CONTROL DE PROCESOS

´ PRACTICO Y AVANZADO
ARTURO ROJAS MORENO, Ph.D.

Modelado de Procesos Sistemas de Instrumentaci´ on Elementos Finales de Control Control PID SISO Estrategias de Control PID Control PID MIMO Control Inteligente Programas fuente en MATLAB

TECSUP

II

´ CONTROL DE PROCESOS PRACTICO Y AVANZADO
Copyright c 2011 Arturo Rojas-Moreno. Todos los derechos reservados. ISBN Queda rigurosamente prohibida la reproducci´ on total o parcial de esta obra por cualquier medio o procedimiento, sin la autorizaci´ on escrita del propietario del “Copyright”.

A la Memoria de mis Padres

´ Indice general
III

Prefacio 1. Introducci´ on 1.1. Sistema de Control a Lazo Cerrado . . . . . . . . . . . . . . . . . . . . 1.2. Sistema de Control a Lazo Abierto . . . . . . . . . . . . . . . . . . . . 1.3. Din´ amica Lineal de los Elementos Ideales . . . . . . . . . . . . . . . . 2. El Proceso a Controlar 2.1. Procesos con Comportamiento Proporcional . . . . 2.2. Procesos de Primer Orden . . . . . . . . . . . . . . 2.3. Procesos de Segundo Orden . . . . . . . . . . . . . 2.4. Procesos Integrales . . . . . . . . . . . . . . . . . . 2.5. Procesos con Tiempo Muerto . . . . . . . . . . . . 2.6. Procesos de Orden Superior . . . . . . . . . . . . . 2.7. El Motor DC . . . . . . . . . . . . . . . . . . . . . 2.8. Modelo MIMO del Proceso Tanque Cerrado . . . . 2.8.1. Descripci´ on del Proceso . . . . . . . . . . . 2.8.2. Modelo Din´ amico No Lineal del Proceso . . 2.8.3. Modelo Din´ amico de Lagrange del Proceso 2.8.4. Modelo Din´ amico Lineal del Proceso . . . . 2.9. Respuesta Transitoria de los Procesos . . . . . . . 2.9.1. Respuesta al Escal´ on . . . . . . . . . . . . . 2.9.2. M´ etodo del 28.3 % y 63.2 % . . . . . . . . . 2.9.3. Otras Respuestas al Escal´ on y al Impulso . 2.10. Problemas . . . . . . . . . . . . . . . . . . . . . . .

IX

1 1 6 7 11 11 13 18 20 21 22 26 28 28 29 33 33 34 34 37 37 39

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

3. El Sistema de Instrumentaci´ on 45 3.1. Sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.1.1. Caracter´ ısticas Est´ aticas y Din´ amicas . . . . . . . . . . . . . . 46 3.1.2. Principios de los sensores . . . . . . . . . . . . . . . . . . . . . 47 4. Elementos Finales de Control 51 4.1. Caracter´ ısticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

. . . 5. . . . . 5. . . . . . . . . . .5. M´ etodo de la Curva de Reacci´ on (Sistemas Autoregulados) 5. .8. 7.5. . . . . Otras Estrategias de Control 6. . . . . . 6. . . . . .5. . . . . . . . . .5. . . . .5. . . . . . 7. La Funci´ on de Transferencia . . . .1. . . . . . . . . . . . . Operaciones con Matrices . . 7. . . . . . . . .1.3. . Modos de Control . A. . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . .4. . Control de Rango Partido . . . . . . . . . . .2. .1. . . . . . . M´ etodo de las Oscilaciones Sostenidas . . . El Efecto Windup . . . . . . . . . . . . 5. . . 6. . . . No Interacci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. 7. . . . . . .5. . . Matem´ atica para Sistemas Continuos A. . .2.3. . .3. . El Algoritmo PID Discreto Modificado . . . . A.2. . . . . . .2. . . . . . . . . 6. . . A. . . .4. . . A. . .2. . . Estabilidad . . . . . . .1. . . . 5. .9. . . . . . . . 5. . .3. . . . . 6. . .5. . .6. . . . El Criterio de Hurwitz . . . 6. . .1. . . . . . . Algunas Estructuras B´ asicas . . . . . . .1. . La Transformada Inversa de Laplace A. . . . . . . . . .1.2. . . Fracciones Parciales . . . . . 7. . . . . . . . . . . .2. . . . . Control de la Raz´ on . . 7. . . . . . . . . . . . . .2. . . . . . . . Especificaciones de Dise˜ no en el Dominio del Tiempo . A. . .1. . . . . . . . . . . . . . . . . . .1. . . . . Definici´ on y Ejemplos . .1. . . . . . . . . . .2. . . . . . . . . . . . . . . . . M´ etodos de Sintonizaci´ on de Controladores PID . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . M´ etodos Basado en la Minimizaci´ on de un ´ Indice . . . . . . . . . . . 5. . . . .2. . . . . . . . . . . . . . . . . Exactitud Est´ atica . . . . .1. Control P MIMO empleando el Criterio de Hurwitz . . . . . . . . . .1. . . . . La Banda Proporcional BP % . 5. . . . . . . . . .1. . . . . Control en Cascada . . . . . . . Problemas . . .2. . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . 5. . . . . . . . . . . . . . . . . Procedimiento de Dise˜ no . . . . . Especificaciones de Dise˜ no . . . . . . . . . Sistema de Control SISO . . Control PID Multivariable 7. . . . . . . . .5. . Especificaciones de Dise˜ no en el Dominio de la Frecuencia . . . . . . . . . . . . . . . . . . . . . . 5.3. A. . . . .3. Uso de la Curva de Reacci´ on en Sistemas No Autoregulados 5. . .4. . Control Anticipativo . . . . . . Matrices y Determinantes . . . . .2.4. . . . . . . . . . . . . . . 5. 5. . . . .4. . Control PID MIMO con Desacopladores . .7. . . . . . . . . . M´ etodo de las Oscilaciones Amortiguadas . . . . . . . . . .1. 5.VI ´ INDICE GENERAL 55 55 57 57 59 65 65 65 68 70 71 85 91 93 95 100 106 108 110 115 119 119 123 125 130 132 135 135 136 137 137 145 148 148 149 150 153 153 153 156 157 158 163 164 5. Estructuras del Controlador PID . . . Control Selectivo .3. . . . . . . . . .5. . . . . . . . . . . . . 5. . Control PID SISO 5.4. . . . .4. . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . Control MIMO v´ ıa Desacoplamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Problemas . . . . 7. . . . . .6. . . . . . . . . Control PID del Sistema SDA . 5. .1. . . . . . 7. . . . . . . . . . . . . . 7. . M´ etodo del Rel´ e .1. . 5. . . La Transformada Unilateral de Laplace . . . . . .

5. . . . . . . . . . B. .1. . . .2. A. . Fundamentos de MATLAB y Simulink B. . . A. A.3. . . . .4. . . Tipos de Matrices . B . . . . . . Eigenvectores y Pseudoinversas . . . . . . .1. . . . . Caso MIMO . . . . . . . Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . Simulaci´ on de un Sistema de Control B. . . . . B. A. Definici´ on de Variables de Estado . . . . . . .2. 166 167 172 177 178 178 180 181 184 187 194 199 201 203 203 204 207 217 217 217 218 220 221 228 229 231 234 234 238 241 244 B. . . . . B. Matriz de Transferencia y Estabilidad . . . . .6. . . . . . . . . . . . . . . . . . . Fundamentos de MATLAB . . . . . . . . . Variables de Estado . . . . . . . .3. . . . . . B.3. . . . . . . . .5. . B. . . . . . Fundamentos del Software Simulink B. . .1. .2.6. . . . . . . . . . . . . . . . Determinantes y Matriz Inversa . . . . Matem´ aticas . . . . . . . .2. . . . . . . . . . . . .2. . . . . . . . . Soluci´ on de la Ecuaci´ on de Estado de SLITs Continuos A. . . . . . Gr´ aficos . .1. . . . . . . . . . . . . . . . . A. Ejemplo de Introducci´ on . . . . . A. . . . . .´ INDICE GENERAL A. . . . . . . . .1. . . . . . Controlabilidad y Observabilidad . . . . . .2. .2. . .1. . . . . . . . . . . . .3. . . Diagonalizaci´ on de Matrices y Formas Can´ onicas . . . . . . .1. A. . . . . .2. . . .2. A. . . . .6. A. . . Matem´ atica Simb´ olica . . . . . . . El Entorno de Trabajo de MATLAB B. . . .3. .3. . . . Linealizaci´ on de Sistemas Continuos . . Problemas . . . . .5. . ibliograf´ ıa ´ Indice . . . Creaci´ on de Archivos Tipo m . . . . . . . . . . . . . . . . . . . .1. . Comandos y Funciones Generales . . . . . . . . . . . . . .6. . . . . . . . Formas Can´ onicas SISO en el Espacio de Estado . A. . . . . . . . . . . . . . . . . . .5. . . .1. . .4. . .3. . . . . B. . . . . . . . . . A. . . . . . . B. . . . . . . . . .1.4. . . . . . . . . . . . . . . . . . . .2. . . . . A. . . . . . . . . . . . . .3. . . . .1.3. . . alfab´ etico . . . . .1. . .6. . . . . Sistemas con Tiempo Muerto . . . . . . .2. . . . . . . Fundamentos de Simulink . . . . . . . . . . . Rango. . . . . . Discretizaci´ on Directa . . . . . . . . . . . VII A.7. . . . . .7. . . A. . . . . . . . . . . . . . . . . . Creaci´ on de un Modelo Simulink . . . . . . . A. . . . . . . . . . .2. . . . . . . . . .3. .

.

empleando intensivamente la herramienta MATLAB. dise˜ no y simulaci´ on de sistemas de control de procesos. El libro se denomina Control de Procesos Pr´ actico y Avanzado porque su contenido abarca tanto temas relacionados con el dise˜ no pr´ actico de sistemas de control de una entrada y una salida empleando controladores PID (Proporcional Integral Derivativo). el lector requiere haber llevado los cursos de matem´ atica. se recomienda que el lector se remita al Ap´ endice A: Matem´ aticas para el Control de Procesos. anticipativo. Estos programas fuente se pueden descargar del enlace Descargas de: www. donde. as´ ı como tambi´ en temas avanzados del control de procesos tales como: Control PID multivariable. control de procesos empleando estrategias (cascada.Prefacio Esta publicaci´ on est´ a dirigida a todos los profesionales. y verificaci´ on del sistema de control dise˜ nado v´ ıa simulaci´ on. Simulink usa diagramas de bloques en su programaci´ on. Libro texto para cursos relacionados con el Control Avanzado de Procesos.ctlima. Para asimilar sin dificultad el contenido de este libro. Todos los programas empleados en este libro se pueden ejecutar sin problemas en versiones recientes de MATLAB. el cual trabaja dentro del entorno MATLAB. el dise˜ no del algoritmo de control. raz´ on. especialistas y estudiantes interesados en familiarizarse con el modelado. Tanto modelos lineales como no lineales se emplean en esta publicaci´ on para representar la din´ amica de los procesos tratados. la simulaci´ on y el control de procesos industriales. se hace un repaso de los t´ opicos de matem´ aticas requeridos en el desarrollo de los Cap´ ıtulos de este libro. cient´ ıficos. En todos los Cap´ ıtulo que lo conforman. Esta publicaci´ on puede ser usada como: Libro texto para cursos relacionados con el Control de Procesos. Tambi´ en se emplea el software Simulink . Libro de consulta en diferentes cursos de instrumentaci´ on y control. El procedimiento de dise˜ no de sistemas de control empleado en este libro comprende b´ asicamente: la formulaci´ on del problema a resolver. selectivo) y control con inteligencia artificial (control fuzzy y control neuronal). Sin embargo.com. es lectura primordial para los lectores poco familiarizados con estos programas. el modelado del proceso. . rango partido. f´ ısica y fundamentos de control autom´ atico dictados en una Universidad o Instituto. El Ap´ endice B: Fundamentos de MATLAB y Simulink. este libro usa intensivamente el software MATLAB para el c´ alculo.

Diferentes tipos de elementos de control final son descritos en este Cap´ ıtulo. se tratan en este cap´ ıtulo. que tambi´ en incluye el c´ alculo de v´ alvulas de control. Este cap´ ıtulo presenta una introducci´ on sucinta sobre los sistemas de control a lazo cerrado y a lazo abierto. Cap´ ıtulo 5: Modelado de Sistemas No Lineales. Este Cap´ ıtulo se ocupa del control neuronal de procesos. Este Ap´ endice trata algunos t´ opicos de matem´ atica aplicada que son necesarios para el mejor entendimiento de los cap´ ıtulos presentados. Cap´ ıtulo 4: Modelado de Sistemas Lineales. Cap´ ıtulo 2: Sistemas de Instrumentaci´ on. caracterizados por m´ ultiples entradas y m´ ultiples salidas. Cap´ ıtulo 8: Control Fuzzy. Este Cap´ ıtulo trata sobre el control fuzzy (difuso o borroso). Cap´ ıtulo 7: Control PID MIMO. La organizaci´ on de este libro comprende los cap´ ıtulos siguientes: Cap´ ıtulo 1: Introducci´ on. Por ello. incluyendo el c´ alculo de placas de orificio y el dise˜ no de circuitos acondicionadores de se˜ nal. Cap´ ıtulo 3: Elementos Finales de Control. esta publicaci´ on le dedica un Cap´ ıtulo. El control de procesos empleando inteligencia artificial est´ a cobrando mayor importancia en la industria en raz´ on a sus m´ ultiples aplicaciones exitosas. Antes de abordar los siguientes cap´ ıtulos se recomienda leer los Ap´ endices A y B. el cual es una t´ ecnica de control inteligente. Cap´ ıtulo 6: Control PID. Los modelos din´ amicos no lineales de diversos procesos son desarrollados y simulados en este cap´ ıtulo.X Prefacio Libro de consulta en temas relacionados con el dise˜ no e implementaci´ on de sistemas de control. describiendo brevemente sus componentes. . Este cap´ ıtulo se ocupa de la teor´ ıa y aplicaciones del paquete MATLAB/SIMULINK. Cap´ ıtulo 8: Control Neuronal. el cual es otra t´ ecnica de control que emplea inteligencia artificial en su dise˜ no. Ap´ endice B: Fundamentos de MATLAB y Simulink. En este cap´ ıtulo se elaboran y simulan los modelos din´ amicos de varios procesos de comportamiento lineal. Ap´ endice A: Matem´ atica para el Control de Procesos. El control PID (Proporcional Integral Derivativo) de procesos SISO (Single Input Single Output) es el m´ as usado en la industria. Algunos t´ opicos relevantes de los sistemas de instrumentaci´ on se tratan en este Cap´ ıtulo. Se pone ´ enfasis en la soluci´ on de problemas matem´ aticos empleando software. Varios m´ etodos de control PID aplicados a procesos MIMO (Multiple Input Multiple Output).

com www. Arturo Rojas Moreno.ctlima.com .D. Ph. ctlima33@gmail.XI VIENEN AGRADECIMIENTOS.

.

A continuaci´ on vamos a describir sucintamente sus componentes. describiendo brevemente sus componentes e incluyendo ejemplos industriales para reforzar la comprensi´ on de los conceptos. el controlador que procesa la desviaci´ on entre el valor de la variable a controlar con respecto a una se˜ nal deseada con el prop´ osito de generar una se˜ nal de control. 1. 1. destilaci´ on.1. y el elemento de control final que recibe la se˜ nal generada por el controlador para efectuar cambios en el proceso con la finalidad de que la desviaci´ on anteriormente descrita se reduzca a cero. el sistema de instrumentaci´ on que sensa y transmite la variable a controlar. . 1. Tales componentes son: el proceso cuya variable de salida se desea controlar. Controlador de realimentación e Algoritmo de Control Disturbios Proceso SP r MV u Elemento final de control Sensor más Transmisor Sistema de Instrumentación PV y Fig.Cap´ ıtulo 1 Introducci´ on En este Cap´ ıtulo se hace un breve introducci´ on sobre los sistemas de control a lazo cerrado y a lazo abierto. separaci´ on.1 muestra el diagrama de bloques (la interrelaci´ on entre sus componentes) de un sistema de control a lazo cerrado. El Proceso El bloque proceso representa un cambio f´ ısico o qu´ ımico de la materia. enfriamiento. Sistema de Control a Lazo Cerrado La Fig. mezcla.1: Sistema de control a lazo cerrado. As´ ı tenemos los procesos de calefacci´ on. fundici´ on.

en otros casos. En muchos casos. humedad. 1. Los sistemas de instrumentaci´ on actuales tambi´ en incluyen hardware para almacenar algoritmos y rutinas de c´ alculo. Esto se logra por lo general. los sistema de instrumentaci´ on se aplican a los procesos para: indicar el valor de una variable.2 Introducci´ on llenado y vaciado. color. 1. el sensor y el transmisor son parte de un solo instrumento.1. temperatura.1). 1. es la variable controlada o salida del proceso. El Sistema de Instrumentaci´ on Es com´ un que un proceso posea varios par´ ametros que necesitan ser monitoreadas simult´ aneamente. contenido de humedad. viscocidad. se requiere que el valor de la variable medida tienda a ser el valor de la se˜ nal de referencia r o SP (Set Point). concentraci´ on de pH. la variable medida y la variable controlada es la misma variable. Si fuera necesario. Por ejemplo. La variable medida representa entonces la condici´ on actual de la variable controlada y . la medici´ on y control de la variable velocidad de un motor DC (Direct Current). en este caso medimos presi´ on para controlar nivel. transductor.2 a 1 bar. dimensi´ on. que puede ser realizado midiendo la presi´ on en el fondo del tanque. Es decir. tambi´ en denominadas los par´ ametros del proceso. etc. peso. cocci´ on. entre otros. y para el procesamiento de se˜ nales digitales empleando protocolos industriales de comunicaci´ on. aceleraci´ on. La variable y mostrada en Fig. un acondicionador de se˜ nal se puede dise˜ nar empleando opamps (amplificadores operacionales) en su implementaci´ on. espesor. conocida tambi´ en como PV (Process Variable). densidad. gravedad espec´ ıfica. Este es el caso del control de nivel de un l´ ıquido en un tanque. fijar alarmas en los casos que una variable alcanza un determinado valor. − 10 a + 10 V. nivel. inductancia. es decir. flujo. Sin embargo. Cada sistema de instrumentaci´ on consta de un sensor que proporciona la (variable medida ). En algunos casos. Los sistemas de instrumentaci´ on inteligente reciben dicha denominaci´ on. En general. en los sistemas de control a lazo . Los instrumentos son dispositivos que se emplean en los procesos para monitorearlos y controlarlos. Se˜ nales estandarizadas que se emplean en el control de procesos son: 4 a 20 mA (miliamperio). y como enclavamiento. sonido. lo cual se logra mediante la medici´ on de algunas de sus caracter´ ısticas. En otras palabras. Algunos ejemplos de caracter´ ısticas del proceso son: capacitancia. velocidad. El transmisor tambi´ en es conocido como convertidor. entre otros. por que poseen la capacidad de procesar se˜ nales digitales. haciendo que una variable cause una acci´ on cuando alcance un valor previamente establecido. registrar y almacenar los valores de una variable. Otros rangos de se˜ nales tambi´ en son empleados: 0 a 10 V (volt). resistencia. que es la se˜ nal deseada de la variable controlada. voltaje. controlar una variable. corriente. El Controlador Para lograr control en la Fig. 3 a 15 psi (libra por pulgada cuadrada) y 0. y en general como un acondicionador de se˜ nales. y de un transmisor que cambia dicha variable en una se˜ nal estandarizada que pueda ser transmitida.4. la variable medida y la variable controlada pueden ser diferentes. evaporaci´ on. empleando un sistema de instrumentaci´ on para cada par´ ametro (ver Fig. presi´ on.

