Apuntes Curso Espacio de Estados

Instituto Politcnico Nacional
Escuela Superior de Ingeniera Mecnica y Elctrica
Espacio de Estados
Ciclo escolar 2015/2
Tema 5. Control Moderno
Profesor: Omar Gibrahin Hernndez U.
Elabor: Ing. Omar Gibrahin Hernndez Uribe

Pag. -1
Academia de Control
Contenido
1.
Control en el espacio de estado ............................................................................................................... 4

1.1
Descripcin de sistemas en el espacio de estado .............................................................................. 4
1.1.1
Descripciones de sistemas dinmicos: ED, FT y EE ............................................................... 4
1.1.2
Conversin de FT a EE. Polos y autovalores........................................................................... 7
1.1.3
Conversin de EE a FT. Formas cannicas ............................................................................. 8
1.1.4
Solucin de ecuaciones de estado. Respuestas zero input y zero state .................................. 16
1.1.5
Anlisis de controlabilidad y observabilidad .......................................................................... 22
1.1.6
Anlisis de estabilidad (Lyapunov) ........................................................................................ 25
1.1.7
Ventajas de las EE frente a ED y FT ...................................................................................... 26
1.2
Control modal ................................................................................................................................. 29
1.2.1
Regulador del estado. Fijacin de polos ................................................................................ 29
1.2.2
Observador del estado ............................................................................................................ 34
1.2.3
Regulador basado en observador. Compensador ................................................................... 37
1.3
Control ptimo. Regulador LQ....................................................................................................... 40
1.3.1
Introduccin al control ptimo ............................................................................................... 40
1.3.2
Formulacin del problema del control ptimo........................................................................ 41
1.3.3
Compensacin analtica va ISE del regulador LQ ................................................................. 42
1.3.4
El regulador LQ con horizonte infinito................................................................................... 43
1.3.5
El regulador LQ con horizonte finito ...................................................................................... 47
1.3.6
Retroaccin de estado con accin integral .............................................................................. 50
1.4
Control ptimo estocstico .............................................................................................................. 51
1.4.1
Enfoque estocstico ................................................................................................................ 51
1.4.2
Retroaccin directa ................................................................................................................. 54
1.4.3
Reconstruccin ptima del estado. Filtro de Kalman-Bucy .................................................. 56
1.4.4
Regulador LQG ...................................................................................................................... 62
1.5
Ejercicios resueltos ......................................................................................................................... 67
2.
Tcnicas de control robusto................................................................................................................... 79

2.1
Conformacin del lazo (loopshaping) ............................................................................................. 80
2.1.1
Condiciones de comportamiento robusto ............................................................................... 81
2.1.2
Ejemplo .................................................................................................................................. 81
2.2
Teora cuantitativa de la retroaccin (QFT) ................................................................................... 83
2.2.1
Regiones de incertidumbre ..................................................................................................... 83
2.2.2
Plantillas para el diseo .......................................................................................................... 84
2.2.3
Ejemplo .................................................................................................................................. 86
2.3
Mtodos H ..................................................................................................................................... 89
2.3.1
Transformacin fraccional lineal (LFT) ................................................................................. 89
2.3.2
Obtencin de la planta aumentada .......................................................................................... 91
2.3.3
ndices de comportamiento ..................................................................................................... 92
2.3.4
Sntesis del controlador .......................................................................................................... 92
2.3.5
Ejemplo .................................................................................................................................. 93
2.4
Ejercicio resuelto ............................................................................................................................ 99
3.
Control frecuencial de sistemas MIMO ............................................................................................. 110

3.1
Modelizacin ................................................................................................................................. 110
3.1.1
Representacin ..................................................................................................................... 110
3.1.2
Perspectiva histrica. Del control moderno al robusto ........................................................ 114
3.1.3
Herramientas matemticas .................................................................................................... 116
3.1.4
Especificaciones ................................................................................................................... 118
3.2
Anlisis .......................................................................................................................................... 121
3.2.1
Interaccin y desacoplamiento ............................................................................................. 121
3.2.2
Anlisis de la dominancia diagonal ...................................................................................... 124
3.2.3
Anlisis de estabilidad .......................................................................................................... 126
3.3
Control MIMO por mtodos frecuenciales .................................................................................... 131

Pag. -2
Academia de Control
3.3.1
Control por inversin de planta ............................................................................................ 131
3.3.2
El mtodo de los lugares caractersticos ............................................................................... 136
3.3.3
Mtodo de Perron-Frobenius ................................................................................................ 158
3.3.4
Direct Nyquist Array ............................................................................................................ 164
3.3.5
Inverse Nyquist Array .......................................................................................................... 169
3.4
Referencias .................................................................................................................................... 174

Pag. -3
Academia de Control
1.
1.1
1.1.1
Control en el espacio de estado

Descripcin de sistemas en el espacio de estado
Descripciones de sistemas dinmicos: ED, FT y EE
En el primer tema vimos cmo un sistema dinmico poda representarse por medio de: ecuaciones
diferenciales (ED), funciones de transferencia (FT) y ecuaciones de estado (EE). En este tema nos
centraremos en la descripcin va EE:
Ecuaciones de estado
Variables de estado (VE) x(t). Resumen la historia dinmica del sistema. Junto con u(t), t>0,
permiten determinar el valor futuro de cualquier variable del sistema. Tambin pueden verse como
el mnimo conjunto de condiciones iniciales (CI), x(0).
Ecuaciones de estado (EE).
x f 1 (x, u, t ) ,
y f 2 ( x, t ) :
x A(t )x B(t )u , y C(t )x :
x Ax Bu ,
y Cx :
x Ax bu ,
y ct x :
no lineales,
lineales,
lineales,
variantes,
variantes,
invariantes,
MIMO
MIMO
MIMO
lineales,
invariantes,
SISO
(Nota: Se les reconoce por estar formadas por el vector de primeras derivadas y, a la derecha,
relaciones algebraicas)
Ejemplo 1. Pndulo invertido. Ecuaciones diferenciales. Obtener las ecuaciones diferenciales

que rigen la dinmica del montaje de la Fig. 1, con los siguientes datos:
y
m
l
P
u
Fig. 1. Pndulo invertido

Datos: M = 2kg, m = 0.1kg, l =0.5m, g = 9.81m/s2. Se supone que el cilindro no tiene masa, por lo
que el centro de gravedad del pndulo se sita en la masa m. Considerar tambin que el momento
de inercia I del pndulo respecto a su centro de gravedad es nulo y que el ngulo es pequeo.

Pag. -4
Academia de Control
Solucin:
Coordenadas del centro de gravedad del pndulo. Coinciden con la posicin de la bola:
xG x l sin
yG l cos
Movimiento rotacional de la bola: I V l sin H l cos , donde H, V son las componentes
horizontal y vertical de la fuerza medida en el punto P.
Movimiento horizontal de la bola: m
d2
( x l sin ) H
dt 2
d2
Movimiento vertical de la bola: m 2 (l cos ) V mg
dt
Movimiento horizontal del carrito: Mx u H
Si el ngulo de rotacin es pequeo, estas cuatro ecuaciones quedan como:
I V l H l
m( x l) H
0 V mg
Mx u H
Sustituyendo I = 0 y combinando las ecuaciones (2) con (4) y (1) con (3), el resultado es:
( m M ) x ml u
ml 2 mlx mgl
Ejemplo 2. Pndulo invertido. De ecuaciones diferenciales a funcin de transferencia. A

partir de las ecuaciones diferenciales:
( m M ) x ml u
ml 2 mlx mgl
se pide obtener la ecuacin diferencial que relaciona u con (que no aparezca x ni sus derivadas) y,
a partir de ella, obtener la funcin de transferencia (s)/U(s). Es estable el sistema?
Solucin:
Simplificando ml, la segunda ecuacin es l x g .
Sustituyndola en la primera, da
( m M )( g l) ml u o, lo que es lo mismo, ( m M ) g Ml u .
Laplace con condiciones iniciales nulas,

Pag. -5
Aplicando
Academia de Control
Mls 2 ( s ) ( m M ) g( s ) U ( s ) ,
se obtiene finalmente:
1
1
( s )
2
2
U ( s ) Mls ( M m) g s 20.601
Es inestable puesto que sus polos estn en 4.539 y en +4.539.
Ejemplo 3. Pndulo invertido. De ecuaciones diferenciales a ecuaciones de estado. A partir de

las ecuaciones diferenciales:
( m M ) x ml u
ml 2 mlx mgl
se pide obtener las ecuaciones de estado tomando como variables de estado a x1 , x2 ,
x3 x , x4 x , y como variables de salida a y x.

Solucin:
Por un lado,
x1 x2 y x 3 x4 .
La segunda ecuacin del enunciado queda como
ml x 2 mlx 4 mglx1 o, lo que es lo mismo, x 4 gx1 lx 2 . Sustituyendo sta en la primera

ecuacin del enunciado, ( m M ) x 4 mlx 2 u , se obtiene Mlx 2 mgx 1 Mgx 1 u . En
2
definitiva,
0
( M m ) g
A Ml
0
mg
M
1 0 0
0
1
0 0 0
1 0 0 0
0
, b Ml , C
, d
0
0 0 1
0
0 0 1 0

1
0 0 0
M
%planta
M=2; m=0.1; g=9.81; l=0.5;
A=[0
1 0 0;
(M+m)*g/(M*l) 0 0 0;
0
0 0 1;
-m*g/M
0 0 0];
B=[0 -1/(M*l) 0 1/M]';
C=[1 0 0 0;
0 0 1 0];
D=[0 0]';
A =
0
20.6010
0
-0.4905
1.0000
0
0
0
0
0
0
0
0
0
1.0000
0
B =
0
-1.0000

Pag. -6
Academia de Control
0
0.5000
C =
1
0
0
0
0
1
0
0
D =
0
0
1.1.2
Conversin de FT a EE. Polos y autovalores
Conversin de EE a FT
Para pasar de las ecuaciones de estado a la funcin de transferencia basta con aplicar la
transformada de Laplace a las EE y despejar la relacin entre la salida y(t) y la entrada u(t) con CI
nulas:
x Ax Bu
y Cx Du
sX ( s ) x (0) AX ( s ) BU ( s )
Y ( s ) CX ( s ) DU ( s )
X ( s ) ( sI A ) 1 ( x(0) BU ( s ))
Y ( s ) C X ( s ) D U ( s ) C( sI A ) 1 x (0) C( sI A ) 1 B D U ( s )

zero input
H ( s ) Y ( s )U ( s ) 1
x ( 0 ) 0
zero
state
C( sI A ) 1 B D
( s )
Polos y autovalores
Puesto que H ( s ) C( sI A ) 1 B D , los polos de la funcin de transferencia coinciden con los
autovalores de la matriz de estado A. Notar que el denominador de H(s) coincide con el polinomio
caracterstico de A expresado en s.
Por ejemplo, para el caso del pndulo simple del Tema 1 tenemos lo siguiente:
>> num=1;den=[1 0.5 10];
>> a=[0 1;-10 -0.5];b=[0;1];c=[1 0];d=0;
>> H=tf(num,den);
>> H=ss(a,b,c,d);
>> roots(den)
ans =
-0.2500 + 3.1524i
-0.2500 - 3.1524i
>> eig(a)
ans =
-0.2500 + 3.1524i
-0.2500 - 3.1524i
Esquema de bloques de la realizacin de estado

Pag. -7
Academia de Control
Puesto que H ( s ) C( sI A ) 1 B D , si suponemos D=0 (que es lo ms habitual,

correspondiente a sistemas estrictamente propios), el esquema de bloques de la realizacin de
estado es:
y
C
+
A
Fig. 2. Esquema de bloques
Ejemplo 4. Pndulo invertido. Polinomio caracterstico y autovalores. Considerar de nuevo el

pndulo invertido de la Fig. 1.
Se pide obtener su polinomio caracterstico. Es estable el sistema?
Solucin:
Polinomio caracterstico: ( ) 4 20.6012
Es inestable porque tiene un autovalor (polo) en +4.539.
alfa=poly(A)
alfa =
1.0000
-0.0000
-20.6010
roots(alfa)
ans =
0
0
4.5388
-4.5388
1.1.3
Conversin de EE a FT. Formas cannicas
Conversin de FT a EE
La conversin de FT a EE no es nica pero existen ciertas formas que presentan ventajas frente a
otras. Son las formas cannicas y se obtienen aplicando de manera inversa la regla de Mason vista
en el Tema 1. A fin de eliminar los trminos de productos de lazos y simplificar los trminos , i,
se hace que todos los lazos se toquen (tengan al menos un nodo en comn) y que todos los caminos
toquen tambin a todos los lazos (pasen tambin por dicho nodo). Cuando el nodo en comn es el
nodo de entrada se obtienen las formas controlables y cuando es el de salida las observables.
Considerar la funcin de transferencia
H ( s)
bn 1 s n 1 b1 s bo
bn 1 s 1 b1 s ( n 1) bo s n
s n a n 1 s n 1 a1 s ao 1 a n 1 s 1 a1 s ( n 1) ao s n
Vamos a ver las formas cannicas ms comunes:

Pag. -8
Academia de Control
Forma companion controlable (FCC)

Tambin llamada directa 1D. Se obtiene por inspeccin directa de los coeficientes de H(s) y, por
tanto, no requiere calcular ni polos ni ceros.
bn-1
bn-2
b1
1
-1
-1
s
xn
xn-1
-an-1
..
0

A
0
a 0
b0
-1
s
x2
x1
-an-2
-a1
c t b0
-a0
a1
0
0

,b
0
1

1
a n 1
b1 bn 1
Fig. 3. Forma cannica controlable
Forma companion controlable (FCC) de Matlab

Como en Matlab los nodos se numeran al revs, la FCC resultante obtenida con tf2ss es:
bn-1
bn-2
s-1
b1
1
s-1
x1
..
x2
-an-1
a n 1
1
A

b0
s-1
xn-1
xn
-an-2
-a1
a n 2 a0
1

0
0
0
, b
0
0
1
0

c t bn 1 bn 2 b0
-a0
Fig. 4. Forma cannica controlable (matlab)
Forma companion observable (FCO)

Tambin llamada directa 2D: Si se toma la nomenclatura de nodos de la Fig. 3, puede obtenerse por
transposicin de las matrices de la FCC ( A FCO A TFCC , b FCO c tFCC
, c tFCO b TFCC ):
bn-1
bn-2
b1
b0
-1
x1
b0
0 0 a0
b1
a1
,b
A

1 an 1
bn 1
0
1
-1
s
xn-2
..
-1
s
xn-1
-an-1
xn
-an-2
-a1
c t 0 0 1
-a0
Fig. 5. Forma cannica observable

Pag. -9
Academia de Control
Forma cannica diagonal (FCD)

Tambin llamada desacoplada. Se obtiene a partir de la descomposicin de H(s) en suma de
fracciones simples. Requiere el clculo de polos y residuos.
H ( s)
s-1
1
1
u
bn 1 s n 1 b1 s bo
cn
c1
c2
n
n 1
s a n 1 s a1 s ao s 1 s 2
s n
c2
b0
s-1
c1
cn
s-1
1
0
0
1

1
2
, b
n

0

0 n
1
c tn c1
c2
cn
Fig. 6. Forma cannica diagonal
Forma cannica en cascada

Tambin llamada serie o tndem. Se obtiene a partir de la descomposicin de H(s) en producto de
fracciones simples,
H ( s)
bn 1 s n 1 b1 s bo
b ( s z1 )
s zm
n 1
n
n 1
s a n 1 s a1 s ao
s 2
s n
bm 1
s 1
...
s zm
s n
Fig. 7. Forma cannica serie

Conversin entre formas cannicas
Pasar de una representacin de estado (cannica o no) implica hacer un cambio de las variables de
estado y hacer la transformacin de manera que se preserven sus caractersticas dinmicas
(estabilidad, controlabilidad y observabilidad). Por ello, la transformacin debe ser de similaridad
(conserva los autovalores).
El cambio de variables de estado es:
- Sistema a transformar:
x Ax bu
y ct x
- Cambio general de variables:
x x

Pag. -10
Academia de Control
- Transformacin:
x Tx
- Sistema transformado:
b u
x Ax
y c t x
T1AT , b T 1 b y c t c t T
donde A
La matriz de paso T debe ser una matriz unitaria, T*T=I, TT*=I, y su valor ser distinto segn sea
la forma cannica que queremos calcular:
Conversin a forma cannica diagonal. Matriz modal
En este caso la transformacin requerida viene dada por T=M, siendo M m 1 m 2 m n
la matriz modal formada por columnas de autovectores por la derecha (right eigenvectors,
Au i i u i , por lo que tambin se denota por U u 1 u n ). Tambin es posible formar la
v 1t

matriz modal por filas (left modal matrix: V T ), cuyas filas son los autovectores por la
v tn

t
T
T
izquierda v i , v i A i v i .
La variable transformada suele denotarse por z en vez de x , y la matriz de estado resultante se suele
denominar en vez de A.
Casos especiales: Si A es companion con autovalores distintos entonces M es una matriz de Van
der Monde. Si los autovalores son complejos, ser diagonal por bloques.
Conversin a forma cannica controlable. Variables de fase
La matriz que realiza esta transformacin es T M c W , siendo M c la matriz de controlabilidad y W
la matriz de Toplitz obtenida a partir del polinomio caracterstico del sistema.
Expresin de M c : M c b
Ab A n 1 b , siendo n el nmero de estados.
Obtencin de W a partir de ( )
an 1
a1
n 1
a1 an 1 1
1 0
a0 : W
an 1
0 0
1
Conversin a forma cannica observable
La matriz que realiza la transformacin es T WM o , siendo M o la matriz de observabilidad y

W la misma matriz de Toplitz presentada en el apartado anterior.

Pag. -11
Academia de Control
ct
t
cA
Expresin de M o : M 0
, siendo n el nmero de estados.

t n 1
c A
Ejemplo 5. Realizaciones de una H(s). Formas cannicas. Dada la funcin de transferencia
H ( s)
s2
s 4s 3
2
Se pide:
1) Obtener su realizacin en Forma Companion Controlable (FCC) (versin Matlab). (Matlab:

tf2ss)
num=[1 2];
den=[1 4 3];
disp('FCC matlab')
[a,b,c,d]=tf2ss(num,den)
FCC (MATLAB):
1
4 3
A cM
;b cM ;c tcM 1 2
0
0
1
1
1
x1
s-1
x1 x 2
s-1
x2
2
y
-4
-3
2) Obtener su realizacin en Forma Companion Controlable (FCC) (versin teora). (Matlab:

rot90, flipud, fliplr)
disp ('FCC teoria')
a=rot90(a,2),b=flipud(b),c=fliplr(c),
FCC (teora):
1
0
0
Ac
;b c ;c tc 2 1
1
3 4
1
1
u
x 2
s-1
x1 x2
s-1
x1
2
y
-4
-3
3) Obtener su realizacin en Forma Companion Controlable (FCC) a partir de la trasformacin de

similaridad x Tx , T M c W . (Matlab: ctrb, poly, inv)

Pag. -12
Academia de Control
disp('FCC toeplitz')
Mc=ctrb(a,b);
pol=poly(a);
W=[pol(2) 1; 1 0];
T=Mc*W;
aFCC=inv(T)*a*T
bFCC=inv(T)*b
cFCC=c*T
1
0
0
Ac
;b c ;c tc 2 1
1
3 4
FCC:
4) Obtener su realizacin en Forma Companion Observable (FCO) a partir de la trasformacin de

1
similaridad x Tx , T ( WMo ) . (Matlab: obsv, poly, inv)
disp('FCO toeplitz')
Mo=obsv(a,c);
T=inv(W*Mo)';
aFCO=inv(T)*a*T
bFCO=inv(T)*b
cFCO=c*T
2
0 3
Ao
;bo ;c ot 0 1
1
1 4
FCO:
1
2
s-1
x1
x2 x1
s-1
1
x2
-4
-3
5) Obtener su forma cannica en cascada
H ( s)
s2
1 s2
s 4s 3 s 1 s 3
2
1 0 1
x
x u
1 3 0
y 1 2 x 0 u
1
1
u
x1
x1 1
s-1
H ( s)
s-1
-3
-1
6) Obtener su forma cannica diagonal
1 x
2
s2
0.5
0.5
s 4s 3 s 1 s 3
2

Pag. -13
x2
2
y
Academia de Control
1 0 1
x
x u
0 3 1
y 0.5 0.5x 0 u
x1
s-1
x1
0.5
-1
u
x 2
-1
x2
0.5
-3
Ejemplo 6. Forma cannica diagonal y de Kalman. Dado el sistema con:
5 2 4
A 2 1 2
1 1 0
1 1
B 3
1
1 1
3 1 2
C
0
1 0
Se pide:
1) Convertir las matrices A, B y C a la Forma Cannica Diagonal (Nota: Calcularla a travs de
x Mz).
a=[5 -2 -4;2 1 -2;1 -1 0];
b=[1 -1;3 1;-1 -1];
c=[3 -1 -2;-1 0 0];
d=zeros(2);
%diagonal obteniendo T
[T,D]=eig(a),
an=inv(T)*a*T
bn=inv(T)*b
cn=c*T;
T =
-0.7071
-0.7071
-0.0000
0.7071
-0.0000
0.7071
0.0000
-0.8944
0.4472
3.0000
0
0
0
1.0000
0
0
0
2.0000
an =
3.0000
-0.0000
0.0000
-0.0000
1.0000
0.0000
-0.0000
-0.0000
2.0000
bn =
-1.4142
0.0000
-2.2361
1.4142
0.0000
-2.2361
cn =
-1.4142
0.7071
0.7071
-0.7071
D =
0.0000
-0.0000

Pag. -14
Academia de Control
2) Convertir las matrices A, B y C a la Forma Cannica Diagonal (Nota: Calcularla a travs de la

funcin canon).
%diagonal canon
FCD=canon(ss(a,b,c,d),'modal')
a =
x1
x2
x3
x1
3
0
0
x2
0
1
0
x3
0
0
2
b =
x1
x2
x3
u1
-1.414
5.024e-015
-2.236
u2
1.414
4.082e-015
-2.236
c =
x1
-1.414
0.7071
y1
y2
x2
0.7071
-0.7071
x3
4.552e-015
-2.913e-015
d =
y1
y2
u1
0
0
u2
0
0
Continuous-time model.
3) Obtener la Forma Cannica Controlable de Kalman (FCCK), separando el subsistema controlable

( A c ) del no controlable ( A c ).
A A12
T2 A c
, siendo T1 una submatriz
0 Ac
con n1 n columnas linealmente independientes de M c y el resto (T2) columnas arbitrarias que
Nota: La transformacin es x Tx , T T1
Ac
no hagan singular la matriz T. La funcin ctrbf de matlab da como resultado A

A 21
%FCCK
[aa,bb,cc,T,k]=ctrbf(a,b,c);
aa =
1.0000
-0.0000
0.0000
-5.8424
2.8000
-0.1633
2.6833
-0.9798
2.2000
bb =
-0.0000
0.4472
-3.2863
-0.0000
-1.3416
-1.0954
cc =
-3.2660
0.4082
1.7889
-0.8944
-0.3651
0.1826
T =
-0.4082
0.8944
-0.1826
0.4082
-0.0000
-0.9129
0.8165
0.4472
0.3651
k =
2

Pag. -15
0
.
A c
Academia de Control
1.1.4
Solucin de ecuaciones de estado. Respuestas zero input y zero state
Tambin en el primer tema vimos cmo la respuesta de un sistema lineal estaba formada por la
superposicin de dos trminos:
Respuesta zero state (ZS): Respuesta del sistema debida nicamente a la excitacin u(t),
suponiendo pues condiciones iniciales nulas (x(0)=0).
Respuesta zero input (ZI): Respuesta del sistema debida nicamente a la energa
almacenada en l en el instante 0, es decir, debida nicamente a las condiciones iniciales
x(0), suponiendo excitacin nula, u(t)=0.
Vamos a ver cmo se obtiene la respuesta temporal a partir de las ecuaciones de estado.
Por Laplace. Matriz resolvente y matriz de transicin
x Ax Bu
sX( s ) x(0) AX( s) BU( s )
( sI A) X( s) x(0) BU( s)
X ( s ) ( sI A ) 1 x(0) BU( s )
t
At
x(t ) e
x(
0) e A ( t ) Bu( )d
ZI
ZS
A la matriz ( s ) ( sI A ) 1 se la llama matriz resolvente. Para pasar al dominio temporal se

usa la transformacin de Laplace inversa (y de manera anloga al caso SISO: 1 /( s a ) e at ).
As, la transformada inversa es (t ) e At y se la llama matriz de transicin.
Para obtener la expresin en el tiempo de x(t) necesitamos calcular la matriz de transicin. Este
clculo se simplifica mucho si antes de obtenerla pasamos a FCD (puesto que, entonces e t
tambin ser diagonal) y, despus, volvemos a aplicar la transformacin modal inversa: Sabemos
que x = Mz, siendo M la matriz modal,
Mz AMz Bu
z M 1 AMz M 1 Bu z B n u con z (0) M 1 x(0)
z (t ) e t z (0) e (t ) B n u( )d
Clculo de la matriz de transicin
Para calcular la matriz eAt hay diversas opciones:
a) Laplace:
e At L1 ( sI A) 1
topolgicamente
obteniendo
(s )
tanto
matricialmente
b) Clculo numrico aproximado (aplicacin: discretizacin de las ecuaciones de estado)

Pag. -16
como
Academia de Control
A d e AT I AT
A 2T 2
2!
T
B d e d B A 1 e AT I B A 1 AT B TB
c) Cayley-Hamilton (posibilita reducir la serie e At I At

c.1) Polinomio:
A 2t 2
a un polinomio)
2!
e At 0I 1A n 1A n 1
e1t o 11 n 11n 1
c.2) Clculo de los coeficientes:
...
en t o 1n n 1nn 1
d) Desarrollo de Sylvester
d.1) Polinomio: e At
e F
it
i 1
d.2) Clculo de los coeficientes: Fi
A jI
j 1
( j i )
Ejemplo 7. Clculo de la matriz de transicin. Calcular la matriz de transicin del siguiente

sistema por diferentes mtodos:
1
0
0
x
x
2 3
1
y 1 0x 0 u
Solucin:
Primer mtodo: Por Laplace
Matriz resolvente calculada matricialmente:
s 2 3s 2
0
1
2
s
s 3 1
( s ) ( sI A ) 1
2 3 1 s 3 2 s
s 3 1
2 s
( s ) 2
s 3s 2
Descomposicin en suma de fracciones simples de cada elemento de la matriz:
s3
s 3s 2
( 2)
21 ( s ) 2
s 3s 2
11 ( s )
2
( 1)
s 1 s 2
( 2)
2
s 1 s 2
,
,
Transformada inversa de cada trmino:

Pag. -17
s 3s 2
1
22 ( s ) 2
s 3s 2
12 ( s )
1
( 1)
s 1 s 2
( 1)
2
s 1 s 2
Academia de Control
e t e 2 t
e t 2e 2 t
2 e t e 2 t
e At
t
2 t
2e 2e
Segundo mtodo: Cayley-Hamilton
Segn el teorema del mismo nombre, la matriz A es solucin de su polinomio caracterstico.
e 1t 0 11
e At 0 I 1A t
2
e 0 1 2
Por tanto, hay que resolver el siguiente sistema a fin de hallar 0 y 1:
e 2 t 0 21
t
2t
t
e 0 1 1 e 21 e
1 e t e 2 t
0 e 2 t 2e t 2e 2 t 2e t e 2 t
e
At
2e t e 2 t
0 I 1 A 2e t 2e 2 t
3
2
ee
e
3e
e t 2 e 2 t
e t e 2 t
2 t
2 t
Ejemplo 8. Simulacin de respuestas ZI y ZS. Considerar de nuevo el pndulo simple del Tema
1,
H ( s)
( s )
1
1
2
2
U ( s ) s s s 0.5s 10
En este ejemplo veremos cmo simular las respuestas ZS y ZI.

Si obtenemos su respuesta indicial a partir de la funcin de transferencia, lo que estamos simulando
es slo la respuesta ZS (recordar que la funcin de transferencia implicaba CI nulas):
Step Response
>> H=tf(1,[1 0.5 10])
0.18
0.16
Transfer function:
1
--------------------s^2 + 0.5 s + 10
0.14
Amplitude
0.12
>> step(H)
>>
0.1
0.08
0.06
0.04
0.02
0
0
10
15
20
25
Time (sec)
En cambio, si trabajamos con la descripcin de estado, podemos encontrar por separado ZS, ZI o la
suma de ambas. Las ecuaciones de estado del pndulo simple son:

Pag. -18
Academia de Control
1 x1 0
x1 0

u
x2 x2 1
x
y 1 0 1 0u
x2
Para el caso =10, =0.5, las siguientes figuras muestran respectivamente la respuesta zero input a
condiciones iniciales x(0) 0.2
0.2 y la respuesta zero state:

T
0.6
>>
>>
>>
>>
a=[0 1;-10 -0.5];

b=[0;1];
c=[1 0];
d=0;
0.4
0.2
>> H=ss(a,b,c,d);
-0.2
>> x0=[0.2;-0.2];
>> [y,t,x]=initial(H,x0);
>> plot(t,x)
-0.4
-0.6
-0.8
>>
>>
>>
>>
10
15
20
25
10
15
20
25
0.3
a=[0 1;-10 -0.5];

b=[0;1];
c=[1 0];
d=0;
0.2
0.1
0
>> H=ss(a,b,c,d);
-0.1
>> [y,t,x]=step(H);
>> plot(t,x)
-0.2
-0.3
-0.4
Notar que, en la segunda grfica, la primera variable de estado (azul) coincide con la salida de la
funcin de transferencia.
Finalmente, podemos simular la suma de la respuesta ZS y la respuesta ZI:
>>
>>
>>
>>
0.3
a=[0 1;-10 -0.5];

b=[0;1];
c=[1 0];
d=0;
0.2
0.1
>> H=ss(a,b,c,d);
>> x0=[0.2;-0.2];
-0.1
>>
>>
>>
>>
-0.2
t=linspace(0,25,200);
u=ones(size(t));
[y,t,x]=lsim(H,u,t,x0);
plot(t,x)
-0.3
-0.4

Pag. -19
10
15
20
25
Academia de Control
Ejemplo 9. Simulacin de respuestas ZI y ZS. Dada la funcin de transferencia
H ( s)
s2
s 4s 3
2
se trata de obtener su respuesta temporal: Las respuestas ZI, ZS y ZI+ZS del sistema con excitacin
1
1
escaln unitario y condiciones iniciales x (0) . La descripcin en EE es
1 0
0
x
x u
3 4 1
y 2 1x 0 u
En primer lugar se calcula la respuesta zero-input tomando como condiciones iniciales (CI) a
x1 (0) 1 y x 2 (0) 1 . (Matlab: tf2ss, initial, ss, plot, title, xlabel):
num=[1 2];den=[1 4 3];[a,b,c,d]=tf2ss(num,den);x0=[1 1]';
%zero input
figure(1),[y,t,x]=initial(ss(a,b,c,d),x0);
plot(t,y,t,x,'--'),title('zero input'),xlabel('t'),
zero input
3
2.5
2
1.5
1
0.5
0
-0.5
-1
4
5
tiempo
Ahora se calcula la respuesta zero-state a una excitacin escaln unitario. (Matlab: step, ss, plot,
title, xlabel):
%zero state a escalon unitario
figure(2),[y2,t,x2]=step(ss(a,b,c,d),t,x0*0);
plot(t,y2,t,x2,'--'),title('zero state'),xlabel('t'),
zero state
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
4
tiempo

Pag. -20
Academia de Control
Ahora se calcula y representa la respuesta total (zero-state ms zero-input). (Matlab: lsim, ss, plot
title, xlabel)
%total
figure(3),[y3,t,x3]=lsim(ss(a,b,c,d),t*0+1,t,x0);
plot(t,y3,t,x3,'--'),title('total'),xlabel('t'),
total
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
0
tiempo
Finalmente se presenta en el plano de estado ( x2 ( x1 ) ) la respuesta del sistema a un conjunto de

condiciones iniciales (variando entre 1 y 1). (Matlab: for..end, initial, ss, plot, axis, hold on hold
off, title, xlabel, ylabel):
%plano de estado
figure(4)
for x1=-1:0.25:1
for x2=-1:0.25:1
[y,t,x]=initial(ss(a,b,c,d),[x1;x2]);
plot(x(:,1),x(:,2)),hold on
end
end
axis([-1 1 -1 1]),title('Plano de fase')
xlabel('x_1'),ylabel('x_2')
hold off
Ejemplo 10. Pndulo invertido. Simulacin de la respuesta zero input. Considerar de nuevo el
pndulo invertido de la Fig. 1.

Pag. -21
Academia de Control
Se pide obtener la respuesta zero input a x 0 0.1 0

una de las variables de estado (subplot).
0 0 . Representar por separado cada

T
Solucin:
La respuesta a condiciones iniciales modela la perturbacin con respecto al punto de equilibrio:
>>
>>
>>
>>
>>
>>
x0=[0.1 0 0 0];
t=linspace(0,0.8);
[y,t,x]=initial(ss(a,b,c,d),x0,t);
plot(t,x)
xlabel('tiempo'),title('planta sin control')
legend('\theta','d\theta/dt','x','dx/dt','Location','Best')
planta sin control
9
d/dt
x
dx/dt
8
7
6
5
4
3
2
1
0
-1
1.1.5
0.1
0.2
0.3
0.4
tiempo
0.5
0.6
0.7
0.8
Anlisis de controlabilidad y observabilidad
Definiciones
Suponer que tenemos un sistema con n estados, algunos estables y otros inestables. Entonces,
El sistema es totalmente controlable si tenemos acceso a todos los estados desde el nodo de
control u.
En el caso de que no todos los estados sean controlables, se dice que el sistema es
estabilizable si, al menos, todos los estados inestables s que son controlables desde u.
El sistema es totalmente observable si tenemos acceso a todos los estados desde el nodo de
salida y.
En el caso de que no todos los estados sean observables, se dice que el sistema es detectable
si, al menos, todos los estados inestables s que son observables desde y.
Criterios
Existen diferentes criterios para determinar si un sistema es controlable y/o observable.
ejemplo se pueden usar las matrices de controlabilidad y observabilidad:

Pag. -22
Por
Academia de Control
Criterio de controlabilidad: Un sistema es totalmente controlable si el rango de su matriz de

controlabilidad M c es igual al nmero de estados n.
M c b Ab A n 1 b
Criterio de observabilidad: Un sistema es totalmente observable si el rango de su matriz de

observabilidad M o es igual al nmero de estados n.
ct
t
cA
M0

t n 1
c A
Aparte de las matrices Mc y Mo tambin se puede estudiar la controlabilidad y observabilidad por
medio de los Gramianos, por medio de la forma cannica diagonal y por medio de la
descomposicin de Kalman.
Propiedades
Dualidad: La controlabilidad del sistema A 1 , b 1 , c1t es equivalente a la observabilidad del
sistema A 2 A 1T , b 2 c1t
, c 2t
b 1T .
Efecto de la retroaccin de estado sobre la controlabilidad y la observabilidad: El sistema resultante

(controlado) retiene la propiedad de controlabilidad de la planta, pero puede perder la
observabilidad de la planta.
Ejemplo 11. Anlisis de controlabilidad y observabilidad. Estabilizabilidad y detectabilidad.

Dado el sistema definido por las siguientes matrices:
2
0
A
0
8
3
0
0
0 0
1

1
6 0
, b
0
4 0

0 5
0
, c t 0 1 1 0
se trata de estudiar su controlabilidad (estabilizabilidad) y su observabilidad (detectabilidad).

Se pide:
1) Calcular la matriz de controlabilidad M c b Ab A n 1b , determinar por inspeccin su

rango e interpretar el resultado. (Matlab: ctrb,rank)
a=[2 8 0 0;0 3 6 0;0 0 4 0;0 0 0 -5];
b=[1 1 0 0]';

Pag. -23
Academia de Control
c=[0 1 1 0];
mc=ctrb(a,b),rc=rank(mc)
1 10 44 160
1 3 9 27
2 No controlable
Mc
c
0 0 0
0
0
0 0 0
ct
t
c A , determinar por inspeccin su rango e
2) Calcular la matriz de observabilidad
Mo

t n 1
c A
interpretar el resultado. (Matlab: obsv, rank)

mo=obsv(a,c),ro=rank(mo)
1
0 1
0 3 10
Mo
0 9 58
0 27 286
0
0

0
o 2 No observable
3) Hallar la Forma Cannica Diagonal e identificar los modos observables y/o controlables.
(Matlab: canon)
FCD=canon(ss(a,b,c,0),'modal')
2
0
FCD
0
0
7
0
8.06
, b
n
0 Los modos 4 y -5 no son controlables
0 4 0
0 0 5
0
0 0
3 0
c tn 0 012
.
0.28 0 Los modos 2 y -5 no son observables
4) A la vista del resultado anterior indicar si el sistema es estabilizable y/o detectable.
El modo inestable 4 no es controlable el sistema no es estabilizable.
El modo inestable 2 no es observable el sistema no es detectable.
Ejemplo 12.
Pndulo invertido.
Anlisis de controlabilidad y observabilidad.
Estabilizabilidad y detectabilidad. Considerar de nuevo el pndulo invertido de la Fig. 1.

Pag. -24
Academia de Control
Se pide estudiar su controlabilidad y su observabilidad.

detectabilidad.
dem con su estabilizabilidad y su
Solucin:
Es totalmente controlable. Por tanto, tambin es estabilizable.
Mc=ctrb(A,B)
rank(Mc)
Mc =
0
-1.0000
0
0.5000
-1.0000
0
0.5000
0
0
-20.6010
0
0.4905
-20.6010
0
0.4905
0
ans =
4
Sin embargo, es completamente observable desde y2=x, pero no desde y1=.

rank(obsv(a,c(1,:)))
ans =
2
rank(obsv(a,c(2,:)))
ans =
4
1.1.6
Anlisis de estabilidad (Lyapunov)
Segundo mtodo de Lyapunov

Funcin de Lyapunov:
V ( x ) xt Px, forma cuadrtica definida positiva.
V (x) x T ( A T P PA )x , forma cuadrtica definida negativa.

