1

IDENTIFICACIÓN DE LAS PLANTAS PARA

CADA EJE DE LIBERTAD DEL SISTEMA
MIMO CON 2 ROTORES, DISEÑO E
IMPLEMENTACIÓN DE UN CONTROLADOR
PARA EL ÁNGULO DE ELEVACIÓN.
David Zamora
Paul Rodas
Diego Samaniego
dzamora@est.ups.edu.ec
prodas@est.ups.edu.ec
dsamaniegoi@est.ups.edu.ec
Teoria de Control II.
Universidad Politecnica Salesiana.

Abstract—En el siguiente informe se dara a conocer el II. O BJETIVOS

funcionamiento y modelamiento de un sistema MIMO con 2
rotores, al cual le identificaremos la planta del sistema asi como
la matrices de estados del sistema, ademas se propondra un
controlador en matrices de estado con realimentacion completa.
Index Terms—Control, MIMO, modelamiento.
A. Objetivo General
Definir e identificar las plantas para cada eje de libertad en
x, y, el sistema completo de una planta MIMO con 2 rotores.
Diseñar e implementar un controlador para un eje de libertad
de la planta MIMO con 2 rotores.

I. I NTRODUCCION . B. Objetivos Especificos

En este artículo se realiza un análisis de lo que se va
a realizar el control de un sistema mimo para el ángulo
de elevación con dos rotores a su ves la identificación de
las plantas, el controlador que se va a implementar es un
controlador con variables de estado, la identificación y el
control se va a realizar por medio de un software de matlab,
el cual contiene un controlador digital.
• Examinar la maqueta en cada uno de sus ejes para poder
definir las plantas de cada uno de ellos y la planta total
del sistema.
• Comprobar y simular las plantas definidas con el sistema
real.
• Diseñar un controlador para el ángulo de elevación de un
sistema MIMO con 2 rotores.
• Comprobar el funcionamiento del controlador del ángulo
de elevación en el sistema MIMO con 2 rotores.

III. M ARCO T EORICO

Figure 1. Sistema MIMO con 2 rotores[8]
A. Twin Rotor MIMO System 33-220
Este módulo es un laboratorio para experimentos de control.
En ciertos aspectos este comportamiento se asemeja al de un
helicóptero. Desde el punto de vista del control ejemplifica un
sistema MIMO no lineal de grado superior con acoplamientos
significativos.
El modulo consta de una viga articulada en la base de tal
manera que puede girar libremente al mismo tiempo en el
plano vertical y horizontal. En ambos extremos de la viga hay
dos rotores, el principal y el de la cola, estos son impulsados
por motores de corriente continua. Un brazo de contrapeso
con un peso en su extremo se fija a la viga en el pivote. El

