Professional Documents
Culture Documents
DE SISTEMAS
MULTIVARIABLES
Ing. Jairo J. Espinosa
M.Sc. Ph.D.
2 J. Espinosa
1.1 Introducción
Ejemplo 1.1
Un ejemplo sencillo de un sistema multivariable es una ducha de agua caliente, en una
ducha de agua caliente se desea controlar al mismo tiempo la temperatura y el caudal
del agua, a través de la manipulación de las válvulas que regulan el caudal de agua
fría y caliente y sin importar las perturbaciones generadas por los cambios de presión
en el agua, o las temperaturas originales de los flujos caliente y frío.
1
MIMO - De la sigla en inglés Multiple Input Multiple Output – Multiple entrada Multiple salida
2
SISO- De la sigla en inglés Single Input Single Output – Una entrada una salida
6 J. Espinosa
A este sistema tipo de sistemas se les conoce como sistemas MIMO de 2 x 2 ( dos
entradas, dos salidas)■
Este libro está enfocado al estudio y desarrollo de técnicas de control lineal aplicables
a sistemas multivariables. Este primer capítulo se enfoca al estudio y descripción de
sistemas multivariables. Incluye conceptos importantes, como la descripción de
sistemas en espacio de estado y función de transferencia, función de transferencia
multivariable, controlabilidad y observabilidad.
Los modelos dinámicos de muchos sistemas físicos son descritos por ecuaciones
diferenciales ordinarias o parciales . Como ecuaciones diferenciales ordinarias se
entienden aquellas en las que el tiempo t es la única variable independiente. Las
ecuaciones diferenciales parciales tienen como variable independiente no solo a t sino
que también tienen derivadas con respecto a las coordenadas espaciales. Si se
construye un modelo únicamente con ecuaciones diferenciales ordinarias, este
modelo será una aproximación, ya que las variables son independientes del estado
puntual del sistema.
En nuestro caso son centraremos en los sistemas dinámicos descritos por ecuaciones
diferenciales ordinarias de la forma:
.
x = f ( x, u ), x(t o ) = xo (1.1)
y = g ( x, u )
(1.2)
donde x (t ) ∈ℜ es el estado del sistema, x (t o ) son las condiciones iniciales del
n
3
RGA-Relative Gain Array
4
LQR – Linear Quadratic Regulator
5
LQG – Linear Quadratic Gaussian regulator
Sistemas Multivariables 7
En este texto, nuestro análisis se verá restringido a los sistemas dinámicos lineales.
Para obtener una representación lineal del sistema descrito por las ecuaciones (1.1) y
(1.2) se puede aproximar las funciones f(.,.) y g(.,.) alrededor del punto de operación
u*, x* usando series de Taylor de la siguiente forma:
. ∂f ∂f (1.3)
x ≈ f (x* , u * ) + (x − x* ) + (u − u * ), x(t o ) = xo
∂x x*u * ∂u x*u *
∂g ∂g
y ≈ g (x* , u * ) + (x − x* ) + (u − u * ) (1.4)
∂x x*u * ∂u x*u *
Nota para el lector: A partir de este punto en el texto y para simplificar la notación, las
variables de desviación serán reemplazadas de la siguiente manera:
x = δx , y = δy y u = δu
.
u(t) x(t) x(t) y(t)
B + C +
A
(a)
∆
uk xk+1 xk yk
B + C +
A
(b)
Figura 1.1: Diagramas de bloques de la representación de estado. (a) Continuo (b)
Discreto.
Y ( s) = G ( s)U ( s)
donde U(s) y Y(s) son las trasformadas de Laplace de u(t) y y(t) , asumiendo unas
condiciones iniciales iguales a cero (x(0)=0).
G(s) se obtiene a partir de,
G ( s) = C ( sI − A) −1 B + D
.
⎡x ⎤ ⎡ A B ⎤⎡x⎤
⎢ y ⎥ = ⎢C D ⎥ ⎢u ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦
Y ( z) = G ( z)U ( z)
donde U(z) y Y(z) son las trasformadas zeta de uk y yk con condiciones iniciales
(x0=0).
G(z) se obtiene a partir de,
G ( z) = C ( zI − A) −1 B + D
Las ecuaciones (1.7) y (1.8) también pueden ser escritas en forma matricial:
⎡ xk + 1 ⎤ ⎡ A B ⎤ ⎡ x k ⎤
⎢ y ⎥ = ⎢C D ⎥ ⎢u ⎥
⎣ k ⎦ ⎣ ⎦⎣ k ⎦
Dadas la condición inicial x(t0) y la entrada u(t), la respuesta dinámica del sistema
para t ≥ t 0 puede ser calculada a partir de:
t (1.9)
x (t ) = e A ( t − t o ) x (t0 ) + ∫ e A ( t − τ ) Bu(τ )dτ
t0
y (t ) = Cx (t ) + Du(t ) (1.10)
x ( t ) = e A ( t − t1 ) x ( t1 )
g (t ) = Ce At B, ∀t ≥ 0
k −1
xk = A k x0 + ∑ Ai Buk −1− i (1.11)
i =0
yk = Cxk + Duk
(1.12)
En caso de que uk = 0, ∀k ≥ 0 ,
x k = A k x0
Se definen como ceros del sistema aquellos valores que anula el numerador de la
función de transferencia (raíces del polinomio num(s)). Se dice entonces que un cero
es un valor s = zi tal que:
G ( zi ) = 0
De otro lado los polos del sistema G(s) son las raíces del denominador o las
soluciones de la ecuación den( s ) = 0 . Los polos son lo valores s = pi de manera que
Sistemas Multivariables 11
G ( pi ) = ∞
Para una representación mínima los polos son la solución de la ecuación
característica
det( sI − A) = 0
(1.13)
esta ecuación define a su vez los valores propios de la matriz A. Los polos son de
hecho los valores propios de la matriz de estados del sistema.
De otra manera se puede decir que los ceros multivariables son los valores de s=z de
manera que:
⎡ A − zI B⎤ (1.15)
rank ⎢ < min(n y , nu )
⎣ C D ⎥⎦
Esta condición lo que indica es que la salida será cero para una entrada diferente de
cero
Y ( s ) = 0 = G ( s )U ( s )
sY ( s ) = AX ( s ) + BU ( s )
Y ( s ) = 0 = CX ( s ) + DU ( s )
⎡ sI − A M B ⎤ ⎡ X ( s) ⎤ ⎡ 0 ⎤ (1.16)
⎢ L L⎥⎥ ⎢⎢ L ⎥⎥ = ⎢⎢L⎥⎥
⎢
⎢⎣ C M D ⎥⎦ ⎢⎣U ( s ) ⎥⎦ ⎢⎣ 0 ⎥⎦
12 J. Espinosa
1.4.1 Controlabilidad
[
C = B AB ... An −1 B ] (1.17)
xk + 1 = Axk + Buk
Entonces
x k +1 = A k +1 x 0 + A k Bu 0 + ... + Bu k
operando y presentando en forma matricial,
⎡ uk ⎤
⎢u ⎥
k +1
[
xk +1 − A x0 = B AB ... A B ⎢ .. ⎥
k k −1
⎢ . ⎥
]
⎢u ⎥
⎣ 0 ⎦
Obsérvese, que para k ≥ n − 1 :
[ ] [
rango B AB ... A k B = rango B AB ... An −1 B ]
(Ver: Teorema de Cayley-Hamilton)
Obsérvese, que solo será posible calcular un vector de entradas
Sistemas Multivariables 13
⎡ uk ⎤
⎢u ⎥
.. 1 ⎥
⎢ k−
⎢ . ⎥
⎢u ⎥
⎣ 0 ⎦
1.4.2 Observabilidad
⎡ C ⎤
⎢ CA ⎥
O = ⎢ .. ⎥ (1.18)
⎢ . ⎥
⎢ n −1 ⎥
⎣CA ⎦
Para ilustrar esta idea, se tomará el sistema autónomo (sin entrada) definido por:
xk +1 = Axk
yk = Cxk
yk = CA k x0
⎡ y0 ⎤ ⎡ C ⎤
⎢ y ⎥ ⎢ CA ⎥
⎢ .1 ⎥ = ⎢ . ⎥ x
⎢ .. ⎥ ⎢ . ⎥ 0
⎢ ⎥ ⎢ k⎥
⎣ yk ⎦ ⎣CA ⎦
⎡ C ⎤ ⎡ C ⎤
⎢ CA ⎥ ⎢ CA ⎥
rango ⎢ ⎥ = rango ⎢ ⎥
⎢ ... ⎥ ⎢ ... ⎥
⎢ k⎥ ⎢ n −1 ⎥
⎣CA ⎦ ⎣CA ⎦
Obsérvese que siempre que el rango( ) = n será posible calcular el valor de x0 a partir
de las salidas observadas.
Las matrices controlabilidad para sistemas continuos y discretos son iguales.
A T q = qλ
BT q = 0
Si existe un vector propio q y un valor propio λ tal que q es perpendicular a B se
puede decir que el modo correspondiente al valor propio λ es no controlable. En caso
contrario se dice que el modo es controlable. Por ejemplo (tomado de [3]):
⎡* ⎤ ⎡*⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎢ λi ⎥, B = ⎢0⎥, ⇒ q = ⎢1⎥
⎢⎣ *⎥⎦ ⎢⎣*⎥⎦ ⎢⎣0⎥⎦
.
El sistema (A, B) tiene un modo no controlable xi = λi xi .