Criterio de estabilidad. Mtodo:
1) Plantear la ecuacin A T P PA I .
2) Resolver obteniendo P.
3) Estudiar del signo de la matriz P.
Para estudiar el signo de una matriz hay que estudiar los menores (minors) de la matriz. stos
pueden ser menores principales y menores principales bsicos (leading)
El menor (asociado al elemento aij de una matriz A nn) es el determinante de la matriz (n-1)(n-1)
obtenida eliminando la fila i y la columna j.
El cofactor asociado al elemento aij es el menor dotado del signo (-1)i+j.
Ejemplo 13. Anlisis de estabilidad. Dada la funcin de transferencia

Pag. -25
Academia de Control
H ( s)
s2
s 4s 3
2
se trata de estudiar su estabilidad: 1) obteniendo sus autovalores (por tratarse de un SLI), y 2)

aplicando el segundo mtodo de Lyapunov (de gran utilidad en los sistemas no lineales).
Solucin:
Primero calculamos los autovalores de dos de sus realizaciones y comprobamos que coinciden con
los polos de H ( s) . (Matlab: roots, tf2ss, canon, ssdata, eig)
num=[1 2];den=[1 4 3];
%
polos=roots([1 4 3])
%
FCD=canon(tf(num,den),'modal');[a,b,c,d]=ssdata(FCD),
autoval=eig(a)
%
[a,b,c,d]=tf2ss(num,den);
autoval=eig(a)
Autovalores:
1 1 y 2 3
A partir de la matriz del sistema correspondiente a la Forma Companion Controlable, resolvemos la

ecuacin de Lyapuov ( A T P PA I ) y determinamos
el signo de la forma cuadrtica cuya matriz
de coeficientes es P, mediante el criterio de Sylvester. (Matlab: lyap, eye, det)

p=lyap(a',eye(2))
p11=p(1,1)
detP=det(p)
if (p11>0) & (detP>0),disp('estable'),else,('inestable'),end
Segundo mtodo de Lyapunov:

Solucin:
Signos:
1.1.7
0.1667 0.1667
P
0.1667 1.1667
0.1667 0 y det( P ) 0.1667 0 Estable
Ventajas de las EE frente a ED y FT
Limitaciones de las descripciones entrada/salida

La funcin de transferencia es una descripcin entrada/salida que no tiene en cuenta lo que hay
dentro del sistema (cosa que s hacen las EE) y por ello puede dar problemas. Vemoslo con un
ejemplo:
Ejemplo 14. Limitaciones de la FT. Estudiar la estabilidad del siguiente sistema con ayuda de la
funcin impulse y obteniendo la funcin de transferencia. Extraer conclusiones.

Pag. -26
Academia de Control
3 0 1
x
x u
0 1 1
y 1 0x 0 u
Solucin:
Si representamos slo la salida o los estados se obtiene lo siguiente:
>> impulse(ss(a,b,c,d))
>> [y,t,x]=impulse(ss(a,b,c,d));plot(t,x)
Impulse Response
1
0.9
0.8
0.7
Amplitude
0.6
4
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
0.5
1.5
Time (sec)
La salida coincide con el primer estado, que es estable. Sin embargo, el segundo estado, no visible
desde la salida es inestable. Es decir, el sistema es inestable pero desde la salida no podemos
observarlo.
Vamos a obtener la funcin de transferencia de este sistema:
Hay que aplicar esta frmula: H ( s ) c ( sI A ) 1 b
En primer lugar calculamos la matriz resolvente (s):
0
s 3 0
s 3 0
s 1
( sI A )

s 1
s 3
0
0 s 1
0
0
s 1
0
s 3
( sI A ) 1
( s)
donde el polinomio caracterstico es ( s ) ( s 3)( s 1) .

As,
s 1
0
s 1
1 0
0
s 3 s 1
s 3 1
1
s 1
H ( s ) 1 0

( s)
( s)
( s ) ( s 3)( s 1) s 3
1
El polo inestable se ha cancelado y no aparece en la funcin de transferencia (!).
Por qu sucede esto? La FCD nos muestra que el autovalor inestable +1 no es observable desde la
salida:

Pag. -27
Academia de Control
x1
s-1
x1
1
-3
u
x 2
s-1
x2
+1
El sistema es totalmente observable pero no es detectable.
Comparacin ED, FT y EE
ED:
modelos obtenidos a partir de las leyes de la fsica

difciles de obtener
generales (NL, MIMO, CI)
describen con mucho detalle la dinmica
no son adecuados para el diseo de controladores
FT:
modelo sencillo
polos
adecuado para anlisis cuantitativo rpido
adecuado para diseo de controladores
limitados a SISO, LTI, CI nulas
al ser una descripcin E/S se pierde informacin interna
EE:
modelo de EDs de 1er orden

autovalores
generales (NL, MIMO, CI)
la realizacin en EE no es nica
permiten el anlisis por simulacin numrica
adecuados para el diseo de controladores (por ordenador)
contiene informacin sobre la estructura interna del sistema

Pag. -28
Academia de Control
1.2
Control modal
1.2.1 Regulador del estado. Fijacin de polos

Formulacin del problema
,
1) Planta:
Condiciones iniciales (CI): x( 0 ) 0 ,
( ) de grado n
yc x
t
2) Objetivo del control: Suponiendo que se ha producido una perturbacin de las condiciones
iniciales x(0 ) x 0 , el objetivo es conseguir que el estado vuelva a su valor original, segn una
dinmica caracterizada por un polinomio caracterstico c() cualquiera pero razonable. En
resumen, se trata de cambiar ( ) por c ( ) .
Solucin del problema
1)
Condicin de existencia: El sistema debe ser controlable, es decir, rango ( M c ) n .
2)
Ley de control: Retroaccin de las variables de estado u(t ) k tc x(t )
3)
Esquema de bloques
u
-
+
A
k tc
Fig. 8. Retroaccin de las variables de estado
4)
Mtodos de clculo del vector de ganancias: El vector k tc se puede calcular de diversas

formas:
a) Por simple inspeccin (si las ecuaciones de estado estn en FCC).
I A bk tc
c ( )
b)
Por identificacin de coeficientes:
c)
Utilizando la frmula de Ackermann: k 0 0 1 M
d)
t
c
Utilizando la frmula de Bass-Gura: k tc

del vector a a 0
a1 a n 1
a c
1
c
c (A)
donde los coeficientes
se toman del polinomio caracterstico de la planta
de ac se toman, de manera anloga, del

( ) n an 1 n 1 a1 a0 ,y los coeficientes
polinomio deseado c ( ) a obtener una vez cerrado el lazo.
5)
Sistema global: El sistema, una vez cerrado el lazo, es
x ( A bk tc )x
y ct x
donde se suele definir A c A bk tc

Pag. -29
Academia de Control
Comentarios
1)
Unicidad de la solucin: En el caso MIMO la solucin (K) no es nica. El MATLAB resuelve

este problema con la instruccin place. La no unicidad, lejos de ser un inconveniente, puede
ser una ventaja al permitir fijar y obtener objetivos adicionales.
2)
Interpretacin clsica: La retroaccin de salida equivalente a la de estado ( Heq(s) ) es

Equivalencia (caso SISO): Heq ( s)
G(s)
U ( s) k t X( s) k t ( s)bU ( s)
t
Y ( s)
c X( s) c t ( s)bU ( s)
G(s)
k t ( s )b
c t ( s )b
x
uc
uc
kt
Heq(s)
Fig. 9. Retroaccin de salida equivalente a la retroaccin de estado

3)
Ganancia del lazo: El lazo es L( s ) G ( s ) H eq ( s )
L( s )
U c ( s ) k t X ( s ) k t ( s )bU ( s )
k t ( s )b
U ( s)
U ( s)
U ( s)
Ejemplo 15. Regulador del estado. Clculo de la matriz de ganancias. Considerar la planta
G( s)
1
s 0s 1
2
Se pide obtener por varios mtodos el vector de ganancias de estado que consigue las
especificaciones dadas por M ( s )
(...)
.
s s 0.5
2
Comprobar el resultado representando las
respuestas indiciales de la planta y el servo
Solucin:
La realizacin de estado de la planta en FCC es
0 1 0
x
x u
1 0 1
y 1 0x 0 u
Las matrices de estado de la planta y el servo en FCC son:

Pag. -30
Academia de Control
0 1
A
1 0
1
0
Ac
0.5 1
Primer mtodo: Por simple inspeccin:

Ac
A
b
kc
1 0 1 0
0
k
k
0.5 1 1 0 1 1 2

0 0
k k
1 2
1 0
0
0.5 1 1 k
1
1
k2
k c 1.5 1
Segundo mtodo: Frmula de Ackermann (matlab)

>> a=[0 1;1 0];b=[0;1];
>> kc=acker(a,b,roots([1 1 0.5]))
kc =
1.5000
1.0000
Clculo de los polos y de las respuestas indiciales

%Planta
>> P=ss(a,b,c,d);
>> step(P),
>> polos_planta=eig(a)
polos_planta =
Planta sin control
Amplitude
-1
1
-1000
-1500
Time (sec)
Planta con regulador de estado
0
-0.5
Amplitude
%Servo
>> ac=a-b*kc;
>> M=ss(ac,b,c,d);
>> step(M),
>> polos_servo=eig(ac)
polos_servo =
-0.5000 + 0.5000i
-0.5000 - 0.5000i
-500
-1
-1.5
-2
-2.5
10
12
Tiempo (s) (sec)
Ejemplo 16. Pndulo invertido. Regulador de estado. Fijacin de polos. Considerar de nuevo
el pndulo invertido con carrito del Ejemplo 1.
El problema: Se desea que el pndulo recupere la verticalidad en presencia de perturbaciones tales
como un golpe de viento actuando sobre la masa m o una fuerza inesperada sobre el carrito donde
est montado el pndulo. Estas perturbaciones se modelarn como condiciones iniciales.
El objetivo de control puede conseguirse aplicando sobre el cochecillo una fuerza u apropiada. Al
final del proceso se desea situar de nuevo al cochecillo en su posicin de referencia x = 0. Las
especificaciones piden que el proceso sea rpido (un tiempo de establecimiento de unos 2 segundos)
y que el amortiguamiento sea razonable.
Se pide:

Pag. -31
Academia de Control
1)
Especificaciones: Para tener t s 2 y un amortiguamiento razonable, se escogen dos polos
dominantes con = 0.5 y n = 4. Los otros dos polos se suponen iguales a 10 para que no afecten
a la dinmica nominal. Indicar cules son los polos especificados y construir el polinomio
caracterstico deseado.
2) Obtener la ganancia de la retroaccin de estados kc con ayuda de la funcin acker.
3) Obtener las matrices del sistema regulado. Comprobar el valor del polinomio caracterstico y
los autovalores.
4)
Representar
la
evolucin
x 0 0.2 0 0.2 0 .
T
de
los
cuatro
estados
x 0 0.1 0 0 0
Representar tambin el esfuerzo de control u en ambos casos.
Comentar el resultado.
5)
Opcional: Repetir el diseo para = 0.5 y n = 2. Comparar los resultados con el caso
anterior y extraer conclusiones acerca de la velocidad y sensibilidad de ambos diseos.
Solucin:
1) Polos deseados. Polinomio caracterstico deseado:
c ( ) 4 243 1962 720 1600

z=0.5;wn=4;
p1=-z*wn+j*wn*sqrt(1-z^2)
p2=conj(p1)
p3=-10
p4=-10
[nu,alfa_c]=zp2tf([],[p1 p2 p3 p4],1);alfa_c
p1 =
-2.0000 + 3.4641i
p2 =
-2.0000 - 3.4641i
p3 =
-10
p4 =
-10
alpha_c =
1.0e+003 *
0.0010
0.0240
0.1960
0.7200
1.6000
2) Ganancia de la retroaccin de estados

%ganancia de la retroaccion de estados
kc=acker(A,B,[p1 p2 p3 p4])
kc =
-298.1504
-60.6972 -163.0989
-73.3945
3) Matrices del sistema regulado. Polinomio caracterstico. Autovalores

%sistema en lazo cerrado
Ac=A-B*kc
pol_caract=poly(Ac)
autoval=eig(Ac)
Ac =
0
-277.5494
0
148.5847
1.0000
0
-60.6972 -163.0989
0
0
30.3486
81.5494
0
-73.3945
1.0000
36.6972

Pag. -32
Academia de Control
pol_caract =
1.0e+003 *
0.0010
autoval =
-10.0000
-10.0000
-2.0000
-2.0000
+
+
-
0.0240
0.1960
0.7200
1.6000
0.0000i
0.0000i
3.4641i
3.4641i
>> t=linspace(0,1);
>>x0=[0.1 0 0 0];
>> [y,t,x]=initial(ss(ac,b,c,d),x0,t);
>> plot(t,x)
regulador del estado
0.6
0.4
0.2
0
-0.2
-0.4
d/dt
x
dx/dt
-0.6
-0.8
-1
0.2
0.4
0.6
0.8
tiempo
4) Evolucin ZI de los estados del sistema regulado. Esfuerzo de control

t=linspace(0,3);
x0=[0.1 0 0 0];
[y,x,t]=initial(Ac,B,C,D,x0,t);
u=kc*x';
figure(3)
plot(t,u),title('esfuerzo de control'),hold on
h=figure(2);
subplot(221),plot(t,x(:,1)),title('x_1: posic angular bola'),hold on
subplot(222),plot(t,x(:,2)),title('x_2: veloc angular bola'),hold on
subplot(223),plot(t,x(:,3)),title('x_3: posic lineal cart'),hold on
subplot(224),plot(t,x(:,4)),title('x_4: veloc lineal cart'),hold on
set(h,'name','Regulador de estados','numbertitle','off')
x0=[0.2 0 0.2 0];
[y,x,t]=initial(Ac,B,C,D,x0,t);
u=kc*x';
h=figure(2);
subplot(221),plot(t,x(:,1),'g'),
figure(3)
plot(t,u,'g')

Pag. -33
Academia de Control
1.2.2 Observador del estado

x Ax bu ,
y ct x
CI: x(0 ) x 0 desconocidas ,
( ) de grado n
1)
Planta:
2)
Objetivo: Hallar una estimacin asinttica del estado, x (t ) x(t ) con una dinmica o ( ) ,
arbitrariamente elegida.

1)
Condicin de existencia: El sistema debe ser observable, es decir, rango ( M o ) n
2)
Estimador:
x Ax bu
y c t x
3)
k o ( y y )
Esquema de bloques:

Pag. -34
Academia de Control
+
A
+
ko
ct
+
A
Fig. 10. Observador del estado
4)
Mtodos de clculo del parmetro k o :

a) Por simple inspeccin (si las ecuaciones de estado estn en FCO).
b) Por identificacin de coeficientes:
I A k o c t
o ( ) .
0

.
0

1
c) Utilizando la frmula de Ackermann: k o o ( A ) M o1
5)
a
1
d)
Utilizando la frmula de Bass-Gura: k o WM o
e)
Por dualidad. Resolver un problema de observabilidad para (A, ct) es equivalente a

resolver un problema de controlabilidad para (AT, b).
Sistema global
0
x b
x A

t
t u
x k o c A k o c x b
y c t 0 x
donde se suele definir: A o A k o c t

t
y 0 c x
Ejemplo 17. Observador del estado. Clculo del vector de ganancias. Considerar la planta:
P( s )
cuyos polos son p1, 2 1.5 j
1
s 3s 4
2
7
1.5 j1.33 . Se pide estimar sus estados con una dinmica
2
del observador dada por dos polos en -15.
Solucin:
>> [a,b,c,d]=tf2ss(1,[1 3 4]);

Pag. -35
Academia de Control
>> k=acker(a',c',[-15 -15]);ko=k

ko =
140
27
Conjunto planta + observador

ao=[a a*0;ko*c a-ko*c];
bo=[b;b];
co=[c c*0;c*0 c];
do=[0;0];
x0=[10 3 0 0]';
Anlisis del comportamiento

t=linspace(0,1);
[y,t,x]=initial(ss(ao,bo,co,do),x0,t);
subplot(211),plot(t,x(:,[1 3])),
Observador del estado
15
x1
10
x3 (x1 estimado)
5
0
-5
0.2
0.4
0.6
Tiempo (s)
0.8
5
4
3
2
x2
x4 (x2 estimado)
0.2
0.4
0.6
Tiempo (s)

Pag. -36
0.8
Academia de Control
1.2.3 Regulador basado en observador. Compensador

CI: x(0 ) x 0 ,
x Ax bu ,
y ct x
( ) de grado n
1)
Planta:
2)
Objetivo: Cambiar ( ) por c ( ) mediante la retroaccin de una estimacin asinttica del

estado, x (t ) x(t ) , con dinmica o ( ) .

1)
Condicin de existencia: El sistema debe ser controlable y observable, es decir,

rango ( M c ) rango ( M o ) n
2)
Estimador:
- Estructura:
x Ax bu
y c t x
k o ( y y )
- Mtodos de clculo del parmetro k o : ver apartado correspondiente
3)
Ley de control:
- Estructura:
u(t ) k tc x (t )
- Mtodos de clculo del parmetro k tc : ver apartado correspondiente
ct
+
A
+
ko
ct
+
A
uc
k tc
Fig. 11. Regulador de estado basado en observador

4)
Sistema global (metasistema)

Pag. -37
Academia de Control
x b
bk tc
x A

u
x k o c t A bk tc k o c t x b
y c t 0 x

y 0 c t x
Comentarios
1)
El sistema global pasa a ser de orden 2n.
2)
Principio de separacin: En el caso ideal sus polos se agrupan en dos subsistemas:

( ) c ( ) o ( ) .
3)
La funcin de transferencia global es la misma: M (s)
N (s) o (s)
N ( s)
(los modos del

c (s) o (s)
c ( s)
observador no son controlables).
4)
Ganancia del lazo (Mason): L (s) k tc ( 1 (s) bk tc
k o c t ) 1 k o c (s)b
Ejemplo 18. Regulador de estado basado en observador del pndulo con carrito. Se desea
estabilizar la planta del Ejemplo 1 usando un regulador basado en observador. Investigar si es
posible y, si lo es, disearlo.
En primer lugar hay que notar que el sistema no es totalmente observable desde la salida y1= pero
s lo es desde la salida y2=x.
a=[0 1 0 0;20.6010 0 0 0;0 0 0 1;-0.4905 0 0 0];
b=[0 -1 0 0.5]';
c=[1 0 0 0;0 0 1 0];
d=[0 0]';
[num,den]=ss2tf(a,b,c(1,:),d(1));H=tf(num,den)
polos=eig(a)
ctrlable=rank(ctrb(a,b))
obsvable_desde_theta=rank(obsv(a,c(1,:)))
obsvable_desde_theta =
2
obsvable_desde_x=rank(obsv(a,c(2,:)))
obsvable_desde_x =
4
Por ello, haremos el diseo midiendo esta ltima salida.

Diseamos un observador con todos los polos en -10.
k=acker(a',c(2,:)',[-10 -10 -10 -10]);ko=k'
y el mismo regulador del ejercicio anterior (notar que el sistema total tiene 8 estados):

Pag. -38
Academia de Control
p=-2+j*4*sqrt(1-0.5^2);
kc=acker(a,b,[p conj(p) -10 -10])
Y verificamos su funcionamiento:
ac=[a -b*kc;ko*c(2,:) a-ko*c(2,:)-b*kc];
bc=[b;b];
cc=[c(2,:) c(2,:)*0;c(2,:)*0 c(2,:)];
dc=[0;0];
x0=[0.1 0 0 0 zeros(1,4)]';
t=linspace(0,4);
[y,t,x]=initial(ss(ac,bc,cc,dc),x0,t);
figure
plot(t,x),xlabel('Tiempo (s)'),
title('Regulador del estado del pndulo/carrito basado en observador')
Regulador del estado del pndulo/carrito basado en observador
1.5
0.5
-0.5
-1
-1.5
figure
subplot(221),plot(t,x(:,[1
0.5
1.5
2
2.5
Tiempo (s)
5])),title('x_1,
6])),title('x_2,
7])),title('x_3,
8])),title('x_4,
x1, x5
x2, x6
2
0.2
-0.2
-1
0
2
3
Tiempo (s)
x3, x7
-2
0.2
0.1
0.5
-0.1
-0.5
-0.2
2
3
Tiempo (s)
x_5'),xlabel('Tiempo
0.4
-0.4
3.5
-1

Pag. -39
2
3
Tiempo (s)
x4, x8
2
3
Tiempo (s)
(s)'),
(s)'),
(s)'),
(s)'),
Academia de Control
1.3
Control ptimo. Regulador LQ
1.3.1 Introduccin al control ptimo

Cambio de objetivos: De la fijacin de polos al control ptimo
Supongamos que r = 0 y que el propsito del control es modificar las condiciones iniciales ( x 0 ) y
llevarlas al origen x 0 . Ello puede conseguirse por medio de una retroaccin de estado esttica,
con ganancias constantes (al contrario que en la compensacin clsica, SISO-salida, en la cual se
requiere una compensacin dinmica). Para calcular dicho vector de ganancias k existen dos
enfoques:
1) El control modal o fijacin de polos (visto en el apartado anterior).

2) El control ptimo o minimizacin de una funcin de coste.
En el control modal los autovalores pueden resultar fijados demasiado lejos del origen. Ello obliga
a generar seales de control u ( t ) elevadas que requieren actuadores de gran capacidad. Todo ello
se traduce en consumo y costes. El control ptimo evita este problema pues su solucin genera un
compromiso entre prestaciones (precisin, velocidad) y coste.
Como en el caso de la seleccin de los autovalores, la eleccin de la funcin de coste ms adecuada
al problema considerado puede suponer una tarea pesada.
Criterios (performance indexs, PI) de comportamiento para diseo ptimo
Qu es un diseo ptimo? En cierto sentido todos los diseos son ptimos ya que son lo mejor
que se puede hacer dadas las restricciones econmicas, de tiempo, de tecnologa, etc. Aunque hay
definiciones mejores que la indicada, la idea a retener es que el concepto de ptimo es altamente
subjetivo. As, los diseadores tienen ideas preconcebidas, basadas en su experiencia, de lo que es
un diseo ptimo pero, en general, les resulta difcil expresarlo de forma clara y concisa. Visto lo
anterior, no es de extraar que al evaluar el comportamiento de un sistema de control se utilicen
diversos criterios, y aunque algunos son ms aplicables que otros, ninguno lo es de un modo
universal. Por ejemplo:
1) En el diseo por Nyquist se trata de ajustar tanto el margen de fase como el margen de
ganancia, procurando hallar un compromiso razonable entre ambos.
2) En el diseo por Evans, se trata de asegurar que los polos dominantes estn lo
suficientemente a la izquierda del eje imaginario, pero procurando no exceder ciertos
lmites en cuanto al ancho de banda.
Estos ejemplos sirven para ilustrar que, en esencia, los principios del diseo ptimo (maximizar o
minimizar cierto criterio) estn presentes incluso en las tcnicas ms bsicas del diseo.
Las restricciones
Los problemas de mximos y mnimos no tienen sentido en la realidad a menos que hagamos
aparecer las inevitables restricciones a que todo diseo est sometido: econmicas, de tiempo,
tecnolgicas, etc. Este aspecto que aade realismo al problema complica enormemente su solucin.
Es el caso tpico del control de tiempo mnimo con restriccin |u(t)|<M.

Pag. -40
Academia de Control
1.3.2 Formulacin del problema del control ptimo

Un gran nmero de problemas de control ptimo pueden formularse de la siguiente manera:
Formulacin general
Dado un sistema dinmico, x f ( x, u, t ) , hallar la seal de control u opt (t ) ptima en el sentido

de que minimiza la funcin de coste
tf
ti
L(x, u, t )dt
sometida quizs a ciertas restricciones de x(t) y u(t).

Un caso particularmente interesante es el llamado problema LQR (regulacin de un sistema lineal
con criterio cuadrtico) que bsicamente puede formularse as:
Problema LQR
Dado el sistema lineal, x Ax Bu , con condiciones iniciales x(0+), hallar uo ( t ) que las retorne
al origen de manera que se minimice el criterio cuadrtico:
J 0 (x T Qx u T Ru)dt
Problema del control del estado final con tiempo mnimo
En muchos casos, el inters se centra en hallar la seal de control que haga que un sistema
evolucione de un estado inicial a otro final minimizando el tiempo requerido en la transicin. La
situacin habitual es retornar el sistema al estado de reposo x=0 a partir de una perturbacin inicial.
La funcin de coste (PI) queda en este caso:
J t (1)dt t f
tf
(habitualmente
t0 = 0)
t0
La seal de control ha de ser finita y manejable, por lo que se ha de aadir una restriccin del tipo
u( t ) M , que junto a la estructura no cuadrtica llevan a una solucin totalmente distinta a la del
problema LQ. Las soluciones son del tipo:
determinar.
Formulacin:
1) Planta: x Ax Bu
2) Objetivo:
x( t 0 )
u opt (t ) M sign( f (t )) , con f(t) una funcin a
min J t (1)dt
tf
0
con x(t f ) 0
3) Restriccin: u(t ) M

Pag. -41
Academia de Control
Solucin:
1) Hamiltoniano
H 1 T Ax T Bu
A T
2) Co-estados
Solucionando el sistema:
1 f 1 (t )
familia de curvas
n f n (t )
Aplicando las condiciones de contorno:
3) Solucin:
x(0) x 0
det. constantes
u M
u o (t ) M sign(B T o ) , donde o son las soluciones anteriores
(Nota: cuando se produce una conmutacin se han de recalcular las constantes de la familia de
curvas tomando como punto inicial el vector de estado en el instante de conmutacin)
Versiones del control ptimo LQ
El problema LQ tiene dos versiones:

1) la elaborada por Wiener en los aos 40 (compensacin ISE por mtodos transformados)
2) la asociada al control moderno (regulador LQ y filtro de Kalman)
Vemoslas con algo ms de detalle:
1.3.3 Compensacin analtica va ISE del regulador LQ

Este enfoque de compensacin trata de hallar un corrector que permita ajustar ptimamente la salida
a la entrada mediante un criterio preestablecido. Naturalmente, ajustar la respuesta indicial al
escaln implica reducir tanto el tiempo de subida t r como el sobreimpulso R pt . As se consigue
que el error en todo instante sea pequeo, lo que tambin tratbamos de conseguir al elegir , n y
kp .
Escogemos el ISE (Integral Squared Error) como medida para que la solucin (compensador)
resulte lineal (cosa que no ocurre en casi ningn otro caso). Si el valor de la integral ISE se
mantiene pequeo la respuesta real se aproximar a la ideal.
Restricciones
En principio este enfoque de compromiso puede resultar slo de inters acadmico. En la prctica
los problemas no encajan necesariamente en la funcin ISE. Y en los casos en que puede ser
aplicable, la solucin resulta trivial.
La introduccin de realismo en estos problemas supone la inclusin de restricciones. En estos casos
la solucin no es ni trivial ni obvia. La restriccin consiste generalmente en que la integral del
cuadrado de cierta magnitud se mantenga limitada y sea menor o igual a N. A veces no es una
magnitud lo que deseamos restringir sino Rpt o e dt . No obstante, recurrimos al caso cuadrtico
porque es el nico que permite una solucin analtica general.

Pag. -42
Academia de Control
1.3.4 El regulador LQ con horizonte infinito

(La solucin aqu presentada no es realmente ptima sino solamente subptima por cuanto
adoptamos desde el principio la solucin de rgimen permanente. En realidad, para horizontes
finitos la solucin es variable, k(t). Ver siguiente apartado)
Planta:
x Ax Bu
y Cx
x ( 0 ) 0
Objetivo: Dado el sistema anterior, perturbado de x ( 0 ) 0 a x ( 0 ) x 0 , retornar al equilibrio

x 0 , minimizando el criterio
1 T
J x Qx uT Ru dt
20
(Nota:
veces
se
desea
minimizar
la
salida
en
cuyo
caso,
1
J ( y T y u T Ru ) dt , que es reductible al caso anterior haciendo Q C T C ).
2 0
Condiciones de existencia, unicidad y estabilidad de la solucin:
- Suficientes:
1) Planta (A,B) controlable

2) R>0, Q>0
- Necesarias:
1) Planta (A,B) estabilizable

2) R>0, Q0 (en cuyo caso, la planta artificial o sinttica ( A , T ) =
( A , Q1/ 2 ) ha de ser observable, o al menos detectable)
Ley de control: u opt K opt x

Clculo del vector de ganancias: K opt R 1B T P , siendo la matriz simtrica P>0 solucin nica
de la Ecuacin Algebraica Matricial de Riccati:
A T P PA Q PBR 1B T P 0
Esta ecuacin es cuadrtica y da lugar a dos soluciones, pero se escoge la P que sea definida
positiva. La demostracin se realiza aplicando los mtodos del clculo variacional al problema LQ,
pero tambin es posible justificar este resultado con ayuda de la ecuacin de Lyapunov:
1 T
x (0)Px(0), donde P es la solucin de la
2
T
T
ecuacin de Lyapunov A c P PA c Q c . Tomando Q c Q K RK y A c A BK , se
Dem.: El valor mnimo del criterio es J ( K opt )
obtiene

Pag. -43
Academia de Control
( A BK ) T P P( A BK )
(Q KT RK )
A P K B P PA PBK
Q K RK
sustituyendo ahora K R 1B T P se obtiene finalmente
A T P PA Q
PB(R1 ) T B T P
PBR 1B T P PB (R 1 ) T RR 1B T P
A T P PA Q PBR 1B T P 0
Propiedades de la solucin
1)
La solucin K opt no depende de las CI x(0+).
2)
Coste: El valor mnimo de la integral resulta ser J opt J ( K opt )
1 T
x (0)Px(0) ; x(0)=
2
x(0+). Este control, adems de estabilizar la planta, genera una solucin con evolucin ptima
(de mnimo error y consumo).
3)
Unicidad: La solucin es nica si de entre las varias soluciones de la ecuacin de Riccati

elegimos la P>0 (que es nica). Una de las ventajas de este mtodo es que en el caso MIMO la
solucin tambin es nica (cosa que no ocurre en el caso modal).
4)
Estabilidad: El sistema regulado ~

x ( A BK opt ) ~
x resulta asintticamente estable. Este
control, adems de estabilizar la planta, genera una solucin con evolucin de mnimo error y
consumo. Pero la solucin aqu presentada no es realmente ptima sino solamente subptima
por cuanto adoptamos desde el principio la solucin de rgimen permanente. En realidad, para
horizontes finitos la solucin vara con el tiempo ( K (t )) .
5)
Sensibilidad: Hay desensibilizacin a todas las frecuencias (ecuacin de Kalman) |S(j)|<1, es

decir que la respuesta frecuencial del lazo no entra en el circulo unidad centrado en -1. Los
1
2
mrgenes de ganancia y fase son: MG ( , ); MF 60o .
Ejemplo 19. LQ escalar con horizonte infinito. Considerar el sistema:
x 2 x u
Es estable?
No.
x(0)=1
El polinomio caracterstico es p ( ) 2 con lo que su autovalor es
2 0 . Adems la respuesta ZI es x(t ) e 2 t x (0) .

2
Vamos a resolver el problema LQ con J
1
u
(3x 2 )dt .
2 0
4
Condiciones suficientes para que el problema tenga solucin:

Q=3>0, R=1/4>0 (definidas positivas? S, se cumple
La planta es controlable puesto que Mc=b=1=n

Pag. -44
Academia de Control
La ley de control ptima es u opt K opt x con K opt R 1BT P donde P es la solucin positiva de
A T P PA Q PBR 1B T P 0 . En nuestro
caso queda como:
2 p p 2 3 p 1 4 1 p 0 4 p2 4 p 3 0
p
4 16 48 4 8
8
8
1
2
3
2
La solucin vlida es la positiva, p=3/2, por tanto, k opt R 1B T P 4 1
3
6
2
La matriz de estado del sistema controlado es a c a bk opt 2 1 6 4 (estable) y el coste

mnimo es J opt
3
1
x (0) px (0) .
4
2
Valoracin clsica del regulador LQ. Ecuacin de Kalman
Un ejercicio interesante es relacionar las tcnicas convencionales (Bode y Evans) con la solucin
del problema de la sntesis va retroaccin de las variables de estado, tanto modal cmo ptima
(LQ). El vehculo de este tratamiento es la ecuacin de Kalman. Este enfoque tiene dos ventajas:
1)
2)
Disponer de nuevos mtodos de solucin y

Posibilitar una mayor comprensin clsica del problema.
En particular, estos mtodos posibilitan la solucin por tcnicas grficas sencillas. Ms importante
que el ahorro de trabajo de clculo, estos mtodos (especialmente el de Evans) nos permiten una
mayor comprensin del significado del diseo va minimizacin de una funcin de coste. En
resumen, con los mtodos convencionales tambin podemos disear un sistema de control ptimo
sin tener que recurrir a las matrices.
La representacin del lazo LQ en un diagrama de Nyquist revela dos propiedades muy interesantes
(resultado de que el lazo no entra nunca en el crculo unitario centrado9 en -1):
1) Desensibilizacin a todas las frecuencias
2) Mrgenes garantizados de estabilidad: MG (margen de aumento de ganancia infinito),
MGR 1 / 2 (margen de reduccin de ganancia ) y margen de fase MF 60 .
La ecuacin de Kalman en el caso SISO es
1 G H 1 G H
p
eq
eq
siendo
T sb,
T Q
La ecuacin de Riccati se puede resolver grficamente:

con ayuda del lugar cuadrtico/simtrico.
2
Por factorizacin espectral de 1
Por aproximacin de la respuesta frecuencial de 1 G p j H eq j , satisfaciendo la
ecuacin de Kalman y de manera que sea factorizable.

Pag. -45
Academia de Control
Caso particular: Si elegimos Q cc T , entonces G p y el problema se reduce al de Wiener

(ISEU) con J
ru 2 dt siendo q=1 y e=0-y:
J 0 (e 2 ru 2 ) dt
0 (x T cc T x ru 2 )dt
y ) 2 ru 2 )dt
(( yr
( x T Qx
( y 2 ru 2 )dt
2 u 2 )dt
La descomposicin de Q en Q1/2 requiere que la matriz Q se pueda expresar como CCT. Para el
caso diagonal es inmediato, pero en el caso general se requiere una descomposicin va Cholesky.
Caso general: Si elegimos Q0 general, para que la solucin sea estable se requiere una condicin
T
T
T
complementaria: que el sistema sinttico A , , es decir y s x , siendo Q sea observable.
Criterio: J
(x T Qx 2 u 2 )dt
La ecuacin de Kalman ser: (1 G p Heq )(1 G p H eq )
La solucin es por factorizacin espectral va lugar simtrico, con G p ( s) c t ( s)b , ( s) T ( s)b

y
U k t ( s)b
Heq ( s)
t
,
Y
c ( s)b
1

Los elementos de pueden obtenerse de
n
n
x T Qx x T T x
q x x
En el caso 22
En el caso 33
ij i j
i 1 j 1
2
2
1
11 , 2
i 1 j 1
d T
x Sx .
dt
n 1 n 1
x x j 2 sij xi x j 1
j i
i 1 i 1
q q22 .
12 q11 , 2 q22 2 q11q33 q13 , 32 q33
Notas:
1) El vector contiene la informacin esencial de la matriz Q y puede ser comn a varias de
ellas.
2) (s) recibe el nombre de planta sinttica.
T
3) ys x recibe el nombre de respuesta sinttica.
4) Como Q es un factor del diseo puede elegirse de forma que, adems de significativo, sea de
uso cmodo, por ejemplo, Q qI , a travs de la respuesta indicial de la planta sinttica.
5) qij son los elementos de Q.

Pag. -46
Academia de Control
1.3.5 El regulador LQ con horizonte finito

Formulacin
1) Planta:
x Ax Bu ;
2) Objetivo:
1
T
T
mn J ( x Qx u Ru)dt
2 0
x( 0 ) 0
tf
donde Q>0 y R>0
(es decir, definidamente positivas)
Solucin
1) Condicin de existencia: Sistema controlable
2) Ley de control: u opt K opt (t )x
3) Clculo del vector de ganancias: K opt (t ) R 1B T P(t ) donde P(t) es simtrica, solucin nica
(si elegimos P(t)>0) de la ecuacin diferencial de Riccati: A T P PA Q PBR 1B T P P

que cumple que P (t f ) 0 )
La conclusin es que los parmetros no son constantes sino funcin del tiempo. La solucin,
P>0 y simtrica, es solucin de la Ecuacin de Riccati diferencial:
A T P PA Q PBR 1B T P P
con la condicin de contorno P (t f ) 0 .
Ejemplo 20. LQ escalar con horizonte finito. Resolver el mismo problema del Ejemplo 19 pero
ahora con horizonte finito.
La ecuacin diferencial de Riccati es
A T P PA Q PBR 1B T P P
que en nuestro caso queda como
4 p 2 4 p 3 p
Mtodo 1: Cambio de variable, pz=x
d
d
pz x
dt
dt
p z pz x
p x pz z 1
Sustituyendo este valor en la ED
4 p 2 4 p 3 x pz z 1 4 xp 4 x 3z pz x
p(
z 4
x ) (
x
4 x
3z ) 0

Pag. -47
Academia de Control
z 4 x
x 4 3 x

4 0 z
x 4 x 3z

z
At
e 6t
6 2e 8 t
8t
4 4e
3 3e 8t
2 6e 8 t
Condiciones iniciales,
x (0) p(0) p0 ,
pz=x
x (0) p(0) z (0)
por ejemplo, escogemos
z ( 0) 1 :
p
x ( 0)
x (t )
e At 0
e At
1
z ( 0)
z (t )
p (t )
x (t )
1 ke 8t 3 (6 2e 8t ) p0 (3 3e 8t )
z (t )
2 ke 8t 3 ( 4 4e 8t ) p0 ( 2 6e 8t )
Para hallar el valor de p0 hay que imponer la condicin p(tf)=0.

Mtodo 2: Separacin de variables
4 p2 4 p 3
dp
dt
dp
dt
4p 4p 3
4p
dp
dt c t c
4p 3
dp
dp
dp
1 dp
4 p 4 p 3 4( p 3 / 2)( p 1 / 2) 8 p 23 p 12
2
1
ln p
8
p 23
ln
1
p
3
2
1/ 8
ln p 12 1 ln p 21
3
8 p 2
p 23
t c
1
p
1/ 8
ke
p
p
3
2
1
2
ke
Para obtener el valor de k, aadimos las CI p(0)=p0, entonces k
8t
p0 23
. As,
p0 12
1 ke 8t 3 (6 2e 8t ) p0 (3 3e 8t )
p (t )
2 ke 8t 3 ( 4 4e 8t ) p0 ( 2 6e 8t )
Hay que imponer p(tf)=0 y p(0)=p0 (ver mtodo 2).
p (t f ) 0 ,
p (t )
1 ke 8t 3
2 ke 8t 3
k 3e

Pag. -48
8 t f
1 ke 8t 3
p (t )
2 ke 8t 3
Academia de Control
8( t t )
As, p (t )
8( t t )
1 ke 8t 3
3 3e f
3 1 e f
2 ke 8t 3 k 3e8 t f 2 6e 8( t t f ) 2 1 3e 8( t t f )
8 ( t t )
3 1 e f
p (t )
2 1 3e 8( t t f )
La condicin terminal y la condicin inicial dependen de tf:
8 t
p(0) lim p(t )

t 0
3(1 e f )
,
8 t
2(1 3e f )
lim p(0)
t t f
3
(coincide con el caso de horizonte infinito)
2
La condicin inicial vale p0=3/2 para valores tf>1:

>> tf=linspace(0,2);p0=(3/2)*(1-exp(-8*tf))./(1+3*exp(-8*tf));plot(tf,p0)
>> xlabel('horizonte
t_f'),ylabel('condciones iniciales
p_0'),axis([0 2 0 2])
2
1.8
condciones iniciales p0
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Por otro lado, lim p(t )

t
0.5
1
horizonte tf
1.5
3
y como k (t ) 4 p(t ) , lim k (t ) 6
t
2
tf = 0.5
6
tf = 0.1
6
0
0
1
t
tf = 1
-2
-2
0
-2
1
t
tf = 4
0
0
1
t
-2
4
t

Pag. -49
Academia de Control
>>
>>
>>
>>
>>
>>
>>
>>
tf=0.1;t=linspace(0,2);k=4*(3/2)*(1-exp(-8*(t-tf)))./(1+3*exp(-8*(t-tf)));
subplot(221),plot(t,k),xlabel('t'),ylabel('k'),title('t_f = 0.1')
tf=0.5;t=linspace(0,2);k=4*(3/2)*(1-exp(-8*(t-tf)))./(1+3*exp(-8*(t-tf)));
subplot(222),plot(t,k),xlabel('t'),ylabel('k'),title('t_f = 0.5')
tf=1;t=linspace(0,2);k=4*(3/2)*(1-exp(-8*(t-tf)))./(1+3*exp(-8*(t-tf)));
subplot(223),plot(t,k),xlabel('t'),ylabel('k'),title('t_f = 1')
tf=4;t=linspace(0,6);k=4*(3/2)*(1-exp(-8*(t-tf)))./(1+3*exp(-8*(t-tf)));
subplot(224),plot(t,k),xlabel('t'),ylabel('k'),title('t_f = 4')
1.3.6 Retroaccin de estado con accin integral

Si se desea seguimiento del servo a entradas en escaln (y la planta no dispone de un integrador)
hay que aadir ste al lazo:
Fig. 12. Retroaccin de estado con accin integral
El integrador da lugar a un estado adicional:
u k c x k i
r y r cx
La planta se aumenta as:
0
x A 0 x B
u r

c 0 0
1

Bi
Ai
Y tambin hay que aumentar la matriz Q.