estado de la viga es descrito por cuatro variables de proceso:
ángulos horizontales y verticales medidos por los sensores
instalados en la posición de pivote, y dos correspondientes
a velocidades angulares. Las dos últimas variables de estado
son las velocidades angulares de los rotores, medidos por taco
generadores acoplados a los motores de corriente continua
Los rotores pueden girar alrededor de un eje vertical y de
un eje horizontal. Cuando no está en uso, o al establecer los
parámetros de control, uno o ambos ejes de rotación se pueden
bloquear por medio de los dos de bloqueo tornillos muestran
en el diagrama anterior. [8]
Figure 2. Modulo Twin Rotor MIMO System 33-220.[8]
Como ya dijimos este módulo simula las hélices de un he-
licóptero por lo tanto en un helicóptero la fuerza aerodinámica
es controlada por cambios en el ángulo de los rotores. La
fuerza aerodinámica se controla variando la velocidad de los
rotores. Por lo tanto, las entradas de control son las tensiones
de alimentación de los motores de corriente continua. Un
cambio en los resultados de valor de la tensión es un cambio
de la velocidad de rotación de la hélice, lo que resulta en
un cambio de la posición correspondiente de la viga. Cada
uno de los rotores influye en sus ángulos de posición. Por lo
tanto el controlador debe estar diseñado para que el cambio
de movimiento en un rotor no afecte al segundo.
Figure 3. Sistema TRMS real.
2
Una metodología a seguir para la determinación de la
función de transferencia de un sistema es la siguiente:
dn dn−1 dm
y (t)+an y (t)+. . .+a1 y (t) = bm+1 u (t)+. . .+b1 u (t)
dtn dtn−1 dtm
1) Identificar las ecuaciones de equilibrio o leyes físicas
involucradas en el sistema.
2) Identificar las ecuaciones de equilibrio o leyes físicas
involucradas en el sistema.
3) Obtener la transformada de Laplace de cada ecuación
considerando condiciones iniciales cero.
4) Relacionar la variable de salida con las variables de
entrada.
Los sistemas mecánicos de rotación son quizá el tipo de sis-
temas que con mayor frecuencia se encuentran en aplicaciones
cotidianas. Estos abarcan cualquier sistema cuyo elemento
motriz es un motor o una máquina rotatoria.
1) Modelamiento del sistema : Para efectuar el análisis de
un sistema, es necesario obtener un modelo matemático que
lo represente. El modelo matemático equivale a una ecuación
matemática o un conjunto de ellas en base a las cuales
podemos conocer el comportamiento del sistema. Es necesario
comentar que el modelo matemático que se desarrolla a partir
de un sistema no es único, debido a lo cual se pueden lograr
representaciones diferentes del mismo proceso. Estas difer-
entes representaciones no contradicen una a la otra. Ambas
contienen información complementaria por lo que se debe
encontrar aquella que proporcione la información de interés
para cada problema en particular. Para uniformizar criterios
respecto a las denominaciones que reciben los elementos que
conforman un sistema de control es necesario tener en mente
las siguientes definiciones: Planta Cualquier objeto físico que
ha de ser controlado.
Proceso Operación o secuencia de operaciones, caracteri-
zada por un conjunto de cambios graduales que llevan a un
resultado o estado final a partir de un estado inicial. Sistema
Combinación de componentes que actúan conjuntamente y
cumplen un objetivo determinado.
Perturbación Es una señal que tiende a afectar adversamente
el valor de la salida de un sistema. Servomecanismo Sistema
de control realimentado cuya salida es una posición mecánica.
Una vez que se han definido los diferentes tipos de sistemas,
es necesario conocer la dinámica de los mismos a partir de
ecuaciones que relacionen el comportamiento de una variable
respecto a otra. Para lograr lo anterior se requiere de gran
conocimiento de los procesos y de los elementos que los
conforman, y de cada una de las disciplinas de la ingeniería
involucradas. Es por ello que la ingeniería de control se
considera un campo interdisciplinario. Una planta o cada una
de las partes que forman un sistema de control, puede ser rep-
resentada por un conjunto de ecuaciones integro-diferenciales
de n-ésimo orden con coeficientes lineales invariantes en el
tiempo que relacionan la variable de entrada con la variable
de salida de la forma:
 3

Se puede determinar si el sistema es controlable examinando

la condición algebraica

A2 B An−1 B
 
rango B AB ... =n (4)

C. Observabilidad
Si el sistema es observable y controlable los polos de
un sistema en lazo cerrado se pueden situar arbitrariamente
en el plano complejo. La observabilidad es la posibilidad
de la estimación de una variable de estado. Un sistema es
completamente observable si existe un tiempo finito T de
forma que el estdo inicial x(0) se determina a partoir de la
obsevabilidad [1].
Consderando un sistema lineal
 
C
 CA 
 2

PO =  CA (5)
 

Figure 4. Tabla de Valores de Inercia[9]  .. 
 . 
Al igual en que los sistemas mecánicos de traslación se CAn−1
tiene un conjunto de elemento básicos los cuales se encuentran El sistema es observable si la matriz de observabilidad tiene
resumidos en la figura 4. un rango=n y su determinante es diferente de cero.
Dentro de las aplicaciones de este tipo de sistemas podemos
citar tornos, cajas de transmisión, sistemas de poleas, turbinas,
etc. D. Fórmula de Ackermann
Las variables involucradas en los sistemas mecánicos de La formula de Ackermann es útil para determinar la matriz
rotación son el par o torque, el desplazamiento angular, de realimentación en cariables de estado de un sistema de una
velocidad angular y la aceleración angular. entrada-una salida.[1]
 
