Professional Documents
Culture Documents
Espacio de Estados
Ciclo escolar 2015/2
Academia de Control
Contenido
1.
2.
3.
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
Academia de Control
1.
1.1
1.1.1
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)
l
P
u
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
( 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,
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.
( m M ) x ml u
ml 2 mlx mgl
se pide obtener las ecuaciones de estado tomando como variables de estado a x1 , x2 ,
x1 x2 y x 3 x4 .
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
Academia de Control
0
0.5000
C =
1
0
0
0
0
1
0
0
D =
0
0
1.1.2
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];
>> 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
Academia de Control
y
C
+
A
Fig. 2. Esquema de bloques
-20.6010
roots(alfa)
ans =
0
0
4.5388
-4.5388
1.1.3
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
Academia de Control
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
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
, 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
Academia de Control
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
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
x Ax bu
y ct x
- Cambio general de variables:
x x
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
Obtencin de W a partir de ( )
an 1
a1
n 1
a1 an 1 1
1 0
a0 : W
an 1
0 0
1
Academia de Control
ct
t
cA
Expresin de M o : M 0
, siendo n el nmero de estados.
t n 1
c A
H ( s)
s2
s 4s 3
2
Se pide:
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
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
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:
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
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
1 x
2
s2
0.5
0.5
s 4s 3 s 1 s 3
2
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
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
Academia de Control
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.
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
-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
0
.
A c
Academia de Control
1.1.4
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.
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
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
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
A 2t 2
a un polinomio)
2!
e At 0I 1A n 1A n 1
e1t o 11 n 11n 1
...
en t o 1n n 1nn 1
d) Desarrollo de Sylvester
d.1) Polinomio: e At
e F
it
i 1
A jI
j 1
( j i )
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
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
,
,
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
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
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:
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
0.6
>>
>>
>>
>>
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
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
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
10
15
20
25
Academia de Control
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
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
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
Ejemplo 10. Pndulo invertido. Simulacin de la respuesta zero input. Considerar de nuevo el
pndulo invertido de la Fig. 1.
Academia de Control
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
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:
Por
Academia de Control
M c b Ab A n 1 b
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
sistema A 2 A 1T , b 2 c1t
, c 2t
b 1T .
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
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
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.
Academia de Control
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
1.1.6
Academia de Control
H ( s)
s2
s 4s 3
2
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
1.1.7
0.1667 0.1667
P
0.1667 1.1667
0.1667 0 y det( P ) 0.1667 0 Estable
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)
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:
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:
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:
Academia de Control
1.2
Control modal
1) Planta:
( ) 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)
2)
3)
Esquema de bloques
u
-
+
A
k tc
Fig. 8. Retroaccin de las variables de estado
4)
I A bk tc
c ( )
b)
c)
d)
t
c
a1 a n 1
a c
1
c
c (A)
donde los coeficientes
5)
x ( A bk tc )x
y ct x
Academia de Control
Comentarios
1)
2)
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)
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
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:
Academia de Control
0 1
A
1 0
1
0
Ac
0.5 1
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
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
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:
Academia de Control
1)
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
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:
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
-60.6972 -163.0989
-73.3945
1.0000
0
-60.6972 -163.0989
0
0
30.3486
81.5494
0
-73.3945
1.0000
36.6972
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
Academia de Control
x Ax bu ,
y ct x
( ) de grado n
1)
Planta:
2)
Objetivo: Hallar una estimacin asinttica del estado, x (t ) x(t ) con una dinmica o ( ) ,
arbitrariamente elegida.
2)
Estimador:
x Ax bu
y c t x
3)
k o ( y y )
Esquema de bloques:
Academia de Control
+
A
+
ko
ct
+
A
Fig. 10. Observador del estado
4)
I A k o c t
o ( ) .
0
.