Prueba:
Ap = pλ
Cp = 0
Si existe un vector propio p y un valor propio λ tal que p es perpendicular a C se
puede decir que el modo correspondiente al valor propio λ no es observable. En caso
contrario se dice que el modo es observable. Por ejemplo:
⎡* ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥
A = ⎢ λi ⎥, [ ]
C = * 0 * , ⇒ p = ⎢1⎥
⎢⎣ *⎥⎦ ⎢⎣0⎥⎦
.
El sistema (A, C) tiene un modo no observable xi = λi xi .
Prueba: (ver prueba de controlabilidad)
1.5.1 Estabilidad
.
Un sistema dinámico autónomo x = Ax es estable sí y solo sí la parte real de todos
los valores propios de A son menores que cero (están ubicados en la parte izquierda
del plano complejo), p.e., Reλ(A)<0.
Para el caso discreto, se dice que un sistema dinámico autónomo xk + 1 = Axk es
estable sí todos los valores propios de A están ubicados dentro del circulo unitario en
el plano complejo, p.e., |λ(A)|<1.
Una matriz A con esta propiedad se dice que es estable o Hurwitz.
Es importante recordar que los valores propios de A son las raíces de la expresión,
det( λI − A) =0
adj( sI − A)
G ( s) = C ( sI − A) −1 B + D = C B+D
det( sI − A)
se puede observar que los polos de la matriz de transferencia son los valores propios
de A.
1.5.2 Estabilizabilidad
16 J. Espinosa
Un sistema con matrices (A,B) se dice estabilizable, si sus modos no controlables son
estables. Esta propiedad garantiza que cuando se aplique un sistema de control al
sistema, las variables que no sean controlables no crecerán a límites que pongan en
peligro la operación o la integridad del sistema.
1.5.3 Detectabilidad
Un sistema con matrices (A,C) se dice detectable, si sus modos inestables son
observables. Esta propiedad garantiza que se puede construir estimadores de estado
estables.
Ejemplo:
Dado el sistema dinámico discreto,
xk +1 = Axk + Buk
yk = Cxk + Duk
⎡2 0 0 0 2 ⎤
⎢0 − 0.3 0.4 0 4 ⎥
⎡ A B⎤ ⎢ ⎥
⎢C D ⎥ = ⎢0 − 0.4 − 0.3 0 − 2⎥
⎣ ⎦ ⎢0 0 0 3 4 ⎥
⎥
⎢
⎢⎣0 2 3 5 2 ⎥⎦
Nota: para verificación del anterior ejemplo utilice las pruebas PBH de controlabilidad y
observabilidad.
x = T −1 x
Sistemas Multivariables 17
.
x = T −1 AT x + T −1 Bu (1.19)
y = CT x + Du
G ( s ) = C ( sI − A) −1 B + D = CT ( sI − T −1 AT ) −1 T −1 B + D.
r1 r2 r3 r4
r1 ⎛ Aco 0 A13 0 ⎞
−1
⎜ ⎟
T AT = r2 ⎜ A21 Aco A23 A24 ⎟
r3 ⎜ 0 0 Ac o 0 ⎟
⎜ ⎟
⎜ 0 0 A43 Ac o ⎟⎠
r4 ⎝
m (1.20)
r1 ⎛ Bco ⎞ r1 r2 r3 r4
⎜ ⎟
−1
T B = r2 ⎜ Bco ⎟ ,CT = p (Cco 0 Cc o 0)
r3 ⎜ 0 ⎟
⎜ ⎟
⎜ 0 ⎟
r4 ⎝ ⎠
r1 = rango(OC), r2 = rango(C) − r1 ,
r3 = rango(O) − r1 , r4 = n − r1 − r2 − r3 .
El subsistema
⎡⎛ Aco 0 ⎞ ⎛ Bco ⎞ ⎤
⎢⎜ ⎟ , ⎜ ⎟ , (C 0), D⎥
⎣⎝ A21 Aco ⎠ ⎝ Bco ⎠ co ⎦
es controlable. El subsistema
[A co , 0, 0, D ]
no es controlable, no observable.
Para explicar un poco mejor la función de los distintos bloques observe el siguiente
sistema dinámico [A,B,C,D] transformado a través de la descomposición de Kalman
en:
.
⎡ xco ⎤ ⎡ Aco 0 0 ⎤ ⎡ xco ⎤ ⎡ Bco ⎤
0
⎢ x. ⎥ ⎢ 0 Aco 0
⎥ ⎢ ⎥
0 ⎥ ⎢⎢ xco ⎥⎥ ⎢ Bco ⎥
⎢ .co ⎥=⎢ + u
⎢ xco ⎥ ⎢ 0 0 Aco 0 ⎥ ⎢ xco ⎥ ⎢ Bco ⎥
⎢. ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ xco ⎦ ⎣ 0 0 0 Aco ⎦ ⎣ xco ⎦ ⎣ Bco ⎦
⎡ xco ⎤
⎢x ⎥
y = [Cco 0 Cco 0]⎢ ⎥
co
⎢ xco ⎥
⎢ ⎥
⎣ xco ⎦
⎥
⎢ xco (t ) ⎥ ⎢ ⎥
⎢ ⎥ ⎢ e Aco t
x ( 0 )
⎥
co
⎣ xco (t ) ⎦ e Ac o t xco (0)
⎣ ⎦
Observe, que xc o (t ) y xc o ( t ) no son alterados por la entrada u, estos son los estados
no controlables, en tanto que xco ( t ) y xc o ( t ) no tienen influencia en la salida y, estos
son los estados no observables. Si asumimos x( 0) = 0 la salida queda reducida a:
Cont rolable
Obser vable
+
Cont rolable
No
Obser vable
No
Cont rolable
Obser vable
No
Cont rolable
No
Obser vable
Figura 1.2 Descomposición canónica de Kalman
La descomposición canónica de Kalman es aplicable a sistemas discretos sin ninguna
modificación.
Una realización mínima es aquella que tiene la matriz A de menor tamaño para todas
las tripletas [A,B,C] que satisfacen:
G( s) = C( sI − A) −1 B + D
⎡ A b⎤ p×n
G( s ) = ⎢ ⎥, b ∈ℜ , C ∈ℜ , d ∈ℜ
n p
⎣ C d ⎦
⎡− a1 − a2 ... − an −1 − an ⎤ ⎡1⎤
⎢ 1 0 ... 0 0 ⎥ ⎢0⎥
⎢ ⎥ ⎢. ⎥
A1 = ⎢ 0 1 ... 0 0 ⎥, b1 = ⎢ .. ⎥,
⎢ ... ..
.
..
.
.. ⎥
. ⎥ ⎢0⎥
⎢ ⎢ ⎥ (1.21)
⎢⎣ 0 0 ... 1 0 ⎥⎦ ⎢⎣ 0 ⎥⎦
C1 = [ β 1 β 2 ... β n −1 β n ], d1 = d
donde
−1 β 1s n −1 + β 2 s n − 2 + ... + β n −1s + β n
G(s) = C(sI − A) b + d = + d,
s n + a1s n −1 + ... + an −1s + an
−1
⎡ A b ⎤ ⎡Tc ATc Tc b ⎤ ⎡ A1 b1 ⎤
G( s ) = ⎢ = ⎢ ⎥=
⎥
⎣C d ⎦ ⎣ CTc
−1
d ⎦ ⎢⎣C1 d1 ⎥⎦
Tc = C1C-1
C = [b Ab ... A n −1b]
[
C1 = b1 A1b1 ... ]
A1 n −1b1 .
Es importante comentar que esta forma canónica es apropiada para análisis y cálculos
manuales, pero en algunos casos puede generar problemas de condicionamiento
numérico en cálculos computacionales [9].
⎡ A B⎤
G( s ) = ⎢ ⎥, B ∈ℜ n × m , c T ∈ℜ n , d T ∈ℜ m
⎣c d⎦
⎡ − a1 1 0 ...
0⎤ ⎡ η1 ⎤
⎢ −a 0 1 ...
0 ⎥ ⎢η ⎥
⎢ .2 .. .. .. ⎥ ⎢ .2 ⎥
A1 = ⎢ .. . . . ⎥, B1 = ⎢ .. ⎥,
⎢− a 0 0 ... 1 ⎥⎥ ⎢η ⎥
⎢ n −1 ⎢ n −1 ⎥ (1.22)
⎢⎣ − an 0 0 ... 0 ⎥⎦ ⎢⎣ η n ⎥⎦
C1 = [ 1 0 0 ... 0], d1 = d
donde
−1
⎡ A B⎤ ⎡To ATo To b⎤ ⎡ A1 B1 ⎤
G( s ) = ⎢ =⎢ ⎥=
⎥
⎣ c d ⎦ ⎣ cTo
−1
d ⎦ ⎢⎣ c1 d1 ⎥⎦
To = O1 −1O
⎡ c ⎤ ⎡ c1 ⎤
⎢ cA ⎥ ⎢ c A ⎥
O = ⎢ .. ⎥, O1 = ⎢ .. ⎥.