B. Controlabilidad K= k1 k2 ... kn (6)
El diseño de realimentación de estados se basa en tecnicas Donde
de asignacion de polos, un sistema es completamente contro-
lable si existe un control sin restricción u(t) que puede llevar u = −Kx (7)
cualquier esatdo inicial x(to) a cualquier otro esatdo deseado
x(t) en un tiempo finito t0 ≤ t ≤ T [1]. Dada la ecuación característica deseada
La controlabilidad juega un papel importante para algunos
problemas de control como es la optimización de sistemas q (λ) = λn + α1 λn−1 + . . . + αn (8)
inestables.
La matriz de ganacia de realimentación es
.
x (t) = Ax (t) + Bu (t) (1)
Pc−1 q (A)
 
K= 0 0 ... 1 (9)

y (t) = Cx (t) + Du (t) (2) Donde

Donde: q (A) = An + α1 An−1 + . . . αn−1 A + αn I (10)

• x es el vector de estado
• y es el vector de salida
• u es el vector de entrada (o de control)
• A es la matriz de estados
• B es la matriz de entrada
• C es la matriz de salida
• D es la matriz de trasmisión directa.
• La matriz de observabilidad está dada por
La matriz de controlabilidad está dada por
A2 B
 
PC = B AB ...
Pc es la matriz de controlabilidad de la ecuación 3
IV. D ESARROLLO
El sistema multivariable de 2 rotores acoplados (Twin Rotor
MIMO System, TRMS) está diseñado para simular la dinámica
de un helicóptero, este se compone básicamente de un pivote
que permite una rotación en los ejes vertical y horizontal, un
rotor principal y un rotor de cola.
El comportamiento multivariable del sistema pues, tal como
An−1 B
(3) se muestra en la Figura IV
 4

• lm : Largo del rayo pivote-motor principal.

• lt : Largo del rayo pivote-motor de cola.
• lb : Largo del rayo pivote-contrapeso.
• lcb : Distancia pivote-contrapeso.
• g: Aceleración de gravedad.

En la siguente tabla se puede ver los valores de los mismos

Parámetro Valor Parámetro Valor
It 0.282 Jt 2,48 · 10−5
Im 0,246 Bt 2,3 · 10−5
Ic 0,290 Bm 4,5 · 10−5
Icb 0,276 kth 5 · 10−8
rms 0,155 ktv 5,6 · 10−7
Figure 5. Esquema del TRMS[8] rts 0,1 k1 6,5
mtr 0,221 k2 8,5
Existen 2 entradas que corresponden al voltaje aplicado en mmr 0,236 kg 0,2
mcb 0,068 kv 1,31 · 10−3
cada uno de los bornes de los motores de corriente continua mt 0,015 kh 4,7 · 10−3
(en verde), y 4 salidas que corresponden a los ángulos de mm 0,014 kT tp 1,84 · 10−6
inclinación para cada eje y las velocidades de cada uno de mb 0,022 kT tn 2,20 · 10−6
los motores (azul y rojo, respectivamente). Además, la misma mts 0,119 kT mp 1,62 · 10−5
mms 0,219 kT mn 1,08 · 10−5
figura muestra la nomenclatura que se ocupa en el resto de Ra 8 kt 2,6 · 10−5
este trabajo con: La 0,86 · 10−3 km 2 · 10−4
αv : Ángulo de elevación del sistema (eje vertical). ka 0,0202 kchp 8,54 · 10−3
Jmr 1,272 · 10−4 kchn 7,686 · 10−3
αh : Ángulo de rotación del sistema (eje horizontal). Table I
ωM R : Velocidad angular del rotor principal (main rotor). PARÁMETROS DEL MODELO NO LINEAL [9]
ωT R : Velocidad angular del rotor de cola (tail rotor).
uv : Voltaje (normalizado) para el rotor principal.
uh : Voltaje (normalizado) para el rotor de cola. Definiendo las ecuaciones se obtiene
m 
t
A= + mtr + mts It
A. Identificación de la planta en modelo vertical 2
m 
m
B= + mmr + mms Im
2
m 
b
C= Ib + mcb Icb
2
sustituyendo en la ecuacion se obtirnr una forma com-
pactada para la expresión