0
1
5)
a
1
d)
e)
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
Solucin:
>> [a,b,c,d]=tf2ss(1,[1 3 4]);
Academia de Control
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)
0.8
Academia de Control
x Ax bu ,
y ct x
( ) de grado n
1)
Planta:
2)
2)
Estimador:
- Estructura:
x Ax bu
y c t x
k o ( y y )
3)
Ley de control:
- Estructura:
u(t ) k tc x (t )
ct
+
A
+
ko
ct
+
A
uc
k tc
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)
2)
3)
N (s) o (s)
N ( s)
c ( s)
4)
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
y el mismo regulador del ejercicio anterior (notar que el sistema total tiene 8 estados):
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
subplot(222),plot(t,x(:,[2
subplot(223),plot(t,x(:,[3
subplot(224),plot(t,x(:,[4
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
x_6'),xlabel('Tiempo
x_7'),xlabel('Tiempo
x_8'),xlabel('Tiempo
0.4
-0.4
3.5
-1
2
3
Tiempo (s)
x4, x8
2
3
Tiempo (s)
(s)'),
(s)'),
(s)'),
(s)'),
Academia de Control
1.3
Academia de Control
tf
ti
L(x, u, t )dt
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
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 )
min J t (1)dt
tf
0
con x(t f ) 0
3) Restriccin: u(t ) M
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 )
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
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.
Academia de Control
x Ax Bu
y Cx
x ( 0 ) 0
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
Solucin del problema
Condiciones de existencia, unicidad y estabilidad de la solucin:
- Suficientes:
- Necesarias:
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
obtiene
Academia de Control
( A BK ) T P P( A BK )
(Q KT RK )
A P K B P PA PBK
Q K RK
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)
2)
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)
4)
5)
1
2
x 2 x u
Es estable?
No.
x(0)=1
1
u
(3x 2 )dt .
2 0
4
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
3
6
2
3
1
x (0) px (0) .
4
2
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)
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
con ayuda del lugar cuadrtico/simtrico.
2
Academia de Control
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
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.
Academia de Control
x Ax Bu ;
2) Objetivo:
1
T
T
mn J ( x Qx u Ru)dt
2 0
x( 0 ) 0
tf
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
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
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
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
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 )
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
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
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
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
2
1.8
condciones iniciales p0
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
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
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')
u k c x k i
r y r cx
0
x A 0 x B
u r
c 0 0
1
Bi
Ai
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
Academia de Control
1.4
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.
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
Academia de Control
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]';
t=linspace(0,60,200);
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)
Academia de Control
sin ruido
20
20
10
10
-10
-10
-20
20
40
60
-20
10
10
-10
-10
20
40
20
40
60
20
-20
60
-20
20
40
60
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
2)
1 T
[x Qx u T Ru]dt
2 0
[x T Qx u T Ru]dt E [x T Qx u T Ru]
1
1
E lim
2 T T
Academia 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
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
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
3) Caso v 0 , w 0 (alternativo):
Jx
1
Tr Pc B 2 WB T2 Po K Tc RK c :
2
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:
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 =
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
10
20
30
40
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
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
Condiciones
Academia de Control
2)
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
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)
t t0
t t0
Academia de Control
E{x (t ) x (t )x (t ) x (t ) } Po (t )
T
6)
0 APo Po A T B 2 WB T2 Po CT V 1CPo
( Po Po )
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)
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
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)
Si el sistema es detectable y
Si
Po
existe,
el
observador
ptimo
en
rgimen
permanente
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.
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'),
Academia de Control
10
20
30
40
50
60
50
60
10
20
30
40
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
Academia de Control
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
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
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
J CE
t1
t1
E tr S1x 1x 1T tr QxxT dt tr (Ruu T )dt
t
t
0
0
2
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
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
Las condiciones de
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
1
2
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)];
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
10
20
30
40
50
60
Academia de Control
1.5
Ejercicios resueltos
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.
Observador del estado
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.
Academia de Control
x1
2000
1000
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')
subplot(212),plot(t,x(:,2)),ylabel('x_2'),
xlabel('Tiempo')
10000
x2
>>
>>
>>
>>
5000
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;
x1
>> poly(ac)
ans =
1.0000
1
0
3.6000
-1
9.0000
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]');
subplot(211),plot(t,x(:,1)),ylabel('x_1'),
title('Regulador del estado')
subplot(212),plot(t,x(:,2)),ylabel('x_2'),
xlabel('Tiempo')
-1
x2
>>
>>
>>
>>
>>
-2
-3
-4
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
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
>>
>>
>>
>>
x ( 0) x 0
.