Por consiguiente.1 Sistema de Control a Lazo Cerrado 3 cerrado. se tiene que ajustar mediante el pedal del acelerador una cierta cantidad de gas (la variable manipulada MV) para cambiar la velocidad (la variable controlada o PV). o desconectarla para disminuirla. Es importante anotar que para mantener el control. llamada tambi´ en se˜ nal de desviaci´ on.1 se logra llevando a cabo tres pasos. para minimizar el error. cumpliendo ciertas especificaciones de dise˜ no (secci´ on 5. El control se puede realizar en forma manual o en forma autom´ atica. el EFC es el hardware que implementa la decisi´ on tomada por el controlador. se toma la acci´ on correspondiente: conectar la resistencia a la red para aumentar la temperatura del agua.1. en donde la acci´ on de control se realiza conectando o desconectando a la red la resistencia de calefacci´ on para aumentar o disminuir la temperatura del agua en la terma. para generar la ley de control u que va hacia el elemento de control final. Finalmente. El agregado de la palabra realimentaci´ on. 1. es decir. La diferencia entre ellas es la se˜ nal de error e. que en general no es necesario. . empleando para ello el elemento de control final. El bloque denominado controlador (ver la Fig. se decide que es necesario cambiar la condici´ on del proceso: aumentar o disminuir la temperatura. el cual s´ ı posee la capacidad de efectuar cambios en el proceso con el prop´ osito de disminuir el error e = r −y . es el que procesa la se˜ nal de error e empleando un algoritmo de control. En el control manual. s´ olo es para indicar en este caso que tal controlador forma parte de un sistema de control realimentado. Cuando existe una desviaci´ on. Por tal raz´ on. El Elemento Final de Control (EFC) El controlador genera una se˜ nal que por si misma no posee la potencia necesaria para provocar cambios en el proceso. 1.2). Esta acci´ on incluye el ajuste y la acci´ on de una se˜ nal o fuerza de control u. Como resultado de la comparaci´ on. El primero consiste en recopilar informaci´ on acerca de la variable del proceso que se desea controlar. mientras que la conducci´ on de un carro para mantenerlo a una velocidad constante. neum´ atica e hidr´ aulica. un sensor de temperatura detecta la temperatura actual y la compara con una temperatura de referencia previamente establecida. la se˜ nal de salida del controlador va hacia el elemento final de control (EFC). para hacer que la se˜ nal y siga a r. Si existe una desviaci´ on. la decisi´ on la realiza la persona.1). La fuente de energ´ ıa com´ un del EFC puede ser el´ ectrica. Luego. es un caso de control manual. Finalmente. las se˜ nales r e y son comparadas. mientras que en el control autom´ atico la realiza un dispositivo. La funci´ on del controlador mostrado en la la Fig. correspondientemente. la recopilaci´ on de informaci´ on debe de ser continua y permanentemente evaluada. Por ejemplo. Estas acciones aseguran que la variable controlada se mantenga en el valor deseado previamente establecido. es necesario actuar para eliminarla. En un primer paso. denominada tambi´ en la variable manipulada MV (Manipulated Variable). la velocidad de un carro se controla comparando el valor indicado por el veloc´ ımetro (la variable medida) con el valor l´ ımite de la velocidad (la variable deseada o SP). tomar una acci´ on basada en tal decisi´ on. La terma es un caso de control autom´ atico de la temperatura. usar convenientemente dicha informaci´ on para tomar una decisi´ on con relaci´ on a la condici´ on del proceso. Considere el sistema de control de temperatura que posee la terma el´ ectrica de una vivienda.

Los Disturbios Adem´ as de la variable manipulada. Por otro lado. entre otros. El signo ra´ ız cuadrada a un costado del transmisor indica esta operaci´ on. Ejemplo 1. . se requiere de una continua circulaci´ on de la informaci´ on sobre el proceso. motores hidr´ aulicos y neum´ aticos. la informaci´ on fluye constantemente hacia los instrumentos.2 En el sistema de control de temperatura mostrado en la Fig. Este sistema emplea como sensor de flujo una placa de orificio para producir la ca´ ıda de presi´ on ∆P = P1 − P2. Este sistema emplea como sensor una termoresistencia. Tal informaci´ on es denotada como realimentaci´ on. 1. indicar sus componentes y las se˜ nales normalizadas. 1. dado que el actuador de la v´ alvula trabaja con se˜ nal neum´ atica estandarizada. En control de procesos.1.√ Observar que se requiere un primer transmisor para realizar la operaci´ on F = C ∆P . Ejemplo 1. la velocidad del carro puede ser afectada por la resistencia del viento y por la calidad de la pista. Para compensar la acci´ on de los disturbios. En el sistema de control a lazo cerrado de la Fig. Entre los EFC hidr´ aulicos y neum´ aticos tenemos: v´ alvulas neum´ aticas. El movimiento de rotaci´ on del eje del motor se convierte en un movimiento de traslaci´ on para hacer desplazar el eje de la v´ alvula. 1. otros factores pueden afectar la variable controlada.1 En el sistema de control de flujo mostrado en la Fig.4 Introducci´ on Ejemplos de EFC el´ ectricos son los motores AC y DC. Por ejemplo. Observar que la v´ alvula de control posee un actuador el´ ectrico porque trabaja con una se˜ nal de 4 a 20 mA. Esta se˜ nal alimenta a un motor DC (el actuador). donde C es una constante de proporcionalidad. Notar tambi´ en que ha sido necesario incluir un segundo transmisor para convertir 4 a 20 mA al rango de 3 a 15 psi. estos factores se denominan disturbios. con la finalidad de tener una medici´ on indirecta del flujo F.3. Soluci´ on: Ver Fig. solenoides. Todos los instrumentos y dispositivos que intervienen en el control de un proceso son referidos como el lazo de control realimentado. indicar cu´ al es la se˜ nal disturbio y porqu´ e. cuya salida es un valor de resistencia el´ ectrica. y luego convertir esta operaci´ on en una se˜ nal de corriente estandarizada (4 a 20 mA). tal como se muestra en el ejemplo 1. en muchos casos ser´ a necesario incluir un convertidor (o transmisor) de se˜ nal entre el controlador y el EFC.3(b). pistones hidr´ aulicos y neum´ aticos. Dependiendo del tipo de EFC. etc. rel´ es. la cual es proporcional a la temperatura en el interior del tanque. motores paso a paso.2(a). v´ alvulas de control mot´ oricas. 1. La temperatura del agua en la terma puede ser afectada por un mal aislamiento del tanque o por la cambiante temperatura del entorno. pues sabemos que tal flujo es proporcional a la ra´ ız cuadrada de ∆P.1. Los valores de resistencia se convierten a se˜ nales estandarizadas de 4 a 20 mA mediante el transmisor.

1.1. 1.1 Sistema de Control a Lazo Cerrado CONTROLADOR 5 TRANSMISOR TRANSMISOR ACTUADOR F P1 P2 PLACA DE ORIFICIO (a) VÁLVULA NEUMÁTICA SP 4 − 20 mA CONTROLADOR 4 − 20 mA MV TRANSMISOR 3 − 15 psi F 4 − 20 mA PV TRANSMISOR P ACTUADOR PROCESO P1 P2 SENSOR: PLACA DE ORIFICIO EFC: VÁLVULA DE CONTROL NEUMÁTICA (b) Fig. Sensor (ohm) Producto MV 4−20 mA Transmisor Controlador PV 4−20 mA SP 4−20 mA Agua caliente Fig. Mientras mas brusca sea la variaci´ on del flujo de producto. .2: (a) Sistema de control de flujo. Soluci´ on: El flujo del producto que ingresa al tanque constituye la se˜ nal de disturbio.3: Sistema de control de temperatura. (b) Soluci´ on al ejercicio 1. 1. mayor ser´ a la dificultad para que la se˜ nal PV siga a la se˜ nal SP.

cabe mencionar que este esquema de control presenta ventajas y desventajas comparado con el control realimentado. todas las cuales ser´ an abordadas en detalle en el Cap´ ıtulo 6.6 Introducci´ on 1. Este programa se puede elaborar empleando diversos m´ etodos. En esta clase de control. cuando el controlador es del tipo anticipativo. respectivamente. control de rango partido y control selectivo. Sistema de Control a Lazo Abierto La Fig. Ejemplo 1. para lograr aquello.4: Sistemas de control a lazo abierto.1. La apertura y cierre de tales v´ alvulas se realiza con un programa elaborado para tal prop´ osito. Sin embargo. 1. por ejemplo. es un ejemplo t´ ıpico de mando programable. Por una parte. SP r MV Controlador u Elemento final anticipativo de control Disturbios Proceso PV y Sensor más Transmisor Sistema de Instrumentación Fig. Uno de los m´ as populares es el m´ etodo de la . donde podemos observar que no existe un lazo de realimentaci´ on. Este ejemplo es un caso t´ ıpico de mando programable. S´ olo en muy pocos casos en la industria.3. La estrategia de control anticipativo se trata en detalle en la secci´ on 6. 1. La programaci´ on de los tiempos de la entrada en operaci´ on de los compresores que conforman un sistema de generaci´ on de aire comprimido. 1. adem´ as del control anticipativo. por un PLC (Programmable Logic Controller). se requiere de un an´ alisis din´ amico complejo de los disturbios para que la estrategia de control trabaje efectivamente. control en cascada. Cuando el controlador de la Fig. LT y PT son transmisores para medir el nivel del producto y la presi´ on dentro del tanque.4 se reemplaza. el cual se implementa con un PLC y v´ alvulas ON–OFF (de apertura y cierre). los sensores miden los valores de los disturbios. Dicho lazo si est´ a presente en el sistema de control de la Fig. mientras que la variable manipulada (la se˜ nal de control) se ajusta antes de que ocurran cambios en la variable controlada.2.1 se convierte en un sistema de control anticipativo. El control a lazo abierto de la Fig.4 muestra el diagrama de bloques de un sistema de control a lazo abierto. es deseable porque evita la ocurrencia de errores antes de que se reflejen en la variable controlada. 1. el control anticipativo es relevante. 1. el cual se emplea en la industria en muchas tareas de automatizaci´ on que tienen que ver principalmente con aperturas y cierres temporizados de v´ alvulas y otros actuadores. Existen otras estrategias de control.. entonces el sistema de control a lazo abierto se convierte en un mando programable. 1.5 muestra un tanque empleado en la industria para el soplado (transporte) de un producto en forma de polvo. tales como control de la raz´ on de dos variables.3 La Fig. En dicha Fig. Sin embargo.

No es prop´ osito de este libro entrar en detalles de este m´ etodo de programaci´ on. salvo indicaciones expresas.5: Tanque del ejemplo 1. siempre est´ an disponibles las tablas de conversi´ on de unidades. Tal informaci´ on es de gran utilidad porque explica el comportamiento f´ ısico de los diversos elementos que son parte de los procesos. Luego de elaborado y probado el programa. V2 OFF. 1. 1. ´ este se almacena en la memoria del PLC.6(a) muestra la inductancia el´ ectrica L en H (henrio).1.1 describe los modelos din´ amicos lineales de los elementos ideales. V4 ON. la cual usaremos a lo largo de los cap´ ıtulos. 1.3. En la Tabla 1. Para el caso que nos ocupa. V5 OFF TRANSPORTE V4 V5 SOPLADO ADICIONAL ENTRADA DE PRODUCTO V1 V2 LT PT DESFOGUE SOPLADO INFERIOR V3 Fig. 1.1. . De todas formas. en donde se cumple que la diferencia de potencial v21 = v2 − v1 en V (volt) es proporcional a la variaci´ on de la corriente i en A (ampere) con respecto al tiempo. la energ´ ıa se expresa en J (joule). V5 ON ´ ´ (SOPLAR NITROGENO): PT MINIMA.6 muestra los s´ ımbolos de los mismos. la potencia en W (watt) y el tiempo t en s (segundos). V4 OFF (DESFOGUE/REPOSO): V2 ON.3 Din´ amica Lineal de los Elementos Ideales 7 escalera. V3 ON ´ (TRANSPORTAR PRODUCTO): PT MAXIMO. Din´ amica Lineal de los Elementos Ideales La Tabla 1.3 para el soplado de un producto. La Fig. mientras que la Fig. Las unidades de medida empleadas corresponden al Sistema Internacional. V1 OFF. tal programa satisface la siguiente secuencia l´ ogica: ESTADO ESTADO ESTADO ESTADO ESTADO ESTADO 0 1 2 3 4 5 (REPOSO): V2 OFF (LLENAR PRODUCTO): V1 ON ´ (TANQUE LLENO): LT MAXIMO. V3 OFF.

8 Introducci´ on Tabla 1. Almacenador o disipador Almacenador inductivo Almacenador inductivo Almacenador inductivo Almacenador inductivo Almacenador capacitivo Almacenador capacitivo Almacenador capacitivo Almacenador capacitivo Almacenador capacitivo Disipador de energ´ ıa Disipador de energ´ ıa Disipador de energ´ ıa Disipador de energ´ ıa Disipador de energ´ ıa Elemento f´ ısico Inductancia el´ ectrica L Resorte traslacional Resorte rotacional Inercia flu´ ıdica Capacitancia el´ ectrica Masa Momento de Inercia Capacitancia flu´ ıdica Capacitancia t´ ermica Resistencia el´ ectrica Amortiguador traslacional Amortiguador rotacional Resistencia flu´ ıdica Resistencia t´ ermica Ecuaci´ on descriptiva di v21 = L dt 1 df K dt 1 dT K dt Energ´ ıa E o potencia P 2 E=1 2 Li 1 F2 2 K 1 F2 2 K v21 = ω21 = E= E= p21 = I dq dt 21 i = C dv dt 2 E=1 2 Iq 2 E=1 2 Cv21 2 E=1 2Mv 2 E=1 2 Jω 2 E=1 2 C f p2 f = M dv dt T = J dω dt 21 q21 = Cf dp dt q = Ct dT dt i= 1 R v21 E = Ct T P= 1 2 R v21 f = Bv21 T = Bω21 q= q= 1 Rf p21 1 Rt T21 2 P = Bv21 2 P = Bω21 P= P= 1 2 Rf p21 1 Rt T21 .1: Modelos din´ amicos para elementos ideales.

En la Fig. en donde la variaci´ on de velocidad v21 en m/s es proporcional a la variaci´ on de la fuerza f en N (newton) con respecto al tiempo. en donde la corriente i en A (ampere) que circula a trav´ es de C es proporcional a la diferencia de potencial v21 en V (volt) con respecto al tiempo. K est´ a en N–m/rad. En la Fig. 1. Teniendo en cuenta que v21 = dx21 /dt donde x21 = x2 − x1 es el cambio de posici´ on.6: S´ ımbolos de los elementos ideales. es f´ acil demostrar que T = Kθ21 .6(g) se cumple que el torque de torsi´ on T en N–m es proporcional a la aceleraci´ on angular α = dω/dt en rad/s2 .3 Din´ amica Lineal de los Elementos Ideales K v1 (b) v2 (e) q (i) T Ct v1 i v M (f) R v2 (j) Rf f v1 (k) Rt q (n) f J ω1 T v2 θ1 (c) ω T q1 (g) B f v2 (l) Cf T ω2 θ2 q p1 p2 (d) p1 p2 (h) 9 v i L v2 (a) f f K I v1 i C q2 ω1 T ω B T 2 p1 q p2 T1 T2 (m) Fig. 1. donde v en m/s es la velocidad de la masa M. en donde la fuerza f en N (newton) que act´ ua sobre M produce la aceleraci´ on a=dv/dt en m/s 2 . 1. en donde el cambio de velocidad angular ω21 en rad/s es proporcional a la variaci´ on del torque con respecto al tiempo dT/dt en N–m/s (newton–metro/segundo). 1.6(b) ilustra el resorte traslacional de constante K. Considerando que ω21 = dθ21 /dt donde θ21 en rad es el cambio de posici´ on angular. La Fig. La constante de proporcionalidad J en . Por ello.1. 1. 1. es f´ acil demostrar que f=Kx21 .6(e) ilustra la capacitancia el´ ectrica C en F (faradio).6(d) se cumple que el cambio de presi´ on p21 en N/m2 es proporcional 3 a la variaci´ on del flujo q en m /s con respecto al tiempo.6(c) muestra el resorte rotacional de constante K en N–m/rad. la cual posee las unidades N–s2 /m5 puesto que la inercia flu´ ıdica se expresa como: p21 I= dq/dt La Fig. 1. La Fig. K est´ a en N/m.6(f) muestra la masa M en kg (kilogramo). La Fig. La constante de proporcionalidad I es la inercia flu´ ıdica. Por ello.

con respecto al flujo q de calor en J/s.6(h)). es proporcional al cambio de temperatura T en grados K (kelvin) con respecto al tiempo. Rf = p21 /q se expresa en N–s/m5 .6(l).6(n). La resistencia flu´ ıdica Rf se define como la variaci´ on de la presi´ on p21 en un 3 conducto o recipiente. La proporcionalidad B se denomina la constante de fricci´ on viscosa traslacional. es proporcional a la ca´ ıda o cambio de presi´ on p21 con respecto al tiempo. cuya unidad es N–m–s/rad.6(k). El flujo de calor q en J/s (joule/segundo) que circula en un conducto. con respecto al flujo q del fluido en m /s. 1. La Fig. La proporcionalidad mencionada define a la capacitancia flu´ ıdica Cf en m5 /N. 1. Por ello. cuya unidad es N–s/m. la cual se denomina conductancia G=1/R y su unidad es (mho). Notar que la proporcionalidad es la inversa de R. tal como se muestra en la Fig. De igual manera. Rt posee las unidades K/J. El flujo q en m/s3 de un fluido que existe en un conducto o recipiente (ver Fig. La proporcionalidad B se denomina la constante de fricci´ on viscosa rotacional. en donde la corriente i en A es proporcional a la ca´ ıda de voltaje v21 . 1.6(j) muestra una resistencia el´ ectrica R en Ω (ohm). la cual se muestra en la Fig. El torque T en N–m que se ejerce en el amortiguador rotacional mostrado en la Fig. 1.6(i). 1. 1. es proporcional al cambio de velocidad v21 . La fuerza f en N que se ejerce en el amortiguador traslacional mostrado en la Fig. la resistencia t´ ermica Rt se define como la variaci´ on de la temperatura T21 en grados K (kelvin) en un conducto. . es proporcional al cambio de velocidad angular ω21 . tal como se observa en la Fig. 1.10 Introducci´ on N–m–s2 /rad se denomina momento de inercia y es caracter´ ıstico para cada cuerpo dependiendo de su forma. La proporcionalidad mencionada define a la capacitancia t´ ermica C t en J/K.6(m). Por ello.

Flujo en una Tuber´ ıa La Fig. Las letras FI (Flow Indication) dentro del c´ ırculo indican la presencia de un instrumento de indicaci´ on de flujo. El primero. su salida y (t) es proporcional a su entrada u(t): y (t) = Kp u(t) (2. para que su din´ amica sea usada en el dise˜ no de controladores avanzados.1(a) muestra un tramo de tuber´ ıa secci´ on uniforme por donde circula un flujo y . m´ as dificultoso ser´ a el an´ alisis y dise˜ no del sistema de control. el segundo. 2. Procesos con Comportamiento Proporcional Un proceso SISO con comportamiento proporcional se caracteriza por poseer una FT constante (ver Tabla 2. Tener en cuenta que mientras m´ as complejo sea el modelo. Lo recomendable es que el modelo del proceso mantenga las caracter´ ısticas din´ amicas de inter´ es para el rango de operaci´ on del sistema de control a dise˜ nar.1. Los dos siguientes procesos poseen comportamiento proporcional. Para construir un modelo adecuado para prop´ ositos de control. tales como la conservaci´ on de la energ´ ıa y las leyes de Newton. Consid´ erese que para un tiempo t1 . cuya magnitud est´ a gobernada por la abertura u de la v´ alvula de control. 2. se requiere conocer bien la din´ amica del proceso.Cap´ ıtulo 2 El Proceso a Controlar La din´ amica de una gran variedad de procesos a ser controlados se puede describir mediante un conjunto de ecuaciones diferenciales. En este cap´ ıtulo se determinan los modelos din´ amicos de varios procesos con tres prop´ ositos fundamentales. es decir. por u ´ltimo. 2. Tal descripci´ on matem´ atica se obtiene aplicando las leyes de la f´ ısicas y de la qu´ ımica en dicho proceso. para verificar la funcionalidad del controlador actuando sobre el proceso. el flujo que pasa por .8). No siempre es mejor que un modelo sea lo m´ as exacto posible a su comportamiento din´ amico.1(b). La respuesta al escal´ on (su curva de reacci´ on a lazo abierto) del proceso flujo se ilustra en la Fig. para que sirvan como una fuente de datos de salida para poder construir curvas de reacci´ on.1) donde Kp es la ganancia proporcional del proceso.

Asumir que el cambio de flujo ∆y a trav´ es de la v´ alvula es proporcional al cambio de abertura de v´ alvula ∆u. 2.. Ejemplo 2. tambi´ en considerada constante. 2.1(a). 2. sabiendo que el recorrido total de la v´ alvula es de 10 mm y que el m´ aximo flujo que puede pasar por la tuber´ ıa es de 10 L/min (L: litro).12 El Proceso a Controlar la v´ alvula es y1 = A1 vρ. Consecuentemente. donde A2 es la secci´ on transversal correspondiente a la abertura u2 .2) En el dominio de Laplace. v es la velocidad del flujo considerada constante y ρ es la densidad l´ ıquido. sin experimentar retardo. u u u Válvula de control FI y y y 2 y 1 t1 t2 (b) t 2 ∆u t1 t2 ∆y t u1 (a) Fig. La ganancia proporcional del proceso flujo es entonces: Kp = ∆y y2 − y 1 = ∆u u2 − u 1 (2. incrementamos la abertura de la v´ alvula de u1 a u2 .3) donde s es el operador de Laplace. Empleando la ecuaci´ on (2. la ganancia Kp se calcula como: Kp = y2 − y 1 10 − 0 L ∆y = = =1 ∆u u2 − u 1 10 − 0 min mm ♣ Flujo en una Faja de Transporte La Fig.2 muestra una faja transportando un flujo de material granulado y . el flujo aumenta de y1 a y2 = A2 vρ.1: (a) Proceso flujo. Para un tiempo t2 . Soluci´ on.1 Determinar la ganancia proporcional del proceso flujo mostrado en la Fig.La proporcionalidad se refiere a que ∆y = Kp ∆u. (b) Respuesta al escal´ on (curva de reacci´ on a lazo abierto) del proceso flujo. donde A1 es la secci´ on transversal correspondiente a la abertura u1 de la v´ alvula. la expresi´ on gen´ erica de la FT del proceso flujo toma la forma: y (s) = Kp u(s) (2. . cuya magnitud est´ a gobernada por la velocidad u en el eje de salida de una caja reductora.2).