1 1
⎢ . ⎥ ⎢ . ⎥
⎢ n −1 ⎥ ⎢ n −1 ⎥
⎣cA ⎦ ⎣c1 A1 ⎦
Es importante, tener en cuenta, que esta forma canónica es apropiada para análisis y
cálculos manuales, pero sus propiedades desde el punto de vista numérico son pobres
y pueden generar errores de cálculo[9].
p.e. cc=[ 9 2 1 4 5 3 2 0]
22 J. Espinosa
⎡− cc(1) − 1 0 0 0 ⎤
⎢ 0 − cc(2) − 2 cc(3) + 1 0 ⎥
A= ⎢ ⎥
⎢ 0 − cc(3) − 1 − cc(2) − 2 0 ⎥
⎢ ⎥
⎣ 0 0 0 − cc(4) − 3⎦
⎡cc(5) + 1 0 0 ⎤
⎢ 0 cc(6) + 1 0 ⎥⎥
B= ⎢
⎢ 0 cc(5) + cc(6) + 1 cc(7) + 1⎥
⎢ ⎥
⎣ 0 0 0 ⎦
⎡0 0 cc(1) + 1 0 ⎤
C=⎢
⎣0 0 0 cc(8) + 1⎥⎦
⎡0 0 0 ⎤
D=⎢ ⎥
⎣0 0 0 ⎦
6- Para cada una de las entradas genere una matriz de transformación T que permita
obtener la representación canónica controlable.
7- Para cada una de las salidas genere una matriz de transformación T que permita
obtener la representación canónica observable.
Ejercicios teóricos.
3- Encuentre las condiciones que debe tener el vector fila c tal que [c,A2]sea siempre
observable.
Sistemas Multivariables 23
⎡λ 1 0 ⎤
A2 = ⎢⎢ 0 λ 1 ⎥⎥
⎢⎣ 0 0 λ ⎥⎦
Capítulo 2 Control Desacoplado
2.1 Introducción
Este capítulo ha sido dividido en las siguientes secciones, la primera sección muestra
la importancia de las interacciones entre los distintos lazos de control, la segunda
sección nos presenta una poderosa herramienta para el análisis de las interacciones la
matriz de ganancias relativas y finalmente la tercera sección muestra el diseño de
desacopladores como herramienta de síntesis de controladores.
u1 G11 y1
G12
G21
u2 G22 y2
Ya que los sistemas son de primer orden el sistema será estable para cualquier valor
de ganancia en el controlador.
Ahora suponga que los dos lazos están interactuando ( G12 , G21 ≠ 0 ), entonces
obtendremos una única ecuación característica del sistema, de la forma:
El problema de interacción entre lazos puede ser aliviado a través de una selección
adecuada de pares de variables manipuladas y controladas. Para un sistema de 2x2 el
problema es relativamente simple. Si el sistema en el cual la variable u1 controla la
variable y1 y la variable u2 controla la variable y2 no presenta un desempeño
adecuado, entonces el sistema se deberá organizar de forma que u1 controle y2 y u2
controle y1.
Sin embargo sistemas más grandes serán mucho más complejos, al punto que un
sistema de NxN tiene N! (N factorial) posibles combinaciones. Es por ello que es
importante evaluar de manera cuantitativa el grado de interacción entre los distintos
lazos de control. Esta información se puede utilizar para diseñar un sistema con
mínimas interacciones. Esa herramienta cuantitativa existe y se conoce con el nombre
de Matriz de Ganancias Relativas (Relative Gain Array-RGA).
Control Desacoplado 27
A pesar de que las ganancias anteriores fueron obtenidas entre la misma entrada y
salida esta puede presentar valores distintos ya que ha sido obtenida bajo distintas
condiciones. Si existe interacción con otros lazos estas dos ganancias serán distintas.
El cociente,
K11 u 2.2
λ11 = 2
K11 y
2
K12 y2
(∆y1 ∆u 2 ) y
2
K 21 y1
(∆y 2 ∆u1 ) y
1
K 22 (∆y 2 ∆u 2 ) u 2.5
λ22 = =
u2 2
K 22 y2
(∆y 2 ∆u 2 ) y
2
28 J. Espinosa
⎡λ λ12 ⎤
Λ = ⎢ 11 ⎥
⎣λ21 λ22 ⎦
De manera general para un sistema de N entradas y N salidas, existen (NxN)
elementos de ganancia relativa entre la salida yi y la entrada u j esos elementos están
dados por la expresión:
K ij (∆yi ∆u j ) u 2.6
λij = u
=
K ij (∆yi ∆u j )
y y
∑λ
i =1
ij = 1, j = 1, 2, …, N
∑λ
j =1
ij = 1, i = 1, 2,…, N
Eso implica que para un sistema de (2x2) solo un elemento deberá ser calculado ( λ11 )
λ12 = 1 − λ11 λ21 = λ12 λ22 = λ11
de la misma manera en un sistema de NxN solo (N-1)*(N-1) elementos deberán ser
calculados.
Una vez construida la Matriz de Ganancias Relativas se lleva a cabo el análisis que
permite la selección de los pares variable manipulada-variable controlada. Las
siguientes situaciones se pueden presentar:
a) Si λij = 0 , implica que no existe relación entre la variable manipulada j y la
variable controlada i por lo cual para controlar la variable controlada i se
necesitará usar otra variable manipulada.
b) Si λij = 1 , implica que no hay interacción con otros lazos y por ende el
controlador podrá ser diseñado sin tener en cuenta los otros lazos
c) Si 0 < λij < 1 , implica que los otros lazos forman un lazo de realimentación
negativa en paralelo con el lazo principal. Esto implica un aumento de la
ganancia en estado estable del sistema por lo cual la ganancia del controlador se
deberá reducir y ajustes en las acciones proporcional e integral.
d) Si λij < 0 , significa que el numerador y el denominador tienen distinto signo lo
cual implica que cuando se cierran los otros lazos de control el sistema se verá
sometido a realimentación positiva lo cual generara inestabilidad, en la práctica
esto significa una dificultad muy grande para realizar un controlador distribuido.
e) Si λij > 1 , significa que la interacción de los otros lazos reduce el efecto de las
acciones de control aplicadas al par ij. Entre más grande sea este valor mayor será
la inhibición de la acción de la variable manipulada j sobre la variable controlada
i.
Ejemplo
AC
X
m1
FC
Analizador
m2
F = m1 + m2 2.8
m1 2.9
x=
m1 + m2
Primero calculamos la ganancia m1-F cuando el lazo m2-x esta abierto. Derivando la
ecuación (2.8):
2.10
∂F
=1
∂m1 m
2
∂m2
Despejando el término de la ecuación (2.12) y reemplazándolo en la ecuación
∂m1 x
(2.11)
Control Desacoplado 31
2.13
∂F 1
=
∂m1 x x
La ganancia relativa para el par m1-F será:
2.14
∂F
∂m1 m
λm1− F = 1
=x
∂F
∂m1 x
Observe que hasta este instante solo se habían hecho análisis para valores de ω = 0 ,
sin embargo la expresión (2.16) nos muestra que dicho análisis puede ser extendido a
cualquier frecuencia por lo general este análisis solo tiene sentido hacerlo a la
frecuencia 0 y a la frecuencia de corte ( ω c ) esperada para el sistema.
Ejemplo 2-1
⎡Y1 ( s ) ⎤ ⎡U1 ( s ) ⎤
⎢Y ( s )⎥ = G ( s ) ⎢U ( s )⎥
⎢ 2 ⎥ ⎢ 2 ⎥
⎢⎣Y3 ( s ) ⎥⎦ ⎢⎣U 3 ( s ) ⎥⎦
donde
⎡ 4.05e − 27 s 1.77e− 28s 5.88e − 27 s ⎤
⎢ ⎥
⎢ 50 s + 1 60 s + 1 50 s + 1 ⎥
⎢ 5.39e − 18s 5.72e − 14 s 6.90e − 15s ⎥
G(s) = ⎢ ⎥
⎢ 50 s + 1 60 s + 1 40 s + 1 ⎥
⎢ 4.38e − 20 s 4.42e − 22 s 7.20 ⎥
⎢ ⎥
⎢⎣ 33s + 1 44 s + 1 19 s + 1 ⎥
⎦
asumiendo un ancho de banda 1/50 rad/s, para el análisis usaremos únicamente las
variables manipuladas ligadas a la composición el análisis nos dará los siguientes
resultados:
~ ⎡ 0.3203 − 0.5946 1.2744 ⎤
RGA(G (0)) = ⎢ ⎥
⎣− 0.017 1.5733 − 0.5563⎦
y
~ ⎡ 0.4792 − 0.3558 j − 0.6325 − 0.0158 j 1.1532 + 0.3716 j ⎤
RGA(G ( j / 50)) = ⎢ ⎥
⎣− 0.1256 + 0.3558 j 1.5763 + 0.0158 j − 0.4507 − 0.3716 j ⎦
Para hacer el análisis de cual variable deberá controlar y1 , para ello debemos mirar la
primera fila de las matrices RGA, de ellas es posible deducir que la variable
manipulada u2 deberá ser evitada ya que tiene signo negativo. Es claro que para las
dos frecuencias la entrada u3 es la mejor elección para controlar y1 . De manera
similar podemos decir que la mejor elección para controlar y2 es la entrada u2 . La
composición de la cabeza será controlada a través de la referencia de la temperatura
del plato inferior, la composición del compuesto será controlada a través del flujo de
dicho compuesto.
