = Gc,22 = 1
1A

form of payment to an agent for services rendered. Remuneration.

9.3. CONTROL MULTIVARIABLE DESACOPLADO Lo que hace que G c,12 = G c,21 =

127

G12 G11 G21 G22

Lo que indican estas ecuaciones es que con este m etodo los elementos de desacople son independientes de los controladores del forward path. Por lo tanto, la sintonizaci on online de los controladores no requiere un redise no de los elementos de desacople. Los modos del controlador se pueden cambiar de PI a PID por ejemplo, y cualquiera de los forward paths se pueden colocar en manual sin p erdida de desacople. N otese que el desacople se hace entre la se nal de control del forward path y las salidas del proceso, y no entre set points y salidas, por lo que esta t ecnica no est a restringida al servo-problema. Sin embargo, la matriz G tiene que conocerse.

128

CAP ITULO 9. CONTROL MULTIVARIABLE

Bibliograf a
[1] Pedro Albertos and Antonio Sala. Multivariable control systems: an engineering approach. Springer Verlag, 2004. [2] Karl J. Astr om and Bj orn Wittenmark. Computer Controlled Systems. Prentice Hall, New Jersey, NJ, 1997. [3] S. Bennett. A brief history of automatic control. IEEE Control Systems Magazine, 16(3):1725, 1996. [4] W.L. Brogan. Modern control theory. Prentice-Hall, Inc. Upper Saddle River, NJ, USA, 1991. [5] C.M. Close and D.K. Frederick. Modeling and analysis of dynamic systems. Wiley New York, 2001. [6] J.J. DAzzo and C.H. Houpis. Linear Control System Analysis and Design. McGraw-Hill, third edition edition, 1988. [7] Richard C. Dorf and Robert H. Bishop. Modern Control Systems. Addison-Wesley, Reading, MA, 1995. [8] Asdr ubal Espitia. El PID Bajo Control. Asdr ubal Espitia Guerra, 1999. [9] G.W. Evans. Bringing root locus to the classroom. IEEE Control Systems Magazine, 24(6):7481, 2004. [10] WR Evans. Control system synthesis by root locus method. Trans. AIEE, 69:6669, 1950. [11] Gene F. Franklin, J. David Powell, and Abbas Emami-Naeini. Feedback Control of Dynamic Systems. Addison-Wesley, Reading, MA, 1994. [12] B. Friedland. Control System Design: An Introduction to State-space Methods. McGraw-Hill, 1986. [13] Edward W. Kamen and Bonnie S. Heck. Fundamentals of signals and systems using MATLAB. Prentice Hall, Upper Saddle River, New Jersey, 1997. [14] Hassan. K. Khalil. Nonlinear Systems. Prentice Hall, New Jersey, 1996. [15] K.H. Lundberg. Pole-zero phase maps: visualization helps students develop s-plane intuition. IEEE Control Systems Magazine, 25(1):8487, 2005. [16] T.E. Marlin. Process Control: Designing Processes and Control Systems for Dynamic Performance. McGraw-Hill, 1995. [17] S.J. Mason. Feedback Theory-Some Properties of Signal Flow Graphs. 41(9):11441156, 1953. Proceedings of the IRE,

[18] S.J. Mason. Feedback Theory-Further Properties of Signal Flow Graphs. Proceedings of the IRE, 44(7):920926, 1956. [19] N. Minorsky. Directional stability of automatically steered bodies. J. Am. Soc. Nav. Eng, 34:280, 1922. [20] C. B. Moler and C.F.V. Loan. Nineteen dubious ways to compute the matrix exponential. SIAM Review, 20(4):801836, 1978. 129

130

BIBLIOGRAF IA

[21] R.M. Murray, K.J. Astr om, S.P. Boyd, R.W. Brockett, and G. Stein. Future directions in control in an information-rich world. IEEE Control Systems Magazine, 23(2):20 33, 2003. [22] K. Ogata. Modern control engineering. Prentice-Hall, Inc. Upper Saddle River, NJ, USA, 1996. [23] Katsuhiko Ogata. Discrete-Time Control Systems. Prentice Hall, New Jersey, NJ, 1987. [24] B.A. Ogunnaike and W.H. Ray. Process dynamics, modeling, and control. Oxford University Press New York, 1994. [25] Alan V. Oppenheim and Alan S. Willsky. Signals and Systems. Prentice Hall, Upper Saddle River, New Jersey, 1997. [26] H. Ozbay. Introduction to Feedback Control Theory. CRC Press, 1999. [27] K.M. Passino. Biomimicry for Optimization, Control, and Automation. Springer-Verlag, London, 2005. [28] C. Phillips and R. Harbor. Feedback Control Systems. Prentice Hall, 1996. [29] F.H. Raven. Automatic Control Engineering. McGraw-Hill New York, 1995. [30] S. Sastry. Nonlinear Systems: analysis, stability, and control. Springer, 1999. [31] C.A. Smith and A.B. Corripio. Principles and practice of automatic process control. Wiley New York, 1985. [32] Karl J. Astr om and Richard M. Murray. Feedback Systems: An Introduction for Scientists and Engineers. 2007. [33] S.H. Strogatz. Nonlinear dynamics and chaos. Addison-Wesley Reading, MA, 1994. [34] MT Tham. Multivariable Control: An Introduction to Decoupling Control. In K. Warwick and D.Rees, editors, Industrial Digital Control Systems, volume 1 of IEE Control Engineering Series 37, chapter 8, pages 119. Peter Peregrinus, 1998. [35] J.G. Ziegler and N.B. Nichols. Optimum settings for automatic controllers. Trans. ASME, 64(8):759 768, 1942.