(
0
)
x
0
x1,x3
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
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
40
x2,x4
t=linspace(0,0.4);
[y,t,x]=initial(ss(ao,bo,co,do),[2 1 0 0]',t);
subplot(211),plot(t,x(:,[1 3])),
ylabel('x_1,x_3'),
title('Observador del estado')
subplot(212),plot(t,x(:,[2 4])),
ylabel('x_2,x_4'),xlabel('Tiempo')
Academia de Control
x(0) x 0
.
x
(
0
)
0
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
La dinmica longitudinal de un
Academia de Control
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
-30
t=linspace(0,5,200);
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')
R 1
Academia de Control
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
ao=[a a*0;ko*c a-ko*c];
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')
subplot(312),plot(t,x(:,[2 5])),xlabel('Tiempo
ylabel('x_2 , x_5')
subplot(313),plot(t,x(:,[3 6])),xlabel('Tiempo
ylabel('x_3 , x_6')
(s)'),
del estado'),
(s)'),
(s)'),
5
0
-5
Tiempo (s)
x2 , x5
5
0
-5
2
Tiempo (s)
x3 , x6
50
0
-50
2
Tiempo (s)
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')
subplot(312),plot(t,x(:,[2 5])),xlabel('Tiempo (s)'),
ylabel('x_2 , x_5')
subplot(313),plot(t,x(:,[3 6])),xlabel('Tiempo (s)'),
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
-0.1
-0.2
-0.3
-0.4
-0.5
0
0.5
1.5
Tiempo (s) (sec)
2.5
Academia de Control
+
-
ki
s
A
kc
x A 0 x B
0
u r
c 0 0
Bi
Ai
x
u k c x k i K k c
x
k i
x A Bk c Bki x 0
r
c
0 1
Ac
0.8
Amplitude
0.6
0.4
0.2
-0.2
0
10
Tiempo (s) (sec)
15
Academia de Control
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.
Academia de Control
Sin control
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
10
12
Tiempo (s)
14
16
18
20
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]),
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'),
xlabel('Tiempo (s)')
legend('\alpha','q','\theta'),
-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)
x 3 y x 6: y su estimacin
-3
x -3 y x 5: q y su estimacin
x 102
10
15
Tiempo (s)
20
-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;
subplot(221),plot(t,x(:,[1 4])),xlabel('Tiempo (s)'),
title('x_1 y x_4: \alpha y su estimacin')
subplot(222),plot(t,x(:,[2 5])),xlabel('Tiempo (s)'),
title('x_2 y x_5: q y su estimacin')
subplot(223),plot(t,x(:,[3 6])),xlabel('Tiempo (s)'),
title('x_3 y x_6: \theta y su estimacin')
set(h,'name','Planta con observador','numbertitle','off')
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];
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'),
xlabel('Tiempo (s)')
legend('\alpha','q','\theta'),
0.1
0.05
0
-0.05
h=figure;
subplot(221),plot(t,x(:,[1 4])),
xlabel('Tiempo (s)'),
title('x_1 y x_4: \alpha y su
estimacin')
subplot(222),plot(t,x(:,[2 5])),
xlabel('Tiempo (s)'),
title('x_2 y x_5: q y su
estimacin')
subplot(223),plot(t,x(:,[3 6])),
xlabel('Tiempo (s)'),
title('x_3 y x_6: \theta y su
estimacin')
set(h,'name','Regulador ms
observador','numbertitle','off')
10
12
Tiempo (s)
x 1 y x 4: y su estimacin
0.6
0.4
0.2
-0.2
-2
5
10
15
20
Tiempo (s)
x 3 y x 6: y su estimacin
0.3
0.2
0.1
0
-0.1
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.
d
r
uG
d
r
uG
Wm
G0
Academia de Control
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
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.
y el rechazo
, entonces
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
.
Academia de Control
.
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
,
.
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:
Academia de Control
sea lo mayor
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
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).
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
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
(2)
Para definir las regiones basta con representar la respuesta frecuencial de las plantas lmite.