w1 u1 u1*
C1 D11 G11
y1
D12 G12
D21 G21
y2
C2 D22 G22
u2 u2*
w2
D ESAC O PLAD O R P L A N TA
U * ( s ) = D( s )U ( s ) 2.18
U ( s ) = C ( s )(W ( s ) − Y ( s )) 2.19
Resolviendo
Y ( s ) = G ( s ) D ( s )U ( s ) = G ( s ) D ( s )C ( s )(W ( s ) − Y ( s )) 2.20
adj (G ( s )) 2.23
G ( s ) −1 =
det(G ( s ))
Donde adj(G(s)) y det(G(s)) denota la adjuntan respectivamente la adjunta y el
determinante de G(s) y para el sistema presente nos da:
⎡ G (s) − G12 ( s ) ⎤
adj ( G ( s )) = ⎢ 22
⎣ − G 21 ( s ) G11 ( s ) ⎥⎦
entonces el desacoplador tendrá la forma:
2.24
⎡ G22 ( s ) x1 ( s ) − G12 ( s ) x2 ( s )⎤
⎢− G ( s) x ( s) G ( s ) x ( s) ⎥
D( s) = G ( s) X ( s) = ⎣ 21
−1 1 11 2 ⎦
det(G ( s ))
2.26
⎡ G12G21 ⎤
⎢G11 ( s ) − G 0 ⎥
G ( s) D( s) = ⎢ 22
⎥
⎢ G21G12 ⎥
0 G22 ( s ) −
⎢⎣ G11 ⎥⎦
Las acciones aplicadas por el desacoplador son similares a una acción de tipo
feedforward y por ello se encontrarán el mismo tipo de dificultades a la hora de
implementar dichos controladores. El uso de los desacopladores esta restringido a la
planta lineal, esto debido a que se utiliza un mecanismo de cancelación. Un cambio de
punto de operación en una planta lineal causara que la cancelación no sea eficaz. El
hecho de ser un mecanismo de cancelación restringe la aplicabilidad del método ya
que no podrá ser aplicado con plantas que tienen ceros de fase no mínima ya que la
cancelación generara polos inestables. Errores en el modelo también pueden causar
problemas.
Control Desacoplado 35
Ejemplo 2-2
En este ejemplo se utilizara el modelo de la columna de destilación presentado en el
Ejemplo 2-1. Tomando únicamente las entradas [u3 , u2 ]T hasta la salidas [ y1 , y2 ]T la
función de transferencia es:
⎡ 5.88e −27 s 1.77e −28 s ⎤
⎢ 60s + 1 ⎥⎥
G ( s ) = ⎢ 50s +−151s
⎢ 6.90e 5.72e −14 s ⎥
⎢⎣ 40s + 1 60s + 1 ⎥⎦
⎡ 50 s + 1 ⎤
⎢ 300 s 0 ⎥
C ( s) = ⎢
60s + 1⎥
⎢ 0 ⎥
⎣ 300 s ⎦
Tomando únicamente la ganancia G(0)
⎡5.88 1.77 ⎤
G (s ) = ⎢ ⎥
⎣6.90 5.72⎦
El desacoplador diseñado con esta estrategia será:
⎡ 1 − 0.3010⎤
D(0) = ⎢ ⎥
⎣− 1.2063 1 ⎦
La siguiente grafica compara las respuestas de los dos sistemas, observe la apreciable
reducción del impacto causado por la interacción entre los lazos del sistema.
Senhales de Salida para el sistema interactivo Senhales de Salida para el sistema desacoplado
1.4 1.2
--Y1 -- Y1
Y2 Y2
1.2 1
1 0.8
Cambio en Setpoint de Y2
0.4 0.2
0.2 0
0 -0.2
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600
(a) (b)
Senhales de entrada para el sistema interactivo Senhales de entrada para el sistema desacoplado
0.3 0.3
-- U3 -- U3
U2 U2
0.2 0.2
Cambio en Setpoint de Y2
0.1 Cambio en Setpoint de Y2
0.1
Cambio en Setpoint de Y1
0 0
Cambio en Setpoint de Y1
-0.1 -0.1
-0.2 -0.2
-0.3
-0.3
-0.4
-0.4 0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
(c) (d)
Figura 2.5 Comparación del sistema de control para la columna de destilación (a) Salidas sin
desacoplador (b) Salidas con desacoplador (c) Entradas sin Desacoplador (d) Entradas con
desacoplador
Los pasos de diseño usando las técnicas presentadas en este capítulo se pueden
resumir así:
a) Haga un análisis de ganancia relativa que permita encontrar los pares de
entrada y salida que reducen las interacciones.
b) Diseñe un sistema de control distribuido, y evalúe el desempeño observando el
impacto de las interacciones.
c) Si el desempeño de este sistema no es el adecuado debido a las interacciones
con otros lazos diseñe una red de desacople.
Las salidas
Y1- Es la presión en la caldera
Y2- %de oxigeno en los gases de salida
Y3 Nivel de agua
Y4 Flujo de vapor
3.1 Introducción
Una de las características que hacen atractiva la representación de estado es que la
síntesis del controlador se puede llevar a cabo en dos etapas, la primera asume la
posibilidad de medir todos los estados y realimentarlos a la entrada (que en la práctica
resulta costoso por el número de sensores) y la segunda etapa que involucra el diseño
de un estimador u observador de estado que permite estimar el valor presente de los
estados a partir de un número reducido de mediciones, haciendo viable la
implementación de la ley de control basada en los estados.
.
x = ( A − BK ) x + Bv (3.1)
y = (C − DK ) x + Dv.
v
B 1/s C
-
A
El sistema será gobernado por la matriz (A-BK) y los valores propios de esta matriz
serán los polos del sistema en lazo cerrado.
α c ( s) = s n + α 1s n −1 +...+α n
con coeficientes reales y dadas las matrices (A,B) es posible encontrar al menos una
matriz K ∈ℜ m × n tal que det(sI − ( A − BK )) = α c (s) ? La respuesta es siempre que el
par (A,B) sea controlable es posible encontrar una matriz K tal que
det(sI − ( A − BK )) = α c (s) (ver prueba [7]).
det( sI − ( A − BK )) = ( s − s1 )( s − s2 )...( s − sn )
donde s1, s2,..,sn son las raíces del polinomio αc(s) y son los polos deseados en lazo
cerrado.
Los valores de la matriz K pueden ser calculados igualando términos a ambos lados de
la ecuación.
Sin embargo, este método se vuelve tedioso para sistemas de orden superior a 3.
Si tomamos las matrices del sistema Ac, Bc en la forma canónica controlable entonces:
Métodos de Asignación de Polos 41
⎡ − a1 − K1 − a2 − K2 ... ... − an − Kn ⎤
⎢ 1 0 ... ... 0 ⎥
⎢ ... ... ... .. ⎥
Ac − Bc K = ⎢ 0 . ⎥
⎢ .. ... ... ... .. ⎥
⎢ . . ⎥
⎢⎣ 0 ... 0 1 0 ⎥⎦
det( sI − ( Ac − Bc K )) = s n + ( a1 + K1 )s n −1 + ( a2 + K2 )s n −1 + ... + ( an + Kn )
Ya que el polinomio característico deseado tiene la forma:
α c ( s) = s n + α 1s n −1 +...+α n = ( s − s1 )( s − s2 ) ... ( s − sn )
K1 = a1 − α 1 , K2 = a2 − α 2 ,..., Kn = an − α n
α c ( A) = An + α 1 An −1 + α 2 An − 2 +...+α n I
con valores propios: α 1 ± jβ1 ,..., λ1 ,... que son los polos deseados para el sistema en
lazo cerrado.
Recuérdese que para un par controlable (A, B), existe una transformación de
similaridad X tal que:
X −1 ( A − BK ) X = Λ ⇒ AX − XΛ = BKX .
Esta ecuación se puede plantear como:
K = GX −1 .
Es importante tener en cuenta ciertos detalles, por ejemplo, siempre será posible
encontrar una solución para X, si A y Λ no tienen valores propios comunes.
Para sistema de simple entrada la matriz K es única e independiente de G.
3.4 Ejemplos
3.4.1 Carros Acoplados con Unión Flexible. [12]
Este sistema está compuesto por dos carros con masas M1 y M2 como se muestra en la
Figura 3.2. Los carros están unidos a través de un resorte con constante K . El carro
de la izquierda tiene un motor eléctrico que permite aplicar una fuerza F al sistema.
El objetivo del sistema de control es reducir la oscilación del segundo carro cuando el
primero cambia de posición, se espera un tiempo de establecimiento de 1 segundo y
un sobrepico menor al 10%. Como instrumentación hay instalados en cada carro un
potenciómetro que permite medir el desplazamiento.
x1 x2
K
F
M1 M2
⎡ x1 ⎤ ⎡ 0 1 0 0 ⎤ ⎡ x1 ⎤ ⎡ 0 ⎤
⎢ x ⎥ ⎢ −46.84 −7.4 46.84 0 ⎥ ⎢ x ⎥ ⎢1.73⎥
⎢ 1⎥ = ⎢ ⎥⎢ 1⎥+ ⎢ ⎥V
⎢ x2 ⎥ ⎢ 0 0 0 1 ⎥ ⎢ x2 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ x2 ⎥⎦ ⎣ 79.13 0 −79.13 0 ⎦ ⎢⎣ x2 ⎥⎦ ⎣ 0 ⎦
⎡ x1 ⎤
⎢ ⎥
⎡ y1 ⎤ ⎡1 0 0 0 ⎤ ⎢ x1 ⎥ ⎡ 0 ⎤
⎢ y ⎥ = ⎢0 0 1 0⎥ ⎢ x ⎥ + ⎢0⎥ V
⎣ 2⎦ ⎣ ⎦ 2 ⎣ ⎦
⎢ ⎥
⎣⎢ x2 ⎦⎥
Primero se hace un análisis de controlabilidad y observabilidad
⎡ 0 1.73 − 12.8 13.7 ⎤
⎢ 1.73 − 12.8 13.70 498.2538⎥⎥
C=⎢
⎢ 0 0 0 136.89 ⎥
⎢ ⎥
⎣ 0 0 136.89 − 1013 ⎦
⎡ 1 0 0 0 ⎤
⎢ 0 0 1 0 ⎥⎥
⎢
⎢ 0 1 0 0 ⎥
⎢ ⎥
⎢ 0 0 0 1 ⎥
O=
⎢ − 46.8 − 7.4 46.84 0 ⎥
⎢ ⎥
⎢ 79.13 0 − 79.13 0 ⎥
⎢ 346.6 7.92 − 346.62 46.84 ⎥
⎢ ⎥
⎢⎣ 0 79.13 0 − 79.13 ⎥⎦
Impulse Response
From: U(1)
0.4
0.2
0.1
Amplitude
0.4
0.3
To: Y(2)
0.2
0.1
0
0 1 2 3 4 5 6
Time (sec.)
