Beruflich Dokumente
Kultur Dokumente
Lista de figuras
IX
1. Introducci
on al control por computador
10
2. Secuencias y transformada Z
13
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . . . . . . . .
14
16
2.4. Transformada en Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
19
INDICE GENERAL
ii
23
25
26
30
32
34
3. Proceso de muestreo
37
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
38
39
42
45
47
53
4. An
alisis de sistemas muestreados
57
57
61
63
INDICE GENERAL
iii
71
72
5. Dise
no de controladores discretos
75
81
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
82
83
85
86
88
89
90
90
93
98
5.5.1. Causalidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
99
INDICE GENERAL
iv
107
. . . . . . . . . . . 125
INDICE GENERAL
. . . . . . . . . . 140
151
INDICE GENERAL
vi
8. Introducci
on a la identificaci
on de sistemas
157
9. Identificaci
on por mnimos cuadrados
169
INDICE GENERAL
vii
187
205
INDICE GENERAL
viii
213
13.Introducci
on al control adaptativo
227
Indice de figuras
1.1. Seleccion de que datos se deben guardar, con que frecuencia y en que formato en los historicos de
1.2. Todos los sistemas de control por computador presentan mmicos mas o menos realistas con la in
1.3. Herramientas para creacion de mmicos en un sistema de control por computador.
1.4. Los historicos presentan informacion relevante sobre la evolucion de las variables monitorizadas b
1.5. Tareas de un sistema de control por computador . . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . .
10
1.10. Simulink es un lenguaje grafico que se puede utilizar para programar algoritmos de control. 11
15
2.2. Listado en lenguaje de programacion de Matlab que calcula la secuencia de Fibonacci usando la
2.3. Secuencias de entrada, salida y ponderacion de un sistema. . . . . . . .
31
33
ix
INDICE DE FIGURAS
38
38
40
40
41
. . . . . . . . . . . . . . . . . . . . . .
45
46
47
48
48
. . . . . . . .
49
50
51
3.18. Interpretacion frecuencial del proceso de muestreo de una senoide y posterior reconstruccion c
3.19. Aspecto de la se
nal original y la reconstruida en el ejemplo de la figura 3.18. 52
3.20. Funcionamiento del mantenedor de orden 1. . . . . . . . . . . . . . . .
53
INDICE DE FIGURAS
xi
3.21. Respuesta en frecuencia del mantenedor de orden 1 (trazo continuo) comparada con la del mante
59
4.3. Region del espacio de coeficientes de un polinomio de la forma z 2 + a1 z + a2 = 0 en la que las rai
67
4.7. Respuestas ante un impulso para un sistema con polos conjugados en el eje imaginario. 68
4.8. Respuestas ante un impulso para un sistema con polos conjugados dentro del circulo unidad. 69
4.9. Respuestas ante un impulso para un sistema con polos conjugados en el circulo unidad. 70
4.10. Regiones de interes en el plano s. . . . . . . . . . . . . . . . . . . . . .
75
76
. . . . . . . . . . .
77
78
79
79
. . . . . . . . . . .
80
82
84
. . . . . . . . .
INDICE DE FIGURAS
xii
85
. . . . . . . . . . . . . . . . . . .
86
87
5.6. PID discretizado mediante Euler I (izquierda) y Tustin (derecha) usado con el sistema del eje
5.7. Integral de u(t) para un periodo de muestreo. . . . . . . . . . . . . . .
89
93
. . . . . . . . . . . . . . .
. . . . . . . . . . . .
94
97
6.2. Diagrama de bloques de un sistema controlado por una realimentacion del vector de estados.1
6.3. Diagrama de bloques de un sistema LTI controlado mediante una realimentacion del vector de
6.4. Diagrama de bloques de un observador de orden completo. . . . . . . . 137
. . . . . . . 153
. . . . . . . . . . . . . . . . . . 161
INDICE DE FIGURAS
xiii
8.3. Ejemplo de se
nal de entrada del tipo PRBSS. . . . . . . . . . . . . . . 165
9.1. Diagrama de flujo del proceso de identificacion mediante mnimos cuadrados recursivos. 173
9.2. Diagrama de Bode de un sistema de segundo orden (linea continua) y de un modelo de primer or
9.3. Misma situacion que en la figura 9.2 pero con una se
nal de entrada senoidal de frecuencia = 1
9.4. Evolucion de los parametros identificados en un caso de sobreparametrizacion. 182
9.5. Evolucion de unos parametros frente a otros para el modelo sobreparametrizado. 183
10.4. Diagrama de Bode para distintos valores de un retraso puro tm s para el sistema C(s)G(s)etm s c
10.5. Diagrama de Bode para distintos valores de tm s para el sistema de la figura 10.4 con C(s) = 0,2.
10.6. Sistema de control realimentado para un proceso con retraso donde el sensor se ha dispuesto ante
10.7. Sistema de control en donde se realimenta la prediccion de la salida mediante un modelo en bucl
10.8. Estructura del Predictor de Smith. . . . . . . . . . . . . . . . . . . . . 195
10.9. Bode de C(s)G(s) para el ejemplo. . . . . . . . . . . . . . . . . . . . . 196
10.10.Bode de C(s)G(s) para el ejemplo, desintonizando el controlador de manera que la ganancia sea
10.11.Respuesta del sistema en bucle cerrado con el controlador desintonizado de manera que la ganan
10.12.Respuesta del sistema en bucle cerrado con el predictor de smith (trazo solido) comparada con la
10.13.Respuestas del sistema en bucle cerrado con el predictor de smith cuando se tienen diversos error
xiv
INDICE DE FIGURAS
10.17.Ejemplo de control de un sistema de fase no mnima con un PI usando un lazo simple de reali
11.6. Sistema con perturbacion a la salida controlado con un control anticipativo con control realim
12.1. Respuesta de un sistema multivariable de dos entradas y dos salidas cuando se aplican escalon
12.2. Representacion de un sistema multivariable de orden 2. . . . . . . . . . 214
12.3. Representacion de un sistema multivariable de orden 2 en bucle cerrado con dos controladores
12.4. Representacion de un sistema multivariable controlado por desacoplo. . 222
12.5. Respuesta del sistema multivariable del ejemplo cuando se aplican escalones en sus entradas.2
12.6. Respuesta del sistema multivariable desacoplado cuando se aplican escalones en sus entradas.
12.7. Simulacion del sistema multivariable en bucle cerrado. . . . . . . . . . . 225
. . . . 231
INDICE DE FIGURAS
xv
. . . . 231
13.4. Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (13.1). 232
13.5. Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (13.2). 233
13.6. Configuracion generica de un controlador adaptativo por modelo de referencia (MRAC). 234
xvi
INDICE DE FIGURAS
Captulo 1
Introducci
on al control por
computador
1.1.
Conceptos b
asicos
El control por computador surge de la evolucion del control analogico clasico (usado
extensivamente en sistemas mecanicos, electricos y electronicos), en la cual el computador se ve como medio para ampliar las capacidades y funcionalidades de los sistemas
de control. Esa incorporacion del computador digital comienza ya en etapas tan tempranas del desarrollo de los computadores como la decada de 1950. En esa epoca el
uso que se le daba al computador en los sistemas de control era el de supervisor de los
lazos de control analogico tradicional. El siguiente paso es el de sustituir directamente
a los controladores analogicos (habitualmente de tipo PID) en lo que se vino a llamar
el Control Digital Directo. En este tipo de control el computador calcula la se
nal de
control que se aplicara directamente al proceso.
La decada de los 70 ve la aparicion de los microprocesadores como sustitutos en un
solo circuito integrado de los principales componentes de un computador. La dramatica
reduccion de costes, espacio y consumos unido a la escalada en prestaciones hace que
se contemple dedicar un sistema basado en microprocesador a cada lazo de control,
descargando de tareas al computador central. Esto lleva a la aparicion de los sistemas
de control distribuidos en los que diversos computadores se reparten las distintas tareas
de control de una planta. Esos computadores se conectaran entre si mediante diferentes
topologas de red, propiciando la aparicion de normas de interconexion especficas de
los entornos industriales: los buses de campo. Dentro de las redes se pueden establecer
1
1.2.
Toda tecnologa nueva suele venir cargada de ventajas pero tambien suele presentar
nuevos inconvenientes. En esta seccion se describiran brevemente ambas caractersticas.
Dentro de las principales ventajas del control por computador podemos encontrar:
Los sistemas de control por computador son mas eficientes a la hora de controlar
sistemas complejos. Ademas al ser sistemas programables, se pueden incorporar
algortmos de control mas sofisticados que los que se pueden realizar con componentes analogicos.
Mayor flexibilidad a la hora de cambiar la sintona o incluso el algoritmo de
control de un lazo determinado. Esta mayor flexibilidad viene dada por el hecho
de que el software es intrnsecamente mas flexible que el hardware.
Mayor precision en los calculos. Con instrumentacion analogica alcanzar una alta
precision en los calculos es muy caro, mientras que con los computadores digitales
la precision en muchos casos es arbitraria.
Invariabilidad de los calculos. No hay envejecimiento ni derivas ya que los calculos
se realizan usando aritmetica digital.
Por otra parte los sistemas de control por computador tambien presentan inconvenientes, entre ellos:
1.3.
Las tareas que un sistema de control por computador realiza van mas alla de las de
control que realiza un sistema de control clasico.
El primer grupo de funciones que se pueden enumerar es la de adquisicion y tratamiento de datos. El sistema adquiere las se
nales y realiza operaciones de adecuacion entre
las que se encuentran:
Filtrado de se
nales.
Linealizacion de la caracterstica de sensores y actuadores.
Conversion a unidades de ingeniera.
Figura 1.1: Seleccion de que datos se deben guardar, con que frecuencia y en que formato en los
historicos de un sistema de control por computador.
Figura 1.2: Todos los sistemas de control por computador presentan mmicos mas o menos realistas
con la informacion de la planta.
Figura 1.3: Herramientas para creacion de mmicos en un sistema de control por computador.
Los sistemas de control por computador son capaces ademas de ayudar o asistir en
la toma de decisiones sobre la manera de operar el sistema. Suele ser habitual el uso
de simuladores que permiten ensayar y ver el efecto de cambios en la planta sin tener
que realizarlos sobre el sistema real. Complementando a los simuladores se pueden
encontrar en algunos sistemas de control por computador programas de inteligencia
artificial como los sistemas expertos, que tienen la mision de sugerir cual es la posible
solucion a cualquier incidencia que se presente o indicar los puntos de funcionamiento
o modos de operacion que sean mas productivos. Es decir, un sistema experto emula
el conocimiento de un ((experto humano)).
Otra de las funciones mas importantes de un sistema de control por computador es
la de almacenar historicos (ver figura 1.4) de todas las variables (sensores, actuadores,
etc. . . ) que se considere necesario (no necesariamente solo las que se muestran en
los mmicos). Esta informacion es de gran utilidad para analizar el funcionamiento del
proceso, estudiar el efecto de cambios en la operacion del sistema y averiguar las causas
de fallos y alarmas.
Figura 1.4: Los historicos presentan informacion relevante sobre la evolucion de las variables monitorizadas bien en forma grafica o numerica.
1.4.
Una estructura alternativa es la estructura distribuida. En esta estructura (ver figura 1.7), diversos elementos de control y computadores se conectan a traves de una
red (llamada bus de campo) que reparte datos y se
nales entre ellos. Esta estructura es
mas fiable y redundante por lo que hay una mayor seguridad ante fallos. Las tareas
y responsabilidades se reparten entre los distintos elementos y se obtiene mayor rapidez de procesamiento y respuesta. Ademas el coste de instalacion es menor pues los
controladores se situan mas cerca de los elementos de medida y control. Sin embargo
se impone la necesidad de definir y usar estandares de interconexion y protocolos de
comunicaciones.
1.5.
Instrumentaci
on especfica de los sistemas de
control por computador
10
SOFTWARE DE CONTROL
SINCRONA
REF
ERROR
ENTRADA
COMPUTADOR
C. D/A +
M.O.C.
PLANTA
C. A/D
SALIDA
PLANTA DISCRETIZADA
Finalmente hay que recordar que los distintos componentes se conectan a traves de
redes de comunicaciones digitales llamadas buses de campo. Esas redes estan regidas
por diferentes protocolos de comunicaciones estandarizados.
1.6.
Software de control
Otro factor a tener en cuenta es que los sistemas operativos han de cumplir diversas
caractersticas para ser validos en sistemas de control. Estos requisitos estan normalmente relacionados con la temporizacion de tareas y la necesidad de garantizar que
los programas que implementan algoritmos de controlador se ejecutaran en el tiempo
necesario a toda costa. Los sistemas que cumplen esto son los que se suelen denominar
sistemas operativos para operacion en tiempo real o sistemas en tiempo real.
Finalmente hay que destacar que existen diferentes posibilidades a la hora de programar un controlador, pudiendose elegir entre implementarlo en un lenguaje de bajo
nivel, en un lenguaje de proposito general, en un lenguaje especfico del sistema de
control o incluso un lenguaje grafico (ver figura 1.10).
11
12
SOFTWARE DE CONTROL
Captulo 2
Secuencias y transformada Z
En este captulo se introducira el concepto de secuencia de ponderacion, el cual
resulta clave para obtener la secuencia que aparece a la salida de un sistema en funcion de la secuencia que se tiene en su entrada. Tambien se presentaran las ecuaciones
en diferencias lineales como otra forma de modelar la relacion entre la entrada y la
salida de un sistema. Dichas ecuaciones en diferencias son el equivalente en sistemas
discretos a las ecuaciones diferenciales que pueden usarse para modelar sistemas continuos. Por otra parte, se describiran los conceptos basicos de la transformada Z, una
herramienta matematica que puede utilizarse para resolver ecuaciones en diferencias
de la misma manera que la transformada de Laplace se puede utilizar para resolver
ecuaciones diferenciales ordinarias. Se estudiara tambien la transformada Z inversa y
finalmente se introducira el concepto de funcion de transferencia en el dominio Z o
funcion de transferencia discreta como forma para modelar un sistema lineal discreto.
Esta funcion de transferencia discreta es analoga a la funcion de transferencia en el
dominio S utilizada en sistemas continuos.
2.1.
Introducci
on
k = 0, 1, . . .
SECUENCIA DE PONDERACION
14
Notese que no solo el tiempo esta discretizado sino que debido a la naturaleza digital
del elemento de control (el computador) los valores de ambas se
nales son tambien
discretos. El sistema de control por computador es por tanto un sistema discreto que
recibe se
nales yk 1 y genera salidas uk . Los valores de esas se
nales a lo largo del tiempo
forman secuencias, por ejemplo:
{yk } = {0, 0, 1, 1, . . .}
{uk } = {1, 1, 0, 2, . . .}
Estas secuencias {yk } y {uk } seran, respectivamente, las secuencias de salida y entrada
del sistema que se pretende controlar2 . La relacion que pueda existir entre la secuencia
de entrada y la de salida del sistema o proceso a controlar proporciona un conocimiento
fundamental sobre el proceso, por lo que es fundamental hallar esta relacion. En las
secciones que vienen a continuacion se vera como estas dos secuencias estan relacionadas
con una tercera que es la secuencia de ponderacion. Tambien es posible relacionar
ambas secuencias mediante ecuaciones en diferencias (analogas en sistemas discretos a
las ecuaciones diferenciales en sistemas continuos):
yk = a1 yk1 + a2 yk2 + + an ykn + b0 uk + b1 uk1 + + bm ukm
Y por otra parte tambien es posible relacionar las secuencias de entrada y salida mediante el uso de funciones de transferencia discretas, analogas a las funciones de transferencia que se emplean para describir sistemas en tiempo continuo. Tanto las ecuaciones
en diferencias como la funcion de transferencia constituyen formas comunes de modelar
sistemas discretos, cuyos conceptos fundamentales se veran a lo largo del captulo.
2.2.
Secuencia de ponderaci
on
Denominaremos secuencia de ponderacion {gk } = {g0 , g1 , } a la secuencia obtenida a la salida de un sistema discreto cuando a la entrada hay una secuencia de impulso
unitario {k } = {1, 0, 0, } (ver figura 2.1). Este es un concepto analogo al de respuesta impulsional y como veremos a continuacion, permite caracterizar la salida de
un sistema lineal.
Notese que cualquier secuencia {uk } puede expresarse de la forma:
{uk } =
1
l=
X
l=
ul {kl }
Notese que con la notacion yk se esta indicando y(kT ), de manera que yk1 = y((k 1)T ) y
as sucesivamente. Por otra parte es habitual utilizar tambien la notacion y(k),y(k 1), etc. . .
2
Notese que se han invertido los terminos con respecto al sistema de control. As lo que para el
sistema de control es una secuencia de entrada, desde el punto de vista del sistema a controlar es la
secuencia de salida, y viceversa.
15
l=
X
ul {kl }
l=
X
ul {gkl }
l=0
l=0
l=
X
l=0
gl {ukl }
Esto implica que conociendo la secuencia de ponderacion de un sistema podemos calcular la salida para cualquier secuencia de entrada. La expresion anterior es equivalente
a:
l=
X
{yk } =
gl {ukl} = {gk } {uk }
(2.1)
l=0
16
2.3.
Como se ha mencionado en la seccion anterior, trabajar con secuencias es muy engorroso. Tambien lo es describir a un sistema en base a su secuencia de ponderacion.
En cursos basicos de control de sistemas continuos se presenta el uso de ecuaciones
diferenciales lineales como una forma de describir el comportamiento de un sistema
dinamico. En el caso de sistemas discretos podemos hacer uso de una forma de descripcion analoga a las ecuaciones diferenciales que son las ecuaciones en diferencias. Estas
relacionan el valor de la salida del sistema en el instante k con valores pasados de la
salida y valores presentes y pasados de la se
nal de control u (si la hubiese):
yk = a1 yk1 + a2 yk2 + + an ykn + b0 uk + b1 uk1 + + bm ukm
Notese que en la ecuacion anterior, el valor de la salida en el instante k depende
linealmente de los valores pasados de la salida y de los valores presentes y pasados de
la se
nal de control. De ah que la ecuacion anterior sea una ecuacion en diferencias
lineal. Siendo la dependencia de la salida de hasta n valores pasados de la misma, se
dice que n es el orden de la ecuacion en diferencias.
Es evidente que una ecuacion en diferencias lineal permite obtener los valores de
la secuencia de salida de un sistema conocida la secuencia de entrada y una serie de
condiciones iniciales que son los valores y1n , y2n , , y0. Pero como se obtiene la
secuencia de salida ?. Existen diferentes posibilidades. La mas obvia es usar la propia
ecuacion en diferencias en un bucle para ir obteniendo los terminos. Por ejemplo si se
considera la ecuacion en diferencias que genera la conocida sucesion de Fibonacci:
yk = yk1 + yk2
y0 = y1 = 1
17
yk1=1;
yk2=1;
for cont = 2:10,
yk = yk1+yk2;
disp(yk)
yk2=yk1;
yk1=yk;
end
Figura 2.2: Listado en lenguaje de programacion de Matlab que calcula la secuencia de Fibonacci
usando la propia ecuacion en diferencias.
de la ecuacion en diferencias. Por tanto se debera recurrir a procedimientos mas elaborados que permitan obtener dicho ((termino general)) de la secuencia correspondiente
a una ecuacion en diferencias dada.
Existe un metodo clasico para resolver ecuaciones en diferencias cuyos principios
fundamentales se veran a continuacion aplicandolo sobre la ecuacion en diferencias que
genera la sucesion de Fibonacci. El metodo se puede resumir en los siguientes pasos:
1. Supongase una solucion de la ecuacion de la forma yk = z k .
2. Sustituyase dicha solucion en la propia ecuacion y resolverla hallando los n valores
zi que satisfacen la ecuacion:
1 5
k
k1
k2
2
z =z
+z
z = z + 1 z1,2 =
2
3. Construir una solucion general mediante la combinacion lineal de las soluciones
anteriores:
n
X
yk =
Ai zik yk = A1 z1k + A2 z2k
i=1
1+ 5
1 + 5
y0 = 1 = A1 + A2
A1 = , A2 =
y1 = 1 = A1 z1 + A2 z2
2 5
2 5
5. Finalmente, sustituir los coeficientes Ai de la solucion general por sus valores
calculados en el paso anterior:
yk =
!
1+ 5
2 5
!k
1+ 5
+
2
!
1 + 5
2 5
!k
1 5
2
18
TRANSFORMADA EN Z
2.4.
Transformada en Z
La transformada en Z cumple el mismo papel en sistemas discretos que la transformada de Laplace en sistemas continuos. Permite obtener la solucion de ecuaciones en
diferencias y por tanto representar se
nales y secuencias de una manera mas compacta.
Para entender la transformada en Z se parte de una se
nal continua x(t). Esta se
nal es
muestreada con un tiempo de muestreo T . Eso implica que se registra una secuencia:
x(0), x(T ), x(2T ), , x(kT )
Teniendo en cuenta que la funcion delta de Dirac (t kT ) vale 1 para t = kT y cero
en todos los demas casos, es claro que la se
nal muestreada es igual a:
x (t) =
X
k=0
x(kT )(t kT )
x (t)est dt
R P
0 k=0
R
P
k=0 0
x(kT )ekT s
k=0
z = eT s
19
xk z k
(2.2)
k=0
2.4.1.
Transformadas de algunas se
nales tpicas
Se
nal impulso. Esta se
nal tiene como secuencia asociada
{k } = {1, 0, 0, }
En este caso la transformada Z se calcula facilmente como:
Z {k } =
k z k = 0 z 0 = 1
k=0
Se
nal escalon. En este caso la se
nal es
{uk } = {1, 1, 1, }
En este caso la transformada Z se calcula facilmente3 como:
Z {uk } = U(z) =
3
uk z
k=0
z k =
k=0
Recuerdese que
k=0
xk =
1
si |x| < 1
1x
1
z
=
1
1z
z1
20
TRANSFORMADA EN Z
Se
nal {ak }:
X
k X
a k
1
k k
Z a =
a z =
=
z
1
k=0
k=0
a
z
z
za
Se
nal {eak }. En este caso se aplica el resultado anterior con a = ea obteniendose
z
Z eak =
z ea
Se
nal {kak }:
Z kak = aZ kak1 = aZ
1
d
1 az 1
da
az
az 1
=
2 =
1
(1 az )
(z a)2
= a
d k
Z a
da
2
= a(1) 1 az 1
z 1
d k
a
da
=a
Se
nal {kT }. En este caso se aplica el resultado anterior a la secuencia equivalente
{kT 1kT }, obteniendose:
Tz
Z {kT } =
(z 1)2
Aplicando consideraciones similares se puede ir obteniendo la transformada Z de las
secuencias mas habituales. En las tablas 2.1 y 2.2 se enumeran las transformadas Z de
dichas secuencias y sus equivalentes en transformada de Laplace.
Comentario 2.1 En las transformadas Z anteriores no se ha insistido de manera
intencionada en un detalle importante, y es que la transformada Z de una secuencia,
como todo ejemplo de suma de serie infinita, puede o no converger. La regi
on del plano
Z en la que la transformada Z converge es la llamada regi
on de convergencia (ROC,
por sus siglas en ingles) de la transformada Z:
(
)
X
ROC = z :
x[k]z k <
k=0
21
22
TRANSFORMADA EN Z
23
2.5.
Propiedades de la transformada Z
P
Z {xk+n } =
xk+n z k tomando l = k + n
=
k=0
xl z (ln)
l=n
n1
P
n
l
= z X(z)
xl z
= z n X(z) z n
el termino z n
n1
P
l=0
n1
P
xl z l
l=0
l=0
24
PROPIEDADES DE LA TRANSFORMADA Z
P
Y (z) =
yk z k
k=0
k=0
= z 1
= z
= z
1
1
xk1 z k
k=0
xk z k
k
=1
x1 z +
= z 1 X(z)
xk z
k =0
( k
X
xl ykl
l=0
= X(z)Y (z)
(2.3)
4. Teorema del valor final. El valor en k = de la secuencia {xk } viene dado por:
x = lm xk = lm (z 1)X(z)
k
z1
Nota: en algunos textos aparece como lm(1 z 1 )X(z). Por otra parte este
z1
teorema es valido si el lmite existe.
Ejemplo 2.1
Sea
X(z) =
El valor final sera
z
z1
x = lm z = 1
z1
25
Ejemplo 2.2
Sea {xk } un escalon unitario. En este caso
x0 = lm
2.6.