A continuacin se resuelve la ecuacin de Riccati para Ai, Bi y Qi
La ley de control resultante es:
x
u k c x ki K k c

Y el sistema controlado final es:
x
ki

x A Bk c Bki x 0
r

c
0 1

Ac

Pag. -50
Academia de Control
1.4
Control ptimo estocstico
1.4.1 Enfoque estocstico

Introduccin
El problema LQ determinista aborda problemas de regulacin frente a perturbaciones transitorias,
en los que el sistema ve modificadas sbitamente sus condiciones de funcionamiento (equilibrio)
generando unas CI x(0+)0 y el objetivo es que el regulador retorne el estado a su condicin normal
de equilibrio, lo antes posible y procurando que el esfuerzo de control requerido no resulte excesivo
(limitacin indirecta).
Aunque hay problemas que pueden formularse de esta manera, la situacin ms comn es que las
perturbaciones sean aleatorias y persistentes (o al menos durante un largo periodo) tendiendo a
desviar y mantener el sistema fuera de su posicin de equilibrio. Como consecuencia, el problema
radica ahora en disear una configuracin retroactiva mediante la cual las desviaciones iniciales se
reduzcan rpidamente pero que, adems, atene lo ms posible los efectos de las perturbaciones
persistentes. La solucin de este problema nos conducir a la sntesis de un regulador estocstico.
Su estudio se desarrolla en dos partes:
1)
Retroaccin directa LQ: Donde se dispone en cada instante de medidas completas y exactas
del estado.
2)
Regulador Lineal Cuadrtico Gaussiano LQG. Supone el caso ms habitual de que slo se
dispone de medidas incompletas y ruidosas del estado, teniendo que recurrir, en este caso, a un
estimador ptimo (filtro de Kalman) que, al igual que en el control modal, puede ser calculado
independientemente del regulador gracias al principio de separacin y que aqu recibe el
nombre de principio de equivalencia de certeza.
Descripcin estocstica de la planta

La presencia de las perturbaciones se tiene en cuenta ampliando la descripcin de la planta
x Ax B1u B 2 w
z Cx v
donde w(t) representa las perturbaciones (ruido de proceso) que actan sobre la misma y v(t)
representa al ruido de medida.
w
b2
u
+
b1
v
+
A
Fig. 13. Planta con ruido de proceso y ruido de medida

Pag. -51
Academia de Control
La potencia de ambos ruidos viene determinada por las respectivas covarianzas, W E ww T ,
V E vv . Adems, el estado inicial queda caracterizado por su media x 0 E x(t 0 ) y su

T
varianza P00 E x(t 0 ) x 0 x(t 0 ) x 0
Ejemplo 21. Rumbo de un buque. La dinmica de una cierta embarcacin viene aproximada por
el siguiente modelo de segundo orden:
1 0
0
0
0 0.001 0.0003 1 w

z 1 0 v

donde:
es el ngulo de orientacin o rumbo,
es la velocidad de giro o cambio de rumbo,
es el ngulo del timn,
z es la medida ruidosa del ngulo de direccin,
w es una perturbacin Gaussiana de intensidad W=0.1I que representa los efectos combinados del
viento, oleaje, corrientes, etc.
v es un ruido Gaussiano (debido al sensor) de intensidad V=1I.
Supngase condiciones iniciales x( 0) (12
0) T .
Se pide representar la respuesta zero-input de la salida y(t) del sistema sin controlar en los
siguientes supuestos:
1) Medida perfecta y sin perturbaciones en el sistema. (linspace, initial, plot)
2) Medicin imperfecta causada por el ruido de medida v. (randn, size)
3) Medida perfecta, pero presencia de perturbacin en el proceso w. Obsrvese la
desestabilizacin. (lsim)
4) Medicin imperfecta y sistema perturbado por ruido de proceso.
Solucin:
%sin control
a=[0 1;0 -0.001];b1=[0;0.0003];b2=[0;1];c=[1 0];d=0;
W=0.1;
V=1;
Q=[100 0;0 0];
R=0.05;
x0=[12 0]';
v=randn(size(t))'*sqrt(V);
w=randn(size(t))*sqrt(W);
y1=initial(a,b1,c,d,x0,t);
z1=y1+v;
y2=lsim(a,b2,c,d,w,t,x0);
z2=y2+v;
figure(1),subplot(224),
plot(t,z2),grid,title('con ruido de proceso y medida'),ax=axis
subplot(221),plot(t,y1),grid,title('sin ruido'),axis(ax)
subplot(222),plot(t,z1),grid,title('con ruido de medida'),axis(ax)
subplot(223),
plot(t,y2),grid,title('con ruido de proceso'),axis(ax)

Pag. -52
Academia de Control
con ruido de medida
sin ruido
20
20
10
10
-10
-10
-20
20
40
60
-20
con ruido de proceso

20
10
10
-10
-10
20
40
20
40
60
con ruido de proceso y medida
20
-20
60
-20
20
40
60
Nuevos criterios de optimizacin. Promedio de J

1)
Caso de horizonte finito

En el caso determinista tenamos
1 T
1 t1
x (t1 )Sx(t1 ) [x T Qx u T Ru]dt
2
2 t0
donde la primera parte corresponde a la desviacin del estado final ponderado; la segunda parte
corresponde a la integral de la desviacin aumentada de x. Al ser el horizonte finito no hay
problemas de integracin.
En el caso estocstico la J anterior no puede calcularse para una realizacin de w debido a su
naturaleza estocstica. Como consecuencia, se calcula su valor medio J , en un conjunto de
realizaciones:
1 t1
1
J E[ J ] E x T (t1 )Sx(t1 ) [x T Qx u T Ru]dt

2 t0
2
2)
Caso de horizonte infinito

En el caso determinista tenamos
1 T
[x Qx u T Ru]dt
2 0
donde, para que J sea finito, se requieren ciertas condiciones.

En el caso estocstico, puesto que w es persistente el coste tiene a infinito, J, y por ello hay
que dividir por T para que pueda resultar finito. As, el coste es
[x T Qx u T Ru]dt E [x T Qx u T Ru]
An as se requieren ciertas condiciones adicionales para asegurar que J resulte finito.

J
1
1
E lim
2 T T

Pag. -53
Academia de Control
1.4.2 Retroaccin directa

La diferencia con el caso determinista es que la perturbacin (ruido blanco) hace imposible calcular
con exactitud cmo evolucionar el sistema (x, u). Por ello la solucin no permite obtener u(t) a
priori (lazo abierto), sino que hay que considerarlo en cada instante en base a toda la informacin
disponible. Como la informacin histrica viene resumida en x(t), la ley de control ha de ser de la
forma u(t)=f(x(t)), lo que presupone que el estado puede medirse completa y exactamente en todo
instante.
La hiptesis de estado completamente accesible y limpio es poco realista, y ms en nuestro caso, en
el que las medidas del estado contienen componentes aleatorios que resultan difcilmente medibles.
Por ello en los apartados siguientes se considera la inclusin del Filtro de Kalman para la
estimacin de los estados no accesibles.
En el caso determinista la solucin al problema LQ es retroactiva. Aqu, la solucin es la misma ya
que sorprendentemente la presencia de ruido blanco no altera ni la estructura ni el valor de las
ganancias. Lo que s se modifica (aumentando) es el valor del coste mnimo (del performance
index, PI), es decir, se empeoran las prestaciones ptimas. Su valor es mayor al del caso
determinista en una cantidad que depende de la magnitud de la perturbacin (w).
Solucin para horizonte finito. Equivalencia de certeza

Para minimizar la funcin de coste hay que utilizar la siguiente ley de control:
1) Estructura:
2) Ganancias:
3) Donde Pc(t):
4) Condicin terminal:
5) Valor mnimo:
u ( t ) K c ( t ) x( t )
K c R 1 B 1T Pc ( t )
P c (t ) A T Pc (t ) Pc (t ) A Q Pc (t )B 1 R 1 B1T Pc (t )
J ( t 1 ) Pc ( t 1 ) P1
t1
1
J opt Tr Pc (t0 )x 0 Pc (t )B 2 WB T2 dt
t0
2
Nota: x T x Tr xx T , x T Pc x Tr Pc xx T
Solucin para horizonte infinito

Normalmente la seal de control acta durante periodos largos, es decir, que nos hallamos ante el
caso de t1. En el problema determinista constatamos que la ecuacin diferencial de Riccati
presenta una solucin estacionaria P cuando t1 con lo que se obtiene una ley de control
u K c x con Kc constante y que acta en el intervalo (0, ). Se demuestra que esta misma ley,
exactamente, es la que tambin optimiza el regulador estocstico. No obstante el coste mnimo
puede ser muy superior.

Pag. -54
Academia de Control
1 T
x (0) Px(0) . Para el caso estocstico hay que
2
1
1
1
generalizar,
Tr ( P) ,
donde
J E[ J ] E x T (0)Px(0) Tr E Px(0)x T (0)
2n
2
2
1
E[x(0)x T (0)] I .
n
En el caso determinista resultaba J opt
El coste mnimo para distintas situaciones es:
1) Caso v=0, w 0 :
Jx
1
Tr Pc B 2 WB T2 . Nota: Aqu la estadstica del valor inicial
2
ya no tiene efecto (ya que el sistema es estable) y el coste depende del valor de las
perturbaciones.
2) Caso v 0 , w 0 :
Jx
1
Tr QPo Pc K c VK Tc . Nota: Aqu el coste mnimo
2
depende de las perturbaciones iniciales a travs de Po, y del ruido de medida.
3) Caso v 0 , w 0 (alternativo):
Jx
1
Tr Pc B 2 WB T2 Po K Tc RK c :
2
equivalencia de certeza ms error de estimacin.
Ejemplo 22. Autopiloto. Control directo. Considerar de nuevo el buque del Ejemplo 21 donde
se evidenci la necesidad de regular el sistema (mantener el rumbo = 0). El objetivo es mantener
el rumbo = 0, reduciendo al mnimo el zigzagueo provocado por las perturbaciones, con el fin de
minimizar el consumo de combustible, hecho que formulamos con la siguiente funcin de coste:
Notar dos aspectos nuevos
1) La semidefinicin del signo de la matriz Q del criterio anterior (comprubese que el sistema
cumple las condiciones necesarias para que sea posible la aplicacin de un control ptimo).
2) El efecto desestabilizador del ruido de proceso.
Suponer que es posible acceder a la totalidad de los estados de la planta, se pide:
1) Efectuar un control ptimo (funcin lqr) segn la funcin
de
coste
2)
1
(100 2 0.05 2 )dt . Cunto vale la ganancia de retroaccin de estados? Cul es la
20
matriz P solucin de la ecuacin de Riccati? Cules son los autovalores del sistema
regulado?.
Suponiendo que la excitacin es nula pero el ruido de proceso w est presente, representar tanto
la respuesta y(t) como su medida z(t) mediante un sensor que introduce un ruido v. Obsrvese
si se han estabilizado los zigzagueos.
Solucin:
%control directo
[kc,P,aut]=lqr(a,b1,Q,R)
kc =

Pag. -55
Academia de Control
44.7214 542.7010
P =
1.0e+004 *
0.1221
0.7454
0.7454
9.0450
aut =
-0.0819 + 0.0819i
-0.0819 - 0.0819i
ac=a-b1*kc;
y=lsim(ac,b2,c,d,w,t,x0);
z=y+v;
figure(2),subplot(211),
plot(t,y),grid,title('retroaccion directa LQ'),axis(ax)
subplot(212),plot(t,z),grid,
title('retroaccion directa LQ con ruido de medida'),axis(ax)
retroaccion directa LQ
20
10
0
-10
-20
10
20
30
40
50
60
50
60
retroaccion directa LQ con ruido de medida

20
10
0
-10
-20
10
20
30
40
1.4.3 Reconstruccin ptima del estado. Filtro de Kalman-Bucy

Introduccin
En el caso estocstico (ruido de proceso y de medida actuando sobre la planta) la ganancia de

retroaccin del estado Kc resulta la misma que en el caso determinista (es decir, es independiente de
V, W).
El problema es que normalmente no tenemos acceso directo y completo a las variables de estado.
Por ello es necesario utilizar un observador estocstico. El filtro de Kalman calcula la estimacin
de mnima varianza x (t) a partir de los registros de y(t), u(t). Adems, resulta independiente de Q
y R (es decir, aunque se modifiquen Q, R la estimacin ptima siempre es la misma).
Finalmente, como en el caso modal, se aplica la retroaccin sobre la estimacin, es decir, en el
compensador se sustituye x por x y el resultado es ptimo utilizando como funcin de coste el
valor medio de J ( J )
Tal y como pasaba en el control modal, el clculo de Ko, Kc corresponde a problemas
independientes (teorema de separacin) y duales. Ahora, en vez de utilizar la frmula de
Ackermann se utilizar la ecuacin de Riccati.

Pag. -56
Academia de Control
En el control modal la eleccin del vector de ganancias Ko del observador (en realidad la eleccin
de o ( ) ) es un proceso ms o menos arbitrario en el que se intenta mantener un compromiso
entre la velocidad de respuesta de dicho observador y el comportamiento frente a perturbaciones
tales como el ruido de medida. Con el observador ptimo (filtro de Kalman) el clculo de Ko se
hace de forma que se establece este compromiso de una forma ptima. El criterio que se sigue es
el de minimizar el cuadrado del error de reconstruccin.
Previamente hay que especificar las caractersticas estadsticas de las perturbaciones que actan
sobre el sistema tales como el ruido de la planta y el ruido de medida. En concreto, hay que tener
informacin de A, B1, B2, C; de las caractersticas estadsticas del ruido del proceso y del ruido de
medida; y del valor medio y la varianza de las condiciones iniciales del estado.
Formulacin del problema del filtro de Kalman-Bucy (observador ptimo estocstico)
Planta:
x Ax B1u B 2 w
z Cx v
donde w, ruido de proceso, y v, ruido de medida, son procesos de ruido blanco Gaussianos
con media cero y matrices de intensidades W y V, respectivamente.
w(t )
E 1 w T (t 2 ), v T (t 2 ) V (t1 ) (t1 t 2 )
v(t1 )
Se supone que estn incorrelados ( V12 (t ) V21 (t ) 0 ).
Adems, las condiciones iniciales no se conocen con exactitud. As pues, son tambin una
variable aleatoria caracterizada por su valor medio y su varianza.
E{x (t0 )} x 0
E{x (t0 ) x 0 x (t0 ) x 0 } P00

T
Objetivo: Reconstruccin ptima del estado: Estimacin de los estados a partir de las medidas de la
salida y la entrada, minimizando la suma de varianzas del vector de error de estimacin
(esperanza matemtica de la suma de cuadrados del vector de errores de reconstruccin):
J E x x x x Tr[x x x x ]
T
otra notacin es:
minE{e T (t )e(t )} , donde
e(t ) x(t ) x (t ) , e(t ) ~

x (t ) x e (t )
El filtro de Kalman es un observador ptimo que proporciona un compromiso entre la

velocidad de reconstruccin del estado y la inmunidad al ruido de medida.
1)
Condiciones
Si el sistema lineal e invariante es completamente controlable con w(t) como entrada y

completamente observable (o al menos detectable), la ecuacin de Riccati tiene una nica solucin
positiva Po(t) y el observador es asintticamente estable.

Pag. -57
Academia de Control
2)
Esquema de bloques del observador ptimo
b2
u
b1
ct
y
+
z
+
ko
b1
+ v
ct
A
Fig. 14. Filtro de Kalman-Bucy
3)
Estructura: La estructura del observador de estado completo (se dice que un observador es
completo cuando el observador y la planta tienen el mismo orden) es:
(t )
x (t ) Ax (t ) B1u(t ) K opt
o ( t )z ( t ) Cx
4)
Error de reconstruccin:
ecuacin diferencial
El error de reconstruccin es e(t ) x(t ) x (t ) satisface la
e (t ) A K opt
o ( t )C e ( t )
El error de reconstruccin tiene la propiedad de tender a cero a medida que pasa el tiempo, para
cualquier condicin inicial, si y slo si el observador es asintticamente estable, lim e(t ) 0 .
t
5)
Solucin para horizonte finito: El vector de ganancias depende del tiempo:

T
1
K opt
o ( t ) Po ( t )C V ,
t t0
donde Po(t) es la solucin de la ecuacin diferencial de Riccati:
P o (t ) APo (t ) Po (t ) A T B 2 WB T2 Po (t )CT V 1CPo (t ),
t t0
con la condicin inicial Po (0) Po 0 y la condicin inicial de estado x (t0 ) x 0 .

Si se cumplen estas condiciones la varianza del error de reconstruccin
E{x(t ) x (t ) x(t ) x (t )} e12 e22 ...

T

Pag. -58
Academia de Control
queda minimizado para t t 0 . La matriz de covarianzas del error de reconstruccin viene

dada por:
E{x (t ) x (t )x (t ) x (t ) } Po (t )
T
y la media del cuadrado del error de reconstruccin puede expresarse como:

T
E{x (t ) x (t ) x (t ) x (t )} Tr Po (t )
6)
Solucin para horizonte infinito. Rgimen estacionario: El vector de ganancias es constante.

Una de las caractersticas del filtro de Kalman es que la matriz de ganancias Ko(t) alcanza
valores estacionarios muy rpidamente. Visto de otra forma, la matriz Po(t), solucin de la
ecuacin de Riccati converge hacia un valor estacionario Po o Po que es independiente de las
condiciones iniciales Po0. En caso de un sistema invariante todas las matrices son constantes,
por lo que la solucin estacionaria Po tambin es una matriz constante y es la nica solucin
definida positiva de la ecuacin de Riccati:
0 APo Po A T B 2 WB T2 Po CT V 1CPo
( Po Po )
La matriz de ganancias del observador ptimo en rgimen estacionario es:

T
1
K opt
o Po C V
La matriz K opt
o (t ) de ganancias es, en general, asintticamente estable, y esto es lo que permite
emplear el valor estacionario como valor constante de la ganancia.
El observador ptimo estacionario presenta la ventaja de que es ms sencillo de implementar.
En el caso de que el sistema sea invariante este observador ptimo estacionario es ptimo en el
sentido de que hace que el lim E{e T (t )e(t )} lim E{e T (t )e(t )} sea mnimo.
t0
7)
Metasistema:
0
x B1
0
x A
B
u 2 w opt v
opt
opt
x K o C A K o C x B 1
0
Ko
z C 0 x I

v
y 0 C x 0
Propiedades de la solucin
1)
Dualidad entre el observador ptimo y el regulador ptimo
El regulador LQ y el filtro de Kalman son problemas duales. As, tenemos la siguiente equivalencia
de matrices:
LQ
FK
A
AT
B
CT
C
BT
Pc
Po
Kc
Ko K
Tabla 1. Dualidad LQR-Filtro de Kalman

Pag. -59
Q
T
c
B 2 WB
T
2
R
V
Academia de Control
La dualidad entre ambos problemas puede usarse para obtener las propiedades (estacionarias) del
observador ptimo a partir de las del regulador ptimo. Adems, esta dualidad permite usar las
funciones de Matlab que resuelven el problema LQ (por ejemplo, lqr) para resolver el filtro de
Kalman, y al revs (funcin lqe).
2)
Rgimen permanente del observador ptimo
Asumiendo que Po 0 0 , en la medida que t o la solucin de la ecuacin de Riccati

tiende al valor estacionario Po si y slo si el sistema no tiene ningn polo que sea al mismo
tiempo inestable, no observable y controlable.
Si el sistema es detectable y estabilizable, la solucin de la ecuacin de Riccati tiende al

valor estacionario Po ,t0 , para todo Po 0 0. Esta condicin es suficiente pero no
necesaria.
Si Po existe, es una solucin simtrica y no definida negativa de la ecuacin algebraica de

T
Riccati: 0 APo Po A T B 2 WB 2 Po CT V 1CPo .
Si el sistema es detectable y
estabilizable, Po es la nica solucin no definida negativa de la ecuacin algebraica de

Riccati. Esta condicin es suficiente pero no necesaria.
Si Po existe, es definida positiva si y slo si el sistema es completamente controlable.
Si
Po
existe,
el
observador
ptimo
en
rgimen
permanente
x (t ) Ax (t ) K o z(t ) Cx (t ) , donde K o Po CT V 1 es asintticamente estable si y

slo si el sistema es detectable y estabilizable.
Si el sistema es detectable y estabilizable, el observador ptimo en rgimen permanente

minimiza el lim E e T (t )e(t ) para cualquier Po 0 0 . Este valor mnimo es: Tr Po .
to
Notas histricas
R. E. Kalman (Budapest, 1930), se gradu MS(EE) en el MIT con Guillemin, con una tesis
sobre las ecuaciones en diferencias de segundo orden en la que comprob una diferencia
substancial con la ecuacin diferencial del mismo orden (comprob que poda incluso entrar en
rgimen catico). En 1955 pas a la Universidad de Columbia (con Ragazzini - control digital
y Zadeh - sistemas fuzzy) donde realiz su doctorado (1957). Ms tarde trabaj un ao en IBM
y otros 6 en el RIAS.
Sus trabajos en Teora de Sistemas y lgebra. En 1953 estudiando los trabajos de Ragazzini,
descubri que los sistemas discretos tambin podan ser abordados por mtodos transformados
al igual que los continuos. De aqu empez sus estudios sobre la conexin entre Teora de
Sistemas y lgebra. En 1954, abord el tema de la controlabilidad, tratando de buscar un
criterio algebraico para la misma y lo hall en el rango de Mc.
El descubrimiento del filtro de Kalman a partir de Wiener. En 1958, mientras trabajaba en el
RIAS, un da yendo en el tren que le llevaba de retorno a Baltimore, se le ocurri la idea de
aplicar las variables de estado al filtro de Wiener. Con la restriccin de dimensin finita, hall
la expresin del filtro de Wiener en formato de variables de estado y cuya demostracin result
(de esta manera) mucho ms sencilla que la original y lo suficiente para ser comprensible ya a
nivel de pregrado.

Pag. -60
Academia de Control
Presentacin del filtro de Kalman. Su trabajo despert un gran escepticismo, por lo que
primero lo public en una revista de Ingeniera Mecnica. Su segundo artculo, sobre el filtro
continuo, fue rechazado. Persisti en exponer sus ideas hasta que fue aceptado por la
comunidad cientfica.
Primeras aplicaciones. Donde primero encontr una audiencia receptiva fue en la NASA,
donde pronto vieron sus grandes posibilidades para la estimacin y control de la trayectoria del
proyecto Apolo, desarrollndose (Schmidt) el filtro de Kalman extendido para problemas no
lineales. En 1961 Battin, que ya usaba las variables de estado para el diseo e implementacin
de sistemas de navegacin astronutica, incluy el KF como parte del sistema de navegacin
de a bordo. En aeronutica el KF resolvi dos problemas: a) el de combinar los datos
asociados al radar con sensores de inercia para llegar a la estimacin global de la trayectoria
del avin. b) el rechazo asociado a la deteccin de errores exgenos en los datos de medida.
Otras lneas de Teora de Sistemas. En 1960 Kalman demostr que la observabilidad (en
sistemas dinmicos) tena una relacin algebraica dual en la controlabilidad y, adems,
demostr que eran problemas separados. Un poco ms tarde, Bucy (RIAS) sugiri a Kalman
que la ecuacin integral de Wiener-Hopf era equivalente a la ecuacin diferencial de Riccati
(en la hiptesis de modelo de estado de dimensin finita). Adems, probaron que Riccati
puede tener solucin estable a pesar de que el sistema sea inestable, pero a condicin de que
sea observable y controlable. Kalman tambin jug un importante papel en la teora de la
realizacin (1962) que trata de hallar un modelo de estado que explique el comportamiento
entrada/salida del sistema. El impacto del KF ha sido enorme para los que trabajan en el
campo de la estimacin y control, resultando una de las tecnologas bsicas en la navegacin
espacial.
Ejemplo 23. Autopiloto. Reconstruccin del estado. Considerar de nuevo el buque del Ejemplo
21. Dado que en realidad no tenemos acceso directo a los estados de la planta, se pide:
1)
Implementar un observador ptimo de estado (filtro de Kalman-Bucy) tal que, a partir de las
medidas ruidosas de la salida del sistema z, estime las variables de estado de la planta: rumbo (
) y velocidad de giro ( r ). (funcin lqe). Cunto vale la ganancia del estimador ptimo?
Cul es la matriz P solucin de la ecuacin de Riccati? Cules son los autovalores del
estimador de estado?
2)
Representar el estado del sistema y su estimacin mediante dicho filtro. Comentar la bondad de
la reconstruccin del estado y su convergencia hacia el valor real.
Solucin:
% filtro de kalman bucy
[ko,P,aut]=lqe(a,b2,c,W,V)
ko =
0.7943
0.3154
P =
0.7943
0.3154
0.3154
0.2509
aut =
-0.3976 + 0.3976i
-0.3976 - 0.3976i
ameta=[a a*0;ko*c a-ko*c];
bmeta=[b2 b2*0;b2*0 ko];
cmeta=[c c*0;c*0 c];
dmeta=[0 0;0 0];
[y,x]=lsim(ameta,bmeta,cmeta,dmeta,[w v],t,[x0; 0; 0]);
figure(3)
subplot(211),plot(t,x(:,[1 3])),grid,title('estado x_1 y su estimacion optima x_3'),

Pag. -61
Academia de Control
subplot(212),plot(t,x(:,[2 4])),grid,title('estado x_2 y su estimacion optima x_4'),

estado x 1 y su estimacion optima x 3
20
10
0
-10
-20
10
20
30
40
50
60
50
60
estado x 2 y su estimacion optima x 4

3
2
1
0
-1
10
20
30
40
1.4.4 Regulador LQG

Introduccin
En el presente apartado supondremos que:

1) La planta est sometida a excitaciones aleatorias que modelan tanto las perturbaciones
externas como las internas (ruido de proceso, incertidumbre del modelo).
2) Las mediciones, adems de ser incompletas (es decir, algunas de las variables de estado son
inaccesibles), resultan enmascaradas (degradadas) por el ruido que, inevitablemente,
introducen los sensores.
En estas condiciones, la informacin contiene una fuerte componente de error y, por tanto, provoca
decisiones "equivocadas" del controlador, afectando as la optimalidad del resultado. Para abordar
estas situaciones que introducen elementos aleatorios en el problema, se ha desarrollado el llamado
Control (ptimo) Estocstico, que aqu se abordar desde la perspectiva de una formulacin de
estado.
Su tratamiento contempla varias etapas:
1) Diseo de reguladores ptimos estocsticos para sistemas sujetos a perturbaciones
aleatorias, pero con medicin directa y exacta de todas las variables de estado.
(Retroaccin directa LQ)
2) Diseo del filtro de Kalman-Bucy, capaz de estimar ptimamente el estado a partir de
medidas incompletas e inciertas (contaminadas por ruido). Dicho filtro resulta una
generalizacin del de Wiener.
3) Diseo del compensador general: Clculo de la ley de control necesaria para optimizar el
comportamiento de una planta sometida a perturbaciones aleatorias y de la que no se
dispone del vector de estado, slo de algunas seales de salida que, adems, estn
contaminadas por el ruido de la medicin.
Robustez. No obstante, en el mundo real, el Control ptimo Estocstico, en concreto el LQG, no
extiende su radio de aplicacin ms all de los problemas aerospaciales, problemas que se
caracterizan por su fcil modelacin, ya que permiten establecer las hiptesis de planta lineal y

Pag. -62
Academia de Control
posiblemente invariante, y donde el objetivo es bsicamente la gestin de los recursos energticos

disponibles (cuya traduccin inmediata pasa por la optimizacin -minimizacin- de criterios
cuadrticos). En aplicaciones terrestres el LQG se complementa con estrategias de recuperacin de
la robustez o se sustituye directamente por el control robusto.
Principio de separacin o equivalencia de certeza
Los principios del control LQR y la estimacin ptima pueden aplicarse conjuntamente para
resolver el problema del COE (LQG). En el caso ms general las estrategias de control y
estimacin deben disearse concurrentemente (es decir, uno depende del otro). Sin embargo, en
una amplia gama de problemas, las estrategias de control y estimacin pueden ser calculadas
independientemente y luego juntarlas para formar la solucin ptima. La posibilidad de separar
estos diseos depende de la manera en que la incertidumbre entra en el problema y de la estadstica
de las mismas.
La estrategia de control de minimizar el valor esperado de una funcin de coste cuadrtica de un
SLI con perturbaciones aleatorias y errores de medida viene descrita por una ley de control
retroactiva que opera sobre la estimacin ptima del estado. Dicha ley de control puede ser
formulada como si no hubiera incertidumbre en las medidas y, adems, el estimador ptimo puede
ser obtenido como si no hubiera control retroactivo. De esta manera los procesos de diseo del
controlador y del regulador son separables y se dice que la ley de control es equivalente al caso de
certeza (certainty equivalence). Esta propiedad supone perturbaciones aleatorias de tipo ruido
blanco Gaussiano aunque esta propiedad puede ser mantenida en situaciones menos restrictivas
(ruidos no Gaussianos y/o coloreados).
Formulacin del regulador LQG
Planta:
x Ax B1u B 2 w
z Cx v
donde w, ruido de proceso, y v, ruido de medida, son procesos de ruido blanco Gaussianos
con media cero y matrices de covarianza W y V, respectivamente. Supngase adems que
estn incorrelados.
Objetivo: Solucin del problema LQ mediante una estimacin de los estados a partir de las medidas
de la salida, minimizando la varianza del error de estimacin ( ~
x x x ):
T
J E x x x x
Solucin del regulador LQG
Principio de separacin: La estrategia de control ptimo se puede descomponer en dos partes: un

estimador de estado, que da la mejor estimacin de los estados a partir de las salidas observadas, y
una ley de retroalimentacin lineal de los estados estimados. El controlador lineal empleado es el
mismo que se empleara si no hubiera perturbaciones actuando sobre el sistema.
Estructura:

Pag. -63
Academia de Control
u K opt
c x
x Ax B1u K opt
o z y
y Cx
Dinmica: La dinmica del sistema en lazo cerrado queda determinada por ( A BK opt
c ) y
( A K opt
o C ), es decir, por la dinmica del problema de control LQ determinstico correspondiente
y por la del filtro ptimo.
Metasistema:
x B2
B 1 K opt
0
x A
c
w opt v
opt
opt
opt
x K o C A B1K c K o C x 0
Ko
z C 0 x I

v
y 0 C x 0
Propiedades
Horizonte finito. El filtro de Kalman puede ser conectado en cascada con un controlador LQ
formando un posible controlador estocstico de sistemas dinmicos lineales. En realidad puede
demostrarse que esta combinacin es ptima y que sus dos componentes principales pueden ser
diseados independientemente. La funcin de coste slo puede evaluarse en trminos de valores
esperados que son estimaciones condicionadas de la media y varianza del estado (los operadores
esperanza E[ ] y traza Tr( ) son intercambiables), resultando
1 t1
1
J E x T (t1 )Sx(t1 ) (x T Qx u T Ru)dt

2 t0
2
t1
1
t1
T )dt tr (Ruu T )dt J CE J s
E tr S1 (P1 x 1x 1T ) tr (Q xx
t0
t0
2
T ,
(Notas: x T Qx Tr Qxx T , E xx T P xx
T
P E x x x x
Componente de equivalencia de certeza:
J CE
t1
t1
E tr S1x 1x 1T tr QxxT dt tr (Ruu T )dt
t
t
0
0
2
Componente debida al error de la estimacin:
JS
t1
E tr S1P1 tr QPdt
t0
2
Los mtodos de optimizar trayectorias de duracin finita son idnticos. Aunque estemos trabajando
con SLI y con Q, R constantes, los Kc, Ko resultan variables. Las trayectorias ptimas (x) y la
historia del control (u) dependen de las condiciones iniciales, y de los perfiles de w y v. Sin
embargo, los perfiles de Kc y Ko normalmente resultan con variaciones confinadas a breves
periodos al principio y al final de la trayectoria: Ko al principio (cuando las condiciones iniciales
pueden contener ms (o menos) informacin que las medidas) tiende a crecer. Inversamente Kc es

Pag. -64
Academia de Control
constante al principio y aumenta hacia el final de la trayectoria (cuando el coste terminal puede
resultar ms importante que el trmino (coste) integral).
Sea t0 el instante en que Ko ha alcanzado esencialmente su valor final y tc el instante en que Kc
empieza a cambiar de forma clara. Puede inferirse que las ecuaciones diferenciales de Riccati de
control y estimacin permanecen en equilibrio (ARE) en el intervalo [t0, tc] (Kc, Ko constantes). Si
dicho intervalo es grande con relacin a t0-t1 y t2-tc la funcin de coste estocstica J se ver
dominada por el trmino integral y por tanto kc y ko constantes podran ser consideradas muy
buenas aproximaciones de los perfiles ptimos de ko, kc. Con w estacionarios los J se hacen
infinito a medida que t1 tiende a infinito por lo que conviene definir una nueva funcin de coste
J
, cuyo valor puede estar acotado al crecer t1.
t1 t
1
promedio J A lim
optimalidad son las mismas para J y J
Las condiciones de
pues ambos son problemas de terminal fijo.
Coste del regulador estocstico ptimo:

Directo (v=0).
t1
1 T
x 0 Pc (0)x 0 Tr Pc K o WK To dt
t0
2
1
(Nota: si w=0, es el determinista: J x x 0T Pc (0)x 0 )
2
1
Horizonte infinito: J Ax Tr Pc B 2 WB T2
2
Horizonte finito: J x
Coste del regulador con filtro de Kalman ( v 0 ).
1
2
Horizonte infinito: J Ax Tr QPo Pc K o VK T0
Ejemplo 24. Autopiloto. Control ptimo estocstico (LQG). Considerar de nuevo el buque del
Ejemplo 21. Se pide:
1) Implementar un controlador estocstico (de mnima varianza aumentada) a partir de la
interconexin del controlador y del estimador ptimos calculados separadamente.
2) Representar la salida (ctx) del sistema compensado y compararla con su medida ruidosa z y con
la estimacin de dicha salida realizada por el filtro de Kalman. Observar las ventajas de la
estimacin sobre la medida directa en entornos ruidosos.
3) Calcular el valor del coste mnimo.
Solucin:
%control optimo estocastico (LQG)
ameta=[a -b1*kc;ko*c a-ko*c-b1*kc];
bmeta=[b2 b2*0;b2*0 ko];
cmeta=[c c*0;c*0 c];
dmeta=[0 0;0 0];
[y,x]=lsim(ameta,bmeta,cmeta,dmeta,[w' v],t,[x0; 0; 0]);
z=y(:,1)+v;
figure(4)
subplot(211),plot(t,z),grid,
title('salida del sistema compensado con ruido de medida'),axis(ax)
subplot(212),plot(t,y),grid,
title('salida del sistema compensado (sin ruido de medida) y su estimacion'),axis(ax)
e=[x(:,1)-x(:,3) x(:,2)-x(:,4)];

Pag. -65
Academia de Control
J=e'*e,trace(J)
J =
475.9149
42.6885
42.6885 127.4428
ans =
603.3577
salida del sistema compensado con ruido de medida
20
10
0
-10
-20
10
20
30
40
50
60
salida del sistema compensado (sin ruido de medida) y su estimacion

20
10
0
-10
-20
10
20
30

Pag. -66
40
50
60
Academia de Control
1.5
Ejercicios resueltos
Ejercicio 1. Pndulo invertido (modelo simplificado). Control modal. Considerar ahora el

modelo simplificado de un pndulo invertido:
1 0
0
x
x u
20.6 0 1
y 1 0x
donde los estados son la posicin del pndulo y su velocidad, respectivamente. Las condiciones
iniciales son x(0) 1 2 . Se pide:
Anlisis de la planta
1. Obtener los autovalores de la matriz A. Es estable?
2. Obtener la respuesta a las condiciones iniciales dadas. Representar cada uno de los estados en
una grfica diferente.
Regulador del estado
Se desea estabilizar la planta de manera que el polinomio caracterstico del sistema regulado sea
c ( ) 2 3.6 9 . Se pide:
1. Obtener la matriz de controlabilidad y calcular su rango. Existe solucin al problema de
regulacin?
2. Calcular el valor de la ganancia de retroaccin kc con ayuda de la funcin acker.
3. Obtener las ecuaciones de estado del sistema regulado y representar su respuesta a las
condiciones iniciales anteriores.
Suponiendo que no se puede acceder directamente a los estados del sistema, se decide disear un
2
observador que los estime segn una dinmica definida por o ( ) 16 64 . Se pide:
2. Obtener la matriz de observabilidad y calcular su rango. Existe solucin al problema de
observacin?
3. Calcular el valor de la ganancia de Luenberger ko con ayuda de la funcin acker, aplicando el
principio de dualidad.
4. Obtener las ecuaciones del conjunto planta+observador y representar su respuesta a las
condiciones iniciales anteriores. Representar cada uno de los estados de la planta en la misma
grfica que su estimacin.
Compensador (regulador basado en observador) del estado
1. Obtener las ecuaciones del sistema completo: planta+regulador+observador.
2. Representar la respuesta a condiciones iniciales. . Representar cada uno de los estados de la
planta en la misma grfica que su estimacin.
T
(Nota: Resolver este problema con la ayuda de Matlab. Las funciones que hay que usar son: eig,
ss, initial, subplot, plot, ctrb, obsv, rank, acker, roots, poly)
Solucin
Anlisis de la planta
La planta es inestable puesto que uno de sus autovalores (polos) tiene parte real positiva.