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
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),
dB
Re
180,0dB
Fase
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:
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
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)
Im
1
Re
180,0dB
Fase
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
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).
Academia de Control
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
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
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
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
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:
Academia de Control
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
20
Magnitud (dB)
10
0
-10
-20
-30
-40
-50
-2
10
10
-1
10
10
Frecuencia (rad/s)
10
10
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
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.
P s
u
v
N s
K s
La planta aumentada
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
donde
Academia de Control
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
Academia de Control
Academia de Control
K s
v
u
Kc s
Q s
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
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
Academia de Control
,
con
,
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.
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,
.
ecuaciones tenemos:
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
WS
G0
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.
Academia de Control
B0
1/s
C0
A0
D12
Ws
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
Academia de Control
el
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
<=
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
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
-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.
Academia de Control
1
r(t), y(t)
r(t), y(t)
-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
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
Academia de Control
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
2.4
Ejercicio resuelto
-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];
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)
3)
Sntesis del controlador robusto. Calcular el controlador robusto que minimiza la norma
infinita de la funcin de coste del enunciado.
4)
Academia de Control
Solucin:
polos=pole(G)
0
-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)
2 outputs
2 inputs
Funcin de coste:
Singular Values
figure(3),sigma(J)
-2
-2.5
gam =
Singular Values (dB)
-3
0.7885
-3.5
-4
-4.5
-5
-5.5
-6
-6.5
-2
10
10
10
Frequency (rad/sec)
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)
Singular Values
50
-50
-100
-150
-200
-250
-300
-2
10
10
10
10
10
Frequency (rad/sec)
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
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
h h0 dh 50 RH dh .
En
el
exterior
los
valores
son
dText
dH ext
dT
G ( s ) u c ,
dh
uh
uf
con G ( s )
0
10 0
5
s 1
1
.
Solucin
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:
cmara de climatizacin
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)
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:
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
cmara de climatizacin
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...)
Academia de Control
cmara de climatizacin
Text
Hext
calefaccin
refrigeracin
humidificador
uf
uc
uh
aire
T
controlador multivariable
h
habitacin
400 m 3
T, 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
We S
Wu KS
Wy T
mn , con S (I GK ) 1 y T (I GK ) 1 GK
Academia de Control
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
Wuc ( s )
0
0
Wuh ( s )
0
Wu ( s ) 0
0
0
Wuf ( s )
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
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]')
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)
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
0.1000 <
hamx_eig
1.1e-002
gamma
<=
xinf_eig hamy_eig
-2.1e-015 1.1e-002
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
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
To: Y1
To: Y2
To: Y3
-0.2
1
0.5
0
2
To: Y4
-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.)
10
15
20
Academia de Control
3.
3.1
3.1.1
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
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 )
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.
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 )
G( s ) CsI A B D
1
Academia de Control
s
admite las siguientes
s s 1
2
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
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
Academia de Control
G 1 ( s )
adjG( s )
detG( s )
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:
Academia de Control
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
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.
Academia de Control
Academia de Control
3.1.3
Herramientas matemticas
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)
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
1.
Es M singular?
2.
1 250
M
1
1 250 0 4 10 3 m21
Academia de Control
n
p
xi
i 1
1 p
i 1
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
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 )
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
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
r(s) +
e(s)
u(s)
K(s)
G(s)
d(s)
y(s)
_
H(s)
n(s)
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
L( j ) 1 S( j ) 1 .
Academia de Control
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
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)
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
G( s )
1
2
s 16.94s 9.877 104
92399.7839
294.1176( s 8.471)
92399.7839
294.1176( s 8.471)
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
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
Academia de Control
3.2.2
g
j 1
j i
ij
g
j 1
j i
ji
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:
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).
Academia de Control
Teorema 1: aii
Teorema 2: aii
j 1
j i
ij
ji
j 1
j i
Ejemplo 28.
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.
Academia de Control
3.2.3
Anlisis de estabilidad
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
Academia de Control
L( s )
donde T( s ) G( s )K ( s ) I G( s )K ( s )H .