1
z
= lm
z
z1
1
1
z
=1
Transformada Z inversa
Y (z)
0,4673z 1 0,3393z 2
=
U(z)
1 1,5327z 1 + 0,6607z 2
26
TRANSFORMADA Z INVERSA
z
zc
obtener la representacion temporal por el metodo de la division larga. En este caso, al
realizar la division se obtiene:
X(z) =
z
= 1 + cz 1 + c2 z 2 + c3 z 3 +
zc
es decir, los coeficientes forman la secuencia:
{xk } = {1, c, c2 , c3 , } = {ck }
Ejemplo 2.5
Sea
X(z) =
Si se realiza la division se obtiene:
0,1z 2
z 2 1,9z + 0,9
0,1z 2
= 0,1 + 0,19z 1 + 0,271z 2 +
2
z 1,9z + 0,9
por lo que la secuencia sera {xk } = {0,1, 0,19, 0,271, }.
Estos dos metodos son bastante engorrosos y no permiten conocer facilmente la
forma explcita o ((termino general)) de la secuencia temporal que se obtiene como
resultado. Este es mas evidente al usar el metodo de descomposicion en fracciones, el
cual se expone a continuacion.
2.6.1.
Descomposici
on en fracciones
El metodo consiste en descomponer la representacion en transformada Z en fracciones simples y aplicar las equivalencias correspondientes a cada fraccion. Para ello
basta con buscar en las tablas de la transformada Z. Un detalle a tener en cuenta es que
27
a1
a2
an
+
++
z p1 z p2
z pn
donde:
ai = (z pi )X(z)|z=pi
A continuacion se veran dos ejemplos, uno sin termino z en el numerador y otro con
dicho termino.
Ejemplo 2.6
Sea
X(z) =
(1 eaT )z
(z 1)(z eaT )
z
z
z 1 z eaT
Ejemplo 2.7
Sea
X(z) =
(1 eaT )
(z 1)(1 eaT )
28
TRANSFORMADA Z INVERSA
(1 eaT )
1
1
=
aT
(z 1)(1 e )
z 1 z eaT
Notese que
1
z
= z 1
z1
z1
es decir corresponde a un escalon unitario retrasado, {1k1 }. Aplicando al otro termino
esta consideracion se ve que corresponde con {eaT (k1) }. Por tanto:
{xk } = {1k1 + eaT (k1) }
Notese que este tipo de terminos aparecera siempre en sistemas con retardo (en este
caso el retardo es 1).
Otro caso particular con el que nos podemos encontrar es aquel en el que el grado
del numerador y del denominador de X(z) son el mismo. En ese caso se debe hacer la
division de polinomios y calcular la transformada inversa de cada termino. Por ejemplo
en:
39z 58
6z 2 + 3z + 2
=3+ 2
X(z) = 2
2z + 14z + 20
2z + 14z + 20
se calculara la transformada inversa de los dos terminos resultantes de la division.
Un caso muy frecuente es el de polos reales repetidos, es decir con multiplicidad
igual o superior a 2. En este caso, para cada polo pi con multiplicidad n, se tendran
una serie de terminos de la forma:
+
Ai1
Ai2
Ai3
Ain
+
+
++
2
3
(z pi ) (z pi )
(z pi )
(z pi )n
Para hallar los coeficientes en este tipo de descomposicion se propone como alternativa
mas sencilla el uso de la tecnica de la multiplicacion cruzada. Esta tecnica consiste
en igualar la expresion original de X(z) con la descomposicion propuesta y efectuar
la multiplicacion de ambos terminos por el denominador de X(z), de manera que
se obtengan dos polinomios que permitan, por igualacion de coeficientes, plantear un
sistema de ecuaciones lineales en el que las incognitas sean los coeficientes a determinar.
El siguiente ejemplo ilustra este metodo.
Ejemplo 2.8
Sea
X(z) =
z+3
z(z + 2)2 (z + 5)
29
=
=
=
=
0,1500
0,1944
0,1667
0,0444
DE TRANSFERENCIA EN Z
FUNCION
30
X(z) =
r
XX
B(z) X Ai z
Brj z
=
+
j +c
A(z)
z
p
(z
p
)
i
r
r j=1
i
donde los pi son los polos con multiplicidad 1 y los pr los polos con multiplicidad
mr 2. La transformada inversa de los terminos que aparecen en el segundo sumatorio
no aparecera en general en las tablas de transformada Z y se calcula como:
Brj z
k
1
Z
= Brj
pkj1
r
j
j1
(z pr )
Los coeficientes que aparecen se calculan mediante la formula de Heaviside:
(z pi )U(z)
Ai =
z
z=pi
1
Brj =
(mr j)!
dmr j (z pr )mr
U(z)
dz mr j
z
z=pr
Como se puede apreciar este metodo implica derivar por lo que es mas recomendable
probar con los anteriores antes de usar este.
2.7.
Funci
on de transferencia en Z
U(z) = Z {uk }
G(z) = Z {gk }
{u}
{g}
31
{y }
(
X
l=0
gl {ukl }
= G(z)Y (z)
Y (z)
U(z)
2.8.
Resoluci
on de ecuaciones en diferencias lineales usando la transformada Z
1
z
U(z) =
U(z)
1
1 0,9z
z 0,9
z
z
z 0,9 z 1
z
z
9z
10z
=
+
z 0,9 z 1
z 0,9 z 1
2.9.
Algebra de Bloques
En cursos basicos de control se muestra el uso de diagramas de bloques para representar distintas configuraciones de sistemas de control y se muestra como dichos
diagramas se pueden simplificar usando el algebra de bloques. Dicha algebra de bloques es aplicable a sistemas continuos y discretos indistintamente, por lo que no se
vera aqu en profundidad. Sin embargo es conveniente recordar los resultados principales. En la figura 2.4 se muestran algunas equivalencias o reglas fundamentales del
algebra de bloques.
33
ALGUNAS FUNCIONES UTILES
DE MATLAB
34
Dentro de las reglas tpicas, las mas importantes son las que muestran distintas
relaciones entre las variables en una estructura de control realimentado. En primer
lugar, considerese un lazo de realimentacion como el que sigue:
E(z)
1
=
R(z)
1 + G(z)H(z)
C(z)
Gc (z)Gp (z)
=
R(z)
1 + Gc (z)Gp (z)H(z)
2.10.
C(z)
Gp (z)
=
D(z)
1 + Gc (z)Gp (z)H(z)
Algunas funciones u
tiles de Matlab
35
La funcion syms se usa para definir los smbolos que intervendran en las funciones
que se usaran despues. Ademas permite listar los smbolos ya definidos. As si
queremos definir n, k y z como smbolos y ver despues los smbolos definidos
usaremos:
>> syms n k z
>> syms
k
>>
La transformada Z inversa se puede obtener usando la funcion iztrans. Continuando con el ejemplo anterior:
>> iztrans(-10*z/(10/9*z-1)+10*z/(z-1))
ans =
-9*(9/10)^n+10
>>
La funcion residue se puede usar para obtener los residuos de una descomposicion
en fracciones mediante la formula de Heaviside:
ALGUNAS FUNCIONES UTILES
DE MATLAB
36
P =
1.0000
0.9000
K =
1
>>
+
+1
2
z 1,9z + 0,9
z 1 z 0,9
Captulo 3
Proceso de muestreo
3.1.
Introducci
on
38
SINCRONA
MUESTREO
REF
T
e(t) {ek}
COMPUTADOR
{uk}
C. D/A +
M.O.C.
u(t)
PLANTA
C. A/D
SALIDA
y(t)
PLANTA DISCRETIZADA
son los intervalos de muestreo y a T se le llama tiempo de muestro. La figura 3.2 ilustra el muestreo de una se
nal continua y la aplicacion de un mantenedor o retenedor de
orden cero a la se
nal muestreada.
1. Muestrear la se
nal continua.
2. Mantener la salida (se
nal de control) hasta el siguiente periodo de muestreo (reconstruccion de la se
nal de salida).
3.2.
39
de una se
nal periodica fT (t) de periodo T se calcula como:
T
FT (n ) =
Z2
fT (t)ejn t dt
donde n =
2
n
T
n = 0, 1, . . .
(3.1)
T2
1 X
1X
jn t
fT (t) =
FT (n )e
=
FT (n )ejn t
T
2
donde =
2
T
(3.2)
En el caso de que la se
nal a transformar no fuese periodica se considera que el periodo
T tiende a infinito por lo que el sumatorio de la antitransformada se aproxima por una
integral y el termino se sustituye por d, de manera que queda:
F () =
1
f (t) =
2
f (t)ejt dt
(3.3)
(3.4)
f ()ejtdw
Notese que F () es un n
umero complejo, por lo que a la hora de representarla se
utilizaran dos graficas, una para el modulo y otra para la fase.
La transformada de Fourier nos da informacion sobre la distribucion de la energa
de una se
nal a lo largo del espectro de frecuencias que esta ocupa. Una diferencia
entre la transformada de una se
nal periodica y la de otra que no lo es, es que una se
nal
periodica tiene un espectro de frecuencia finito, mientras que una no periodica presenta
energa (en mayor o menor medida) en todas las frecuencias.
3.3.
la se
nal muestreada x (t) sera igual a la continua original x(t) en esos instantes de
muestreo y cero en todos los demas.
40
x(t)
T x*(t)
x(t)
!
#
"
'& (&
&
)&
*&
Por otra parte, los instantes en los que se cierra el contacto se pueden representar
como un tren de impulsos p(t) igual al que se muestra en la figura 3.4. Ese tren de
p(t)
3T
2T
2T
3T
(t kT )
x (t) =
X
k=0
(3.5)
Notese que a la se
nal x(t) se le corresponde su transformada de Fourier X(), mientras que a la se
nal portadora, por ser periodica le corresponde como transformada de
41
Fourier:
P (n ) =
Z2
(t)ejn t dt = 1
n =
2
n
T
T2
x (t)ejt dt =
x(t) p(t)ejt dt
(3.6)
1 X jn t
p(t) =
e
T
X
1
1 X
jn t
jt
X (w) =
x(t)
e
e
dt =
x(t)ej(n )t dt
T
T n=
(3.7)
1 X
X (w) =
X( n )
T n=
n =
2
n
T
(3.8)
DE UNA SENAL
RECONSTRUCCION
MUESTREADA
42
El espectro en frecuencia de la se
nal muestrada x (t) tiene la misma forma
que la de la se
nal sin muestrar x(t), atenuada por un factor T1 y repetida
en la frecuencia cada = 2
radianes por segundo.
T
Esto se ilustra en la figura 3.8. Notese que para n = 0 entonces n = 0 y X (0 ) =
1
X().
T
Es decir, el espectro de la se
nal muestreada contiene infinitas repeticiones (atenuadas) del espectro de la se
nal original. Esto da pie a una reflexion muy interesante:
se podra reconstruir la se
nal continua original a partir de la muestreada a partir de
alguna de esas repeticiones del espectro ?
3.4.
Reconstrucci
on de una se
nal muestreada
234567
0
,-8. /,
+10
43
,-. / ,
Figura 3.7: Uso de un filtro paso banda para obtener el espectro en frecuencia de la se
nal original a
partir del de la muestreada.
DE UNA SENAL
RECONSTRUCCION
MUESTREADA
44
<=>? @<
9:;
T
(3.9)
c
Por tanto el teorema de Shannon lo podemos reescribir como:
Si una se
nal no contiene componentes en frecuencias superiores a c , puede
ser completamente caracterizada por los valores muestreados en instantes
de tiempo separados por T c .
45
Como regla practica este resultado no se lleva al lmite, pues los filtros reales distan
mucho de ser ideales, de manera que se suele usar un tiempo de muestreo entre 10 y 20
veces mas rapido que la constante de tiempo caracterstica del sistema continuo. Mas
adelante veremos como se utilizan los mantenedores para reconstruir la se
nal continua
original a partir de la muestreada.
3.5.
Considerese la figura 3.10. En ella se ve una fotografa de la pantalla de un osciloscopio donde aparece una se
nal senoidal y el resultado de muestrearla y pasar la se
nal
muestreada a traves de un mantenedor de orden cero (vease la seccion 3.6). La se
nal
reconstruida por el mantenedor mantiene una gran semejanza con la se
nal original, y
claramente son de la misma frecuencia. El muestreo en este caso se ha llevado a cabo
de manera correcta.
46
aparentemente una se
nal correcta pero no lo es por que su frecuencia no es la que debe
ser. Este fenomeno se llama ((aliasing)) y es especialmente problematico por que puede
confundirse el resultado de un muestreo incorrecto con uno correcto.
Figura 3.11: Ejemplo de muestreo a una tasa insuficiente con aparicion de ((aliasing)).
47
3.6.
Reconstrucci
on usando mantenedores
USANDO MANTENEDORES
RECONSTRUCCION
48
E ( j )
j
E ( j N ) = +
==
E G
1
E ( j K )
T
M
1
E ( j ( L ) )
T
F D
J I
x (t ) =
xO(Pt )
+ x (t )
xQ(t )
3
xR ( t )
x(k )
5
3
49
la se
nal de control sobre el proceso controlado, pues una se
nal muestreada, que no
existe entre los instantes de muestreo no es en general admisible como se
nal de entrada
al proceso. La primera idea sera usar un filtro ideal, tal y como se plantea en la seccion
3.4. Esto no es posible por que el filtro necesario es no causal y por tanto no realizable.
La alternativa practica es usar mantenedores. Un mantenedor generico de orden n
responde a la siguiente expresion:
x (t)
= xr (t) = x (kT ) + x (kT ) (t kT ) + +
x(n) (kT )
n!
(t kT )n kT t < (k + 1) T
donde xr (t) es la se
nal reconstruida que aproxima a la original continua y x(n) (kT )
denota la enesima derivada de x(t) en t = kT . El orden n del mantenedor va a determinar la calidad de la aproximacion, pero tambien tiene como contrapartida la inclusion
de dinamicas adicionales que pueden resultar en problemas de estabilidad. Es por esto
por lo que se suelen usar mantenedores de orden 0 o 1, siendo los primeros los mas
usados con mucha diferencia.
En primer lugar estudiaremos el mantenedor de orden cero, que aproxima a la se
nal
continua mediante la expresion:
x (t) xr (t) = x (kT )
kT t < (k + 1) T
xr (t )
x* (t )
x(t )
x(t )
xr (t )
x* (t )
M.O.C
0 T 2T 3T
7T
USANDO MANTENEDORES
RECONSTRUCCION
50
(k )
M.O.C
1
s
0
0
-1
1 ST
e
s
ej 2 ej
1 ejT
=T
Gho (j) =
j
2j T
2
T
sin
T
= T T 2 ej 2
T
2
ej
T
2
y como
T
2
2
s
,
s
se llega a:
sin
Gho (j) = T
ej s
51
G UV ( j )
T
0
G \] ( j )
0
2 X
3 Y
90 [
180 Z
espectro de la se
nal original. Veamos este analisis sobre un ejemplo. La grafica superior
de la figura 3.18 muestra el espectro de una se
nal sinusoide de frecuencia 1 . Al sufrir
esta un proceso de muestreo ideal el espectro de la se
nal muestreada resultante contiene
infinitas repeticiones atenuadas del espectro original centradas en los m
ultiplos de la
se
nal de muestreo (grafica intermedia de la figura 3.18). A continuacion se realiza la
reconstruccion de la se
nal original pasando la se
nal muestreada a traves de un mantenedor de orden cero. En la grafica inferior de la figura 3.18 se puede observar como el
espectro original se reproduce casi exactamente en el de la se
nal reconstruida (ligeramente atenuado) mientras que las primeras repeticiones aparecen pero muy atenuadas,
por lo que su contribucion a la se
nal reconstruida sera menor. La figura 3.19 muestra
el aspecto de la se
nal continua original y el de la se
nal reconstruida, observandose
el tpico efecto de ((escalera)), que no evita que la se
nal original sea reconocible en la
reconstruida.
Finalmente, hay que tener en cuenta que son posibles otros esquemas de reconstruccion diferentes del uso de mantenedores de orden cero. Si bien estos son los aceptados
de manera universal, tambien es posible emplear mantenedores de orden superior. Hay
que tener en cuenta, entonces, que la dinamica que se interpone entre el computador
y el proceso a controlar tiene una complejidad creciente con el orden del mantenedor,
por lo que en la practica no se suele considerar mas alla del mantenedor de orden 1.
En el mantenedor de orden 1, el valor de la se
nal reconstruida entre los instantes de
muestreo se aproxima (o interpola) mediante rectas. Dado que la reconstruccion debe
ser causal, el valor de x((k + 1)T ) no se supone conocido en kT , por lo que la salida
en el periodo kT t < (k + 1)T se obtiene mediante la recta que es la extrapolacion
USANDO MANTENEDORES
RECONSTRUCCION
52
X ( j )
1
3
p_ q` 2
re
X ( j )
Muestreo
ideal
3
o^
xn
vl
wm
2
1
X ( j )
M.O.C.
g sh 2
uk
tj
Figura 3.18: Interpretacion frecuencial del proceso de muestreo de una senoide y posterior reconstruccion con un mantenedor de orden cero.
salida
entrada
53
de los valores de la se
nal en (k 1)T y kT , por lo que la se
nal se obtendra mediante
la expresion:
x (t)
= xr (t) =
t KT
(x(kT ) x((k 1)T )) + x(kT )
T
kT t < (k + 1)T
La figura 3.20 ilustra el funcionamiento de este tipo de mantenedor. Por otra parte, la
funcion de transferencia en tiempo continuo de este mantenedor es:
Ts + 1
Gho (j) =
T
1 eT s
s
2
xy (t )
x(t )
x (t )
T
2T
3T
4T
5T
6T
servandose que la atenuacion entorno a los centros de las repeticiones del espectro
es mayor que la del mantenedor de orden cero, lo cual asegura a este respecto un
mejor bloqueo de las repeticiones del espectro y por tanto una mejor reconstruccion.
Observese, sin embargo, que en ciertas frecuencias la amplificacion es superior a T, por
lo que distorsionara la reconstruccion del espectro original que, recordemos, sufre una
atenuacion de T1 en todas las frecuencias. As mismo, puede observarse que la dinamica
es mas compleja que la del mantenedor de orden 0, por lo que en la practica, se suele
utilizar el mantenedor de orden cero en casi todas las aplicaciones de control.
3.7.
Obtenci
on de la funci
on de transferencia pulsada
54
DE LA FUNCION
DE TRANSFERENCIA PULSADA
OBTENCION
Figura 3.21: Respuesta en frecuencia del mantenedor de orden 1 (trazo continuo) comparada con la
del mantenedor de orden 0 (trazo discontinuo).
gk z k .
En el primer paso hay que tener en cuenta que la funcion de transferencia G(s) se
obtiene multiplicando la funcion de transferencia del sistema por la del mantenedor de
orden cero, que es:
1 esT
H(s) =
s
Un procedimiento mas comodo pero menos riguroso sera el siguiente:
G(s)
.
s
55
1 esT 1
s
s+a
=L
L
s(s + a) s(s + a)
s(s + a)
s(s + a)
Notese que en la expresion anterior, las funciones a las que se aplica la antitransformada
son la misma, excepto que la segunda es la primera retrasada un tiempo T ,por lo
que calcularemos la primera expresion y luego le restaremos (ya en el dominio z) la
retrasada. La antitransformada se calcula como:
1
11 1 1
1
1
1
g1 (t) = L
=L
= (1 eat )
s(s + a)
as as+a
a
Luego
1
1 eakT
a
Aplicamos la transformada Z a lo anterior obteniendose (en este caso se pueden usar
directamente las tablas):
1
1 akT 1
z
z
G1 (z) = Z {1} Z e
=
a
a
a z 1 z eaT
{g1k } =
Y usando este resultado se puede calcular la funcion de transferencia pulsada del sistema original:
1
1
1 1 eaT
1
1 z
G(z) = (1 z )G1 (z) = (1 z )
=
a z 1 z eaT
a z eaT
56
DE LA FUNCION
DE TRANSFERENCIA PULSADA
OBTENCION
Captulo 4
An
alisis de sistemas muestreados
4.1.
b0 + b1 z 1 + + bm z m
Y (z)
=
U(z)
1 + a1 z 1 + + an z n
b0 z n + b1 z n1 + + bm z nm Nu (z)
N(z)
Nu (z)
n
n1
z + a1 z
+ + an
Du (z)
(z p1 ) (z pn ) (z pu1 ) (z pum )
57
58
A1
A2
An
Bu1
Bum
+
++
+
++
z p1 z p2
z pn z pu 1
z pu m
(4.2)
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
59
0.8
2.5
0.6
2
0.4
1.5
0.2
0
4
6
0<p<1
10
10
10
p>1
3
2
0.5
1
0
1
2
0.5
4
6
1 < p < 0
10
4
p < 1
Figura 4.1: Evolucion de una secuencia de la forma (4.3) para distintos valores de pi .
60
Si hay un polo fuera del crculo unidad, es decir |pi | > 1, el termino correspondiente
no se amortiguara con lo que el sistema no sera estable.
En el estudio de sistemas continuos el resultado de estabilidad mas conocido establece que un sistema es estable si todos sus polos tienen parte real negativa. Es esto
equivalente al resultado enunciado en la propiedad 4.1? Recuerdese que
z = eTm s
Tomese un punto de la frontera de estabilidad del plano s, es decir un punto en el eje
imaginario del plano s. Estos puntos son los que cumplen que
s = j
es decir con parte real igual a cero. Esto supone que
z = eTm j = 1Tm
es decir, z es un n
umero complejo de modulo unidad y argumento Tm . Por tanto un
punto en la frontera de estabilidad del plano s se transforma en un punto en la frontera
de estabilidad del plano z.
Que ocurre si tenemos un punto en el plano s con parte real distinta de cero ? Ese
punto tendra la forma s = + j, por lo que su correspondencia en el plano z sera
z = eTm s = eTm (+j) = eTm eTm j
lo que implica que
z = eTm Tm
o lo que es lo mismo un n
umero complejo con modulo eTm y argumento Tm . Si
consideramos que es constante y variamos , esto nos da un crculo de radio eTm . Si
es mayor que cero, el punto en el plano s corresponde a la zona inestable. El crculo
correspondiente en el plano z tendra modulo mayor que la unidad, pues eTm > 1 para
> 0. Si es menor que cero, entonces es facil ver que eTm < 1, por que e estara
elevado a un exponente negativo. Por tanto el crculo asociado sera de modulo inferior
a la unidad y por tanto el punto en la region estable del plano s se transformara en
un punto estable en el plano z.
Que ocurre para el caso de s = 0 ? En este caso z = eTm 0 = 1, por lo que se
transforma en z = 1. Esto nos indica que un polo en cero en continuo, es decir un
polo integrador, corresponde a un polo en z = 1 para un sistema en tiempo discreto.
Analogamente es facil ver que si s = , la transformacion correspondiente es z =
0. Finalmente partiendo de estos dos resultados se puede comprobar, que, la parte
negativa del eje real en el plano s (es decir todos los valores reales de s desde s = 0
hasta s = ), se transforma en la parte del eje real del plano z que va desde z = 1
hasta z = 0.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
4.1.1.
61
A(z) = a0 z n + a1 z n1 + + an = 0
El criterio de Jury se basa en la construccion de una tabla, cuyas dos primeras filas
son los coeficientes de A(z) en orden directo e inverso, es decir
a0
an
a1
an1
an1
a1
an
a0
Una tercera fila se calcula restando a los elementos de la primera fila los de la
segunda multiplicados cada uno por n = aan0 , resultando
a0
an
a1
an1
an1
a1
an
a0
a0n1
an1
1
n1
an1
A continuacion se a
nade una cuarta fila formada por los coeficientes de la tercera
fila (excepto el u
ltimo) escritos en orden inverso:
a0
an
a1
an1
an1
a1
an
a0
a0n1
n1
an1
an1
1
an1
n2
n1
an1
a0n1
Una quinta linea se obtiene restando a la tercera fila los elementos de la cuarta
an1
multiplicados por n1 = an1
n1 , obteniendo:
0
62
a0
an
a1
an1
an1
a1
an
a0
a0n1
n1
an1
an1
1
an1
n2
an1
n1
an1
0
a0n2
an2
1
El proceso continuara a
nadiendo una sexta fila formada por los coeficientes de la
quinta (menos el u
ltimo) escritos en orden inverso, etc . . . hasta que al final se obtendra
una tabla con 2n + 1 filas:
a0
an
a1
an1
an1
a1
an
a0
a0n1
n1
an1
an1
1
an1
n2
an1
n1
an1
0
a0n2
n2
an2
an2
1
an2
n3
..
.
a00
En general los elementos de la tabla se calculan mediante la expresion:
ak1
= aki k akki
i
siendo
k =
akk
ak0
Teorema 4.1 Si a0 > 0 entonces el polinomio A(z) tiene todas las raices dentro del
crculo unidad si y solo si todos los ak0 con k = 0, 1, 2, . . . , n 1 son positivos. Ademas,
si ning
un ak0 es cero, entonces el n
umero de valores ak0 negativos es igual al n
umero de
raices de A(z) que estan fuera del crculo unidad.