Pag. -67
Academia de Control
>> a=[0 1;20.6 0];b=[0;1];c=[1 0];d=0;

>> eig(a)
ans =
4.5387
-4.5387
Respuesta a condiciones iniciales

3000
x1
2000
1000
La respuesta a condiciones iniciales es:
>> [y,t,x]=initial(ss(a,b,c,d),[2 1]');
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
0.2
0.4
0.6
0.8
1
Tiempo
1.2
1.4
1.6
1.8
15000
subplot(211),plot(t,x(:,1)),ylabel('x_1'),
title('Respuesta a condiciones iniciales')
xlabel('Tiempo')
10000
x2
>>
>>
>>
>>
5000

La matriz de controlabilidad Mc es
>> Mc=ctrb(a,b)
Mc =
0
1
1
0
Y su rango es completo, es decir, coincide con el nmero de estados de la planta (n=2):

>> rank(Mc)
ans =
2
Por tanto, el sistema es totalmente controlable (i.e., el problema del regulador de estado tiene
solucin). La ganancia de retroaccin de estado es:
>> kc=acker(a,b,roots([1 3.6 9]))
kc =
29.6000
3.6000
El sistema regulado es (Ac=A-bkc,b,c,d), por tanto, slo hay que cambiar la matriz de estado:
>> ac=a-b*kc;
Podemos comprobar que el polinomio

caracterstico del sistema regulado es el de las
especificaciones:

3
x1
>> poly(ac)
ans =
1.0000
1
0
3.6000
-1
9.0000
La respuesta a condiciones iniciales es
0.5
1.5
2.5
0.5
1.5
Tiempo
2.5
1
0
[y,t,x]=initial(ss(ac,b,c,d),[2 1]');
title('Regulador del estado')
xlabel('Tiempo')
-1
x2
>>
>>
>>
>>
>>
-2
-3
-4

El problema del observador tiene solucin puesto que el sistema es totalmente observable (la matriz
de observabilidad Mo presenta rango completo):

Pag. -68
Academia de Control
>> Mo=obsv(a,c)
Mo =
1
0
0
1
>> rank(Mo)
ans =
2
Ahora calculamos la ganancia de Luenberger por dualidad. Aplicar dualidad consiste en usar la
misma frmula de Ackermann que el problema regulador pero con los siguientes cambios: en vez
de A se usa AT, en vez de b se usa cT y el resultado de la frmula de Ackermann tambin se
traspone, as:
>> ko=acker(a',c',roots([1 16 64]));ko=ko'
ko =
16.0000
84.6000
Las ecuaciones del conjunto planta-observador son:
0 x b
x A
u
t
t
x k oc A k oc x b
y c t 0 x

t
y 0 c x
>>
>>
>>
>>

bo=[b;b];
co=[c c*0;c*0 c];
do=[0;0];
En cuanto a las condiciones iniciales,

supondremos que las de los estados estimados son
nulas:
x ( 0) x 0
.
(
0
)
x
0

8
x1,x3
La respuesta a CI de los estados y sus respectivas

estimaciones es:
2
0
x b
bk tc
x A
u
t
t
t
x k oc A bk c k oc x b
y c t 0 x

t
y 0 c x

Pag. -69
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.05
0.1
0.15
0.2
Tiempo
0.25
0.3
0.35
0.4
30
20
10
0
Compensador del estado:

Las ecuaciones del sistema completo son:
40
x2,x4
t=linspace(0,0.4);
[y,t,x]=initial(ss(ao,bo,co,do),[2 1 0 0]',t);
ylabel('x_1,x_3'),
title('Observador del estado')
ylabel('x_2,x_4'),xlabel('Tiempo')
Academia de Control
x(0) x 0
.
x
(
0
)
0
con condiciones iniciales

>>
>>
>>
>>
at=[a -b*kc;ko*c a-ko*c-b*kc];

bt=[b;b];
ct=[c c*0;c*0 c];
dt=[0;0];
La respuesta temporal es:

t=linspace(0,3);
[y,t,x]=initial(ss(at,bt,ct,dt),[2 1 0 0]',t);
subplot(211),plot(t,x(:,[1 3])),ylabel('x_1 , x_3'),title('Regulador basado en observador')
subplot(212),plot(t,x(:,[2 4])),ylabel('x_2 , x_4'),xlabel('Tiempo')
Regulador basado en observador
3
x1 , x3
2
1
0
-1
0.5
1.5
2.5
0.5
1.5
Tiempo
2.5
10
x2 , x4
5
0
-5
-10
Ejercicio 1.
helicptero
Dinmica longitudinal de un helicptero.
La dinmica longitudinal de un
presenta las siguientes ecuaciones de estado:
x1 0.3 0.1 0.05 x1 2 0

0.1
0 x2 0 u 0 w
x2 1
x 1.5 8.9 0.05 x 4 1

3
3
x1

z 0 0 1 x2 v
x
3
donde
x1:velocidad angular cabeceo, x2: ngulo cabeceo, x3: velocidad traslacional
u: control cabeceo cclico longitudinal
w: ruido de proceso (viento, turbulencias,), de intensidad W=300

Pag. -70
Academia de Control
v: ruido de medida, de intensidad V=2

Suponer que las condiciones iniciales son: x(0) 1 0.6 0.4 .
helicptero minimizando la siguiente funcin de coste:
T
5 0 0
1 T
T
J [x Qx u Ru]dt , Q 0 5 0,
2 0
0 0 5
Se pide estabilizar el
R 1
Para ello seguir los siguientes pasos:

1) Analizar la planta sin control.
2) Disear el regulador LQ.
3) Estimar los estados con un filtro de Kalman.
4) Disear el regulador LQG.
5) Aadir accin integral a fin de seguir sin offset consignas tipo escaln.
Solucin:
%planta
a=[-0.3 0.1 -0.05;1 0.1 0;-1.5 -8.9 -0.05];
bu=[2 0 4]';bw=[0 0 1]';
c=[0 0 1];
du=0;dw=0;
polos=eig(a)
Respuesta de la planta sin control

10
0
-10
-20
x0=[1 -0.6 0.4]';
-30
W=300;w=randn(size(t))*sqrt(W);w=w';
-40
-50
y=lsim(ss(a,bw,c,dw),w,t,x0);
-60
V=2;v=randn(size(t))*sqrt(V);v=v';
z=y+v;
-70
figure,
plot(t,y+v),ax=axis;
title('Respuesta de la planta sin control')
xlabel('Tiempo (s)')
-90
-80
0
Tiempo (s)
Suponiendo que todos los estados son accesibles a efectos de retroaccin, estabilizar la planta
minimizando la siguiente funcin de coste:
5 0 0
1 T
T
J [x Qx u Ru]dt , Q 0 5 0,
2 0
0 0 5
%regulador LQ full state
Q=5*eye(3);R=1;kc=lqr(a,bu,Q,R),
ac=a-bu*kc;eig(ac)
[y,t,x]=lsim(ss(ac,bw,c,dw),w,t,x0);
figure
plot(t,y+v),xlabel('Tiempo (s)'),axis(ax);
title('Regulador LQ:
Q=5xI, R=1')
figure
plot(t,x),xlabel('Tiempo (s)'),%axis(ax);
title('Estados. Regulador LQ:
Q=5xI, R=1')
legend('x_1','x_2','x_3')

Pag. -71
R 1
Academia de Control
Estados. Regulador LQ: Q=5xI, R=1
Regulador LQ: Q=5xI, R=1
20
x1
6
x2
x3
4
-20
2
-40
0
-60
-2
-80
-4
-100
-120
-6
-8
kc =
11.4502
20.8138
Tiempo (s)
Tiempo (s)
-2.3700
polos_servo =
-9.6101
-2.0301 + 0.2683i
-2.0301 - 0.2683i
Suponiendo la planta son control y que los estados no son accesibles a efectos de retroaccin,
disear un filtro de Kalman-Bucy que obtenga una estimacin de los estados ptima en el sentido de
minimizar el error cuadrtico medio de la estimacin:
%estimador ptimo del estado
ko=lqr(a',c',bw*W*bw',V)'
ko =
-0.1844
-0.7597
12.7593
bo=[bw 0*bw;bw*0 ko];
co=[c c*0;c*0 c];
do=[0 1;0 0];
[y,t,x]=lsim(ss(ao,bo,co,do),[w v],t,[x0;0;0;0]);
figure
subplot(311),plot(t,x(:,[1 4])),xlabel('Tiempo
title('Planta sin control con estimador ptimo
ylabel('x_1 , x_4')
ylabel('x_2 , x_5')
ylabel('x_3 , x_6')
(s)'),
del estado'),
(s)'),
(s)'),
Planta sin control con estimador ptimo del estado

x1 , x4
5
0
-5
Tiempo (s)
x2 , x5
5
0
-5
2
Tiempo (s)
x3 , x6
50
0
-50
2
Tiempo (s)

Pag. -72
Academia de Control
Juntamos ahora el regulador LQ y el filtro de Kalman-Bucy de los dos ejercicios anteriores a fin de
obtener un regulador LQG:
%regulador LQG
at=[a -bu*kc;ko*c a-ko*c-bu*kc];
bt=[bw 0*bw;bw*0 ko];
ct=[c c*0;c*0 c];
dt=[0 1;0 0];
[y,t,x]=lsim(ss(at,bt,ct,dt),[w v],t,[x0;0;0;0]);
figure
subplot(311),plot(t,x(:,[1 4])),xlabel('Tiempo (s)'),
title('Regulador ptimo del estado LQG'),
ylabel('x_1 , x_4')
ylabel('x_2 , x_5')
ylabel('x_3 , x_6')
Regulador ptimo del estado LQG
x1 , x4
5
0
-5
Tiempo (s)
x2 , x5
2
0
-2
2
Tiempo (s)
x3 , x6
20
0
-20
2
Tiempo (s)
La siguiente figura muestra la respuesta al escaln del regulador LQ simple. No es capaz de seguir
consignas tipo escaln:
Control LQ full state sin accin integral
0.2
0.1
Amplitude
%control LQ sense sorolls

Q=5*eye(3);R=1;
kc=lqr(a,bu,Q,R);
ac=a-bu*kc;eig(ac)
figure
step(ss(ac,bu,c,du))
xlabel('Tiempo (s)'),title('Control LQ
full state sin accin integral')
-0.1
-0.2
-0.3
-0.4
-0.5
0
0.5
1.5
Tiempo (s) (sec)
Para resolverlo, se introduce un integrador en el lazo:

Pag. -73
2.5
Academia de Control
+
-
ki
s
A
kc
La seal de control es u k c x k i donde r y r cx . As las ecuaciones de la planta

aumentadas con este estado adicional quedan como:
x A 0 x B
0

u r
c 0 0

Bi
Ai
La ecuacin de Riccati se resuelve para la planta aumentada y el vector de ganancias resultante K se

descompone en kc y ki:
x
u k c x k i K k c

x
k i

Finalmente, el sistema en lazo cerrado es:
x A Bk c Bki x 0
r

c
0 1

Ac
Ahora s que se tiene tracking a consignas escaln:

Control LQ full state con accin integral
1.2
0.8
Amplitude
%control amb acci integral (sense

sorolls) ai=[a bu*0;-c 0];
bi=[bu;0];
br=[bu*0;1];
Mc=ctrb(ai,bi);rank(Mc)
Q=5*eye(3);Qi=diagmx(Q,1);R=1;
k=lqr(ai,bi,Qi,R);kc=k(1:3),ki=-k(4),
kc =
13.6070
25.0911
-3.3397
ki =
-1.0000
ac=[a-bu*kc bu*ki;-c 0];
bc=[zeros(3,1);1];
cc=[c 0];
figure
step(ss(ac,bc,cc,0));
xlabel('Tiempo (s)'),title('Control LQ
full state con accin integral')
0.6
0.4
0.2
-0.2
0
10
Tiempo (s) (sec)

Pag. -74
15
Academia de Control
Ejercicio 2. Dinmica longitudinal de un avin.
El problema: El movimiento de un avin se puede modelar mediante el conjunto de 6 ecuaciones

diferenciales no lineales y acopladas. Bajo ciertas condiciones, se pueden linealizar y desacoplar
entre movimiento longitudinal y lateral. El control de cabeceo (pitch control) es un problema
longitudinal. En este ejemplo se disea un autopiloto para el control del cabeceo del avin.
La siguiente figura muestra las fuerzas que actan sobre el avin (sustentacin/peso y
empuje/resistencia). Suponiendo vuelo de crucero a altitud y velocidad contantes estos pares de
fuerzas se cancelan entre s. Adems (aunque no es realista) se supondr que la variacin del
ngulo de cabeceo no afecta a la velocidad v.
As, las ecuaciones que describen el movimiento longitudinal son:
0.313 56.7q
0.232 e
q 0.0139 0.426q
0.0203 e
56.7 q
donde es el ngulo de ataque (ngulo entre el vector velocidad y el eje del avin), q es la tasa de
variacin del ngulo de cabeceo (pitch rate), es el ngulo de cabeceo y e es el ngulo del
deflector de elevacin.
En este sistema consideraremos que la salida es y= y la entrada u e . La funcin de
transferencia resultante es:
Y ( s)
1.151s 0.1774
3
U ( s ) s 0.739s 2 0.921s
Las especificaciones del problema de control son recuperar el ngulo de cabeceo 0 con un tiempo
de establecimiento ts menor que 10s y un rebasamiento razonable.
Se pide representar la respuesta zero-input a una perturbacin de valor 0.3rad en el ngulo de
ataque. La planta es estable? Es controlable? Es observable?
Solucin: Sin control el ngulo de cabeceo quedar fijado a -0.265.

Pag. -75
Academia de Control
a=[-0.313 56.7 0;..

-0.0139 -0.426 0; 0 56.7 0];
b=[0.232; 0.0203; 0];
c=[0 0 1];
d=[0];
G=ss(a,b,c,d);
t=linspace(0,20);
x0=[0.3 0 0];
[y,t,x]=initial(G,x0,t);
Figure,plot(t,x),
title('Sin control'),
legend('\alpha','q','\theta'),
Sin control
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
10
12
Tiempo (s)
14
16
18
20
Los polos de la planta son un integrados y dos polos estables.

pole(G)
ans =
0
-0.3695 + 0.8860i
-0.3695 - 0.8860i
Por otro lado, la planta es totalmente controllable y observable:

rank(ctrb(a,b)),
ans =
3
rank(obsv(a,c)),
ans =
3
Ejercicio 3. Regulador de estado (full-state). Se pide:

1) Escoger unos polos para el sistema controlado de manera que el tiempo de establecimiento sea
menor que 10s y el rebasamiento sea razonable.
2) Calcular la ganancia de retroaccin de estados necesaria.
3) Comprobar el funcionamiento representando la respuesta zero input.
Solucin:
Escogemos por ejemplo un par de polos dominantes con =0.9 y ts
n 0.556 . El tercer polo lo situamos lejano, arbitrariamente, a -10.

La ganancia de retroaccin obtenida mediante la frmula de Ackermann es:
kc =
-10.0632 620.4765 17.3961

Pag. -76
8 , con lo que
Academia de Control
z=0.9;
%z=0.4;
ts=8;wn=4/(z*ts);
p1=-z*wn+j*wn*sqrt(1-z^2);
p2=conj(p1);
p3=-10;
kc=acker(a,b,[p1 p2 p3]),
Regulador full state

0.6
0.5
0.4
0.3
0.2
ac=a-b*kc;
0.1
Gc=ss(ac,b,c,d);
[y,t,x]=initial(Gc,x0,t);
figure,plot(t,x),
title('Regulador full state'),
-0.1
10
12
Tiempo (s)
14
16
18
20
Ejercicio 4. Observador de estado. Se pide disear un observador de los tres estados que forman
la planta y verificar su funcionamiento con la planta sin control.
Solucin:
Aqu diseamos un observador con los tres polos a -20 (ms rpidos que los del regulador de estado
del ejercicio anterior.
k=acker(a',c',-20*[1 1 1]);ko=k'
ko =
x 1 y x 4: y su estimacin
0.3
1.0e+003 *
-9.6225
0.0204
0.0593
0.2
0.1
-1
-2
-0.1
10
15
20
Tiempo (s)
-3
x -3 y x 5: q y su estimacin
x 102
10
15
Tiempo (s)
20

bo=[b;b];
co=[c c*0;c*0 c];
do=[0;0];
-0.1
-0.2
-0.3
-0.4
x0=[0.3 0 0 0 0 0];
[y,t,x]=initial(ss(ao,bo,co,do),x0,t
);
10
15
Tiempo (s)
20
h=figure;
title('x_1 y x_4: \alpha y su estimacin')
title('x_2 y x_5: q y su estimacin')
title('x_3 y x_6: \theta y su estimacin')
set(h,'name','Planta con observador','numbertitle','off')
Ejercicio 5. Regulador de estado basado en observador. Juntar el regulador y el observador

diseados en los dos ejercicios anteriores a fin de obtener un compensador de estado y verificar su
funcionamiento.

Pag. -77
Academia de Control
Solucin:
ac=[a -b*kc;ko*c a-ko*c-b*kc];
bc=[b;b];
cc=[c c*0;c*0 c];
dc=[0;0];
Regulador con observador

0.45
0.4
0.35
0.3
[y,t,x]=initial(ss(ac,bc,cc,dc),x0,t
);
0.25
0.2
0.15
figure
plot(t,x(:,1:3)),
title('Regulador con observador'),
0.1
0.05
0
-0.05
h=figure;
xlabel('Tiempo (s)'),
title('x_1 y x_4: \alpha y su
estimacin')
title('x_2 y x_5: q y su
estimacin')
title('x_3 y x_6: \theta y su
estimacin')
set(h,'name','Regulador ms
observador','numbertitle','off')
10
12
Tiempo (s)
0.6
0.4
0.2
-0.2
-2
5
10
15
20
Tiempo (s)
0.3
0.2
0.1
0
-0.1

Pag. -78
10
15
Tiempo (s)
20
14
16
18
20
x -3 y x 5: q y su estimacin
x 102
10
15
Tiempo (s)
20
Academia de Control
2.
Tcnicas de control robusto
Se dice que un sistema de control es robusto si sus especificaciones de estabilidad y

comportamiento se satisfacen a pesar de la incertidumbre en el modelo de la planta que se ha usado
en su diseo.
Tpicamente, el controlador se disea a partir de un modelo nominal G0 de la planta y no de un
hipottico modelo perfecto Greal puesto que ste no existe. El modelo nominal G0 es, por regla
general, un modelo lineal invariante en el tiempo (LTI, Linear Time Invariant) y de orden reducido.
Es por tanto una aproximacin muy simplificada de Greal. Por otro lado, aunque fuera posible
obtener exactamente Greal, igualmente habra que simplificarlo a fin de poder disear a partir de l
un controlador realizable.
La consecuencia es que siempre existe incertidumbre en el modelo usado para disear el
controlador. La razn de ser del Control Robusto es la obtencin de controladores fijos diseados a
partir de G0 que funcionen razonablemente bien para Greal. Para conseguirlo es imprescindible el
uso de la retroaccin a fin de aprovechar sus propiedades desensibilizadoras, pero tambin el uso de
tcnicas de diseo que tengan en cuenta tanto el modelo nominal como su grado de incertidumbre.
Finalmente notar que el inters, y el reto, del control robusto es que el controlador final debe ser
fijo. Ello contrapone el Control Robusto a los mtodos del Control Adaptativo cuyo objetivo es la
obtencin de controladores que se adaptan a las variaciones y perturbaciones de la planta. Al final
del presente apartado se presenta un ejemplo donde se comparan ambos tipos de controladores.
En este apartado nos centraremos en los sistemas SISO y en la configuracin de control retroactiva
de un grado de libertad (1DOF, One Degree of Freedom) de la Fig. 15, donde K es el controlador
robusto y G la planta incierta. Las entradas exgenas r y d corresponden respectivamente a la seal
de consigna y al ruido aditivo actuando sobre el sistema.
d
r
uG
Fig. 15. Configuracin de control (1DOF)
En el caso de incertidumbre multiplicativa, la Fig. 16 muestra la representacin en esquema de

bloques de la familia de plantas a la que pertenece la planta incierta G.
d
r
uG
Wm
G0
Fig. 16. Planta con incertidumbre multiplicativa

Pag. -79
Academia de Control
La matriz de transferencia en lazo cerrado T que relaciona el vector de salida

vector de entrada
del sistema de la Fig. 15 es
con el
(1)
Los elementos de T son funciones de sensibilidad. En particular, T22 es la funcin de sensibilidad
y T11 es la funcin de sensibilidad complementaria
.
de Bode
El problema general de sntesis se puede formular a grandes rasgos de la siguiente manera: Dada la
planta
, obtener el controlador
tal que el sistema de la Fig. 15: (i) es internamente estable
y (ii) satisface cualquier otra especificacin (por ejemplo, seguimiento a consignas, rechazo de
perturbaciones,).
Para que el problema de sntesis tenga solucin, aparte de las condiciones obvias de factibilidad,
controlabilidad y observabilidad, el problema debe estar bien planteado (well posed). El problema
se dice que est bien planteado si todas las funciones de sensibilidad en (1) existen. Para ello una
condicin necesaria y suficiente es que
. Una condicin suficiente es que K y G sean
propias y al menos una de ellas (normalmente la planta G) sea propia.
2.1
Conformacin del lazo (loopshaping)
El objetivo del control robusto es satisfacer las especificaciones de estabilidad y comportamiento

(precisin, velocidad) a la vez que se asegura la robustez de ambas. Para ello, el cometido del
controlador robusto
es dar la forma necesaria a las funciones de sensibilidad en lazo cerrado
para cumplir los objetivos del control.
En un sistema de control de un grado de libertad como el de la Fig. 15 esto es equivalente a
conformar la funcin de lazo nominal
.
Forma deseada del lazo
se conforma para que presente una ganancia alta a bajas frecuencias, una
Tpicamente, el lazo
pendiente suave en el crossover y una ganancia baja a altas frecuencias.
La ganancia alta a bajas frecuencias es la que consigue el seguimiento (

a las perturbaciones (
como respuesta a d). Notar que, si
y
y el rechazo
, entonces
En concreto, si se desea error
permanente nulo a entradas de referencia de tipo escaln el lazo deber contener un

integrador.
La pendiente suave en el paso por 0dB es un requerimiento de estabilidad, el objetivo es que

en el crossover la fase est alejada de -180.
Finalmente, la ganancia baja a altas frecuencias es necesaria para poder filtrar el ruido de
medida y, en la medida de lo posible, atenuar el efecto de la incertidumbre a altas
frecuencias.
Notar que, si
, entonces
y
.

Pag. -80
Academia de Control
2.1.1 Condiciones de comportamiento robusto

Con la forma de lazo descrita en el prrafo anterior ya se cumplen las especificaciones de
estabilidad y comportamiento. Si, adems, se desea dar garantas de robustez, lo nico que hay que
asegurar es que el lazo est por encima de una cota a bajas frecuencias y por debajo de otra a altas
frecuencias. El valor de estas cotas se puede deducir de los teoremas de robustez expuestos en el
Tema 2.
A bajas frecuencias, donde
, la condicin de comportamiento robusto

,
puede expresarse como
.
En definitiva, si queremos seguimiento
debe ser grande a bajas frecuencias. Si, adems,
debe ser como mnimo mayor que
queremos garantas de que este seguimiento sea robusto
.
A altas frecuencias el anlisis es anlogo. Puesto que
robusto
, la condicin de comportamiento
,
puede expresarse como
.
As, si queremos rechazo a perturbaciones, la ganancia de lazo
a altas frecuencias debe ser
deber ser
pequea. Si adems queremos garantizar que este rechazo sea robusto, el lazo
como mnimo menor que
.
2.1.2 Ejemplo
Vamos a ilustrar el proceso de conformacin del lazo con ayuda de un ejemplo. Considerar una
planta nominal
de la que slo se sabe que presenta un exceso de polos sobre ceros de 1 y que
. Se desea que el lazo
la cota superior de incertidumbre multiplicativa es
cerrado presente un buen seguimiento a seales de referencia sinusoidales con frecuencias entre 0 y
1 rad/s. Esta especificacin de diseo puede expresarse por medio de la siguiente funcin de
ponderacin:

Pag. -81
Academia de Control
ser el error de seguimiento en rgimen permanente. Interesa pues que

donde
posible sin comprometer la robustez del diseo.
La Fig. 17 muestra las funciones
y
asegurar la robustez,
a bajas frecuencias y
sea lo mayor
as como las plantillas necesarias para

a altas frecuencias.
Funciones de ponderacin
Plantillas de robustez
30
30
|Ws |
20
20
|Wm|
10
Magnitud (dB)
Magnitud (dB)
10
-10
-10
-20
-20
-30
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
10
-30
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
10
Fig. 17. Plantillas para conformacin del lazo
Primer diseo: El caso ms sencillo es conformar un lazo de primer orden (esto es, suponemos
que la planta es de primer orden y que el controlador es una simple ganancia).
El polo del lazo lo situamos en

para que el lazo decaiga una vez pasada la banda til. No
habr problemas de estabilidad puesto que al ser de primer orden la pendiente en el crossover ser
suave. En cuanto a b, el mximo valor que podemos tomar es el que asegure que se satisface la
plantilla de robustez a altas frecuencias
,
. Este valor es
con lo que queda el lazo mostrado en la Fig. 18(a). Con
el mximo valor que puede
tomar viene dado por la condicin
. Puesto que
es creciente y
. Ah el
decreciente con la frecuencia, el mximo est en el extremo de la banda til, en

valor de es 13.15, con lo que el error de seguimiento es
.
Segundo diseo
Primer diseo
50
50
40
40
30
30
a=93.39
|L0|
10
0
|T0Wm|+|S0Ws |
-20
|T0Wm|+|S0Ws |
-30
-30
-40
-2
10
10
-10
-10
-20
|L0|
20
a=13.15
Magnitud (dB)
Magnitud (dB)
20
10
-1
10
10
Frecuencia (rad/s)
10
10
-40
-2
10
10
-1
10
10
Frecuencia (rad/s)
(a)
(b)
Fig. 18. Conformacin del lazo. Diseos 1 y 2

Pag. -82
10
10
Academia de Control
En definitiva, el mximo error de seguimiento conseguido en la banda [0, 1] es del 7.6%. Para ver
para todas las
el nivel de robustez alcanzado hay que calcular el valor de
frecuencias y buscar su valor mximo. Este resulta ser
. Al ser menor
que la unidad, podemos asegurar que el comportamiento es robusto. Sin embargo, puesto que est
lejos de 1, vemos que an tenemos margen para mejorar el comportamiento sin comprometer la
robustez. Por ello, nos planteamos un segundo diseo.
Segundo diseo: Si permitimos que la pendiente del lazo sea ms fuerte, podremos aumentar el
nivel de . Por tanto, el segundo lazo es:
Ahora, al ser el polo doble la pendiente a partir de =1rad/s es ms fuerte. El cero a -10 se
introduce para tener una pendiente suave en el crossover y el valor de 20 sirve, al igual que en el
caso anterior, para satisfacer la plantilla de altas frecuencias. Con este lazo el mximo valor
conseguido es
, que corresponde a un error de seguimiento mximo del 1.07% y sigue
asegurando que el comportamiento es robusto puesto que
.
En general las especificaciones de comportamiento y robustez dan lugar a compromisos de diseo.
No se puede tener simultneamente un comportamiento muy fino y un grado elevado de robustez.
Por otro lado, el diseo del ejemplo anterior no era difcil dado que en la banda til el grado de
incertidumbre era pequeo. En las bandas frecuenciales donde la incertidumbre es elevada es muy
difcil, si no imposible, conseguir un comportamiento preciso. Por tanto, est claro que en la etapa
de identificacin se trata de obtener un perfil de incertidumbre tan bajo como sea posible.
2.2
Teora cuantitativa de la retroaccin (QFT)
La Teora Cuantitativa de la Retroaccin (QFT, Quantitative Feedback Theory) es otra tcnica de

control robusto que consiste en conformar el lazo nominal en el dominio frecuencial. En este caso,
el plano escogido es el plano fase-ganancia o de Nichols y en l se definen las regiones que el lazo
debe evitar a fin de satisfacer las especificaciones de comportamiento robusto.
2.2.1 Regiones de incertidumbre

Las regiones de incertidumbre en el diagrama fase-ganancia se obtienen de igual manera que en el
caso del diagrama polar y en el campo de la QFT reciben el nombre de templates. Por ejemplo, la
Fig. 19 muestra las regiones de incertidumbre a las frecuencias 0.1, 5, 10, 50 y 100 de la siguiente
familia paramtrica de plantas.
(2)
Para definir las regiones basta con representar la respuesta frecuencial de las plantas lmite.

Pag. -83
Academia de Control
Regiones de incertidumbre
0
-10
-20
Magnitud (dB)
-30
-40
=5
= 10
-50
= 0.1
-60
= 50
-70
= 100
-80
-90
-300
-250
-200
-150
-100
Fase (grados)
-50
50
Fig. 19. Regiones de incertidumbre paramtrica en el plano de Nichols
De entre todas las plantas de la familia hay que escoger una que ser la nominal. Aqu no es
necesario que cumpla ninguna condicin especial. En este ejemplo la planta nominal corresponde a
la planta donde se han etiquetado los valores de frecuencia. Esta planta es (k0 1, 0 5 y b0 30),
2.2.2 Plantillas para el diseo

Las regiones de incertidumbre anteriores junto con el modelo nominal y las especificaciones en lazo
cerrado definen unas regiones prohibidas en el plano de Nichols, esto es, unas regiones donde el
lazo nominal no debe entrar si queremos satisfacer las especificaciones de comportamiento de
manera robusta. Estas regiones reciben el nombre de bounds.
Especificaciones de estabilidad: stas resultan en regiones prohibidas para el lazo nominal
alrededor del punto crtico -1 (ver Fig. 20). Notar que en el plano de Nichols el punto crtico -1
corresponde al origen de coordenadas (-180, 0dB) y, por tanto, cuanto ms alejado est el lazo de
dicho punto ms robustez tendremos.
Im
1
dB
Re
180,0dB
Fase
Fig. 20. Mrgenes de estabilidad. Correspondencia entre Nyquist y Nichols
El criterio de estabilidad impone que ninguna de las plantas de la familia puede intersectar el punto
crtico -1 a ninguna frecuencia. Ello es equivalente a imponer la siguiente restriccin de magnitud
en la funcin sensibilidad complementaria:

Pag. -84
Academia de Control
Asumiendo que el nmero de polos inestables es el mismo para todas las plantas de la familia, basta
con comprobar que la anterior condicin se cumple en la frontera de la regin de incertidumbre, .
Por otro lado, se sustituye el valor por un factor que cuantifica el margen de estabilidad. As
pues, las plantillas definen la regin donde no puede entrar el lazo nominal si queremos que se
cumpla la siguiente condicin:
Un valor tpico es =1.2. Este valor corresponde a un margen de fase de al menos 50 y un margen
de ganancia de al menos 1.66 (no simultneo con el de fase). La Fig. 21(a) muestra la plantilla de
estabilidad para la familia paramtrica del ejemplo a =5rad/s y con =1.2.
Plantilla para estabilidad robusta, = 5
Plantilla para rechazo de perturbaciones a la entrada, = 5
20
15
10
10
5
Magnitud (dB)
Magnitud (dB)
-10
-5
-20
-10
-30
-40
-240
-15
-220
-200
-180
-160
-140
Fase (grados)
-120
-100
-20
-350
-80
-300
-250
-200
-150
Fase (grados)
(a)
-100
-50
(b)
Fig. 21. Plantilla de estabilidad robusta (=1.2) y plantilla de rechazo de perturbaciones a la entrada de la
planta (=0.01)
Especificaciones de sensibilidad: Las especificaciones que implican desensibilizacin (rechazo de

perturbaciones, seguimiento,) resultan en regiones prohibidas que engloban el origen del plano de
Nyquist. En el plano de Nichols la regin prohibida equivalente se muestra en la siguiente figura,
dB
Im
1
Re
180,0dB
Fase
Fig. 22. Reduccin de la sensibilidad. Correspondencia entre Nyquist y Nichols
Las plantillas de comportamiento se obtienen de manera anloga a las de estabilidad. Lo habitual es

obtenerlas solo hasta el ancho de banda til del sistema. La Fig. 21 (b) muestra la plantilla
correspondiente a la condicin de rechazo de las perturbaciones a la entrada de la planta

Pag. -85
Academia de Control
,
particularizada para el caso =5rad/s y =0.01.
Especificaciones en el esfuerzo de control: As como las especificaciones de reduccin de
sensibilidad buscan aumentar la ganancia de lazo, las especificaciones de limitacin del esfuerzo de
control buscan reducir la ganancia del lazo. En este caso tambin es posible deducir regiones
prohibidas. stas se muestran en la siguiente figura:
Im
1
dB
Re
180,0dB
Fase
Fig. 23. Limitacin del esfuerzo de control. Correspondencia entre Nyquist y Nichols
2.2.3 Ejemplo
Para ilustrar el procedimiento de diseo vamos a ver un ejemplo. Considerar el sistema de control
de la siguiente figura, donde la planta incierta forma parte de la familia definida en (2):
d
r
v
uG
Fig. 24. Configuracin de control con perturbaciones a la entrada y la salida de la planta
Las especificaciones del diseo son conseguir un margen de estabilidad robusta de =1.2
(correspondiente a un margen de fase de 50 y un margen de ganancia de 1.66 no simultneos).
Y en cuanto al comportamiento, se desea conseguir un rechazo a las perturbaciones a la salida de la

planta v dado por

Pag. -86
Academia de Control
, y un rechazo a las perturbaciones a la entrada de la planta d
donde
dado por:
Una vez obtenidas las regiones de incertidumbre y seleccionado el modelo nominal, es posible
representar todas estas plantillas, para diversas frecuencias, en el plano de Nichols. Para facilitar el
diseo, antes de proceder a la conformacin del lazo, se intersectan todas las plantillas (ver Fig. 25).
Plantillas para estabilidad y comportamiento robustos
Interseccin de las plantillas
20
20
1
11
0
Magnitud (dB)
10
2
1
3
3
1
-10
Magnitud (dB)
10
3
-20
-10
-20
2
-30
-30
-40
-40
-50
-350
-300
-250
-200
-150
Fase (grados)
-100
-50
-50
-350
-300
-250
-200
-150
Fase (grados)
-100
-50
Fig. 25. Plantillas para estabilidad y comportamiento robustos
El diseo (ganancia y posicin de los polos y ceros del controlador) puede llevarse a cabo de
manera interactiva con ayuda del programa MATLAB. La siguiente figura muestra los resultados
para los casos
y
Conformacin del lazo. Controlador 1
Conformacin del lazo. Controlador 2
20
20
10
=10
-10
=50
-20
=100
-30
-10
=50
=100
-20
-30
-40
-50
-350
=0.1
=5
=10
0
Magnitud (dB)
0
Magnitud (dB)
10
=0.1
=5
-40
-300
-250
-200
-150
Fase (grados)
-100
-50
-50
-350
-300
-250
-200
-150
Fase (grados)
-100
-50
Fig. 26. Conformacin del lazo frecuencia a frecuencia
El segundo controlador satisface las plantillas de comportamiento robusto en lazo abierto. Tambin
es posible analizar el sistema en lazo cerrado resultante y ver si se satisfacen las especificaciones, es
decir, si las funciones de sensibilidad resultantes (para la planta de peor caso) estn por debajo de
las cotas especificadas. La siguiente figura muestra que, efectivamente, es as para el caso del
segundo controlador:

Pag. -87
Academia de Control
Funcin de sensibilidad complementaria y = 1.2

5
0
-5
Magnitud (dB)
-10
-15
-20
-25
-30
= 1.2
cota superior de |L/(1+L)|
cota inferior de |L/(1+L)|
-35
-40
-45
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
10
Funcin de sensibilidad de rechazo de perturbaciones a la salida y H(s)

30
|H(j)|
cota superior de |1/(1+L)|
cota inferior de |1/(1+L)|
20
Magnitud (dB)
10
0
-10
-20
-30
-40
-50
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
10
Funcin de sensibilidad de rechazo de perturbaciones a la entrada y =0.01

-30
-40
-50
Magnitud (dB)
-60
-70
-80
-90
-100
=0.01
cota superior de |G/(1+L)|
cota inferior de |G/(1+L)|
-110
-120
-130
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
Fig. 27. Anlisis del diseo en lazo cerrado

Pag. -88
10
Academia de Control
2.3
Mtodos H
A diferencia de las dos tcnicas anteriores, donde el diseo iterativo en el dominio frecuencial es
una parte fundamental en el proceso de diseo, los mtodos conocidos como H son mtodos de
sntesis, esto es, dados los modelos de la planta nominal, incertidumbre y especificaciones as como
un ndice de comportamiento, basta con aplicar un algoritmo numrico de optimizacin para
obtener el controlador central. De esta manera, el peso del diseo recae en la formulacin del
problema (obtencin de los modelos y seleccin de especificaciones) y no en la solucin (clculo de
los parmetros del controlador).
Por otro lado estos mtodos son muy utilizados puesto que funcionan tanto para sistemas SISO
como MIMO. En estos ltimos lo que se conforma son los valores singulares tanto del lazo como
de las funciones de sensibilidad y existe una versin especial para el caso de incertidumbres
estructuradas, la sntesis , llamada as porque se basa en el uso del valor singular estructurado
definido ms adelante.
2.3.1 Transformacin fraccional lineal (LFT)

Los mtodos de sntesis H usan una configuracin de control generalizada conocida como
transformacin fraccional lineal (LFT, Linear Fractional Transformation) o transformacin de
Mbius. Se definen la LFT inferior y la LFT superior (ver Fig. 28).
w
P s
u
v
N s
K s
Fig. 28. LFT inferior y LFT superior
LFT inferior: La LFT inferior,

, se usa en la fase de diseo. P recibe el nombre de
planta aumentada o generalizada, K es el controlador, w son las seales exgenas, z son las seales
que miden el comportamiento, u son las seales de control y v son las medidas usadas para generar
u.
La planta aumentada
y el controlador K(s) configuran un bipuerto que
relaciona los cuatro grupos de seales de la siguiente manera:

,
La formulacin en el espacio de estado de la planta aumentada es

Pag. -89
Academia de Control
Y la relacin entre las entradas w y las salidas z viene definida por la LFT inferior
expresin matemtica es:
, cuya
(3)
LFT superior: La LFT superior,
, tambin conocida como estructura N, se usa
para el anlisis de la robustez. La relacin entre las entradas y salidas es
,
La expresin de la LFT superior es
(4)
Definiendo
, el resultado es un caso particular que se usa para el anlisis de la robustez de
la estabilidad. En concreto es la estructura M del teorema de la pequea ganancia.
La configuracin de control generalizada combina ambas LFTs en el esquema de bloques de la Fig.
29. Notar que
.
s
u
w
y
z
P s
v
u
K s
Fig. 29. Configuracin de control generalizada
Si la incertidumbre no est estructurada el bloque de perturbacin es full complex. Si las

perturbaciones estn estructuradas entonces es diagonal por bloques (y los elementos son reales o
complejos). Para el caso de perturbaciones estructuradas la llamada sntesis da mejores resultados
que los mtodos H estndar. El valor singular estructurado se define como:
(5)
donde
es el mximo valor singular de .