2) y la correspondiente FT est´ a dada por (2. incrementamos la velocidad de salida de la caja reductora. Silo de material Banda transportadora u Caja de reducción Motor y Fig. La respuesta al escal´ on mostrado en la Fig. su salida y (s) est´ a relacionada con su entrada u(s) como sigue: y (s) = Kp u(s) Ts + 1 (2. Para variaciones peque˜ nas de h y asumiendo que el flujo de salida . 2.2. Aplicando balance de masas en el tanque se tiene que el cambio de volumen de agua acumulado en el interior del tanque se puede modelar como: S dh ˙ = q C − qD = Sh dt (2.3).1(b) tambi´ en se aplica al proceso flujo de granos. Nivel en un Tanque Cerrado La Fig. correspondiente a la velocidad u1 fijada en la caja reductora. 2. sin experimentar retardo. Procesos de Primer Orden Un procesos SISO de primer orden se caracterizan por poseer una FT que posee una parte proporcional Kp m´ as un retardo de primer orden T s1 +1 (ver Tabla 2. La Tabla 2. Consid´ erese que para un tiempo t1 . 2. Para un tiempo t2 . la ganancia proporcional del proceso flujo de granos es la misma obtenida en (2. en el cual ingresa un flujo de agua qC y sale otro flujo qD a trav´ es de un orificio ubicado en la base del tanque.2 Procesos de Primer Orden 13 Observar que un motor es el que hace girar los ejes de entrada y de salida de dicha caja.5) ˙ es el cambio de volumen de agua en el tiempo t donde h es la altura del agua y S h dentro del tanque.2.3 muestra un tanque cerrado de secci´ on uniforme S .1 describe las variables y par´ ametros en juego. Los siguientes procesos son de primer orden. fij´ andola de u 1 a u2 . es decir. 2. el flujo aumenta de y1 a y2 . Entonces.4) donde Kp es la ganancia proporcional del proceso y T es la constante de tiempo.2: Proceso flujo de granos sobre una banda de transporte. el flujo que pasa por la banda es y1 . Consecuentemente.8).

m m2 m m m3 /s m3 /s m3 /s m3 /s s/m2 qD es laminar.2 0.66×10−4 2.6) donde Rh es la resistencia hidr´ aulica del tanque.6) en (2. S´ ımbolo dS S h h qC qC qD qD Rh Descripci´ on Di´ ametro del tanque Secci´ on circular del tanque Nivel del agua Nivel del agua en estado estacionario Flujo de agua fr´ ıa hacia el tanque Estado estacionario de qC Flujo de salida desde el tanque Estado estacionario de qD Resistencia hidr´ aulica del tanque: Rh = h/q D 1. Reemplazando (2. 2. la cual se puede determinar de [13]: Rh = h qD (2.4 Valor 0.14 q El Proceso a Controlar C S h Rebose q D Fig. se obtiene la ecuaci´ on de estado lineal del nivel: ˙ = − 1 h + 1 qC h Rh S S (2.3: Proceso tanque cerrado con orificio de salida en la base y tuber´ ıa de rebose.0314 Unid.44).8) ˙ = s h − h(0).7) donde h y q D son los valores en estado estacionario de h y qD respectivamente. entonces: qD = h Rh (2.1: Par´ ametros y variables del proceso nivel en un tanque cerrado. donde s es el operador de Laplace. Tabla 2. Si se En el dominio de Laplace: h tiene en cuenta que h(0) = 0 (requisito indispensable para hallar la FT del proceso). .16×10−4 0.

Vamos a intentar tres soluciones. close all. clc.m para obtener la curva de reacci´ on de la Fig.10) Aplicando los teoremas del valor inicial y del valor final en h(s). La u ´ltima notaci´ on es m´ as conveniente para programaci´ on en tiempo real.9) se obtiene: h(s) = Rh A s(SRh s + 1) (2.9) Asumiendo que el flujo de entrada es un escal´ on de amplitud A.8) toma la forma: Rh h(s) = qC (s) SRh s + 1 h(s) = Rh qC (s) SRh s + 1 15 (2. de (2.10). Ejecutar el programa curvah. 2.10) en fracciones parciales: h(s) = Rh A 1 1 = Rh A − 1 s(SRh s + 1) s (s + SR ) h Tomando transformada inversa de Laplace a cada t´ ermino de h(s) se obtiene: h(t) = Rh A 1 − e Los valores inicial y final de h(t) resultan: t→0 1 − SR t h (2.m: % nivel1simb.1/(s + 1/(S*Rh)))). Este programa requiere la ecuaci´ on de diferencia del proceso nivel. Para una primera soluci´ on. La segunda forma de hallar h(t) es empleando matem´ atica simb´ olica.4. h=ilaplace(Rh*A*(1/s .8) como sigue: 1 1 h(k + 1) − h(k ) =− h(k ) + qC (k ) T Rh S S 1 1 h(k + 1) = h(k ) + T − h(k ) + qC (k ) Rh S S h=h+T − 1 1 h + qC Rh S S donde k = t/T es el tiempo discreto y T es el tiempo de muestreo. Para ello se debe de discretizar la ecuaci´ on de estado dada en (2.8) o (2.10).2. pretty(simplify(h)) La tercera forma de hallar h(t) es mediante un programa en MATLAB.11) l´ ım h(t) = 0 t→inf l´ ım h(t) = Rh A Notar que estos valores coinciden con los hallados empleando (2. tal como se ilustra en el siguiente programa denominado nivel1simb.m DETRMINACI´ ON DE h(t) USANDO TRANSFORMADA INVERSA DE LAPLACE clear all. su transformada de Laplace es: qC (s) = A/s. descomponemos (2. . los valores inicial y final de h(t) resultan: t→0 l´ ım h(t) = l´ ım sh(s) = 0 s→∞ t→∞ l´ ım h(t) = l´ ım sh(s) = Rh A s→o La curva de reacci´ on a lazo abierto del nivel h se determina resolviendo (2.2 Procesos de Primer Orden (2. syms s Rh A S. entonces. Por consiguiente. el cual tambi´ en grafica la curva de reacci´ on.

QC(k)=qCbar. ylabel(’NIVEL [m]’).5 qC [L/h] 10 9. (2. T=1. hbar=0. la ecuaci´ on del balance de energ´ ıa es: qρCp Ti − qρCp To = V ρCv En el dominio de Laplace s.M*T. print -f -deps curvah % GENERA FIGURA curvah. Temperatura en un Tanque con Agitador La Fig. h=0.1 0 0 50 100 150 200 250 TIEMPO 300 [s] 350 400 450 500 Fig. % PERIODO DE MUESTREO Y N´ UMERO DE MUESTRAS M for k=1:M.M). M=500. Rh=hbar/qDbar.16 El Proceso a Controlar % curvah.2 describe las variables y par´ ametros en juego. qDbar=2.4: Proceso nivel en un tanque cerrado.666e-4.5 0 50 100 150 200 250 TIEMPO 300 [s] 350 400 450 500 0.QC*6e4). end ejet = linspace(0. grid.5 muestra un proceso t´ ermico: temperatura en un tanque con agitador. h=h+T*(-(1/(Rh*S))*h+(1/S)*qCbar).3 NIVEL [m] 0.1. que los flujos volum´ etricos de entrada y de salida.m CURVA DE REACCI´ ON DEL NIVEL DEL AGUA EN EL TANQUE CERRADO clear all.5. H(k)=h. la densidad y capacidad calor´ ıfica del l´ ıquido son todos constantes. clc. La Tabla 2. qCbar=1. 2. xlabel(’TIEMPO [s]’).5 9 8. plot(ejet. entonces. xlabel(’TIEMPO [s]’) subplot(2.eps 11 10. Asumiendo que el l´ ıquido en el tanque se agita uniformemente.H). plot(ejet. 2.2 0.1.16e-4. A este tanque ingresa un flujo q a una temperatura Ti y sale el mismo flujo q pero a una temperatura To . grid % CONVERSI ´ ON A L/min ylabel(’Flujo qC [L/min]’).2). subplot(2. % PAR´ AMETROS DEL PROCESO TANQUE CERRADO S=0.4 0.12) resulta: qρCp Ti (s) − qρCp To (s) = V ρCv (sTo − To (0)) dTo dt (2. y que el proceso es adiab´ atico (sin p´ erdidas) debido a que el tanque posee buen aislamiento. close all.0314.12) .1). Asumiendo cero p´ erdidas se va a demostrar que la FT Ti (s)/To (s) es de primer orden.

pretty(simplify(To)) t .m DETRMINACI´ ON DE To(t) USANDO TRANSFORMADA INVERSA DE LAPLACE clear all. Tabla 2. S´ ımbolo q ρ Cp Cv V Ti To Descripci´ on Flujo de entrada y de salida Densidad del l´ ıquido en q Capacidad calor´ ıfica a presi´ on constante Capacidad calor´ ıfica a volumen constante Volumen del l´ ıquido en el tanque Temperatura del flujo de entrada Temperatura del flujo de salida Unidades m3 /s kg/m3 J kg K J kg K m3 oC oC Sabemos que la determinaci´ on de la FT de cualquier proceso requiere que todas las condiciones iniciales sean nulas. la cual es semejante al gr´ afico inferior de la Fig. En el caso que nos ocupa. 2. 2.m. syms s tau A. tal requerimiento se cumple si: To (0) = 0. posee la forma: To (t) = A (1 − e− τ ) la cual se halla ejecutando el programa en matem´ atica simb´ olica temp1simb. clc. donde tau = τ : % temp1simb.2. Por lo tanto. To = ilaplace(A/(s*(tau*s+1))). close all. su correspondiente FT Ti (s)/To (s) resulta: To (s) 1 = Ti (s) τs + 1 τ= V Cv qCp (2.5: Proceso temperatura en un tanque con agitador.13) La curva de reacci´ on del proceso con Ti (s) = A/s.2 Procesos de Primer Orden 17 q Ti q T Fig.4.2: Par´ ametros y variables del proceso temperatura en un tanque con agitador.

2. se obtiene: q2 = q1 (s = h1 (s) − h2 (s) R1 C1 sh1 (s) = q (s) − q1 (s) h2 (s) C2 sh2 (s) = q1 (s) − q2 (s) R2 Si la entrada es q (s) y la salida es q2 (s).6: Proceso de segundo orden con opamps. Procesos de Segundo Orden Circuito con Opamps La Fig.3. La ganancia del seguidor de voltaje es uno. entonces: q2 (s) = q2 (s) 1 = 2 q (s) R1 C1 R2 C2 s + (R1 C1 + R2 C2 + R2 C1 )s + 1 .3. 2. Tanques en Cascada La Fig.7 muestra dos tanques unidos por una tuber´ ıa. 2. Las ganancias de los amplificadores son respectivamente: Vx (s) = − sC1 1 Vi (s) R1 + sC 1 1 Vo (s) = − sC2 1 Vx (s) R2 + sC 1 2 Este proceso es de segundo orden porque: 1 Vo (s) = Vi (s) (R1 C1 s + 1)(R2 C2 s + 1) C1 R1 Vi Vi Seguidor de voltaje C1 Vx R2 C2 C2 Vo Opamp inversor Opamp inversor Fig.18 El Proceso a Controlar 2. Las ecuaciones din´ amicas que gobiernan este sistema son: q1 = h1 − h 2 R1 C1 dh1 = q − q1 dt h2 dh2 C2 = q1 − q2 R2 dt Pasando al dominio de Laplace con condiciones iniciales nulas.6 muestra un seguidor de voltaje y dos amplificadores operacionales (opamps) inversores conectados en cascada. Los par´ ametros y variables de este proceso se describen en la Tabla 2.

intermedio y de salida Resistencias hidr´ aulicas Capacitancias hidr´ aulicas Niveles en los tanques Unidades m3 s s m2 m2 m2 q h1 R1 q1 h2 R2 q2 Fig. La fuerza electromagn´ etica Km u producida por u produce un movimiento y en el n´ ucleo.2. S´ ımbolo q. cuya direcci´ on y magnitud depende de la direcci´ on y magnitud de la corriente u. Indicador con N´ ucleo de Fierro M´ ovil La Fig. la ecuaci´ on anterior resulta: Km u(s) = Ky (s) + Bsy (s) + M s2 y (s) La FT y (s)/u(s) toma la forma: y (s) = 2 u(s) s + Kp = Km M Km M B Ms + K M = s2 Kp 2 + 2ζωn s + ωn ωn = K M B ζ= √ 2 KM . La ecuaci´ on que gobierna el movimiento del n´ ucleo es: Km u = Ky + B dy d2 y +M 2 dt dt En el dominio de Laplace y con condiciones iniciales nulas. M es la masa del n´ ucleo de fierro encerrado por la bobina. R2 C1 .8 muestra un indicador con n´ ucleo de fierro m´ ovil. C2 h1 .3 Procesos de Segundo Orden 19 Tabla 2. 2. q1 . y u es la corriente que circula por la bobina. donde K es la constante del resorte. 2. que es tambi´ en el desplazamiento del indicador. q2 R1 . h2 Descripci´ on Flujos de entrada. es proporcional a la corriente u. B es la constante de viscocidad del amortiguador.3: Par´ ametros y variables del proceso temperatura en un tanque con agitador. El movimiento y .7: Proceso de segundo orden con tanques en cascada.

. Procesos Integrales Llenado de un Tanque La Fig. El volumen acumulado en el tanque es: A dy =u dt En el dominio de Laplace: Asy (s) = u(s).8: Proceso: Indicador con n´ ucleo de fierro m´ ovil. Por lo tanto. 2.9: Faja de transporte con tiempo muerto. entonces se prende la bomba de vaciado.20 El Proceso a Controlar Fig. 2.4. 2.9 muestra un tanque de secci´ on A que est´ a siendo llenado por un flujo u de entrada. S´ olo cuando el tanque alcanza un nivel m´ aximo. la FT de este proceso es: Kp y (s) = u(s) s Kp = 1 A Fig. 2.

En el dominio de Laplace. En el tiempo t1 se incrementa la abertura de la v´ alvula en un ∆u. En forma matricial: x ˙1 x ˙2 = 0 1 0 0 y = [1 0] x1 x2 x1 x2 + 0 1 J u θ J u Fig. si seleccionamos como variables de estado x1 = θ y x2 = θ las ecuaciones de estado del proceso resultan: x ˙ 1 = x2 y x ˙ 2 = u/J .10: Esquema simplificado de un satelite. 2.11 muestra una faja transportando granos. 2. Procesos con Tiempo Muerto Faja de Transporte con Tiempo Muerto La Fig.2. entonces Por otro lado.5 Procesos con Tiempo Muerto 21 Sat´ elite El sat´ elite mostrado en la Fig. Sabemos que la faja se mueve a una velocidad constante v . Observar que en el intervalo t0 hasta t1 . 2. s´ olo cuando dicho incremento recorra la distancia L.10 se puede modelar como: ¨= u Jθ donde J es el momento de inercia del sat´ elite. Luego. el tiempo muerto que demora el flujo ∆y en recorrer L es: Tt = L v . el modelo del sat´ elite toma la forma: Js2 θ(s) = u(s). el flujo de granos y0 es producido por la abertura y0 de la v´ alvula de cuchilla.5. Por consiguiente. lo cual se traduce en un incremento del flujo en un ∆y . 2. la FT del sat´ elite es un doble integrador: Kp θ(s) = 2 u(s) s Kp = 1 J ˙. mientras que la salida es: y = x1 . θ es el a ´ngulo de inclinaci´ on y u es el torque generado por los impulsores para corregir el a ´ngulo de inclinaci´ on.

en la cual se ha instalado un sensor de PH.6.11: Faja de transporte con tiempo muerto. con el prop´ osito de enfriar el flujo q constante que . En el tiempo t1 se incrementa la abertura de una de las v´ alvulas en un ∆u1 . Por lo tanto.13(a). el flujo suma y1 + y2 circula a una velocidad v . el tiempo muerto que demora el flujo ∆y1 en recorrer L es: L Tt = v La FT de este proceso toma la forma: y (s) = Kp e−Tt s u1 (s) Kp = ∆y1 ∆u1 2. Flujos en Tuberias con Tiempo Muerto La Fig. Qc es el flujo de agua a una temperatura Tc que ingresa a la camisa de enfriamiento del tanque. lo cual se traduce en un incremento del flujo total en un ∆y1 + y20 . 2. Hasta el tiempo t1 . 2. Procesos de Orden Superior Proceso de Enfriamiento de Tercer Orden En la Fig. 2.12 muestra dos flujos y1 y y2 que circulan por dos tuber´ ıas que luego se juntan en una tuber´ ıa. las aberturas de v´ alvulas u10 y u20 producen un flujo de y10 + y20 . En la tuber´ ıa com´ un de longitud L. s´ olo cuando dicho incremento recorra la distancia L (hasta alcanzar la posici´ on del sensor de PH).22 La FT de este proceso resulta entonces: y (s) = Kp e−Tt s u(s) Kp = El Proceso a Controlar ∆y ∆u Fig.

14) tambi´ en es v´ alida para el estado estacionario: qρCp T i − hi Ai T + hi Ai T m − qρCp T = V ρCv dT dt (2.14) La ecuaci´ on (2.15) de (2. ingresa al tanque a una temperatura Ti .15) Restando (2.16) . La Tabla 2.16) al dominio de Laplace y operando.14) resulta: qρCp ti − hi Ai t + hi Ai tm − qρCp t = V ρCv Pasando (2. entonces el modelo lineal residual de (2. La pared met´ alica del tanque se encuentra a una temperatura Tm . El modelo de este proceso fue extra´ ıdo de [28].12: Faja de transporte con tiempo muerto.14) y teniendo en cuenta que ti = Ti − T i . tm = Tm − T m y t = T − T .2. 2. se obtiene: t(s) = K1 = qρCp qρCp + hi Ai K1 K2 ti (s) + tm (s) τ1 s + 1 τ1 s + 1 K2 = hi A − i qρCp + hi Ai τ1 = V ρCp qρCp + hi Ai (2. Este flujo abandona el tanque por desborde a una temperatura T .4 muestra las variables y par´ ametros del proceso. El balance de energ´ ıa en el flujo que se procesa se expresa como: qρCp Ti − hi Ai T + hi Ai Tm − qρCp T = V ρCv dT dt (2.6 Procesos de Orden Superior 23 Fig.17) dt dt (2.

19) hi Ai ho Ao V m ρ m C vm K4 = τ2 = hi Ai + h o Ao hi Ai + h o Ao hi Ai + h o Ao El balance de energ´ ıa en la camisa de enfriamiento se formula como: Qc ρc Cp Tci + ho Ao (Tm − Tc ) − Qc ρc Cp Tc = Vc ρc Cv dTc dt (2.24 El Proceso a Controlar Agua fría qC TC ρC Producto q Ti ρ Rebose q T TC Camisa de enfriamiento Tanque metálico Tm (a) K6 ti K1 1 τ 2 s+1 t m K2 1 τ 1 s+1 t tc i K5 1 τ 3 s+1 K7 q tc K4 K3 c (b) Fig.18) Como en el caso anterior y sabiendo que tc = Tc − T c .13: Proceso de enfriamiento. se encuentra: hi Ai (t − tm ) − ho Ao (tm − tc ) = Vm ρm CVm tm (s) = K3 = K4 K3 t(s) + tc (s) τ2 s + 1 τ2 s + 1 dtm dt (2. 2.49.20) es no lineal debido a los productos Qc Tci y Qc Tc .1. sabiendo que: qc = Qc − Qc . Esto es: Q c Tc i = Q c T c i + T c i qc + Q c tc i (2. El balance de energ´ ıa para la pared del tanque se formula como: hi Ai (T − Tm ) − ho Ao (Tm − Tc ) = Vm ρm CVm dTm dt (2. ejemplo A.20) La ecuaci´ on (2.6. los cuales se pueden linealizar siguiendo el procedimiento de la subsecci´ on A.21) Q c Tc = Q c T c + T c q c + Q c t c .