Corolario 4.1.1 Si todos los ak0 para k = 1, . . . , n 1 (n
otese que se excluye k = 0)
0
son positivos, entonces la condici
on a0 > 0 es equivalente a las condiciones:
A(1) > 0
Estas condiciones son necesarias para la estabilidad, por lo que se pueden usar antes
de formar la tabla.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
63
Ejemplo 4.1
Estabilidad de un sistema de segundo orden generico. Considerese la ecuacion caracterstica:
A(z) = z 2 + a1 z + a2 = 0
Se forma la tabla:
1
a2
a1
a1
a2
1
2 = a2
a22
1
a1 (1 a2 )
1 a22
a21 (1a2 )
1+a2
a1 (1 a2 )
1 a22
0
1 =
a1
1+a2
De esta tabla se desprende que todas las raices estaran en el crculo unidad si
1 a22
1 a22
a21 (1a2 )
1+a2
> 0
> 0
4.2.
En esta seccion se vera los distintos tipos de respuesta transitoria de sistemas discretos en funcion de la posicion de los polos. Como ya se ha visto en la seccion 4.1,
los sistemas cuyos polos esten fuera del circulo unidad son inestables y sus respuestas
transitorias son inestables. Los que esten dentro del circulo unidad seran estables y la
respuesta se amortigua, mas o menos lentamente dependiendo de lo cerca que esten
de la frontera de estabilidad. Los que esten en la frontera de estabilidad produciran
una respuesta oscilatoria estable en el sentido de que permanece acotada pero no se
amortiguara. Las figuras 4.4 y 4.5 muestran las distintos casos para polos en el plano
64
1.5
a2
0.5
0.5
1.5
2.5
2.5
1.5
0.5
0.5
1.5
2.5
a1
s y sus equivalentes en el plano z. Puede observarse que las respuestas la forma de las
respuestas se preserva al muestrear pero tambien como la posicion de los polos cambia.
Por otra parte, es interesante tambien observar como va variando la respuesta impulsional de un sistema en funcion de la localizacion de sus polos. En la figura 4.6 puede
observarse que en el caso de que los polos esten en el eje real, la respuesta impulsional
sera oscilatoria en la parte negativa y no oscilatoria en la parte positiva. Como es logico
fuera del crculo unidad la respuesta es siempre inestable. Por otra parte si los polos son
complejos conjugados en el eje imaginario, puede observarse (ver figura 4.7) que son
siempre oscilatorios, tardandose mas en amortiguar la respuesta conforme se acercan
a la frontera de la region de estabilidad. En el caso de sistemas en los que los polos
sean complejos conjugados y esten dentro del circulo unidad la respuesta sera siempre estable y oscilatoria (ver figura 4.8), salvo en el caso en el que la parte real sea
positiva, en el que conforme la parte imaginaria se hace mas peque
na el caracter oscilatorio disminuye. Finalmente, cuando los polos estan en el cirtulo unidad la respuesta
es oscilatoria y no se amortigua, aunque la frecuencia de las oscilaciones depende de la
posicion de los polos (ver figura 4.9). Fuera del circulo unidad la respuesta impulsional
sera oscilatoria e inestable.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
65
Figura 4.4: Respuestas transitorias correspondientes a la localizacion de varios polos complejos conjugados en el plano s (a). Respuestas transitorias a los correspondientes polos discretos (b).
66
Figura 4.5: Respuestas transitorias correspondientes a la localizacion de varios polos complejos conjugados en los lmites de las franjas periodicas del plano s (c). Respuestas transitorias a los correspondientes polos discretos (d).
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
Figura 4.6: Respuestas ante un impulso para un sistema con un polo en el eje real.
67
68
Figura 4.7: Respuestas ante un impulso para un sistema con polos conjugados en el eje imaginario.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
69
Figura 4.8: Respuestas ante un impulso para un sistema con polos conjugados dentro del circulo
unidad.
70
Figura 4.9: Respuestas ante un impulso para un sistema con polos conjugados en el circulo unidad.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
4.3.
71
Supongase que se aplica al sistema como entrada un escalon unitario, cuya transformada
Z es
z
R(z) =
z1
El error en regimen permanente lo calcularemos como
z
erpescalon = lm zz (1 z 1 )(1 G(z))R(z) = lm z1
(1 G(z)) z1
z
z1
z1
1 z++bm z
= lm(1 G(z)) = 1 lm ba00+b
+a1 z++an z n
z1
= 1
m
P
i=0
n
P
z1
bi
ai
i=0
Ejemplo 4.2
Sea el sistema
G(z) =
0,2
z 0,9
72
Ejemplo 4.3
Sea un sistema de primer orden cualquiera
yk = ayk1 + buk1
determinar las condiciones para que tenga error en regimen permanente nulo frente a
una entrada escalon.
En este caso la funcion de transferencia es
G(z) =
Y el error en regimen permanente sera
erpescalon = 1
luego el error sera cero si b = 1 a.
4.3.1.
b
za
b
1ab
=
1a
1a
El caso mas interesante es el de los errores para sistemas en bucle cerrado. Supongamos un sistema cuya funcion de transferencia en bucle abierto es G(z) y que se coloca
en la configuracion usual de bucle cerrado con realimentacion unitaria. En este caso se
cumple que
Y (z) = G(z)E(z)
donde E(z) = R(z) Y (z)
y de ah se deduce que
E(z) = R(z) G(z)E(z)
E(z) =
1
R(z)
1 + G(z)
z1
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
73
Notese que Kp es en realidad la ganancia estatica del sistema, por lo que seg
un la
expresion anterior a mayor ganancia, menor error en regimen permanente. Por otra
parte si se desea que el error en regimen permanente frente a escalon sea cero, Kp debe
ser infinita. Eso se consigue si G(z) tiene un polo en z = 1. Este tipo de sistemas se
llama sistemas de tipo 1, y de manera mas general se considera la siguiente definicion:
Definici
on 4.1 Se llama tipo de un sistema al n
umero de polos en z = 1 que tiene
dicho sistema.
Notese que un polo en z = 1 se corresponde con un polo en s = 0 para sistemas en
tiempo continuo, por lo que esta definicion es congruente con la que se da para sistemas
continuos.
Veamos a continuacion el error en regimen permanente cuando la entrada es una
rampa. En este caso la transformada Z de la se
nal de entrada es:
R(z) =
zT
(z 1)2
1
(z1)
zT
(z1)G(z)
zT
1
lm (z1)G(z)
zT
1
Kv
z1
donde Kv = lm (z1)G(z)
. Veamos cuanto vale el error en funcion del tipo del sistema.
zT
z1
0
Kv
1
errpparabola
Ka
4.4.
Este resultado tiene como consecuencia que solo una determinada region del plano
s es la que resulta de interes. Esta region conocida como franja primaria es la que
2
esta entre j 2s y j 2s o lo que es lo mismo entre los n
umeros con fase 2T
T = y
(ver figura 4.10). Por encima y por debajo de esa franja tendramos infinitas franjas
complementarias en la que los n
umeros tienen los mismos equivalentes en z que los
correspondientes en la franja primaria.
Centrando la atencion en la franja primaria, considerese la figura 4.11a. Se definen
en ella una serie de puntos de interes en el plano s, de los que veremos cual es su
equivalente en el plano z. Dichos puntos seran:
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
75
1. El punto s = 0 se transforma en z = e0 = 1.
2. El punto s = j 2s se transforma en z = ej
con modulo uno y fase (180 grados).
s
T
2
3. Un punto s = + j 2s se transforma en z = e ej
modulo tendiendo a cero y fase .
s
T
2
4. Un punto s = j 2s se transforma en z = e ej
con modulo tendiendo a cero y fase .
, es decir un n
umero con
s
T
2
, es decir un n
umero
4.4.1.
Otras correspondencias
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
77
}~ } }
Figura 4.12: Lugares de atenuacion constante en el plano s y z.
Lugares de factor de amortiguamiento constante. El factor de amortiguamiento en sistemas continuos de segundo orden esta relacionado con el
denominador de la funcion de transferencia:
D(s) = s2 + 2ns + n2
Los lugares de amortiguamiento constante en el p
plano s son rectas (ver figura
4.14) dadas por s = n T + jd T , donde d = 1 2 n . La transformacion
en z es z = e(n +jd )T , cuyo modulo y fase resulta ser:
2
|z| = e 12 s
z = 2 ds
donde s = 2
. La curva que describen estos n
umeros al variar n se llama espiral
T
logartmica. Dicha curva, representada para frecuencias entre 0 12 s y
diversos valores de , se muestra en la figura 4.15. Para valores de la frecuencia
entre 12 s 0, las curvas son imagenes especulares de 4.15.
Lugares de frecuencia natural n constante. Como se muestra en la figura
4.14 los lugares de frecuencia natural constante en el plano s son crculos perpendiculares a los lugares de amortiguacion constante. La transformacion de s
en z es un mapeo conforme que preserva los angulos entre lugares, por lo que
los lugares de frecuencia natural constante seran tambien perpendiculares en z.
La figura 4.16 muestra ambos lugares en el plano z para diversos valores de y
n . Notese que los lugares para frecuencias entre 21 s 0, tambien son
imagenes especulares de 4.16.
CAPITULO 4. ANALISIS
DE SISTEMAS MUESTREADOS
79
Captulo 5
Dise
no de controladores discretos
5.1.
Introducci
on
DE REGULADORES CONTINUOS
DISCRETIZACION
82
La figura 5.1 muestra como se desarrollan las tareas en cada instante de muestreo k,
teniendo en cuenta que la aplicacion de la se
nal de control no se hace exactamente al
principio del tiempo de muestreo debido al tiempo de calculo de la misma. Normalmente, ese tiempo de calculo se ignora, pero si es importante en relacion al tiempo de
muestreo, lo mas aconsejable sera aumentar el tiempo de muestreo, de manera que los
efectos percibidos en k + 1 sean realmente los debidos a u(k).
Lectura
sensores
Se percibe el
efecto de u(k)
Tiempo de
clculo
k+1
Aplicacin u(k)
5.2.
Discretizaci
on de reguladores continuos
A la hora de dise
nar un controlador en tiempo discreto es frecuente partir de un
controlador continuo obtenido mediante los metodos clasicos y discretizar este u
ltimo,
en lugar de realizar el dise
no directamente en tiempo discreto. El resultado de esta
discretizacion es implementado despues en forma de programa en un computador.
El caso mas com
un (y el que trataremos aqu) es el de los controladores PID, cuya
expresion en tiempo continuo es
Zt
1
de(t)
u(t) = Kp e(t) +
e( )d + Td
Ti
dt
0
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
83
donde u(t) es la entrada que se aplica en el instante t y e(t) = y(t) ref(t), es decir
la diferencia entre la salida y la referencia a seguir en t. Es importante destacar que el
resultado que se obtiene al aplicar la discretizacion es una aproximacion del controlador
original. Para obtener dicha aproximacion se pueden usar diferentes alternativas.
P
Km
0,9
PI K
3m
m
1,2
PID Km 2m 0,5m
donde es la constante de tiempo, m el tiempo muerto y K es la ganancia estatica
del sistema.
5.2.1.
Aproximaci
on rectangular hacia delante (Euler I)
e( )d =
k1
X
i=0
e(i)T =
k1
X
T ei
i=0
Esta aproximacion se ilustra en la figura 5.2, en la que la suma del area de los rectangulos sombreados sera la aproximacion de la integral.
Sustituyendo estas expresiones en la ley de control PID queda:
!
k1
T X
Td
uk = Kp ek +
ei +
(ek ek1 )
Ti i=0
T
Notese que esta expresion puede ser retrasada en el tiempo de manera que:
!
k2
T X
Td
uk1 = Kp ek1 +
ei +
(ek1 ek2 )
Ti i=0
T
DE REGULADORES CONTINUOS
DISCRETIZACION
84
T
e(t)
K-1
q0 = Kp 1 + TTd
q1 = Kp 1 2 TTd +
q2 = Kp TTd
T
Ti
(5.1)
U(z)
q0 + q1 z 1 + q2 z 2
=
E(z)
1 z 1
(5.2)
Repetir:
1. Esperar a que se cumpla el tiempo de muestreo T .
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
85
2. Leer yk .
3. Calcular ek = rk yk .
4. Calcular uk seg
un la expresion (5.1).
5. Aplicar uk .
6. Actualizar uk1, ek1 , ek2 .
Como se comprobara en la seccion 5.3 la aproximacion de la integral vista en esta
seccion equivale a aplicar la siguiente sustitucion:
z1
s,
T
5.2.2.
Aproximaci
on rectangular hacia atras (Euler II)
e( )d =
k
X
e(i)T =
i=1
k
X
T ei
i=1
e(t)
K-1
k
T X
Td
ek +
ei +
(ek ek1 )
Ti i=1
T
DE REGULADORES CONTINUOS
DISCRETIZACION
86
y de ah a:
uk uk1 = q0 ek + q1 ek1 + q2 ek2
con
q0 = Kp 1 +
T
Ti
q1 = Kp 1 2 TTd
q2 = Kp TTd
Td
T
5.2.3.
Tz
z1
Aproximaci
on bilineal (trapezoidal o Tustin)
k
X
X ei + ei1
e(i) e(i 1)
)T =
T
e( )d =
(e(i 1 +
2
2
i=1
i=1
T
e(t)
K-1
Como en los casos anteriores se llega a un resultado igual en forma, pero variando
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
87
Td
T
= Kp 1 + 2Ti + T
Td
T
2
= Kp 2T
T
i
q2 = Kp TTd
Como se vera en la seccion siguiente, esta aproximacion se corresponde con una sustitucion de s por
2 z1
s,
T z+1
Ejemplo 5.1
Sea el sistema:
G(s) =
1 0,1s
e
s+1
Se dise
na un PID en tiempo continuo usando las reglas de Ziegler-Nichols, siendo los
parametros resultantes Kp = 2,4, Ti = 0,2 y Td = 0,05. La figura 5.5 muestra la
simulacion de dicho PID al aplicar un escalon unitario a la entrada del sistema.
1.5
0.5
10
10
5
4
3
2
1
0
Figura 5.5: PID continuo usado con el sistema del ejemplo 5.1.
88
1.5
2
1.5
1
0.5
0.5
0
10
-1
10
10
10
Figura 5.6: PID discretizado mediante Euler I (izquierda) y Tustin (derecha) usado con el sistema del
ejemplo 5.1.
5.3.
En la seccion 5.4 se comprobara que esto no tienen por que ser siempre as.
(5.3)
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
89
y de ah
du(t)
= au(t) + ae(t)
dt
Integrando la expresion anterior podemos obtener el valor de u(kT ):
u(kT ) =
=
kT
R
du(t)
dt
dt
0
(k1)T
R
0
du(t)
dt
dt
kT
R
= u((k 1)T ) +
(k1)T
kT
R
du(t)
dt
dt
(5.4)
(au(t) + ae(t)) dt
(k1)T
= u((k 1)T ) + A
e(t)
A
de la integral.
5.3.1.
En este caso se cumple que u(t) = u((k 1)T ) en todo el intervalo de integracion
de A por lo que:
A=
ZkT
(k1)T
90
a
+a
z1
T
z1
T
o tambien
z , Ts + 1
5.3.2.
a
1z 1
T
+a
1 z 1
z1
=
T
zT
o tambien
z,
5.3.3.
1
1 Ts
Trapezoidal o Bilineal
(k 1)T t kT
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
91
uk + uk1
2
+ aT
ek + ek1
2
aT
2
(1z 1 )
+ aT
(1+z 1 )
2
a
2 (z1)
T (z+1)
+a
2 (z 1)
T (z + 1)
o tambien
1+
z,
1
Ts
2
Ts
2
Ejemplo 5.2
Describir un algoritmo que corresponda a un controlador que aproxime al controlador
en tiempo continuo:
1
Gc (s) = 2
s + 2s + 1
de forma discreta con un tiempo de muestreo de T = 0,1 segundos mediante la Euler
hacia delante.
La aproximacion es:
s,
z1
T
1
= z2 2z+1 1 2z2
+ T +1
+2 z1
+1
T
T2
1
1
= 100z 2 180z+81
100z 2 200z+100+20z20+1
( z1
T )
92
G(z) =
resultando en este caso:
c (z) =
G
0,01z 2
1 1,8z 1 + 0,81z 2
y de ah se obtiene que:
uk = 1,8uk1 0,81uk2 + 0,01ek2
(5.5)
Ejemplo 5.3
Sea el sistema:
G(s) =
1
10s + 1
100s + 10
10s
Se pide discretizarlo usando la equivalencia entre s y z cuando se usa la aproximacion
bilineal. En este caso:
2 (z 1)
s,
T (z + 1)
C(s) =
por lo que:
C(z) =
100 T2 (z1)
+ 10
(z+1)
10 T2 (z1)
(z+1)
( 200
+ 10)z + (10
T
20
z 20
T
T
200
)
T
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
93
10,05z 9,95
z1
U(z)
10,05 9,95z 1
=
,
E(z)
1 z 1
11
0.9
10
9
0.8
0.7
7
0.6
6
0.5
5
0.4
0.3
0.2
0.1
10
15
10
15
5.4.
94
Figura 5.10: Transformacion en el plano z de la region de estabilidad del plano s al aplicar la aproximacion rectangular hacia delante (sombreada).
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
95
pero desplazada en una unidad hacia el semiplano derecho, tal y como muestra
la figura 5.10. Es muy significativo que la transformacion en el plano z incluye
la region de estabilidad del plano z pero tambien un infinito puntos del plano z
fuera de dicha region, por lo que un controlador estable en el plano s no tiene
por que resultar en un controlador estable en el plano z cuando se aplica esta
aproximacion.
2. Bilineal o Trapezoidal. La sustitucion era:
Ts
2
Ts
2
1+
z,
1
Teniendo en cuenta que s = j, se obtiene:
z,
1+
1
jT
2
jT
2
1 + jT
1+
2 T 2
4
2 T 2
4
1
1+
2 T 2
4
2 T 2
4
T
2 2 j
1 + 4T
1
1+
2 T 2
4
2 T 2
4
y=
T
2 2
1 + 4T
Se comprueba que
x2 + y 2 = 1
Esta region describe un circulo de radio uno centrado en el origen en el plano z
(ver figura 5.11) que es precisamente la region de estabilidad en el plano z. Esto
implica que un controlador estable en el plano s se corresponde con un controlador
estable en el plano z (y viceversa) cuando se aplica esta aproximacion.
3. Rectangular hacia atr
as. La sustitucion para esta aproximacion implicaba
que:
1
1
1
1
1 1 1 + Ts
z,
= +
= +
1 Ts
2 1 Ts 2
2 2 1 Ts
96
Figura 5.11: Transformacion en el plano z de la region de estabilidad del plano s al aplicar la aproximacion bilineal (sombreada).
0,5
Figura 5.12: Transformacion en el plano z de la region de estabilidad del plano s al aplicar la aproximacion rectangular hacia atras (sombreada).
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
97
s2
1
+s+4
(5.6)
z2
0,09
1,7z + 1,06
En la figura 5.13 se observa la simulacion del sistema continuo y de las tres aproximaciones. Puede verse como las aproximaciones de Tustin y Euler hacia atras resultan
en un sistema estable, como es de esperar, mientras que la de Euler hacia adelante
transforma un sistema continuo estable en uno discreto inestable.
0.4
0.7
0.35
0.6
Euler Atrs
0.5
0.3
0.4
0.25
0.3
0.2
Tustin
0.15
0.2
0.1
0.1
0.05
-0.1
Euler
Adelante
-0.2
0
0
10
12
DIRECTO
METODO
DE DISENO
98
5.5.
M
etodo de dise
no directo
En esta seccion se vera una alternativa a la discretizacion de controladores continuos, el metodo de dise
no directo o metodo de Ragazzini-Truxal. Este metodo se
basa en dise
nar el controlador directamente en tiempo discreto, imponiendo una serie
de condiciones a su funcion de transferencia y la funcion de transferencia de bucle
cerrado.
El principio tras el metodo directo es que habitualmente se tienen unas especificaciones de dise
no que debe cumplir el sistema en bucle cerrado. En base a esas
especificaciones es posible obtener por tanto la funcion de transferencia de bucle cerrado deseada, Gd (z). Por otra parte se sabe que seg
un la configuracion clasica de control
realimentado la funcion de transferencia de bucle cerrado sera:
Gd (z) =
C(z)G(z)
1 + C(z)G(z)
1
Gd (z)
G(z) 1 Gd (z)
(5.7)
5.5.1.
Causalidad
Nc (z)
Dc (z)
entonces
grado(Nc (z)) grado(Dc (z))
2
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
99
b0 z m + b1 z m1 + + bm
U(z)
= n
E(z)
z + a1 z n1 + + an
D(z) Dd (z)
Nd (z)
Nc (z)
D(z)
C(z) =
=
=
N
(z)
N(z) 1 d
N(z) Dd (z) Nd (z)
Dc (z)
Dd (z)
(5.8)
5.5.2.
Estabilidad Interna
DIRECTO
METODO
DE DISENO
100
Nc (z) N(z)
=0
Dc (z) D(z)
que equivale a
Dc (z)D(z) + Nc (z)N(z) = 0
(5.9)
D(z) = (z )D(z)
donde || > 1
c (z),
Si lo cancelamos con un cero en el numerador de C(z), es decir Nc (z) = (z )N
entonces teniendo en cuenta (5.9) la ecuacion caracterstica sera:
c (z)N(z) = (z ) Dc (z)D(z)
c (z)N(z) = 0
Dc (z) (z )D(z)
+ (z )N
+N
Es decir, la ecuacion caracterstica tiene una raiz inestable, lo que implica que uno de
los polos de bucle cerrado es inestable. El mismo analisis se podra repetir para los
ceros inestables de G(z).
El analisis anterior se refuerza por el hecho de que si bien es posible que analticamente se pueda cancelar un cero inestable con un polo inestable y viceversa, en la
practica por cambios y tolerancias en la dinamica de la planta o del controlador es
muy dificil lograr tal cancelacion o mantenerla en el tiempo. Por lo tanto se acabara
teniendo un cero y un polo inestable.
Veamos como se concretan estas ideas. Como se tiene que:
C(z) =
D(z) Gd (z)
N(z) 1 Gd (z)
1. Todos los polos inestables de G(z) deben aparecer como ceros de 1 Gd (z). La
razon de esto es para evitar que en Nc (z) no aparezcan los polos inestables de
G(z), que si se cumple esta condicion seran cancelados por 1 Gd (z).
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
101
2. Todos los ceros inestables de G(z) deben aparecer como ceros de Gd (z). Cumpliendose
esta condicion se evita que en Dc (z) aparezcan los ceros inestables de G(z), que
seran anulados por Gd (z).
Notese que estas condiciones se imponen sobre Gd (z) y no sobre G(z), que evidentemente viene dada por el proceso y no se puede modificar.
5.5.3.
Errores en r
egimen permanente
Dependiendo de la referencia que se desee seguir con error en regimen permanente nulo
se tendran diferentes condiciones a imponer sobre Gd (z):
1. Error en r
egimen permanente nulo ante referencia escal
on: En este caso
R(z) =
z
z1
por lo que
erp = lm (z 1)(1 Gd (z))
z1
z
= lm z(1 Gd (z)) = 1 Gd (1)
z 1 z1
Tz
0
=
2
(z 1)
0
DIRECTO
METODO
DE DISENO
102
Este lmite se resolvera usando la regla de LHopital. En cualquier caso, si previamente se ha impuesto la condicion anterior, Gd (1) = 1 o lo que es lo mismo
lm Gd (z) = 1, se cumple que:
z1
erp = lm T
z1
d
(1
dz
d
(z
dz
Gd (z))
dGd (z)
= T
dz z=1
1)
por que el error en regimen permanente ante rampa y escalon sera nulo si
Gd (1) = 1
d (z)
T dGdz
= 0
z=1
Ejemplo 5.5
Sea
1
z+2
Se pide hallar el controlador C(z) tal que el sistema en bucle cerrado tenga sus polos
en z = 0 y z = 0,8 y que el error en regimen permanente ante escalon sea cero.
G(z) =
En primer lugar se vera que forma ha de tener Gd (z). Se ha de cumplir que el exceso
de polos sobre ceros de Gd (z) sea mayor o igual que el de G(z), que en este caso es 1.
Por tanto, Gd (z) tendra como forma:
Gd (z) =
b0 z + b1
z(z 0,8)
De esta forma ya estan especificados los polos y se cumple que el exceso de polos es
igual.
En segundo lugar hay que imponer las condiciones de estabilidad interna. G(z) tiene
un polo inestable en z = 2 por lo que 1 Gd (z) tiene que tener un cero en z = 2.