−4 ± 5.46i, − 12, − 12
Step Response
From: U(1)
0.025
0.02
0.015
To: Y(1)
0.01
0.005
Amplitude
0.025
0.02
0.015
To: Y(2)
0.01
0.005
0
0 1 2 3 4 5 6
Time (sec.)
En la Figura 3.5se muestra un esquema del sistema. El sistema está compuesto por
dos transportadores de cinta, cada una acoplada a un motor eléctrico que puede ser
comandado por medio de señales de voltaje. La cinta ha sido modelada como un
resorte lineal con amortiguación viscosa, el modelamiento ha sido realizado tomando
como tensión nominal 6 N.
Descripción de la variables:
D Amortiguación de la cinta.
= 20 N/ms,
e1,2 Voltaje aplicado a los motores,(V)
I1,2 Corriente en los motores,
J Inercia del motor y la rueda,
= 4 × 10 −5 kg.m2,
K Constante del resorte de la cinta, 4 × 10 4 N/m,
Ke Constante eléctrica de los motores = 0.03 V.s,
Kt Constante de torque de los motores = 0.03 V.s,
L Inductancia de la armadura= 10-3H,
R Resistencia de armadura=1Ω,
r radio de las ruedas de los transportadores,0.02m,
T Tensión de la cinta en el punto de la cabeza de lectura y escritura (N),
p1,2,3 Posición de la cinta en los transportadores y la cabeza,
θ1,2 Desplazamiento angular de los transportadores,
ω1,2 Velocidad angular de los transportadores.
Tomando un factor de escala de 103 para el tiempo y 10-5 para la posición, las
ecuaciones de estado obtenidas son:
48 J. Espinosa
.
⎡ p1 ⎤ ⎡ 0 2 0 0 0 0 ⎤ ⎡ p1 ⎤ ⎡0 0⎤
⎢ϖ. ⎥ ⎢ −0.1 −0.35 0.1 0.1 0.75 0 ⎥ ⎢ϖ 1 ⎥ ⎢ 0 0⎥
⎢ .1 ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ p2 ⎥ ⎢ 0 0 0 2 0 0 ⎥ ⎢ p2 ⎥ ⎢0 0 ⎥ ⎡ e1 ⎤
⎢ϖ. ⎥=⎢ ⎥⎢ ⎥ + ⎢ ,
⎢ .2 ⎥ ⎢ 0.1 0.1 −0.1 −0.35 0 0.75 ⎥ ⎢ϖ 2 ⎥ ⎢0 0 ⎥⎥ ⎢⎣e2 ⎥⎦
⎢ i1 ⎥ ⎢ 0 −0.03 0 0 −1 0 ⎥ ⎢ i1 ⎥ ⎢1 0⎥
⎢ . ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ i2 ⎦ ⎣ 0 0 0 −0.03 0 −1 ⎦ ⎣ i2 ⎦ ⎣0 1⎦
⎡ p1 ⎤
⎢ϖ ⎥
⎢ 1⎥
⎡ p3 ⎤ ⎡ 0.5 0 0.5 0 0 0 ⎤ ⎢ p2 ⎥ ⎡0 0 ⎤ ⎡ e1 ⎤
⎢ T ⎥ = ⎢−0.2 −0.2 0.2 0.2 0
⎢ ⎥+
0 ⎥⎦ ⎢ϖ 2 ⎥ ⎢⎣0 0 ⎥⎦ ⎢⎣e2 ⎥⎦
.
⎣ ⎦ ⎣
⎢ i1 ⎥
⎢ ⎥
⎣ i2 ⎦
⎡0 0 0 0 .
15 0 − 2.02 .
015 .
189 0.04 − 164
− 0.26⎤
.
⎢0 0 0.75 0 − 101
. 0.07 0.94 0.02 − 0.82 − 013
. . ⎥
0.78
015
⎢ ⎥
⎢0 0 0 0 0 .
15 .
015 − 2.02 0.04 .
189 . ⎥
− 0.26
− 164
C= ⎢ ⎥
⎢0 0 0 0.75 0.07 − 101
. 0.02 0.94 − 013
. − 0.82 .
015 0.78 ⎥
⎢1 0 −1 0 0.98 0 − 0.95 − 0.002 0.92 0.002 − 0.9 0.003 ⎥
⎢ ⎥
⎣0 1 0 −1 0 0.98 − 0.002 − 0.95 0.002 0.92 0.0024 − 0.89 ⎦
⎡ 0.5 0 0.5 0 0 0 ⎤
⎢ − 0.2 − 0.2 0.2 0.2 0 0 ⎥
⎢ ⎥
⎢ 0 1 0 1 0 0 ⎥
⎢ ⎥
⎢ 0.04 − 0.31 − 0.04 0.31 − 015
. .
015 ⎥
⎢ 0 − 0.25 0 − 0.25 0.75 0.75 ⎥
⎢ ⎥
⎢ 0.062 0.22 − 0.062 − 0.224 − 0.082 0.082 ⎥
O= ⎢ ⎥
0 0.04 0 0.04 − 0.94 − 0.94
⎢ ⎥
⎢ − 0.045 0.026 0.049 − 0.026 0.25 − 0.25 ⎥
⎢ 0 0.018 0 0.018 0.97 0.97 ⎥
⎢ ⎥
⎢ − 0.005 − 0.11 0.005 .
011 − 0.23 0.23 ⎥
⎢ 0 − 0.034 0 − 0.034 − 0.95 − 0.95 ⎥
⎢ ⎥
⎢⎣ 0.022 − 0.0456 − 0.0217 − 0.0456 .
015 − 015
. ⎥⎦
Step Response
100
To: Y(1)
50
Amplitude
0.5
To: Y(2)
-0.5
-1
0 15 30 450 15 30 45
Time (sec.)
⎡ −0.451 0.937 0 0 0 0 ⎤
⎢−0.937 −0.451 0 0 0 0 ⎥
⎢ ⎥
⎢ 0 0 −0.947 0.581 0 0 ⎥
Λc = ⎢ ⎥
⎢ 0 0 −0.581 −0.947 0 0 ⎥
⎢ 0 0 0 0 −116
. 0 ⎥
⎢ ⎥
⎣ 0 0 0 0 0 −1.16⎦
se obtiene:
50 J. Espinosa
El diseño de dicho sistema involucra la creación de una señal de error por cada
variable de referencia que se introduzca al sistema. De hecho el orden del sistema en
lazo cerrado se vera aumentado en un orden igual al número de señales de referencia
que se introduzcan. El proceso de diseño del controlador será idéntico al presentado
en las secciones anteriores ya que las ganancias de los integradores estarán
determinadas por la realimentación de estado.
D
yref e v y
Ki 1/s B 1/s C
-
A
Figura 3.8 Sistema con Realimentación de Estado y Señal de Referencia incluyendo integradores
para cero error de estado estacionario.
El sistema estará descrito en lazo abierto por las siguientes ecuaciones:
x = Ax + Bu
(3.4)
y = Cx + Du
e = yref − y
donde yref , e ∈ℜ p y p es el número de salidas del sistema
Expandiendo la anterior expresión obtenemos en lazo abierto:
⎡ x ⎤ ⎡ A 0⎤ ⎡ x ⎤ ⎡ B ⎤ ⎡ 0⎤ (3.5)
⎢ e ⎥ = ⎢ −C 0 ⎥ ⎢ e ⎥ + ⎢ − D ⎥ u + ⎢ I ⎥ yref
⎣ ⎦ ⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎣ ⎦
y = Cx + Du
K T = [K Ki ] (3.6)
52 J. Espinosa
⎡ x⎤
u = [K K i ]⎢ ⎥ (3.7)
⎣e ⎦
3.4.3 Ejemplos
Seleccionamos como polos los siguientes valores, de forma que se garanticen nuestros
objetivos de un error de estado estacionario cero, tiempo de establecimiento de
alrededor de 1 segundo y un sobrepico máximo del 10 %.
− 4 ± 5.46i,−12,−12,−15
0.8
Amplitud
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
Tiempo (seg.)
0.8
Pos Carro
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
Tiempo (seg.)
Senhal de Control
14
12
10
8
Voltios
-2
0 0.5 1 1.5 2 2.5 3
Tiempo (seg.)
Step Response
1
To: Y(1)
0.5
Amplitude
1.5
1
To: Y(2)
0.5
0
0 4 8 120 4 8 12
Time (sec.)
Figura 3.12 Respuesta paso del sistema de cinta en la figura superior el posicionamiento de la
cabeza, figura inferior cambio en la tensión.
0.4
0.2
-0.2
0 2 4 6 8 10 12
Tiempo (seg.)