M v1 = g ([A − B] cos (αv ) − C sin (αv ))

Figure 6. Diagrama de momentos de fuerza para el eje vertical[8]
El primero de los momentos Mv1 se expresa como
Mv1 = g {[(A) − (B)] cos (αv ) − (C) sin (αv )}
con
• Mv1 : Torque de retorno para las fuerzas de gravedad.
• mmr : Masa del motor CC con el rotor principal.
• mm : Masa del rayo pivote-motor principal.
• mtr : Masa del motor CC con el rotor de cola.
• mt : Masa del rayo pivote-motor de cola.
• mcb : Masa del contrapeso.
• mb : Masa del rayo pivote-contrapeso.
• mms : Masa del escudo principal.
• mts : Masa del escudo de cola.
Mv2 y Mv4 correponden al momento de fuerza de eje pro-
ducida po el rotor principal y el momento de roce a asociada
a la velocidad de giro, respectivamente cuyas expreciones son
Mv2 = Im Fv (ωm )
.
Mv4 = −αv Kv = −Ωv Kv
ωm : Velocidad angular del rotor principal.
Fv : Fuerza propulsora del rotor principal.
Ωv : Velocidad angular alrededor del eje horizontal.
kv : Constante de roce.
La expresión Mv3 corresponde al momento de fuerzas
centrífugas relacionadas al movimiento del rayo alrededor del
eje definida como
Mv3 = −Ω2 {[(A) + (B) + (C)] sin (αv ) cos (αv )}
con
 5

Ωh : Velocida angular alrededor del eje vertical. C. Identificacion de la Planta.