Calcularemos primero 1 Gd (z):
1 Gd (z) = 1
b0 z + b1
z(z 0,8) b0 z b1
=
z(z 0,8)
z(z 0,8)
2(2 0,8) + b0 2 b1
=0
2(2 0,8)
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
103
(5.10)
(5.11)
b1 = 2
2(0,9z + 1)
1,8z + 2
=
z(z 0,8)
z(z 0,8)
1
Gd (z)
2(1 0,9z)
2(z 1 0,9)
z(z0,8)
C(z) =
= (z + 2)
=
=
G(z) 1 Gd (z)
(z 1)
1 z 1
1 2(0,9z+1)
z(z0,8)
Luego
C(z) =
Por tanto:
U(z)
2(z 1 0,9)
=
E(z)
1 z 1
5.6.
Control en un n
umero finito de intervalos. Control dead-beat
a0 z N + a1 z N 1 + + aN
zN
104
CONTROL EN UN NUMERO
FINITO DE INTERVALOS. CONTROL DEAD-BEAT
donde N es mayor o igual que el orden del sistema n. Notese que en esta Gd (z) todos
los polos de bucle cerrado estan en z = 0. En esta configuracion el error llega a 0 en N
tiempos de muestreo y el tiempo de asentamiento es t = N T , donde T es el tiempo
de muestreo.
Es habitual que N tome el valor mnimo posible, es decir N = n. En este tipo
de control, llamado dead-beat el u
nico parametro de dise
no es el tiempo de muestreo.
Si tomamos un tiempo de muestreo muy peque
no la magnitud de la se
nal de control
aumenta drasticamente y el sistema puede sobreoscilar mucho.
Veremos como se dise
na el controlador en este caso, partiendo de que Gd (z) sera
Gd (z) =
Nd (z)
zN
Gd (z)
D(z)
1
=
G(z) 1 Gd (z)
N(z)
Nd (z)
zN
z N Nd (z)
zN
D(z) Nd (z)
N(z) z N Nd (z)
(5.12)
Por otra parte la funcion de transferencia entre la referencia y la salida del controlador
(z)
Gu (z) = UR(z)
debe tener tambien una respuesta impulsional finita, de manera que
Gu (z) =
U(z)
U(z) Y (z)
1
=
=
Gd (z)
R(z)
Y (z) R(z)
G(z)
D(z) Nd (z)
N(z) z N
podemos tomar
Nd (z) = M(z)N(z)
donde M(z) nos da mas grados de libertad. Sabiendo entonces que Nd (z) = M(z)N(z),
se lleva a (5.12) de manera que
C(z) =
D(z) M(z)N(z)
D(z)M(z)
= N
N
N(z) z M(z)N(z)
z M(z)N(z)
Siendo una condicion es que el error en regimen permanente ante escalon sea nulo,
se puede elegir M(z) de manera que Gd (1) = 1 es decir
Gd (z) =
M(z)N(z)
1
1
M(1) N(1) = 1 M(1) =
=P
N
z
N(1)
bi
DE CONTROLADORES DISCRETOS
CAPITULO 5. DISENO
1
m= P
105
bi
D(z) m
z N m N(z)
Ejemplo 5.6
Sea
G(z) =
b0 z + b1
(z a)
1
(z a) b0 +b
1
z1
1
(b z
b0 +b1 0
+ b1 )
1
(1 az 1 ) b0 +b
1
1
(b
b0 +b1 0
+ b1 z 1 )
(1 az 1 )
b1 (1 z 1 )
106
CONTROL EN UN NUMERO
FINITO DE INTERVALOS. CONTROL DEAD-BEAT
Captulo 6
Control de sistemas discretos en el
espacio de estados
6.1.
Representaci
on de sistemas discretos en el espacio de estados
Definici
on 6.1 Concepto de estado: El estado de un sistema din
amico es el conjunto mas peque
no de variables (llamadas variables de estado) tal que, el conocimiento
de esas variables en un determinado instante t0 junto con el conocimiento de los valores
de la se
nal de entrada para los instantes t t0 , permite determinar el comportamiento
y evolucion del sistema para cualquier instante de tiempo t t0 .
Las variables de estado se agrupan en el llamado vector de estado y el espacio ndimensional que determinan los posibles valores de esas variables, se denomina espacio
de estados.
La dinamica de un sistema se puede describir en funcion del valor del vector de
estados y de la se
nal de entrada (asumiendo que el sistema es no aut
onomo mediante
107
DE LA REPRESENTACION
DE EN ESPACIO DE ESTADOS DE SISTEMAS DISCRETOS
108OBTENCION
(6.1)
u(k)
x(k+1)
+
z-1
x(k)
G
Figura 6.1: Diagrama de bloques de la representacion en espacio de estados de un sistema LTI.
6.2.
Obtenci
on de la representaci
on de en espacio
de estados de sistemas discretos
(6.3)
A continuacion se expondran dos de los metodos disponibles para obtener la representacion en espacio de estados del sistema descrito por (6.3).
6.2.1.
109
M
etodo de programaci
on directa
Y (z)
U (z)
(6.4)
se obtiene:
(6.5)
(6.6)
con:
Y (z)
U(z)
=
(b1 a1 b0 )z 1 + + (bn an b0 )z n
1 + a1 z 1 + + an z n
(6.8)
De ah se obtiene que:
Q(z) = a1 z 1 Q(z) a2 z 2 Q(z) an z n Q(z) + U(z)
(6.9)
(n1)
Q(z)
Xn (z) = z 1 Q(z)
lo que teniendo en cuenta las propiedades de la transformada Z, implica que:
zX1 (z) = X2 (z)
zX2 (z) = X3 (z)
(6.11)
DE LA REPRESENTACION
DE EN ESPACIO DE ESTADOS DE SISTEMAS DISCRETOS
110OBTENCION
(6.12)
x2 (k + 1) = x3 (k)
xn1 (k + 1) = xn (k)
Notese que seg
un la u
ltima igualdad de (6.11) se tiene que Q(z) = zXn (z), luego
teniendo en cuenta esto y el resto de las igualdades de (6.11) podemos reescribir la
expresion de Q(z) en (6.9) como:
zXn (z) = a1 Xn (z) a2 Xn1 (z) an X1 (z) + U(z)
(6.13)
o lo que es lo mismo:
xn (k + 1) = an x1 (k) an1 x2 (k) a1 xn (k) + u(k)
(6.14)
0
x1 (k)
0
1
0
0
x1 (k + 1)
x2 (k + 1) 0
0
1
0 x2 (k) 0
..
..
..
..
..
..
..
+
=
u(k)
.
.
.
.
.
.
.
xn1 (k + 1) 0
0
0
1 xn1 (k) 0
1
xn (k)
an an1 an2 a1
xn (k + 1)
(6.15)
Por otra parte, podemos reescribir tambien (6.10) teniendo en cuenta las igualdades
de (6.11) de manera que:
Y (z) = (b1 a1 b0 )Xn (z) + (b2 a2 b0 )Xn1 (z) + + (bn an b0 )X1 (z)
(6.16)
y(k) =
bn an b0 bn1 an1 b0
x1 (k)
x2 (k)
..
.
b1 a1 b0
xn1 (k)
xn (k)
+ b0 u(k)
(6.18)
Las ecuaciones (6.15) y (6.18) forman una representacion en espacio de estados del
sistema descrito por la funcion de transferencia (6.3) que se denomina forma canonica
controlable.
6.2.2.
111
M
etodo de programaci
on anidada
(6.19)
(6.20)
(6.21)
Xn1 (z) = z
..
.
(6.22)
Sustituyendo esta expresion en la definicion de las variables de estado (6.21) y multiplicando por z en ambos lados de cada igualdad se obtiene:
zXn (z) = Xn1 (z) a1 Xn (z) + (b1 a1 b0 )U(z)
Antitransformando lo anterior:
x1 (k + 1) = an xn (k) + (bn an b0 )u(k)
(6.23)
112
LA REPRESENTACION
x1 (k + 1)
0
x2 (k + 1)
1
.
..
= ..
.
xn1 (k + 1)
0
xn (k + 1)
0
0 0 0 an
0 0 0 an1
..
.. ..
..
.
. .
.
0 1 0 a2
0 0 1
a1
x1 (k)
x2 (k)
..
y(k) =
0 0 0 1
.
xn1 (k)
xn (k)
(6.24)
se obtiene:
x1 (k)
bn an b0
xn1 (k)
b2 a2 b0
xn (k)
b1 a1 b0
+ b0 u(k)
u(k)
(6.25)
6.3.
La representaci
on en espacio de estados de un
sistema no es u
nica
113
x(k + 1) = G
(6.27)
= P 1 GP y H
= P 1 H. De la misma manera la ecuacion, de la salida del
con G
sistema se puede expresar como:
(6.28)
6.4.
Resoluci
on de las ecuaciones del espacio de estados
6.4.1.
Procedimiento recursivo
Iterando las ecuaciones del estado para un sistema LTI como (6.1) a partir de k = 0:
x(1) = Gx(0) + Hu(0)
x(2) = Gx(1) + Hu(1) = G2 x(0) + GHu(0) + Hu(1)
x(3) = Gx(2) + Hu(2) = G3 x(0) + G2 Hu(0) + GHu(1) + Hu(2)
..
.
generalizando para cualquier k > 0:
k
x(k) = G x(0) +
k1
X
Gkj1Hu(j)
(6.29)
j=0
Observese que en la ecuacion (6.28) el estado aparece con , indicando que el vector de estados
es diferente al original. La salida sin embargo si coincide con la del sistema original pues ambas
representaciones son equivalentes.
114
Observese que x(k) depende del estado inicial y de los valores de la entrada. Por otra
parte, la salida se puede expresar como:
y(k) = CGk x(0) + C
k1
X
Gkj1Hu(j) + Du(k)
(6.30)
j=0
6.4.2.
Matriz de transici
on de estados
Considerese la ecuacion:
x(k + 1) = Gx(k)
(6.31)
(0) = I
es decir:
(k) = Gk
A (k) se le llama la matriz de transicion de estados y contiene toda la informacion
sobre los movimientos libres del sistema descrito por (6.31). Estos movimientos libres
se refieren a los cambios de estado o evolucion del estado del sistema en ausencia de
entrada.
En terminos de (k) la solucion de la ecuacion de estados para el sistema (6.1)
viene dada por:
x(k) = (k)x(0) +
k1
X
j=0
= (k)x(0) +
k1
X
j=0
(k j 1)Hu(j)
(6.32)
(j)Hu(k j 1)
lo que lleva a:
y(k) = C(k)x(0) + C
k1
X
j=0
(j)Hu(k j 1) + Du(k)
(6.33)
6.4.3.
115
M
etodo basado en la transformada Z
k1
X
j=0
Gkj1Hu(j) = Z1 (zI G)1 HU(z) (6.34)
0
1
0,16 1
H=
1
1
C=
1 0
z
1
0,16 z + 1
"
z+1
(z+0,2)(z+0,8)
0,16
(z+0,2)(z+0,8)
"
1
4 1
13 z+0,8
3 z+0,2
1
1
0,8
+ 0,8
3 z+0,2
3 z+0,8
1
(z+0,2)(z+0,8)
z
(z+0,2)(z+0,8)
5 1
1
53 z+0,8
3 z+0,2
1
1
13 z+0,2
+ 43 z+0,8
(6.35)
116
z
z
z
z1
z
z1
"
z2
z1
z 2 +2z
z1
17
(0,2)k + 22
(0,8)k +
6
9
3,4
(0,2)k 17,6
(0,8)k +
6
9
25
18
7
18
6.4.3.1.
Se observa en el ejemplo 1.1 que gran parte del calculo se emplea en calcular (zI
G) . Esto puede ser muy engorroso cuando el orden de las matrices involucradas es
superior a 3. A continuacion se detalla un procedimiento alternativo para esos casos.
En primer lugar es conocido que, por definicion de matriz inversa:
1
(zI G)1 =
Adj(zI G)
|zI G|
117
Adj(zI G) = Iz + H1
donde:
a1 = traza(G)
a2 = 12 traza(GH1 )
H1 = G + a1 I
118
1
1
Adj(zI G) = Iz +
0,16 0
z+1 1
=
0,16 z
Finalmente:
(zI G)1
z+1 1
0,16 z
=
(z + 0,2)(z + 0,8)
6.5.
Discretizaci
on de las ecuaciones de estado continuas
(6.37)
(6.38)
donde puede observarse que las matrices G y H dependen del tiempo de muestreo T .
Para determinar el valor de G(T ) y H(T ) usaremos la solucion de la ecuacion de estado
en tiempo continuo:
At
At
x(t) = e x(0) + e
eA Bu( )d
(6.39)
para
kT t kT + T
(6.40)
119
Se tiene que:
A(k+1)T
x((k + 1)T ) = e
A(k+1)T
x(0) + e
(k+1)T
eA Bu( )d
(6.41)
AkT
x(kT ) = e
AkT
x(0) + e
kT
eA Bu( )d
(6.42)
donde = T . Sea:
G(T ) = eAT
R T A
H(T ) =
e d B
0
(6.45)
(6.46)
que es la ecuacion a la que tenamos que llegar y por tanto se ha obtenido la ecuacion
de estado continuo discretizada.
En el caso particular (aunque muy com
un, y por tanto interesante) de que A sea
una matriz invertible se tiene que:
H(T ) = eAT I A1 B
Por otra parte, la ecuacion de la salida al ser discretizada queda:
y(kT ) = Cx(kT ) + Du(kT )
(6.47)
120
s 0
0 s
0 1
0 2
s 1
0 s+2
1
s
1
s(s+2)
1
(s+2)
Ejemplo 6.4
Como ejemplo de discretizacion de las ecuaciones de estado en tiempo continuo, considerese el siguiente sistema:
x = ax + u
y = x
Usando las expresiones de (6.45) se obtiene:
G(T ) = eAT
= eaT
y
H(T ) =
=
=
R
T A
e d B
0
R
T a
e
d
0
1eaT
a
121
Luego:
x(k + 1) = eaT x(k) +
y(k) = x(k)
6.6.
1eaT
a
u(k)
Controlabilidad y Observabilidad
6.6.1.
Controlabilidad
Definici
on 6.2 Un sistema dinamico es completamente controlable o de estado completamente controlable, si es posible transferir al sistema desde un estado inicial arbitrario a cualquier estado deseado en un tiempo finito. Tambien puede decirse que
sera completamente controlable, si cada variable de estado se puede controlar en un
tiempo finito por una se
nal de control que no este sujeta a ning
un tipo de restriccion.
n1
X
j=0
Gnj1Hu(jT )
122
CONTROLABILIDAD Y OBSERVABILIDAD
x(nT ) G x(0) =
.
.
.
H .. GH .. .. Gn1 H
donde la matriz
Mc =
.
.
.
H .. GH .. .. Gn1 H
u((n 1)T )
u((n 2)T )
..
.
u(0)
i
(6.50)
(6.51)
6.6.2.
123
(6.52)
(6.54)
sera:
.
.
.
..
. CH .. CGH .. .. CGn1 H
io
=m
(6.55)
Notese que en esta segunda forma de la ecuacion de salida, la presencia del termino
Du(kT ) no empeora la controlabidad del sistema, sino justo lo contrario. De hecho, al
introducirse una columna extra en la matriz de controlabilidad (la correspondiente a
D), se puede dar el caso que se pase de tener m1 columnas linealmente independientes
a tener m, por lo que se lograra la controlabilidad de la salida. Dicho de otra manera,
encontrar m vectores linealmente independientes siempre sera igual o mas facil entre
n + 1 vectores que entre solo n de esos vectores.
6.6.3.
Observabilidad
(6.56)
Definici
on 6.3 El sistema autonomo (6.56) es completamente observable si todo estado inicial x(0) se puede determinar de la observaci
on de y(kT ) durante un n
umero
finito de intervalos de muestreo. Para que ello ocurra, cada transici
on del estado debe
afectar a todos los elementos del vector de salida.
124
CONTROLABILIDAD Y OBSERVABILIDAD
n1
.
.
.
Rango
=n
(6.57)
C . G C . . (G ) C
donde indica la conjugada traspuesta de una matriz y a la matriz que aparece en la
condicion se la llama matriz de observabilidad.
Por otra parte, de una manera analoga a la de la controlabilidad, la observabilidad
de un sistema a partir de su funcion de transferencia se puede asegurar si esta no
presenta cancelaciones de polos y ceros.
125
6.6.4.
Principio de Dualidad
(6.59)
6.7.
Transformaci
on de un sistema en formas can
onicas
(6.60)
Notese que los sistemas S1 y S2 son diferentes, es decir, S2 no es una representacion alternativa
de S1 .
TRANSFORMACION
126
6.7.1.
Obtenci
on de la forma can
onica controlable
M=
.
.
.
H .. GH .. .. Gn1 H
W =
an1 an2
an2 an3
..
..
.
.
a1
1
1
0
a1
1
..
.
0
0
1
0
..
.
0
0
donde los coeficientes ai son los coeficientes de la ecuacion caracterstica del sistema,
es decir:
|zI G| = z n + a1 z n1 + + an1 z + an = 0
Se define el estado x(k) en funcion de la transformacion de otro vector de estados x(k):
x(k) = T x(k)
Entonces el sistema:
x(k) + Hu(k)
x(k + 1) = G
y(k) = Cx(k)
+ Du(k)
(6.61)
= T 1 GT , H
= T 1 H, C = CT , D
= D esta en forma canonica controlable.
con G
6.7.2.
Obtenci
on de la forma can
onica observable
..
.
.
. G C .. .. (G )n1 C
= Q1 GQ, H
= Q1 H, C = CQ, D
= D y defnase el estado x(k) como
Sea G
x(k) = Q
x(k). Entonces el sistema (6.61) esta en forma canonica observable.
6.8.
127
Colocaci
on de polos mediante realimentaci
on
del vector de estados
En esta seccion se presentara una estrategia de control que permite elegir la situacion
de los polos de bucle cerrado del sistema, mediante la realimentacion lineal del vector
de estados. Se vera que la condicion necesaria para que esto se pueda conseguir es que
el sistema sea controlable. Por otra parte, se asumira que todas las variables de estados
son accesibles, es decir, podemos medirlas directamente sin tener que estimarlas por
otros procedimientos.
6.8.1.
Condici
on necesaria y suficiente para la colocaci
on arbitraria de polos
x(k+1)
z-1
x(k)
G
u(k)
-K
Figura 6.2: Diagrama de bloques de un sistema controlado por una realimentacion del vector de
estados.
6.8.2.
Sean 1 ,2 , ,n los valores deseados para los polos de bucle cerrado, es decir,
para los autovalores de (G HK). Aquellos que sean complejos siempre iran por pares
conjugados. La ecuacion caracterstica del sistema en bucle abierto es:
|zI G| = z n + a1 z n1 + + an = 0
Se define una matriz de transformacion T = MW exactamente igual que la matriz
de transformacion necesaria para obtener la forma canonica controlable descrita en la
seccion 6.7.1. Se obtiene:
0
0
1
0
0
0
0
0
1
0
.
.
.
.
1
1
.
.
.
.
T H = H = ...
T GT = G = .
.
.
.
0
0
0
0
1
1
an an1 an2 a1
Se define a continuacion:
= KT =
K
Entonces:
HK =
0
0
..
.
n n1 1
0
0
..
.
0
0
..
.
0
0
..
.
n n1 1 =
0
0
1
n n1 1
129
1
0
0
0
1
0
0
0 1 0 0
0
1
0
.. ..
.
.
.
.
.
.
.
.
.
.
= z . .
.
.
.
.
.
0 0 0 0
0
0
1
a an1 an2 a1
0 0 1
n
0
0 0
0
0 0
..
..
+ ...
.
.
0 0
n n1 1
z
1
0
0
z
0
.
.
.
.
.
.
=
.
.
.
0
0
1
an + n an1 + n1 z + a1 + 1
= z n + (a1 + 1 )z n1 + + (an1 + n1 )z + (an + n ) = 0
A su vez, la ecuacion caracterstica correspondiente a los autovalores deseados sera:
(z 1 )(z 2 ) (z n ) = z n + 1 z n1 + 2 z n2 + + n1 + n = 0
Igualando los coeficientes de ambas ecuaciones caractersticas:
1 = a1 + 1
2 = a2 + 2
..
.
n = an + n
se obtiene la siguiente expresion para K:
1
K = KT
= h n n1 1 T 1
i
..
.. ..
1
=
n an .n1 an1 . .1 a1 T
(6.62)
que coloca los polos de bucle cerrado del sistema en los valores deseados. Notese
que si el sistema en bucle abierto viene dado en forma canonica controlable, se verifica
que T = I = T 1 .
6.8.2.1.
Procedimiento alternativo: la f
ormula de Ackermann
Existen otros procedimientos alternativos para el calculo de la matriz K. Aqu mencionaremos uno muy conocido, el que emplea la formula de Ackermann. Seg
un esto, la
expresion para K tomara la forma:
i1
h
..
..
..
n1
K = 0 0 0 1
(G)
H . GH . . G H
donde:
(G) = Gn + 1 Gn1 + + n1 G + n I
Los coeficientes i se calcularan como en el apartado anterior.
Finalmente, otro procedimiento que puede ser u
til para sistemas de bajo orden
consiste en tomar
K = k1 k2 kn
plantear la ecuacion caracterstica en funcion de los ki :
|zI G + HK| = 0
e igualar a los coeficientes de
z n + 1 z n1 + 2 z n2 + + n1 + n = 0
6.8.3.
Control Dead-Beat
Este es un tipo de control que resulta ser un caso particular del control por colocacion de polos.
Definici
on 6.4 Dado un sistema LTI, entenderemos como control dead-beat aquel que
consigue llevar el estado a cero en como m
aximo n intervalos de muestreo, donde n es
el orden del sistema.
Para obtener este tipo de control se deben especificar los polos de bucle cerrado conforme a lo que se establece en el siguiente lema.
Lema 6.3 Se demuestra que si se escogen los polos de bucle cerrado de manera que
esten todos en el origen (es decir, todos los autovalores de (G HK) igual a cero) se
consigue un control dead-beat.
131
Esto se lleva a la practica con una matriz de realimentacion del vector de estados
calculada mediante:
K = an an1 a1 T 1
Este tipo de control no goza de una reputacion excesivamente favorable porque habitualmente se precisa de una se
nal de control de amplitud muy grande para obtener la
respuesta dead-beat. De hecho en este tipo de control, el u
nico parametro de dise
no
que se ha de elegir es el tiempo de muestreo. Si este es muy peque
no, los n intervalos
de muestreo supondran un tiempo total muy corto, de manera que para llevar el estado
a cero partiendo de un estado inicial arbitrario se precisara un valor muy alto de la
se
nal.
Ejemplo 6.5
Sea un sistema
x(k + 1) = Gx(k) + Hu(k)
con
G=
0
1
0,16 1
H=
0
1
Se desea determinar una matriz K, tal que los polos de bucle cerrado sean el par
complejo conjugado z = 0,5 j0,5.
En primer lugar hay que determinar la controlabilidad del sistema. Para ello, se
forma la matriz de controlabilidad:
h
i 0 1
..
H . GH = 1 1
cuyo rango es igual a dos (basta comprobar que su determinante es distinto de cero),
por lo que el sistema es controlable y se puede proceder a calcular K. La ecuacion
caracterstica de bucle cerrado deseada es:
|zI G + HK| = (z 0,5 j0,5)(z 0,5 + j0,5) = z 2 z + 0,5 = 0
(6.63)
por tanto, los coeficientes i son en este caso 1 = 1 y 2 = 0,5. Por otra parte, la
ecuacion caracterstica de bucle abierto del sistema es:
z
1
|zI G| =
0,16 z + 1
por lo que los coeficientes ai son a1 = 1 y a2 = 0,16. A partir de aqu se puede aplicar
cualquiera de los metodos explicados anteriormente.
Metodo 1
K=
2 a2
..
. 1 a1
T 1
Observese que el sistema viene dado en forma canonica controlable, por lo que T = I
y por tanto:
K = 0,34 2
Metodo 2 (formula de Ackermann)
En este caso la formula de Ackermann sera:
i1
h
.
.
K= 0 1
(G)
H . GH
donde (G) es
(G) = G2 G + 0,5I
0,16 1
0
1
0,5 0
+
=
0,16 1
0 0,5
0,16 0,84
0,34 2
=
0,32 2,34
por lo que
0 1
K =
0 1
1 1
=
0,34 2
1
0,34 2
0,32 2,34
Metodo 3
Este procedimiento es apropiado para sistemas de bajo orden como el que nos ocupa.