2. estable y residual del metal C.6 Procesos de Orden Superior 25 Tabla 2. t i Tm . En la Tabla. de la cara interna del tanque C. T i . (2.24) K5 = Q c ρc C p h o A o + Q c ρc C p ho Ao . m3 /s m3 /s kg/m3 kg/m3 kg/m3 J kg −K J kg −K J kg −K m3 m3 K K K K J m2 −s−K J m2 −s−K m2 m2 Reemplazando las ecuaciones de (2. qc q ρ ρc ρm Cp Cv C vm V Vm T. T .20) se obtiene: ρc Cp (Qc T ci + T ci qc + Qc tci )+ ho Ao (Tm − Tc ) − ρc Cp (Qc T c + T c qc + Qc tc ) = Vc ρc Cv dTc dt (2. T m .22) En el estado estacionario todas las variables residuales son nulas. estable y residual de q Temp. significa Coeficiente de Transferencia Calor´ ıfica.C. C. de la cara externa del tanque ´ Area interna de transferencia de calor ´ Area externa de transferencia de calor Valor Unid. estable y residual de Qc Temp. S´ ımbolo Qc .22) de (2.21) en (2. t Tci . actual. Por consiguiente.22) toma la forma: ρ c C p Q c T c i + h o A o (T m − T c ) − ρ c C p Q c T c = V c ρ c C v dT c dt (2. estable y residual Flujo actual del producto que ingresa Densidad de q Densidad de Qc Densidad de la pared de metal del tanque Capacidad calor´ ıfica de q Capacidad calor´ ıfica en el tanque Capacidad calor´ ıfica del metal de la pared Volumen del producto en el tanque Volumen de la pared de metal del tanque Temp.C. estable y residual de q Temp. tci Ti .T. T ci . t m hi ho Ai Ao Descripci´ on Flujo de agua actual. actual.4: Par´ ametros y variables del proceso de enfriamiento en un tanque con camisa de enfriamiento. actual.C.T.22) y pasando la resultante al dominio de Laplace se obtiene: tc (s) = K6 K7 K5 tc i + tm + qc τ3 s + 1 τ3 s + 1 τ3 s + 1 K6 = ho Ao h o A o + Q c ρc C p (2. actual.23) Restando (2. Qc .T.

ω es la velocidad angular. θ es la posici´ on angular del eje. (c) Motor DC controlado por armadura. el torque de carga y el torque de disturbio respectivamente. 2. Lf .13(b) muestra el diagrama de bloques del proceso construido con las ecuaciones (2. . If y Vf son la resistencia. Ra Va Rf Lf If (a) Campo Vf Rf 1 Lf s If Km Tm T d Vb La Vf Ia ω θ J B Motor más carga 1 Js Motor más carga 1 Js B ω 1 s θ B ω 1 s θ TL (b) Armadura Va Vb Km Im Ra 1 L as Kb (c) Tm Td TL Fig. El Motor DC La Fig. la corriente y el voltaje de campo respectivamente.26 ρ c C p (T c − T c i ) h o A o + Q c ρc C p El Proceso a Controlar Vc ρc C p h o A o + Q c ρc C p K7 = τ3 = La Fig. TL y Td son el torque motor. J es el momento de inercia del motor m´ as carga y B es la constante de fricci´ on del motor m´ as carga. t(s)/tci (s) (tipo PT3 ) y t(s)/ti (s) (tipo PD2 T3 ). Ra . 2.20) y (2. 2. Observar que dicho diagrama de bloques es similar al del ejemplo ??. 2. Kb es la constante contraelectromotriz. La .14: (a) Circuito equivalente del motor DC.7. Km es la constante de motor.17). donde Rf . Ia y Va son la resistencia. la corriente y el voltaje de armadura respectivamente. la inductancia. (2.24). (b) Motor DC controlado por campo. en donde se determinaron la funciones de transferencia t(s)/q c (s) (tipo PT3 ).14(a) muestra el circuito equivalente de un motor DC (direct current). la inductancia. Tm .

14(c). la FT resulta: Gp (s) = Km θ(s) = Va (s) s[(Ra + La s)(Js + B ) + Kb Km ] (2. . 2. mientras que la corriente de campo If permanece constante. Las ecuaciones en el dominio de Laplace que rigen la din´ amica del motor CC en este caso son: Vf (s) = (Rf + Lf s)If (s) Tm (s) = Km If (s) = TL (s) + Td (s) TL (s) = Jsω (s) + Bω (s) ω (s) = sθ(s) El diagrama de bloques para este caso se muestra en la Fig.28) Vb (s) = Kb ω (s) Si la inductancia de campo La es suficientemente peque˜ na. 2. entonces la corriente de armadura Ia es variable. Asumiendo que el torque de disturbio Td es despreciable. Considerando que el torque de disturbio Td es despreciable. = Ve (s) τs + 1 Ra B + Kb Km τ= Ra J (2.26) y (2.27) El diagrama de bloques para esta situaci´ on se muestra en la Fig. Las ecuaciones en el dominio de Laplace que rigen la din´ amica del motor DC en este caso son: Va (s) = (Ra + La s)Ia (s) + Vb (s) Tm (s) = Km Ia (s) = TL (s) + Td (s) TL (s) = Jsω (s) + Bω (s) ω (s) = sθ(s) (2.14(b). K= .7 El Motor DC Motor DC Controlado por el Campo 27 Cuando el motor DC est´ a controlado por el campo.29) Ra B + Kb Km Notar que tanto para el motor controlado por campo como por armadura.2. la FT resulta: Gp (s) = Km θ(s) = Vf (s) s(Js + B )(Lf s + Rf ) (2. las FTs para θ y para ω dadas en (2.25) Si la inductancia de campo Lf es suficientemente peque˜ na. mientras que la corriente de armadura Ia permanece constante.26) Motor DC Controlado por la Armadura Si el motor DC est´ a controlado por la armadura.29) poseen la misma estructura cuando se desprecia ya sea Lf o La . entonces la corriente de campo If es variable. entonces la FT para la posici´ on θ y para la velocidad angular ω toman la forma: Gp (s) = Gp (s) = θ(s) ∼ K = Va (s) s(τ s + 1) ω (s) ∼ K Km . entonces la FT para la posici´ on θ y para la velocidad angular ω toman la forma: Gp (s) = Gp (s) = θ(s) Vf (s) ω (s) Vf (s) K s(τ s + 1) K ∼ = τs + 1 ∼ = τ= J B K= Km Rf B (2.

Se deja como ejercicio demostrar que partiendo de la segunda FT de (2.30)  Si se considera que la inductancia de armadura La es despreciable. Se deja como ejercicio demostrar que partiendo de la primera FT de (2.31) Para el caso velocidad angular ω . la representaci´ on en el espacio de estado toma la forma: x = Ax + Bu y = Cx (2. Si seleccionamos como variables de estado x1 = θ. La Fig.8.16 ilustra el esquema para estudio de este proceso. Modelo MIMO del Proceso Tanque Cerrado Descripci´ on del Proceso El proceso tanque cerrado con agua estudiado aqu´ ı se muestra en la Fig.27). y dos salidas: el nivel h del agua dentro del tanque y la temperatura θ que se asume uniforme en el interior del tanque. donde se observa que los flujos de agua fr´ ıa qC y de agua caliente qC se mezclan en el interior del tanque con el prop´ osito de producir el flujo de salida qC a una temperatura θ.15. entonces podemos ˙ usar las FTs dadas en (2. 2. 2.29). la representaci´ on en el espacio de estado resulta: x ˙ = Ax + Bu x ˙1 x ˙2 = 0 1 1 0 −τ + 0 K τ  0  +  0 u 1 La y= 1 0 0 y = Cx u y= 1 0 x1 x2 (2. y = θ como la salida y u = Va como la se˜ nal de entrada. seleccionemos x 1 = θ y x2 = θ como las variables de estado del motor. 2. Para el caso posici´ on θ.29). seleccionemos x = y = ω como la variable de estado y a la vez salida y u = Va como la se˜ nal de entrada.32) A=− 1 τ B= K τ C=1 2. Por tal raz´ on nos ocuparemos del modelo en el espacio de estado para este motor.29). Por consiguiente. x2 = ω y x3 = Ia y asumimos que Td = 0 en (2.8. .1. el proceso tanque con agua es multivariable cuadrado debido a que posee dos entradas: los flujos qC y qH .28 Modelo en el Espacio de Estado El Proceso a Controlar En ingenier´ ıa de control se emplea m´ as el motor CC controlado por armadura debido a la inherente realimentaci´ on que presenta en este caso. se obtienen las siguientes ecuaciones diferenciales de primer orden: x ˙ 1 = x2 x ˙2 = − B Km x2 + x3 J J x ˙3 = − Kb 1 x3 + Va La La Si se elige como salida la posici´ on y = x1 y se designa a Va como la entrada u. la forma matricial de la ecuaci´ on de estado resulta: x ˙ = Ax + Bu   1 0 x ˙1  x ˙2  =  0 −B J b x ˙3 0 −K La  0 m −K J a −R La y = Cx    x1  x2  x3 (2.

4 4 . es determinar adecuadas fuerzas de control qC y qH con la capacidad de estabilizar las salidas controladas h y θ. La manipulaci´ on de las fuerzas de control se realizan mediante dos v´ alvulas de control neum´ aticas.15: Sistema tanque con agua.2. el cual se calcula de [14]: √ π π a = CE d2 ρD 2g (2. La Tabla 2.2. el cambio de volumen de agua acumulado en su interior se modela como: dh ˙ = q C + qH − qD A = Ah (2. Modelo Din´ amico No Lineal del Proceso Balance de Masas Aplicando balance de masas en el tanque.34) qD = CE d2 2ρD ∆p = a h. 2.5 describe las variables y los par´ ametros valorados del proceso tanque cerrado con agua. h es la altura del agua. qC (agua fr´ ıa) y qH (agua caliente) son los flujos de entrada al tanque y qD (agua calentada) es el flujo de salida.8 Modelo MIMO del Proceso Tanque Cerrado 29 Fig. 2. El objetivo del sistema de control a dise˜ nar.33) dt ˙ es el cambio de volumen donde A es la secci´ on del tanque.8. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas. mientras que el transmisor de nivel LT y el transmisor de temperatura TT se ocupan de medir y transmitir el nivel y la temperatura respectivamente. Ah de agua en el tiempo t.

2 0.16×10−4 9. variables y s´ ımbolos del sistema tanque con agua.8 1.66×10−4 0.5×10−4 2.81 20 +270 50 +270 0.5 15.4 Valor 0.0314 Unid.30 El Proceso a Controlar Tabla 2. S´ ımbolo dA A h h qC qC qH qH qD qD Rh g θC θH θ θ ρC ρH ρD d D Cp LT TT FT PT Descripci´ on Di´ ametro del tanque Secci´ on circular del tanque Nivel del agua Nivel del agua en estado estacionario Flujo de agua fr´ ıa hacia el tanque Estado estacionario de qC Flujo de agua caliente hacia el tanque Estado estacionario de qH Flujo de salida desde el tanque Estado estacionario de qD Resistencia hidr´ aulica del tanque: Rh = h/q D Aceleraci´ on de la gravedad Temperatura del flujo qC Temperatura del flujo qH Temperatura del flujo qD y en el tanque Estado estacionario de θ Densidad del agua para qC Densidad del agua para qH Densidad del agua para qD Di´ ametro del orificio de la placa en qD Di´ ametro de la placa de orificio en qD Calor espec´ ıfico del agua Transmisor de nivel Transmisor de temperatura Transmisor de flujo Transmisor de presi´ on 35+270 998 988 996 6.9 4186.5: Par´ ametros. m m2 m m m3 /s m3 /s m3 /s m3 /s m3 /s m3 /s s/m2 m/s2 K K K K kg/m3 kg/m3 kg/m3 mm mm J kg K .

33). ρD es la densidad del agua a una temperatura θ. C = 0.36) donde ΦH es calor entregado por el flujo de agua caliente qH .34).41 y E es una constante de correcci´ on del valor del flujo debido a consideraciones geom´ etricas. la ecuaci´ Despejando h on de estado para la variable de estado nivel toma la forma: √ ˙ = − a h + 1 qC + 1 qH h (2. donde hemos usado el hecho de que la ca´ ıda de presi´ on ∆p en la tuber´ ıa de di´ ametro D provocada por la placa de orificio de di´ ametro d se expresa como: ∆p = ρD gh En la expresi´ on (2.2. 2. g es la aceleraci´ on de la gravedad. β = d/D es una relaci´ on igual a 0.35) A A A Los valores de las densidades del agua en funci´ on de la temperatura se pueden obtener de figura 2. ΦD es el calor que toma el flujo de salida qD y ΦC .6 es el coeficiente de descarga del orificio.8 Modelo MIMO del Proceso Tanque Cerrado 31 PT LT= Transmisor de Nivel TT TT = Transmisor de Temperatura PT= Transmisor de Presión FT= Transmisor de Flujo Reboce Drenaje Agua Caliente Agua Fría FT LT FT Fig. Balance de Energ´ ıa T´ ermica El balance de energ´ ıa t´ ermica dentro del tanque se formula como: ΦT = −ΦD + ΦC + ΦH (2. el cual se expresa como: E = (1 − β 4 )−1/2 ˙ de (2.16: Esquema de estudio del sistema tanque con agua.17. ΦT es el calor del agua en el interior del tanque.

39) . 2. Observar que se asume un valor constante para el calor espec´ ıfico del agua Cp . La ecuaci´ on de estado ˙ de (2. u) x ˙ = x ˙1 x ˙2 = ˙ h ˙ θ x= x1 x2 u= u1 u2 = qC qD (2.38).17: Valores de la densidad del agua versus la temperatura.38) Definamos las siguientes fuerzas de control o variables manipuladas: u1 = qC .37) √ Φ D = C p ρD θ q D = C p ρD θ a h = C p ρH θ H qH Los par´ ametros que aparecen en (2. es el calor que trae consigo el flujo de entrada de agua fr´ ıa qC .36): = θ de la variable de estado temperatura θ se obtiene despejando dθ dt √ ˙ = − a θ h + ρC θ C qC + ρH θ H qH θ Ah ρD A h ρD A h (2.32 El Proceso a Controlar Fig.5. la ecuaci´ on de estado que describe la din´ amica del proceso tanque cerrado con agua se formula como: x ˙ = f (x. Cabe anotar que se est´ a despreciando el calor que se libera al exterior del tanque debido a que tal tanque es cerrado y suficientemente aislado.37) se describen en la tabla 2.35) y (2. Las relaciones que gobiernan los flujos calor´ ıficos descritos anteriormente son: ΦT ΦC ΦH = AhρD Cp dθ ˙ = AhρD Cp θ dt = C p ρC θ C qC (2. x2 = θ y juntando las ecuaciones (2. u2 = qH y las siguientes variables de estado: x1 = h.

4.35). la cual se puede determinar de [13]: Rh = h qD (2. Reemplazando (2.8.2.8 Modelo MIMO del Proceso Tanque Cerrado  a√ x1 + −A a −A x2 √ x1 1 A u1 33 1 A u2 ρH θ H u 2 ρD A x 1 f= f1 f2 Dado que las variables de estado son las variables medidas del proceso.3.40)  = + + + ρC θ C u 1 ρD A x 1    2.42) donde Rh es la resistencia hidr´ aulica del tanque.42) en (2.44) . entonces la ecuaci´ on de salida posee la siguiente expresi´ on: y = Cx y= y1 y2 = x1 x2 C= 1 0 0 1 (2.43) donde h y q D son los valores en estado estacionario de h y qD respectivamente.41) 1 (ρH θH − ρC θC ) 2. se obtiene la ecuaci´ on lineal de estado del nivel: ˙ = − 2 h + 1 qC + 1 qH h Rh A A A (2. Modelo Din´ amico de Lagrange del Proceso El modelo din´ amico de Lagrange del proceso tanque cerrado con agua se obtiene reordenado las ecuaciones de (2. Modelo Din´ amico Lineal del Proceso La placa de orificio instalada en la tuber´ ıa del flujo de salida qD produce un flujo turbulento que para variaciones peque˜ nas del nivel h se puede aproximar como [13]: qD = 2h Rh (2.39) en la forma siguiente: √ u1 + u2 = Ax ˙ 1 + a x1 √ ρC θC u1 + ρH θH u2 = ρD Ax1 x ˙ 2 + ρ D a x 1 x2 Por consiguiente: 1 ρc θ C 1 ρH θ H u1 u2 = A 0 0 ρD Ax1 x ˙1 x ˙2 + √ a x1 √ ρD a x 1 x 2 Operando en la u ´ltima ecuaci´ on.8. es f´ acil demostrar que el modelo din´ amico de Lagrange del proceso toma la forma: u = Px ˙ +d P= d= 1 (ρH θH − ρC θC ) ρH θH A −ρD Ax1 −ρC θC A ρD Ax1 √ √ ρH θ H a x 1 − ρ D a x 1 x 2 √ √ −ρC θC a x1 + ρD a x1 x2 (2.

T es el retardo de primer orden o la constante de tiempo y τ es el tiempo muerto o retardo puro.18. la cual empieza en t1 .40).47): x ˙ = Ax + Bu (2.47) La ecuaci´ on de estado lineal del proceso se obtiene juntando las ecuaciones (2.44) toma la forma: x ˙1 = − 2 1 1 x 1 + u1 + u2 Rh A A A (2. Respuesta Transitoria de los Procesos Respuesta al Escal´ on Asumamos que la respuesta de un sistema (su curva de reacci´ on) a una entrada tipo escal´ on posee la forma mostrada en la Fig.46) Empleando las variables de estado definidas anteriormente.9. el cual es el caso en muchos sistemas industriales denominados autoregulados.9. 2.38) correspondiente a la temperatura en el tanque: h=h √ qD = a h = a h = qD donde el valor estacionario q D se calcula de (2. 2.18 que la respuesta y0 en el tiempo t1 se debe a la entrada tipo escal´ on u0 .49) donde Kp es la ganancia proporcional. entonces se produce la curva de reacci´ on y (t) mostrada.46) toma la forma: x ˙2 = − ρC θ C ρH θ H qD x2 + u1 + u2 AhρD AhρD AhρD (2. (2. 2. Tales reemplazos nos permiten obtener la siguiente descripci´ on lineal de la din´ amica de la temperatura: ˙ = − q D θ + ρC θ C qC + ρH θ H qH θ AhρD hρD AhρD (2.45) y (2. Este tipo de respuesta se puede aproximar mediante una FT de primer orden en cascada con una FT del tiempo muerto: Gp (s) = Kp y (s) = eτ s u(s) (T s + 1) Kp = y1 − y 0 u1 − u 0 (2.34 El Proceso a Controlar En funci´ on de las variables de estado definidas anteriormente.45) Asumiendo que la variaci´ on del nivel h es m´ ınima.42).1. (2. Los par´ ametros T y τ se obtienen . A= 0 qD − Ahρ D B= u1 u2  = 1 A ρC θ C AhρD qC qH 1 A ρH θ H AhρD   2. Cuando la se˜ nal escal´ on de entrada cambia de u0 a u1 . entonces podemos hacer las siguientes sustituciones en la ecuaci´ on de estado (2.48) x=  x1 x2 2 − Rh A = h θ 0   u= La ecuaci´ on de salida es la misma expresi´ on dada en (2. Observar en la Fig.

2 s.49) donde τ = 2 s y T = 9. Determinar la ganancia normalizada del sistema sabiendo que la entrada m´ axima de voltaje es 40 V y el rango del instrumento de medici´ on de rpm a la salida es de 0 a 1000 rpm.217.9 Respuesta Transitoria de los Procesos u u1 u0 t 0 t1 t Proceso autoregulado KP e τs Ts + 1 y y 1 P. Con los datos proporcionados en el ejemplo se obtiene: τ /T = 0.T.104 0.641 0.591 0.493 0.151 8 0.50).6: Determinaci´ on de los par´ ametro n y Tn de (2.224 5 0. semejante a la mostrada en la Fig.140 10 0. Empleando la Tabla 2.6.18 tambi´ en se puede aproximar mediante una FT de orden n de la forma: G(s) = Kp y (s) = u(s) (Tn s + 1)n Kp = y1 − y 0 u1 − u 0 (2.410 0. Tabla 2. Los datos le´ ıdos fueron: u0 = 10 V. 2.148 9 0.368 3 0.132 Ejemplo 2.2.50).18. Esta curva se obtuvo manipulando la entrada u del sistema.18: Curva de reacci´ on de un sistema. gr´ aficamente trazando una tangente que toque el punto de tangencia (P.270 4 0.50) se determinan empleando la Tabla 2. el tiempo muerto τ = 2 s y T = 9.218 0. y0 t 0 τ t1 T 35 u y t Fig.175 7 0. La curva de reacci´ on mostrada en la Fig.709 0. y0 = 400 rpm.320 0.2 s: G(s) = Kp y (s) = e−τ s u(s) (T s + 1) Kp = y1 − y 0 600 − 400 rpm = = 20 u1 − u 0 20 − 10 V El segundo modelo din´ amico se refiere a la ecuaci´ on (2.775 0.6 se puede .) sobre la curva de reacci´ on. un generador de voltaje continuo.2 Determinar dos modelos din´ amicos que describan el comportamiento velocidad frenada de un motor DC a partir de su curva de reacci´ on.195 6 0. y1 = 600 rad/s. u1 = 20 V.T. n τ /T Tn /T 2 0. 2. 2.50) Los par´ ametros n y Tn de (2. Soluci´ on: El primer modelo din´ amico se halla con la ecuaci´ on (2.