Agrupando constantes se obtiene Para la identificacion de la planta se uso los comandos en
matlab iddata para la adquisicion de los vectores de salida del
Mv3 = −Ω2 [A + B + C] sin (αv ) cos (αv ) la planta, ademas una vez adquiridos los vectores de datos se
aplico el comando n4sid el cual procesa los datos muestreados
Las componentes de los momentos de inercia relativos al
de la planta para poder estimar un modelo aproximado al real
eje horizontal se expresan como
2 l2 en el cual se denota el porcentaje de coincidencia el cual
Jv1 = mmr lm , Jv2 = mm m 3 debe superar el 80% para poder establecer un buen control
2 l2
Jv3 = mcb lcb , Jv4 = mb 3b del sistema que se aproximo. Para la prueba de la planta se
l2
Jv5 = mtr lt2 , Jv6 = mt 3t diseño una señal PRBS la cual se envio al vector de entrada
Jv7 = m2ms rms2 2
+ mms lm 2
, Jv8 = mts rts + mts lt2 del sistema, ademas observando la planta se determino por
con el fabricante que como la planta tiene el punto de trabajo 0
rms : Radio del escudo principal. dependiendo del punto de trabajo con el que se va a identificar
rts : Radio del escudo de cola. debe el sistema colocarse en la parte central en la cual debe
Es importante mencionar que estos momentos de inercia no haber una constante angular de 1.5 la cual en la identificacion
dependen de la posición del sistema y son constantes en el hara pendular con punto de equilibrio en el centro.
tiempo. 1) iddata: Requisitos para la construcción de un objeto
iddata Para construir un iddata objeto, debe ya ha importado
los datos en el espacio de trabajo de MATLAB, como se
B. MODELO HORIZONTAL describe en el dominio del tiempo de representación de datos
Este modelo horizontal, aún cuando tiene una base en la .
2da ley de Newton y en el modelo fenomenológico del modelo La construcción de un objeto iddata para Time-Data Domain
vertical. Utilice la siguiente sintaxis para crear un dominio de tiempo
iddata objeto de datos :
data = iddata (y, u, Ts) También puede especificar
propiedades adicionales, como sigue:
data = iddata (y, u, Ts, ’Property1’, Valor1, ..., ’PropertyN’,
valorN) Para obtener más información sobre cómo acceder a
las propiedades del objeto, vea Propiedades .
Aquí, Ts es el tiempo de muestreo o el intervalo de tiempo,
entre las muestras de datos sucesivos:
Para los datos de la muestra de manera uniforme, Ts es un
valor escalar igual al intervalo de muestreo de su experimento.
Para los datos de manera no uniforme en la muestra, Ts es [] , y
el valor de la SamplingInstants propiedad es un vector columna
que contiene los valores de tiempo individual. Por ejemplo:
Figure 7. Momentos de fuerza para el nuevo modelo horizontal[9] data = iddata (Y, U, [], ’SamplingInstants’, TimeVector) donde
TimeVector representa un vector de valores de tiempo.
Mh1 se representa como La unidad de tiempo es en segundos, pero puede especificar
cualquier cadena de unidad mediante el TimeUnit propiedad.
Mh1 = D {E cos (αh ) − F sin (αh )} Para obtener más información acerca de iddata propiedades
de tiempo, consulte Modificación de Tiempo y vectores de
con D, E, F constantes a determinar experimentalmente, frecuencia . Para representar los datos de series de tiempo,
Mh2 y Mh4 son momentos análogos al modelo vertical dados utilice la siguiente sintaxis:
por: ts_data = iddata (y, [], Ts) donde Y es los datos de salida,
[] indica los datos de entrada vacías, y Ts es el intervalo de
Mh2 = lt Fh (ωt ) muestreo.
El siguiente ejemplo muestra cómo crear un iddata ob-
jeto utilizando single-input/single-output (SISO) los datos de
Mh4 = −αh kh = −Ωh kh dryer2.mat . La entrada y la salida de cada uno contiene 1000
Mh3 corresponde al momento de fuerza producido por el muestras con el intervalo de muestreo de 0,08 segundo.
rotor principal y se modela simplemente como cargar dryer2% u2 Entrada de carga y y2 salida. data =
iddata (y2, u2, 0,08)% Crear objeto iddata. MATLAB devuelve
Mh3 = k1 F1 (ωm ) la siguiente salida:
Datos de dominio de tiempo Fija con 1.000 muestras.
Las componentes de los momentos de inercia relativos al eje Intervalo de muestreo: 0,08
vertical se suponen constantes, independientes de la posición Unidad de Salidas (si se especifica) y1
del sistema y su suma será una nueva constante a determinar. Unidad de Insumos (si se especifica) u1