Senhales de Entrada- Paso en Tension
2
Motor 1
1 -- Motor 2
Amplitud
-1
-2
0 2 4 6 8 10 12
Tiempo (seg.)
Figura 3.13 Señales de control de los motores en las dos respuestas paso
56 J. Espinosa
x&ˆ = Axˆ + Bu
^x es el valor estimado de x.
El error de estimación se define como:
~
x = x − xˆ
u(t) x y(t)
.
x=Ax+B u C
Proceso
^x
.
x=Ax+B u
Observador
Una forma de influenciar la dinámica del estimador es introducir en este una señal que
sea indicadora del error de estimación, esta señal es la diferencia entre la salida real y
la estimada ( y − Cxˆ ).
Ya que la matriz A-LC gobierna la dinámica del error escogiendo un valor apropiado
de L se puede lograr que el sistema sea estable y que tenga una convergencia más
rápida que la dinámica del proceso.
58 J. Espinosa
u(t) x y(t)
.
x=Ax+Bu C
Proceso +
. ^x
^x=Ax+Bu C
-
Observador
Con la nueva formulación se pudo observar que el problema de hallar la matriz L para
el estimador puede ser enfocado como un problema de ubicación de los polos, ya que
lo que nos interesa es seleccionar la dinámica del sistema (A-LC).
El problema es calcular L de forma tal que:
det( sI − ( A − LC )) = ( s − s1 )( s − s2 )...( s − sn )
donde s1, s2,..,sn son las raíces del polinomio αe(s) que es la ecuación característica del
observador.
Este problema es equivalente a hallar K = LT en:
det( sI − ( AT − C T K )) = ( s − s1 )( s − s2 )...( s − sn )
det( sI − ( A − LC )) = ( s − s1 )( s − s2 )...( s − sn )
Métodos de Asignación de Polos 59
donde s1, s2,..,sn son las raíces del polinomio característico αe(s) del observador
deseado.
Los valores de la matriz L pueden ser calculados igualando términos a ambos lados de
la ecuación.
Si tomamos las matrices del sistema Ao, Co en la forma canónica observable entonces:
⎡ − a1 − L1 − a2 − L2 ... ... − an − Ln ⎤
⎢ 1 0 ... ... 0 ⎥
⎢ ... ... ... .. ⎥
Ao T − Co T Lo T =⎢ 0 . ⎥
⎢ .. ... ... ... .. ⎥
⎢ . . ⎥
⎢⎣ 0 ... 0 1 0 ⎥⎦
L1 = a1 − α 1 , L2 = a2 − α 2 ,..., Ln = an − α n .
α e ( A) = A n + α 1 A n −1 + α 2 A n − 2 +...+α n I
60 J. Espinosa
con valores propios: α 1 ± jβ1 ,..., λ1 ,... que son los polos deseados en el estimador.
Visto que el tratamiento para las ecuaciones del estimador es análogo al del diseño del
controlador podemos decir que existe una transformación de similaridad X tal que:
X −1 ( AT − C T LT ) X = Λ ⇒ AT X − XΛ = C T LT X .
L = ( GX −1 ) .
T
Recuerde, que siempre será posible encontrar una solución para X si A y Λ no tienen
valores propios comunes.
Métodos de Asignación de Polos 61
Los estimadores de orden reducido son estimadores cuyos estados se ven reducidos
por el número de estados medidos. En otras palabras, son observadores que estiman
solamente los estados no medidos.
⎡ xa ⎤
y= I [ ]
0⎢ ⎥
⎣ xb ⎦
Observe que xa son los estados medibles y xb son los estados que necesitan ser
estimados,
y = xa
Si descomponemos las dinámicas de las variables medidas y las no medidas se
obtiene:
. .
xa = y = Aaa y + Aab xb + Ba u
.
xb = Abb xb + Aba xa + Bb u
y − Aaa y − Ba u = Aab xb
y en la dinámica de xb
Aba xa + Bb u
Note que este estimador es poco inmune al ruido de medición ya que involucra el
cálculo de la derivada de y. Para eliminar la derivada de y, definimos xc = xˆ b − Ly
y el estimador toma la forma:
El método de diseño para los estimadores de orden reducido se puede resumir asi:
Para hacer la selección de los polos del estimador tenemos que decir que lo ideal es
que la dinámica del estimador convergiera instantáneamente, para ello deberíamos
Métodos de Asignación de Polos 63
poner los polos lo mas cerca posible al infinito, pero esta situación convierte el
estimador en un derivador haciendo el sistema sensible al ruido[5].
3.7 Ejemplos
C = [ 0 0 1 0]
⎡0 0 1 0 ⎤
⎢0 0 0 1 ⎥
O= ⎢ ⎥
⎢76 0 − 76 0 ⎥
⎢ ⎥
⎣ 0 76 0 − 76⎦
Se eligen los polos de observador 5 veces los deseados para el sistema en lazo
cerrado:
⎡2796.6⎤
⎢ 28612 ⎥
L=⎢ ⎥
⎢ 152.6 ⎥
⎢8294.4⎥
⎣ ⎦
Figura 3.17 Convergencia del estimador al estado x4 salida del sistema (-), estimador (._)
Métodos de Asignación de Polos 65
Figura 3.18 Inmunidad al ruido. Estado original (--), estado estimado con polos 5 veces los polos
de lazo cerrado (.), estado estimado con 10 veces los polos de lazo cerrado (-).
Se eligen los polos de observador 5 veces más rapidos que los deseados para el
sistema en lazo cerrado:
⎡−2.25 4.68 0 0 0 0 ⎤
⎢−4.68 −2.25 0 0 0 0 ⎥
⎢ ⎥
⎢ 0 0 −4.73 2.9 0 0 ⎥
Λe = ⎢ ⎥
⎢ 0 0 −2.9 −4.73 0 0 ⎥
⎢ 0 0 0 0 −5.8 0 ⎥
⎢ ⎥
⎣ 0 0 0 0 0 −5.8⎦
66 J. Espinosa
⎡ −10.5 −120.32 ⎤
⎢ 51.01 64.4 ⎥
⎢ ⎥
⎢ 35.89 111.22 ⎥
L=⎢ ⎥
⎢ 4.74 −116.2 ⎥
⎢−13.08 −457.52 ⎥
⎢ ⎥
⎣124.71 287.72 ⎦
10
-2
-4
-6
-8
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Figura 3.19 Inmunidad al ruido. Estado original (-), estado estimado con polos 5 veces los polos
de lazo cerrado (.-), estado estimado (--).
Métodos de Asignación de Polos 67
[
T = C† Cn ]
donde C † es la seudoinversa de C y Cn es una base del espacio de nulidad de C.
⎡1 −1.25 0.5 0 0 0⎤
⎢0 −1.25 −0.5 0.707 0 0⎥
⎢ ⎥
⎢1 1.25 −0.5 0 0 0⎥
T=⎢ ⎥
⎢0 1.25 0.5 0.707 0 0⎥
⎢0 0 0 0 1 0⎥
⎢ ⎥
⎣0 0 0 0 0 1⎦
⎡0 0⎤
⎢0 0⎥
⎢ ⎥
−1 ⎡ Ba ⎤ ⎢0 0⎥
Bt = T B = ⎢ ⎥ = ⎢
⎣ Bb ⎦ ⎢0 0 ⎥⎥
⎢1 0⎥
⎢ ⎥
⎣0 1⎦
[
Ct = CT = CC
†
]
CCn = [ I 0]
Los polos del estimador de orden reducido serán los primeros cuatro del estimador de
orden completo.
Con estos datos se puede calcular la ganancia del estimador, resolviendo la ecuación
de Sylvester,
68 J. Espinosa
⎡−11.24 −5315
. ⎤
⎢ 4.90 −3.644⎥
L=⎢ ⎥
⎢ −1.31 −93.38⎥
⎢ ⎥
⎣ 25.53 5512
. ⎦
10
-2
-4
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Figura 3.20 Estado x3 real (--) estimador de orden completo (.-) y estimador de orden reducido
(.).
x θ l
mg
F
M
( M + m) x + mlθ = F
mx + mlθ = mgθ
Haga la descripción de estado del sistema asumiendo como estados [ x, x&, θ , θ&] asuma
como salidas medibles la posición y el ángulo. Ubique los polos del sistema de forma
que el tiempo de establecimiento del sistema sea tenga un tiempo de establecimiento
de 2 seg y un amortiguamiento de ζ = 0.5 .
1
Recuerde Ts = para un sistema de segundo orden con
ζω n
polos − ζω n ± jω n 1 − ζ 2
Simule el sistema en simulink y simule es sistema para las siguientes condiciones
iniciales:
[0.1,0,0,0]
[0,0,0.1,0]
5- Construya observadores que estimen los estados de las siguientes plantas. Use
un factor 5 y un factor 10 para la ubicación de los polos. Aplique ruido de
medición,
a. Péndulo invertido
b. Columna de destilación
c. Para la caldera
4.1 Introducción
Para el control óptimo, las especificaciones de control son formuladas en una función
de costo. La función de costo (también conocida como figura de mérito, índice de
desempeño, etc.), es una función que penaliza el “mal” comportamiento del sistema,
es decir cuanto más lejos este el sistema de la situación deseada, mayor será el valor
de la función de costo. Entonces, el objetivo del controlador óptimo, será minimizar
esta función. En el presente capítulo se estudiará el diseño de sistemas de control por
realimentación de estado con funciones de costo cuadráticas. Existen otras funciones
de costo, pero tal vez la más popular sea la cuadrática por su fácil derivación y por
estar directamente relacionada con el contenido energético de un sistema.