36 El Proceso a Controlar determinar: n = 3 y Tn /τ = 0.54 s.175 3 0.140 4 0.51) donde T1 y T2 son dos constantes de tiempo que se relacionan mediante la ecuaci´ on: T1 = kT2 k>1 La constante k se determina usando la Tabla 2. u1 = 15 V.175.088 8 0.54s + 1)3 La ganancia normalizada KP n se determina de: Kpn = 600−400 1000−0 20−10 40−0 = 0. y0 = 200 rpm.094 0.064 0. semejante a la mostrada en la Fig.51).104 la din´ amica del sistema autoregulado se puede aproximar mediante la siguiente FT de segundo orden: G(s) = Y (s) KP = U (s) (T1 s + 1)(T2 s + 1) KP = y1 − y 0 u1 − u 0 (2.075 0.51 se determina que k = 2 y T1 /T = 0. Dado que τ /T = 0. lo que implica: Tn = 0.081 9 0.238 2 0.4 0.120 5 0. Tabla 2. la FT pedida es: G(s) = KP 10 Y (s) = = U (s) (T1 s + 1)(T2 s + 1) (3.107 6 0.3 Determinar el modelo que describa la din´ amica de un sistema mecatr´ onico de velocidad a partir de su curva de reacci´ on. τ = 2 s.7 s.090 0.097 7 0. k τ /T T1 /T 1 0. los datos le´ ıdos fueron: u0 = 5 V.2 = 0. Como KP = (300–200)/(15–5) = 10 rpm/V.069 0. y1 = 300 rpm.85 s y T2 = kT1 = 7.058 0. empleando la Tabla 2.7s + 1) . En este caso. lo que implica que T1 = 3.074 Ejemplo 2.51). 2.09. La FT resulta: G(s) = Kp y (s) 20 = = n u(s) (Tn s + 1) (0.18.080 0.85s + 1)(7.7: Determinaci´ on de los par´ ametro T1 y T2 de (2.053 0.085 0.5 Caso Especial Para el caso especial: 0 < τ /T < 0. Soluci´ on: El modelo din´ amico se refiere a la ecuaci´ on (2.270.7. T = 22 s.

En este m´ etodo se determinan los tiempos t28. sus correspondientes transformadas de Laplace son u(s) = A/s y u(s) = A respectivamente. y (s) en (2. M´ etodo del 28.52) u u1 u u0 t 0 t1 t Proceso autoregulado KP e τs Ts + 1 y y 1 y Fig.2 % La Fig.2% t 23.2 % − T t 63.19 muestra la curva de reacci´ on para el m´ etodo 28.5(t63.3% 0.3 % ) τ = t63.54) 2) s(s2 + 2ζωn s + ωn Tomando la transformada inversa de Laplace (f´ ormula (31) de la Tabla A.19: Curva de reacci´ on para el m´ etodo 28. 2.49) se determinan de: T = 1.632∆y .3 % y 63.283∆y y 0.9.3 % y 63. El siguiente proceso de segundo orden se emplea para explicar las especificaciones de dise˜ no en el dominio del tiempo como veremos en la siguiente secci´ on. Notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada.1) se obtiene: ωn −ζωn t y (t) = A 1 − e sen(ωd t + θ) (2.20 (gr´ afico superior izquierda) muestra y (t) para A = 1 y varios valores de ζ . 2.3 % y t63. . Otras Respuestas al Escal´ on y al Impulso Los sistemas autoregulados presentan una respuesta finita (constante o cero) a entradas de prueba escal´ on o impulso.1.283 ∆ y t ∆y (2. La FT de este sistema es: 2 ωn y (s) = 2 (2.55) ωd La Fig.54) para ζ ≥ 1 se obtiene empleando la f´ ormula (32) de la Tabla A. respectivamente.3. 2. La transformada inversa de laplace de (2.2 % − t28.3 % y 63.2. Sabemos que cuando la entrada u(t) es un escal´ on o un impulso de magnitud A.2 %. Cuando r(s) = A/s (entrada tipo escal´ on de magnitud A).9 Respuesta Transitoria de los Procesos 37 2. En base a estos valores. los par´ ametros de la FT dada en la ecuaci´ on (2.9.53) Gp (s) = 2 r(s) s + 2ζωn s + ωn donde ωn es conocida como la frecuencia natural de oscilaci´ on y ζ es el coeficiente de amortiguamiento.632 ∆y y0 t 0 t1 0.2 % correspondientes a las magnitudes 0.2.53) toma la forma: 2 Aωn y (s) = (2. 2.2 %.

8].20 (gr´ afico inferior izquierda) muestra y (t) para A = 1 y varios valores de ζ . hold on.58) y aplicando la propiedad (5) de la Tabla A. impulse(G2). end subplot(224).4:1. 2.53) incluye un tiempo muerto τ . subplot(221). close all. ´N Y AL IMPULSO DE PROCESOS AUTOREGULADOS % r1. y (s) en la ecuaci´ on (2.4:1. se obtiene la respuesta al impulso y (t) correspondiente a (2. 2.4:1. Para obtener la Fig.20 (gr´ afico superior derecha) muestra y (t) para A = 1 y varios valores de ζ . hold on.2:0.8].55). G2=wn^2/(s^2+2*z*wn*s+wn^2). o el aumento del nivel de un l´ ıquido dentro de un tanque sin tuber´ ıa de . G4=wn^2*exp(-tau*s)/(s^2+2*z*wn*s+wn^2). Una forma alternativa de (2.56) 2 s + 2ζωn s + ωn Tomando la transformada inversa de Laplace (f´ ormula (29) de la Tabla A.2:0.53) se formula como: 2 Aωn y (s) = 2 (2. tau=2. como es el caso de la posici´ on angular del eje de un motor de CC. G3=wn^2*exp(-tau*s)/(s^2+2*z*wn*s+wn^2). 2.8].60) y (t) = ωd La Fig.m RESPUESTAS AL ESCALO clear all.57).m listado abajo. Si la entrada es un impulso (u(s) = A) en (2.58) y aplicando la propiedad (5) de la Tabla A.2 en (2. clc.58): 2 Aωn e−ζωn (t−τ ) sen ωd (t − τ ) (2. se obtiene la respuesta y (t) al escal´ on correspondiente a (2. s=tf(’s’). Esto es: G(s) = y (s) ω2 = 2 e−sτ u(s) s + 2ζωs + ω 2 (2. hold on. for z=[0.20 (gr´ afico superior derecha) muestra y (t) para A = 1 y varios valores de ζ . De nuevo. G1=wn^2/(s^2+2*z*wn*s+wn^2). 2. step(G1).58): ωn −ζωn (t−τ ) y (t) = A 1 − e sen[ωd (t − τ ) + θ] (2. hold on.38 El Proceso a Controlar Cuando u(s) = A (entrada tipo impulso).8]. print -deps -f r1 Respuesta al Escal´ on en Procesos No Autoregulados Procesos no autoregulados.58) Para una entrada tipo escal´ on (u(s) = A/s) en (2.2:0.59) ωd La Fig. end subplot(222). end. for z=[0.1) resulta: y (t) = 2 Aωn e−ζωn t sen ωd t ωd (2. notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada. Notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada. ejecutar el programa r1. impulse(G4). end subplot(223). for z=[0. Notar tambi´ en que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada. step(G3). wn=3.20.2 en (2.4:1.2:0. for z=[0.57) La Fig.

Ri y R son resistencias.20: Respuestas al escal´ on y al impulso de procesos de segundo orden en funci´ on del par´ ametro ζ .8 5 Time (sec) Step Response 10 0 1.8 muestra la FT (funci´ on de transferencia) de varios procesos en funci´ on de su comportamiento.1 Problemas La Fig. Los par´ ametros R y τ se obtienen gr´ aficamente. A manera de resumen.61) donde τ es el tiempo muerto. la Tabla 2. 2.2.8 −2 0 5 Time (sec) 10 5 Time (sec) Fig. Problema 2. 2. 2. R es la raz´ on de reacci´ on unitaria y KI es la ganancia integral.2 Amplitude 1. salida. donde Rf .2 Amplitude 1. Demostrar que este proceso es proporcional con ganancia K p = Rf /Ri .5 0 2 0.10.8 10 0 1. tal como se ilustra en la Fig. tal como se ilustra en la Fig.10 Problemas 39 Step Response 2 Amplitude 4 Impulse Response 0.2 1 0 1. 2. 2.21.5 1 0. .5 1 0. La din´ amica de tales procesos se puede modelar como: Gp (s) = KI −τ s e s R = KI τ (2.22 muestra un amplificador un seguidor de voltaje y dos opamps inversores.2 1 0 1.5 0 2 0. poseen una respuesta al escal´ on no finita.21.8 −2 0 5 Time (sec) Impulse Response 4 10 2 Amplitude 0.

2 La Fig. Tabla 2.23 muestra una turbina de agua unido a un generador el´ ectrico.21: Respuesta al escal´ on de un proceso no autoregulado.8: FT de varios procesos en funci´ on de su comportamiento. Proceso Proporcional (P) Integral (I) Doblemente integral Proporcional integral (PI) Proporcional derivativo (PD) P+I+D Tiempo muerto Integral con tiempo muerto 1er orden con tiempo muerto Kp (1 + Td s) Kp 1 + 1 Ti s FT Kp Kp s Kp s2 Proceso Primer orden Segundo orden (primera forma) Segundo orden (segunda forma) 1 Ti s FT Kp T s+1 Kp (T1 s+1)(T2 s+1) Kp (T s+1)2 2 ωn 2 s2 +2ζωs+ωn Kp 1 + Segundo orden (tercera forma) De orden n (primera forma) De orden n (segunda forma) 2do orden con τ (1a forma) 2do orden con τ (2a forma) 2do orden con τ y derivativo Kp (T1 s+1)···(Tn s+1) Kp (T s+1)n + Td s Kp e−τ s Kp s Kp (T1 s+1)(T2 s+1) 2 ωn 2 s2 +2ζωs+ωn e−τ s e−τ s e−τ s e−τ s e−τ s Kp T s+1 2s ωn 2 s2 +2ζωs+ωn Problema 2.40 u A u Proceso no autoregulado KI e τs s R = KI τ y El Proceso a Controlar y τ R τ t Fig. 2. 2. donde FT: Funci´ on de Transferencia y τ : tiempo muerto. De- . Otras combinaciones son posibles.

Las fuerzas de control (las entradas). Generador eléctrico Turbina Entrada de agua M ω Desague Fig. Determinar la ecuaci´ on de estado y el modelo de Lagrange del proceso para esta situaci´ on.24 muestra un tanque de almacenamiento de gas. Problema 2.2. siguen siendo las mismas: qC y qH .3 En la subsecci´ on 2. mostrar que: Kp M (s) = ω (s) Ts + 1 donde M (s) es el momento rotacional generado por la turbina gracias a la ecci´ on del flujo de agua. Asumir conocido cualquier otro par´ ametro necesario.1 se determinaron el modelo de Lagrange y la ecuaci´ on de estado del proceso tanque cerrado con agua.10 Problemas 41 Ri Seguidor de voltaje Rf R Opamp inversor R Vo Opamp inversor Vin Fig.22: Generador accionado por una turbina de agua.23: Generador accionado por una turbina de agua.8. 2. Ahora consideremos que se desea controlar el √ flujo de salida qD = a h y la temperatura en el tanque θ. 2. Demostrar que: 1 Po (s) = Pi (s) Ts + 1 T = RC . Problema 2. 2.4 La Fig. ω (s) es la velocidad angular del generador y T su correspondiente constante de tiempo.

La ecuaci´ on din´ amica de este proceso es: M dv = f − f K − fB dt Determine la FT v (s)/u(s) y la ecuaci´ on matricial de estado del proceso sabiendo que x1 = v .5 La Fig. mientras que la salida es: y = x1 /K . Q es el caudal del gas. Pi R Q Po C ρ Fig. v = dx/dt es la velocidad de la masa M y x su posici´ on.. 2. x K B fK fB M v u Fig. donde K es la constante del resorte.25: Proceso mec´ anico traslacional. Pi es la presi´ on del gas de entrada. 2.42 El Proceso a Controlar donde Po es la presi´ on del gas dentro del recipiente. Problema 2. Problema 2. x2 = fK .25 muestra una proceso mec´ anico traslacional. C = dm/dp (variaci´ on de la masa con respecto a la variaci´ on de la presi´ on) es la capacitancia neum´ atica. 2. A esta acci´ on se le oponen la fuerza fK = Kx en el resorte y la fuerza de p´ erdidas fB = Bv en el amortiguador. m = ρV es la masa del gas. R = (Pi − Po )/Q es el la resistencia neum´ atica. V es el volumen del tanque. ρ es la densidad del gas y T = RC es la constante de tiempo. donde M es la masa de un cuerpo que est´ a accionado por una fuerza u. es igual al gas Q a˜ nadido al recipiente en un diferencial de tiempo dt.6 : Sistema de Plataformas . B es la constante de p´ erdidas. Se sabe adem´ as que la capacitancia C multiplicada por la variaci´ on de la presi´ on de salida dPo .24: Tanque almacenador de gas.

2.2. . Asuma Usted los valores de los par´ ametros del sistema.10 Problemas 43 La Fig. b) Determine el modelo de Lagrange del sistema. las se˜ nales de salida a controlar. Las se˜ nales de control son capaces de llevar a cero con suficiente rapidez los errores de posici´ on e 2 = r2 − y2 . ¦§ ¦§ ¦§   r1   + e1 ¨ ¨ ¨ ¨ ¨ ¨ ¨ P1 K1 u2 B1 y y1 u1 ¦§ ¦§ ¦§ ¦§     − + R1 ¤¥ +¤ ¥ − + Y1 r2 − R2 © © © © © © © − e2 Y2 K2 P2 B2 2 ¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡¢ £¢¡ £ Fig.26: Plataformas acopladas. donde r1 y r2 son las se˜ nales de referencia e y1 e y2 .26 muestra dos plataformas P1 y P2 de masas m1 y m2 acopladas por resorte y amortiguador. 2. son las posiciones individuales de las plataformas. a) Determinar las ecuaciones de estado y de salida del sistema. El sistema de plataformas descrito tiene como entradas de control las se˜ nales u1 y u2 generadas por dos actuadores.

.

La medici´ on del valor actual de la se˜ nal a controlar se realiza mediante un sensor. Los temas sensores y transmisores se tratan en forma extensa y especilizada en los textos de instrumentaci´ on industrial. mientras que el transmisor cambia tal medici´ on en una se˜ nal estandarizada. denominado as´ ı poseer un solo lazo de realimentaci´ on. flujo. Esta curva se obtiene aplicando una serie de entradas conocidas al sensor y almacenando las correspondientes respuestas. En esta publicaci´ on. el sensor puede ser de nivel. denominado tambi´ en elemento primario de medici´ on. El sensor proporciona la variable medida. presi´ on. Por ejemplo. o un instrumento de medici´ on que emplea los sensores adecuados para tal o cual medici´ on. . la cual es proporcional a la temperatura medida. 1. tales temas van a ser tratados con el suficiente nivel que exige un texto de control de procesos.1. Por otro lado. un sensor se puede clasificar en anal´ ogicos (la se˜ nal de salida es continua dentro del rango de medici´ on). Sensores Recordemos que la Fig. Un sensor puede estar caracterizado por una curva de reacci´ on la cual relaciona la variable medida con la se˜ nal generada. consta de un sensor y de un transmisor.1 ilustra un sistema de control a lazo cerrado (o realimentado) simple. una termoresistencia proporciona una se˜ nal continua en ohms. mientras que un radar proporciona se˜ nales discretas que son proporcionales a la magnitud de la variable medida. Seg´ un el tipo de se˜ nal de salida que proporciona. la cual representa la condici´ on actual de la variable controlada y . la cual generalmente es una se˜ nal que pueda ser procesada y transmitida. etc. temperatura. proximidad.Cap´ ıtulo 3 El Sistema de Instrumentaci´ on Este Cap´ ıtulo 3. Seg´ un la magnitud a medir. En muchos casos la variable medida y la variable controlada pueden ser la misma. El bloque sistema de instrumentaci´ on para el control de procesos SISO (Single Input Single Output). y ON–OFF (la se˜ nal de salida var´ ıa entre los umbrales ON y OFF). Un ejemplo t´ ıpico est´ a constituido por las curvas caracter´ ısticas de Temperatura (◦ F) vs mV de las termocuplas. las se˜ nales que abren y cierran completamente una v´ alvula son del tipo ON–OFF. digital (la se˜ nal de salida es digital).

Por ejemplo. saturaci´ on. un term´ ometro posee repetibilidad porque siempre mide 49◦ C en un objeto ◦ de 50 C cuando dicho objeto pasa de m´ as fr´ ıo a m´ as caliente. Supongamos que se mide una corriente conocida de 100 mA empleando 5 lecturas. alcance. su sensibilidad es siempre la misma y su curva caracter´ ıstica es lineal. En cambio. Un sensor posee repetibilidad cuando se puede repetir el valor de la medici´ on de una variable para una u ´nica direcci´ on de medici´ on. como din´ amicas: velocidad de respuesta. por ejemplo. t´ ıpicamente al principio o al final del rango. porque sus puntos de sensibilidad corriente sobre voltaje son constantes. Por otro lado. el proceso de medici´ on es en ambos sentidos. un instrumento de medici´ on es preciso cuando puede reproducir la lectura medida con una exactitud previamente determinada. sensibilidad. Desafortunadamente.1.5 V. Por ejemplo. lo cual significa un span de 100 V. la exactitud del instrumento resulta: 5 × 100 = 5 % 100 . Supongamos que un volt´ ımetro es capaz de medir en el rango de 0 a 500 V. Caracter´ ısticas Est´ aticas y Din´ amicas Un sensor posee tanto caracter´ ısticas est´ aticas: rango. respuesta en frecuencia. sin embargo. 103 y 105 mA. La exactitud de una medici´ on se refiere a la m´ axima desviaci´ on en % del valor medido. repetibilidad. es decir. En las zonas de saturaci´ on. precisi´ on y exactitud.46 El Sistema de Instrumentaci´ on 3. mientras que la resoluci´ on es la m´ ınima diferencia entre dos valores pr´ oximos que el sensor es capaz de distinguir. pero nosotros s´ olo estamos interesados en medir en la escala de 200 a 300 V. zona muerta. La saturaci´ on se manifiesta en un sensor debido a la no linealidad producida por la disminuci´ on de sensibilidad. hist´ eresis. con una tolerancia de error aceptable. la sensibilidad es la variaci´ on de la salida producida por una variaci´ on de la entrada.1. Dado que la desviaci´ on m´ axima en la medici´ on es 5 mA con respecto al valor real de 100 mA. El alcance o span es la diferencia entre el valor m´ aximo y el valor m´ ınimo de inter´ es. La hist´ erisis en un sensor se parece a la repetibilidad. 103. En un sensor con curva de respuesta lineal. este term´ ometro posee una hist´ eresis de ±1◦ C porque en un objeto de 50◦ C mide 49◦ C cuando dicho objeto pasa de m´ as fr´ ıo a m´ as caliente. es decir. El gr´ afico de los puntos de sensibilidad define la curva caracter´ ıstica o de de calibraci´ on. 105. con respecto al valor ideal.5 V. las curvas caracter´ ısticas de los diodos en su zona activa son no lineales porque sus puntos de sensibilidad corriente sobre voltaje no son constantes. La zona muerta de un sensor es el a ´rea de valores de la variable medida que no hace variar la indicaci´ on del instrumento.5 V 0 289. podemos ver sin dificultad lecturas de. y mide 51◦ C cuando el objeto pasa de m´ as caliente a m´ as fr´ ıo. resoluci´ on. una conductancia (la inversa de la resistencia) si posee una curva caracter´ ıstica lineal. Mientras mayor sea la pendiente de dicha curva. 200. El rango es el campo de medida de la magnitud de entrada del sensor y var´ ıa entre el valor m´ aximo y el valor m´ ınimo detectables. Este gr´ afico representa respuesta no lineal. El volt´ ımetro usado posee una resoluci´ on de 0. curva caracter´ ıstica. Por otro lado. linealidad. las cuales resultan: 104. mejor la sensibilidad. y estabilidad. la variaci´ on de la salida producida por una variaci´ on de la entrada es constante. la medici´ on no es confiable.