El canal por defecto el nombre ’y1’ se asigna al primer y
único canal de salida. Cuando y2 contiene varios canales, los
canales se asignan nombres por defecto ’y1’, ’y2’, ’y2’, ...,
’yn’ . Del mismo modo, el canal predeterminado nombre ’u1’
se asigna al primer y único canal de entrada. Para obtener más
información acerca de nombres de canal, consulte Naming,
añadir y eliminar canales de datos .
2) n4sid: sys = n4sid (datos, nx) sys = n4sid (datos, nx,
nombre, valor) sys = n4sid (_ , opt) [sys, x0] = n4sid (_ )
Descripción
sys = n4sid ( datos , nx ) estima un nx modelo de espacio de
estado, orden, sistema , utilizando los datos de entrada-salida
de medición, los datos .
sys es un modelo que representa el sistemaen espacio de
estados.
Donde A, B , C , y D son matrices de espacio de estado.
K es la matriz de perturbación. u ( t ) es la entrada, y ( t )
es la salida, x ( t ) es el vector de nx estados y e ( t ) es la
perturbación.
Todas las entradas de la A , B , C y K son matrices de
parámetros de estimación libres por defecto. D se fija en cero
por defecto, lo que significa que no hay ninguna conexión de
interfaz, a excepción de los sistemas estáticos ( nx = 0 ).
sys = n4sid ( datos , nx , nombre, valor ) especifica los
atributos adicionales de la estructura de espacio de estado
utilizando uno o más nombre, el valor del par de argumentos.
sys = n4sid (_ , opt ) especifica opciones de estimación, opt
, que configuran los estados iniciales, objetivo de estimación,
y las opciones de algoritmos relacionados subespacial que se
utilizará para la estimación.
[ sys , x0 ] = n4sid (_) también devuelve el estado inicial
estimado.
3) compare: compare(data,sys)
compare(data,sys,prediction_horizon)
compare(data,sys,style,prediction_horizon)
compare(data,sys1,...,sysN,prediction_horizon)
compare(data,sys1,style1,...,sysN,styleN,prediction_horizon)
compare(_,opt) [y,fit,x0] = Compare (_)
Descripción
Comparar ( datos , sys ) traza la respuesta simulada de un
modelo de sistema dinámico, sys , superpuesta sobre los datos
de validación, los datos , para comparación. La trama también
muestra la raíz cuadrada media normalizada (NRMSE) medida
de la bondad del ajuste.
La coincidencia de los canales de entrada / salida de datos
y sistema se basa en los nombres de los canales. Así, es
posible evaluar los modelos que no utilizan todos los canales
de entrada que están disponibles en los datos .
Compare ( datos , sistemas , prediction_horizon ) compara
la respuesta prevista de sistemas a la respuesta medida en los
datos .
Compare ( datos , sistemas , estilo , prediction_horizon )
utiliza el estilo para especificar el tipo de línea, símbolo de
marcador, y el color.
Compare ( datos , sys1, ..., sysN, prediction_horizon )
compara las respuestas múltiples sistemas dinámicos en los
mismos ejes. comparar escoge automáticamente los colores y
6
estilos de línea en el orden especificado por los ColorOrder y
LineStyleOrder propiedades de los ejes actuales.
Compare ( datos , sys1, style1, ..., sysN, Stylen, predic-
tion_horizon ) compara las respuestas múltiples sistemas en los
mismos ejes utilizando el tipo de línea, símbolo de marcador,
y el color especificado para cada sistema.
Compare (_, opt ) configura la comparación utilizando un
conjunto de opciones.
4) Señal PRBS.: Una señal PRBS es una clase de se-
cuencias aleatorias binarias que son periódicas, esto es, son
secuencias infinitas formadas por una subsecuencia aleatoria
binaria de duración T que se repite periódicamente. Debido
a su característica periódica pero a la vez aleatoria, a estas
secuencias se las denomina “secuencias seudoaleatorias”, El
término “seudo-aleatorio” significa que la señal es aleatoria
en apariencia pero reproducible por medios determinísticos.
Las secuencias seudoaleatorias no se producen espontánea-
mente sino que son generadas por métodos artificiales; este
hecho es de gran importancia pues permite la reproducción
de señales seudoaleatorias idénticas, lo cual es imposible de
lograr con secuencias aleatorias de cualquier otro tipo.
Las secuencias seudoaleatorias son muy utilizadas en el
campo de la ingeniería eléctrica, sobre todo en el dominio
de las telecomunicaciones, y sería de interés conocer sus
características temporales y frecuenciales, en particular su
función de autocorrelación y su densidad espectral de potencia.
• Generación de la señal PRBS
Debido a su naturaleza periódica y determinística, las secuen-
cias seudoaleatorias se pueden generar en forma artificial.
Esto es de capital importancia en el campo de las telecomu-
nicaciones pues permite la generación de réplicas exactas y
sincronizadas tanto en el transmisor como en el receptor.
Se puede decir que las secuencias seudoaleatorias son una
subclase importante de las secuencias binarias recurrentes,
las cuales se pueden generar mediante dispositivos lineales
retroalimentados muy fáciles de realizar con registros de
desplazamiento digitales corrientes.
Las secuencias seudoaleatorias de interés en telecomunica-
ciones deben cumplir con las siguientes condiciones:
(1) Que sean fáciles de generar
(2) Que posean las propiedades aleatorias necesarias
(3) Que su período sea grande
(4) Que sean difíciles de reconstruir a partir de un corto
segmento de la secuencia
La velocidad de bits, o el número de bits por segundo, se
determina por la frecuencia de un reloj externo, que se utiliza
para accionar el generador. Para cada periodo de reloj de un
solo bit es emitida desde el generador, ya sea en el ’1 ’o ’0’
nivel, y de una anchura igual al periodo de reloj. Por esta
razón el reloj externo se conoce como un reloj de bit.
El patrón de secuencia se repite después de un número
definido de períodos de reloj. En un generador típico la
longitud de la secuencia se puede establecer en periodos de
reloj 2n, donde n es un número entero.
Aqui se ingreso una señal PRBS con 1666 muestras ademas
se tiene un rango de amplitud de la señal desde -0.8 hasta
0.8, todo el proceso se realizo en matlab exportando datos al
simulink.
 7

Señal PRBS obtenida.