J = x(t f ) Pf x(t f ) +
1 1
∫ ( x(t ) Qx(t ) + u (t ) T Ru (t ))dt
T T
2 2 (4.1)
to
El problema con las restricciones dadas puede ser formulado como una optimización
sin restricciones utilizando el método de los multiplicadores de Lagrange,
∂H (4.3)
λ&T = − ; λ (t f ) = Pf x(t f )
∂x
∂H
0= , (4.4)
∂u
donde,
H = 12 x T Qx + 12 u T Ru + λT ( Ax + Bu ) (4.5)
o la ecuación diferencial,
.
( P + PA + AT P − PBP −1 B T P + Q) x = 0
dado que x ≠ 0 entonces
.
P = − PA − AT P + PBR −1 B T P − Q (4.9)
u (t ) = − R −1 B T λ (t )
= − R −1 B T P(t ) x(t )
u (t ) = − K (t ) x(t ) (4.10)
Como se puede apreciar en (4.10) la entrada óptima está dada por una realimentación
de estado variable en el tiempo.
P A + AT P − P BR −1 B T P + Q = 0 (4.11)
A − BR −1 P (4.12)
⎡ A − BR −1 B T ⎤ ⎡ I ⎤ (4.13)
P A + AT P − P BR −1 B T P + Q = [P − I ]⎢ ⎥⎢ ⎥ = 0
⎣ − Q − A T
⎦ ⎣P ⎦
⎡ A − BR −1 B T ⎤
H =⎢ ⎥ (4.14)
⎣− Q − AT ⎦
⎡X ⎤ ⎡X ⎤ (4.15)
H ⎢ 1 ⎥ = ⎢ 1 ⎥Λ
⎣X 2 ⎦ ⎣X 2 ⎦
Λ = diag(λ1 ,..., λn ), Re(λi ) < 0
P = X 2 X 1−1 (4.16)
x k +1 = Ax k + Bu k , (4.17)
y k = Cx k + Du k
75 J. Espinosa
El problema de control consiste en hallar las entradas u k ,k = 1,..., N de forma tal que la
función de costo
N (4.18)
J N = ∑ ( wk − y k ) T ( wk − y k )
k =0
sea minimizada, donde wk ,k = 1,..., N es una secuencia dada. Es claro, que entre más
pequeño sea el valor de JN, menor será la diferencia entre yk y wk.
y = O N x0 + H N u
H 0 = D, H k = CA k −1 B,k = 1,2,..., N .
La función de costo (4.18)se transforma en:
J N = w T w + x 0T O TN O N x 0 + u T H TN H N u − 2 w T O N x 0 − 2 w T H N u + 2 x 0T O TN H N u
derivando con respecto a u e igualando a cero se obtiene,
H TN H N u = H TN w − H TN O N x 0
La secuencia u* optima se puede obtener calculando la solución de mínimos
cuadrados de la ecuación anterior.
x k +1 = Ax k + Bu k , x0 conocido (4.20)
Regulador Optimo Cuadratico Lineal 76
El problema de control consiste en hallar las entradas u k ,k = 1,..., N de forma tal que la
función de costo,
JN =
1 T
2
1 N −1
[
x N Px N + ∑ x kT Qx k + u kT Ru k
2 k =0
] (4.21)
sea minima.
JN =
1 T
2
1 N −1
[
x N Px N + ∑ x kT Qx k + u kT Ru k + λTk +1 (− x k +1 + Ax k + Bu k )
2 k =0
] (4.22)
⎡ x k +1 ⎤ ⎡ A + BR −1 B T A −T Q − BR −1 B T A −T ⎤ ⎡ x k ⎤ (4.27)
⎢λ ⎥ = ⎢ ⎥⎢ ⎥
⎣ k +1 ⎦ ⎣ − A −T Q A −T ⎦ ⎣λ k ⎦
x 0 → dado
λ N = Px N
(4.28)
λ k = Pk x k
Pk x k = AT Pk +1 x k +1 + Qxk
Pk x k = AT Pk +1 ( Axk + Bu k ) + Qxk (4.31)
[Pk ( ) ]
− AT Pk +1 + Pk +1 BS k−+11 B T Pk +1 A − Q x k = 0,∀k . (4.32)
Ya que x k ≠ 0 entonces,
( )
Pk = AT Pk +1 + Pk +1 BS k−+11 B T Pk +1 A + Q. (4.33)
λ N = Px N = PN x N .
u k = − K k xk , (4.34)
donde,
K k = ( R + B T Pk +1 B ) −1 B T Pk +1 A . (4.35)
Para el caso de horizonte infinito en sistemas discretos, se asume que PK alcanza una
condición de estado estable y entonces la función de realimentación queda descrita
por:
u k = − Kx k , (4.37)
donde,
K = ( R + B T P B ) −1 B T P A . (4.38)
Regulador Optimo Cuadratico Lineal 78
[ ]
P = AT P + P B( R + B T P B) −1 B T P A + Q. (4.39)
1
La solución estabilizará el sistema si el par (A,B) es estabilizable y el par ( P 2 , A) es
detectable.
1 T (4.40)
J Nmin = xo P x0
2
4.3 Ejemplos
⎡1000 0 0 0⎤
⎢ 0 1 0 0⎥⎥
Q=⎢ ,R = [1]
⎢ 0 0 1000 0⎥
⎢ ⎥
⎣ 0 0 0 1⎦
Observe que la matriz Q penaliza en mayor proporción las desviaciones de los carros
de su punto de equilibrio, comparado con las velocidades o con la entrada.
⎡10000 0 0 0⎤
⎢ 0 1 0 0⎥⎥
Q= ⎢ ,R = [1]
⎢ 0 0 10000 0⎥
⎢ ⎥
⎣ 0 0 0 1⎦
la nueva matriz de realimentación será:
En la siguiente figura se pueden observar las respuestas de los dos sistemas, es claro
que el segundo tiene una respuesta más rápida, pero en la Figura 4.1 se puede
apreciar que para lograr esa respuesta más rápida se requiere una entrada con mayor
amplitud. La selección de las matrices de costo esta basada en el compromiso entre
una respuesta rápida pero sin saturar la entrada o consumir demasiada energía para
llevar el sistema al estado deseado.
Figura 4.1 Respuesta del sistema para los dos controladores propuestos
Regulador Optimo Cuadratico Lineal 80
En este caso las especificaciones de control exigen minimizar la energía a la salida del
sistema (posición de la cabeza de lectura y escritura y la tensión de la cinta). Sin
embargo, la señal de control no puede ser demasiado grande ya que puede saturar el
actuador (los drives de los motores). Debido a esto, se requiere un poco de intento y
error en la selección de las matrices Q y R.
Primero que todo, debemos observar que nuestras especificaciones están dadas en
función de las salidas del sistema, entonces la función de costo estará definida como:
∞
J= 1
∫ ( y(t ) Q ′y (t ) + u (t ) T Ru (t ))dt
T
2
0
∞
J= 1
∫ ( x(t ) C T Q ′Cx(t ) + u (t ) T Ru (t ))dt
T
2
0
Q = C T Q ′C
Como primera elección escogemos Q’ y R como:
⎡2 0⎤ ⎡1 0 ⎤
Q' = ⎢ ⎥ ,R = ⎢ ⎥
⎣0 2⎦ ⎣0 1 ⎦
Entonces Q será:
81 J. Espinosa
⎡0.5 − 0.2⎤
⎢ 0 − 0.2⎥
⎢ ⎥
⎢0.5 0.2 ⎥ ⎡2 0⎤ ⎡ 0.5 0 0.5 0 0 0⎤
Q = C Q' C = ⎢
T
⎥
⎢0 0.2 ⎥ ⎢⎣0 ⎥
2⎦ ⎣− 0.2 − 0.2 0.2 0.2 0 0⎥⎦
⎢
⎢0 0 ⎥
⎢ ⎥
⎢⎣ 0 0 ⎥⎦
⎡ 0.58 0.08 0.42 − 0.08 0 0⎤
⎢ 0.08 0.08 − 0.08 − 0.08 0 0⎥⎥
⎢
⎢ 0.42 − 0.08 0.58 0.08 0 0⎥
Q=⎢ ⎥
⎢− 0.08 − 0.08 0.08 0.08 0 0⎥
⎢ 0 0 0 0 0 0⎥
⎢ ⎥
⎣⎢ 0 0 0 0 0 0⎦⎥
Con esta ley de control los polos de lazo cerrado quedan ubicados en:
Figura 4.4 Salida del controlador del Sistema en Lazo Cerrado durante la respuesta impulso.
83 J. Espinosa
Kalman y Bucy resolvieron este problema y por ello la solución es llamada también
filtro de Kalman-Bucy. El término filtro viene de la capacidad del estimador para
reducir el impacto del ruido en el valor estimado del estado.
y el estimador,
donde las señales w(t) representan las perturbaciones del sistema, v(t) representa el
ruido en el sensor. Ruido y perturbaciones son modelados como ruido blanco, con
amplitud unitaria y valor medio cero. Es importante aclarar, que en la realidad el ruido
blanco no puede existir en sistemas continuos, ya que el ancho de banda del espectro
del ruido blanco debe ser infinito y esto implica a su vez un ruido con contenido de
energía infinito. Sin embargo, en la práctica el ruido tiene un ancho de banda mucho
mayor al del sistema en estudio y por eso es correcto asumir en términos prácticos
que la señal se puede modelar como un ruido blanco.