3.1 y ∠M (ω ) es el argumento o fase para cada frecuencia ω .1) nivel Ts + 1 donde K es la ganancia del sensor. que equivale al 1 % con respecto a la medida real de 100 mA. Tales representaciones se denominan los gr´ aficos de Bode en magnitud y fase. Una velocidad de respuesta r´ apida implica una constante de tiempo T peque˜ na y viciversa. tales como K y T (ecuaci´ on 3. donde j = −1 es la unidad de n´ umeros imaginarios y ω = 2πf es la frecuencia angular. MB (ω ) es M expresado en dB (decibelios).2). entonces en 3. La velocidad de respuesta de un sensor es la capacidad para que la se˜ nal de salida siga sin retraso a las variaciones de la se˜ nal de entrada.1 Sensores La precisi´ on se halla calculando primero la media de las lecturas: 105 + 103 + 105 + 103 + 105 = 104 mA 5 47 y luego determinando la m´ axima desviaci´ on de las lecturas con respecto a dicha media. mientras que en un flotador empleado para la medici´ on de nivel. √ Si el sensor recibe excitaciones senoidales. en este caso: ± 1 mA. Por otro lado. Luego: K Ts + 1 = s=jω K K =√ arctan(−T ω ) = M (ω )∠M (ω ) T jω + 1 1 + ω2T 2 MB (ω ) = 20logM (ω ) ∠M = arctan(−T ω ) (3. la relaci´ on entre la salida resistencia en ohm y la entrada temperatura ◦ en C es constante.1. La estabilidad en un sensor se explica como la desviaci´ on que sufre la medici´ on cuando se var´ ıan ciertos par´ ametros.2. la relaci´ on entre la salida voltaje en V y la entrada nivel en m es una expresi´ on de primer orden: voltaje K = (3. Por ejemplo. en un sensor PT 100 empleado para medir la temperatura. Principios de los sensores . s es la variable de Laplace y T es la constante de tiempo.2) M (ω ) = √ K 1 + ω2T 2 donde M (ω ) es la magnitud de 3.1: s = jω . el comportamiento es similar al de un proceso de primer orden. pero en otros casos. los sensores poseen un comportamiento din´ amico constante o proporcional.3. mientras que el gr´ afico ∠M = arctan(−T ω ) vs ω en escala logar´ ıtmica es su correspondiente respuesta en frecuencia de su a ´ngulo o fase. En la mayor´ ıa de los casos. la respuesta en frecuencia de un sensor se determina excitando al sensor con se˜ nales senoidales de amplitud constante y frecuencia variable. El gr´ afico de MB (ω ) vs ω en escala logar´ ıtmica es la respuesta en frecuencia en magnitud del sensor representado en 3. Un sensor no es estable cuando la medici´ on experimenta desviaciones en los valores medidos debido a la variaci´ on de ciertos par´ ametros.1. la cual se interpreta como el tiempo que demora la medici´ on.

48 El Sistema de Instrumentaci´ on Fig. 3. .1: Principios de los sensores.

3.1 Sensores 49 Fig.2: Principios de los sensores. 3. .

.

Caracter´ ısticas .Cap´ ıtulo 4 Elementos Finales de Control Este Cap´ ıtulo 4.1.

52 Elementos Finales de Control Fig. .1: Actuadores. 4.

4.1 Caracter´ ısticas 53 Fig. .2: Actuadores. 4.

.

Es importante mencionar que el algoritmo PID es el de mayor aplicaci´ on industrial (aproximadamente el 90 %) y su modelo din´ amico es lineal y de segundo orden. Para algunas configuraciones Gc1 (s) es del tipo PI mientras que Gc2 (s) es del tipo D. nivel. Se emplea para controlar sistemas caracterizados por tener una entrada y una salida.1. En la Fig. (b) y (c) es del tipo SISO porque posee una entrada: u y una salida: y . entre otros. un controlador G c (s) que genera la se˜ nal de control u (la se˜ nal MV) y el sistema de instrumentaci´ on Gm (s) que se ocupa de sensar y transmitir la se˜ nal y . sin presencia de disturbios. El controlador mostrado en las Figs. comprende el proceso con FT Gp (s) cuya salida y (la se˜ nal PV) se desea controlar. algunas de las cuales vamos a explorar en este cap´ ıtulo. El objetivo de control consiste en dise˜ nar una se˜ nal de control u. 5. Notar que el sistema a controlar Gp (s) mostrado en las Figs. cuya forma m´ as conocida es: u(t) = Kc e(t) + Kc Ti e(t)dt + Kc Td de(t) = P (t) + I (t) + D(t) dt donde Kc es la ganancia proporcional. Dependiendo de la aplicaci´ on. generada por el algoritmo de control. Sistema de Control SISO Un sistema de control SISO realimentado o a lazo cerrado. una parte integral I (t) y otra derivativa D(t). 5.1(a) y (b) son parte de un circuito realimentado. 5.1(b) y (c) ha sido dividido en dos partes: Gc1 (s) y Gc2 (s). El comparador que genera la se˜ nal de error e = r − y . 5. es parte del controlador. donde r es la se˜ nal de referencia deseada o SP. flujo. tal como se ver´ a m´ as adelante. Los controladores mostrados en las Figs. el controlador en cuesti´ on puede trabajar como P. PI. el controlador G c2 (s) es del tipo anticipativo. como son los casos del control de presi´ on. 5. PD o PID. Ti es el tiempo integral y Td es el tiempo derivativo.1(a). 5.1(a).Cap´ ıtulo 5 Control PID SISO El controlador PID SISO procesa la se˜ nal de error e(t) entre la se˜ nal deseada r(t) y la se˜ nal controlada y (t) (la salida del sistema) empleando un algoritmo de control ampliamente difundido en el mundo industrial. Este algoritmo posee muchas variaciones. que sea capaz de estabilizar la salida y del sistema con respecto .1(c). En la expresi´ on anterior se puede ver claramente que el algoritmo PID posee una parte proporcional P (t). tal como el que se muestra en la Fig. mientras que Gc1 (s) es del tipo de realimentaci´ on.

ya sea en el dominio del tiempo o en el dominio de la frecuencia. du y dm actuando en la salida del sistema. respectivamente. en la salida del controlador y en la salida del transmisor. 5. En otras palabras. 5.2) previamente establecidas. El objetivo de control del sistema en este caso es m´ ultiple: dise˜ nar una se˜ nal de control u que sea capaz de estabilizar la salida y con respecto a la se˜ nal de referencia r. los cuales no fueron considerados en el sistema de la 5.2. La presencia de dicho limitador puede provocar el efecto denominado windup. rechazando al mismo tiempo la acci´ on de los disturbios que act´ uan sobre el sistema. Por otro lado.7.1: Sistemas de control realimentados. cuya presencia puede ser da˜ nina durante el funcionamiento del sistema de control realimentado. que la se˜ nal de control u sea capaz de minimizar la se˜ nal de error e = r − y . se debe de incluir un limitador. tal como el mostrado en la Fig. . El sistema de control SISO realimentado mostrado en la Fig.56 r e u y Control PID SISO Gc (s) G p(s) G m (s) (a) r e G c1 (s) u G p(s) G c2 (s) G m (s) (b) G c2 (s) r e G c1 (s) u y G p(s) y G m (s) (c) Fig. cumpliendo ciertas especificaciones de dise˜ no (ver secci´ on 5. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas. a una se˜ nal de referencia r. El filtro de entrada sirve para eliminar las componentes de alta frecuencia.1(a).2 toma en cuenta la acci´ on de los disturbios dy . 5. para evitar posibles da˜ nos en el actuador del elemento de control final. el cual ser´ a tratado en la secci´ on 5.

Para la situaci´ on mostrada en la Fig. se acostumbra emplear el sistema de segundo orden con realimentaci´ on unitaria mostrado en la Fig. Tr es el tiempo de subida. Mp es el valor m´ aximo de la salida y . Especificaciones de Dise˜ no Todo sistema de control debe de cumplir ciertas especificaciones de dise˜ no.1.2 Especificaciones de Dise˜ no du r Filtro de entrada e Controlador u Proceso más elemento final de control dy y y y Limitador y 57 Sensor y transmisor dm Fig. 5. tiempo de estabilizaci´ on Ts .2. Para la respuesta mostrada en la Fig. Este error debe de permanecer dentro de la banda 2δ preestablecida. A es la magnitud de la entrada tipo escal´ on r.2) El error en estado estable ess = r − yss es la diferencia entre la se˜ nal de referencia r y el valor en estado estacionario yss de la salida.3(b). Esto es: Ts = 4τ τ= 4 ζωn (5. 5.2. 5. . 5.1) Para una entrada tipo escal´ on de magnitud A. y tiempo de subida Tr .3(b). ζ < 1 es el coeficiente de amortiguamiento.O. Especificaciones de Dise˜ no en el Dominio del Tiempo Para explicar las especificaciones de dise˜ no en el dominio del tiempo. las especificaciones de m´ as aplicaci´ on son: ancho de banda ωB . Ts es el tiempo de estabilizaci´ on y ess es el error en estado estable. margen de fase Mf y margen de ganancia Mg . El tiempo Ts se define como el tiempo necesario para que la amplitud de la salida y se mantenga dentro de una banda de magnitud ±δ (2δ en total). las especificaciones m´ as usadas en el dominio del tiempo son: error en estado estable ess .3(b) se observa la respuesta transitoria a un escal´ on de entrada. donde ωn es la frecuencia natural de oscilaci´ on. 5. la magnitud de la banda 2δ se mantiene en 2 % luego de transcurridos 4 veces la constante de tiempo τ del sistema.2: Sistema de control SISO con filtro de entrada. Estas especificaciones se establecen tanto en el dominio del tiempo como en el de la frecuencia. En la Fig. 5. porcentaje de sobrenivel P. Tp es el tiempo pico.3(a). En el dominio de la frecuencia. con limitador de salida y sujeto a la acci´ on de disturbios. 5.5. el P O (porcentaje de sobrenivel) del sistema se define como: PO = Mp − A × 100 A (5.

6) r s (s ω2 n 2 ζ ωn ) (a) y r A ω2 n s2 0 τ 2 ζω n s ω2 n (b) Zona de estabilidad θ ωn (c) jω y y Mp A yss 0 T r Tp Ts 2δ r e ss τ Plano s s1 ζω n s2 jω d σ Zona de inestabilidad Fig. 5.58 Control PID SISO el error ess se puede determinar empleando el teorema del valor final y teniendo en cuenta que r(s) = A/s. como sigue: Gp (s) = 2 y (s) ωn = 2 2 r(s) s + 2ζωn s + ωn y (s) = Gp (s)r(s) A =A ess = r − yss = A − A = 0 t→∞ s→0 s Sin demostraci´ on.3: Respuesta al escal´ on de un sistema de segundo orden autoregulado. 5. La ecuaci´ on caracter´ ıstica del sistema de segundo orden es el denominador de la FT mostrada en la Fig. las relaciones exactas para Tp .3(b): 2 s2 + 2ζωn s + ωn =0 (5.7) .3) = 100e−ζπ/ 1−ζ A √ 2 Mp = A 1 + e−ζπ/ 1−ζ (5.4) l´ ım y (t) = yss = l´ ım sGp (s) Tr = Tp = π−θ ωd π ωd ωd = ω n 1 − ζ2 θ = arc cos ζ (5. Mp y P O se expresan como: √ Mp − A 2 P O = 100 (5.5) (5.

5.2 Especificaciones de Dise˜ no

59

Sus ra´ ıces caracter´ ısticas o eigenvalues, ilustradas en la Fig. 5.3(c), se expresan como: s1 = −ζωn + jωd s2 = −ζωn − jωd

De la Fig. 5.3(c) es f´ acil deducir la relaci´ on: θ = arc cos ζ usada en (5.5). En los sistemas sobreamortiguados, cuyas respuestas al escal´ on ocurren cuando ζ ≥ 1, tal como se muestran en las partes superior e inferior izquierda de la Fig. 2.20, el tiempo de subida Tr se define como el tiempo en que se alcanza el 90 % de la magnitud A de la entrada tipo escal´ on, y se calcula de: Tr = Ejemplo 5.1 La Fig. 5.4 muestra un sistema realimentado. Determinar la ganancia K y el polo p para que se cumplan las siguientes especificaciones de dise˜ no: el porcentaje de sobrenivel de la respuesta y (t) a un escal´ on unitario debe de ser menor del 3 % y el tiempo para alcanzar el valor estacionario de la respuesta debe de ser menor de 8 s.
r s (s K p) y

2.16ζ + 0.16 ωn

0.3 ≤ ζ ≤ 0.8

(5.8)

Fig. 5.4: Sistema realimentado del ejemplo 5.1.

Soluci´ on: La FT y (s)/r(s) en la Fig. 5.4 se expresa como:
2 y (s) K ωn = 2 = 2 2 r(s) s + ps + K s + 2ζωn s + ωn

p = 2ζωn

2 K = ωn

donde ζ se puede determinar de la condici´ on P O < 3 %, a saber: √ c ln(100/P O) 2 c= 100e−ζπ/ 1−ζ < P O → ζ > √ 2 π 1+c
4 < 8 s, entonces: ωn > (2ζ )−1 = 0.67. de donde resulta: ζ < 0.745. Dado que Ts = ζω n Luego se pueden determinar los par´ ametros p y K pedidos.

5.2.2.

Especificaciones de Dise˜ no en el Dominio de la Frecuencia

La repuesta en frecuencia de un sistema se define como la respuesta estacionaria del sistema a una se˜ nal sinusoide de entrada. Para determinar la respuesta en frecuencia de un sistema que posee una FT G(s) = y (s)/u(s), basta reemplazar la variable laplaciana s por jω , es decir, G(jω ) = y (jω )/u(jω ), donde j es la unidad de los n´ umeros imaginarios, ω es la frecuencia de la sinusoide de entrada u(jω ) = Asenωt, e y (jω ) = Bsen(ωt + φ) es la salida. Si se mantiene constante la amplitud A de la entrada, para cada frecuencia ω de esta se˜ nal, la salida y (jω ) puede experimentar cambios, tanto en su amplitud B como en su fase φ.

60

Control PID SISO

Gr´ aficos de Bode y Nyquist, y Carta de Nichols
El gr´ afico de Bode en magnitud de una FT G(jω ) se obtiene graficando la magnitud |G(jω )|dB = 20 log (G(jω )) expresada en dB (decibelios) versus la frecuencia ωlog representada en logar´ ıtmo vulgar (de base 10). El gr´ afico de Bode en fase de una FT G(jω ) se obtiene graficando la fase ang (G(jω )) expresada en grados sexagesimales versus la frecuencia ωlog representada en escala logar´ ıtmica de base 10 (d´ ecadas) o en escala logar´ ıtmica de base 2 (octavas). En general, la FT G(jω ) de un sistema se puede representar como G(jω ) = u + jv , donde u es la parte real y v es la parte imaginaria. En un gr´ afico de Nyquist se gr´ afica la parte real u versus la parte imaginaria v del sistema G(jω ). El gr´ afico de |G(jω )|dB versus ωlog se denomina la carta de Nichols que tambi´ en se emplea en el dise˜ no de sistemas de control v´ ıa la respuesta en frecuencia. Ejemplo 5.2 Elaborar los gr´ aficos de Bode y Nyquist y la carta Nichols del sistema: G(s) = s2
2 ωn 2 + 2zωn s + ωn

donde ωn = 1 y el coeficiente de amortiguamiento z es variable. Soluci´ on: Las Figs. 5.5, 5.6 y 5.7 muestran los gr´ aficos pedidos, los cuales se realizaron ejecutando los programas bode1.m, nyquist1.m y nichols1.m
Bode Diagram 20 0 Magnitude (dB) −20 −40 −60 −80 0 −45 −90 −135 −180

z=0.1 z=0.5 z=0.9 z=1.3

Phase (deg)

z=0.9 z=1.3

z=0.1 z=0.5

10

−2

10

−1

10 Frequency (rad/sec)

0

10

1

10

2

Fig. 5.5: Gr´ aficos de Bode para el ejemplo 5.2.

5.2 Especificaciones de Dise˜ no

61

Nyquist Diagram 6

4

z=0.1
2 Imaginary Axis

z=0.5

z=0.9

0

−2

z=1.3

−4

−6 −3

−2

−1

0 Real Axis

1

2

3

Fig. 5.6: Gr´ afico de Nyquist para el ejemplo 5.2.

Nichols Chart 20

z=0.1
0

Open−Loop Gain (dB)

−20

−40

z=0.5

z=0.9

z=1.3

−60

−80

−100 −180

−135

−90 Open−Loop Phase (deg)

−45

0

Fig. 5.7: Carta de Nichols para el ejemplo 5.2.

% bode1.m clear all; close all; clc; s=tf(’s’);

62

Control PID SISO

for z=[0.1:0.4:1.3], G=1/(s^2+2*z*s +1); bode(G), hold on, end % nyquist1.m clear all; close all; clc; s=tf(’s’); for z=[0.1:0.4:1.3], G=1/(s^2+2*z*s +1); nyquist(G), hold on, end % nichols1.m clear all; close all; clc; s=tf(’s’); for z=[0.1:0.4:1.3], G=1/(s^2+2*z*s +1); nichols(G), hold on, end

Especificaciones de Dise˜ no en Frecuencia
La Fig. 5.8(a) muestra la respuesta del sistema de segundo orden autoregulado a una entrada sinusoide, mientras que la Fig. 5.8(b) muestra su gr´ afico de Bode en magnitud. Sin demostraci´ on, el valor pico Mω de la magnitud, el cual se puede emplear como especificaci´ on de dise˜ no, posee la relaci´ on: 1 Mω = ζ ≤ 0.7 (5.9) 2ζ (1 − ζ 2 )

La frecuencia ωr en la que ocurre Mω se denomina frecuencia de resonancia y se expresa como: ζ ≤ 0.7 (5.10) ωr = ωn 1 − 2ζ 2 El ancho de banda del sistema se refiere a la frecuencia ωB para la cual existe una ca´ ıda de 3 dB, tal como se observa en la Fig. 5.8(b) y se calcula de: ωB = (−1.196ζ + 1.85)ωn
r(jω)=Asen ωt A t r(jω ) ω2 n (jω)2 2 ζ ωn j ω ωn 2 (a) y(jω)/r(jω ) (b) (Mω) dB 0dB −3dB 0 ωr ωB ω log
dB

0.3 ≤ ζ ≤ 0.8

(5.11)

y(j ω )=Bsen(ωt+φ) y(jω) B φ t

Fig. 5.8: (a) Respuesta de un proceso de segundo orden a una sinusoide. (b) Su gr´ afico de Bode en magnitud (b).

En el sistema realimentado mostrado en la Fig. 5.10(a), las FTs a lazo abierto y a lazo cerrado se definen como: y (s) G(s) y (s) = G(s)H (s) = GH (s) = e(s r(s) 1 + GH (s)

5.2 Especificaciones de Dise˜ no En el dominio de la frecuencia, tales FTs se expresan como: y (jω ) = G(jω )H (jω ) = GH (jω ) e(jω y (jω ) G(jω ) = r(jω ) 1 + GH (jω )

63

La ecuaci´ on caracter´ ıstica del sistema de la Fig. 5.10(a) es: 1 + GH (jω ) = 1 + u(jω ) + jv (jω ) donde u(jω ) y (jω ) son la parte real e imaginaria de GH (jω ), respectivamente. En general: GH (jω ) = |GH (jω )|∠GH (jω ) |GH (jω )| = u2 + v 2 ∠GH (jω ) = arctan v u

En el l´ ımite de estabilidad, la ecuaci´ on caracter´ ıstica toma la forma: 1 + GH (jω ) = 0 GH (jω ) = −1

La Fig. 5.9 grafica tal situaci´ on, donde u = −1, v = 0, |GH (jω )| = 1 y ∠GH (jω ) = ◦ 180 .
jv GH(jω) = 180° 1 |GH(jω)| = 1 u

Fig. 5.9: (a) Sistema realimentado. (b), (c) y (d): M´ argenes de fase y de ganancia.

El margen de ganancia Mg se define como el rec´ ıproco de la ganancia |GH (jω )| para la frecuencia en que la fase de GH (jω ) alcanza 180o . Dado que GH (jω ) = u + jv , dicho a ´ngulo ocurre cuando v = 0. El Mg se puede interpretar como un factor por el cual tiene que aumentarse la ganancia del sistema para que el gr´ afico de GH (jω ) pase por el punto cr´ ıtico (u, v ) = (−1, 0), tal como se muestra en las Figs. 5.10(b), (c) y (d). Los sistemas estables poseen Mg positivos, mientras que el Mg es negativo para los sistemas inestables. El margen de fase Mf se define como el a ´ngulo de fase que debe de girar el gr´ afico de GH (jω ) = u + jv para que el punto de magnitud |GH (jω )| = 1, pase a trav´ es del punto (u, v ) = (−1, 0), tal como se muestran en las Figs. 5.10(b), (c) y (d). Los sistemas estables poseen Mf positivos, mientras que el Mf es negativo para los sistemas inestables. Ejemplo 5.3 Determinar los m´ argenes de fase y de ganancia del sistema mostrado en la Fig. 5.10(a) sabiendo que: 1.5 G(s) = H (s) = 0,1 (s + 0.1)(s + 0.3)(s + 0.4) Soluci´ on: Ver programa mfmg1.m y Fig. 5.11.