En primer lugar, se toma K = [k1 k2 ] y se formula la ecuacion caracterstica de bucle
cerrado en funcion de K:
z 0
0
1
0
|zI G + HK| =
+
k1 k2
0 z
0,16 1
1
z
1
=
0,16 + k1 z + 1 + k2
= z 2 + (1 + k2 )z + k1 + 0,16 = 0
133
a2 a1
T 1 =
0,16 1
x1 (1)
x2 (1)
x1 (2)
x2 (2)
0 1
0 0
a
b
0 1
0 0
b
0
b
0
0
0
luego este control lleva al estado a cero en 2 pasos y es efectivamente un control deadbeat.
6.9.
En el control por colocacion de polos se asume que el estado se puede medir directamente. En ocasiones, sin embargo, puede que esta suposicion no se cumpla y todas
134
o algunas de las variables de estado no puedan ser medidas. Es decir, puede que haya
variables de estado no accesibles. En cualquier caso, para poder controlar el sistema se
deberan estimar los valores de esas variables de estado no accesibles. Este proceso de
estimacion es lo que se conoce como observaci
on.
Un observador del estado es un subsistema del sistema de control, que realiza la
estimacion de las variables de estado basandose en los valores medidos (observados) de
las salidas y la se
nal de control. Se distinguen tres tipos de observadores, en funcion
de las variables de estado que se estimen:
1. Observador del estado completo. Es aquel que estima todas las variables de estado.
2. Observador de orden mnimo. En este caso solo se estiman aquellas variables de
estado que no son accesibles.
3. Observador de orden reducido. Este tipo de observador estima todas las variables
no accesibles y algunas de las accesibles.
En esta asignatura nos centraremos en los dos primeros tipos de observadores. Como
en el caso de la colocacion de polos, formularemos en primer lugar las condiciones para
que se pueda llevar a cabo la observacion.
Lema 6.4 Condicion necesaria y suficiente para la observaci
on del estado. Dado un
sistema LTI, se puede determinar x(k + 1) a partir de y(k), y(k 1), ,y(k n + 1) y
u(k),u(k 1), ,u(k n + 1), donde n es el orden del sistema, s y s
olo s, el sistema
es completamente observable.
Por tanto x(k + 1) se puede determinar, si el sistema es observable, en n pasos. Sin
embargo, no debe olvidarse que sobre el sistema act
uan ruidos y perturbaciones. Por
esta razon no es posible utilizar un procedimiento algebraico para determinar el estado,
sino que se ha de acudir a un procedimiento iterativo para estimarlo.
6.9.1.
(6.64)
135
Si se dispone de una aproximacion del estado en k, que denotaremos x(k), esta evolucionara seg
un la dinamica del sistema
x(k + 1) = G
x(k) + Hu(k)
y(k) = C x(k)
(6.65)
Si las condiciones iniciales son las mismas, es decir, si x(0) = x(0) entonces se verifica
que x(k) = x(k). Sin embargo, si las condiciones iniciales son diferentes entonces, de
manera general, x(k) 6= x(k). Podemos pues, definir el error de estimacion en k como:
e(k) = x(k) x(k)
Restando la ecuacion de estado aproximada (6.65) de la real (6.64):
x(k + 1) x(k + 1) = G (x(k) x(k))
que teniendo en cuenta la definicion del error de aproximacion es equivalente a:
e(k + 1) = Ge(k)
que se puede considerar como un sistema dinamico autonomo. Si G es una matriz
estable (es decir, si sus autovalores estan dentro del crculo unidad) el ((estado)) de este
sistema tiende a cero, es decir:
e(k) 0 x(k) x(k)
Por tanto, si el sistema es estable, la propia dinamica del sistema hace que la aproximacion del estado tienda al valor real del mismo. Esto quiere decir que podramos usar
la propia ecuacion del sistema para obtener en cualquier instante k una aproximacion
del estado, cuyo error ira decayendo a lo largo del tiempo. Esta convergencia al valor
real, sin embargo, puede ser muy lenta, y por otra parte no siempre se tratara con
sistemas estables. Por tanto, esta estrategia no es muy aconsejable.
Notese que en el esquema que se ha presentado, no se hace uso de la salida del sistema, que siempre sera accesible. Esto puede ser aprovechado para mejorar el rendimiento del observador introduciendose un termino corrector, de manera que la ecuacion para
obtener la aproximacion del estado para el instante k + 1 sera:
x(k + 1) = G
x(k) + Hu(k) + Ke (y(k) C x(k))
donde Ke es una matriz de ponderacion o ganancia. Este termino se puede elegir de
manera que se mejore el rendimiento, incluso si existen discrepancias entre las matrices
del sistema y las del proceso real al que dicho sistema representa.
136
6.9.2.
Sea un sistema LTI observable (6.64) con una ley de control por realimentacion
negativa del vector de estados,
u(k) = Kx(k)
siendo el estado del sistema x(k) no accesible pero s observable. Por tanto, podemos
sustituir el valor del estado por una aproximacion de manera que
u(k) = K x(k)
y de ah, aplicando las consideraciones de la seccion 6.9.1 se obtiene
x(k + 1) = G
x(k) + Hu(k) + Ke (y(k) y(k))
= (G Ke C)
x(k) + Hu(k) + Ke y(k)
= (G Ke C HK)
x(k) + Ke y(k)
(6.66)
Esta
es la llamada ecuacion del observador predictivo. La palabra predictivo se utiliza
para indicar que la estimacion del valor futuro del estado en k + 1, se realiza utilizando
informacion disponible en el instante k. A los autovalores de la matriz (G Ke C)
se les suele denominar polos del observador, y como se hizo en la seccion 6.9.1, se
vera a continuacion que marcan la dinamica de la evolucion del error de observacion.
En efecto, si se resta la ecuacion del observador de la del sistema real (6.64) se llega a
que
e(k + 1) = (G Ke C)e(k)
de lo que puede observarse que los polos del observador determinan la dinamica del
error. Si G Ke C es estable, el error convergera a cero independientemente de la
estimacion del estado inicial x(0).
La ecuacion del observador y del propio sistema en espacio de estados controlado
por la realimentacion lineal del vector de estados, pueden representarse mediante un
diagrama de bloques que se ilustra en las figuras 6.3 y 6.4.
Finalmente, es evidente que interesa que la estimacion del estado converja rapidamente al valor real de dicho estado. Una manera evidente de lograr esto es colocar todos
los polos del observador en cero, de manera que se consiga que el error de aproximacion
muestre una respuesta dead-beat. Esto se consigue eligiendo de manera apropiada Ke .
u(k)
x(k+1)
+
z-1
137
y(k)
x(k)
G
u(k)
-K
x(k)
y(k)
u(k)
OBSERVADOR
Figura 6.3: Diagrama de bloques de un sistema LTI controlado mediante una realimentacion del vector
de estados que estima el estado con un observador.
x(k)
u(k)
+
+
x(k+1)
+
z-1
x(k)
y(k)
Ke
y(k)
138
6.9.2.1.
C
alculo de Ke
El procedimiento para elegir Ke de manera que se coloquen los polos del observador
en unos valores especificados es analogo al de la colocacion de polos vista en la seccion
6.8. Si la ecuacion caracterstica deseada del observador es:
z n + 1 z n1 + + n1 z + n = 0
y la del sistema es
z n + a1 z n1 + + an1 z + an = 0
entonces
Ke = (W N )1
donde
W =
an1 an2
an2 an3
..
..
.
.
a1
1
1
0
a1
1
..
.
0
0
1
0
..
.
0
0
n an
n1 an1
..
.
N=
1 a1
(6.67)
.
.
..
. G C .. .. (G )n1 C
es decir, la misma matriz W empleada en la colocacion de polos y la matriz de observabilidad3 . Notese que si el sistema viene indicado en forma canonica observable
(W N )1 = I. Tambien puede emplearse la formula de Ackermann, que para este caso
es:
1
0
C
CG 0
Ke = (G)
..
..
.
.
CGn1
donde
(G) = Gn + 1 Gn1 + + n1 G + n I = 0
Ejemplo 6.7
Considerese un sistema como (6.64) con
1 1
0,5
G=
H=
0 1
1
3
C=
1 0
A fin de obtener un texto mas legible se evita en lo posible hacer referencias a material anterior,
a
un a pesar de que esto pueda alargar la exposicion del tema al repetirse ecuaciones y expresiones.
139
dise
naremos un observador del estado. En primer lugar, se ha de comprobar que el
sistema es observable. Para ello se comprueba que
nh
io
1 1
.
.
= rango
rango
=2
C . G C
0 1
luego el sistema es completamente observable. El siguiente paso es hallar la ecuacion
caracterstica del sistema en bucle abierto:
z 0
1 1
|zI G| =
0 1
0 z
= z 2 2z + 1 = 0
luego a1 = 2 y a2 = 1. Deseamos que el observador tenga una respuesta dead-beat,
luego la ecuacion caracterstica deseada del observador sera:
z 2 = 0 1 = 2 = 0
A continuacion se calculara Ke :
1
Ke = (W N )
con
N=
1 1
0 1
W =
resultando
Ke =
a1 1
1 0
2
1
1
2
2 1
1 0
C
alculo de Ke mediante la f
ormula de Ackermann
En este caso la formula de Ackermann es:
1
C
0
Ke = (G)
CG
1
con
(G) = G2 + 1 G + 2 I = G2
resultando
Ke =
1 1
0 1
2
1 0
1 1
1
0
1
2
1
140
Estudio de la evoluci
on del error de estimaci
on
Vamos a comprobar que el error cae a cero seg
un una respuesta dead-beat. Sea
a1
a2
x(0) =
x(0) =
b1
b2
entonces
e(0) = x(0) x(0) =
a1 a2
b1 b2
G Ke C =
1 1
1 1
a
b
error:
1 1
1 1
a + b
a + b
1 1
1 1
0
0
a
b
a + b
a + b
luego, tal y como se pretenda, la estimacion del vector de estados coincide con el
valor real de dicho vector dos tiempos de muestreo despues de iniciarse la estimacion.
Finalmente, la ecuacion del observador es:
x1 (k + 1)
1 1
x1 (k)
0,5
2
=
+
u(k) +
y(k)
x1 (k + 1)
1 1
x1 (k)
1
1
6.9.2.2.
141
planta coincida con la dinamica real de la misma) este termino corrector debera tomar
un valor alto. Sin embargo, si la se
nal de salida esta contaminada por perturbaciones y
ruido en general procedente, por ejemplo, de los sensores de medida, entonces la se
nal
de salida no es fiable en el sentido de que no proviene u
nicamente de la dinamica real de
la planta. Por tanto, en estas situaciones el termino corrector debera ser mas peque
no.
Al seleccionar Ke se debe pensar no solo en reducir el error en base a una correccion
energica, sino que hay que tener en cuenta que cuando hay ruidos o perturbaciones,
una ganancia Ke alta no contribuira a reducir el error, porque las correcciones no iran
en la ((direccion)) correcta. Es decir, hay que llegar a un compromiso entre la velocidad
de respuesta y la sensibilidad a ruidos y perturbaciones.
6.9.2.3.
Efectos de la adici
on del observador
(6.68)
Cabe preguntarse si al usar el observador, se colocan los polos del sistema en el sitio
que se pretende al calcularse la ganancia de realimentacion del vector de estado K.
Que efectos tiene el observador sobre los polos de bucle cerrado? Para estudiar esto,
se analizara el efecto que tiene la adicion del observador sobre la ecuacion caracterstica
del sistema en bucle cerrado.
Sea el sistema (6.64) controlado mediante (6.68). La ecuacion de estado puede
reescribirse como:
x(k + 1) = Gx(k) HK x(k)
= (G HK)x(k) + HK(x(k) x(k))
= (G HK)x(k) + HKe(k)
donde e(k) es el error de observacion en el instante k. Recordemos que el error de
observacion viene dado por:
e(k + 1) = (G Ke C)e(k)
La ecuacion de estado y la del error, se pueden combinar en la ecuacion de un sistema
autonomo aumentado que describe la dinamica del sistema observado (es decir, de todo
el conjunto sistema-controlador-observador):
x(k + 1)
G HK
HK
x(k)
=
e(k + 1)
0
G Ke C
e(k)
142
es decir,
zI G + HK
HK
0
zI G + Ke C
=0
|zI G + HK||zI G + Ke C| = 0
Dado que las races de esta ecuacion son las races de cada uno de los dos determinantes
que aparecen, esto implica que los polos del sistema completo son los polos del sistema
en bucle cerrado, tal y como se han colocado mediante el dise
no de K junto con los
polos del observador. Por tanto, la colocacion de polos y la observacion son dos cosas
independientes, porque la adicion del observador no modifica los polos de bucle cerrado
del sistema tal y como se eligieron al dise
nar K. Por tanto:
Los polos del sistema se eligen para que se cumplan las especificaciones del sistema
de control.
Los polos del observador se escogen de manera que la respuesta del observador
sea mas rapida que la del sistema (para que esta u
ltima resulte dominante),
tpicamente 4 o 5 veces mas rapida.
6.9.3.
Supongase que x(k) es un n-vector y que y(k) es un m-vector. Como las m salidas
son combinaciones lineales del estado, hay m variables que no necesitan ser estimadas.
El observador de orden mnimo sera el que estime las n m restantes.
Para dise
nar el observador de orden mnimo estableceremos una particion del vector
de estados:
xa (k)
x(k) =
xb (k)
donde el m-vector xa (k) son las variables medibles (accesibles) y el n m-vector xb (k)
son las variables no medibles (no accesibles). Esta particion del vector de estados
143
..
Gaa . Gab
xa (k + 1)
x
(k)
H
a
a
= ... + u(k)
..
xb (k + 1)
xb (k)
Hb
Gba . Gbb
h
i xa (k)
.
y(k) =
I .. 0
xb (k)
(6.69)
Por otro lado, la parte del vector de estados que no se puede medir se puede escribir
como:
xb (k + 1) = Gba xa (k) + Gbb xb (k) + Hb u(k)
Observese que en esta ecuacion, los terminos que dependen de xa (k) y u(k) son conocidos mientras que el termino que depende de xb (k) es desconocido. Esta ecuacion la
podemos reescribir como
xb (k + 1) = Gbb xb (k) + [Gba xa (k) + Hb u(k)]
(6.70)
El dise
no del observador de orden mnimo se realiza tomando como referencia el del
observador de orden completo, cuya ecuacion de estados es
x(k + 1) = Gx(k) + Hu(k)
En el caso del observador de orden mnimo, la ecuacion (6.70), es decir, la ecuacion
que describe la evolucion de la parte del estado no medible, es la que hace el papel
de ecuacion de estado. Por otra parte, se conoce que la ecuacion de salida para el
observador de orden completo es:
y(k) = Cx(k)
donde y(k) es medible y Cx(k) es no medible (por serlo x(k)). Observese que se puede
establecer un paralelismo entre los terminos de esta ecuacion y los de la ecuacion (6.69).
En el caso del observador de orden mnimo, por tanto, se considera como ecuacion de
salida la ecuacion (6.69).
144
xb (k)
Gbb
Gba xa (k) + Hb u(k)
xa (k + 1) Gaa xa (k) Ha u(k)
Gab
Ke R(nm)m
(6.72)
145
6.9.2.1. Por ejemplo, si la salida y(k) es un escalar, es decir m = 1, se tienen que estimar
n 1 variables. La formula de Ackermann, por ejemplo, quedara:
1
Gab
0
Gab Gbb 0
Ke = (Gbb )
..
..
.
.
n2
Gab Gbb
1
donde
n2
(Gbb ) = Gn1
+ + n1 I
bb + 1 Gbb
C=
1 0
1. Dise
nar un controlador que coloque los polos de bucle cerrado en z = 0,6 j0,4.
2. Asumiendo que y(k) = x1 (k) es el u
nico estado accesible, dise
nar un observador
de orden mnimo con respuesta dead-beat.
En primer lugar, se ha de comprobar la controlabilidad y observabilidad del sistema:
nh
io
0,02
0,06
.
rango
= rango
=2
H .. GH
0,2 0,2
nh
io
1 1
.
.
rango
= rango
=2
C . G C
0 0,2
146
como
i a 1 0,02 0,02
1
=
1 0
0,2 0,2
..
. GH
lo que lleva a
K=
25 2,5
25 2,5
8 3,2
u(k) = K x(k)
x1 (k)
y(k)
= 8 3,2
= 8 3,2
x2 (k)
x2 (k)
En cuanto al observador de
que es de orden 1. La particion
..
G
. Gab
aa .
.. =
..
Gba . Gbb
..
1 . 0,2
H
0,02
a
.
=
..
.
Hb
0,2
0 .. 1
147
K x(k)
8y(k) 3,2
x2 (k)
8y(k) 3,2(5y(k) + (k))
24y(k) 3,2
(k)
6.10.
Control
optimo LQR
Las tecnicas de control optimo conforman una de las ramas del control automatico
mas importantes en el desarrollo de las estrategias modernas de control mas utilizadas
hoy en da. Se han escrito numerosas monografas dedicadas a su estudio, y se ha
publicado una ingente cantidad de artculos en revistas especializadas. No obstante,
en estos apuntes solo se dara una pincelada sobre este particular, centrandonos en el
caso particular del control LQR con horizonte infinito, tambien conocido como LQR
de regimen permanente.
Las estrategias de control optimo calculan la ley de control de manera que se optimiza una cierta medida del rendimiento del controlador. Se parte de un sistema descrito
por
x(k + 1) = Gx(k) + Hu(k)
El objetivo es calcular una ley de control
u(k) = Kx(k)
de tal manera que se minimiza el funcional (que expresa un ndice de funcionamiento)
1X
(x (k)Qx(k) + u (k)Ru(k))
J=
2 k=0
(6.73)
CONTROL OPTIMO
LQR
148
siempre lo mas cerca posible del origen4 . Por otra parte, se observa que en el funcional
hay otro termino que pondera el valor de la secuencia de se
nales de actuacion. Este
termino impide que se obtenga una ley de control que lleve el estado al origen a expensas de una actuacion muy grande. Al minimizarse J, por tanto, se conseguira una ley de
control que por una parte acerque el estado al origen lo mas rapido posible, pero manteniendo un nivel de actuaciones moderado, encontrandose por tanto, una solucion de
compromiso entre el rendimiento del controlador y su nivel de actuacion. El sentido de
este compromiso puede venir dictado por diferentes razones, como por ejemplo moderar
el gasto de energa o combustible necesario para proporcionar la se
nal de actuacion.
Existen razones mas sutiles pero no por ello menos importantes para incorporar esta
ponderacion del esfuerzo de control. Por ejemplo, cuando existen discrepancias entre
el modelo del sistema y su dinamica real (algo que ocurre casi siempre, pues los modelos matematicos no pueden recoger todas las complejidades de los sistemas o procesos
reales) esta ponderacion del esfuerzo de control resulta en un sistema mas estable.
Para calcular la ley de control que minimiza el ndice (6.73) se define una matriz P
que satisface la siguiente ecuacion de Riccatti:
P = Q + G P G G P H(R + H P H)1H P G
(6.74)
Esta es una interpretacion que hay que tomar con cierto cuidado, pues puede que se obtenga una
ley de control que provoque que el estado no se acerque al origen todo lo posible al principio pero que
lo lleve a dicho origen muy rapidamente en los instantes siguientes, manteniendo pues el valor de J
muy bajo.
6.10.1.
149
Soluci
on de la ecuaci
on de Riccatti
6.11.
Filtro de Kalman
R = E {(k) (k)}
Q = E {(k) (k)}
P0 = E {(0) (0)}
(6.75)
150
FILTRO DE KALMAN
(6.76)
que son las ecuaciones del filtro de Kalman de regimen permanente. Notese que para
resolver la ecuacion de Riccatti se puede usar el mismo metodo usado en el LQR.
Captulo 7
Modelos de procesos y
perturbaciones
7.1.
Introducci
on
152
7.2.
Como fuente de perturbaciones con una mayor variabilidad que los modelos clasicos
antes comentados, se pueden considerar las perturbaciones deterministas a trozos. Surgen de la necesidad de estudiar el efecto de perturbaciones mas realistas en sistemas
de control que se basan en alg
un tipo de esquema predictivo para calcular la se
nal
de control. En este tipo de sistemas, el considerar una perturbacion absolutamente
predecible (como en el caso de los modelos clasicos) no tiene utilidad alguna, pues se
pueden considerar directamente en el calculo de la ley de control.
Los modelos de perturbaciones deterministas a trozos parten de la suposicion de
que son generados por un sistema lineal, en el que la entrada es cero excepto en ciertos
instantes de tiempo separados por mas de n tiempos de muestreo, donde n es el orden
del sistema:
C(z 1 )
y(k) =
w(k)
A(z 1 )
suponiendose que el grado de C(z 1 ) es igual al grado de A(z 1 ). Si la entrada es
cero excepto en ciertos instantes de tiempo que estan separados, quiere decir que la
se
nal w(k) es un tren de pulsos. La amplitud y momento de aparicion de esos pulsos
son desconocidos. Esto es lo que le da variabilidad a la fuente de perturbaciones. Sin
embargo, una vez que aparecen y se conoce la amplitud del pulso, la evolucion de la
salida y(k) es perfectamente predecible pues la dinamica del sistema es conocida. De
ah el nombre de determinista a trozos.
7.3.
Procesos estoc
asticos
Estocastico: relativo a una variable aleatoria; algo que sigue una determinada distribuci
on de
probabilidad, usualmente con varianza finita.
153
w=w0
t0
t1
t2
t3
t4
......
Definici
on 7.1 Se denomina proceso estoc
astico determinista, a aquel cuya evolucion
puede ser predicha exactamente con un predictor lineal 2 en base a medidas pasadas.
En estos procesos, el caracter estocastico s
olo se manifiesta en la aleatoriedad de las
condiciones iniciales. Para aplicaciones basadas en predicci
on no son muy interesantes.
2
154
Definici
on 7.2 Se denomina proceso estoc
astico estacionario, a aquel cuya distribucion estadstica para X(t1 ), X(t2 ),. . . ,X(tn ) es la misma que para X(t1 + ), X(t2 +
),. . . ,X(tn + ). Es decir, su distribuci
on no vara con el tiempo.
Definici
on 7.3 Se denomina ruido blanco discreto, a un proceso aleatorio que se puede
considerar como una secuencia cuyos elementos son variables aleatorias independientes
entre s cuya distribucion es identica. Se suele suponer que
E {x(k)} = 0
es decir, que el valor esperado es cero y adem
as
E {x(i)x(j)} =
7.4.
En esta seccion veremos como se pueden generar diversos tipos de procesos estocasticos, cuando a un sistema lineal se le inyecta un ruido blanco v(k) ademas de
una entrada externa u(k) a traves de sendas funciones de transferencia.
El caso mas general es el llamado modelo de Box-Jenkins, el cual se ilustra en la
figura 7.2. Esta estructura es demasiado general, y normalmente se utilizan diversas
v(k)
u(k)
y(k)
155
Modelo de Media Movil (MA : Moving Average). Es el caso mas sencillo y viene
descrito por
y(k) = v(k) + c1 v(k 1) + c2 v(k 2) + + cn v(k n)
Con este modelo se pueden describir muchos tipos de perturbaciones aleatorias. Sin embargo, no incluye a los valores pasados de la salida por lo que no
servira para modelar procesos que tengan dinamica.
Modelo Autoregresivo (AR). Viene descrito por
y(k) + d1 y(k 1) + d2 y(k 2) + + dn y(k n) = v(k)
En este caso, la parte aleatoria correspondiente a la perturbacion tiene una estructura muy simple porque no depende de los valores pasados.
Modelo Autoregresivo de Media Movil (ARMA). Es la combinacion de los dos
anteriores, por lo que tomara la forma
y(k) + d1 y(k 1) + + dn y(k n) = v(k) + c1 v(k 1)
+c2 v(k 2) + + cn v(k n)
Este modelo permite describir procesos mas ricos que los anteriores. Sin embargo,
desde el punto de vista del control es interesante poder considerar el efecto de una
entrada externa, por lo que se considera el siguiente tipo de modelos de procesos
con ruidos.
Modelo Autoregresivo de Media Movil con una entrada exogena (ARMAX). Tambien llamado modelo CARMA (Controlled ARMA). Viene descrito por
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bn u(k n)
+v(k) + c1 v(k 1) + + cn v(k n)
Modelo Autoregresivo con entrada exogena para mnimos cuadrados (ARX-LS ).
Este modelo surge como version simplificada del anterior, para el caso en el que
no se necesita que la fuente de perturbaciones tenga una estructura tan compleja.
Viene descrito por
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bn u(k n) + v(k)
Como su nombre indica se utiliza en la identificacion por el metodo de los mnimos
cuadrados (vease el tema 9).
156
Captulo 8
Introducci
on a la identificaci
on de
sistemas
8.1.
Introducci
on
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
158
8.2.