Pag. -90
Academia de Control
2.3.2 Obtencin de la planta aumentada

El primer paso en la sntesis del controlador robusto es obtener la configuracin de control
generalizada mostrada en la Fig. 29. Para ello basta con reorganizar los bloques del sistema de
control.
Por ejemplo, la Fig. 30 muestra un sistema de control cuya planta incierta est descrita por medio de
su modelo nominal y un modelo de incertidumbre multiplicativa inversa
y
donde las especificaciones se refieren al esfuerzo de control u mediante la funcin de ponderacin
Wu.
zu
Gs
Wu s
r
Ks
uG
G0 s
Wi s
y
yG
Fig. 30. Sistema con incertidumbre multiplicativa inversa y especificaciones sobre el esfuerzo de control u
y
P s
Wi s
Wu s
zu
z1
w1 r
r
w2 d

uG
G0 s
Ks
Fig. 31. Planta aumentada
Poniendo el bloque de perturbacin en la parte superior y el de control K en la inferior del

esquema de bloques, es posible ver qu bloques constituyen la planta aumentada P.

Pag. -91
Academia de Control
2.3.3 ndices de comportamiento

El coste del control se puede medir definiendo una funcin de coste y sometindola a alguna norma.
En los mtodos H la norma escogida es la infinita y existen diversas funciones de coste tpicas, por
ejemplo, la optimizacin de las sensibilidades combinadas (mixed sensitivity problem):
con
el diseo H basado en la optimizacin de la robustez:
y la minimizacin de la norma infinita de la LFT inferior:
2.3.4 Sntesis del controlador

La primera solucin para la obtencin de controladores H se debe a J. C. Doyle. Su algoritmo no
sino que, dado un valor , encuentra un
minimiza directamente la norma infinita de
controlador estable K(s) y estabilizador tal que
Si dicho controlador existe, se reduce el valor de y se busca un nuevo controlador, y as

sucesivamente. El procedimiento termina en el valor ms pequeo de para el cual el algoritmo ha
sido capaz de obtener un controlador estable y estabilizador. Para que el algoritmo d lugar a una
solucin deben cumplirse una serie de condiciones, por ejemplo, que D12 y D21 de la planta
aumentada sean de rango completo. Estas condiciones as como los pasos de este algoritmo,
conocido tambin como DGKF (de Doyle, Glover, Khargonekar y Francis).
En cuanto a los controladores , tampoco existe una manera directa de obtener el controlador
ptimo. En el caso de perturbaciones complejas es posible usar una aproximacin conocida como
iteracin D-K que consiste en minimizar una cota superior de , es decir, en calcular el K(s) tal que
donde D es una matriz de escalado.
minimiza
Tanto estos algoritmos como los ms recientes basados en desigualdades matriciales lineales (LMI,
Linear Matrix Inequalities) estn disponibles en la Robust Control Toolbox for use with MATLAB.
En todos los casos el controlador obtenido es de hecho un controlador central que puede ser
parametrizado (de nuevo mediante LFTs) a fin de satisfacer especificaciones adicionales. La Fig.
32 muestra la parametrizacin de Youla donde
es cualquier matriz de transferencia estable y
. Si
, entonces el controlador obtenido es el central,
propia tal que
.

Pag. -92
Academia de Control
K s
v
u
Kc s
Q s
Fig. 32. Parametrizacin de Youla
Finalmente cabe comentar que, en la prctica, es habitual conformarse con controladores

subptimos. El controlador H ptimo es aquel que asegura el funcionamiento para el peor caso.
Sin embargo, si el peor caso ocurre raramente o nunca, entonces no tiene sentido forzar tanto la
robustez si lo que se desea es buen comportamiento puesto que asegurar que el sistema ser robusto
para el peor caso implicar degradar el comportamiento en el resto de casos.
2.3.5 Ejemplo
A continuacin vamos a ilustrar el proceso de sntesis de un controlador robusto H con ayuda de
las herramientas de MATLAB. A fin de poder contextualizar las prestaciones de dicho controlador
con respecto a otras estrategias se diseo, el resultado obtenido se comparar con otros dos
controladores: uno clsico (PID diseado por cancelacin) y uno adaptativo (regulador
autosintonizado).
Planta: Considerar que el modelo que describe el comportamiento de un brazo robtico es
donde el parmetro m vara con el tiempo segn la grfica de la Fig. 33:

Planta en lazo abierto
3
r(t) , y(t)
-1
-2
0.2
20
40
60
-3
10
20
30
Tiempo (s)
40
50
60
Fig. 33. Variacin del parmetro m en funcin del tiempo y comportamiento de la planta sin control
Aunque estrictamente no podemos hablar de planta incierta sino de planta variante con el tiempo,
podemos considerar que el valor nominal de m es
, considerar el resto de valores de m

Pag. -93
Academia de Control
como perturbaciones del parmetro nominal, y disear en consecuencia un controlador robusto

capaz de cumplir las especificaciones para todos estos valores de m.
Modelo nominal: La realizacin de estado en forma cannica controlable de la planta nominal es
,
con
Modelo de incertidumbre: La masa variable la modelamos mediante el siguiente modelo de

incertidumbre aditiva inversa
,
donde escogemos
. As, los otros dos casos (m 0.2 y m 0.5) quedan contemplados en la
,
. Y si seleccionamos
familia. Notar que, si seleccionamos
,
.
Con este modelo, las matrices perturbadas son
Planta incierta: Si separamos la perturbacin escalar del resto de trminos, podemos expresar a
la planta incierta por medio de la LFT superior mostrada en la Fig. 34 y la Fig. 35.
Fig. 34. Planta incierta expresada como LFT superior
A partir de la anterior realizacin de estado es posible hallar las matrices de la planta incierta y ver
qu parte corresponde a las matrices nominales y qu parte es incertidumbre:
La segunda ecuacin,
.
, junto con la condicin

, nos da
Sustituyendo este valor de
en la primera y tercera
ecuaciones tenemos:
Es decir, las matrices del sistema incierto son

Pag. -94
Academia de Control
Las matrices ,
,
y
corresponden a la planta nominal,
= ,
,
y
. Por otro lado, puesto que slo hay incertidumbre en las matrices de estado y entrada,
podemos tomar
, as
y
Finalmente, podemos calcular el resto de matrices
), as:
por identificacin de coeficientes (por simplicidad se asumir
=
=
, nos queda
Tomando
y, de ah,
. El esquema de estado
de la planta incierta se ve en la Fig. 35.

Modelo de las especificaciones: La configuracin de control escogida es la de la Fig. 35:
WS
G0
Fig. 35. Configuracin de control
Se desea que el lazo presente accin integral a fin de seguir consignas de tipo escaln sin offset en
rgimen permanente. Ello es equivalente a que la funcin de sensibilidad presente un derivador.
As, podemos tomar como funcin de ponderacin de las especificaciones de sensibilidad a
con
.
Ds
Bs
1/s
Cs
As
Fig. 36. Realizacin de estado del bloque de especificaciones WS.

Pag. -95
Academia de Control
B0
1/s
C0

A0
D12
Ws
Fig. 37. Configuracin generalizada de control
Planta aumentada: Juntando la planta incierta con el bloque de especificaciones se obtiene la

configuracin generalizada de la Fig. 37, cuya realizacin de estado de la planta aumentada es
Sntesis del controlador: Podemos formular nuestro problema de sntesis H en los siguientes
que cumpla las siguientes condiciones: (i)
es estable,
trminos: Obtener un controlador
(ii) el sistema en lazo cerrado
que relaciona la entrada r con la salida w es internamente
es ptimo en el sentido que minimiza la funcin de coste
. Notar
estable, y (iii)
.
que
Si se obtiene un valor de superior a la unidad entonces la solucin es subptima. An as, un

anlisis de su respuesta frecuencial y temporal nos indicar si es un controlador vlido en la
prctica. Finalmente, dada la planta nominal y las funciones de ponderacin escogidas, el
controlador central ser de tercer orden ya que su orden coincide con la suma de los estados de G0,
Ws y Wia (de ah la importancia de usar funciones de ponderacin de orden reducido).
Dada la planta aumentada, podemos usar la funcin hinfsyn para obtener el controlador. Por
defecto, el algoritmo de solucin es el DGKF, que realiza una bsqueda binaria del mnimo J,
min J , dentro del intervalo definido por el usuario [min, max]. El programa muestra los
resultados de cada iteracin: tentativa, autovalores de los Hamiltonianos usados en la solucin de

Pag. -96
Academia de Control
las dos ecuaciones de Riccati y de dichas soluciones,

.
soluciones
, y radio espectral del producto de las
Por ejemplo, para una seleccin de las especificaciones de

resultado es:
el
Resetting value of Gamma min based on D_11, D_12, D_21 terms

Test bounds:
gamma
100.000
50.250
25.375
12.938
6.719
3.609
5.164
4.387
4.854
4.746
4.674
4.720
4.725
4.722
4.722
0.5000 <
hamx_eig
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
3.3e-016#
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
1.4e+000
gamma
xinf_eig
2.6e-002
2.6e-002
2.7e-002
2.9e-002
3.9e-002
*******
5.9e-002
1.2e-001
7.1e-002
7.7e-002
8.3e-002
7.9e-002
7.9e-002
7.9e-002
7.9e-002
Gamma value achieved:
<=
100.0000
hamy_eig
1.1e-010
7.0e-011
7.0e-011
7.0e-011
7.0e-011
7.0e-011
7.0e-011
1.9e-009
7.0e-011
7.0e-011
7.0e-011
7.0e-011
7.0e-011
3.1e-019 #
3.1e-019 #
yinf_eig
-4.8e-009
0.0e+000
0.0e+000
0.0e+000
0.0e+000
0.0e+000
0.0e+000
-4.4e-010
0.0e+000
0.0e+000
0.0e+000
0.0e+000
0.0e+000
*******
*******
nrho_xy
p/f
0.0008
p
0.0030
p
0.0122
p
0.0500
p
0.2494
p
******
f
0.6308
p
1.7424#
f
0.8537
p
0.9697
p
1.0650#
f
1.0029#
f
0.9961
p
******
f
******
f
4.7251
Otra seleccin de la funcin de ponderacin de la sensibilidad, por ejemplo,

, da lugar a otro controlador diferente, tambin subptimo, con 4.7828.
Anlisis del controlador robusto: La Fig. 38 muestra las funciones de sensibilidad calculadas
para cada uno de los valores de m de ambos controladores robustos.
Sensibilidad. M = 10, = 0.3, = 4.7828
b
Sensibilidad. M = 2, = 0.7, = 4.7251

b
-5
-5
-10
-10
Magnitude (dB)
Magnitude (dB)
-15
-20
-25
-15
-20
-25
-30
-30
-35
-35
m=1
m=5
-40
m=1
m=5
-40
m=0.2
m=0.2
-45
-2
10
-1
10
10
10
10
-45
-2
10
-1
10
10
10
10
Frequency (rad/sec)
Frequency (rad/sec)
Fig. 38. Funciones de sensibilidad (para m 1, m 5 y m 0.2) de los dos controladores robustos.
En el segundo caso, al tomar b ms baja y dar ms margen a M, el comportamiento es ms lento

pero a cambio las funciones de sensibilidad son ms parecidas por lo que la respuesta presenta
prcticamente la misma forma sea cual sea el valor de m. Ver Fig. 39.

Pag. -97
Academia de Control
Controlador robusto. M = 10,b = 0.3, = 4.7828

2
1
r(t), y(t)
r(t), y(t)
Controlador robusto. M = 2,b = 0.7, = 4.7251

2
-1
-1
-2
0
10
20
30
40
50
60
10
0.5
u(t)
u(t)
-2
10
20
30
40
50
60
10
20
30
Tiempo (s)
40
50
60
0
-0.5
-5
-10
10
20
30
Tiempo (s)
40
50
-1
60
Fig. 39. Respuesta y esfuerzo de control de los dos controladores robustos
Comparacin con PID: La Fig. 40(b) muestra la respuesta y el esfuerzo de control de la misma
planta pero ahora controlada mediante un regulador PID diseado para cancelar la dinmica de la
planta en el caso nominal y ajustando su ganancia para que el polo dominante se site en 4. A
efectos de realizabilidad se ha aadido tambin un polo lejano. El PID es:
Se observa que el comportamiento es perfecto cuando m 1 y muy aceptable cuando m 0.2. Sin
embargo, cuando m 5 el PID es incapaz de eliminar las oscilaciones. Los controladores robustos
anteriores no presentan un comportamiento tan bueno cuando m 1 pero mantienen la respuesta
ms o menos uniforme para todos los valores de m.
Controlador PID
2
r(t), y(t)
1
0
-1
u
-2
excitacin
10
20
30
40
50
60
10
20
30
Tiempo (s)
40
50
60
y
x' = Ax+Bu
y = Cx+Du
20
controlador
u(t)
10
planta variante
0
-10
-20
Fig. 40. Modelo Simulink usado para simular los controladores robustos y el PID. Respuesta y esfuerzo de
control del PID-cancelacin
Comparacin con un controlador adaptativo: Para terminar hemos diseado un controlador

adaptativo de tipo regulador auto-sintonizado. El algoritmo de identificacin estima en lnea los
parmetros de la planta minimizando el cuadrado del error recursivamente (RLSE, Recursive Least
Square Error). El controlador recalcula sus parmetros en funcin de dichas estimaciones en cada
perodo de muestreo. Como controlador se ha escogido un Dahlin digital cuyo objetivo es que la
respuesta indicial de planta sea del tipo
donde
es el periodo de
muestreo para todos los bloques y vale
. Y, a fin de evitar el rizado de la seal de
control, se han sustituido los ringing poles por su ganancia esttica.

Pag. -98
Academia de Control
Controlador Dahlin adaptativo (sin ringing poles), ff=0.945, fd=1000
Controlador Dahlin adaptativo (sin ringing poles), ff=1, fd=1
1
r(t), y(t)
r(t), y(t)
1
0
-1
-1
-2
0
10
20
30
40
50
60
10
5
u(t)
u(t)
-2
10
20
30
40
50
60
10
20
30
Tiempo (s)
40
50
60
0
-5
-1
-2
10
20
30
Tiempo (s)
40
50
60
-10
Fig. 41. Respuesta y esfuerzo de control para los controladores adaptativos autosintonizados
En este caso se observa que la bondad del comportamiento depende de la calidad de la

identificacin paramtrica. En la Fig. 41(a) el algoritmo de identificacin no cuenta ni con factor de
olvido ni con factor de desconfianza. Por ello, al ser mala la convergencia de la estimacin, el
controlador se resiente y el conjunto no es capaz de eliminar las oscilaciones asociadas a m 5. En
cambio, en la Fig. 41(b), se ha utilizado un factor de olvido de 0.945 y un factor de desconfianza de
1000 con lo cual la estimacin es ms rpida y precisa y por tanto el sistema se comporta mejor. En
concreto, tarda menos de un periodo de consigna en identificar los parmetros reales de la planta y,
por tanto, en seguir la seal con la velocidad y precisin adecuadas
Comparando este tipo de control con los controladores robustos diseados para la misma planta
podemos concluir que los robustos tienen un comportamiento intermedio entre el caso de
estimacin paramtrica simple y estimacin paramtrica mejorada con factores de olvido y
desconfianza. En este ltimo caso el regulador autosintonizado es muy superior al resto de
controladores. Sin embargo, una ventaja fundamental de los robustos frente a los adaptativos es que
los primeros son fijos, aunque el comportamiento no sea tan fino. En cualquier caso, cada
aplicacin es distinta y elegir un tipo u otro de estrategia de control depende de muchos factores.
2.4
Ejercicio resuelto
Ejercicio 2. Control de la dinmica longitudinal de un avin (Mathworks)
El problema: El modelo linealizado que describe la dinmica longitudinal de un avin (NASA

HiMAT) volando a 25000pies y 0.9Mach presenta la siguiente descripcin en el espacio de estado
es el siguiente:
A =[-2.2567e-02
9.2572e-05
1.2338e-02
0
0
0
B = [0
0
0
0
30
0
C = [0
0
-3.6617e+01
-1.8997e+00
1.1720e+01
0
0
0
-1.8897e+01
9.8312e-01
-2.6316e+00
1.0000e+00
0
0
-3.2090e+01
-7.2562e-04
8.7582e-04
0
0
0
0;
0;
0;
0;
0;
30];
1
0
0
0
0
1
0
0
0;
0];

Pag. -99
3.2509e+00
-1.7080e-01
-3.1604e+01
0
-3.0000e+01
0
-7.6257e-01;
-4.9652e-03;
2.2396e+01;
0;
0;
-3.0000e+01];
Academia de Control
D = [0
0
0;
0];
Las variables de estado son: las perturbaciones alrededor del vector de velocidad (V), el ngulo de
ataque (), la velocidad de variacin de la actitud (q), el ngulo de actitud (), el ngulo del primer
actuador-elevon (1) y el ngulo del segundo actuador-canard flap (2).
Las variables de control son las seales que controlan los dos actuadotes: elevon (e) y canard flap
(c).
Las variables de salida (es decir, medidas) son: el ngulo de ataque () y la actitud ().
Especificaciones:
Sobre la funcin de transferencia complementaria T(s). W3 ( s )
Sobre la funcin de transferencia S(s): W1 ( s )
20( s 10)
s 400
0.5( s 10)
( s 0.15)
Objetivo: Obtener un controlador serie estable, que estabilice al sistema y minimice la siguiente
funcin de coste (mixed sensitivity problem):
W1 S
W T
3
Se pide:
1)
Analizar la planta sin control. Introducir las matrices de estado de la planta (ag,bg,cg,dg) y
analizar su comportamiento en lazo abierto. En concreto: (a) Obtener sus polos (funcin pole).
es estable? (b) Obtener sus ceros de transmisin (funcin zero). hay alguno de fase no
mnima? (c) Obtener el diagrama de Bode de su respuesta frecuencial. Puesto que el sistema es
MIMO representar en dB la magnitud de sus valores singulares.
2)
Especificaciones. Representar el diagrama de Bode de magnitud de las inversas de las

funciones de ponderacin, 1/W1 y 1/W3.
3)
Sntesis del controlador robusto. Calcular el controlador robusto que minimiza la norma
infinita de la funcin de coste del enunciado.
4)
Analizar el diseo. (a) Dibujar la respuesta frecuencial de la funcin de coste obtenida.

Cunto vale el mximo? (b) Dibujar la respuesta frecuencial de la funcin de sensibilidad
obtenida junto con las especificaciones 1/W1. Se cumplen? (c) Dibujar la respuesta
frecuencial de la funcin de sensibilidad complementaria obtenida junto con las
especificaciones 1/W3. Se cumplen?

Pag. -100
Academia de Control
Solucin:
Planta sin control: Es inestable

G=ss(A,B,C,D);
Singular Values
50
polos=pole(G)
0
Singular Values (dB)
-5.6757
0.6898 + 0.2488i
0.6898 - 0.2488i
-0.2578
-30.0000
-30.0000
zeros=zero(G)
-0.0210
-50
-100
-150
-200
-250
-2
10
figure(1),sigma(G)
10
10
10
Frequency (rad/sec)
Especificaciones:
Singular Values
s=zpk('s'); % Laplace
MS=2;AS=.03;WS=5;
W1=(s/MS+WS)/(s+AS*WS);
10
1/W
5
1/W
S
T
MT=2;AT=.05;WT=20;
W3=(s+WT/MT)/(AT*s+WT);
figure(2),
sigma(inv(W1),inv(W3)),
legend('1/W_S','1/W_T')
-5
-10
-15
-20
-25
-30
-35
-3
10
-2
10
-1
10
10
10
10
10
10
Frequency (rad/sec)
Sntesis del controlador robusto

[K,J,gam]=mixsyn(G,W1,[],W3);
>> minfo(K)
MATLAB ss object:
10 states
2 outputs
2 inputs
Funcin de coste:
Singular Values
figure(3),sigma(J)
-2
-2.5
gam =
-3
0.7885
-3.5
-4
-4.5
-5
-5.5
-6
-6.5
-2
10
10
10
Frequency (rad/sec)

Pag. -101
10
10
Academia de Control
Funcin de sensibilidad
L=series(K,G);
S=feedback(eye(2),L);
figure(4),sigma(inv(W1),S)
Singular Values
10
5
0
-5
-10
-15
-20
-25
-30
-35
-2
10
10
10
10
10
Frequency (rad/sec)
Funcin de sensibilidad complementaria

T=feedback(L,eye(2));
figure(5),sigma(inv(W3),T)
Singular Values
50
-50
-100
-150
-200
-250
-300
-2
10
10
10
10
10
Frequency (rad/sec)
Ejercicio 3. Control H de un sistema de climatizacin (Guesalaga)

Planta y objetivos
Se tiene una habitacin de 400 m3 y se quiere que en su interior las condiciones ambientales sean
constantes y de valor:
Temperatura
T0 23C
Humedad relativa
Instrumentacin
h0 50 RH
Se dispone de tres actuadores:

1) Radiador (heating coils): Alimentado por vapor de agua, es el encargado de aumentar la
temperatura de la habitacin. Como efecto secundario reduce la humedad relativa.
2) Refrigerador (chiller unit): Es el encargado de enfriar la habitacin. Tambin se utiliza para
reducir la humedad relativa por medio de la condensacin del vapor de agua.
3) Humidificador (vaporiser o boiler): Inyecta vapor de agua en la habitacin con objeto de
aumentar la humedad relativa. Su efecto en la temperatura es despreciable.

Pag. -102
Academia de Control
Todos los actuadores se agrupan en una cmara de climatizacin externa a la habitacin. Esta
cmara de climatizacin recoge el aire de la habitacin, lo trata y lo vuelve a inyectar. Por el hecho
de ser externa se ve afectada por la temperatura Text y humedad absoluta Hext del exterior de la
habitacin.
Se dispone adems de dos sensores: un termmetro y un sensor de humedad relativa. Este ltimo es
muy sensible a la humedad absoluta y a la temperatura. Ambos sensores estn situados en la rendija
de salida del aire.
flujo externo
de aire
cmara de climatizacin
Text
Hext
calefaccin
refrigeracin
humidificador
uf
uc
uh
aire
h
habitacin
3
400 m
T, h
puerta
Modelo matemtico de la planta

En el interior de la habitacin la temperatura es T T0 dT 23 dT y la humedad vale
h h0 dh 50 RH dh .
En
el
exterior
los
valores
son
Text Text , 0 dText
H ext H ext ,0 dH ext .

El conjunto formado por la habitacin y la cmara de climatizacin puede modelarse en forma de
matriz de funciones de transferencia:
dText
dH ext
dT
G ( s ) u c ,
dh
uh
uf
con G ( s )
0
10 0
5
s 1
1
.
(2s 1)(12s 1) 1.8( s 1) 0.55( s 1) 18 13 21s 0.2
Especificaciones. Objetivos del control

Puesto que la especificacin es mantener T y h constantes, el diseo se centrar en mantener las
desviaciones alrededor del punto de equilibrio dT y dh tan pequeas como sea posible. Y ello con
un esfuerzo de control (consumo) razonable.
Solucin

Pag. -103
Academia de Control
1)
Solucin comercial
La solucin estndar consiste en dos lazos de control SISO independientes, uno para la temperatura
y el otro para la humedad:
Lazo de temperatura: Si es necesario aumentar la temperatura se activa la calefaccin uc y si es

necesario reducirla se activa la unidad de refrigeracin uf.
Lazo de humedad: Si es necesario aumentarla se pone en marcha el humidificador uh y si es

necesario reducirla se activa la unidad de refrigeracin uf la cual extrae agua por medio del
efecto de condensacin.
flujo externo
de aire
Text
Hext
calefaccin
refrigeracin
uc
T
PI
humidificador
uf
u1
uh
aire
mx (u1, u2)
u2
PI
T, h
habitacin
400 m3
As pues, la unidad de refrigeracin es un bloque comn a los dos lazos de control y forma parte de
uno u otro segn cul sea la mayor de las dos demandas: u1 para bajar la temperatura y u2 para bajar
la humedad.
Desventajas:
1) No tiene en cuenta el acoplamiento entre variables.
2) Este controlador utiliza las tres unidades a pesar de que, como veremos, basta con que
funcionen nicamente slo dos de ellas.
3) El cambio de unidad produce discontinuidades que afectan al rendimiento del sistema.
2)
Solucin al problema de discontinuidad. Configuracin de Mark
Tal y como muestra la Figura, el aire recogido por la cmara de climatizacin es enfriado,
humectado y calentado antes de ser devuelto a la habitacin:

Pag. -104
Academia de Control
humedad
dew point
0.024
0.018
equiv.
50RH a
23C
0.012
C.F.
0.006
C.I.
5
10 12
15
20
23 25
30
Paso 1. Para una humedad relativa de 50RH la temperatura de roco correspondiente (dew-point
temperature) es de 12C. El primer paso es pues enfriar el aire extrado hasta los 12C.
Paso 2. La cantidad de agua correspondiente a 50 RH, 23C es, segn la grfica, de 0.008.
Manteniendo la temperatura constante (a 12C) se inyecta la cantidad de agua suficiente para
conseguir una relacin de humedad de 0.008.
Paso 3. Manteniendo la cantidad de agua constante (a 0.008), se calienta el aire hasta los 23C.
flujo externo
de aire
Text
Hext
refrigeracin
humidificador
uh
uf
h
PI
T1
PI
calefaccin
uc
aire
T2
T, h
habitacin
400 m3
Desventajas:
1) Se consume demasiada energa enfriando y calentando el aire continuamente. Es caro.
2) Puesto que no utiliza el sensor de humedad, el control de humedad se hace controlando el punto
de roco dentro de la cmara y no de la habitacin. Por lo tanto, puede compensar el efecto de
Text y Hext, pero no se entera de los cambios de la carga de la habitacin (nmero de personas,
puertas abiertas...)

Pag. -105
Academia de Control
3) Solucin multivariable. Controlador ptimo H

flujo externo
de aire
Text
Hext
calefaccin
refrigeracin
humidificador
uf
uc
uh
aire
T
controlador multivariable
h
habitacin
400 m 3
T, h
Pasos en el diseo de controladores ptimos H
1) Traducir las especificaciones del problema a funciones de ponderacin de las seales de control,
error y salida.
2) Obtener la planta generalizada P a partir de la planta G y las funciones de ponderacin Wi.
Plantear la configuracin estndar.
w2
We(s)
Wu(s)
Wy(s)
w1
K(s)
G(s)
z1
z2
z3
P(s)
u
K(s)
We S
z ( s)
donde
Fl (K , P) Wu KS recibe el nombre de transformacin fraccional lineal
w ( s)
Wy T
(Linear Fractional Transformation).

3) Calcular, con ayuda de los algoritmos disponibles, el controlador K tal que el sistema de la
Figura anterior es internamente estable y se cumple que:
We S
Wu KS
Wy T
mn , con S (I GK ) 1 y T (I GK ) 1 GK

Pag. -106
Academia de Control
Eleccin de los pesos
Notar que en nuestro ejemplo la seal de salida coincide con la seal de error puesto que se trata de
que las variaciones en la temperatura y humedad interiores se mantengan cercanas a cero.
El vector de control u u c
uh
uf
se penaliza con la matriz de ponderacin
Wuc ( s )
0
0
Wuh ( s )
0
Wu ( s ) 0
0
0
Wuf ( s )
donde Wuc ( s ) 0.035
90 s 1
90s 1
y Wuh ( s ) Wuf ( s ) 0.1
.
2s 1
9s 1
Es decir, se trata de que el radiador reaccione rpido a las perturbaciones rpidas mientras que
el humidificador (y/o la refrigeracin) se deja para las perturbaciones ms lentas.
El vector de salida y dt
dh se penaliza con la matriz

T
Wy ( s )
1 0
90
(90s 1)(9 s 1) 0 1
Esta eleccin penaliza fuertemente las bajas frecuencias, asemejndose a una accin integral.
No queremos errores una vez alcanzado el rgimen permanente.
La Figura muestra los diagramas de Bode de las diferentes funciones de ponderacin:
1
10
10
10
Wy
10
0
10
Wuh = W uf
Wuc
-1
10
-1
10
-2
10
-2
10
-3
-3
10
10
-2
-1
10
[rad/min]
10
10
10
-3
10
-2
10
-1
10
[rad/min]
10
10
omg = logspace(-3,1);
wu11 = nd2sys( [90 1], [2 1], 0.035);
wu22 = nd2sys( [90 1], [9 1], 0.1);
vplot('liv,lm',frsp(wu11,omg),frsp(wu22,omg)), grid on, xlabel('[rad/min]')
wy11 = nd2sys(1, conv([90 1],[9 1]), 90);
vplot('liv,lm',frsp(wy11,omg)), grid on, xlabel('[rad/min]')
Diseo del controlador de tres salidas (Calor Humedad Fro)
La configuracin estndar es la de Figura,

Pag. -107
Academia de Control
dText
dH ext
0
s 1
1.8(s 1) 0.55(s 1)
G ext (s)
(2s 1)(12s 1)
w
z1
Wu (s)
uc

u uh
u
f
W y (s)
5
10 0
18 13 21s 0.2
G u (s )
(2s 1)(12s 1)
+
+
z2
dT
y
dh
K (s)
donde las matrices de ponderacin son:
90 s 1
0
0
0.035 2 s 1
1 0
90 s 1
90
y Wy ( s )
Wu ( s)
0
0.1
0
(90s 1)(9 s 1) 0 1
9s 1
90 s 1
0
0
0
.
1
9 s 1
Wu KS
Wy S
mn en Matlab es hinfsyn y el
La funcin que calcula el controlador tal que
cdigo es como sigue:

% funciones de ponderacin
wu = daug(wu11,wu22,wu22);
wy = daug(wy11,wy11);
% subsistema dependiente del control
Gu = abv(sbs(g13,g14,g15),sbs(g23,g24,g25));
% planta generalizada
systemnames='Gu wu wy';
inputvar='[ext{2};u{3}]';
outputvar='[wu;wy;ext+Gu]';
input_to_Gu='[u]';
input_to_wu='[u]';
input_to_wy='[ext+Gu]';
sysoutname='P';
cleanupsysic='yes';
sysic;
% clculo del controlador
nmeas=2;ncon=3;gmin=0.1;gmax=5;tol=1e-3;
[K,LFT]=hinfsyn(P,nmeas,ncon,gmin,gmax,tol);
Test bounds:
gamma
5.000
0.1000 <
hamx_eig
1.1e-002
gamma
<=
xinf_eig hamy_eig
-2.1e-015 1.1e-002

Pag. -108
5.0000
yinf_eig
nrho_xy
p/f
-6.1e-016
0.0000
p
Academia de Control
2.550
1.325
0.712
1.019
1.172
1.095
1.134
1.114
1.124
1.119
1.117
1.116
1.116
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
-2.0e-016
-9.1e-017
-8.3e-001#
-7.5e+000#
-6.2e-018
-4.1e+001#
-4.4e-015
-5.5e+002#
-2.7e-017
-2.2e-015
-2.2e-015
-2.3e+003#
-3.0e-014
Gamma value achieved:
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
1.1e-002
-4.2e-017
-2.6e-017
-2.2e-019
-8.5e-018
-3.0e-018
0.0e+000
-2.6e-018
-5.4e-018
-3.6e-018
0.0e+000
-6.3e-018
0.0e+000
-9.5e-018
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
p
p
f
f
p
f
p
f
p
p
p
f
p
1.1162
Las Figuras muestran los diagramas de Bode de valores singulares de S con W y1 y KS con Wu1 ,
2
10
10
1
uh
W
101
10
1
uf
10
W y1
Wuc1
10
(KS)
10 0
(S)
(S )
10
-1
10- 1
(KS)
10- 2
10- 3
10 -2
10
10 -2
10 -1
1 00
101
-3
10
-3
10
-2
10
-1
10
10
[aL,bL,cL,dL]=series(aK,bK,cK,dK,aGu,bGu,cGu,dGu);
uno=ndsys(1,1,1);[a1,b1,c1,d1]=unpck(daug(uno,uno));
[aS,bS,cS,dS]=feedback(a1,b1,c1,d1,aL,bL,cL,dL,1);S=pck(aS,bS,cS,dS);
vplot('liv,lm',vsvd(frsp(S,omg)),minv(frsp(wy11,omg)))
[aR,bR,cR,dR]=series(aS,bS,cS,dS,aK,bK,cK,dK);R=pck(aR,bR,cR,dR);
vplot('liv,lm',vsvd(frsp(R,omg)),minv(frsp(wu11,omg)),minv(frsp(wu22,om)))
Step Response
La respuesta indicial de la transformacin

fraccional lineal nos confirma que el
sistema en lazo cerrado es estable
To: Y1
To: Y2
To: Y3
-0.2
1
0.5
0
2
To: Y4
El controlador obtenido en este diseo

tiene 17 estados, 2 entradas y 3 salidas.
-1
0.2
Amplitude
[a,b,c,d]=unpck(lft);
step(a,b,c,d)
From: U2
From: U1
To: Y5
0
1
0.5
0
0
10
15
200
Time (sec.)

Pag. -109
10
15
20
Academia de Control
3.
3.1
3.1.1
Control frecuencial de sistemas MIMO

Modelizacin
Representacin
Definicin: Un sistema MIMO (multi input multi output) es aquel que tiene ms de una entrada y
ms de una salida. De manera anloga se habla de sistemas SISO (single input single output),
MISO (multi input single output), SIMO (single input multi output), 2ISO (2 input single output),
Podemos ver un sistema MIMO como una caja negra con p entradas y q salidas (en general, todas
ellas varan con el tiempo).
u1 (t )
...
y1 ( t )
...
u p (t )
u1 (t )
u( t )
u (t )
p
y q (t )
y1 ( t )
y (t )
y (t )
q
Fig. 42. Sistema MIMO
La mayora de los sistemas son de naturaleza multivariable (MIMO), como por ejemplo, los
sistemas qumicos donde es necesario controlar de manera simultnea variables como son la
presin, la temperatura y la concentracin a partir de diversas entradas como pueden ser los
caudales y las concentraciones a la entrada.
Representacin frecuencial. Matriz de funciones de transferencia: Considerar el sistema de la Fig.
42. La transformada de Laplace de un vector es el vector formado por las transformadas de Laplace
de cada una de sus componentes. Por tanto, la salida del sistema en el dominio frecuencial y con
condiciones iniciales nulas es
Y ( s ) G( s ) U ( s )
g11 ( s ) g1 p ( s )
es la matriz de funciones de transferencia del sistema.

donde G( s )
g q1 ( s ) g qp ( s )
Cada elemento gij(s) es una funcin de transferencia ordinaria que describe el efecto de la entrada
Uj(s) sobre la salida Yi(s).

Pag. -110
Academia de Control
Matrix Function Description (MFD): Puesto que G(s) es una matriz racional, puede expresarse
como
G( s )
1
N( s )
d (s)
siendo d(s) el mnimo comn mltiplo mnico de los elementos gij(s) y N(s) una matriz polinomial.
Pero tambin es posible expresar G(s) como cociente de dos matrices polinomiales coprimas, N y
D,
G( s ) N( s )D( s ) 1
Esta ltima representacin recibe el nombre de matrix function description y nos permite obtener un
mayor grado de analoga entre los sistemas SISO y MIMO.
Representacin en el espacio de estado: Las variables de estado x de un sistema cualquiera son el

conjunto ms pequeo de variables que determinan el estado del sistema de forma que, conociendo
su valor a t=t0 y el valor de la entrada para tt0, el comportamiento del sistema queda totalmente
descrito para cualquier tt0.
Un sistema dinmico se puede representar por medio de ecuaciones diferenciales (ED) ordinarias
donde el tiempo es la variable independiente. Por otro lado, una ED de orden n se puede expresar
como un conjunto de n EDs de primer orden (representacin vectorial-matricial). Si los n
elementos del vector x constituyen un juego de variables de estado lo que se obtiene es una
ecuacin de estado (EE).
La representacin en el espacio de estado de un sistema MIMO es:
x Ax Bu (ecuacin de estado)
y Cx Du (ecuacin de salida)
donde las dimensiones son A nn (n: nmero de estados), B n p , C qn , D q p .
En los sistemas MIMO, en vez de escribir las dos ltimas ecuaciones, lo que se hace a veces es
utilizar una notacin mixta:
A B
G(s)
C D
Conversiones entre representaciones: El paso de EE a G(s) es directo: Si con condiciones iniciales
nulas se aplica la transformada de Laplace a las EE,
sX ( s ) AX ( s ) BU( s )
Y( s ) CX ( s ) DU( s )
y se expresa Y(s) en funcin de U(s), Y( s ) CsI A B D U( s ) se obtiene

1
G( s ) CsI A B D
1
En cambio el paso de G(s) a EE no da un resultado nico (tanto en SISO como en MIMO):

Pag. -111
Academia de Control
Ejemplo 25. Comprobar que la funcin de transferencia G ( s )
s
admite las siguientes
s s 1
2
dos representaciones en EE:
1
0
0
0
0
1
G1 ( s )
1 2 2
1
1
0
0
0 1 0
0
y G2 ( s ) 1 1 1
1
0
1
0
Comprobacin va Matlab:
>> [num,den]=ss2tf([0 -1;1 -1],[0;1],[0,1],0);
>> zpk(tf(num,den))
Zero/pole/gain:
s
-------------(s^2 + s + 1)
>> [num,den]=ss2tf([0 1 0;0 0 1;-1 -2 -2],[0;0;1],[0,1,1],0);
>> zpk(tf(num,den))
Zero/pole/gain:
s (s+1)
-------------------(s+1) (s^2 + s + 1)
>> minreal(zpk(tf(num,den)))
Zero/pole/gain:
s
-------------(s^2 + s + 1)
%realizacin mnima
Los motivos son los siguientes:

1) La eleccin de las variables de estado no es nica.
2) La eleccin de n tampoco es nica:
G
( s) C
sI A B
D

n p q p
q n
1
q p
nn
Formas cannicas y realizaciones mnimas: Por ello es necesario contar con formas cannicas y
realizaciones mnimas. Estas ltimas se obtienen mediante la cancelacin de polos y ceros cercanos
y con la eliminacin de estados poco controlables y/o observables y redundantes. En el ejemplo
anterior la realizacin G1 sera mnima si eliminramos el estado no observable.
Polos y ceros: Los polos de un sistema MIMO son los valores de s para los cuales al menos una de
las componentes de Y(s) tiende a infinito. Son, por tanto, los polos de los gij(s).
Los ceros son los valores de s para los cuales Y(s)=0. La salida es nula cuando G(s)=0. Los ceros
de G(s) son los polos de G-1(s). Puesto que

Pag. -112
Academia de Control
G 1 ( s )
adjG( s )
detG( s )
Los ceros del sistema coinciden con los ceros de det G( s ) .