Q( s )
F( s )
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
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
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
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
N
i
( 0)
i ( F ( s ))
N (i(1L) ( s )) PLi ( s )
i
dB
MG
L(j
0 dB
MRG
log
MG
-1
MFN
MF
0
log
-180
MF
MFN
MRG
Fig. 48. Mrgenes de estabilidad clsicos
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
Academia de Control
3.3
Este apartado est basado en el Captulo 10 de (Dutton, 97). Para ms detalles, se recomienda su
consulta.
3.3.1
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
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
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:
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],
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
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
y2
u1
u2
-1
10
15
20
25
30
%anlisi
L=G*K;
T=feedback(L,eye(2));
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);
plot(t,y,t,u,'--'),grid,legend('y_1','y_2','u_1','u_2')
title('Control por inversin. Respuesta a r_2=escaln')
g
G( s ) 11
g 21
Considerar el
0
g12
s R / L
1/ L
2
2
s R / L
g 22 ( s R / L) o 0
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%.
Academia de Control
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
3.265 105
s( s 800)
K d ( s)
3.265 105
s( s 800)
0
(1110s 9404)
3.488 105
1
K ( s ) G ( s )K d ( s )
La respuesta indicial a cada una de las entradas del sistema controlado es:
Control por inversin. Respuesta a r1=escaln
2
y1
y2
u1
0
-1
u2
0
0.02
0.04
0.06
0.08
0.1
y2
u1
-1
u2
-2
0.02
0.04
%anlisi
0.06
0.08
0.1
Academia de Control
L=G*K;
T=feedback(L,eye(2));
Tu=feedback(K,G);
t=linspace(0,0.5,500);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);
plot(t,y,t,u,'--'),grid,legend('y_1','y_2','u_1','u_2')
title('Control por inversin. Respuesta a r_2=escaln')
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 )
u1
0
-1
u2
0
0.02
0.04
0.06
0.08
0.1
y2
u1
-1
u2
-2
0.02
0.04
0.06
0.08
0.1
Academia de Control
3.3.2
e(s)
u(s)
/
K(s)
n
y(s)
G(s)
/
n
Fig. 50. Lazo de control MIMO de un grado de libertad
Los autovalores
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.
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
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
1
W ( s ) diagk1 ( s ),..., k n ( s ) W ( s ) W( s ) diag q1 ( s ),..., qn ( s ) W 1 ( s )
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
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
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%). Usar el mtodo de los lugares
caractersticos para calcular el controlador MIMO y verificar el comportamiento.
Solucin:
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')
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.
49.8761 6.4614
Ka
6.4827 10.8861
Academia de Control
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
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
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
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')
xlabel('Frecuencia (rad/s)')
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
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
s 0.1
K b ( s) s
0
s 0.1
s
0
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
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')
xlabel('Frecuencia (rad/s)')
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
10
y2
u1
u2
-5
%anlisi temporal
Ktotal=Kb*Kacc*Ka;
L=G*Ktotal;
T=feedback(L,eye(2));
Tu=feedback(Ktotal,G);
t=linspace(0,6,500);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 lugares caractersticos. Respuesta a r_1=escaln')
subplot(212),y=lsim(T,[r*0 r],t);u=lsim(Tu,[r*0 r],t);
plot(t,y,t,u,'--'),grid,legend('y_1','y_2','u_1','u_2')
title('Control por lugares caractersticos. Respuesta a r_2=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)
Academia de Control
u1
u2
u1
0
-5
u2
0
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
Academia de Control
u1
0
-5
u2
0
u1
0
-5
u2
0
K ( s)
G( s )
1 g11 ( s ) g12 ( s )
( s ) g 21 ( s ) g 22 ( s )
donde
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
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
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:
close all,clear all,clc
%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];
129.29
1054.85
874.92
0
10
0
0
Academia de Control
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]);
Gw=mv2fr(a,b,c,d,w);
%diagramas de Bode
figure,
subplot(221),mvdb(w, Gw, [1,1]), title('G_1_1'),
subplot(222),mvdb(w, Gw, [1,2]), title('G_1_2'),
subplot(223),mvdb(w, Gw, [2,1]), title('G_2_1'),
subplot(224),mvdb(w, Gw, [2,2]), title('G_2_2'),
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
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