Ideas b
asicas sobre identificaci
on de sistemas
La identificacion de sistemas es la aproximacion experimental al modelado de sistemas. Consiste en obtener un modelo a partir de observaciones obtenidas directamente
del propio sistema que se pretende modelar. La identificacion de un sistema conlleva
una serie de actividades y herramientas, de las que podemos destacar:
A continuacion, se iran desglosando las principales ideas de cada uno de estos aspectos.
8.2.1.
Planificaci
on de los experimentos
Dado que la identificacion de sistemas involucra experimentar con el proceso a modelar, es necesario tener en cuenta que, en general, es muy costoso experimentar con procesos industriales. Por tanto, es necesario elegir una tecnica que nos sea lo mas rentable
desde el punto de vista del tipo de experimentos necesarios. Algunas tecnicas son muy
sencillas, en el sentido de que una vez hecho el experimento es facil obtener el modelo.
Estas tecnicas, sin embargo, requieren que en los experimentos se utilicen se
nales de
entradas preestablecidas de manera muy precisa: pulsos, sinusoides, etc. . . Puede que
el proceso a modelar no pueda ser sometido a este tipo de entradas por consideraciones
de seguridad o motivos economicos. Otras tecnicas de identificacion pueden emplear
casi cualquier tipo de se
nal de entrada (es decir, son menos exigentes en el tipo de
experimentos necesarios), pero una vez realizado el experimento es mas complicado
obtener el modelo. Como comentario general, es necesario que en el experimento se
utilicen se
nales de entrada que exciten todos los modos del sistema. Mas alla de eso,
un buen metodo de identificacion debe ser insensible a las caractersticas de la entrada.
Otro aspecto es que a veces no se puede identificar en bucle abierto y hay que hacerlo
en bucle cerrado. Esto no es siempre posible, pues aunque el sistema sea identificable en
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 8. INTRODUCCION
159
bucle abierto esta propiedad puede perderse en bucle cerrado. Esto ocurre, por ejemplo,
si los perfiles de la consigna o referencia que se usan son muy simples. Tambien, si los
lazos de control son demasiado simples. En general, cuanto mas complejos sean los
lazos de control y mas se mueva la consigna, mas facil sera la identificacion en bucle
cerrado.
8.2.2.
Selecci
on del tipo de modelo
En teora, la seleccion del tipo de modelo debera venir dada por un conocimiento
del proceso y de las perturbaciones que deban ser tenidas en cuenta. Dependiendo de
si conocemos mucho o poco la estructura del proceso elegiremos entre uno u otro tipo
de modelo. En general, los modelos los clasificaremos como:
Modelos de Caja Blanca. Son los obtenidos a partir de leyes fsicas (esto no sera
realmente identificacion porque no se estaran haciendo experimentos).
Modelos de Caja Negra. En estos modelos se postula una estructura matematica
con una serie de parametros libres, a los cuales se les da valor a partir de los
datos obtenidos en los experimentos.
Modelos de Caja Gris. Corresponden a un tipo intermedio entre los dos anteriores.
Parte del modelo se obtiene mediante leyes fsicas y otra parte, se ajusta usando
medidas experimentales. Por ejemplo, mediante leyes fsicas podemos determinar
la estructura del modelo (o de parte de el) y usar experimentos para terminar de
caracterizar el modelo.
Tambien se pueden clasificar los tipos de modelos en parametricos y no parametricos. En los primeros se tienen una serie de parametros que hay que ajustar. Por ejemplo,
en una funcion de transferencia se tendran que ajustar el orden y los coeficientes de
los polinomios. En modelos de espacio de estados tendramos la misma situacion pero
con las matrices del sistema. En los modelos no parametricos, el modelo no tiene una
serie de parametros que definen la dinamica sino que se compone de una cantidad de
informacion sobre la misma, por ejemplo los modelos basados en la respuesta en frecuencia de un sistema. En el caso que aqu nos ocupa los modelos que emplearemos
seran de caja negra y parametricos.
160
8.2.3.
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
Elecci
on de un criterio
8.2.4.
Estimaci
on de los par
ametros
8.2.4.1.
Identificaci
on en lnea
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 8. INTRODUCCION
161
y(k)
u(k)
PLANTA
IDENTIFICACIN
MODELO
ACTUALIZADO
SUPERVISIN
MODELO
CORREGIDO
8.2.4.2.
Identificaci
on fuera de lnea
En este caso se toman los datos del experimento (es decir, series de medidas) y
posteriormente, se ajusta el modelo usando para ello todo el conjunto de datos. Este
tipo de procedimientos suelen obtener modelos mas precisos y son mas fiables en cuanto
a la convergencia de los parametros estimados a los parametros reales del proceso1 . En
cualquier caso, existe un consenso general en que no existe un metodo universalmente
bueno, por tanto, dependiendo de la situacion unos funcionaran mejor que otros.
8.2.5.
Validaci
on del modelo
Notese que aunque el proceso real no correspondera en general exactamente con el modelo (pues
todo modelo implica un cierto grado de simplificacion de la realidad) se asume que existe un valor del
vector de parametros que es el que mejor describe al proceso.
DE SISTEMAS
IDEAS BASICAS
SOBRE IDENTIFICACION
162
2dimension()
1+
N
N
1 X 2
e (t, )
N t=1
donde e(t, ) = y(t) y(t, ) es el error de estimacion para los datos obtenidos en el
instante t.
Tampoco puede descartarse la posibilidad de no usar criterio de validacion alguno y
efectuar una inspeccion visual sobre una simulacion, en la que se usa el modelo estimado
para predecir la salida en base a datos de entradas experimentales.
Finalmente, la tecnica de validacion cruzada, aunque muy popular no es la u
nica.
Otra tecnica que a veces se utiliza es el analisis de residuos. Se entiende por residuos
los errores que comete el modelo una vez ajustado, es decir e(t) = y(t) y(t, ). Si el
modelo estimado es suficientemente bueno, estos residuos tienen que ser independientes
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 8. INTRODUCCION
163
8.2.6.
TOMA DE DATOS
ACONDICIONAMIENTO DE
DATOS
AJUSTAR MODELO
VALIDAR MODELO
NO
VALIDO ?
SI
USAR MODELO
pueda retornar a cualquiera de las pasos intermedios, indica que puede que en cada
164
ALGUNAS PROPIEDADES
iteracion no se realicen todos los pasos. Por otra parte, aparece un paso sobre el que no
se ha comentado nada, el acondicionamiento de datos. Esta tarea consiste en manipular los datos de manera que sean apropiados para el metodo de ajuste elegido. Es algo
que es especfico para cada procedimiento. As por ejemplo, una tarea muy com
un de
acondicionamiento de datos es la eliminacion de los valores de continua de las se
nales
de entrada y salida. Esto sera tratado en mayor profundidad en el tema 9. Finalmente,
en el caso de la identificacion en linea el proceso es mas simple, ya que por ejemplo
no es posible cambiar la estructura del modelo sin descartar el resultado que se ha
obtenido hasta ese momento. Ademas, los datos se toman seg
un van llegando, pues
recordemos que en este tipo de identificacion la identificacion se hace como su propio
nombre indica en tiempo real, es decir, ((en lnea)).
8.3.
Algunas propiedades
8.3.1.
Excitaci
on persistente
N
X
k=1
A(z 1 )u(k)
!2
>0
para todo polinomio A(z 1 ) no nulo de grado inferior a n. Usando este resultado se
pueden caracterizar las se
nales mas comunes:
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 8. INTRODUCCION
165
voltaje
5.5
4.5
3.5
20
40
60
80
100
120
140
160
180
200
intervalos de muestreo
8.3.2.
Convergencia e identificabilidad
166
ALGUNAS PROPIEDADES
convergencia tiene a su vez una serie de requisitos o condiciones que se pueden resumir
en:
8.3.2.1.
Identificaci
on en bucle cerrado
Q(z 1 )
y(t)
P (z 1 )
A LA IDENTIFICACION
DE SISTEMAS
CAPITULO 8. INTRODUCCION
167
Primera condici
on de identificabilidad en bucle cerrado
Los ordenes del modelo del proceso y de las perturbaciones deben ser conocidos con
exactitud.
Segunda condici
on de identificabilidad en bucle cerrado
Si los polinomios A(z 1 ) y C(z 1 ) tienen p ceros comunes (en caso de que sean primos
entre si, p = 0) se ha de cumplir que
max(w mb , d + v ma ) p
Si esto no se cumpliese, la solucion pasa por fijar alguno de los parametros del modelo
a fin de bajar los grados ma o mb . Si fuera factible aumentar el retraso, tambien
podra usarse esto para lograr la identificabilidad en bucle cerrado. Notese que por
estos procedimientos lo que se consigue es que el proceso de identificacion converja a
un valor del vector de parametros que corresponde con el que da un menor error. No
quiere decir que el sistema real se describa mejor por ese modelo. Es decir, puede que
exista otro modelo del mismo orden mejor, pero si no se toman las medidas indicadas
no se llegara a ese modelo ni probablemente se convergera a ning
un otro.
Un caso com
un es que p = 0 y ma = mb = n, por lo que esta condicion se puede
expresar como
max(w, v + d) n
Ejemplo 8.1
Supongamos que ma = mb = n y que
u(k) =
G(z 1 )
y(k)
zB(z 1 )F (z 1 )
168
ALGUNAS PROPIEDADES
8.3.3.
Niveles de supervisi
on y acondicionamiento
Captulo 9
Identificaci
on por mnimos
cuadrados
9.1.
El m
etodo de los mnimos cuadrados
(9.1)
Notese que este modelo es determinista en el sentido de que no considera ruidos aleatorios como en los modelos vistos en el tema 7. Es inmediato comprobar que este modelo
corresponde a la siguiente funcion de transferencia:
G(z 1 ) =
b1 z 1 + + bn z n
1 + a1 z 1 + + an z n
(9.2)
Este metodo se puede aplicar sin cambios conceptuales a modelos multivariables. Sin embargo por
simplicidad nos ce
niremos al caso de modelos monovariables.
169
EL METODO
DE LOS MINIMOS CUADRADOS
170
donde el vector
m(k) =
es llamado regresor y
=
a1 an b1 bn
(9.3)
T
el error de
es el vector de parametros. Dado un valor del vector de parametros ,
predicci
on para el instante k sera
= y(k) y(k) = y(k) m(k)
e(k, )
Notese que conocido el valor de los valores presentes y pasados de la salida y la entrada,
la expresion (9.2) es una ecuacion en las que las 2n incognitas son los parametros que
forman . Si el proceso a identificar correspondiese exactamente con un modelo como
(9.1) se podra determinar el valor del vector de parametros a partir de 2n medidas u
observaciones de la salida para una serie de entradas conocidas. Es decir, se formara
un sistema de 2n ecuaciones con el que se podra determinar el valor ((real)) de .
El metodo de los mnimos cuadrados parte de N pares (y(k), m(k)) donde N es
generalmente mucho mayor de 2n (este sera el conjunto de estimacion) y permite
ajustar un modelo del tipo (9.1). En el supuesto poco realista de que el proceso coincida
con un modelo como el que se intenta ajustar, se tendra un sistema de ecuaciones
sobredeterminado compatible, de manera que tendra solucion y el error de prediccion
alcanzado sera cero para todas las medidas del conjunto de estimacion. Sin embargo,
en la practica el proceso no se puede describir a la perfeccion mediante un modelo lineal
del tipo (9.1) por lo que el sistema de ecuaciones no tiene solucion en el sentido de que
no existe un valor del vector de parametros que haga que el error de prediccion sea cero
para todas las medidas del conjunto de estimacion. Es decir, el sistema de ecuaciones
es incompatible. Sin embargo si se puede encontrar un valor del vector de parametros
que haga mnimo el error de prediccion, de manera mas precisa que haga mnima la
suma de los cuadrados de los errores de prediccion del conjunto de estimacion. Esta es
precisamente la estrategia del metodo de mnimos cuadrados2 .
Las medidas obtenidas desde k = n hasta k = N se agrupan en vectores de manera
que se obtiene:
E(N, ) = Y (N) M(N)
donde los vectores E(N) e Y (N) son
E(N, ) =
Y (N) =
2
e(n, ) e(N, )
T
y(n) y(N)
T
171
m(n)
..
M(N) =
.
m(N)
Se define el ndice de bondad de ajuste como
J() = kE(N, )k =
N
X
e2 (k, )
k=n
(9.4)
y ese es por tanto el valor del vector de parametros del modelo identificado.
Notese que para que el problema de identificacion tenga solucion la matriz [M T (N)M(N)]
tiene que ser invertible al igual que M(N). Sin entrar en demasiados detalles, tal condicion se verifica cuando la entrada cumple las condiciones de excitacion persistente del
sistema. Se debera acudir por tanto a se
nales de entrada parecidas al ruido blanco (ver
tema 8).
9.2.
La expresion (9.4) implica la inversion de una matriz que puede tener unas dimensiones apreciables, tanto mas si se tiene en cuenta que para identificar correctamente
EN LINEA
ALGORITMO RECURSIVO PARA IDENTIFICACION
172
un sistema se deben tener suficientes medidas para eliminar el efecto de ruidos y perturbaciones ajenas a la dinamica del sistema. Intentar efectuar estos calculos en linea
es bastante ambicioso para el hardware de control habitual3 . Por tanto este algoritmo
se destina a la identificacion fuera de linea. En linea se emplea otro procedimiento que
se muestra a continuacion.
La estimacion para el instante k usando las medidas obtenidas desde el instante n
vendra dada por
(k)
= [M T (k)M(k)]1 M T (k)Y (k)
= P (k)M T (k)Y (k)
= P (k)(M T (k 1)Y (k 1) + mT (k)y(k))
donde
P (k) = [M T (k)M(k)]1 =
" k
X
mT (i)m(i)
i=n
(9.5)
#1
(k)
=
=
=
1) P (k)mT (k)m(k)(k
1) + P (k)mT (k)y(k)
(k
1) + P (k)mT (k)(y(k) m(k)(k
1))
(k
1) + K(k)(y(k) m(k)(k
1))
(k
(9.6)
Tengase en cuenta que el hardware industrial no se renueva tan rapidamente como el usado
en informatica personal y que ademas tampoco se incorporan las u
ltimas tecnologias con la misma
rapidez.
173
2. En cada instante k
a) Leer los valores de y(k) y u(k).
b) Formar el vector regresor m(k) seg
un la expresion (9.3).
c) Calcular P (k) mediante
P (k) = P (k 1)
P (k 1)mT (k)m(k)P (k 1)
1 + m(k)P (k 1)mT (k)
PLANTA
FORMAR
REGRESOR
ALGORITMO
RECURSIVO
Z-1
Figura 9.1: Diagrama de flujo del proceso de identificacion mediante mnimos cuadrados recursivos.
9.3.
Interpretaci
on estadstica
174
ESTADISTICA
INTERPRETACION
= E (k)
donde V (K) es una matriz donde la fila correspondiente al instante k esta formada por
los valores v(k), ,v(k cn ). Notese ademas que la fila de M(k) correspondiente al
instante k contiene los valores de la salida y de la entrada en los instantes k 1, ,k n
pero no los del instante k (ver expresion (9.3)).
Considerese el caso del modelo ARMAX. Claramente existe relacion entre los componentes de la matriz M(k) y V (k). En efecto, la matriz de regresores esta formada por
valores de la salida y la entrada. Los primeros dependen de los valores de la se
nal de
ruido y los segundos son deterministas, por lo que existe una correlacion entre la matriz
M(k) y V (K). Por lo tanto tambien existe esa correlacion entre [M T (k)M(k)]1 M T (k)
y V (k). Eso implica que seg
un la expresion (9.7) es distinto de cero. Por tanto no
esta garantizada la convergencia del vector de parametros estimados con el ((real)).
175
La situacion es diferente con el modelo ARX-LS. En este caso los valores de M(k)
no pueden estar relacionados con V (k) (que, al ser cn = 0, solo esta formada por los
valores presentes de v(k) para cada instante k). Por tanto, el estimador por mnimos
cuadrados es insesgado, es decir = 0 y por tanto el valor esperado del estimador
coincide con el valor real del vector de parametros, es decir
n
o
E (k) =
Por otra parte, el hecho que de que el proceso responda a uno u otro tipo de
modelo tiene una interpretacion fsica inmediata. En el caso del proceso ARMAX el
ruido presenta una cierta dinamica , mientras que en el caso del ARX-LS el ruido no
presenta dinamica alguna y responde u
nicamente a un ruido proveniente del sensor
de medida. Es en este u
ltimo caso cuando el metodo de mnimos cuadrados produce
estimaciones consistentes.
Otra propiedad que resulta interesante conocer es la varianza del estimador. Claramente interesa que esta varianza sea peque
na o por lo menos que disminuya conforme
se acumulan medidas disponibles para usarlas en la estimacion. De esa manera, el vector de parametros estimados estara con seguridad cerca del vector real. La varianza del
estimador se puede calcular como
n
o
)T ((k)
)
varianza((k))
= E ((k)
= 2 P (k)
donde = E{v(i)v(j)} para i = j. Notese que para que la varianza sea peque
na
interesa que P (k) sea ((peque
na)) o que al menos decrezca a medida de que k aumenta.
Una medida del tama
no de P (k) es su traza, por lo que se usa como una medida de la
exactitud de la estimacion, de manera que se busca que la traza vaya decreciendo.
Esta interpretacion estadistica del tama
no de P (k) tambien proporciona una regla
para dar un valor inicial a la matriz P (k). En efecto, en general no se tendra demasiada
confianza en que el valor inicial del vector de parametros estimados, por lo que se
escogera una matriz P (0) ((grande)) para reflejar esa desconfianza, por ejemplo P (0) =
pI donde p es un n
umero muy alto (por ejemplo 10000). Este n
umero sera mas peque
no
176
k
X
mT (i)m(i)
i=n
!1
lo que implica que a medida que N crece P decrece. Se puede demostrar que si el
tama
no del regresor no cambia demasiado P decrece como N1 . Esto quiere decir que la
incertidumbre en la estimacion decrece, es decir, que cada vez se obtiene un estimador
mas cercano al valor real. Ademas la ganacia de adaptacion K(k) tambien decrece
(vease su definicion en la seccion 9.2) lo cual es congruente con el hecho de que cuanto
mas exacta es la estimacion menos correccion de su valor se necesita. Esto es bueno
si la dinamica del proceso no cambia con el tiempo, pero si esto no es as habra que
modificar este esquema.
9.4.
A veces es conveniente dar mas peso a algunas medidas que a otras en la estimacion. Por ejemplo si se identifica un proceso cuya dinamica cambia con el tiempo
interesara dar mas peso a las medidas mas recientes, pues estas seran las que reflejen la
dinamica mas actualizada. Para conseguir esto hay que modificar el ndice de bondad
de ajuste, de manera que se use
J() = E(N, )T W (N)E(N, )k2 =
N
X
w(k)e2 (k, )
k=n
w(n)
..
W (N) =
.
w(N)
(9.8)
177
, donde (0, 1) es el llamado factor de olvido. Es facil entender por que se le llama
olvido exponencial: el peso dado a la medida disminuye exponencialmente cuanto mas
antigua sea. De esta manera las medidas muy antiguas se olvidan, pues su peso es tan
peque
no que es como si no se contribuyesen a la estimacion. Habitualmente se usa
[0,98, 1). Por ejemplo, si = 0,99 el estimador tendra una ((memoria)) de unas 100
muestras. En aquellos casos que la dinamica del proceso cambie muy rapidamente se
puede optar por valores mas bajos (por ejemplo, = 0,95).
En el caso de la tecnica de olvido la formulacion recursiva puede aplicarse modificando las expresiones para el calculo de P (k) de manera que:
P (k) =
P (k 1) P (k 1)mT (k)m(k)P (k 1)
Puede observarse que, dado que K(k) = P (k)mT (k), la ganancia de adaptacion K(k)
depende de y a menor mayor ganancia de adaptacion. Esto quiere decir que a menor
mejor se adaptara la identificacion a una dinamica cambiante, ya que se considerara
en la optimizacion solo la informacion mas reciente.
Sin embargo si en el sistema o en las medidas hay mucho ruido, es conveniente
que la dinamica se identifique sobre un conjunto amplio de medidas ya que si no se
identificara el ruido mas que la dinamica del proceso. Por tanto en estos casos conviene
que no sea muy peque
no. Por tanto hay que llegar a un compromiso entre la capacidad
de seguir una dinamica cambiante y el rechazo del ruido en la identificacion.
9.5.
Seg
un se explico en la seccion 9.3 el estimador obtenido mediante mnimos cuadrados es insesgado si el proceso responde a un modelo ARX-LS, pero no si responde a
un modelo ARMAX. En la practica, si la relacion se
nal-ruido es baja el proceso ha de
modelarse con un modelo de perturbaciones mas complejo que el del ARX-LS ya que
la se
nal de ruido y su influencia sobre la dinamica son importantes. En estos casos se
debe recurrir a un modelo ARMAX.
El metodo de los mnimos cuadrados extendidos trata de resolver el problema del
sesgo en la estimacion de modelos ARMAX. La solucion es incluir los coeficientes del
polinomio C(z 1 ) en el vector de parametros del estimador, es decir
=
a1 an b1 bn c1 cn
T
178
El resto del procedimiento es exactamente igual, tanto en las formulaciones fuera de linea como en linea. Con este metodo se consiguen estimaciones insesgadas y consistentes
para procesos que respondan como un modelo ARMAX. Los problemas son un aumento de la carga de calculo y una menor velocidad de convergencia en los parametros ci
debido a que la se
nal de ruido no es la mas preponderante.
Finalmente, existe otra variante de los mnimos cuadrados que son los mnimos
cuadrados generalizados. Sin entrar en demasiados detalles, esta formulacion se usa
cuando se tiene alg
un conocimiento del valor real del polinomio C(z 1 ) o de la matriz
P (matriz de covarianza). En este caso si la matriz N definida como
N = E vv T
9.6.
Estimaci
on de los valores de continua
y(k) = Y (k) Y
donde U(k) e Y (k) son los valores reales de la salida y la entrada y U e Y son
los valores de continua de ambas se
nales. Para estimar dichos valores existen diversas
opciones.
9.6.1.
179
Utilizaci
on de los incrementos de las variables
9.6.2.
C
alculo de los valores medios
La idea es aproximar los valores de continua por los valores medios de las se
nales.
En el caso de la formulacion fuera de linea estos valores medios se calculan mediante
las expresiones tradicionales, es decir
U
N
1 X
=
u(i)
N i=1
N
1 X
=
y(i)
N i=1
9.6.3.
U (k) = U (k 1) +
1
(U(k) U (k 1))
k
Y (k) = Y (k 1) +
1
(Y (k) Y (k 1))
k
Estimaci
on de una constante
La idea en este caso es que el modelo que se pretende identificar puede reescribirse
como
Y (k) Y = a1 (Y (k 1) Y ) a2 (Y (k 1) Y ) an (Y (k n) Y )
+b1 (U(k d 1) U ) + + bn (U(k d n) U )
180
(9.9)
Una vez estimado el valor de K, lo que se hace es dar un valor arbitrario a Y , por
ejemplo igual al valor de la referencia o consigna. Con ese valor se calcula U mediante
la expresion (9.9).
9.7.
El orden del sistema a identificar es algo que debe ser conocido para asegurar la
convergencia e identificabilidad (ver tema 8). En la practica esto no es sencillo, y se
debe recurrir a probar con varios modelos de ordenes y estructuras distintas a ver cual
resulta mejor. Esto quiere decir que se pueden dar situaciones de mala estimacion del
orden del modelo por defecto (incurriendose en lo que se llama infraparametrizacion)
o por exceso (sobreparametrizaci
on).
Veamos que ocurre cuando se intenta aproximar un sistema por un modelo de
orden inferior. Si esto sucede se llega a una situacion en la que el modelo solo puede
aproximar al sistema real en una banda de frecuencia relativamente estrecha. Si durante
el transcurso del proceso de identificacion la se
nal de entrada cambia su contenido
frecuencial, el modelo estimado (es decir su vector de parametros) evoluciona hasta
aproximar al sistema en torno a la nueva banda de frecuencias. Todo esto implica que
se obtendra un modelo distinto dependiendo de la se
nal de entrada. Este problema se
ilustra en las figuras 9.2 y 9.3. En ambas se muestra el diagrama de bode de un sistema
de segundo orden sobre el que ha sido identificado un modelo de primer orden mediante
dos entradas senoidales de distinta frecuencia. Puede observarse en ambas figuras que
181
20
amplitud dB
10
0
10
20
30
40
1
10
10
10
desfase (grados)
50
100
150
200
250
1
10
10
frecuencia rad/s
10
Figura 9.2: Diagrama de Bode de un sistema de segundo orden (linea continua) y de un modelo de
primer orden estimado para una entrada senoidal de frecuencia = 0,2 rad s1 .