(b). .10: (a) Sistema realimentado.64 Control PID SISO r G(jω) H(jω) y r 1 (a) GH dB ω log M g positivo G(jω) G H(jω) y GH dB 0 dB ang GH −90 −180 −270 ωlog M f positivo M g negativo ωlog −90 −180 −270 (b) ω log M f negativo M g positivo jv 1 Mg γ φ 1 u M f negativo M g negativo γ jv 1 φ u M f positivo (c) GH dB M g positivo 0 dB M f positivo −270 −180 −90 (d) −270 0 dB 1 Mg GH dB M g negativo M f negativo −180 −90 Fig. (c) y (d): M´ argenes de fase y de ganancia. 5.

print -f -deps mfmg1 65 Bode Diagram Gm = −0.1.11: M´ argenes de fase y de ganancia para el ejemplo 5.wMg. close all. 5. Se estima que tal algoritmo se aplica en m´ as del 90 % de las aplicaciones. Pm = −2. G = (1. no existe un est´ andar industrial de tal algoritmo.4359 0.5. clc.wMg.m C´ ALCULO DE LOS M´ ARGENES DE FASE Y DE GANANCIA clear all. [Mg. Estructuras del Controlador PID Algunas Estructuras B´ asicas El algoritmo de control PID es el m´ as usado en la actualidad por la industria. GH = series(G.Mf. Sin embargo. % GR´ AFICA BODE DE GH [20*log10(Mg).13 deg (at 0. Existen varias estructuras del algoritmo PID [29].H).1)*(s+0. algunas de las cuales se formulan a continuaci´ on. 5.3 Modos de Control % mfmg1. .4.436 rad/sec) .wMf] = margin(GH).598 dB (at 0.wMf] % [-0.3.5)/((s+0.Mf.3)*(s+0. 5.4)). ?? Modos de Control 5.4499] % SISTEMA INESTABLE PORQUE Mg EN dB Y Mf EN GRADOS SON NEGATIVOS margin(GH).4. s=tf(’s’).3.1. H = 0.45 rad/sec) 40 20 0 −20 −40 −60 −80 0 Magnitude (dB) Phase (deg) −90 −180 −270 10 −3 10 −2 10 Frequency (rad/sec) −1 10 0 10 1 Fig.5976 -2.1262 0.

(5. es una variaci´ on del controlador ideal de (5. e es la se˜ nal de error.16) . En el dominio de Laplace. antes que se apliquen al algoritmo de control. denominado tambi´ en paralelo ideal. Para una acci´ on de control directa. Dado que el ruido en el sistema se amplifica principalmente por la acci´ on derivativa. independiente o independiente de la ganancia. o simplemente tiempo derivativo.13). r es la se˜ nal de referencia deseada o set :point.15) dt 1 + Ts donde T es la constante de tiempo del filtro. Ti es la constante de tiempo integral o simplemente tiempo integral. Por otro lado.12) se expresa como: Gc (s) = u(s) 1 Kc = Kc 1 + + Td s = K c + + K c Td s e(s) Ti s Ti s (5. el error se expresa como: e = y − r. denominado tambi´ en controlador no interactivo. el tiempo integral o tiempo reset Ti se expresa a menudo como la tasa integral o reset Tr = 1/Ti .13). y Td es la constante de tiempo derivativa.14) corresponden a los par´ ametros Kc .12) donde u es la se˜ nal o fuerza de control. 1/Ti y Td del controlador PID paralelo dado en (5.13) El controlador PID Paralelo El controlador PID paralelo. El controlador PID Ideal Filtrado Muchas veces es necesario introducir un filtro para suavizar se˜ nales ruidosas. no interactivo. Para estos casos se recomienda usar el siguiente filtro de primer orden formulado tanto en el dominio del tiempo como en el dominio de Laplace: def (t) 1 = e(t) − ef (t) ef (s) = e(s) (5. entonces T se puede formular proporcional al tiempo derivativo como sigue: T T = α Td → ef (s) = 1 e(s) 1 + α Td s (5. Cabe anotar que la forma de la se˜ nal de error empleada: e = r − y corresponde a una acci´ on de control inversa. Nosotros seguiremos usando la primera forma.66 El controlador PID Ideal Control PID SISO El controlador PID ideal. Kc /Ti y Kc Td del controlador PID ideal de (5.13) y se formula en el dominio de Laplace como: Gc (s) = u(s) 1 = Kc + + Td s e(s) Ti s (5. y es la salida controlada del sistema (permanentemente sujeta a medici´ on). Por consiguiente.14) Notar que los par´ ametros Kc .14) puede ser siempre reemplazado por (5. algoritmo ISA (Instrument Society of America) o controlador pararlelo no interactivo se formula como: u = KC e + e = r−y 1 Ti t e dt + Td 0 de dt (5. Kc es la ganancia proporcional. (5.

interactuante.20) El Controlador PID Dependiente El controlador PID dependiente se denomina tambi´ en controlador serie.5Td 1 + .16).19) El Controlador PID Cl´ asico Generalizado El controlador PID cl´ asico generalizado mostrado.4 Estructuras del Controlador PID 67 Introduciendo en (5.23) Kc = 0.21) La expresi´ on dada en (5. serie.22) La estructura en (5.18) El Controlador PID Cl´ asico El controlador PID cl´ asico mostrado se denomina tambi´ en controlador en cascada. interactivo.13) el filtro dado en (5.24) Td = 0.5Kc 1 + Ti = 0.5Ti 1 + 1 − 4Td /Ti 1 − 4Td /Ti 1 − 4Td /Ti (5. an´ alogo o comercial y se describe como: Gc (s) = 1 u(s) = Kc 1 + e(s) Ti s 1 + Td s 1+ Td N s 3 ≤ N ≤ 10 (5.5.12) con: Kc = K c Ti + T d Ti Ti = T i + T d Td = Ti Td Ti + T d (5. con 3 ≤ N ≤ 10 se formula como: Gc (s) = u(s) = Kc e(s) 1+ Td s 1 + d Ti s 1 + T N s bf 0 + bf 1 s + bf 2 s2 1 + a f 1 s + a f 2 s2 (5.17) El Controlador PID con Parte Derivativa Filtrada El controlador PID con parte derivativa filtrada posee la expresi´ on: Gc (s) = u(s) = Kc e(s) 1+ 1 Td s + d Ti s 1 + T N s 3 ≤ N ≤ 10 (5. interactuante o el algoritmo an´ alogo y se describe como: Gc (s) = u(s) 1 = Kc 1 + e(s) Ti s 1 + Td s (5.22) es semejante a la estructura dada en (5. se obtiene el siguiente controlador PID ideal filtrado: Gc (s) = u(s) = Kc e(s) 1 1 + αTd s 1+ 1 + Td s Ti s (5.21) se puede reordenar como: Gc (s) = Kc Ti + T d T T s 1 1+ + i d Ti Ti + T d s Ti + T d = Kc 1 + 1 + Td s Ti s (5.

5Td Para Td > TI /4. debido a la acci´ on del control proporcional. mientras que su salida es la se˜ nal de control que ingresa al elemento de control final. Es posible ajustar la cantidad de acci´ on proporcional suministrada por el controlador. el controlador dependiente nunca ser´ a similar al controlador ideal.68 Control PID SISO Cuando Td = Ti /4 en (5. 5. El Controlador PID Interactivo El controlador interactivo posee la siguiente estructura (compararla con la estructura del controlador cl´ asico): Gc (s) = 1 u(s) = Kc 1 + e(s) Ti s Td s 1+ Td N s (5.12.24) se vuelven imaginarios.4. Este ajuste se refiere al cambio del ancho de la PB %. en donde la acci´ on proporcional est´ a representada por la palanca y el ajuste del ancho de la PB % se realiza desplazando el punto pivote de la palanca.27) Td d Ti s T s 1+ N s 1+ T i N s 5. En la Fig.26) El Controlador PID con Dos Grados de Libertad El controlador con dos grados de libertad. tal como se ilustra en la Fig.24). 5.5Ti Td = 0. La entrada del controlador es el error de desviaci´ on entre la se˜ nal deseada (set point) y la variable controlada (la salida del sistema).2.12(a) el punto pivote est´ a ubicado en el centro de la palanca. ya que para esta condici´ on los par´ ametros en (5.5Kc Ti = 0. la cual se denomina banda proporcional (BP %). Esta banda proporcional se puede definir como la cantidad necesaria de cambio porcentual en la entrada del controlador para provocar un cambio de rango completo (100 %) en su salida. conocido tambi´ en como controlador m–PID o ISA–PID.25) El Controlador PID Mejorado El controlador mejorado posee la siguiente estructura (compararla con la estructura del controlador interactivo): u(s) = Kc 1 + 1 Ti s e(s) − Kc Td s 1+ Td N s y (s) (5. Observar que es necesario que la se˜ nal de entrada haga un recorrido completo (desde su valor m´ ınimo hasta su valor m´ aximo) para mover el elemento de control final (la v´ alvula de control) desde su posici´ on completamente abierta a completamente cerrada. La Banda Proporcional BP % En muchos casos pr´ acticos no se emplea la ganancia Kc del controlador. sino su inversa expresada en porcentaje. posee la siguiente estructura: u(s) = Kc (1 − α) + (1 − β )Td s 1 Td s 1 + + e(s) − Kc 1 + y (s) (5. En . los par´ ametros de sintonizaci´ on se convierten en: Kc = 0.

 ... el punto pivote debe de desplazarse hacia la izquierda del punto medio de la palanca.-. ... ... ..  . + . + -.. + -. digamos 50 %. .4 Estructuras del Controlador PID 69 este caso. Por lo tanto.. + . . . tal como se observa en la Fig.. + . + .  . Para obtener una PB % de. Error _ ` _ `_ Máx. la v´ alvula nunca estar´ a ni completamente abierta ni completamente cerrada.12(b) ilustra el caso de una PB % igual a 200 % debido a s´ olo un cambio de 200 % en la entrada va a provocar una salida de rango completo (100 %). .   100% . ..  . .. + -. * ! " ! 0/ "! 0/ " # $# $ % & % &% & ' (' ( Mín. . La Fig. + . 5. . la PB % es 100 % porque se requiere un cambio de 100 % en la entrada para provocar un cambio de 100 % en la salida (salida de rango completo). [ \[ \ ]^ ] ^] M NM 50% N ST T S TS  U VU VUV I J I JI 0% J Abertura de válvula Error ) * ) *) Máx. en donde un cambio de 50 % en la entrada es suficiente para provocar un cambio de 100 % (rango completo) en la salida. . . ` Abertura de válvula K L K LK L Q RQ 100% R W X WX aa Y ZY Z       Pivote (a) PB% = 100% O P O PO P Mín. + . . .   . En un caso real. .. 5. . .  . .5.   + .+  .12(c). .. no es posible cambiar la entrada a 200 % debido a que 100 % es su m´ aximo cambio.-  .

. . . + . ..+ .- + -- + -- + -- + . . -. + -. . .

 . + . + . + .+    0% (b) PB% = 200% G D G D G D G D G D G D H H H H H H HG DC 555 G G H CC H CC H CC H CC H CC H CC D  D  G D G D G D G D GHHG CD G G G G G HG  H  H  H  H  H  C  C  H C H C H C H C HG DC D D D D D 44 50% G D HG C  H C GH C GH C GH C GH C HG DC 8 D G D G D G D G D G D HG H 7 8 7 87 C C C C C C C  D  D  D  D  D  D D G G G G G G G  H  H  H  H  H  H H ?>?> D C D C Pivote C D C D C D C DC D @@@ D C D C D C D C D C D C DC 999 111 0% Mín...   + . +  . La banda proporcional en porcentaje.  . + . + . + . + Pivote + .- + + + + + + .  . + .  .  . La Fig.+  . -- . . + . -- .: .  . + ..  . se define como la inversa de la . + . 5. ∆u es cambio en la se˜ nal de control (la salida del controlador). . la cual se define como la relaci´ on de cambios entre la entrada y la salida: ∆u/u Kc = (5.. B G H G H G H G H G H G HG 66 100% H Fig.+ . + .+. . . -- .. denotada como BP %.. . + . + . 5. + .. -- . +     50% - + .   - + . U es el rango m´ aximo de la salida del controlador y E es el rango de medici´ on de la se˜ nal controlada. + . + . .+  .. + .12: Cambio en la PB % para modificar la acci´ on proporcional del controlador.28) ∆e/e donde ∆e es el cambio en el error de control (la entrada del controlador). E FE F < =< = (c) PB% = 50% Error Abertura de válvula A B A H G BA H G H G H G H G H G HG 3 2 3 2 32 Máx.  . .. + .13 muestra el diagrama en bloque de un controlador P (proporcional) caracterizado por su ganancia Kc . -- + -- +  . : . -- .

sabiendo que un cambio de ∆e = 15o C en la entrada del controlador produjo un desplazamiento de ∆u = 3 mm en el v´ astago de la v´ alvula de control.La ganancia Kc del controlador para el punto de operaci´ on en estudio se determina de (5.29): PB % = 100 100 = = 50 % Kc 2 que corresponde al caso mostrado en la Fig. lo cual significa que E = 500o C . 5. 5.70 ganancia Kc del controlador: PB % = 100 Kc Control PID SISO (5.. Soluci´ on. sintonizando los par´ ametros del controlador. el controlador PID debe generar la se˜ nal de control que actuando sobre el sistema. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas.4 Determinar la banda proporcional de un controlador PID operando en un sistema de control de temperatura. Ti y Td del controlador.29) ∆e E Controlador Proporcional ∆u U Fig. La referencia [29] contiene un lista exhaustiva de las reglas de sintonizaci´ on de varias estructuras de controladores PI y PID aplicados a diversos tipos de plantas. provoque que la salida de dicho sistema siga a una se˜ nal de referencia. M´ etodos de Sintonizaci´ on de Controladores PID En un sistema de control realimentado. Ejemplo 5. .28): 3 mm/40 mm ∆u/U = =2 Kc = ∆e/E 15o C/400o C mientras que la PB % se calcula de (5. En otras palabras. 5.5.12(c). algunos de los cuales vamos a explorar e ilustrar con aplicaciones. Existen diversos m´ etodos de sintonizaci´ on. Se sabe adem´ as que el desplazamiento m´ aximo del v´ astago es de U = 40 mm y que el rango de medici´ on de la variable del sistema controlado es de 100 o C a 500o C.13: Controlador tipo P (proporcional). Este objetivo de control se logra determinando los valores adecuados de los par´ ametros Kc .100o C = 400o C.

Los par´ ametros del controlador PID se sintonizan con las relaciones siguientes: 1 1 Kc = Ti = T T d = Ti (5. Tabla 5. El 100 % de la magnitud de Kp se alcanza en aproximadamente 4T .5. caracterizada por poseer un estado estacionario. 5.5 .1(a). M´ etodo de la Constante de Tiempo del Lazo El m´ etodo de la constante de tiempo del lazo se emplea para plantas que poseen una FT de primer orden: Kp Gp (s) = (5.1 atribuida a Hartree et al. se aplica para controlar sistemas que poseen una FT de la forma Gp (s) = Kp e−τ s . para una primera aproximaci´ on. tiempo que corresponde al al 63. En contraposici´ on. (ver referencias de [29]).31) Kp 4 Si la FT de la planta posee la forma: Gp (s) = Kp (T1 s + 1)(T2 s + 1) (5.2 % de la magnitud de la ganancia Kp . Tales sistemas se conocen tambi´ en como autoregulados. los sistemas no autoregulados poseen una respuesta al escal´ on que crece continuamente (no estacionaria).5 M´ etodos de Sintonizaci´ on de Controladores PID 71 5. se calculan de: Kc = 1 Kp Ti = T 1 + T 2 Td = 1 Ti 4 Sintonizaci´ on de Sistemas con FT Gp (s) = Kp e−τ s La Tabla 5.66τ Td τ Ejemplo 5.30) Ts + 1 donde T es la constante de tiempo de la planta. M´ etodo Curva de reacci´ on Controlador Gc (s) Kc 1 + 1 Ti s 1+Td s Td 1+ N s Kc 0.32) los par´ ametros de sintonizaci´ on. El control se realiza empleando la configuraci´ on de la Fig.7 Kp τ Ti 2. M´ etodo de la Curva de Reacci´ on (Sistemas Autoregulados) El m´ etodo de la curva de reacci´ on usa el hecho de que muchos sistemas industriales poseen una respuesta a lazo abierto a una entrada escal´ on (la curva de reacci´ on).1: Reglas de sinton´ ıa para controlar sistemas tipo Gp (s) = Kp e−τ s .1.5.

mdl Kc r rh rh Clock Kc Ti .th. Este gr´ afico se obtuvo ejecutando el archivo hartree1graf. 5. La Fig.14 muestra el diagrama Simulink del sistema de control (archivo hartree1. load yh.s+1 Td /N. load th. empleando la Tabla 5. Este m´ etodo se aplica a sistemas autoregulados cuya curva de reacci´ on se puede aproximar mediante la relaci´ on (5. % hartree1graf. Kc=0.s Gc1(s) th th Td . mientras que la 5.7/(Kp*tau). Kp=2. TI y TD del controlador PID est´ andar.2. plot(th.rh.s+1 Ti .66*tau. En algunos sistemas. xlabel(’TIEMPO [s]’).mdl). title(’CONTROL DEL SISTEMA G(s)=Kp*exp(-tau*s)’) subplot(212). Para estos casos. tau=2.m. Para el control emplear el diagrama de bloques de la Fig.1: Gp (s) = Kp −τ s e Control PID SISO donde Kp = 2 y τ = 2.1 para calcular los par´ ametros del controlador PID con N = 3. 2. Td=tau. Las f´ ormulas en dicha tabla fueron el producto de intensivos trabajos experimentales realizados por los investigadores Ziegler y Nichols en 1942 [15]. load uh. 5. print -s -deps hartree1 M´ etodo de la Curva de Reacci´ on de Ziegler y Nichols El m´ etodo de la curva de reacci´ on de Ziegler y Nichols emplea la curva de reacci´ on de la Fig. N=3. subplot(211).s+1 Gc2(s) uh uh Kp Kp yh yh tau Scope Fig.14: Diagrama Simulink para el ejemplo 5. en cascada con un tiempo muerto τ : Kp y (s) Gp (s) = = e−τ s (5. el tiempo muerto τ es bastante peque˜ no. ylabel(’SALIDA y(t)’).yh).m clear all.33) u(s) Ts + 1 La curva de reacci´ on se emplea para obtener los par´ ametros τ y T . que luego son usados para determinar los par´ ametros KC . clc.15 muestra la salida y (t) controlada y la se˜ nal de control u(t). xlabel(’TIEMPO [s]’).uh). 5. es conocido un m´ etodo de c´ alculo que .18 y se aplica a sistemas autoregulados que se pueden modelar como un sistema de primer orden de ganancia Kp y constante de tiempo T .72 Se desea controlar el siguiente sistema empleando la Tabla 5. por lo que es dificultosa su cuantificaci´ on.33). hartree 1.5. ylabel(’CONTROL u(t)’) print -f -deps hartree1graf. Ti=2. load rh.1(a). Soluci´ on: Usamos la Tabla 5. close all. cuyo listado se muestra abajo. r=1. plot(th.

tal como se muestra en la Fig.5τ 0.2: M´ etodo de la curva de reacci´ on de Ziegler y Nichols para determinar los par´ ametros Kc .2 % del valor m´ aximo de la curva de reacci´ on.5 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 0. Tipo P PI PID PD Controlador Gc (s) Kc Kc 1 + Kc 1 + 1 Ti s 1 Ti s Kc = 100 BP . a= Kp τ T Ti ∞ 10τ /3 2τ ∞ Td 0 0 0.2 0 −0. 5.4 0.15: Salida controlada y se˜ nal de control para el ejemplo 5.35 % y 63.6 0.2/a 1.5 1 SALIDA y(t) 0.5 0 −0.16. las cuales ocurren en los tiempos t1 = τ + T /3 y t2 = τ + T .9/a 1. Estos tiempos corresponden al 28.5. Ti y Td .34) . 5.42τ 1/a 0.5 M´ etodos de Sintonizaci´ on de Controladores PID CONTROL DEL SISTEMA G(s)=Kp*exp(−tau*s) 73 1. los par´ ametros T y τ se determinan de: T = 3 (t2 − t1 ) 2 τ = t2 − T (5. Conociendo t1 y t2 .5.2 CONTROL u(t) 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 Fig.2/a + Td s Kc (1 + Td s) consiste en localizar en la curva de reacci´ on las tazas de cambio m´ as altas. Tabla 5.