En la representacin de estado los polos coinciden con los autovalores de A ya que de
G( s ) C
adjsI A
BD
detsI A
se deduce que los valores de s que hacen tender G(s) a infinito son las races de (s) detsI A
que es precisamente el polinomio caracterstico de A el cual est formado por los autovalores de A.
Nota: Las definiciones de polos y ceros en sistemas MIMO no son nicas. Slo de ceros hay ms
de diez definiciones diferentes.
Sistemas de gran escala LSS (large scale systems): Son sistemas MIMO con muchas entradas y
muchas salidas caracterizados por tener un nmero grande de elementos los cuales realizan
diferentes funciones, comparten recursos y se rigen por un conjunto de objetivos y restricciones.
Los ejemplos tpicos son los modelos econmicos y de planificacin urbana, sistemas de energa
elctrica, redes de transporte y comunicaciones
Las principales diferencias con los sistemas convencionales estn en que:
1) Son sistemas de grandes dimensiones. Desde el punto de vista de la modelacin, un sistema
es grande cuando su comportamiento entrada/salida no puede ser entendido si no es
partindolo en mdulos y/o agregando sus subsistemas modularizados. Desde el punto de
vista del control, un sistema es grande si excede la capacidad de una estructura simple de
control.
2) Los LSS se caracterizan a menudo por la separacin espacial de sus componentes de
manera que entran en juego aspectos como el coste econmico y la realizabilidad de las
comunicaciones.
3) Presentan fenmenos de fuerte interaccin dinmica. Adems, en el proceso de decisin
existen diversos objetivos cada uno de ellos asociado a una unidad entre varias de
operacin. Tanto si los objetivos son cooperativos o entran en conflicto han de
intercambiar conocimientos, compartir valores y dar resultados de comportamiento.
As, la representacin de los sistemas de gran escala implica modelos multivariable muy complejos
y con una fuerte interaccin. La dificultad computacional que llevan asociada ha dado lugar a todo
un conjunto de tcnicas sistemticas y especficas para tratar con ellos. Estas se dividen en dos
grandes grupos: descomposicin y simplificacin:
La descomposicin consiste en partir el LSS en diferentes subsistemas ms fciles de tratar

cuyas soluciones son despus compuestas o coordinadas para reconstruir la solucin global.
As se puede hablar de control descentralizado (descomposicin-descentralizacin) y
control jerrquico (descomposicin-coordinacin).

Pag. -113
Academia de Control
En cuanto a la simplificacin o bien se modelan los fenmenos en multiescalas temporales

en sistemas que intrnsecamente presenten ms de un modo de operacin o bien se agregan
las variables del LSS a fin de disminuir las dimensiones de su modelo.
Sistema descriptor: A la hora de modelizar sistemas fsicos complejos a fin de no perder la

intuicin se suelen tomar variables de interpretacin fsica inmediata. No se trata tanto de obtener
un conjunto mnimo de variables sino de obtener un juego de variables significativas. Estas ltimas
estn a menudo interrelacionadas entre s incluso en instantes temporales diferentes y son las que
componen el llamado sistema descriptor:
Ex Ax Bu
y Cx Du
Esta representacin es ms general que las EE ordinarias ya que no slo las incluye sino que
tambin contempla el caso de los sistemas no causales y las ecuaciones estticas de dimensiones
arbitrarias. Por otro lado, la representacin del sistema por medio del sistema descriptor es tpica de
los LSS los cuales se estudian como un conjunto de sistemas interconectados. La interconexin no
siempre es representable por medio de las EE pero s lo es con ayuda del sistema descriptor.
3.1.2
Perspectiva histrica. Del control moderno al robusto
Control moderno vs. mtodos frecuenciales: Al principio los sistemas MIMO se estudiaron desde
la ptica del control moderno (mtodos de estado). Haba dos buenas razones para hacerlo:
1) En el espacio de estado da igual trabajar con 4 estados que con 40, con 1 entrada y una
salida que con 3 entradas y 5 salidas ya que se trata de una representacin inherentemente
multivariable.
2) Los mtodos frecuenciales de la teora de control clsica estn pensados para los sistemas
SISO (a menudo SLI) y cuando se aplican a sistemas MIMO, incluso en los casos ms
sencillos, es inevitable que aparezca el tanteo (solucin no nica). De hecho, los mtodos
frecuenciales son grficos, se basan en relaciones entrada/salida y son iterativos. El
diseador analiza una respuesta frecuencial o un lugar de las races, disea el controlador de
manera grfica, investiga la respuesta del sistema y repite este procedimiento hasta que se
da por satisfecho. La ventaja del espacio de estado en este caso es que da lugar a
mtodos sistemticos (solucin nica).
Aplicaciones aerospaciales: El control moderno funciona bien en aplicaciones aeroespaciales. De
hecho, debe su existencia a las investigaciones que en este campo se llevaron a cabo en las dcadas
de 1950 y 1960 (en los EEUU) y al desarrollo de la capacidad de clculo de los computadores
digitales en la misma poca.
La teora del control ptimo (LQG, linear quadratic Gaussian) va bien en estos tipos de problemas
por diversos motivos:
1) Son aplicaciones de fcil modelizacin. Se puede hacer la hiptesis de planta lineal y
posiblemente invariante con el tiempo. Y adems las perturbaciones son de naturaleza
estocstica pero conocida y se pueden describir como ruido blanco.

Pag. -114
Academia de Control
2) Lo importante en estos problemas es la gestin de recursos, en particular el mnimo

consumo de los retrocohetes. Esta gestin tiene una traduccin inmediata en la forma de
optimizacin (minimizacin) de criterios cuadrticos.
3) Son verdaderos procedimientos de sntesis: una vez seleccionado el criterio, un
procedimiento sistemtico genera la solucin (nica) y el controlador ptimo segn el
criterio escogido.
Aplicaciones terrestres industriales. Incertidumbre: Fuera de estos problemas tan concretos el
LQG no tiene aplicacin prctica. Sobre todo en los problemas industriales donde el proceso a
controlar es a menudo muy complejo y no totalmente conocido y donde adems las perturbaciones
externas no son simple ruido blanco.
Dicho de otro modo son problemas donde aparece el concepto de incertidumbre. Hay de dos tipos:
Incertidumbre interna (o errores de modelacin) debida al desconocimiento terico del proceso a
controlar, a la imprecisin de los dispositivos de medida, a las tolerancias de fabricacin y a la
simplificacin o idealizacin de los modelos matemticos. E incertidumbre externa, debida a la
influencia del entorno, al modo de operacin y a las propiedades de los materiales.
Los controladores obtenidos por mtodos frecuenciales son aproximados y se tratan como tales pero
tienden a ser razonablemente robustos frente a errores en el modelo de la planta y ciertas seales de
perturbacin actuando sobre la planta.
En cambio, los mtodos en el espacio de estado usan modelos internos del sistema y sintetizan los
controladores mediante algoritmos matemticos. En condiciones de incertidumbre, si el modelo de
la planta es pobre, el control muy probablemente tambin lo ser. En las aplicaciones industriales
no sale a cuenta hacer el esfuerzo de obtener modelos muy precisos (y, sobretodo, lineales). Por
ello, cuando estos mtodos se aplican en la industria unas veces funcionan bien y otras mal
(obtenindose muchos mejores resultados con el PID estndar). Adems, aunque funcionen bien
pueden resultan muy frgiles. Por ejemplo, el rechazo a perturbaciones suele ser pobre y el fallo de
alguno de los lazos retroactivos puede ser desastroso, llevando a la inestabilidad total. Por ello a
partir de 1980 se empez a investigar en el control robusto y en tcnicas para mejorar la robustez de
estos controladores.
Inconvenientes del LQG: En concreto, el principal inconveniente del LQG es que pone demasiado
el nfasis en la optimalidad y presta poca atencin a la incertidumbre. Adems, el ptimo no
tiene por qu ser bueno. Un controlador impecable matemticamente puede ser intil en la
prctica. En trminos generales podemos decir que el LQG es:
1) Poco realista: modeliza todas las incertidumbres como ruido blanco cuando no existe
ninguna justificacin para hacerlo y adems presupone modelos lineales de la planta.
2) Poco prctico: se necesita experiencia y numerosas iteraciones para escoger correctamente
Q, R, W y V y, por otro lado, si el problema es demasiado complejo la misma cantidad de
clculo no hace aplicable el LQG.
3) Poco robusto: est demostrado terica y experimentalmente que al intentar aadir realismo
al modelo de la planta el diseo puede salir incluso inestable
4) Poco intuitivo: le falta la potencia de los mtodos grficos.
Principales mtodos frecuenciales en MIMO: Mientras en los EEUU se desarrollaban los mtodos
de estado, en el Reino Unido algunos grupos de trabajo se centraron en la generalizacin de las
tcnicas frecuenciales SISO estndar para el caso de sistemas MIMO.
Lugar geomtrico de las races Lugar caracterstico
Criterio de Nyquist Tcnicas vectoriales de Nyquist

Pag. -115
Academia de Control
Diagrama de Bode Diagrama de valores singulares

La idea era combinar el enfoque algebraico en el anlisis de los sistemas MIMO con el enfoque del
diseo grfico (en lugar de sntesis) para la seleccin del controlador en el dominio frecuencial (y
as eliminar la necesidad de modelos de planta muy precisos). Son tcnicas que necesitan muchos
clculos (aunque no son difciles) y por ello no pudieron ser implementadas hasta que no se
desarrollaron los ordenadores y aparecieron programas de simulacin numrica como el Matlab.
Los principales mtodos son:
Inverse Nyquist Array (INA) de (Rosenbrock, 1974).
Characteristic Locus (CL) de (MacFarlane and Kouvaritakis, 1977).
Sequential return difference de (Mayne, 1979)
Dyadic expansion methods de (Owens, 1978)
Principal gain and phase methods de (Postlethwaite et al., 1981)
Algunos monogrficos son: (Maciejowski, 1989), (OReilly, 1987), (Patel and Munro, 1982) and
(Owens, 1978).
Control Robusto: En EEUU, cuando las limitaciones del LQG se hicieron patentes, se volvi a
prestar atencin a los mtodos frecuenciales (y a la capacidad desensibilizadora de la retroaccin de
salida) y es en los aos 1980s cuando aparecieron las actuales tcnicas de Control Robusto que
predominan en el panorama de la teora de control de hoy en da:
H: optimizacin del mximo de sensibilidad (Zames)
: valores singulares estructurados (Doyle)
LTR: loop transfer recovery (Stein)
QFT: Quantitative feedback theory (Horowitz)
3.1.3
Herramientas matemticas
La respuesta frecuencial de un sistema MIMO es una matriz de respuestas frecuenciales SISO. El

anlisis de cada uno de sus elementos por separado es inadecuado ya que por un lado no nos da
informacin del comportamiento del sistema como un todo y por otro quisiramos estudiar el
sistema en un solo grfico. Por tanto, en lugar de trabajar directamente con la matriz de funciones
de transferencia lo que se hace es trabajar con sus autovalores y/o valores singulares y/o normas.
Autovalores: De manera anloga a como se hace con las matrices constantes, se definen los
autovalores (s) de una matriz funcional G(s) como las funciones que hacen que el polinomio
caracterstico de la matriz G(s), ( s )I G( s ) sea idnticamente igual a cero. Como tambin son
funciones de s se pueden obtener representaciones (llamadas lugares caractersticos, characteristic
loci) de ellos en diagramas de Bode o Nyquist.
Valores singulares: Los valores singulares i(s) de una matriz G(s) de dimensiones mn y de rango
r son las races cuadradas no negativas de los autovalores de G*G (G* es la traspuesta conjugada de
G)

Pag. -116
Academia de Control
i i (G * ( s )G( s ))
y se ordenan de forma que 1 2 n . Al mximo valor singular 1 de la matriz G tambin
se le denota y al mnimo .
Si r<n (matriz singular) entonces hay n-r valores singulares nulos r 1 r 2 n 0 .
Una matriz con un valor singular cercano a cero est cerca de ser singular.
1 250
1
Ejemplo 26. Medida de la proximidad a la singularidad de la matriz M

0
1.
Es M singular?
No puesto que su determinante no es nulo: det( M ) 1

>> M=[1 250;0 1]
M =
1
250
0
1
>> det(M)
ans =
1
2.
Cunto ha de variar el elemento m21 para que M sea singular?
1 250
M
1
1 250 0 4 10 3 m21
(una pequea variacin de m21 hace la matriz singular)

3.
Obtener los autovalores y valores singulares de M.
Autovalores: =1 (doble) (no dan informacin sobre la proximidad a la singularidad)

Valores singulares: 1=250, 2=410-3 (la proximidad a la singularidad la indica el hecho de que un
valor singular es muy pequeo)
>> eig(M)
ans =
1
1
>> svd(M)
ans =
250.0040
0.0040
Normas: La norma es un concepto aplicable a vectores, matrices, seales y sistemas. Se define la

norma p de un vector n-dimensional como

Pag. -117
Academia de Control
n
p
xi
i 1
1 p
Las ms utilizadas son la p=2 (norma Eucldea, relacionada con la potencia),
i 1
y la norma p= (relacionada con el mximo), x
xT x
max xi
i
Las normas de las seales se definen de manera anloga a las normas vectoriales,
u 1 u (t ) dt
2
u (t ) dt

12
sup u (t )
t
Las principales normas de un sistema con funcin de transferencia G(s) son:
G( j ) d
12
sup G ( j )
Relaciones entrada/salida: Considerar un sistema lineal, estable y estrictamente propio con funcin
de transferencia G(s) y con entrada u y salida y. Si conocemos cmo de grande es la entrada, lo
que nos preguntamos es cmo de grande ser la salida. Es decir, si la informacin de que
disponemos es ||u||2 o ||u|| y queremos estimar cul ser la magnitud de y(t), ||y||2 o ||y||, podemos
usar las siguientes relaciones:
u
y2
y
G 2 u
G 1 u
u (t ) (t )
u(t ) sin(t )
G ( j )
Tabla 2. Relaciones entrada/salida
3.1.4
Especificaciones
Al disear un sistema de control lo que queremos es disear compensadores que permitan satisfacer
las especificaciones de rgimen permanente, transitorio, mrgenes de estabilidad o fijacin de polos.
Dicho de otro modo, queremos disear sistemas de control que sean estables y presenten buenas
prestaciones como son: el seguimiento con poco error de las seales de consigna, el rechazo de las
perturbaciones y el rechazo del ruido de medida.
Adems, nuestro objetivo es conseguir que el sistema funcione en un entorno real. Como este vara
con el tiempo y las condiciones de operacin, el sistema deber ser capaz de soportar estas

Pag. -118
Academia de Control
variaciones. Y, aunque el entorno no vare, el sistema deber ser inmune a la incertidumbre del
modelo de la planta (dinmica no modelada,)
As pues:
Objetivo
1) Satisfacer comportamiento nominal
Estabilidad
1.1)
1.2)
Comportamiento
Tracking
Rechazo perturbaciones d
Rechazo ruido de medida n

2) Mantener el comportamiento a pesar de la incertidumbre comportamiento robusto
La configuracin ms idnea (por su capacidad de desensibilizacin) vuelve a ser una vez ms la
retroaccin de salida:
r(s) +
e(s)
u(s)
K(s)
G(s)
d(s)
y(s)
_
H(s)
n(s)
Fig. 43. Lazo de control
Transmitancias en lazo abierto:
Ganancia directa: Q( s ) G( s )K ( s ) (cuidado con el orden del producto. Recordar que

son matrices)
Ganancia de lazo: L( s ) G( s )K ( s )H( s )
Ganancia diferencia de retorno: F( s ) I L( s )
Transmitancias en lazo cerrado: Para H(s) = I
De r a e: S( s ) I G( s )K ( s )
(sensibilidad)
De r a u: R ( s ) K ( s )I G( s )K ( s )
De r a y: T( s ) G( s )K ( s )I G( s )K ( s )
(sensibilidad complementaria)
T( s ) S( s ) I
Expresin de la salida y en funcin de r, d, n: y Tr Tn Sd
Especificaciones nominales formuladas en trminos de loop-shaping (conformacin del lazo)

1. Tracking (seguimiento, BF): Interesa T( j ) I , por tanto, L( j )
L( j ) 1 S( j ) 1 .

Pag. -119
Academia de Control
2. Rechazo de las perturbaciones d (BF): Interesa S( j ) S( j ) 1
L( j ) 1 . Esto es compatible con las especificaciones de tracking.
3. Rechazo del ruido de medida n (AF): Interesa T( j ) T( j ) 1
L( j ) 1 S( j ) I .
As, interesa que los diagramas de valores singulares de L, S y T tomen las siguientes formas:
i(L)
i(T)
i(S)
0 dB
0 dB
0 dB
log
log
Fig. 44. Especificaciones

Pag. -120
log
Academia de Control
3.2
3.2.1
Anlisis
Interaccin y desacoplamiento
Interaccin: Una planta MIMO presenta interaccin cuando una o algunas de sus salidas dependen
de ms de una entrada. Este hecho hace imposible controlar cada una de las salidas de forma
independiente y tampoco permite la aplicacin de las herramientas de diseo SISO a dichos
sistemas. Puesto que cada canal de control producir respuesta en varias salidas de la planta, es
difcil determinar qu accin de control simultnea hay que entrar en todas las entradas de la planta
para tener el comportamiento deseado en todas las salidas.
Desacoplamiento: Interesa por tanto descomponer el problema MIMO en un conjunto de diseos
SISO independientes por medio del desacoplo. Desacoplar una planta es conseguir que cada una de
sus salidas dependa de una y solo una entrada.
Por ello el primer paso del diseo en MIMO siempre es eliminar o al menos reducir la interaccin.
As, para cada entrada responder slo una salida y podremos aplicar las tcnicas SISO para
controlar cada par entrada/salida como si se tratara de lazos independientes.
Mtodos de diagonalizacin: Una planta MIMO sin interaccin es diagonal. Los mtodos de
desacoplamiento intentan pues diagonalizar la planta o, al menos, conseguir la dominancia diagonal.
Para implementar el desacoplamiento por diagonalizacin se pueden usar pre-compensadores K(s) y
a veces tambin post-compensadores L(s) en serie con la planta (en un caso general, este ltimo no
es muy recomendable puesto que desordena las salidas):
precompensador
K(s)
planta
G(s)
postcompensador
L(s)
Fig. 45. Diagonalizacin por medio de pre y post compensadores
Matriz de permutacin: Es un pre-compensador especfico utilizado cuando la planta es

antidiagonal. Lo que hace es permutar las columnas de G(s) a fin de diagonalizarla.
Inversin: Es una manera de conseguir el desacoplamiento total. Si el pre-compensador K(s)
1
contiene la inversa de la planta y una matriz diagonal (s), K ( s ) G ( s ) ( s ) , entonces el lazo
1
resultante L( s ) G( s )K ( s ) G( s )G ( s ) ( s ) ( s ) es diagonal.
Diagonalizacin (por transformacin modal): La diagonalizacin implementa la descomposicin

1
modal de G(s), ( s ) P ( s )G( s )P( s ) tomando como precompensador a P(s) y como
postcompensador a P-1(s).
Estos dos ltimos mtodos pueden dar lugar a soluciones poco prcticas ya que los compensadores
calculados tericamente pueden contener expresiones ms complejas que las propias plantas e
incluso irrealizables analgicamente. La implementacin digital tampoco soluciona gran cosa

Pag. -121
Academia de Control
debido a los errores de redondeo, responsables de que el producto matricial no d la forma diagonal
deseada.
Existen otras alternativas como por ejemplo el uso de la retroaccin. Ver el siguiente ejemplo:
Ejemplo 27. Diagonalizacin de un convertidor de potencia mediante ganancias de
retroaccin. Considerar el convertidor AC/DC
g12
1/ L
g 22 ( s R / L) 2 o2
g
G( s ) 11
g 21
0
s R / L

s R / L
0
con R=28.8m, L=3.4mH, 0=250rad/s,
G( s )
1
2
s 16.94s 9.877 104
92399.7839
294.1176( s 8.471)
92399.7839
294.1176( s 8.471)
Demostrar que los lazos de retroaccin F

o L
o L
diagonalizan la planta
0
+
G(s)
+
+
oL
G(s)
oL
1/ L
s R / L
1
G d ( s ) I G( s ) F G( s )
1 / L
s R / L
Solucin:
G( s )
0
s R / L
1/ L
2
2
s R / L
( s R / L) o 0
o L
0
F
o L 0
G d ( s ) I G( s ) F G( s )
1
G( s ) F
o2
0 s R / L
1
2
2
( s R / L) o 0 s R / L
o2

Pag. -122
Academia de Control
0 s R / L
( s R / L) 2 o2
o2
1
2
2
( s R / L) o
o2
1 ( s R / L) 2 2
o
I G( s ) F
s
R
/
L
0
( s R / L) 2 2
o
0 s R / L
o2

1
2
2
2
2
( s R / L) o ( s R / L) o
2
( s R / L)
o2 2 ( s R / L) 2 o2 o2 o4 o2 ( s R / L) 2
2
( s R / L)
2 2
o
( s R / L) 4 2( s R / L) 2 o2 o4 2( s R / L) 2 o2 2o4 o4 o2 ( s R / L) 2
( s R / L) 4 o2 ( s R / L) 2
( s R / L)
( s R / L)
o2
o2
( s R / L) 2 ( s R / L) 2 o2
( s R / L)
o2
I G( s) F1
( s R / L) 2
( s R / L) 2 o2 ( s R / L) 2 o2
0 s R / L
( s R / L) 2
( s R / L) 2 2
o
I G( s) F1
s R / L
( s R / L) 2
( s R / L) 2 o2
0 s R / L
( s R / L) 2 o2
( s R / L) 2
( s R / L) 2 o2
s R / L
G d ( s ) I G( s ) F G( s )
1
1/ L
0
( s R / L) 2 o2
s R / L
s R / L s R / L

/
s
R
L
o2
/
0
s
R
L
1/ L
s R / L
o2
( s R / L) 2 o2
0
s R / L
s R / L
s R / L 2 o2
1/ L
s R / L
2
2
( s R / L) o
0

1/ L
s R / L
2
2
1 / L
s R / L o
0
s R / L
s R / L
0

Pag. -123
Academia de Control
3.2.2
Anlisis de la dominancia diagonal
El criterio de la dominancia diagonal se basa en un planteamiento inverso del problema: a partir de

unos compensadores de fcil implementacin se consigue que la planta presente dominancia
diagonal, caracterstica que junto con algunas restricciones permitir aplicar las herramientas SISO
al caso multivariable, simplificar el diseo de controladores y facilitar el anlisis de la estabilidad.
Dominancia diagonal. Definicin: Una matriz nn, G( s ) g ij ( s ) , es diagonal dominante sobre

un contorno de Nyquist D si para todo s del contorno y para todo i se satisface:
(a) Dominancia por filas: g ii ( s )
g
j 1
j i
(b) Dominancia por columnas: g ii ( s )
ij
( s ) rif ( s ) , con rif (s ) radio de dominancia por filas.
g
j 1
j i
ji
( s ) ric ( s ) , con ric (s ) radio de dominancia por
columnas.
Si solo se satisface (a) la matriz G es diagonal dominante por filas y si solo se satisface (b) G es
diagonal dominante por columnas.
Bandas de Gershgorin: Las bandas de Gershgorin asociadas a cada columna (fila) de G(s) se
construyen de la siguiente manera:
1) En un diagrama polar (Nyquist array) se representan cada uno de los elementos aii(s)
evaluados a las frecuencias de inters.
2) Para cada columna (o fila): A las frecuencias de inters (extremos de la banda til,
algunas frecuencias intermedias,) se calculan gii(j) y ric(j) (o rif(j)) y se dibujan las
circunferencias de radio ric(j) (o rif(j)) y centro en gii(j). Son los crculos de
Gershgorin.
3) Se trazan las tangentes exteriores a las circunferencias dibujadas. Las bandas resultantes se
denominan bandas de Gershgorin.
4) Se repiten los pasos 2 y 3 hasta tener una banda de Gershgorin asociada a cada columna (o
fila).
Criterios para determinar si existe dominancia diagonal:
Criterio 1:
G( s ) g ij ( s ) es diagonal dominante por filas y/o por columnas si la banda de
Gershgorin asociada a cada una de las filas y/o columnas excluye el origen del plano complejo.
Criterio 2: Sea Q(s)=G(s)+H donde H es diagonal y constante. Entonces las matrices Q(s) y G(s)
son diagonal dominantes si las bandas de Gershgorin asociadas a los elementos gii(s) excluyen el
origen y el punto hi (elemento i-simo de la diagonal de H).

Pag. -124
Academia de Control
Estimacin de la regin de los autovalores y crculos de Gershgorin:

Teoremas de Gershgorin:
n
Teorema 1: aii
Teorema 2: aii
j 1
j i
ij
rif Dominancia por filas
ji
ric Dominancia por columnas
j 1
j i
Ejemplo 28.
Acotar la regin donde estn situados los autovalores de
3 1 1
A 1 2 0
1 5
0
Los crculos de Gershgorin por filas son:
(a) Crculo de centro a11=-3 y radio r1f=1+|-1|=2
(b) Crculo de centro a22=-2 y radio r2f=1+0=1
(c) Crculo de centro a33=-5 y radio r3f=0+1=1
Los crculos de Gershgorin por columnas son:
(a) Crculo de centro a11=-3 y radio r1c=1+0=1
(b) Crculo de centro a22=-2 y radio r2c=1+1=2
(c) Crculo de centro a33=-5 y radio r3c=|-1|+0=1
La regin es:
Si calculamos los autovalores, i 3.31, 1.52, 5.17 , vemos que efectivamente estn dentro
de la regin.

Pag. -125
Academia de Control
3.2.3
Anlisis de estabilidad
El anlisis de la estabilidad en sistemas MIMO es muy complicado. No existe la intuicin que

tenemos en los sistemas SISO.
Criterios de estabilidad en sistemas retroactivos SISO: Considerar el sistema de la Fig. 46:
r(s) +
e(s)
y(s)
u(s)
K(s)
G(s)
_
H
Fig. 46. Sistema retroactivo SISO
donde T ( s )
G( s) K ( s)
.
1 G( s) K ( s) H
Criterio 1: El sistema de la Fig. 46 es estable si todos los polos de T(s) estn en el semiplano
izquierdo del plano complejo.
Criterio 2: Criterio de Nyquist Generalizado. El sistema de la Fig. 46 es estable si y solo si el
nmero de vueltas que da el diagrama de Nyquist de Q(s)=G(s)K(s) alrededor del punto -1/H en
sentido antihorario (cuando s recorre un contorno de Nyquist D en sentido horario) es igual al
nmero de polos de Q(s) en el semiplano derecho del plano complejo.
inestables
N Q( 1 / H ) PQi
sentido
antihorario
nmero de
polos
nmero de
vueltas
Criterio 3: Criterio de Nyquist Restringido. Es una particularizacin del anterior para el caso en
i
que Q(s) es estable, PQ 0 . Entonces el sistema en lazo cerrado ser estable si y solo si el punto 1/H se halla a la izquierda del diagrama de Nyquist de Q(s).
Criterios de estabilidad en sistemas retroactivos MIMO:
r(s) +
e(s)
u(s)
K(s)
G(s)
y(s)
_
H
Fig. 47. Sistema retroactivo MIMO

Pag. -126
Academia de Control
L( s )

donde T( s ) G( s )K ( s ) I G( s )K ( s )H .
Q( s )

F( s )
Criterio 1. El sistema de la Fig. 47 es estable si el determinante de su matriz diferencia de retorno,

det(F(s)), no presenta ceros en el semiplano derecho del plano complejo.
Criterio 2. Criterio de Nyquist Generalizado. La aplicacin del teorema del argumento a la
transformacin conforme det(F(s)) permite definir una versin multivariable del criterio de
estabilidad de Nyquist:
El sistema de la Fig. 47 es estable si y solo si el nmero de vueltas que da la transformacin
conforme det(F(s)) alrededor del origen en sentido antihorario (cuando s recorre un contorno de
( 0)
Nyquist D en sentido horario), N det
F ( s ) , es igual al nmero de polos del sistema en lazo abierto
i
en el semiplano derecho PQ ( s ) .
i
( 0)
N det
F ( s ) PQ ( s )
Tcnicas vectoriales de Nyquist (Nyquist Array Techniques): La aplicacin del criterio de

estabilidad de Nyquist en sistemas MIMO se simplifica mucho si la matriz F(s) es diagonal
dominante ya que entonces se cumple:
( 0)
( 0)
N det
F ( s ) N fii ( s )
i
donde fii(s) son los elementos de la diagonal de F(s).

( 0)
Dependiendo de cmo calculemos los N det
F ( s ) tenemos dos tcnicas vectoriales diferentes: INA
(Inverse Nyquist Array) y DNA (Direct Nyquist Array).
1
Criterio INA. Inverse Nyquist Array: Suponer que invertimos la matriz T( s ) Q( s )F( s ) . El
1
1
resultado es T( s ) F( s )Q( s ) . De ah podemos sacar dos conclusiones: la primera es que
det T( s ) 1
det F( s )
. As, el nmero de vueltas (horarias) del det F( s ) alrededor del origen
det Q( s ) 1
ser:
( 0)
( 0)
( 0)
N det
F ( s ) N det T ( s ) 1 N det Q ( s ) 1
La segunda conclusin es que
T( s ) 1 F( s )Q( s ) 1 I Q( s )HQ( s ) 1 Q( s ) 1 H
1
1
Llamando qij a los elementos de Q-1, tij a los elementos de T-1 y suponiendo H diagonal con
elementos hi, tenemos que tij1 qij1 hi .

Pag. -127
Academia de Control
1
Si Q-1 es diagonal dominante (es decir, si todas las bandas de Gershgorin de los elementos qii
excluyen el origen) tenemos que
( 0)
(0)
N det
Q ( s )1 N q1
ii
1
Si T-1 es diagonal dominante (es decir, si todas las bandas de Gershgorin de los elementos qii
excluyen los puntos hi) tenemos que
( hi )
( 0)
( 0)
N det
T ( s )1 N t 1 N q1
ii
ii
Por tanto, el nmero de vueltas en sentido antihorario de det(F(s)) alrededor del origen ser
( hi )
( 0)
( 0)
N det
F ( s ) N q 1 N q 1
ii
ii
y para que el sistema sea estable debern ser igual al nmero de polos inestables en lazo abierto,
PQi ( s ) .
1
Criterio INA: Si las bandas de Gershgorin de qii excluyen el origen y los puntos hi, entonces el
sistema es estable si y solo si
N
i
( 0)
qii1
N q( 1hi ) PQi
ii
Criterio DNA. Direct Nyquist Array: La matriz diferencia de retorno se puede expresar como
F( s ) I Q( s )H H 1 Q( s ) H . Por tanto, detF( s ) det H 1 Q( s ) detH. Si H es
una matriz constante
( 0)
( 0)
N det
F ( s ) N det H 1 Q ( s )
1
Si H Q( s ) es diagonal dominante (es decir los elementos qii excluyen el punto hi1 )
tendremos que
( hi
( 0)
(0)
N det
H1 Q N q h 1 N q
ii
ii
En resumen,
Criterio DNA: Si las bandas de Gershgorin de qii excluyen los puntos hi1 , entonces el sistema
ser estable si y solo si
N
i
( hi1 )
qii
PQi

Pag. -128
Academia de Control
Tcnica de los lugares caractersticos (characteristic loci, CL): Si F(s) no es diagonal dominante
pero s diagonalizable, podemos aprovechar la propiedad de invarianza de los determinantes frente a
( 0)
las transformaciones de similitud a fin de calcular N det
F ( s ) :
Si F es diagonalizable, existe una matriz P tal que P 1FP , siendo una matriz diagonal.
Entonces det( F) det( P) det( ) det( P 1 ) 1 ( s )2 ( s ) n ( s ) , donde los i(s) son los
autovalores de F(s). Por tanto,
( 0)
( 0)
i
N det
F ( s ) N i ( s ) PL
i
Si, adems, aplicamos la propiedad I L 1 ( L) , podemos decir que
N
i
( 0)
i ( F ( s ))
N (i(1L) ( s )) PLi ( s )
i
El principal inconveniente del mtodo CL es que es necesario calcular la expresin de los

autovalores.
Mrgenes de estabilidad en un sistema MIMO. Mrgenes garantizados: Una vez visto que el
sistema es estable, es interesante obtener sus mrgenes de ganancia y fase para ver si est cerca o
lejos de la inestabilidad. Hay cuatro mrgenes de estabilidad clsicos: margen (de aumento) de
ganancia MG, margen de reduccin de ganancia MRG, margen de fase (positivo) MF y margen de
fase negativo (MFN).
|L(j
dB
MG
L(j
0 dB
MRG
log
MG
-1
MFN
MF
0
log
-180
MF
MFN
MRG
Fig. 48. Mrgenes de estabilidad clsicos

Pag. -129
Academia de Control
Entre todos miden cuanto ha de aumentarse (o reducirse) la ganancia del lazo L(j) para que valga
|L(j)|=1 y cunto ha de aumentar (o disminuir) la fase para que el argumento del lazo sea L(j)=180. En definitiva, miden cunto le falta al lazo para valer L(j)=-1 (punto de oscilacin crtica).
Mrgenes garantizados: Los mrgenes de estabilidad MIMO han de ser capaces de representar la
inmunidad de la estabilidad del sistema frente a variaciones de la ganancia y la fase en todos los
lazos simultneamente.
En un sistema MIMO, los mrgenes de estabilidad garantizados vienen dados por:
MG

MF 2 arcsin
2
1
1
donde es una cota inferior de F( j ) , F( j )

Pag. -130
Academia de Control
3.3
Control MIMO por mtodos frecuenciales
Este apartado est basado en el Captulo 10 de (Dutton, 97). Para ms detalles, se recomienda su
consulta.
3.3.1
Control por inversin de planta
Mtodo: Si la inversa de G(s) existe, podemos poner un precompensador Kp=G-1(s) tal que en
cascada con G(s) lo que consigue es la matriz identidad, K p ( s )G( s ) G 1 ( s )G( s ) I . Con ello
ya hemos diagonalizado la planta (y hemos eliminado de paso toda la dinmica).

Puesto que ahora no tenemos dinmica hay que poner otro controlador dinmico Kd(s) en cascada
con los polos y ceros necesarios para tener la dinmica global deseada.
1
El controlador total ser, pues, K ( s ) K p ( s )K d ( s ) G ( s )K d ( s ) .
K(s)
r(s) +
/
n
e(s)
Kd(s)
Kp(s)
u(s)
/
n
G(s
y(s)
/
n
Fig. 49
Comentarios: En la prctica este mtodo no se usa mucho por los siguientes motivos:
Puede ser que no exista la inversa de la planta. Si existe la inversa, puede ser que el
compensador no sea realizable (impropio). Aunque es posible compensar este exceso de
ceros con el compensador dinmico ello no es aconsejable en plantas de orden elevado.
Si la planta tiene ceros de fase no mnima su inversa es inestable.
El orden del compensador siempre ser elevado (contiene la inversa de la planta y la
dinmica deseada para todo el sistema). Los controladores de orden grande son difciles de
implementar y menos robustos que los de bajo orden.
No es posible la cancelacin exacta de la planta puesto que el modelo siempre es inexacto.
Si no se cancela exactamente puede volver a aparecer interaccin.
Falta por analizar la estabilidad de este esquema de control (y no es obvia).
Ejemplos:
Ejemplo 29. Planta neumtica . Control por inversin de planta (Dutton). Considerar la
planta neumtica

Pag. -131
Academia de Control
g
G( s ) 11
g 21
0.52
1.02
g12 11.76s 1 10.1s 1
1.04
g 22 0.54
10.4 s 1 2.6s 1
Se desea que cada lazo se comporte como un sistema de segundo orden con n=1rad/s y =0.5 (esto
es, tiempo de subida 10-90 de 1.6s y overshoot del 15%).
Calcular el controlador MIMO y verificar su comportamiento.
Solucin:
La inversa de la planta es:
1 12.49s 3 3.5s 2 0.33s 0.01 1.622s 3 0.92s 2 0.13s 0.005

G (s)
1.61s 3 0.91s 2 0.12s 0.005 2.71s 3 1.57s 2 0.23s 0.0099

1
con s 2 0.1722s 0.007585 . Por tanto, con el precompensador K p ( s ) G 1 ( s ) lo que se

obtiene es G( s )K p ( s ) I .
close all,clear all,clc
%planta
G11=tf(1.02,[11.76 1]);
G12=tf(-0.52,[10.1 1]);
G21=tf(-0.54,[10.4 1]);
G22=tf(1.04,[2.6 1]);
G=[G11 G12;G21 G22],
%precompensador inversor
Kp=inv(G),
El compensador dinmico Kd(s) ser diagonal, con k11 ( s ) k 22 ( s )
kn ( s )
. La funcin de
kd ( s )
transferencia en lazo cerrado para cada par entrada salida (u1,y1) y (u2,y2) es
Yi
k ( s) 1
kn( s )
ii
U i 1 kii ( s ) 1 kd ( s ) kn ( s )
Yi
n2
n2
basta con seleccionar kii ( s ) 2
. As,
Puesto que se desea
U i s 2 2n s n2
s 2n s
1
s( s 1)
K d (s)
0
%compensador dinmic
k11=tf(1,[1 1 0]);Kd=[k11 0;0 k11],
El controlador total ser

Pag. -132
1
s( s 1)
0
Academia de Control
K ( s ) K p ( s )K d ( s )
1
1 12.49s 3 3.5s 2 0.33s 0.01 1.622s 3 0.92 s 2 0.13s 0.005
s( s 1) 1.61s 3 0.91s 2 0.12s 0.005 2.71s 3 1.57s 2 0.23s 0.0099

%controlador total
K=Kp*Kd;
Respuesta indicial a cada una de las entradas (el esfuerzo de control u1 es excesivo):
Control por inversin. Respuesta a r1=escaln
10
y1
y2
5
u1
u2
10
15
20
25
30

3
y1
y2
u1
u2
-1
10
15
20
25
30
%anlisi
L=G*K;
Tu=feedback(K,G);
t=linspace(0,30,500);r=ones(length(t),1);
figure,
subplot(211),y=lsim(T,[r r*0],t);u=lsim(Tu,[r r*0],t);
plot(t,y,t,u,'--'),grid,legend('y_1','y_2','u_1','u_2')
title('Control por inversin. Respuesta a r_1=escaln')
subplot(212),y=lsim(T,[r*0 r],t);u=lsim(Tu,[r*0 r],t);
Ejemplo 30. Convertidor de potencia.

convertidor AC/DC
g
G( s ) 11
g 21
Control por inversin de planta
Considerar el
0
g12
s R / L
1/ L
2
2
s R / L
g 22 ( s R / L) o 0
con R=28.8m, L=3.4mH, 0=250rad/s,
G( s )
92399.7839
294.1176( s 8.471)
1
4
92399.7839
294.1176( s 8.471)
s 16.94s 9.877 10
2
Se desea que cada lazo se comporte como un sistema de segundo orden con un tiempo de
establecimiento de 10ms y un overshoot del 5%.