20
amplitud dB
10
0
10
20
30
40
1
10
10
10
desfase (grados)
50
100
150
200
250
1
10
10
frecuencia rad/s
10
Figura 9.3: Misma situacion que en la figura 9.2 pero con una se
nal de entrada senoidal de frecuencia
= 1 rad s1 .
182
uey
0.5
0
0.5
1
1.5
10
15
20
25
30
35
40
10
15
20
tiempo (s)
25
30
35
40
1.5
ai, bi estimados
1
0.5
0
0.5
1
1.5
2
183
0.025
k=30
0.02
k=100
b3
0.015
0.01
0.005
0
0.005
2
1.8
k=180
1.6
1.4
1.2
0.8
0.8
0.6
1.5
0.5
k=180
k=100
0
k=30
0.5
2
1.8
1.6
1.4
1.2
0.6
Figura 9.5: Evolucion de unos parametros frente a otros para el modelo sobreparametrizado.
9.8.
Identificaci
on de sistemas con retardo o no lineales
El metodo de los mnimos cuadrados puede aplicarse a procesos con retardo, siempre
que se tengan en cuenta algunas cuestiones. El modelo determinista de un sistema con
retardo puro de d periodos de muestreo se puede poner como
A(z 1 )y(k) = B(z 1 )u(k d 1)
Eso quiere decir que el regresor en el instante k debe contener valores pasados de la
entrada desde k d 1 a k d n donde n es el grado del polinomio B(z 1 ). Por
tanto el regresor queda
m(k) = y(k 1) y(k n) u(k d 1) u(k d n)
Con esta modificacion cualquiera de los algoritmos de mnimos cuadrados vistos anteriormente se puede aplicar a procesos con retardo. El problema estriba en que se ha
de conocer exactamente el retardo (vease tema 8). El metodo usual para conocer este
dato es provocar un cambio en la entrada y observar cuando se manifiesta dicho cambio en la salida (ha de tenerse en cuenta que en todo sistema muestreado los cambios
en la entrada se manifestaran como mucho en el siguiente periodo de muestreo). Este
sencillo esquema se puede complicar por ejemplo si el retardo es variable. Esto es mas
com
un de lo que se cree, pues el retardo as como el resto de parametros de un sistema
suele depender del punto de funcionamiento (por ejemplo, los retardos de transporte
ocasionados por tuberias dependen del caudal de material que se transporta). El problema es que, aunque los metodos de identificacion propuestos puedan seguir cambios
184
CONSIDERACIONES FINALES
en los parametros del modelo (se adaptan a esos cambios) no recogen la posibilidad
de un retardo variable (existen remedios a este problema, pero no se trataran aqu).
Otro problema que puede suceder es que el retardo no sea multiplo exacto del tiempo
de muestreo. Aunque existen formas para describir retardos no enteros (por ejemplo,
el uso de una expansion de Pade) es mas sencillo y menos problematico emplear si es
posible otro tiempo de muestreo para hacer que el retardo sea entero.
Finalmente se comento al principio del tema que el metodo de mnimos cuadrados
tambien permite la identificacion de sistemas no lineales con la limitacion de que el
modelo a identificar sea lineal en los parametros. De este modo, si el sistema se pretende
identificar con un modelo que por ejemplo podra ser
y(k) + ay(k 1) = bu2 (k 1)
el regresor y el vector de parametros seran
m(k) =
respectivamente.
9.9.
y(k 1) u2 (k 1)
(k) =
a b
T
Consideraciones finales
185
186
CONSIDERACIONES FINALES
Captulo 10
Control de sistemas con grandes
retrasos
10.1.
Los tiempos muertos o retrasos puros estan presentes en muchos sistemas dinamicos
y especialmente en la industria de procesos. Los retrasos pueden deberse al tiempo que
tarda en circular un fluido o material de un punto a otro (retraso ((distancia-velocidad)),
o deberse por ejemplo al tiempo de mezcla imperfecta de un equipo tipo tanque agitado
o quizas al tiempo de medida de los sensores que miden las variables a controlar. En
la figura 10.1 se muestra un ejemplo tpico. La variable a controlar en este caso es
la temperatura a la salida de un intercambiador de calor al que se suministra calor
controlado mediante la apertura de la valvula de entrada de un quemador de gas.
El retardo viene provocado en este caso por el hecho de que el termopar de medida
esta situado a una distancia apreciable de la salida del intercambiador (se supone que
la tubera no tiene perdidas, por lo que la temperatura medida coincide con la de la
salida). Intuitivamente se ve que el retraso en este caso sera
distancia al sensor
.
retraso =
velocidad de transporte del fluido
188
189
10.1.1.
Representaci
on matem
atica del retraso
Comenzaremos por indicar cual es la representacion matematica que tiene un determinado tiempo muerto tm en el dominio s, es decir en tiempo continuo1 . Supongase
que una determinada funcion gp (t) es igual a otra g(t) pero retrasada un tiempo tm .
Es decir, gp (t) = g(t tm ). Gp (s), es decir la transformada de Laplace de gp (t) se
calculara como:
Z
Gp (s) = g(t tm )est dt
0
s(t +tm )
g(t)e
dt = estm
g(t )est dt
es decir
Gp (s) = estm G(S).
(10.1)
Por tanto, el retraso tm se representa por un termino estm que multiplica a la transformada de Laplace de gp (t). La figura 10.2 muestra la configuracion de un lazo de control
realimentado para un proceso con retraso tm y cuya funcion de transferencia excluido
el retraso es G(s).
Lo anterior se refiere a tiempo continuo. Para sistemas descritos en tiempo discreto,
el retraso se mide en periodos de muestreo, es decir un determinado sistema tendra un
retraso de d periodos de muestreo2 . En este caso el retraso se representa por un termino
de la forma z d , de manera que la funcion de transferencia se representara por
Gp (z 1 ) = z d G(z 1 ).
1
Todas las estructuras presentadas en este captulo estan inicialmente formuladas para sistemas en
tiempo continuo, pero son facilmente extensibles al caso discreto e implementables en un computador.
En el captulo se indicaran las diferencias entre ambos casos.
2
En caso de que el n
umero de que el retraso sea un n
umero no m
ultiplo del periodo de muestreo
se recomienda cambiar dicho periodo de muestreo para que el retraso sea o bien un m
ultiplo exacto o
bien la parte fraccionaria sea muy peque
na y se pueda despreciar.
190
0
0.5
1
4
x 10
tm=1
0.5
To: Y(1)
0.5
tm=2
1
tm=3
1.5
2 1
10
10
10
10
Frequency (rad/sec)
Figura 10.3: Diagrama de Bode para distintos valores de un retraso puro etm s .
10.1.2.
Problem
atica del control de sistemas con retraso
191
10
0
t =0
m
90
t =0.01
m
To: Y(1)
10
t =0.1
m
180
tm=1
270 2
10
10
10
10
Frequency (rad/sec)
Figura 10.4: Diagrama de Bode para distintos valores de un retraso puro tm s para el sistema
10
.
C(s)G(s)etm s con C(s) = 1 y G(s) = 1+s
10
de transferencia G(s) = 1+s
y un controlador C(s) = K, donde inicialmente K = 1.
En la figura 10.4 se muestra el diagrama de Bode para este sistema para distintos
retrasos. Puede observarse que conforme aumenta el retraso aumenta el desfase y de
hecho disminuye el margen de fase hasta hacerse negativo. En este u
ltimo caso, el
sistema sera inestable en bucle cerrado para ese controlador C(s).
192
5
10
15
0
tm=0
90
To: Y(1)
t =0.1
tm=1
tm=0.01
180
270 1
10
10
10
Frequency (rad/sec)
Figura 10.5: Diagrama de Bode para distintos valores de tm s para el sistema de la figura 10.4 con
C(s) = 0,2.
193
Figura 10.6: Sistema de control realimentado para un proceso con retraso donde el sensor se ha
dispuesto antes del retardo.
10.2.
El Predictor de Smith
El Predictor de Smith es el mas popular de los algoritmos de control para compensacion de retardos. Aunque desarrollado para sistemas continuos en la decada de 1950,
su implementacion con circuitos analogicos es muy complicada y su para su aplicacion
es mas apropiado el control por computador.
La idea fundamental de la que se parte es la de cambiar la disposicion del sensor que
mide la variable controlada, situandolo antes del retraso puro (vease la figura 10.6. De
esta manera se esta controlando el sistema sin retraso, es decir, se ha sacado el retraso
del bucle de control. La funcion de transferencia de bucle cerrado sera por tanto:
GBC (s) =
C(s)G(s) tm s
e
1 + C(s)G(s)
(10.2)
Es decir la salida del sistema en bucle cerrado sera la salida del sistema sin retraso en
bucle cerrado retrasada un tiempo tm .
194
EL PREDICTOR DE SMITH
Figura 10.7: Sistema de control en donde se realimenta la prediccion de la salida mediante un modelo
en bucle abierto.
Comentario 10.2 En el caso de poder disponer el sensor antes del retraso, al sacar
el retraso del sistema, se disminuye de manera dr
astica el retraso de fase, aumentando
el margen de fase, permitiendo una sintonizaci
on m
as apropiada del controlador y
obteniendose por tanto una mejor respuesta y rechazo de perturbaciones. Esto sera,
por tanto, la solucion ideal al problema de control de sistemas con retraso.
Desgraciadamente en muchos casos no sera posible colocar el sensor antes del retraso. Por ejemplo cuando el retraso este asociado al propio sensor (caso de un cromatografo). Tambien cuando el proceso sea de parametros distribuidos de manera que
la variable y(t + tm ) no sea posible medirla y haya de ser estimada mediante un algoritmo que tiene un tiempo de ejecucion tm .
Cuando la salida sin retraso, es decir y(t+tm )3 , no se puede medir, se puede recurrir
a estimar su valor, o de manera mas precisa a predecir su valor en t + tm . Para ello se
puede usar un modelo suficientemente exacto de G(s) que denotaremos por Gm (s). Este
es por tanto un modelo del proceso sin retraso, que podemos llamar ((modelo rapido))
del proceso. La prediccion de y(t + tm ) (denotada a veces como y(t + tm |t)) puede ser
usada en un lazo de control como se ilustra en la figura 10.7. En esta estructura en
lugar de realimentar la salida y(t) del proceso, se realimenta la prediccion de y(t + tm )
efectuada en tiempo t mediante el modelo Gm (s). Los valores de la se
nal de control
calculados mediante C(s) se aplican directamente al proceso. Esta estructura tendra
como funcion de transferencia de bucle cerrado la expresion:
GBC (s) =
C(s)G(s)
etm s
1 + C(s)Gm (s)
(10.3)
En el caso de que el modelo del proceso sin retardo fuera perfecto, es decir Gm (s) =
G(s), claramente la funcion de transferencia (10.3) es entonces igual a la de (10.2).
3
Notese que en tiempo t + tm lo que hay en la salida del sistema es lo que haba en tiempo t a la
salida de G(s) antes del retraso, es decir y(t + tm ) es la salida sin retraso.
195
Por tanto si Gm (s) = G(s) este esquema funciona como si se pudiese sacar el retraso
cambiando la posicion del sensor. Esta situacion no se dara en la realidad, por que
siempre habra errores de modelado.
Notese que la estructura de control de la figura 10.7 es esencialmente una estructura
de control en bucle abierto, por que no se esta haciendo uso del valor de la variable
controlada y(t). Por tanto no sera capaz de hacer frente a perturbaciones o errores de
modelado. No se esta aprovechando el valor de y(t) para, por ejemplo, determinar los
errores de prediccion cometidos al usar el ((modelo rapido)). Precisamente este uso es
el que se le da en el Predictor de Smith.
La estructura del Predictor de Smith se muestra en la figura 10.8. Difiere de la
estructura de la figura 10.7 en que en este caso si se usa la variable controlada, es decir
es una estructura en bucle cerrado. Lo que se hace es que se compara la salida y(t)
con la salida del ((modelo rapido)) retrasada un tiempo tm (donde tm es la estimacion
del valor del retraso tm ), obteniendose por tanto una estimacion de y(t) (que se puede
denotar por y(t|t)). La comparacion permite obtener una se
nal de error de prediccion
e(t) = y(t) y(t|t) que se suma a la prediccion de y(t + tm ), de manera que los que se
realimenta es y(t + tm |t) + e(t).
Ademas del ((modelo rapido)) Gm (s), en el Predictor de Smith se tiene el ((modelo
196
EL PREDICTOR DE SMITH
60
40
20
0
20
0
90
180
270 3
10
10
10
10
Frequency (rad/sec)
En este ejemplo se ilustrara el control de sistemas con retraso y el uso del Predictor de
Smith. Considerese el siguiente sistema:
G(s) =
1
e20s
1 + 10s
En primer lugar se considera un lazo de realimentacion simple, en este caso con un PI,
dise
nado de manera que cancele el polo del sistema y para que la constante de tiempo
del sistema en bucle cerrado sin retraso sea la mitad del original. El PI resulta ser:
C(s) =
1 1 + 10s
5
s
197
40
20
0
20
40
0
90
180
270 3
10
10
10
10
Frequency (rad/sec)
Figura 10.10: Bode de C(s)G(s) para el ejemplo, desintonizando el controlador de manera que la
ganancia sea cuatro veces menor.
1.5
0.5
0
0
50
100
150
200
250
300
350
400
Figura 10.11: Respuesta del sistema en bucle cerrado con el controlador desintonizado de manera que
la ganancia sea cuatro veces menor.
198
EL PREDICTOR DE SMITH
1.5
0.5
0
0
50
100
150
200
250
300
350
400
Figura 10.12: Respuesta del sistema en bucle cerrado con el predictor de smith (trazo solido) comparada con la del lazo simple (trazo discontinuo).
10.2.1.
Como se ha comentado numerosas veces, los modelos matematicos siempre presentan diferencias con la dinamica real del proceso. Esas diferencias son imputables a la
propia simplificacion tpica de los modelos, o tambien por errores en la identificacion
de los parametros o bien por que la dinamica del proceso ha cambiado desde que se
obtuvo el modelo. En esta seccion analizaremos brevemente la influencia de los errores
de modelado sobre la funcion de bucle cerrado cuando se usa el Predictor de Smith.
199
1+
C(s)
1+C(s)Gm (s)
G(s)etm s
C(s)
G(s)
1+C(s)Gm (s)
(10.4)
En caso de no existir errores de modelado, es decir G(s) = 0 la funcion de transferencia de bucle cerrado coincide con la del proceso controlado sin retraso seguido del
retraso. Reordenando la expresion (10.4) se tiene:
GBC (s) =
C(s)G(s)
etm s
1 + C(s)Gm (s) + C(s)G(s)
(10.5)
10.2.2.
El Predictor PI
Evidentemente aqu se esta suponiendo que existe un modelo lineal con retraso que describe
perfectamente al proceso.
200
EL PREDICTOR DE SMITH
20%
1.2
10%
1
+10%
0.8
+20%
0.6
0.4
0.2
0
0
20
40
60
80
100
120
140
160
180
200
Figura 10.13: Respuestas del sistema en bucle cerrado con el predictor de smith cuando se tienen
diversos errores en la estimacion del retardo.
que se utiliza sera Kp etm s . Dicho de otra manera, el ((modelo rapido)) sera Gm (s) = Kp .
El resto de la estructura es igual a la del Predictor de Smith. Dicha estructura se ilustra
en la figura 10.14.
10.2.3.
El Predictor de Smith es directamente aplicable al caso discreto. Como se ha comentado, el retardo puro se expresa como z d , donde d es el n
umero de periodos de
muestreo que comprende el retardo. Por lo demas la estructura es la misma, con el
logico cambio de funciones de transferencia en tiempo continuo por sus equivalentes en
tiempo discreto.
201
Hacer
esperar(Tiempo_de_Muestreo);
k=k+1;
ymr(k+d) = salida_modelo_rapido(k+d);
ymp(k) = salida_modelo_planta(k);
y(k) = leer(sensor);
realim(k) = y(k) - ymp(k) + ymr(k+d);
e(k) = ref(k) - realim(k);
u(k) = calcula_control_C(e);
aplica(u(k));
Hasta STOP
10.3.
202
K1
1 + 1 s
G2 (s) =
K2
1 + 2 s
K1
K2
1 + 1 s 1 + 2 s
(K1 2 K2 1 )s + (K1 K2 )
(1 + 1 s)(1 + 2 s)
Para que el proceso sea de fase no mnima, el cero debe ser inestable, es decir positivo,
lo cual sucedera cuando K1 > K2 y 1 2 o tambien cuando K2 > K1 y 2 1 .
Fsicamente, la respuesta inversa se producira cuando el efecto mas intenso sea a la vez
el mas lento.
El control de sistemas con respuesta inversa presenta ciertas dificultades, tales como
por ejemplo que se deben limitar la amplitud de los componentes de alta frecuencia.
Por tanto esto sugerira limitar la accion derivativa en los PID. Sin embargo el efecto
derivativo es tambien beneficioso, pues la primera parte de la respuesta inversa se puede
asimilar a un retardo y es sabido que para sistemas con retraso la accion derivativa es
positiva (solo cuando el retardo es peque
no).
Considerando la analoga con los sistemas con retraso se puede pensar que una
estrategia basada en un predictor como el del Predictor de Smith puede ser apropiada para controlar este tipo de sistemas. Una estructura propuesta para este tipo de
sistemas se muestra en la figura 10.16.
Observese que en esta estructura, de manera analoga al Predictor de Smith, lo que
se realimenta es la diferencia entre la salida del proceso y la salida de un predictor que
modela la respuesta inversa. Es decir, lo que se busca es cancelar la realimentacion de
la respuesta inversa. Para ello, el predictor toma la forma:
1
1
G(s) = k
(10.6)
1 + 1 s 1 + 2 s
K1
1 + s 1
!
203
-K2
1 + s 2
(
&
&
k'
1
1
1 + s 1 1 + s 2
%
#
#
$
"
204
1.5
0.5
0.5
0
10
20
30
40
50
60
70
80
Figura 10.17: Ejemplo de control de un sistema de fase no mnima con un PI usando un lazo simple
de realimentacion (trazo discontinuo) y la estructura de control para procesos con respuesta inversa
propuesta en la figura 10.16.
Captulo 11
Control de procesos con
perturbaciones medibles
11.1.
Introducci
on
En este captulo y el siguiente se expondran tecnicas o estructuras de control avanzadas que son bastante u
tiles en control de procesos. Ambos captulos tienen en com
un
que las tecnicas que se exponen utilizan variables adicionales a la entrada y salida del
proceso que es lo que hasta ahora se ha usado u
nicamente.
La primera de las tecnicas que se expondran en este captulo es el control en cascada.
Esta tecnica utiliza la medida de variables internas para detectar rapidamente el efecto
de perturbaciones a la entrada del sistema y poder as iniciar antes la accion correctora.
Fsicamente esta estrategia conlleva el uso de varios lazos de realimentacion anidados,
de ah el nombre.
Ademas del control en cascada en este captulo se estudia el control anticipativo o
control en adelanto. Este tipo de control usa como variables adicionales perturbaciones
medibles que incidan sobre la salida del proceso. Se usa por tanto para cancelar lo mas
rapidamente posible el efecto de perturbaciones a la salida del proceso.
205
206
CONTROL EN CASCADA
D8;@385E: F@7 <734G7:; 7
<785H7 43 >43:; 3 =83@634A
7; 8BC
3I78; 363 >9 < J
)*+,
0*+,
- *+,
/
KLMNOLPQ R PQSQPTUSVWTLPQ
LMWTQXQYQ YUX QPTZQYRS
11.2.
Control en cascada
En muchos procesos es posible medir variables internas que permiten detectar perturbaciones antes de que tengan efectos apreciables sobre la salida o variable controlada
del proceso. La idea es usar estas variables internas para evitar que se acumule el efecto
de la perturbacion o error sobre la salida.
Uno de los casos mas frecuentes es el de las perturbaciones a la entrada que inciden
sobre los actuadores. El efecto de una perturbacion sobre los actuadores es el de variar
la magnitud de la accion esperada por el controlador para un determinado nivel de la
se
nal de entrada. De este modo, la accion de control efectiva que realmente se aplica
puede no ser la adecuada para controlar el sistema. Por ejemplo, en un proceso donde
se controle un determinado nivel con una valvula, una perturbacion sobre la dinamica
o caracterstica de la valvula hara que para un mismo porcentaje de apertura, el
flujo o caudal variase desviandose del esperado. En este razonamiento se esta haciendo
mencion explcita al hecho de que los actuadores tienen su propia dinamica, y por tanto
se pueden representar por su propia funcion de transferencia. La dinamica del actuador
sera por lo general mas rapida que la del proceso, y en algunos casos la diferencia
sera tal que se pueda ignorar su efecto o considerarlo subsumido en la dinamica de la
planta. Cuando el actuador esta sometido a perturbaciones es conveniente considerarlo
como un elemento autonomo como se ilustra en la figura 11.1. En ella puede observarse
la dinamica del actuador V (s), interpuesta entre las del controlador C(s) y la planta
propiamente dicha, G(s). Puede observarse ademas una perturbacion que incide sobre el
actuador, de manera que la actuacion que realmente recibe la planta estara perturbada
por P .
Como se comporta la estructura de control de la figura 11.1 ante el efecto de la
perturbacion P ? Es evidente que P afecta a la se
nal de control, y que esa desviacion
se manifestara en una desviacion en la salida al cabo de un cierto tiempo. Una vez se
207
ab
[ ^_
\]
[ ^_
e]
c ^_
]
` ^_
]
detecte esta variacion, el controlador actuara sobre el proceso para corregir la desviacion
de la salida. El problema es el tiempo que pasa entre que se produce la perturbacion
sobre el actuador hasta que esta se manifiesta en todo su efecto sobre la salida del
proceso. Durante todo ese tiempo, la perturbacion ha estado acumulando un exceso
o defecto de energa o masa aportada al sistema. Esta acumulacion sera corregida
por el controlador, pero demasiado tarde, cuando ya sea inevitable un notable efecto
pernicioso en la salida.
El control en cascada trata de hacer frente a este problema actuado sobre el proceso
sin tener que esperar a que la perturbacion a la entrada se manifieste a la salida. Esto se
consigue midiendo una variable interna que se vea afectada mucho antes que la salida.
Esta variable suele ser el valor de la actuacion que realmente se aplica.
11.2.1.
208
CONTROL EN CASCADA
11.2.2.
Sintonizaci
on de controladores en cascada
209
11.3.
Control anticipativo
210
CONTROL ANTICIPATIVO
pmno
fkhij
r
lmno
fghij
qmno
sx vw
u
vw
u
yz{|
s vw
tu
~z{|
Figura 11.4: Sistema con perturbacion a la salida controlado con un lazo simple de realimentaci
on.
211
Figura 11.5: Sistema con perturbacion a la salida controlado con un control anticipativo.
GD (s)
GP (s)
(11.1)
Finalmente, la estructura de control propuesta para el control anticipativo es claramente una estructura de control en bucle abierto, por lo que cualquier discrepancia
entre el modelo del efecto de la perturbacion y dicho efecto evitara la cancelacion
perfecta de la perturbacion. La solucion es bien sencilla: utilizar el control anticipativo
o feed-forward en una estructura de control realimentado que cancele esas diferencias.
Esta estructura es la que se muestra en la figura 11.6.
11.3.1.
Consideraciones pr
acticas sobre los controladores anticipativos
212
CONTROL ANTICIPATIVO
Figura 11.6: Sistema con perturbacion a la salida controlado con un control anticipativo con control
realimentado.
tinuacion se mostrara un caso en el que esto ocurre. Considerense los siguientes valores
para GD (s) y GP (s):
KD tmD s
e
1 + D s
KP
GP (s) =
etmP s
1 + P s
GD (s) =
KD 1 + P s (tmD tmP )s
e
KP 1 + D s
Esta expresion solo sera realizable si el retraso puro que aparece es positivo, es decir si
(tmD tmP ) 0. En el caso de que tmD < tmP esta funcion de transferencia incorporara un adelanto en lugar de un retraso que es fsicamente imposible de realizar. Esto
correspondera a una situacion en la que el efecto de la perturbacion se transmite mas
rapidamente que el efecto de la variable manipulada lo que evidentemente impide que
se pueda actuar sobre la perturbacion con suficiente tiempo.
Por otra parte la condicion de anular completamente el efecto de la perturbacion
puede ser demasiado estricta, por lo que en la practica se pretende reducir el efecto de
la perturbacion mas que cancerlarla completamente. Una forma de lograr esto es la de
emplear un control anticipativo est
atico, que consiste en una simple ganancia calculada
para corregir el efecto de la perturbacion en regimen permanente. Esta ganancia coincide con la ganancia estatica del control anticipativo calculado con la expresion (11.1),
es decir:
GD (s)
KD
lm GF F (s) = lm
=
s0
s0 GP (s)
KP
Evidentemente este tipo de control solo cancela el efecto del regimen permanente de
las perturbaciones pero ademas reduce el transitorio de las mismas.