⎧1 T ⎫ (4.50)
J = E ⎨ ∫ (( x(t ) − xˆ (t )) T ( x(t ) − xˆ (t )))dt ⎬
⎩T 0 ⎭
sea minimizada.
(4.54)
xˆ (t ) = Φ(t ,0) xˆ (0) + ∫ Φ(t , γ ) Bu u (γ )dγ + ∫ Φ(t , γ ) L(γ ) y (γ )dγ
t t
0 0
Φ(t ,τ ) = e A(t −τ )
donde la matriz L se asume variante en el tiempo.
⎩⎝ 0 0 ⎠ ⎭
1424
{3 0
} t
1
{
Φ (t ,0) xˆ (0)ε v(τ ) T + ∫ Φ (t , γ ) Bu u (γ )dγ ε v(τ ) T
424 3
}
=0 =0
t
{
+ ∫ Φ (t , γ ) L(γ )ε y (γ )v(τ ) T dγ
0
}
reemplazando y (t ) = Cx (t ) + v (t ) se obtiene:
ε {( x(t ) − xˆ (t )) x(τ ) T }C T = (4.57)
∫0 Φ(t , γ ) L(γ )Cε1{x42
(γ )v(τ ) T }dγ
t
4 43 4
=0
0
t
14 4244
{
+ ∫ Φ (t , γ ) L(γ )ε v(γ )v(τ ) T dγ
3
}
Rv
lo cual es igual a:
85 J. Espinosa
⎡R 0 ⎤ ⎡ Bw T ⎤
+ [Bw − L(t )]⎢ w ⎥⎢ T ⎥
⎣ 0 Rv ⎦ ⎣− L(t ) ⎦
reemplazando L (t ) de la expresión (4.61) en (4.73) obtenemos
−1
Q& (t ) = Q(t ) AT + AQ(t ) + B R B − Q(t )C T R CQ(t )
T (4.64)
W w x v
que corresponde a una ecuación diferencial de Riccati.
L = QC T Rv−1 (4.66)
Uno de los problemas encontrados en el diseño de estimadores óptimos, tiene que ver
con las imprecisiones en el modelo de la planta, este problema puede ser corregido
aumentado el valor de la covarianza Rw. Entre más grande sea el valor de Rw se asume
mayor incertidumbre eso hace que el estimador sea mas lento pero mas robusto. Este
truco es utilizado para robustificar soluciones optimas de control en la literatura se
hace referencia a esta estrategia como Loop Transfer Recovery (LTR).
Regulador Optimo Cuadratico Lineal 86
Considere el sistema,
x k +1 = Ax k + Bu u k + Bw wk , (4.67)
y k = Cx k + v k
−1
Lk = AQk C T ( Rv + CQk C T ) −1 (4.69)
Qk +1 = AQ k AT − AQk C T ( Rv + CQ k C T ) −1 CQ K A T + B w R w B wT (4.70)
Q − AQ AT + AQ C T ( Rv + CQ C T ) −1 CQ AT − Bw Rw BwT = 0 (4.71)
−1
L = AQ C T ( Rv + CQ C T ) −1 (4.72)
Para este caso de nuevo asumimos la misma condición descrita en el capítulo anterior
para el diseño de observadores. La condición consiste en asumir como única salida la
posición del segundo carro.
Suponiendo Bw=B.
Asumiendo,
Rw = 0.7,Rv = 1
⎡1.92e − 01⎤
⎢1.83e − 02⎥
=⎢ ⎥
−T
L = QC T Rv
⎢1.95e − 01⎥
⎢ ⎥
⎣1.89e − 02⎦
Figura 4.5 Comparación en la estimación con ruido, (-)estado real, (--) estimador con polos 10
veces los polos de lazo cerrado, (.-) estimador con 5 veces los polos de lazo cerrado, (+) estimador
óptimo.
Regulador Optimo Cuadratico Lineal 88
⎡0 0⎤
⎢0 0⎥⎥
⎢
⎢0 0⎥
Bw = B = ⎢ ⎥
⎢0 0⎥
⎢0 1⎥
⎢ ⎥
⎣⎢1 0⎦⎥
⎡4 0 ⎤
Rv = ⎢ ⎥
⎣0 0.0001⎦
⎡0.001 0 ⎤
Rw = ⎢
⎣ 0 0.001⎥⎦
⎡5.56e − 2 − 1.67 ⎤
⎢7.74e − 4 − 0.571⎥
⎢ ⎥
−T ⎢5.56e − 2 1.67 ⎥
L = QC T Rv =⎢ ⎥
⎢7.74e − 4 0.571 ⎥
⎢ 4.32e − 5 − 0.602⎥
⎢ ⎥
⎢⎣ 4.32e − 5 0.602 ⎥⎦
89 J. Espinosa
Figura 4.6 Comparación en la estimación con ruido, (-)estado real, (--) estimador con polos 10
veces los polos de lazo cerrado, (.-) estimador con 5 veces los polos de lazo cerrado, (..) estimador
óptimo.
• La posibilidad de obtener una ley de control óptima basada en los estados del
sistema.
• La posibilidad de estimar los estados del sistema de forma óptima para unas
características de ruido dadas y a partir de los datos de entrada y salida.
∫ (x(t ) )
T
1
J = lim T
Qx(t ) + u (t ) T Ru (t ) dt (4.74)
T →∞ 2T
−T
u (t ) = − Kxˆ (t ) (4.75)
91 J. Espinosa
donde,
K = R −1 Bu P
T (4.76)
PA + AT P − PBR −1 Bu P + Q = 0
T (4.77)
L = SC T Rv−1 (4.79)
⎡ x& ⎤ ⎡ A − Bu K ⎤ ⎡ x ⎤ ⎡ Bw 0 ⎤ ⎡ w⎤ (4.82)
⎢ x&ˆ ⎥ = ⎢ LC A − B K − LC ⎥ ⎢ xˆ ⎥ + ⎢ 0 L ⎥⎦ ⎢⎣ v ⎥⎦
⎣ ⎦ ⎣ u ⎦⎣ ⎦ ⎣
⎡C 0⎤ ⎡ x ⎤ ⎡0 I ⎤ ⎡ w⎤
y=⎢ ⎥⎢ ⎥ + ⎢ ⎥⎢ ⎥
⎣ 0 0⎦ ⎣ xˆ ⎦ ⎣0 0⎦ ⎣ v ⎦
⎡ x& ⎤ ⎡ A − Bu K Bu K ⎤ ⎡ x ⎤ ⎡ Bw 0 ⎤ ⎡ w⎤ (4.83)
⎢ e& ⎥ = ⎢ 0
+
A − LC ⎥⎦ ⎢⎣ e ⎥⎦ ⎢⎣ Bw − L ⎥⎦ ⎢⎣ v ⎥⎦
⎣ ⎦ ⎣
⎡C 0⎤ ⎡ x ⎤ ⎡0 I ⎤ ⎡ w⎤
y=⎢ ⎥⎢ ⎥ + ⎢ ⎥⎢ ⎥
⎣ 0 0 ⎦ ⎣ e ⎦ ⎣0 0 ⎦ ⎣ v ⎦
Regulador Optimo Cuadratico Lineal 92
Se puede observar claramente que los valores propios del sistema en lazo cerrado está
dado por los valores propios del sistema compensado por realimentación de estado y
los valores propios del estimador.
4.7 Ejemplos
⎡1000 0 0 0⎤
⎢ 0 1 0 0⎥⎥
Q=⎢ , R = [1], Rw = 7e − 02, Rv = 1e − 03
⎢ 0 0 1000 0⎥
⎢ ⎥
⎣ 0 0 0 1⎦
Para este ejemplo, se combinarán las soluciones obtenidas en los apartados de LQR y
de estimación óptima y se analizará el resultado.
Figura 4.12 Desempeño del sistema LQG (-) vs. Método de ubicación de polos en presencia de
ruido.
Regulador Optimo Cuadratico Lineal 96
simule.
Bibliografía
[1] R.E.Kalman, Y.C.Ho, and K.S.Narendra, “Controllability of linear dynamical
systems” Contributions to Differential Equations, vol. 1, no.2, pp.189-213, 1963.
[4] J.C.Willems and S.K. Mitter, “Controllability, Observability, Pole Allocation and
State Reconstruction”, IEEE Transactions on Automatic Control,vol.16, no.6, pp.582-595
[6] K.Zhou, J.C. Doyle and K. Glover, Robust And Optimal Control, Ed. Prentice Hall,
preprint. 1995
[9] A.Grace, A.J.Laub, J.N.Little y C.M. Thompson, Control System Toolbox User’s
Guide, Mathworks Inc. 1992
[10] P.Van Dooren, Numerical Linear Algebra for Signals Systems and Control, Draft
notes for the Graduate School in Systems and Control, Bélgica, 1995
[11] R.A.Horn, C.R. Johnson. Matrix Analysis. Cambridge University Press, Cambridge.
1990
[12] J. Apkarian.A comprehensive and modular laboratory for control systems design
and implementation. Quanser Consulting, 1995
[14] F.G. Shinskey. Process Control Systems: Application Design and Tuning, Ed
McGraw-Hill, 4 ed. USA, 1996
[15] V. Kucera. Analysis and Design of Discrete Linear Control Systems, Ed Academia,
Praga, 1991
Regulador Optimo Cuadratico Lineal 98
[18] A. Bryson Jr, Y-C Ho. Applied Optimal Control: optimization, estimation and
control, Hemisphere Publishing Corp., USA, 1975