Pag. -133
Academia de Control
Calcular el controlador MIMO y verificar su comportamiento.

Solucin:
Para eliminar la interaccin se sita un precompensador igual a la inversa de la planta. Luego, para
tener un overshoot del 5% se selecciona =0.7 y para, adems, tener un tiempo de establecimiento
ts
0.01s se selecciona n
40
57.1429 . Por tanto el compensador dinmico es:
3.265 105
s( s 800)
K d ( s)
3.265 105
s( s 800)
0
El controlador total (realizacin mnima) es:
(1110s 9404)
3.488 105
1
K ( s ) G ( s )K d ( s )
s( s 800) 3.488 105

(1110s 9404)
1

%planta
wo=2*pi*50;
L=3.4e-3;
R=28.8e-3;
G11=tf((-1/L)*[1 R/L],[1 2*R/L (R/L)^2+wo^2]);
G12=tf((1/L)*wo,[1 2*R/L (R/L)^2+wo^2]);
G21=-G12;
G22=G11;
G=[G11 G12;G21 G22];zpk(G)
%precompensador inversor
Kp=inv(G);
%compensador dinmic
z=0.7;wn=400/z;%ts=0.01 rpt=5%
z=1;wn=400/z;%ts=0.01 rpt=0%
k11=tf(wn^2,[1 2*z*wn 0]);
Kd=[k11 0;0 k11],
%controlador total
K=Kp*Kd;K=minreal(K);tf(K)
La respuesta indicial a cada una de las entradas del sistema controlado es:
2
y1
y2
u1
0
-1
u2
0
0.02
0.04
0.06
0.08
0.1

2
y1
y2
u1
-1
u2
-2
0.02
0.04
%anlisi

Pag. -134
0.06
0.08
0.1
Academia de Control
L=G*K;
Tu=feedback(K,G);
t=linspace(0,0.5,500);r=ones(length(t),1);
figure,
Y, para el caso de no querer overshoot, tenemos (z=1;wn=400/z;%ts=0.01 rpt=0%):
1.6 105
0
s( s 800)
K d ( s)
1.6 105
s( s 800)
(544s 4608)
1.709 105
1
1
K ( s ) G ( s )K d ( s )
s( s 800) 1.709 105

(544s 4608)
El esfuerzo de control es menor (y parece ms estable).
2
y1
y2
u1
0
-1
u2
0
0.02
0.04
0.06
0.08
0.1

2
y1
y2
u1
-1
u2
-2
0.02
0.04

Pag. -135
0.06
0.08
0.1
Academia de Control
3.3.2
El mtodo de los lugares caractersticos
Lugares caractersticos: Considerar el esquema de la figura,

r(s) +
/
n
e(s)
u(s)
/
K(s)
n
y(s)
G(s)
/
n
Fig. 50. Lazo de control MIMO de un grado de libertad
La funcin de transferencia del camino directo es Q( s ) G( s )K ( s ) .

{q1(s),,qn(s)} de Q(s) reciben el nombre de valores caractersticos de Q(s).
Los autovalores
El diagrama polar (resultado de transformar el contorno de Nyquist D) de cada uno de estos

autovalores recibe el nombre de lugar caracterstico.
El polinomio caracterstico del camino directo es detsI Q( s ) y tambin traza un lugar en el
plano s.
Diagonalizacin: La transformacin modal es la que permite diagonalizar las matrices:
( s ) diagq1 ( s ),..., qn ( s ) W 1 ( s )Q( s ) W( s )

Las columnas de la matriz modal W(s) son los autovectores de Q(s) y, al ser una transformacin de
similaridad, los autovalores qi(s) de Q(s) coinciden con los de (s).
El camino directo Q(s) puede interpretarse como la transformacin modal inversa aplicada a una
matriz diagonal, es decir,
Q( s ) W( s ) ( s ) W 1 ( s ) donde ( s ) diagq1 ( s ),..., qn ( s )

q1(s)
r(s) +
/
n
e(s)
.
.
.
W-1(s)
y(s)
W(s)
qn(s)
/
n
Fig. 51. Camino directo expresado en trminos de la transformacin modal
Puesto que as no hay interaccin entre los qi(s), el comportamiento dinmico de estos bloques por
s solo es suficiente para determinar la estabilidad del sistema entero.

Pag. -136
Academia de Control
Se puede demostrar (Owens, 1978) que el sistema en lazo cerrado de la Fig. 51 (con retroaccin
unitaria) es equivalente al siguiente sistema H(s),
H( s ) W( s ) diagh1 ( s ),..., hn ( s ) W 1 ( s )
donde hi ( s )
qi ( s )
.
1 qi ( s )
h1(s)
r(s)
W-1(s)
.
.
.
y(s)
W(s)
hn(s)
Fig. 52. Sistema en lazo cerrado
Ahora se trata de conseguir un control desacoplado para el sistema de la Fig. 52.

En la Fig. 52 la interaccin est en W y W-1. Si W fuera diagonal (W-1 tambin lo sera) no habra
interaccin. W contiene los autovectores de Q=GK, por tanto, se trata de disear K de manera que
W sea diagonal. Pero es difcil: (1) W vara con la frecuencia y (2) en un producto de matrices, no
se conoce la relacin entre los autovectores del producto de matrices con los autovectores de cada
una de las matrices que forman el producto. Por tanto hay que conformarse con aproximaciones:
Aproximacin 1: Si (con una adecuada seleccin de K) conseguimos que q1 ( s ) ... qn ( s ) ,
entonces h1 ( s ) ... hn ( s ) y el lazo cerrado ser H( s ) W ( s ) I h1 ( s ) W 1 ( s ) I h1 ( s )
Aproximacin 2: Si usamos ganancias grandes en K, los valores caractersticos tambin sern
grandes qi ( s ) 1 y entonces conseguiremos hi ( s ) 1 con lo que H(s ) I . Aunque nunca lo
tendremos exactamente, esta aproximacin es til si se combina con el anlisis de estabilidad.
Mtodo de los lugares caractersticos: Se divide el rango frecuencial de inters en tres bandas (en
relacin con la dinmica del sistema): bajas frecuencias, frecuencias intermedias y altas frecuencias
y se disean compensadores para cada una de las bandas
Paso 1: Altas frecuencias. Se disea un pre-compensador constante Ka que diagonalice W(s) a

altas frecuencias. El camino directo ser pues G(s)Ka. Se disea constante porque el diseo del
compensador que diagonaliza W(s) es muy complicado. Por ello nos conformaremos con hacer el
diseo a una nica frecuencia en la banda de altas frecuencias (que diagonalice de manera
aproximada y en cierto sentido a W(s)) y comprobar que su efecto se mantiene en una banda
alrededor de esta frecuencia. Si no es as, se busca otro compensador constante y otro y otro hasta
que estemos satisfechos.
Un mtodo para disear este controlador es usar la alineacin de autovalores (Edmunds and
Kouvaritakis, 1979). Se trata de un algoritmo que alinea los autovectores de una matriz con los
vectores de la base que forman el espacio vectorial donde se hallan estos autovectores. En nuestro
caso, resulta que si los autovectores qi(s) tienen el mismo orden (es decir, la fase final de todos es la

Pag. -137
Academia de Control
misma) la aplicacin de este algoritmo consigue que los autovectores qi(s) se alineen a altas
frecuencias.
Para ello se puede usar la funcin de matlab align pero hay que ir con cuidado. Al trabajar con
autovectores, slo trabaja con direcciones y no con informacin de escala. Por ello, el compensador
obtenido tiene un signo arbitrario con lo que hay que investigar los lugares caractersticos
resultantes y, si stos no dan lugar a un sistema estable, hay que cambiar el signo del compensador.
Otra utilidad es la medida del ngulo de desalineacin (funcin de matlab fmisalg) que calcula los
ngulos que miden la desalineacin entre los autovectores del sistema y el conjunto de vectores que
forman la base. De todos modos que estos ngulos sean pequeos es una condicin suficiente de
baja interaccin pero no necesaria.
Paso 2: Frecuencias intermedias. Aqu se disea un compensador Kacc con la estructura mostrada
en la Fig. 53. Las matrices A y B son aproximaciones constantes de las matrices W y W-1
respectivamente siendo W, W-1 las matrices modales que diagonalizan Q(s)=G(s)Ka. (Nota: no
confundir A, B con las matrices de estado). Igual que antes A, B se obtienen constantes a una nica
frecuencia pero se espera que su efecto se deje notar en una banda de frecuencias a lado y lado de
esta frecuencia de diseo.
Kacc(s)
k1(s)
r(s) +
/
n
e(s)
u(s)
.
.
.
Ka(s)
/
n
y(s)
G(s)
kn(s)
/
n
Fig. 53. Compensacin a altas frecuencias y a frecuencias intermedias
Este compensador a frecuencias intermedias recibe el nombre de controlador conmutativo

aproximado. Aproximado porque A y B son constantes y deberan depender de s.
Conmutativo porque conmuta (en el sentido de producto de matrices) con Q(s)=G(s)Ka. Es decir,
el resultado es el mismo si se sita Kacc antes de Q(s) o bien despus de Q(s):
K acc ( s )
(s)
1
W ( s ) diagk1 ( s ),..., k n ( s ) W ( s ) W( s ) diag q1 ( s ),..., qn ( s ) W 1 ( s )
W( s ) diagq1 ( s ),..., qn ( s ) W ( s ) W( s ) diag k1 ( s ),..., k n ( s ) W ( s )

1
Q( s )
K acc ( s )
(De todas formas, en la prctica no conviene poner Kaac despus de la planta, ni ningn otro postcompensador, dado que ello desordena las salidas).
Puesto que A y B han reducido el problema a un conjunto de lazos SISO independientes, las
funciones de transferencia ki(s) se disean con tcnicas SISO para cada uno de los lazos y el
objetivo es igualar los qi(s) a frecuencias intermedias, esto es, conseguir que todos los qi(s) tengan la
misma fase y ganancia a frecuencias intermedias sin estropear la compensacin a altas frecuencias.
Los valores caractersticos compensados sern qi(s)ki(s). Para no estropear el desacoplo a altas

Pag. -138
Academia de Control
frecuencias se usan filtros que tengan 0dB a altas frecuencias (en este sentido los filtros de avanceretardo son adecuados).
Paso 3: Bajas frecuencias: Aqu el compensador puede ser una matriz de ganancias (para equilibrar
los lugares en rgimen permanente). Pero lo ms habitual es que sea una matriz de compensadores
PI (la accin integral para tener buen seguimiento y el cero para conseguir 0dB a altas frecuencias y
as no estropear lo conseguido a frecuencias intermedias y altas frecuencias). A veces es necesario
incluir tambin uno o ms compensadores conmutativos aproximados (sera el caso de encontrarse
con que los PIs deben ser distintos en cada lazo).
Mtodo de los lugares caractersticos. Comentarios adicionales:
La idea del mtodo es manipular los lugares caractersticos como si fueran diagramas de
Nyquist y/o de Bode de sistemas SISO ordinarios (Ford et al., 1990).
La herramienta bsica es el controlador conmutativo aproximado.
Las propiedades que deben satisfacer los lugares caractersticos del sistema compensado son
las siguientes:
1. Deben satisfacer el criterio de estabilidad generalizado de Nyquist y tener mrgenes de
estabilidad adecuados.
2. Las ganancias (mdulos) a bajas frecuencias deben ser elevadas a fin de reducir la
interaccin y la sensibilidad y mejorar el seguimiento.
Adems, a fin de reducir la interaccin es deseable desacoplar el sistema en las frecuencias
cercanas al crossover de 0dB.
Los lugares caractersticos pueden llevar a error si se usan para estudiar los mrgenes de
estabilidad y el comportamiento. Por ello es necesario hacer un anlisis usando valores
singulares.
Ejemplos:
Ejemplo 31. Planta neumtica . Control va lugares caractersticos (Dutton). Considerar la
planta neumtica
g
G( s ) 11
g 21
0.52
1.02
g12 11.76s 1 10.1s 1
1.04
g 22 0.54
10.4 s 1 2.6s 1
es, tiempo de subida 10-90 de 1.6s y overshoot del 15%). Usar el mtodo de los lugares
caractersticos para calcular el controlador MIMO y verificar el comportamiento.
Solucin:
Lugares caractersticos: En primer lugar calculamos los autovalores (valores caractersticos) de la

planta y los representamos:
%planta (pneumtica)
G11=tf(1.02,[11.76 1]);

Pag. -139
Academia de Control
G12=tf(-0.52,[10.1 1]);
G21=tf(-0.54,[10.4 1]);
G22=tf(1.04,[2.6 1]);
G=[G11 G12;G21 G22];
[a,b,c,d]=ssdata(G);
%respuesta frecuencial
w=logspace(-2,2);
Gw=mv2fr(a,b,c,d,w);
%autovalores
cl=feig(w,Gw);
%cl=csort(cl);
figure
subplot(211),semilogx(w,20*log10(abs(cl))),grid,ylabel('dB'),
title('Lugares caractersticos de la planta neumtica')
subplot(212),semilogx(w,angle(cl)*180/pi),grid,ylabel('grados')
xlabel('Frecuencia (rad/s)')
ma=fmisalg(w,Gw);
figure,
semilogx(w,ma),grid,xlabel('Frecuencia (rad/s)')
title('ngulos de desalineamiento'),ylabel('grados')
Lugares caractersticos de la planta neumtica
ngulos de desalineamiento
20
45
dB
0
40
-20
-40
35
-60
-80
-2
10
30
10
-1
10
10
10
25
0
20
grados
-20
-40
15
-60
10
-80
-100
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
5
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
Vemos que:
La planta presenta unos mrgenes de estabilidad muy buenos.
Es probable que haya interaccin en lazo cerrado puesto que los dos valores caractersticos
no coinciden a ninguna frecuencia. Ello tambin puede verse con los ngulos que miden la
desalineacin (entre los autovectores del sistema y el conjunto de vectores que forman la
base). De todos modos que estos ngulos sean pequeos es una condicin suficiente de
baja interaccin pero no necesaria.
Compensacin (desacoplo) a altas frecuencias: A altas frecuencias, ms all de 4rad/s en nuestro

caso, los diagramas de magnitud de los autovalores son paralelos. Si somos capaces de alinear los
autovalores a 4rad/s es de esperar que la alineacin se mantenga a partir de 4rad/s. El
precompensador necesario para conseguirlo (obtenido con align.m) es:
49.8761 6.4614
Ka
6.4827 10.8861

Pag. -140
Academia de Control
%compensacin a AF (w=4rad/s) por alineamiento

Gw4=mv2fr(a,b,c,d,4);
Ka=align(Gw4),
Si representamos los valores caractersticos de Q(s)=G(s)Ka vemos que efectivamente hemos

mejorado el desacoplo a altas frecuencias puesto que ah los autovalores ahora estn alineados.
Gwa=fmul(w,Gw,Ka);cla=feig(w,Gwa);cla=csort(cla);
figure
subplot(211),semilogx(w,20*log10(abs(cla))),grid,ylabel('dB'),
title('Lugares caractersticos. Alineamiento a \omega>4rad/s')
subplot(212),semilogx(w,angle(cla)*180/pi),grid,ylabel('grados')
maa=fmisalg(w,Gwa);
figure,
semilogx(w,maa),grid,xlabel('Frecuencia (rad/s)'),ylabel('grados')
title('ngulos de desalineamiento. Alineamiento a \omega>4rad/s'),
Lugares caractersticos. Alineamiento a w>4rad/s
ngulos de desalineamiento
40
35
20
dB
30
0
25
-40
-2
10
10
-1
10
10
10
grados
-20
20
15
grados
-20
10
-40
-60
-80
-100
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
0
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
Compensacin a frecuencias intermedias: A frecuencias intermedias se disea un ACC

(approximate commutative controller). Al igual que el pre-compensador Ka, el ACC se disea a
una sola frecuencia y se espera que su efecto se deje notar en la banda cercana a esta frecuencia.
Este controlador consiste en dos matrices A y B que son aproximaciones (constantes) de las
matrices W(s) y W-1(s) de la transformacin modal que diagonaliza el camino directo. Adems,
entre las dos matrices, se incluye un compensador diagonal con el objetivo de alinear los
autovalores del camino directo.
En nuestro ejemplo, para disear la parte dinmica del ACC notar que an hay desalineacin por
debajo de 2rad/s. Como lo habitual es hacer el diseo para tener ganancias altas a bajas frecuencias
(para tener errores pequeos en rgimen permanente), lo que se puede hacer es dejar el autovalor
mayor tal y como est y conseguir que el autovalor menor se alinee con el mayor.
Suponiendo que la planta precompensada por Ka es diagonal esto corresponde a disear dos
compensadores independientes k11(s) y k22(s) siendo k11(s)=1 y k22(s) un controlador tal que tenga
una ganancia en continua de 15dB, valga 0dB a 2rad/s y reduzca la fase del segundo autovalor para
alinearla con la del primero.

Pag. -141
Academia de Control
Una buena opcin para k22 es un compensador de retardo (con una cada de 15 dB entre su polo y su
cero). El cero (frecuencia codo superior) lo pondremos a la frecuencia a la que la diferencia entre
los dos autovalores es 3dB. Esta frecuencia resulta ser 0.43rad/s, por tanto,
k 22 ( s )
s 0.4292
,
s 0.0763
0
k ( s )
K d ( s ) 11
k 22 ( s )
0
%compensacin a FI
k1n=[1 0];k1d=[1 0];%k1=1
%filtro de retardo
dif_guany=20*log10(abs(cla(:,1)))-20*log10(abs(cla(:,2)));
inx=find(dif_guany<=3);inx=inx(1);w(inx),%w=0.3765 inx=40
[k2n,k2d]=phlag(-15,w(inx))
% numeradors i denominadors dels llaos
nums=[k1n;k2n];
dens=[k1d;k2d];
Ahora hay que elegir a qu frecuencia se obtendrn las matrices constantes A y B que aproximan
W(s) y W-1(s). Si se usa un compensador de avance-retardo, lo mejor es situarlo a la frecuencia
donde la diferencia de fases de los dos autovalores es mayor. Este punto es 0.1677rad/s y ah la
diferencia de fases es de 45.
%controlador conmutativo aproximado
dif_fase=abs(angle(cla(:,1))-angle(cla(:,2)));
inx=find(dif_fase==max(dif_fase));w(inx),%w=0.163 inx=31
El controlador conmutativo aproximado obtenido es:
0
0.99( s 0.0742) 5.7 10 6 ( s 650.5)
k ( s )
1
K acc ( s ) A 11
B
k 22 ( s )
s 0.07632 0.0003( s 650.5)
( s 0.4313)
0
0.8703
0.0106
1.1540 0.0122
donde B
y A 0.5662 1.0060 . Notar que la inversa de B no
0.4902 0.9996
coincide exactamente con A
1.1559 0.0122
B 1
0.5668 1.0064
% disenyem ACC com [ka,kb,kc,kd]):
[ka,kb,kc,kd,B,A]=facc(w,Gwa,inx,nums,dens);A,B,Ainv=inv(A)
Kacc=ss(ka,kb,kc,kd);zpk(Kacc)
Los lugares caractersticos correspondientes a Q(s) = G(s) Ka Kacc son los siguientes
%anlisi
Kaccw=mv2fr(ka,kb,kc,kd,w);
Qw=fmulf(w,Gwa,Kaccw);
clq=feig(w,Qw);%clq=csort(clq);
figure
subplot(211),semilogx(w,20*log10(abs(clq))),grid,ylabel('dB'),
title('Lugares caractersticos. Compensacin a AF y FI')
subplot(212),semilogx(w,angle(clq)*180/pi),grid,ylabel('grados')

Pag. -142
Academia de Control
maa=fmisalg(w,Qw);
figure,
semilogx(w,maa),grid,xlabel('Frecuencia (rad/s)'),ylabel('grados')
title('ngulos de desalineamiento. Compensacin a AF y FI')
Lugares caractersticos. Compensacin a AF y FI
ngulos de desalineamiento. Compensacin a AF y FI
40
40
dB
20
35
0
30
-20
25
10
-1
10
10
10
grados
-40
-2
10
0
20
15
-20
grados
-40
10
-60
5
-80
-100
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
0
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
Compensacin a bajas frecuencias: Finalmente aadimos la accin integral para el seguimiento de

escalones. Adems aadiremos un cero a fin que la ganancia a medias y altas frecuencias sea
unitaria y as no perdamos el desacoplamiento que hemos ganado en los pasos anteriores.
Viendo que en el lugar caracterstico tenemos un polo en 0.1rad/s, lo que podemos hacer es aadir
ah un cero y as tendremos una pendiente constante. Para el compensador
s 0.1
K b ( s) s
0
s 0.1
s
0
Los lugares caractersticos son:

Lugares caractersticos. Compensacin a AF, FI y BF
ngulos de desalineamiento. Compensacin a AF, FI y BF
60
40
dB
40
35
20
0
30
-20
-1
10
10
10
10
-90
grados
25
-40
-2
10
20
grados
15
-92
10
-94
-96
-2
10
-1
10
10
Frecuencia (rad/s)
10
10
%compensacin a bajas
kpi=tf([1 0.1],[1 0]);Kb=[kpi 0;0 kpi];
[ab,bb,cb,db]=ssdata(Kb);
Kbw=mv2fr(ab,bb,cb,db,w);
Qbw=fmulf(w,Qw,Kbw);clqb=feig(w,Qbw);
figure

Pag. -143
0
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
Academia de Control
subplot(211),semilogx(w,20*log10(abs(clqb))),grid,ylabel('dB'),
title('Lugares caractersticos. Compensacin a AF, FI y BF')
subplot(212),semilogx(w,angle(clqb)*180/pi),grid,ylabel('grados')
maab=fmisalg(w,Qbw);
figure,
semilogx(w,maab),grid,xlabel('Frecuencia (rad/s)'),ylabel('grados')
title('ngulos de desalineamiento. Compensacin a AF, FI y BF')
Sin embargo este diseo an no nos convence puesto que el esfuerzo de control es excesivo y puede
llevar el sistema a la saturacin:
Control por lugares caractersticos. Respuesta a 1r=escaln
60
y1
y2
40
u1
20
0
u2
0

15
y1
10
y2
u1
u2
-5
%anlisi temporal
Ktotal=Kb*Kacc*Ka;
L=G*Ktotal;
Tu=feedback(Ktotal,G);
figure,
title('Control por lugares caractersticos. Respuesta a r_1=escaln')
Para resolver este problema hay que reducir la ganancia. Por ejemplo, con
0.18 0
K1
0.8
0
Notar que la ganancia es diferente en cada lazo (ello puede hacer aparecer de nuevo la interaccin
por lo que se podra poner otro ACC para aislar el efecto de este compensador constante)

Pag. -144
Academia de Control

10
y1
y2
5
u1
u2

10
y1
y2
u1
0
-5
u2
0
K1=[0.18 0;0 0.8];

Ktotal=K1*Kb*Kacc*Ka;
L=G*Ktotal;
figure,
Ahora el problema es que el lazo 1 es demasiado lento. Como las especificaciones nos dejan tener
un overshoot de hasta el 15% lo que podemos hacer es cambiar la posicin del cero del PI (ponerlo
en -0.5 en vez de -0.1) para dejar que la respuesta oscile un poco y as sea ms rpida. (O si no, se
puede poner otro tipo de compensador y aadir otro ACC). El nuevo compensador es
s 0.5
K b ( s) s
0
s 0.5
s
0
kpi=tf([1 0.5],[1 0]);Kb=[kpi 0;0 kpi];

Ktotal=minreal(K1*Kb*Kacc*Ka);zpk(Ktotal)
L=G*Ktotal;
figure,

Pag. -145
Academia de Control

10
y1
y2
u1
0
-5
u2
0

10
y1
y2
u1
0
-5
u2
0
Finalmente, el controlador total es K ( s ) K 1 K b ( s ) A K d ( s ) B K a ,
K ( s)
8.9626( s 0.5)( s 0.07372) 1.1611( s 0.5)( s 0.06788)

1
8.7073( s 0.5498)( s 0.5)
s( s 0.07632) 5.1965( s 0.5)( s 1.964)
Ejemplo 32. Turbo-generador. Se trata de un sistema estable en lazo abierto de 10 estados, 2

entradas y 2 salidas (Limebeer and Maciejowski 85)
G( s )
1 g11 ( s ) g12 ( s )
( s ) g 21 ( s ) g 22 ( s )
donde
( s ) ( s 17.66) ( s 10.75) ( s 10) ( s 1.667) ( s 1.042) ( s 0.2345)

( s 2 0.6983s 40.37) ( s 2 58.93s 9.942 104 )
g11 ( s ) 1.4211 10 13 ( s 1.801 107 ) ( s 1.801 107 ) ( s 17.73) ( s 10.97) ( s 10)

( s 1.229) ( s 0.3608) ( s 2 58.9 s 9.942 104 )
g 21 ( s ) 1.1369 10 13 ( s 691.6) ( s 709.9) ( s 21.98) ( s 7.844) ( s 10)

( s 2 1.111s 1.414) ( s 2 1083s 1.019 1013 )
g12 ( s ) 4.4054 10 13 ( s 3.569 105 ) ( s 36.24) ( s 10.81) ( s 1.667) ( s 1.188)

( s 2 39.46s 1.168 105 ) ( s 2 3.573 105 s 1.275 1011 )
g 22 ( s ) 1.8474 10 13 ( s 4.423 1015 ) ( s 36.24) ( s 10.71) ( s 1.667)

( s 0.9289) ( s 2 0.7667s 43.88) ( s 2 29.7 s 9.553 10 4 )
O, equivalentemente, en el espacio de estado:

Pag. -146
Academia de Control
1
0
0
0
0
0
0
.11323 .98109 11.847 11.847 63.080
324.121 1.1755 29.101 0.12722 2.83448 967.73
127.30 0.46176 11.4294 1.0379 13.1237 380.079
186.05 0.67475 16.7045 0.86092 17.068 555.502

A
341.917 1.09173 1052.75 756.465 756.465 29.774
30.748 .9817 94.674 68.029 68.029 2.67753
302.36 .96543 930.96 668.95 668.95 26.3292
0
0
0
0
0
0
0
0
0
0
0
0
0 0 0 0 0 0 0 0 1.6667 0
BT
0
10
0 0 0 0 0 0 0 0
0
0
0
34.339 34.339 27.645
678.14 678.14
266.341 266.341
0
0
389.268
0.16507
2.6558
389.268
3.27626
4.88497
0
0
0
2.42028
0
0
9.5603
0
1.6667
0
0
0
0
0
0 0
0
0 0 0 0
1
C
.49134 0 .63203 0 0 .20743 0 0 0 0

0 0
D
0 0
Se pide:
Analizar los polos y ceros de transmisin de la planta.
Obtener un controlador por el mtodo CL y estudiar su estabilidad
Solucin:
Introducimos la planta:
%planta (turbo-generador)
a = [
0.00000 1.00000 0.00000
0.00000 0.00000 0.00000
0.00000 -.11323 -.98109
-63.080 -34.339 -34.339
324.121 -1.1755 -29.101
-967.73 -678.14 -678.14
-127.30 0.46176 11.4294
380.079 266.341 266.341
-186.05 0.67475 16.7045
555.502 389.268 389.268
341.917 1.09173 1052.75
-29.774 0.16507 3.27626
-30.748 -.09817 -94.674
2.67753 -2.6558 4.88497
-302.36 -.96543 -930.96
26.3292 2.42028 -9.5603
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
b = [
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
0.00000 0.00000 0.00000
c = [
1.00000 0.00000 0.00000
0.00000 0.00000 0.00000
-.49134 0.00000 -.63203
0.00000
0.00000
-11.847
-27.645
0.12722
0.00000
-1.0379
0.00000
0.86092
0.00000
756.465
0.00000
-68.029
0.00000
-668.95
0.00000
0.00000
-1.6667
0.00000
0.00000
0.00000 ...
0.00000;
-11.847 ...
0.00000;
2.83448 ...
-129.29;
13.1237 ...
1054.85;
-17.068 ...
-874.92;
756.465 ...
0.00000;
-68.029 ...
0.00000;
-668.95 ...
0.00000;
0.00000 ...
0.00000;
0.00000 ...
-10.000];
0.00000 0.00000 ...

1.66667 0.00000;
0.00000 0.00000 ...
0.00000 10.0000]';
0.00000 0.00000 ...
0.00000 0.0000;
0.00000 0.00000 ...

Pag. -147
129.29
1054.85
874.92
0
10
0
0
Academia de Control
-.20743 0.00000 0.00000 0.00000 0.0000];

d = [0 0; 0 0];
[num1,den1]=ss2tf(a,b,c,d,1);
G11=tf(num1(1,:),den1);G21=tf(num1(2,:),den1);
[num2,den2]=ss2tf(a,b,c,d,2);
G12=tf(num2(1,:),den2);G22=tf(num2(2,:),den2);
G=zpk([G11 G12;G21 G22]),
Y obtenemos los polos y los ceros:

%polos y ceros de transmisin
polos=eig(a),ceros=tzero(a,b,c,d),
Polos: Los polos del sistema son -29.463j313.94, -17.664, -10.746, -0.3417j6.3443, -1.0421, 1.0421, -0.23446, -1.6667 y -10. Hay un par de polos muy resonantes a 6.34rad/s. Puesto que no
tiene polos en el semiplano derecho es estable. Para tener estabilidad en lazo cerrado bastar que
los lugares caractersticos no circunden en sentido anti-horario el punto -1+j0.
Ceros de transmisin: Estn a -14.837j308.73, -11.064, -1.2548 y -36.244. Puesto que todos son
de fase mnima ello indica que cualquier ancho de banda en lazo cerrado puede ser alcanzado (en la
prctica, las restricciones de ganancia y amplificacin del ruido limitarn el ancho de banda).
Ahora representaremos la respuesta frecuencial de la planta:
%respuesta frecuencial (incluye ms puntos en freqs de inters)
w = logspace(-2, 2,1000);
w2 = [1.1: 1.72: 9.9];
w3 = [5.5: 0.3: 7.7];
w4 = 6.34;%nota wn=6.3539=abs(-0.3492 + 6.3443i)
w = sort([w w2 w3 w4]);
%diagramas de Bode
figure,
subplot(221),mvdb(w, Gw, [1,1]), title('G_1_1'),
Diagramas de Bode: Los elementos de la segunda columna son mayores que los de la primera (ms
de dos rdenes de magnitud de diferencia). Es debido a las unidades tomadas al construir el
modelo.
G12
G11
MAG dB
0
-50
-100
-2
10
MAG dB
100
10
FREQUENCY
G21
10
50
0
-50
-100
-2
10
100
-50
50
MAG dB
MAG dB
50
-100
-150
-2
10
10
FREQUENCY
10
10
FREQUENCY
G22
10
0
-50
-2
10

Pag. -148
10
FREQUENCY
10
Academia de Control
Pero no es ms que un factor de escala que podemos corregir con el siguiente precompensador:
1 0
K1
0 0.01
La siguiente figura muestra los diagramas de Bode de la respuesta frecuencial de G(s)K1 (notar el
escalado):
Q11
Q12
50
MAG dB
MAG dB
50
-50
-100
-150
-2
10
10
FREQUENCY
Q21
10
50
-50
MAG dB
MAG dB
-100
-2
10
0
-50
-100
-150
-2
10
10
FREQUENCY
10
10
FREQUENCY
Q22
10
-50
-100
-2
10
10
FREQUENCY
10
%compensacin de la segunda columna

K1=[1
0;0 0.01];
Q=G*K1;Qw=fmul(w,Gw,K1);
figure,
subplot(221),mvdb(w, Qw, [1,1]), title('Q_1_1'),
Y en las siguientes se muestran los diagramas de Bode y el diagrama polar de los valores
caractersticos de G(s)K1:
Lugares caractersticos de G(s)K1
Lugares caractersticos de G(s)K1
MAG dB
50
1.5
1
0.5
-50
0
10
-1
10
FREQUENCY
10
-0.5
10
IMAG
-100
-2
10
200
PHASE
100
-2
-2.5
-100
-200
-2
10
-1
-1.5
-3
10
-1
10
FREQUENCY
10
10
-3.5
-1
3
REAL
%lugares caractersticos
av=feig(w,Qw);%av=csort(av);
figure,plotnyq(av),title('Lugares caractersticos de G(s)K_1'),
figure,plotbode(w,av),subplot(211),
title('Lugares caractersticos de G(s)K_1'),

Pag. -149
Academia de Control
Compensacin a altas frecuencias: Se disea un compensador para desacoplar el sistema por

encima de 30rad/s (y a partir de dicha frecuencia) con ayuda de la funcin align.
%compensacin a altas frecuencias
inx = min(find(w>=30));
[Qw30,w30]=fgetf(w,Qw,inx);w30
K2=align(Qw30),
558.7854 1.3865
K2
0.9192 90.8402
Los lugares caractersticos obtenidos se muestran en la siguiente figura:
Q=Q*K2;Qw=fmul(w,Qw,K2);
figure,plotnyq(av),title('Lugares caractersticos de G(s)K_1K_2'),
title('Lugares caractersticos de G(s)K_1K_2'),
Lugares caractersticos de G(s)K1K2
Lugares caractersticos de G(s)K1K2
800
MAG dB
100
600
50
0
IMAG
400
-50
-2
10
10
-1
200
10
FREQUENCY
10
10
200
PHASE
-200
-400
-1500
-1000
-500
500
100
0
-100
-2
10
1000
REAL
10
-1
10
FREQUENCY
10
10
Para poder alcanzar mejor la estabilidad en lazo cerrado, multiplicaremos ambos canales por -1.
As los autovalores empezarn en el eje real positivo y ser ms fcil estudiar la estabilidad. Por
otro lado, rebajaremos la ganancia (K2 haba introducido mucha ganancia a fin de invertir el
camino directo a =30rad/s y conseguir que a esa frecuencia valiera 0dB).
En definitiva, si aadimos el precompensador km:
0
0.01
km
0.01
0
Los nuevos lugares caractersticos son:
km=[-0.01 0;0 -0.01];
Q=Q*km;Qw=fmul(w,Qw,km);
figure,plotnyq(av),title('Lugares caractersticos de G(s)K_1K_2k_m'),
title('Lugares caractersticos de G(s)K_1K_2k_m'),

Pag. -150
Academia de Control
Lugares caractersticos de G(s)K1K2km
Lugares caractersticos de G(s)K1K2km
50
MAG dB
0
-50
IMAG
-100
-2
10
10
-1
10
FREQUENCY
-2
10
10
PHASE
-4
-6
-8
-10
-5
10
-100
-200
-300
-2
10
15
10
-1
10
FREQUENCY
REAL
10
10
Vemos que uno de los autovalores engloba al punto -1. Esto es debido principalmente al desfase
que introduce la resonancia.
Podemos investigar lo bien que ha funcionado el desacoplo aproximado y ver qu dominancia
diagonal tenemos ahora. Esto puede hacerse estudiando el Bode, las bandas de Gershgorin o el
desalineamiento entre las direcciones caractersticas (autovectores) y los vectores estndar de la
base. Ambos ngulos de desalineamiento son pequeos a partir de 10rad/s.
Desalineamiento despus de la compensacin AF
60
50
grados
40
30
20
10
0
-2
10
10
-1
10
Frecuencia (rad/s)
10
10
%anlisis de dom diag

misa=fmisalg(w, Qw);
figure
semilogx(w, misa),title('Desalineamiento despus de la compensacin AF')
grid,xlabel('Frecuencia (rad/s)'),ylabel('grados')
Compensacin a frecuencias intermedias: El controlador conmutativo aproximado sirve para

manipular los lugares caractersticos cerca de una frecuencia determinada. Puesto que la
compensacin debe ser ms precisa a 6.34rad/s (que es donde tenemos la resonancia), es en ese
punto donde situaremos el compensador ACC.
Los autovalores del camino directo a 6.34rad/s son: -8.9531-j2.0801 y -0.1157-j0.1437. Vemos
que el primer lugar caracterstico queda a la izquierda del punto crtico -1. Por tanto es
principalmente ste el que tiene que ser compensado.
El punto -1 es englobado por el desfase debido a la resonancia del primer autovalor. Por tanto
conformaremos dicho lugar con ayuda de un filtro notch situado en el lugar de la resonancia.
Puesto que la resonancia corresponde al par de polos complejos conjugados de la planta -

Pag. -151
Academia de Control
0.3492j6.3443 lo que haremos ser poner como numerador a estos polos y como denominador
(para que sea realizable) a dos polos lejanos.
k1,notch ( s )
( s 0.3492 j 6.3443)( s 0.3492 j 6.3443) s 2 0.6984s 40.37
( s 20)( s 25)
s 2 45s 500
%compensacin a frecuencias intermedias

index = min(find(w>=6.34));w(index)
eig(fgetf(w,Qw,index)),
%compensacin para el lugar 1 (filtro notch...
kn1 = [1 0.7 40.37];kn1=conv([1 0.3492+j*6.3443],[1 0.3492-j*6.3443])
kd1 = [1 45 500];
kd1=conv([1 20],[1 25])
tf(kn1,kd1)
Aqu la ganancia va desde -21.8dB a 0dB. Luego, adems, aadiremos fase a ambos lugares. Estos
filtros de avance se disearn para equilibrar las ganancias de los lugares y dar una frecuencia de
crossover de 10rad/s. Los filtros de avance para el lugar 1 y para el lugar 2 son respectivamente:
k1,av ( s )
s2
0.1s 1
k 2,av ( s )
0.5s 0.1
0.01s 1
%...y avance de fase)

kn1 = conv(kn1,[1 2]);
kd1 = conv(kd1,[0.1 1]);
zpk(tf(kn1,kd1))
%compensacin para el lugar 2 (avance de fase)
kn2 = [0.5 0.1];
kd2 = [0.01 1];
tf(kn2,kd2)
El controlador conmutativo resultante ser:
1.505s 99.21
s 100
K acc ( s )
5.542s 10.32
s 100
4.309s 8.022
s 100
4.309s 10.7
s 100
%Els juntem per poder fer servir la funci facc:

nums = [kn1 ; zeros(1,2) kn2]; % numeradors
dens = [kd1 ; zeros(1,2) kd2]; % denominadors
%Approximate Commutative Controller:
[ka,kb,kc,kd] = facc(w,Qw,index,nums,dens);size(ka),%2 estats
Kacc=ss(ka,kb,kc,kd);Kacc=tf(Kacc),
Kaccw=mv2fr(ka,kb,kc,kd,w);
Las figuras muestran los lugares caractersticos resultantes:

Pag. -152
Academia de Control
Lugar caracterstico compensado a 6.34
Lugar caracterstico compensado a 6.34
MAG dB
50
0
-50
IMAG
0
-100
-2
10
10
-1
-2
10
FREQUENCY
10
10
100
-4
PHASE
-6
-100
-200
-8
-10
-5
0
REAL
-300
-2
10
10
10
-1
10
FREQUENCY
10
10
%cam directe compensat i nou lloc caract

Qw=fmulf(w,Qw,Kaccw);
figure,plotnyq(av),title('Lugar caracterstico compensado a 6.34'),
title('Lugar caracterstico compensado a 6.34'),
Compensacin a bajas frecuencias: Finalmente, aqu se trata de aumentar la ganancia a bajas

frecuencias sin perder los mrgenes de estabilidad y el desacoplo que ya tenemos. Usaremos
compensadores PI junto con un ACC a fin de que los dos lugares tengan la misma ganancia en
continua. El controlador tendr la forma
I/s
Kd
Kbf
con Kd diagonal. ste sirve para equilibrar los lugares a 0.01 y el parmetro se escoge para que la
transicin de bajas a altas de Kb,acc sea adecuada. En concreto, interesa que Kb,acc(j6.34)=I.
K b,acc ( s )
K bf (0.01) I
Ahora no se usar la funcin facc para el diseo. Lo haremos a mano (con align aproximaremos los
autovectores y su inversa).
La frecuencia de diseo ser 0.01rad/s. Los autovectores y autovalores a dicha frecuencia son:
%compensacin a bajas
%la primera frecuencia es 0.01
Qw1=fgetf(w,Qw,1);
[autovect,av1]=eig(Qw1),
avect =
0.9212
-0.3890 + 0.0090i
av =
8.0292 - 0.2021i
0.1562 + 0.0020i
0.9877

Pag. -153
Academia de Control
0.3610 + 0.0084i
Las matrices que aproximan la matriz modal y su inversa (B y A respectivamente) son:

A=align(inv(autovect)),
B=align(autovect),
A =
0.9211
-0.3890
B =
1.0175
0.4007
0.1562
0.9877
-0.1609
0.9490
Y en Kd pondremos la inversa (del valor absoluto de) de los autovalores en 0.01:

kd =
0.1245
0
0
2.7690
As Kbf=AKdB es
Kbf =
0.2900
1.0467
0.3920
2.6035
% kd es la inversa de los autovalores

kd=abs(eig(Qw1));
kd=diag(kd.\1),
Kbf=A*kd*B
El controlador de bajas final ser K b,acc ( s )
K bf (0.01) I
1
K bf (0.01) sI.
s
Puesto que A y B son la inversa aproximada una de otra, las frecuencias codo del numerador sern
kd(1,1) y kd(2,2). En general, deberan valer unos 6.34/10 a fin de asegurar que no se estropea
la compensacin previa. Pero como tenemos unos mrgenes de estabilidad muy buenos podemos
empujarlas hasta 6.34 a fin de conseguir toda la ganancia a bajas que podamos.
As:
%clculo de alfa
alpha = 6.34/max(max(kd))
Kbf=alpha*Kbf,
alpha = 6.34/max(max(kd))
alpha =
2.2897
Kbf=alpha*Kbf,
Kbf =
0.6641
0.8976
2.3966
5.9610
nklow =
1.0000
0
dklow =
1
0.6641
2.3966
0
1.0000
0.8976
5.9610

Pag. -154
Academia de Control
K bf ( s )
0.8976
1 s 0.6641
s 5.9610
s 2.3966
Los lugares caractersticos resultantes son:

Lugares caractersticos compesados a AF, FI y BF
Lugares caractersticos compesados a AF, FI y BF

50
MAG dB
50
0
-50
IMAG
-50
-100
-2
10
10
-1
-100
10
FREQUENCY
10
10
PHASE
-150
-200
-250
-10
-5
-100
-200
-300
-2
10
10
REAL
-1
10
FREQUENCY
10
10
%convertim matriu polinomial kbf a matriu de FTs amb denominador com s

[nkbf,dkbf]=pm2tf([1 0],Kbf,eye(2)),
%respuesta frecuencial Kbf
Kbfw=mv2fr(nkbf,dkbf,w);
%cam directe compensat a AF, FI i BF
Qw=fmulf(w,Qw,Kbfw);
figure,plotnyq(av),
title('Lugares caractersticos compesados a AF, FI y BF'),
title('Lugares caractersticos compesados a AF, FI y BF'),
Retocamos ahora la ganancia para tener un ancho de banda de 20rad/s (multiplicamos por 3 cada
canal)
% ganancia para bw=20 rad/s.
kbw = [ 3
0 ; 0
3 ];
Qw = fmul(w,Qw,kbw);av = csort(feig(w,Qw));
figure,plotnyq(av),title('Lugares caractersticos (diseo final)'),
title('Lugares caractersticos (diseo final)'),
Lugares caractersticos (diseo final)
100
Lugares caractersticos (diseo final)

100
MAG dB
0
-100
50
0
-50
IMAG
-200
-100
-2
10
-300
-1
10
FREQUENCY
10
10
PHASE
-400
-500
-600
-700
-30
10
-25
-20
-15
-10
-5
REAL
10
15
-100
-200
-300
-2
10
10
-1
10
FREQUENCY
10
10
Para analizar la estabilidad representamos los crculos de 1dB y 2dB en el diagrama polar de los
lugares. Por lo que parece el sistema es bastante estable.