Captulo 12
Control de procesos multivariables
12.1.
Introducci
on
Hasta ahora se ha supuesto de manera implcita que los sistemas a controlar cuentan
tan solo con una entrada y una salida. Las tecnicas de control vistas son por tanto
tecnicas de control SISO (Single Input Single Output). En la practica los sistemas o
plantas a controlar son suficientemente complejos y tienen siempre mas de una variable
controlada (salida) y mas de una variable manipulada (entrada). El uso de controladores
dise
nados con tecnicas SISO en estos sistemas puede llevar a rendimientos muy pobres
fundamentalmente por las interacciones existentes entre las diversas entradas y salidas.
Esto es as porque una entrada puede afectar a mas de una salida y por que una salida
puede depender de mas de una entrada. La figura 12.1 ilustra este hecho.
Los problemas causados por las interacciones son mas evidentes cuando los lazos de
control estan en automatico, y usualmente se desintonizan los controladores, perdiendo
rapidez y rendimiento en el control a fin de minimizar los efectos de las interacciones.
El mejor metodo para abordar los problemas de control en sistemas multivariables
comienza por evaluar las interacciones entre entradas y salidas a fin de poder establecer
los mejores emparejamientos posibles entre entradas y salidas. Como se vera, al usar
controladores SISO en sistemas multivariables, se obtienen mejores rendimientos si las
entradas se emparejan con las salidas correctas. Otro aspecto que se estudiara en este
captulo es el uso de desacopladores, que buscaran eliminar o al menos reducir las
interacciones. La idea tras este metodo es que un sistema multivariable desacoplado
puede ser controlado por controladores SISO en la misma manera que un conjunto de
213
214
SISTEMAS MULTIVARIABLES
1
1.6
0.9
1.4
0.8
1.2
0.7
1
2
u y
0.5
0.8
u y
0.6
0.6
0.4
0.4
0.3
0.2
0.2
0.1
0
0
20
40
60
80
100
120
140
160
0.2
0
20
40
60
80
100
120
140
160
Figura 12.1: Respuesta de un sistema multivariable de dos entradas y dos salidas cuando se aplican
escalones en sus entradas. Pueden observarse las interacciones en el hecho de que las salidas varan
cuando las entradas respectivas estan en reposo.
12.2.
Sistemas multivariables
Considerese un sistema dinamico con dos entradas u1 (s),u2 (s) y dos salidas y1 (s),y( 2).
Cada una de las salidas depende de las dos entradas, de manera que se puede considerar
un modelo lineal como el que sigue:
y1 (s) = G11 (s)u1 (s) + G12 (s)u2 (s)
y2 (s) = G21 (s)u1 (s) + G22 (s)u2 (s)
(12.1)
Este modelo lineal se representa con el diagrama de bloques que aparece en la figura
12.2. Estas expresiones se pueden reescribir en forma vectorial-matricial como:
Y(s) = G(s)U(s)
(12.2)
215
Figura 12.3: Representacion de un sistema multivariable de orden 2 en bucle cerrado con dos controladores multivariables.
donde
Y(s) =
y
y1 (s)
y2 (s)
M(s) =
U(s) =
u1 (s)
u2 (s)
216
(12.4)
12.3.
El metodo de Bristol de las ganancias relativas es una tecnica que permite evaluar
con facilidad las interacciones en regimen permanente y que, en consecuencia, se utiliza
217
u1 cte
u1 cte
u2 cte
u1 cte
Las ganancias estaticas de bucle abierto pueden determinarse facilmente mediante los
modelos del proceso o experimentalmente mediante ensayos en escalon en cada una de
las entradas mientras las restantes se mantienen constantes. Las ganancias estaticas de
bucle abierto definen la influencia de las entradas del sistema sobre sus salidas cuando
este esta en bucle abierto.
Las ganancias de bucle abierto no son una buena eleccion para la medida de las
interacciones debido a que:
Nos se pueden comparar entre si al tener distintas unidades.
No consideran lo que ocurre al cerrar los demas lazos de control.
Para analizar que ocurre con la ganancia del sistema cuando se cierran los demas
lazos de control deberemos analizar otras ganancias, definidas de la forma siguiente:
y1
y1
y2
y2
KC11 = u1
KC12 = u2
KC21 = u1
KC22 = u2
y2 cte
y2 cte
y1 cte
y1 cte
MEDIDA DE LAS INTERACCIONES. METODO
DE BRISTOL
218
Kij
KCij
(12.7)
K21
u1
K22
K12 K21
K11 K22 K12 K21
y1
= K11
=
=
u1 y2 cte
K22
K22
y2
K12 K21 K11 K22
=
=
u1 y1 cte
K12
y2
K11 K22 K12 K21
=
=
u2 y1 cte
K11
KC11
1
KC21
KC12
1
KC22
K11 K12
K21 K22
219
1 !T
Por tanto, una vez calculada M = [mij ] las ganancias relativas ij se obtienen mediante:
ij =
Kij
= Kij mij
KCij
Ejemplo 12.1
Considerese a modo de ejemplo un sistema consistente en un tanque bien aislado donde
se aportan un caudal Q1 de agua fria a temperatura T1 y otro de agua caliente con
caudal Q2 y temperatura T2 . El tanque desagua y se pretende que lo haga con un
caudal Q0 y temperatura T0 . Las variables que se pueden manipular son los caudales
(es decir Ui = Qi , mientras que las variables a controlar son la temperatura y caudal
de salida. Despreciando perdidas, el permanente (que es lo que interesa en el metodo
de Bristol) vendra dado por:
Y1 = U1 + U2 Y2 =
U1 T1 + U2 T2
U1 + U2
Este modelo teorico nos permite calcular las ganancias de bucle abierto usando derivadas:
K11 =
K21 =
Y1
Y1
= 1 K1 2 =
=1
U1
U2
Y2
T1 (U1 + U2 ) (U1 T1 + U2 T2 )
U2 (T1 T2 )
=
=
2
U1
(U1 + U2 )
(U1 + U2 )2
220
K22 =
T2 (U1 + U2 ) (U1 T1 + U2 T2 )
U1 (T2 T1 )
Y2
=
=
U2
(U1 + U2 )2
(U1 + U2 )2
T1 = 60 C
U2 = 1 l/s
1 T
) =
2
3
1
3
1
3
2
3
2
3
1
10
T2 = 30 C
1
20
3
1
3
1
10
Por lo tanto los emparejamientos mas apropiados son Y1 con U1 y Y2 con U2 o lo que
es lo mismo el caudal de agua de salida se controla con el caudal del agua caliente y la
temperatura de salida se regula con el caudal de agua fria.
Notese que los emparejamientos pueden ser dependientes del punto de operacion.
Efectivamente, si consideramos que
se obtiene
K=
de donde se obtiene que:
U1 = 1 l/s
U2 = 2 l/s
K11 K12
K21 K22
=
1
3
2
3
=
2
3
1
3
20
3
10
3
12.4.
221
(12.8)
(12.9)
(12.10)
(12.11)
(12.12)
y de ah:
Podemos entonces definir la funcion de transferencia de bucle cerrado como:
Gbc (s) = (I + G(s)Gc (s)H(s))1 G(s)Gc (s)
(12.13)
Para que el sistema en bucle cerrado sea estable, los polos de todos los elementos
de la matriz Gbc (s) deben ser estables, es decir deben estar en el semiplano izquierdo
en el caso de sistemas continuos o dentro del crculo unidad en el caso de los sistemas
discretos.
Por otra parte, el sistema estara desacoplado cuando la Gbc (s) sea diagonal. A
continuacion se estudiaran las condiciones en las que esto se verifica. Supongase que
H(s) = I, entonces:
Gbc (s) = (I + G(s)Gc (s))1 G(s)Gc (s)
(12.14)
222
R(s)
E(s)
U(s)
Y(s)
Claramente, G(s)Gc (s) es diagonal entonces Gbc (s) tambien lo sera. Veamos que al
contrario tambien se verifica. Supongase que Gbc (s) es diagonal. De la expresion anterior se tiene que:
Gbc (s) (G(s)Gc (s))1 = (I + G(s)Gc (s))1
(12.15)
(12.16)
(12.17)
(12.18)
En esta expresion, Gbc (s) es diagonal y tambien lo es (I Gbc (s))1 por lo que se
puede concluir que G(s)Gc (s) es tambien diagonal. Por tanto, la condicion necesaria
y suficiente para que Gbc (s) sea diagonal es que G(s)Gc (s) lo sea. Notese que esto
u
ltimo implica que la cadena directa en bucle abierto debe ser diagonal. Si esto se
verifica entonces el proceso de dise
no se reduce a sintonizar n lazos monovariables.
En el proceso de dise
no por desacoplo se considera que
Gc (s) = Gd (s)Gcn (s)
(12.19)
donde Gd (s) es la matriz de desacoplo y Gcn (s) es una matriz diagonal que corresponde a los n reguladores. Es decir, el bucle cerrado desacoplado puede conseguirse
calculando un bloque de desacoplo que diagonalice la matriz de transferencia del sistema y ajustando cada bucle como si fuera un sistema monovariable independiente.
Esta estructura de control se muestra en la figura 12.4.
En el calculo de las matrices de desacoplo puede llegarse a casos en los que las
matrices resultantes sean muy complejas o irrealizables (puede suceder cuando los
retrasos son diferentes).
223
4
1
2
0.8
Y U
0.6
Y1 U1
0.4
0.2
0
0
20
40
60
80
100
120
140
8
0
160
20
40
60
80
100
120
140
160
tiempo
tiempo
Figura 12.5: Respuesta del sistema multivariable del ejemplo cuando se aplican escalones en sus entradas.
Notese que Gc (s) se puede calcular directamente a partir de G(s) y Gbc (s) mediante
la expresion:
Gc (s) = G(s)1 Gbc (s) (I Gbc (s))1
(12.20)
Ejemplo 12.2
Sea el siguiente sistema multivariable:
"
Y1 (s)
=
Y2 (s)
10
3
20
3
1+5s
1+5s
#
U1 (s)
U2 (s)
(12.21)
1
1
1
0
10
20
30
103
3
3
3
C2
G
1+5s
1+5s C2 = C2 C1 1+5s
1+5s C1 = C1 +
=
I
1
1
3
0
1
0
1
0
1
1
0
2
3
1
3
0
10
1+5s
1
1
224
0
0.8
2
2
0.6
Y U
0.5
Y1 U1
0.7
0.4
6
0.3
0.2
0.1
0
0
20
40
60
80
100
120
140
10
0
160
20
40
60
80
100
120
140
160
tiempo
tiempo
Figura 12.6: Respuesta del sistema multivariable desacoplado cuando se aplican escalones en sus
entradas.
2
3
1
3
1
1
Teniendo en cuenta que la funcion de transferencia de bucle abierto del primer lazo es
1:
GC1
1
1
GBC1 =
=
1 + GC1 = GC1 (1 + s) GC1 =
1 + GC1
1+s
s
Por otra parte, dado que la funcion de transferencia de bucle abierto del segundo lazo
10
es 1+5s
, el dise
no del segundo controlador GC2 a partir de la funcion de transferencia
de bucle cerrado deseada sera:
GBC2 =
10
GC2 1+5s
10
GC2 1+5s
1
10
10
1 + 5s
1GC2
= GC2
(1+s) GC2 =
1+s
1 + 5s
1 + 5s
10s
0.8
0.8
0.6
0.6
R Y
225
R Y
0.4
0.4
0.2
0.2
0
0
20
40
60
80
100
120
140
160
180
200
0
0
20
40
60
80
100
120
140
160
180
tiempo
tiempo
En cuanto a las se
nales de control que realmente se aplican al sistema, estas se
calculan teniendo en cuenta los controladores dise
nados y la matriz de desacoplo:
U1 (s) =
2
1 + 5s
e1 (s) +
e2 (s)
3s
10s
U2 (s) =
1
1 + 5s
e1 (s)
e2 (s)
3s
10s
200
226
Captulo 13
Introducci
on al control adaptativo
13.1.
228
REFERENCIA
COMPORTAMIENTO
DESEADO
dicha comparacion se ajustan los parametros del regulador. Para ello se utiliza un
mecanismo de adaptacion que en algunos casos (no siempre) tambien puede actuar
directamente sobre la actuacion o se
nal de control que recibe el proceso. En algunos
casos se a
nade un tercer bucle que tiene como tarea la supervision del sistema de
manera que, por ejemplo, se garantice la estabilidad del sistema en bucle cerrado o se
eviten ciertos comportamientos indeseados tales como cambios demasiado abruptos en
los parametros del regulador ajustable.
Es facil ver que en el esquema anterior el mecanismo de adaptacion realiza la tarea
de resolver en tiempo real el problema de dise
nar un regulador apropiado (en el caso
mas sencillo con una estructura predefinida) para un sistema dado de manera que se
cumplan unas determinadas especificaciones de dise
no (dadas por el ((comportamiento
deseado))).
Existen otros controladores que proporcionan una cierta capacidad de adaptacion
pero que no encajan en la definicion anterior ya que la adaptacion se realiza en bucle
abierto, es decir, para adaptar la ley de control no se usan las medidas de la salida o
estado de la planta. Este es el caso de los controladores gain scheduling los cuales se
trataran en la seccion ??.
AL CONTROL ADAPTATIVO
CAPITULO 13. INTRODUCCION
13.1.1.
229
Clasificaci
on grosso modo de los sistemas de control
adaptativo
Ambas estrategias suponen que para cualquier juego de valores de los parametros del
sistema y las perturbaciones, existe un controlador lineal que hace que el sistema en
bucle cerrado cumpla los requisitos de dise
no.
Los MRAC intentan alcanzar un comportamiento en bucle cerrado deseado que
viene especificado por un modelo de referencia. Por otra parte, los STR intentan alcanzar un control lo mejor posible (optimo) a partir de un tipo de controlador prefijado y
la informacion obtenida del proceso (se
nales de entrada, salida, etc. . . ).
Las dos tecnicas tienen sus ventajas e inconvenientes. Las ventajas del MRAC pasan
por una rapida adaptacion y la posibilidad de utilizar formulaciones que garanticen
estabilidad (usando metodos de Lyapunov). Sin embargo, la capacidad de adaptacion
de estas estrategias dependen en gran medida de la riqueza dinamica de la se
nal de
control (esto es analogo a lo que ocurre en la identificacion de sistemas, vease el tema
8). Por otra parte, los STR se adaptan bien en casi todas las situaciones y son faciles de
implementar pues admiten tecnicas de programacion modular. Sin embargo, tambien
presentan sus propios inconvenientes como se vera mas adelante.
Otra posible clasificacion de los sistemas de control adaptativos es aquella que
atiende a la forma de obtener los parametros del controlador. En este esquema podemos
encontrarnos:
En los primeros el valor de los parametros se obtiene buscando entre los posibles valores
aquellos que hacen optimo un cierto criterio de comportamiento del sistema. Es decir,
230
optimizan un criterio de comportamiento o funcionamiento. En este grupo estudiaremos los controladores de mnima varianza y mnima varianza generalizado. Tambien
se puede considerar en este grupo el control predictivo basado en modelo (al que dedicaremos un amplio captulo mas adelante) cuando este tipo de control se utiliza como
controlador ajustable en alguno de los esquemas de control adaptativo referidos al
principio del tema.
Los controladores adaptativos sin criterio optimo buscan los parametros del controlador no mediante la optimizacion de un criterio de funcionamiento sino entre aquellos
que cumplen unas ciertas especificaciones, por ejemplo, la colocacion de los ceros y los
polos de bucle cerrado. En estos esquemas el controlador ajustable puede ser por ejemplo un regulador PID, un controlador dead-beat como los estudiados anteriormente o
un controlador por asignacion de polos o de ceros y polos. En tiempo real se resolvera el
problema de dise
nar dichos controladores, de manera que a pesar de los cambios en el
proceso se sigan cumpliendo las especificaciones de dise
no.
13.2.
Justificaci
on del uso de control adaptativo
El control adaptativo conlleva una serie de inconvenientes que pueden hacernos cuestionar su uso. Por ejemplo, su sintona no suele ser tan sencilla como la de los clasicos
controladores PID. Por tanto, hay que ver en que situaciones puede ser ventajoso su
uso y en que situaciones es mejor quedarse con controladores mas sencillos.
En general un controlador convencional esta pensando para controlar sistemas cuyos
parametros permanecen constantes (es decir, su dinamica no vara). Esta suposicion se
corresponde mas o menos con la de un sistema que suele operar siempre cerca de un
determinado punto de operacion y cuyas perturbaciones no son grandes (en relacion a
la variable controlada) y no varan demasiado. Sin embargo, puede suceder que el punto
de trabajo vare frecuentemente y en algunos sistemas puede suponer una variacion de
su dinamica lo suficientemente importante para afectar al rendimiento del controlador.
Por ejemplo, supongamos un sistema realimentado en el que el actuador presenta una
caracterstica de transferencia no lineal (figura 13.2). Esta situacion corresponde por
ejemplo a la caracterstica instalada de un valvula que usualmente suele ser no lineal.
Supongamos que el caudal de salida de la valvula viene dado por una expresion C =
A4 , donde es una cierta constante y A la apertura porcentual de la valvula. En
la figura 13.3 se muestra dicha caracterstica instalada (trazo solido). A la hora de
dise
nar el sistema de control se intentara obtener un modelo linealizado del actuador,
que evidentemente saldra diferente en funcion del punto de operacion. Si el controlador
AL CONTROL ADAPTATIVO
CAPITULO 13. INTRODUCCION
f(u)
231
G(s)
14
12
caudal (m /h)
10
10
20
30
40
50
60
70
80
90
100
apertura (%)
1
(s + 1)(s + a)
(13.1)
232
La primera aproximacion a este sistema sera hallar su respuesta ante escalon, para
los diversos valores de a. Como se ilustra en la figura 13.4 (izquierda), dicha respuesta
vara mucho en funcion de los valores del parametro a, pasando de hecho de ser un
sistema estable a otro inestable. Parecera que el sistema vara lo suficiente como para
justificar el uso del control adaptativo. Sin embargo, la configuracion que realmente
nos interesa es la del sistema realimentado. En la figura 13.4 (derecha) se muestra la
respuesta del sistema en bucle cerrado (realimentacion unitaria). En contra de lo que
podramos suponer la respuesta en bucle cerrado es mas o menos la misma, por lo que,
siendo esta la configuracion en la que se va a trabajar, no sera necesario usar control
adaptativo.
Step Response
Step Response
1.4
600
1.2
500
400
0.8
Amplitude
Amplitude
700
300
0.6
200
0.4
100
0.2
20
40
60
80
100
120
140
160
180
200
Time (sec)
10
12
Time (sec)
Figura 13.4: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (13.1).
Es facil poner un ejemplo en el que la situacion sea la inversa de la anterior. Considerese el sistema dado por la funcion de transferencia
G(s) =
20(1 T s)
(s + 1)(s + 20)(T s + 1)
(13.2)
En este caso la respuesta en bucle abierto del sistema es muy parecida independientemente de los valores de T (figura 13.5 izquierda). Cuando se le realimenta usando como
entrada u = 15(ref y) se obtienen, sin embargo, comportamientos muy diferentes en
funcion del valor de T (figura 13.5 derecha). Es por tanto que en este caso s estara
justificado el uso de tecnicas de control adaptativo. El lector puede comprobar ademas
que no solo hay que juzgar en funcion del comportamiento en bucle cerrado en general, sino que hay que tener en cuenta cuales van a ser las condiciones de operacion
particulares en las que se va a trabajar. En efecto, si se obtiene la respuesta en bucle
cerrado para el sistema (13.2) pero utilizando una realimentacion unitaria (esto es,
u = (ref y)) entonces las respuestas son esencialmente iguales independientemente
del valor de T .
AL CONTROL ADAPTATIVO
CAPITULO 13. INTRODUCCION
Step Response
233
Step Response
1.5
0.9
0.8
0.7
1
Amplitude
Amplitude
0.6
0.5
0.4
0.5
0.3
0.2
0.1
0
0
0
3
Time (sec)
0.5
1.5
2.5
Time (sec)
Figura 13.5: Respuestas en bucle abierto (izquierda) y cerrado (derecha) del sistema dado en (13.2).
13.3.
Es una de las tecnicas mas antiguas de control adaptativo y se basa, como su nombre
indica, en disponer de un modelo de bucle cerrado que es el que se desea que describa al
conjunto controlador-planta. Es decir, se debe partir de un conjunto de especificaciones
deseadas de bucle cerrado que se expresan mediante el modelo de referencia. El controlador ajustable debera adaptar sus parametros para que el modelo de bucle cerrado
del conjunto coincida o se acerque lo mas posible al modelo de referencia. La figura
13.6 muestra la configuracion mas popular (no es la u
nica sin embargo) para este tipo
de controladores. En dicha figura puede observarse un controlador primario ajustable
que en principio puede ser cualqier tipo de controlador. El mecanismo de adaptacion
es el que se va a encargar de ajustar los parametros del control primario para que la
diferencia entre la salida de la planta y el modelo de referencia sea lo mas peque
na
posible (es decir, que independientemente del valor inicial de esa diferencia, esta vaya
tendiendo a cero progresivamente).
Ademas de utilizar las se
nales tomadas de las salidas de la planta y el modelo,
el mecanismo de adaptacion puede utilizar las se
nales de entrada, de referencia y si
estuviesen disponible las variables de estado. En suma, toda la informacion disponible
sobre la planta y el comportamiento del sistema en bucle cerrado.
Para dise
nar un MRAC se ha de definir el modelo de referencia, el controlador y
la ley de adaptacion. En cuanto al modelo de referencia, sabemos que este especifica
el comportamiento en bucle cerrado deseado. Por tanto, el modelo ha de ser tal que
234
ym
+
REFERENCIA
yp
Figura 13.6: Configuracion generica de un controlador adaptativo por modelo de referencia (MRAC).
AL CONTROL ADAPTATIVO
CAPITULO 13. INTRODUCCION
13.3.1.
235
donde T es un periodo fijo de tiempo. La idea de la regla del MIT es ajustar el vector
de parametros del controlador en el instante t + T , de manera que haga decrecer J. Es
decir,
Z t+T
e( )
J
(t + T ) = (t)
= (t)
2e( )
d
(13.4)
t
donde Rnn es una matriz definida positiva que act
ua como ganancia de adaptacion.
Es facil entender que el controlador solo tiene influencia sobre la salida de la planta,
no sobre la del modelo. Por tanto ymodelo (t) no depende de y al variar este tampoco
lo hace ymodelo (t), luego
e( )
yproceso ( )
=
Finalmente, podemos conocer la variacion instantanea de los parametros del controlador tomando T 0 en el segundo miembro de (13.4) y teniendo en cuenta lo anterior
se llega a
d
yproceso
= 2e(t)
(13.5)
dt
236
que resulta en
d
e(t)
=
signo(e(t))
dt
e(t)
signo(e(t))
Ejemplo 13.1
Supongamos que tenemos un proceso cuya funcion de transferencia viene dada por
G(s) = kF (s)
donde k es ganancia desconocida y F (s) es perfectamente conocida. Se pretende que
el sistema en bucle cerrado se comporte acorde al modelo de referencia
GM (s) = k0 F (s)
(13.6)
donde k0 es una ganancia conocida (es un dato de entrada del problema). El controlador
ajustable del que se dispone tiene la estructura
u = uc
donde u es la entrada que se aplica a la planta y uc es la entrada al controlador (es
decir el parametro que se ha de ajustar es simplemente una ganancia). Se supone una
configuracion del sistema de control tal que es una ganancia feed-forward , es decir,
la funcion de transferencia desde uc a la salida del proceso yp es
Y (s)
= kF (s)
UC (s)
Como se pretende que la funcion de transferencia sea como en (13.6), lo logico sera
tomar
k0
=
k
pero es evidente que esto no se puede hacer, porque se desconoce el valor de k. Se
propone ajustar mediante la regla del MIT en el contexto de un control adaptativo
MRAC. El error es en este caso
e(t) = yp (t) ym (t) = kF (s)uc (t) k0 F (s)uc (t)
(13.7)
AL CONTROL ADAPTATIVO
CAPITULO 13. INTRODUCCION
237
(13.8)
ym (t)
k0
k0
La variacion de los parametros seg
un la regla del MIT sera
d
k
= ym (t)e(t)
dt
k0
Notese que se sigue desconociendo el valor de k0 , sin embargo esto no plantea problema
alguno, pues como es una constante cualquiera podemos agrupar las constantes que
aparecen en una sola , de manera que la regla sera
d
= ym (t)e(t)
dt
238