Figure 8. Codigo en Matlab para la señal PRBS

Figure 10. Identificacion de la planta mediante señal PRBS.

Figure 9. Identificacion de la planta mediante señal PRBS.

D. Graficas de la identificacion mediante espacio de estados.

Para la identificacion se tomo como tiempo de mustreo de
0.03s con lo cual nos entrega 33.333 muestras por segundo,
ademas el tiempo de simulacion es de 50seg con lo cual nos
da 1667.
luego de la identificacion de las matrices de estado en
la forma canonica se realizo un script mediante el cual
ingresamos las matrices de estado obtenidas, con lo cual se
obtiene la funcion de trasnferencia del sistema la cual nos
demuestra que es inestable el modelo mas no el sistema, para
lo cual se analizo la matriz de controlabilidad.
para poder ver que se puede controlar y observar el sistema
se realizo un script2 en matlab(el cual esta en el anexo del
proyecto) el cual nos revela los valores de las matrices de
controlabilidad y observabilidad asi como su rango para ver
si son completamente controlables y observables con lo cual
para el control se pueden defirnir los polos en cualquier parte
del semiplano izquierdo.
Para las respuestas de las matrices de controlabilidad y
observabilidad se obtuvo.
1) Criterio de controlabilidad : Para que una matriz A
de n*n sea controlable el determinante de la matriz [B AB
A^2B A^3B] debe ser n. Figure 11. Matrices de estado del sistema.
 8

Figure 12. Identificacion de la planta mediante señal PRBS.

Figura 14. codigo en matlab para sacar matriz de controlabilidad

Figura 15. matriz de observabilidad

Figura 13. matriz de controlabilidad

2) Criterio de observabilidad: Para que una matriz A de

  n*n sea controlable el determinante de la matriz [C*|A*C]
0 1 0 debe ser n.
A= 0 0 1  matriz de observabilidad
0,967 −2,931 2,964  
  0 1 0 0
−0,000612  20,601 0 0 0 
A= 
B =  −0,00054425   0 0 0 1 
−0,000442 −0,4905 0 0 0
 
  0
C= 1 0 0  −1 
B=  0 

Para obtener la matriz de controlabilidad
0,5

M = [B AB A2 B A3 B]
 
C= 0 0 1 0
A continuacion se presenta el codigo desarrollado en Matlab A continuacion se presenta el codigo desarrollado en Matlab
Y obteniendo un rango de controlabilidad de 3 por lo cual Y obteniendo un rango de observabilidad de 3 por lo cual
es igual al orden del sistema por tanto es controlable es igual al orden del sistema por tanto es observable
 9

control signal
1.5

0.5

-0.5

20

15

10

Figura 16. codigo en matlab para sacar matriz de observabilidad 0

-5

E. Graficas de la respuesta del sistema. -10

0 10 20 30 40 50 60 70 80 90 100

Time offset: 0

En la figura 13 se puede observar la señal controlada del

angulo de elevación (Pitch) y del (Yaw) al momento que Figure 18. Señal de la constate del angulo y del pitch
ensendemos el sistema TRMS

En la figura 15 se puede observar el diagrama de control

en simulink
pitch
0.8

0.7

0.6

0.5

0.4 In1

pitch 0.5
PCI1711 PCI1711
0.3 Lab I/O Board Constant Lab I/O Board
In2
Feedback DAC
Feedback Encoder
0.2 yaw K*u control signal
Rotor

K2
Product3 Add1
u
TRMS pitch and yaw
0.1 Pitch and yaw angle
K
To Workspace2
y K* u