Pag. -155
Academia de Control
Lugares caractersticos con crculos M 1.0, 2.0 dB

7.636
7.923
8.374
9.015
10.35
IMAG
16.11
26.76
-1
11.46
-2
6.774
-3
4.728
-4
-5
-10
3.553
-8
-6
-4
REAL
2.795
0
-2
%anlisis de estabilidad. crculos M a 1dB y 2dB

figure,plotnyq(av),axis([-10, 2 , -5, 5]);hold on,
plotnyq(mcirc([1,2]))
title('Lugares caractersticos con crculos M 1.0, 2.0 dB'),
mknyq(av,w),
Pero es conveniente (y mejor) representar tambin los valores singulares en lazo abierto
%valores singulares
sv=fsvd(w,Qw);
figure,plotdb(w,[sv,av]),
title('Autovalores y valores singulares (diseo final)'),
Autovalores y valores singulares (diseo final)
60
40
MAG dB
20
-20
-40
-60
-80
-2
10
10
-1
10
FREQUENCY
10
10
Ahora analizamos el lazo cerrado. Hay una fuerte interaccin oscilatoria desde la segunda entrada
hacia la primera salida cerca de la resonancia a 6rad/s y una interaccin del 10% en las frecuencias
inferiores a sta.

Pag. -156
Academia de Control
[1,1]
[1,2]
0
MAG dB
MAG dB
20
-20
-50
-40
-60
-2
10
10
FREQUENCY
[2,1]
10
-100
-2
10
-50
-100
-2
10
10
0
MAG dB
MAG dB
10
FREQUENCY
[2,2]
10
FREQUENCY
10
-10
-20
-30
-2
10
10
FREQUENCY
10
%resp freq Sistema en lazo cerrado

Tw=ffb(w,Qw);
figure,%axis([-2,2,-40,10])
subplot(221),mvdb(w, Tw, [1,1]), title('[1,1]')
subplot(224),mvdb(w, Tw, [2,2]), title('[2,2]'),
Los valores singulares del lazo cerrado indican que est garantizada la estabilidad para el caso de
perturbaciones de salida no estructuradas multiplicativas cuya norma sea inferior a:
margen_estab = 1/max(max(svc))
margen_estab =
0.8756
Valores singulares del lazo cerrado (diseo final)
10
0
-10
MAG dB
-20
-30
-40
-50
-60
-70
-2
10
10
-1
10
FREQUENCY
10
10
%valores singulares del lazo cerrado

svc=fsvd(w,Tw);
margen_estab = 1/max(max(svc))
figure,plotdb(w,svc),
title('Valores singulares del lazo cerrado (diseo final)')

Pag. -157
Academia de Control
3.3.3
Mtodo de Perron-Frobenius
Concepto:
El autovalor de Perron-Frobenius es el autovalor positivo ms grande de cierta diagonalizacin de

G 1 ( s ) . Es por tanto dependiente de la frecuencia y se puede representar en un diagrama de Bode.
Se usa la inversa a fin de poder aplicar el precompensador resultante al array inverso de Nyquist.
Este mtodo es muy til porque una simple inspeccin del autovalor de P-F nos dice si es posible o
no hacer al sistema diagonal dominante a una frecuencia determinada usando un compensador
diagonal. Si es posible, la inspeccin de un autovector de P-F asociado nos ayuda a disear dicho
compensador diagonal.
Mtodo:
Los detalles del mtodo estn en (Maciejowski, 1989) o Munro (en (OReilly, 1987), Ch. 13). El
resumen del mtodo es el siguiente:
1) Representar en un diagrama de Bode el autovalor de P-F.
2) Ver a qu frecuencias est por debajo de 2 (por debajo de 6dB). sas son las frecuencias a
las que un precompensador puramente diagonal puede conseguir la dominancia diagonal
por columnas en el INA. Cunto ms por debajo de 6dB est, mejores sern las
propiedades de dominancia diagonal conseguidas. Y cuanto ms cerca de 6dB est, ms
difcil ser conseguir la dominancia diagonal.
Si est por encima de 6dB a alguna frecuencia, se necesitar un precompensador ms
general y es posible que no se pueda alcanzar la dominancia diagonal. En estos casos
conviene aadir un compensador que diagonalice a frecuencia 0, G(0)-1, y volver a calcular
el autovalor de P-F.
3) Calcular los autovectores de P-F. Se puede demostrar (ver p. ej., (Maciejowski, 1989)) que
la respuesta frecuencial de los elementos del pre-compensador que alcanza la dominancia
diagonal en el INA coincide con la del autovector de P-F por la izquierda. As, basta con
representar los autovectores en un diagrama de Bode y obtener las funciones de
transferencia que se ajusten. Los autovectores por la derecha serviran para calcular un
post-compensador (o bien un pre-compensador para un array de Nyquist directo, DNA).
Los autovectores slo fijan una direccin y son correctos para cualquier escalado. Por
tanto, a fin de reducir el nmero de compensadores dinmicos a disear, lo que se puede
hacer es fijar uno de sus elementos a una constante a lo largo de la frecuencia. Por ejemplo,
lo habitual es forzar a que el primer elemento del autovector por la izquierda valga 1 a todas
las frecuencias.
Para ajustar el resto de elementos suele bastar con un compensador de avance-retardo pero,
si es necesario, pueden ponerse varios avance-retardo o retardo-avance en cascada, quiz
con la ayuda de tcnicas de mnimos cuadrticos.
Ejemplos:
Ejemplo 33. Planta neumtica . Mtodo de Perron-Frobenius. Considerar la planta neumtica

Pag. -158
Academia de Control
g
G( s ) 11
g 21
0.52
1.02
g12 11.76s 1 10.1s 1
1.04
g 22 0.54
10.4 s 1 2.6s 1
es tiempo de subida 10-90 de 1.6s y overshoot del 15%). Usar el mtodo de Perron-Frobenius para
calcular el controlador MIMO y verificar el comportamiento.
Solucin:
La planta es
%planta (pneumtica)
G11=tf(1.02,[11.76 1]);
G12=tf(-0.52,[10.1 1]);
G21=tf(-0.54,[10.4 1]);
G22=tf(1.04,[2.6 1]);
G=[G11 G12;G21 G22];
[a,b,c,d]=ssdata(G);
Y su respuesta frecuencial se calcula como:

%respuesta frecuencial planta
w=logspace(-2,2);
En primer lugar hay que obtener el autovalor de Perron-Frobenius.

respuesta frecuencial de la planta:
Para ello, invertimos la
%inversa de la respuesta frecuencial

iGw=mvfrinv(w,Gw);
1
Y hallamos su mdulo, G ( j )
m=abs(iGw);
%modul resposta freqencial inversa
Para cada frecuencia obtenemos su versin diagonal igualando todos los trminos de fuera de la
diagonal a cero.
omega=fdiag(w,fdiag(w,m));
Calculamos la matriz de comparacin normalizada . Esta se construye premultiplicando una

matriz de mdulos M (que es no diagonal) por la inversa de M diagonalizada tal y como se ha
1
expuesto en el paso anterior. En nuestro caso M es G ( j ) . As, si una componente (para una
1
frecuencia concreta) de la matriz G ( j ) es
a b
c d ,
la correspondiente componente en la matriz de comparacin normalizada es

Pag. -159
Academia de Control
1 / a 0 a b 1
0 1 / d c d c / d
b / a
1
gamma=fmulf(w,mvfrinv(w,omega),m); %matriz de comparacin normalizada
Calculamos el autovalor de P-F (es el autovalor ms grande de cada matriz de componentes de ) y

lo representamos:
pfe=fperron(w,gamma);
figure,plotdb(w,pfe);
title('Autovalor de Perron-Frobenius')
Autovalor de Perron-Frobenius
3.8
3.6
3.4
MAG dB
3.2
3
2.8
2.6
2.4
2.2
2
-2
10
10
-1
10
FREQUENCY
10
10
Est por debajo de 6dB a todas las frecuencias, por tanto, es posible conseguir la dominancia
diagonal con un pre-compensador diagonal.
Para calcular el pre-compensador que alcanza la dominancia diagonal en el INA hay que calcular el
autovector de P-F por la izquierda. Estos autovectores sern tambin funcin de la frecuencia y
tendrn tantos elementos como dimensiones (nmero de entradas y salidas) del sistema. Como el
sistema es 22 ambos autovectores por la derecha y la izquierda tienen 2 elementos dependientes de
la frecuencia.
A fin de reducir el nmero de compensadores dinmicos a disear forzamos a que el primer
elemento del autovector valga 1 (0dB) a todas las frecuencias y as para el diseo solo habr que
ajustar el segundo elemento.
%autovectors de Perron-Frobenius
[pfe,lhv,rhv]=fperron(w,gamma);
for i=1:length(w),
lhv(i,:)=lhv(i,:)/lhv(i,1);
end,% normaliz 1er element=1
figure,plotdb(w,lhv(:,2));
title('2 elemento del autovector
por la izquierda de Perron-Frobenius')

Pag. -160
Academia de Control
2 elemento del autovector por la izquierda de Perron-Frobenius

0
-1
-2
MAG dB
-3
-4
-5
-6
-7
-2
10
-1
10
10
FREQUENCY
10
10
El elemento (2,2) del pre-compensador debe tener esta misma respuesta frecuencial. Un
compensador de avance-retardo servir. La magnitud empieza a -0.28dB y termina a -6.68dB. Los
codos (3dB por debajo del inicio y 3dB por encima del final) estn muy cerca: a 0.2rad/s y a
0.26rad/s.
Con ayuda de la funcin phlag se disea un compensador con un cambio de ganancia de -6.41,
frecuencia de codo 0.26rad/s y ganancia final -6.68. Este ser el compensador para la segunda fila
del INA.
Cret ( s )
0.4634s 0.1205
s 0.1243
%compensador de retard que fase que s'ajusti al avect2PF

[knpf,kdpf]=phlag(-6.41,0.26,-6.68),
kpf=mv2fr(knpf,kdpf,w);
figure,plotdb(w,lhv(:,2));hold on,plotdb(w,kpf,'g'),grid
title('2 elemento del autovector-izqda de Frobenius y compensador
de retardo de fase')
2 elemento del autovector-izqda de Frobenius y compensador de retardo de fase
0
-1
MAG dB
-2
-3
-4
-5
-6
-7
-2
10
10
-1
10
FREQUENCY
10
10
En definitiva, el pre-compensador diagonal de desacoplo es:
0 1
1
0
.
4634
0
.
1205
K ( s)
0
0 Cret ( s )
s 0.1243

Pag. -161
Academia de Control
20
20
15
15
IMAG
IMAG
Para verificar que se cumple la dominancia diagonal representamos el INA junto con los crculos de
Gershgorin por columnas:
10
5
0
-1
1
REAL
0
-1
20
20
15
15
IMAG
IMAG
10
10
5
1
REAL
1
REAL
10
5
0
-1
1
REAL
0
-1
%la matriu del pre-comp ser [1 0;0 Cret]

Kpf=[1 0;0 tf(knpf,kdpf)];
%pasem a estat i fem la conexio:
[a0,b0,c0,d0]=ssdata(Kpf);
[af,bf,cf,df]=mvser(a0,b0,c0,d0,a,b,c,d);%F=G*Kpf -->
inv(F)=inv(Kpf)*inv(G)
%resposta inversa de
iQw=(mvfrinv(w,mv2fr(af,bf,cf,df,w)));
%INA amb cercles gershgorin
figure,ax=[-1 3 0 20];
subplot(221),mplotnyq(fget(w,iQw,[1 1])),axis(ax),
circ=fcgersh(w,iQw,1);hold on,mplotnyq(circ,'r'),grid
circ=fcgersh(w,iQw,2);hold on,mplotnyq(circ,'r'),grid
Tambin podemos representar la respuesta indicial y el esfuerzo de control. Notar que el precompensador de desacoplo debe ser la inversa de kpf:
Respuesta indicial
From: In(1)
Esfuerzo de control
From: In(2)
From: In(1)
From: In(2)
0.4
0.8
To: Out(1)
To: Out(1)
0.3
0.2
0.1
0.6
0.4
0
0.2
Amplitude
Amplitude
-0.1
-0.2
0.8
0
2.5
2
To: Out(2)
To: Out(2)
0.6
0.4
0.2
0
-0.2
1.5
1
0.5
20
40
60
80
100
120 0
20
40
60
80
100
120
Time (sec)
10
20
30
40
10
20
30
Time (sec)
%resposta indicial
K=inv(Kpf); %compensador aplicat a l'INA s l'invers del que tindrem

Pag. -162
40
Academia de Control
L=G*K;
Tu=feedback(K,G);
S=feedback(eye(2),L);
figure,t=linspace(0,14);
step(T),title('Respuesta indicial')
figure,
step(Tu),title('Esfuerzo de control')
Finalmente, para eliminar el offset y hacer ms rpidas las respuestas, se aade un compensador
dinmico de tipo PI:
8s 4
s
4s 4
s
0
El compensador total resultante es (puesto que el compensador de desacoplo estaba diseada para el
INA, en el mundo real lo que necesitamos es su inversa):
1 8s 4
0
1

0 0.4634s 0.1205 s
s 0.1243 0
4s 4
s
0
La respuesta indicial y esfuerzo de control finales son:

Esfuerzo de control (con PI)
Respuesta indicial (con PI)

From: In(1)
From: In(1)
From: In(2)
To: Out(1)
To: Out(1)
From: In(2)
1.5
0.5
2
Amplitude
Amplitude
0
1.5
0
10
To: Out(2)
To: Out(2)
8
1
0.5
6
4
2
0
0
10
10
10
0
Time (sec)
Time (sec)
%posem PI per eliminar offset i fer ms rpid el sistema

k1=tf([8 4],[1 0]);
k2=tf([4 4],[1 0]);
Kpi=[k1 0;0 k2];
%
%resposta indicial
Ktotal=K*Kpi;
L=G*Ktotal;
figure,t=linspace(0,14);
step(T,t),title('Respuesta indicial (con PI)')
figure,
step(Tu,t),title('Esfuerzo de control (con PI)')

Pag. -163
10
Academia de Control
3.3.4
Direct Nyquist Array
Mtodo:
Este mtodo intenta compensar el sistema para que sea aproximadamente diagonal. El diseo
entonces se completa diseando controladores SISO para cada uno de los elementos de la diagonal
de la planta compensada.
Ejemplos:
Ejemplo 34. Turbogenerador. Diseo DNA. Considerar de nuevo el turbogenerador. Calcular
el controlador MIMO por DNA y verificar su comportamiento.
Solucin:
Paso 1: Determinacin del rango dinmico de la planta
Polos: El polo ms bajo est en 0.234rad/s y el ms alto en 315rad/s. Hay un par de polos
complejos conjugados poco amortiguados en 6.35rad/s con un coeficiente de amortiguamiento
=0.055.
format short e,
[wn,z]=damp(a);
[wn,z]
ans =
2.3446e-001 1.0000e+000
6.3539e+000 5.4953e-002
6.3539e+000 5.4953e-002
1.0421e+000 1.0000e+000
1.6667e+000 1.0000e+000
1.0000e+001 1.0000e+000
1.0746e+001 1.0000e+000
1.7664e+001 1.0000e+000
3.1532e+002 9.3438e-002
3.1532e+002 9.3438e-002
Ceros de transmisin: El cero ms bajo es 1.25rad/s y el cero finito ms alto est en 309rad/s.
tzero(a,b,c,d);
[wn,z]=damp(ans);
[wn,z]
ans =
3.0909e+002 4.8004e-002
3.0909e+002 4.8004e-002
1.1064e+001 1.0000e+000
1.2548e+000 1.0000e+000
3.6244e+001 1.0000e+000
Por tanto, el rango dinmica total de la planta est entre 0.234rad/s y 315rad/s. Por encima y debajo
de estas frecuencias la fase es constante y la pendiente de la ganancia se mantiene constante.
Diagramas de Bode:
%Respuesta frecuencial planta
w=logspace(-2,2,40);
w2=1.1:1.72:9.9;
w3=5.5:0.3:6.7;
w4=6.34;

Pag. -164
Academia de Control
w=sort([w,w2,w3,w4]);
%Bode de Gw
figure,ax=[1e-2 1e2 -100 100];
subplot(221),mvdb(w,Gw,[1,1]), title('Bode
%se aaden ms puntos para cubrir el rango
w5=logspace(2,3,10);
[Gw,w] = finsert(w,Gw,w5,a,b,c,d);
Bode de [1,2]
100
50
50
MAG dB
MAG dB
Bode de [1,1]
100
0
-50
0
-50
10
FREQUENCY
Bode de [2,1]
10
-100
-2
10
100
100
50
50
MAG dB
MAG dB
-100
-2
10
0
-50
-100
-2
10
de [1,1]'),axis(ax);
dinmico de la planta
10
FREQUENCY
Bode de [2,2]
10
0
-50
10
FREQUENCY
10
-100
-2
10
10
FREQUENCY
10
Paso 2: Conseguir la dominancia diagonal por columnas
Paso 2.1. Anlisis de la dominancia por columnas del sistema sin compensar: Se mide cun
diagonal es el sistema (funcin fcdom).
Si la medida es menor que 1 (0dB) el sistema es dominante diagonal por columnas.
Si la medida es 0 (- dB) entonces el sistema es diagonal.
%Anlisis de la dominancia por columnas
cd=fcdom(w,Gw);
figure,plotdb(w,cd),
title('Dominancia diagonal sin compensar. Columnas 1 y 2'),
Dominancia diagonal sin compensar. Columnas 1 y 2
20
MAG dB
-20
-40
-60
-80
-100
-2
10
10
-1
10
10
FREQUENCY

Pag. -165
10
10
Academia de Control
La dominancia de la primera columna (en azul) es aceptable. Si queremos hacer un diseo de lazos
independientes SISO hay que compensar la columna 2 (en verde).
Paso 2.2. Diseo del pre-compensador de pseudo-desacoplo
Para calcular el orden efectivo ideal de los elementos de la columna 2 del pre-compensador
podemos inspeccionar el adjunto del sistema a altas y bajas frecuencias (es decir, por encima y por
debajo del rango dinmico de la planta).
[u,l]=fadj(w,Gw)
u =
0 -9.3529e-001
-2.0604e+000
0
l =
0
2.8780e-004
9.3065e-004
0
Las columnas de las matrices u y l contienen las pendientes relativas de los elementos de la pseudoinversa de la planta (a altas frecuencias y bajas frecuencias respectivamente).
Los nmeros del resultado de la funcin fadj deberan ser enteros (o casi) ya que son las potencias
relativas de s. Si el resultado no se acerca a ser entero, ello indica que la pendiente no es an
constante y que las frecuencias usadas no eran lo suficiente altas y/o bajas para extenderse ms all
del rango dinmico de la planta.
Si queremos buena diagonalizacin para s0 y para s es necesario igualar estas pendientes
relativas con las de los elementos del adjunto de la planta.
En nuestro caso todos los elementos de u y l son casi enteros, as u=[0 -1;-2 0] y l=[0 0;0 0];
El elemento u12=-1 indica que a altas frecuencias el elemento k12 del compensador debe ser un
orden de s menor que el elemento k22. Puesto que los elementos de l son todo ceros, ello indica que
a bajas frecuencias el orden de k12 y k22 debe ser el mismo.
Ahora disearemos el compensador de pseudo-desacoplo. En primer lugar hay que crear la variable
kform con las potencias de s que hay que usar para maximzar la dominancia diagonal de la planta:
kform=[1
2
0 0
1 0 ];
La primera columna de kform hace referencia al nmero de fila del pre-compensador. As:
En la fila 1 del pre-compensador tenemos s0 y s0 (igual orden)
En la fila 2 del pre-compensador tenemos s1 y s0.
Ahora diseamos el compensador:
[ka,comdena,fit,cd2a]=fpseudo(w,Gw,2,kform);
Accumulating the frequency responses.
fit
fit =
9.2201e-002

Pag. -166
Academia de Control
Ka y comdena son la columna 2 y el denominador comn del pre-compensador constante tal que en
cascada con la planta es aproximadamente un mltiplo del segundo vector unitario a lo largo de la
frecuencia .
Comprobamos la dominancia de la columna 2 de la planta con este compensador:
figure,plotdb(w,cd2a,'--r'),hold,plotdb(w,cd(:,2),'-g'),...
title('Dominancia por columnas para la columna 2'),grid
Dominancia por columnas para la columna 2
20
MAG dB
-20
-40
-60
-80
-100
-120
-2
10
10
-1
10
10
FREQUENCY
10
10
Y vemos que ha mejorado con respecto a la planta sin compensar, aunque todava estamos por
encima de 0dB entre 4rad/s y 10rad/s.
La medida debe ser pequea alrededor del crossover de la planta a fin de conseguir eliminar la
interaccin. Ello es as porque en el crossover la ganancia de la planta es insuficiente para eliminar
la interaccin.
Intentaremos mejorar la dominancia introduciendo una funcin de ponderacin que pondere la
respuesta entre 4rad/s y 10rad/s (pondremos un peso de 50 a esas frecuencias y unitario en el resto).
[kb,comdenb,fit,cd2b]=fpseudo(w,Gw,2,kform,wi);
fit =
3.0037e-001
20
MAG dB
-20
-40
-60
-80
planta
con compensador
con compensador ponderado
-100
-120
-2
10
10
-1
10
10
FREQUENCY

Pag. -167
10
10
Academia de Control
Esta ponderacin ha mejorado la dominancia alrededor de 4rad/s y 10rad/s pero a expensas de

empeorarla al resto de frecuencias. En cualquier caso, an no es lo suficientemente dominante.
Intentaremos aadir otro orden de s a la primera fila de la columna 2 (aunque eso contradiga la gua
de fadj a altas frecuencias).
kform=[1 1 0
2 1 0];
[kc,comdenc,fit,cd2c]=fpseudo(w,Gw,2,kform,wi);
fit
fit =
6.6927e-002
20
MAG dB
-20
-40
-60
-80
planta
con compensador
otros rdenes
-100
-120
-2
10
10
-1
10
10
FREQUENCY
10
10
Hemos mejorado la dominancia a frecuencias intermedias (gracias a la flexibilidad adicional en el

compensador) pero empeorado a altas (debido al desajuste en los rdenes de s a altas frecuencias).
En conjunto, la mejora an no es suficiente, por tanto, probamos un compensador de orden superior:
kform=[1 0 0 -1
2 1 0 -1];
O sea, mantenemos la relacin de las potencias de s a altas y bajas frecuencias.

La fila 1 del compensador es un PI
La fila 2 es un PID
[kd,comdend,fit,cd2d]=fpseudo(w,Gw,2,kform,wi);
fit
fit =
8.9302e-007
kd =
0 1.5016e-002 2.1338e-002
-1.9475e-005 -1.3805e-004 -4.6401e-005
comdend

Pag. -168
Academia de Control
comdend =
0
1
20
MAG dB
-20
-40
-60
planta
con compensador
otros rdenes
PI+PID
-80
-100
-120
-2
10
10
-1
10
10
FREQUENCY
10
10
El resultado ahora ya es satisfactorio con lo que se puede pasar al diseo del control por lazos
independientes.
3.3.5
Inverse Nyquist Array
El llamado Inverse Nyquist Array consiste en una matriz de diagramas de Nyquist, uno por
elemento de G-1(j).
Ejemplo 35. Planta chapter 13 of [O'Reilly87]. Control va INA. Considerar la planta:
g
G( s ) 11
g 21
s4
g12 ( s 1)( s 5)
s 1
g 22
2
s 10s 100
1
5s 1
2
2 s 1
Usar el mtodo INA para calcular el controlador MIMO y verificar el comportamiento.

Solucin:
Los crculos de Gershgorin permiten ver el grado de dominancia diagonal alcanzado.

Los pre-compensadores diagonales preservan la dominancia diagonal por filas de los sistemas
inversos.
Puesto que se va a usar un pre-compensador diagonal, lo nico que podemos cambiar es la
dominancia por columnas (por eso usaremos fcgersh).

Pag. -169
Academia de Control
300
10
200
0
IMAG
IMAG
Dibujamos el INA, con los crculos en los elementos 11 y 22. Vemos que el sistema no es diagonal
dominante puesto que las bandas de Gershgorin engloban el origen.
100
0
-20
-100
-200
0
REAL
-30
-1
200
50
200
150
-50
0.5
100
50
-100
-150
-10
-0.5
REAL
IMAG
IMAG
-10
0
0
10
20
-50
-50
REAL
0
REAL
50
Diseo del pre-compensador de desacoplo (tal que Q-1 sea diagonal domninante, Q=GK)con ayuda
de los autovalores de Perron-Frobenius.
% Perron-Frobenius eigenvalues can be used to design a diagonal
%
-1
% precompensator K so that (GK)
will be diagonally dominant.
% First calculate the normalised comparison matrix of ifg
% (see Reference Manual entry for FPERRON):
Matriz de comparacin normalizada:

m=abs(iGw);
omega = fdiag(w,fdiag(w,m));
nc = fmulf(w,finv(w,omega),m);
Autovalores y autovectores de P-F:

[v,l,r] = fperron(w,nc);
La representacin de los autovalores de p_F en funcin de la frecuencia indica los mrgenes de

frecuencia sobre los que el sistema puede ser hecho diagonal dominante con ayudav de un
preciompensador diagonal. Ello es posible en las frecuencias donde la magnitud de los autovalores
de P-F es menor que 2 (6dB).

Pag. -170
Academia de Control
Autovalores de Perron-Frobenius
3.5
MAG dB
2.5
1.5
0.5
-2
10
-1
10
10
FREQUENCY
10
10
En nuestro caso el autovalor de P-F est por debajo de 6dB en las freqs representadas.
Diseo del controlador K diagonalizador: Miramos el autovector por la izqda.. Lo normalizamos
de forma que la 1 componente valga 1, y por tanto representamos la 2 componente en funcin de
la frecuencia:
Autovector 2 de Perron-Frobenius
20
15
MAG dB
10
-5
-10
-2
10
10
-1
10
FREQUENCY
10
10
Se disea un compensador de retardo de fase

Autovector 2 de Perron-Frobenius y compensador de retardo
20
15
MAG dB
10
-5
-10
-2
10
10
-1
10
FREQUENCY

Pag. -171
10
10
Academia de Control
Se ajusta bastante bien. El precompensador ser

K = diag( 1, kd/kn ),
Pero, como estamos trabajando con las respuestas inversas pre-multiplicaremos G-1 por
diag( 1, kn/kd ):
Y verificamos si el sistema resultante Q=GK es dd. Como estamos en INA, lo que representamos
es Q-1=K-1G-1. El sistema es dd puesto que las banda de gershgorin excluyen el origen:
Ampliacin:
50
10
0
REAL
-30
-1
100
-10
-20
-0.5
-10
0.5
100
-20
50
-20
IMAG
-40
10
-10
REAL
IMAG
IMAG
0
-10
-20
0
-50
-100
10
0
REAL
-30
-1
10
-0.5
0.5
REAL
10
IMAG
100
IMAG
IMAG
150
IMAG
200
20
IMAG
INA:
-40
5
0
-5
-60
-5
0
REAL
-50
-50
0
REAL
50
-60
-5
0
REAL
-4
-2
0
2
REAL
Anlisis de la estabilidad en lazo cerrado

La estabilidad en lazo cerrado de un sistema se puede analizar con ayuda del INA. Puesto que el
sistema es estable en lazo abierto, ser estable con retroaccin negativa de ganancia diagonal
D=diag(di) si la banda de Gershgorin asociada a los crculos del elemento i-simo del INA no tocan
el segmento del eje real negativo entre el origen y el punto di.
Los crculos de Ostrowski dan lugar a bandas ms estrechas, que se pueden usar para predecir el
comportamiento en lazo cerrado, y se usan de manera anloga al diagrama de Nyquist inverso
(whiteley) en los sistemas siso. Las funciones frost y fcost calculan los crculos de Ostrowski dada
una matriz de retroaccin diagonal.
% The Ostrowski bands for the (1,1) element of the INA of GK will
% be plotted for different feedback gains.
%
%
%
%
Plotting Ostrowski bands for the (1,1) element of the INA of GK

for different values of d. The feedback matrix, D = diag([d d]).
The gains in each loop may be different in general.
The Ostrowski bands become narrower with increasing feedback gain d.
Las bandas de ostrowski asociadas al elemento 11 del INA de Q para las ganancias d=1,5,10 y 50
(esto es matriz de ganancias [d 0;0 d] aunque el general las ganancias pueden ser diferentes para
cada lazo) son:

Pag. -172
Academia de Control
100
IMAG
100
50
0
-40
IMAG
d= 5
150
-20
0
REAL
d = 10
20
50
0
-40
40
150
150
100
100
IMAG
IMAG
d= 1
150
50
0
-40
-20
0
REAL
20
40
-20
0
REAL
d = 50
20
40
-20
0
REAL
20
40
50
0
-40
Notar que se estrechan a medida que aumenta la ganancia.
Respuesta temporal:
Response to demand on output 1
1
0.5
-0.5
0.5
1.5
Response to demand on output 2

0.8
0.6
0.4
0.2
0
0.5

Pag. -173
1.5
Academia de Control
3.4
Referencias
(Dutton, 1997) Dutton, K., The Art of Control Engineering, Chapter 10, Addison-Wesley, 1997
(Ford et al., 1990) Ford, M.P., Multivariable Frtequency Domain Toolbox for use in Matlab, GEC,
1990
(Rosenrock, 1974) H.H. Rosenbrock, Computer Aided Control System Design, Academic Press,
1974.
(MacFarlane and Kouvaritakis, 1977) A.G.J. MacFarlane and B. Kouvaritakis, A Design
Technique for Linear Multivariable Feedback Systems, Int. J. Control, 1977, 25 (6), pp. 837-874.
(Mayne, 1979) D.Q. Mayne, Sequential design of Linear Multivariable Systems, Proc. IEE, 1979,
126, pp.568-575.
(Owens, 1978) Owens, D.H., Feedback and Multivariable Systems, Peter Peregrinus, 1978
(Postlethwaite et al., 1981) Postlethwaite, I., Principal gains and principal phases in the analysis of
multivariable feedback systems, IEEE T-AC, 26.
(Maciejowski, 1989) J.M. Maciejowski, Multivariable Feedback Design, Addison-Wesley,
(OReilly, 1987)
Peregrinus, 1987.
J. OReilly (ed.),
Multivariable Control for Industrial Applications, Peter
(Patel and Munro, 1982)

(Edmunds and Kouvaritakis, 1979)
(Limebeer and Maciejowski, 85)

Pag. -174

Apuntes Curso Espacio de Estados

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apuntes Curso Espacio de Estados

Hochgeladen von

Copyright:

Verfügbare Formate

Instituto Politcnico Nacional

Escuela Superior de Ingeniera Mecnica y Elctrica

Tema 5. Control Moderno

Profesor: Omar Gibrahin Hernndez U.

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Control en el espacio de estado ............................................................................................................... 4

Tcnicas de control robusto................................................................................................................... 79

Control frecuencial de sistemas MIMO ............................................................................................. 110

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Control en el espacio de estado

Ejemplo 1. Pndulo invertido. Ecuaciones diferenciales. Obtener las ecuaciones diferenciales

Fig. 1. Pndulo invertido

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Ejemplo 2. Pndulo invertido. De ecuaciones diferenciales a funcin de transferencia. A

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Ejemplo 3. Pndulo invertido. De ecuaciones diferenciales a ecuaciones de estado. A partir de

x3 x , x4 x , y como variables de salida a y x.

La segunda ecuacin del enunciado queda como

ml x 2 mlx 4 mglx1 o, lo que es lo mismo, x 4 gx1 lx 2 . Sustituyendo sta en la primera

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Conversin de FT a EE. Polos y autovalores

>> a=[0 1;-10 -0.5];b=[0;1];c=[1 0];d=0;

Esquema de bloques de la realizacin de estado

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Puesto que H ( s ) C( sI A ) 1 B D , si suponemos D=0 (que es lo ms habitual,

Ejemplo 4. Pndulo invertido. Polinomio caracterstico y autovalores. Considerar de nuevo el

Conversin de EE a FT. Formas cannicas

Vamos a ver las formas cannicas ms comunes:

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Forma companion controlable (FCC)

Fig. 3. Forma cannica controlable

Forma companion controlable (FCC) de Matlab

Fig. 4. Forma cannica controlable (matlab)

Forma companion observable (FCO)

transposicin de las matrices de la FCC ( A FCO A TFCC , b FCO c tFCC

Fig. 5. Forma cannica observable

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Forma cannica diagonal (FCD)

Fig. 6. Forma cannica diagonal

Forma cannica en cascada

Fig. 7. Forma cannica serie

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Ab A n 1 b , siendo n el nmero de estados.

Conversin a forma cannica observable

La matriz que realiza la transformacin es T WM o , siendo M o la matriz de observabilidad y

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Ejemplo 5. Realizaciones de una H(s). Formas cannicas. Dada la funcin de transferencia

1) Obtener su realizacin en Forma Companion Controlable (FCC) (versin Matlab). (Matlab:

2) Obtener su realizacin en Forma Companion Controlable (FCC) (versin teora). (Matlab:

3) Obtener su realizacin en Forma Companion Controlable (FCC) a partir de la trasformacin de

Elabor: Ing. Omar Gibrahin Hernndez Uribe

4) Obtener su realizacin en Forma Companion Observable (FCO) a partir de la trasformacin de

5) Obtener su forma cannica en cascada

6) Obtener su forma cannica diagonal

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Ejemplo 6. Forma cannica diagonal y de Kalman. Dado el sistema con:

Elabor: Ing. Omar Gibrahin Hernndez Uribe

2) Convertir las matrices A, B y C a la Forma Cannica Diagonal (Nota: Calcularla a travs de la

3) Obtener la Forma Cannica Controlable de Kalman (FCCK), separando el subsistema controlable

no hagan singular la matriz T. La funcin ctrbf de matlab da como resultado A

Elabor: Ing. Omar Gibrahin Hernndez Uribe

Solucin de ecuaciones de estado. Respuestas zero input y zero state

Por Laplace. Matriz resolvente y matriz de transicin