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
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'),
Academia de Control
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);
av=feig(w,Qw);%av=csort(av);
figure,plotnyq(av),title('Lugares caractersticos de G(s)K_1K_2'),
figure,plotbode(w,av),subplot(211),
title('Lugares caractersticos de G(s)K_1K_2'),
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);
av=feig(w,Qw);%av=csort(av);
figure,plotnyq(av),title('Lugares caractersticos de G(s)K_1K_2k_m'),
figure,plotbode(w,av),subplot(211),
title('Lugares caractersticos de G(s)K_1K_2k_m'),
Academia de Control
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
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 20)( s 25)
s 2 45s 500
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
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
Academia de Control
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
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
Academia de Control
0.3610 + 0.0084i
0.1562
0.9877
-0.1609
0.9490
0
2.7690
As Kbf=AKdB es
Kbf =
0.2900
1.0467
0.3920
2.6035
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
Academia de Control
K bf ( s )
0.8976
1 s 0.6641
s 5.9610
s 2.3966
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
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)'),
figure,plotbode(w,av),subplot(211),
title('Lugares caractersticos (diseo final)'),
Lugares caractersticos (diseo final)
100
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.
Academia de Control
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
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.
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
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
Academia de Control
3.3.3
Mtodo de Perron-Frobenius
Concepto:
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
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%). Usar el mtodo de Perron-Frobenius para
calcular el controlador MIMO y verificar el comportamiento.
Solucin:
La planta es
close all,clear all,clc
%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);
m=abs(iGw);
Para cada frecuencia obtenemos su versin diagonal igualando todos los trminos de fuera de la
diagonal a cero.
omega=fdiag(w,fdiag(w,m));
a b
c d ,
Academia de Control
1 / a 0 a b 1
0 1 / d c d c / d
b / a
1
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')
Academia de Control
-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
-1
MAG dB
-2
-3
-4
-5
-6
-7
-2
10
10
-1
10
FREQUENCY
10
10
0 1
1
0
.
4634
0
.
1205
K ( s)
0
0 Cret ( s )
s 0.1243
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
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
40
Academia de Control
L=G*K;
T=feedback(L,eye(2));
Tu=feedback(K,G);
S=feedback(eye(2),L);
t=linspace(0,30,500);r=ones(length(t),1);
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
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)
10
Academia de Control
3.3.4
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;
Academia de Control
w=sort([w,w2,w3,w4]);
Gw=mv2fr(a,b,c,d,w);
%Bode de Gw
figure,ax=[1e-2 1e2 -100 100];
subplot(221),mvdb(w,Gw,[1,1]), title('Bode
subplot(222),mvdb(w,Gw,[1,2]), title('Bode
subplot(223),mvdb(w,Gw,[2,1]), title('Bode
subplot(224),mvdb(w,Gw,[2,2]), 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);
de [1,2]'),axis(ax);
de [2,1]'),axis(ax);
de [2,2]'),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 2.1. 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
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
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);
Accumulating the frequency responses.
fit =
3.0037e-001
Dominancia por columnas para la columna 2
20
MAG dB
-20
-40
-60
-80
planta
con compensador
con compensador ponderado
-100
-120
-2
10
10
-1
10
10
FREQUENCY
10
10
Academia de Control
MAG dB
-20
-40
-60
-80
planta
con compensador
con compensador ponderado
otros rdenes
-100
-120
-2
10
10
-1
10
10
FREQUENCY
10
10
Academia de Control
comdend =
0
1
Dominancia por columnas para la columna 2
20
MAG dB
-20
-40
-60
planta
con compensador
con compensador ponderado
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
El llamado Inverse Nyquist Array consiste en una matriz de diagramas de Nyquist, uno por
elemento de G-1(j).
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
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):
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
15
MAG dB
10
-5
-10
-2
10
10
-1
10
FREQUENCY
10
10
Academia de Control
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
%
%
%
%
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:
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
Respuesta temporal:
Response to demand on output 1
1
0.5
-0.5
0.5
1.5
0.5
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.),