To Workspace PCI1711
0 Lab I/O Board
0

Constant1 Feedback DAC

Feedback Instruments Limited
-0.1
Tail

-0.2

B* u 1
C* u
-3 z
x 10 yaw H1
Product2 Add2 Product1
Unit Delay2 C1
4

A* u

3 G1

Ke* u
2
Ke
Version 1.10

-1

-2
Figure 19. Diagrama de control en simulink
-3

-4
0 10 20 30 40 50 60 70 80 90 100

Time offset: 0
V. C ONCLUSIONES

Figure 17. Señal controlada del Pitch y del Yaw

En la fugura 14 se puede observar la señal de referencia que
seria el ángulo al que se va a estabilizar y a su vez muestra el
vector de entrada, la señal del Pitch que se esta estabilizando
con la señal de referncia de 0.5.
Para identificar la planta se tuvo problemas para obtener el
menor rango de error posible de la señal identificada con la
señal real para obtener una identificación adecuada se tuvo que
variar alguno parámetros de la señal PRBS la cual era la señal
de ingreso para realizar la identificación de la planta, dentro
de los parámetros que se variaron se encuentran la frecuencia
de la señal PRBS, la amplitud de la señal PRBS además
del tiempo y el número de muestras durante la simulación
finalmente se obtuvo una señal identificada con un 87% de
 10

similitud con la señal real lo cual nos indicó que es un

modelo bueno para trabajar. La ventaja de esta planta es que
está diseñada para trabajar en el control y no hubo problema
trabajar en ella en cambio si hubiésemos armando nosotros la
planta la identificación de la planta no hubiese sido correcta
ya que no se toman todos los aspectos dinámicos de la planta.
El sistema resultante fue de tercer orden por lo cual se tienen
3 variables de estado de las cuales solo uno es medible (el
angulo de elvacion) por esto es control por realimentacion
de estados se tuvo que realizar con observador. Realizar el
diseño de controlador fue relativamente sencillo ya que en la
identificacion de la planta nos entrega tambien las matices de
estado. Después de esto es muy sencillo encontrar el vector
de realimentación de ganancias K, se realizo mediante matlab.
Es interesante ver que en el control por realimentación de
estados solo se necesita encontrar el valor de la matriz K con
los polos deseados y al fin de cuentas se está realimentado el
sistemas con ganancias para cada estado en comparación con
la teoría del control clásico en el cual intervienen una serie de
análisis más complejos para realizar el diseño del controlador.
Ademas de esto el diseño del observador utiliza el mismo
metodo para encontrar el vector K para la realimentacion de
los estados pero los polos planteados para este caso deben
estar lo suficientemente alejados de los polos de la planta para
que pueda observar los estados. Finalmente se puede recalcar
que el control por realimentación de estados es muy efectivo
y relativamente fácil de diseñar en comparación al control
clásico.

PÁGINAS W EBS
http://www.mathworks.com/help/ident/ref/iddata.html
http://www.mathworks.com/help/ident/ref/n4sid.html
http://www.mathworks.com/help/ident/ref/compare.html

R EFERENCES
[1] Sistemas de Control Moderno de Bishop Décima Edición
[2] Balas, G., Doyle, J., Glover, K., Packard, A. and Smith, R.
(1998). “µ Analysis Toolbox for use with MatLab”, The Math-
Works, Inc.
[3] Doyle, J., Grover, K., Khargonekar, P. and Francis, B. (1989).
“State-Space Solutions to Standard H2 and H∞ Control Pro-
blems”. IEEE Trans. on Automatic C
[4] Chiang, Y. and Safonov, R.(1998). “Robust Control Toolbox for
use with MatLab”, The MathWorks, Inc.
[5] http://www-ma3.upc.es/codalab/fitxers/sem/G-Pujol-
260506.pdf
[6] http://homepages.laas.fr/henrion/courses/lmi11/
[7] http://www.mathworks.com/help/toolbox/control/getstart/brz18pm.html
[8] Feedback Instruments Ltd, Twin Rotor MIMO System Control
Expriments, 33-949S, Laboratory Manual.
[9] JAVIER OLGUÍN PIZARRO, ESTRATEGIAS AVANZADAS
PARA EL CONTROL DE UN SISTEMA MIMO DE 2 ROTO-
RES