Gcd).13)).2/a. Gcd=Kc*Td*s/(1+Td*s/N). Te=2.5*tau. grid. Gp=Kp/(s+Ta)/(s+Tb)/(s+Tc)/(s+Td)/(s+Te). xlabel(’TIEMPO’). ecuaci´ on (5. title(’SALIDAS CONTROLADAS’). PI_Dy=feedback(Gci*Gpcd.2. Td=2.2% 28. Ta=0. ylabel(’AMPLITUD’). ylabel(’SALIDA’). De esta curva se pueden obtener los par´ ametros τ = 1. Tb . ecuaci´ on (5. dependiente (PI–D. Para el control PID y PI–D emplear el diagrama de bloques de la Fig. Td=0. Ejemplo 5. step(Gp.5]. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). Gpcd=feedback(Gp.17 ilustra la comparaci´ on entre las salidas controladas. Tc=1.m CONTROL PID.5. 2. tau=1.5. ecuaci´ on (5. clc.’k’. mientras que para el control PI–Dy usar el diagrama de bloques de la Fig. print -deps -f zn1 . PI-D Y PI-Dy EMPLEANDO LA CURVA DE REACCI ´ ON clear all. PI_D=feedback(Gp*Gc2.’k’).PI_Dy. 5.% CONTROL PI-D Gci=Kc*(1+1/Ti/s). Tc . N=10. Soluci´ on: El primer gr´ afico de la Fig.26)). Ti=2*tau. PID=feedback(Gp*Gc1. 1. Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5. Tb=1. % PROCESO subplot(211). T=6. 5.1). 5.PI_D. title(’RESPUESTA AL ESCAL´ ON’).7-tau.1).1).5.7.3% t 1 t2 t Fig. Kc=1. Tales resultados se obtienen ejecutando el programa zn1. close all. 1. Td .74 Control PID SISO y 100% 63. step(PID. % TOMADOS DE LA CURVA DE REACCI ´ ON a=Kp*tau/T. Para prop´ ositos de comparaci´ on emplear los controladores ideal (PID.5. 5. 2.m listado abajo. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s).5.’k’).7 – τ = 5 s.7 s y T = 6.’k’. xlabel(’TIEMPO’). s=tf(’s’). El segundo gr´ afico de la Fig. Te ] = [0. % zn1.6 Se desea controlar el siguiente sistema de quinto orden empleando la t´ ecnica de la curva de reacci´ on de Ziegler y Nichols: Gp (s) = Kp (s + Ta )(s + Tb )(s + Tc )(s + Td )(s + Te ) donde: [Ta .17 muestra la respuesta al escal´ on (la curva de reacci´ on) del sistema.1(b).21)) y mejorado (PI–Dy.1(a). 5.16: Tazas de cambio m´ as altas de la curva de reacci´ on. Kp=10. % CONTROL PI-Dy subplot(212).

de la cual se obtiene τ = 1 y T = 27 − τ = 26. donde v es la velocidad del flujo que ingresa al tanque y d es es la longitud de tuber´ ıa que existe entre la v´ alvula de control de flujo y el punto de salida del flujo.17: Respuesta al escal´ on del sistema (gr´ afico superior) y respuestas controladas para el ejemplo 5.5. ecuaci´ on (5. donde las funciones de transferencia del actuador hidr´ aulico.2.18(a). El . 5.19 muestra la respuesta al escal´ on (la curva de reacci´ on) del sistema.13)).21)) y mejorado (PI–Dy. mientras que para el control PI–Dy usar el diagrama de bloques de la Fig. 5. ecuaci´ on (5.5 PD 0 0 10 P 20 30 TIEMPO (sec) 40 50 60 Fig.6 (gr´ afico inferior).5 PID PI SALIDA 1 0. el tiempo muerto τ se puede calcular usando la relaci´ on τ = d/v . En este sistema.7 Se desea controlar el sistema nivel en un tanque de almacenamiento empleando la t´ ecnica de la curva de reacci´ on de Ziegler y Nichols. se muestra en la Fig. Soluci´ on: El primer gr´ afico de la Fig.18(b). Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5.15 30s + 1 GF (s) = 1 1 9 s2 1 +3 s+1 τ =1 Para prop´ ositos de comparaci´ on emplear los controladores ideal (PID. 5. del tanque y del flotador se formulan respectivamente: GH (s) = 10 s+1 GT (s) = 3. extra´ ıdo de [16].26)). 5. dependiente (PI–D.18(c).5 M´ etodos de Sintonizaci´ on de Controladores PID 75 RESPUESTA AL ESCALÓN 6 AMPLITUD 4 2 0 0 5 TIEMPO (sec) SALIDAS CONTROLADAS 10 15 1. El diagrama de bloques del sistema nivel. Ejemplo 5. Para el control PID y PI–D emplear el diagrama de bloques de la Fig. 5. ecuaci´ on (5.

% Gpo: PROCESO A LAZO ABIERTO INCLUYENDO GF (FLOTADOR) subplot(211). segundo gr´ afico de la Fig. ylabel(’AMPLITUD’). % TOMADOS DE LA CURVA DE REACCI ´ ON [num. 5. Tales resultados se obtienen ejecutando el programa zn1a. (a) Sistema. Gtau=exp(-1*s). Gtau=tf(num. Ti=2*tau. tau=2. Kp=31.GF). 5. close all.m CONTROL PID. Td=0. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s).15 a=Kp*tau/T. % CONTROL PI-D .18: Diagrama de bloques del sistema de control de nivel.3). N=10. GF=1/(s^2/9+s/3+1). % Kp ES EL PRODUCTO DE 10*3.15/(30*s+1).76 Controlador d Flotador Control PID SISO Referencia (set point) Actuador v r e GC (s) u Controlador GT (s) e −sτ Actuador Tiempo muerto Tanque G H(s) ym (a) y GF (s) Flotador e −sτ GT (s) Tanque GF (s) Flotador e −sτ G Cd(s) GT (s) Tanque y y r e GC (s) Controlador u G H(s) Actuador ym (b) r e G C i(s) u G H(s) Actuador Controlador proporcional integral ym Controlador derivativo GF (s) (c) Fig.’k’). PID=feedback(Gp*Gc1. % APROXIMACI ´ ON DEL TIEMPO MUERTO Gp=GH*Gtau*GT. GT=3. PI_D=feedback(Gp*Gc2.19 ilustra la comparaci´ on entre las salidas controladas. s=tf(’s’).den). Gpo=GH*Gtau*GT*GF.2/a.5. (b) estructura para control PID o PI–D. (c) estructura para control PI–Dy. Kc=1. ´N % zn1a.5*tau.m listado abajo. xlabel(’TIEMPO’). grid % GENERA LA CURVA DE REACCI ´ ON title(’RESPUESTA AL ESCAL´ ON’). PI-D Y PI-Dy EMPLEANDO LA CURVA DE REACCI O clear all. GH=10/(s+1). % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). T=32-tau.GF).den]=pade(1. clc. step(Gpo.

5 M´ etodos de Sintonizaci´ on de Controladores PID 77 RESPUESTA AL ESCALÓN 40 AMPLITUD 30 20 10 0 0 20 40 60 80 100 TIEMPO (sec) 120 140 160 180 SALIDAS CONTROLADAS 1.19: Curva de reacci´ on del sistema nivel y respuestas controladas para el ejemplo 5.5 PI−Dy SALIDA 1 PID y PI−D 0. Soluci´ on: La FT del sistema. % CONTROL PI-Dy subplot(212). Gpcd=feedback(Gp.5 0 0 10 20 30 TIEMPO (sec) 40 50 60 Fig. title(’SALIDAS CONTROLADAS’). 5.5. se puede formular como: Gp(s) = Kp (1 + T1 s)(1 + T2 s) µ (1 + tµ s) .8 La din´ amica simplificada de un avi´ on–helic´ optero se puede representar mediante la siguiente FT: 1 Gp(s) = (1 + 20s)(1 + 10s)(1 + 0. PI_Dy=feedback(Gci*Gpcd.PI_D. Gci=Kc*(1+1/Ti/s). xlabel(’TIEMPO’).’k’).5s) Controlar dicho sistema empleando el m´ etodo de Kessler.7 (gr´ afico inferior). print -deps -f zn1a M´ etodo de Kessler La Tabla 5. ylabel(’SALIDA’). grid. que es del tipo PTn .’k’.Gcd).PI_Dy. Ejemplo 5. Kessler [25] para determinar los par´ ametros de un controlador PID basado en criterios o ´ptimos de dise˜ no.’k’. step(PID.3 muestra las f´ ormulas propuestas por C.GF). Gcd=Kc*Td*s/(1+Td*s/N).

78 Control PID SISO Tabla 5. RESPUESTA AL ESCALÓN 1 0.5 SALIDA 1 0.8 AMPLITUD 0.5 0 0 2 4 6 TIEMPO (sec) 8 10 12 Fig. T1 > 4Tσ .m CONTROL PID EMPLEANDO EL M´ ETODO DE KESSLER . Este sistema se puede estabilizar con un controlador PID.25. tµ = t1 = Tσ = 0. T1 > 4Tσ Kp (1+T1 s)(1+T2 s) µ (1+tµ s) PID Kc 1 + 1 Ti s (1 + Td s) T1 2Kp Tσ 4Tσ T2 Tσ = Σµ tµ . T1 > T2 > Tσ . % kessler2. 5. tal como se observa en la Fig.3: M´ etodo de Kessler para hallar los par´ ametros K c . T1 = 20. Sistema Gp (s) Kp (1+T1 s) µ (1+tµ s) Tipo PI Controlador Gc (s) Kc 1 + 1 TI s Kc T1 2Kp Tσ Ti 4Tσ Td Tσ = Σµ tµ . resultado que se obtiene ejecutando el programa kessler2. T2 = 10.4 0.20. T1 > 4Tσ T1 > T 2 > T σ donde: Kp = 1. 5. y. µ = 1. Ti y Td .m listado abajo.6 0.2 0 0 20 40 60 80 100 TIEMPO (sec) 120 140 160 180 SALIDA CONTROLADA 1.20: Respuesta al escal´ on (gr´ afico superior) y respuesta controlada (gr´ afico inferior) empleando un controlador PID de acuerdo al m´ etodo de Kessler.

26)). 5.22 ilustra la comparaci´ on entre las salidas controladas. 5. se aplica a sistemas que aceptan un modelo din´ amico como el de la ecuaci´ on (5.8. 4. print -deps -f kessler2 79 M´ etodo de Chien–Hrones–Reswick El m´ etodo de Chien–Hrones–Reswick (CHR) [19] ilustrado en la Fig. KC=T1/(2*Kp*Tsigma). empleando las estructuras (b) y (c) de la Fig.22(a)). Para prop´ ositos de comparaci´ on emplear los controladores ideal (PID.4 < ζ < 0. y para un coeficiente de amortiguamiento ζ > 0.8.m listado abajo.8. xlabel(’TIEMPO’).21(b). Respuesta aperi´ odica sin sobrenivel de la salida controlada y a cambios tipo escal´ on de la entrada de referencia r.21(d). s=tf(’s’). 5.22 respectivamente. clc. Respuesta aperi´ odica con sobrenivel de 20 % de la salida controlada y d a cambios tipo escal´ on del disturbio d. Tsigma=tmu. Ejemplo 5. Este m´ etodo propone un conjunto de reglas de sintonizaci´ on para los casos siguientes (ver Tabla 5. y para un coeficiente de amortiguamiento ζ > 0. step(PID).13)).1).19. sin presencia del disturbio d. Con estos valores se calculan los par´ ametros del controlador empleando la Tabla 5. 2. ylabel(’SALIDA’). ecuaci´ on (5. 5.33).5 M´ etodos de Sintonizaci´ on de Controladores PID clear all. Respuesta peri´ odica con sobrenivel de 20 % de la salida controlada y a cambios tipo escal´ on de la entrada r. tmu=0. Observar que en esta situaci´ on tambi´ en existe rechazo al disturbio dado que y d tiende a cero. y para un coeficiente de amortiguamiento de 0. sin presencia del disturbio d. 3. mu=1. % CONTROL PID subplot(212).21(a). tal como se muestra en la Fig. % PROCESO subplot(211). ylabel(’AMPLITUD’). Gp=Kp/(1+T1*s)/(1+T2*s)/(1+tmu*s). 5. T1=20.21(c). Kp=1. Respuesta aperi´ odica sin sobrenivel de la salida controlada yd a cambios tipo escal´ on del disturbio d. dependiente (PI– D.9 Se desea controlar el sistema nivel del ejemplo 5. las cuales se obtienen ejecutando el programa chrd. TD=T2. Soluci´ on: Los par´ ametros τ = 2 y T = 32 − τ = 20 se obtuvieron con el primer gr´ afico de la Fig. Gc=KC*(1+1/TI/s)*(1+TD*s). step(Gp).8 . TI=4*Tsigma. xlabel(’TIEMPO’). title(’RESPUESTA AL ESCAL´ ON’).5. PID=feedback(Gp*Gc. close all. 5.7 empleando el m´ etodo de Chien– Hrones–Reswick para el caso de rechazo al disturbio (r=0 y d = 0) sin presencia de oscilaciones en la respuesta del sistema (ver Fig. T2=10. y para un coeficiente de amortiguamiento de 0. title(’SALIDA CONTROLADA’). 5.5. grid.21)) y mejorado (PI–Dy. . tal como se muestra en la Fig. ecuaci´ on (5.4 (caso (c).4 < ζ < 0.4): 1. La Fig. grid. tal como se muestra en la Fig. 5. 5. tal como se muestra en la Fig. Observar que en esta situaci´ on existe rechazo al disturbio dado que yd tiende a cero. controlador PID). ecuaci´ on (5. sin presencia de la entrada r. sin presencia de la se˜ nal r.21(e).

TI y TD .8 d=0 Kc = 0.42τ P Kc Ti = 1.35/a PI Kc 1 + 1 Ti s Caso (c): ζ > 0.7/a Ti = ∞ Td = 0 Kc = 0.3/a Ti = ∞ Td = 0 Kc = 0.3/a Ti = ∞ Td = 0 Kc = 0. 5. close all.4T Td = 0. PI-D Y PI-Dy POR EL M´ ETODO CHR PARA RECHAZO AL DISTURBIO clear all.4τ Td = 0.2T Td = 0 Kc = 0.4< ζ < 0. Tipo Controlador GC (s) Caso (b): ζ > 0.3τ Td = 0 Kc = 1. Tabla 5.8 r=0 Kc = 0.m CONTROL PID.2/a Ti = 2τ Td = 0.8 d=0 Kc = 0.7/a Ti = ∞ Td = 0 Kc = 0. clc.95/a Ti = 2.6/a Ti = T Td = 0 Kc = 0.47τ Caso (e): 0.6/a Ti = 4τ Td = 0 Kc = 0.21: M´ etodo de Chien–Hrones–Reswick.42τ Caso (d): 0.5τ % chrd. .95/a Ti = 1.4: M´ etodo de Chien–Hrones–Reswick para determinar K C .7/a Ti = 2.6/a PID Kc 1 + 1 Ti s + Td s Ti = T Td = 0.4< ζ < 0.8 r=0 Kc = 0.80 d D r R t r e PID (a) y R d=0 t (b) y d D t (c) D (e) r=0 y d (d) r=0 R d=0 t u y Control PID SISO d Proceso y t t Fig.

% PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). grid. Cohen y G.den]=pade(1.42*tau. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). % APROXIMACI ´ ON DEL TIEMPO MUERTO Gp=GH*Gtau*GT. Ti=2.PI_Dy.Gci*GF+Gcd).5 M´ etodos de Sintonizaci´ on de Controladores PID Actuador v (a) 81 Controlador d Disturbio d Flotador y d e u GT (s) e −sτ Actuador Tiempo muerto Tanque G H(s) GC (s) (b) GF (s) Flotador y Controlador u G H(s) Actuador e −sτ GT (s) Tanque Control D G Cd(s) Control PI G C i(s) (c) GF (s) Fig. PI_Dy=feedback(Gp. Gcd=Kc*Td*s/(1+Td*s/N). (c)).5.5. donde: a= Kp τ T L= τ τ +T (5.5. (a)) empleando controladores PID y PI–D (Fig. % Kp ES EL PRODUCTO DE 10*31. % CONTROL PI-D Gci=Kc*(1+1/Ti/s). GT=3. % CONTROL PI-Dy step(PID.’b’. GH=10/(s+1). PI_D=feedback(Gp.’b’. Td=0. % TOMADOS DE LA CURVA DE REACCI ´ ON a=Kp*tau/T. 5. (b))y PI–Dy (Fig.PI_D.3). Kp=31. title(’SALIDAS CONTROLADAS’). Kc=0. PID=feedback(Gp. T=32-tau.’b’). xlabel(’TIEMPO’). Gtau=num/den.22: Estructuras para el rechazo al disturbio en el control del sistema nivel (Fig. print -deps -f chrd M´ etodo de Cohen–Coon Otro m´ etodo de sintonizaci´ on del tipo Ziegler y Nichols es el desarrollado por los investigadores G. GF=1/(s^2/9+s/3+1). [num. ylabel(’SALIDA’).Gc1*GF).A.95/a.35) .H.5 tau=2. Las f´ ormulas de sintonizaci´ on se muestran en la Tabla 5. s=tf(’s’).15/(30*s+1).4*tau. Coon [20] que tambi´ en se aplica a sistemas que aceptan un modelo din´ amico como el de la ecuaci´ on (5.33).Gc2*GF). N=10.

El diagrama de bloques del sistema nivel se muestra en la Fig. 5.5 se asemejan a las de la Tabla 5.10 Se desea controlar el sistema nivel descrito en el ejemplo 5.2 0 PID y PI−D −0.27−0.5: M´ etodo de Cohen y Coon para hallar los par´ ametros K C . PI–D y PI–Dy.18L 1 + 01 −L 1−L 2.6 cuando L es suficientemente peque˜ no.23: Rechazo al disturbio empleando controladores tipo PID.35 a KC = 1+ 100 BP 0.2 −0.2L TD 0 τ 0 0.4 PI−Dy 0.9 a 1.6 0.18(b).13L 1+ . PI–D y PI–Dy. 5. mientras que para el control PI–Dy usar el diagrama de bloques de la Fig.24 a 1.39L ∞ τ Ejemplo 5.18(a). 5. Para el control PID y PI–D emplear el diagrama de bloques de la Fig.4 0 10 20 30 TIEMPO (sec) 40 50 60 Fig.36L 1−0.2 1 0.4 1.8 SALIDA 0.92L 1 + 01 −L 0.18(c).35L 1−L TI ∞ 3. TI y TD .5−2L 1−0. . Para prop´ ositos de comparaci´ on emplear los controladores PID.87L τ 0. Notar que las f´ ormulas de la Tabla 5. Tabla 5.3−3L 1+1.37−0.8L τ KC (1 + TD s) KC 1 + + TD s .37L 1−0.7 empleando el m´ etodo de Cohen–Coon. Tipo P PI PD PID Controlador GC (s) KC KC 1 + 1 TI s 1 TI s 1 a 0. 5.82 Control PID SISO SALIDAS CONTROLADAS 1.

5. Con estos valores se calculan los par´ ametros del controlador empleando la Tabla 5.m CONTROL PID. 5. % TOMADOS DE LA CURVA DE REACCI ´ ON a=Kp*tau/T. GT=3. % CONTROL PI-Dy step(PID. 5.15/(30*s+1). GH=10/(s+1).den]=pade(1.2 PI−Dy 1 PID y PI−D SALIDA 0. N=10. ylabel(’SALIDA’). donde el rechazo al disturbio se manifiesta porque la se˜ nal .PI_D.37*L)*tau/(1-0. grid.GF).Gcd). Td=(0.24 muestra las salidas controladas.GF).25(a). GF=1/(s^2/9+s/3+1).35/a*(1+0.18*L/(1-L)).6 0. T=32-tau. % APROXIMACI ´ ON DEL TIEMPO MUERTO Gp=GH*Gtau*GT. clc. Kp=31. Ti=(2.3). SALIDAS CONTROLADAS 1. PI_D=feedback(Gp*Gc2.4 1.2 0 0 5 10 15 20 TIEMPO (sec) 25 30 35 40 Fig. Gtau=num/den.’k’). Gcd=Kc*Td*s/(1+Td*s/N).GF). xlabel(’TIEMPO’). PI-D Y PI-Dy EMPLEANDO EL M ´ ETODO DE COHEN-COON clear all.5 M´ etodos de Sintonizaci´ on de Controladores PID 83 Soluci´ on: Los par´ ametros τ = 2 y T = 32 − τ = 20 se obtuvieron del primer gr´ afico de la Fig. PID=feedback(Gp*Gc1. title(’SALIDAS CONTROLADAS’).8*L).8 0.4 0. % cohen.5.37-0. 5. PI–D y PI–Dy y el m´ etodo de Cohen-Coon. print -deps -f cohen M´ etodo de Samal El m´ etodo de sintonizaci´ on de par´ ametros de Samal [21] est´ a dise˜ nado para rechazar los disturbios que act´ uan principalmente en la se˜ nal de control. tal como se muestra en la Fig. 5. L=tau/(tau+T).PI_Dy. % CONTROL PI-D Gci=Kc*(1+1/Ti/s). La Fig. [num.5. Kc=1. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).5-2*L)*tau/(1-0.5 tau=2. % Kp ES EL PRODUCTO DE 10*31. Gcd=feedback(Gp.24: Respuestas controladas empleando controladores tipo PID. % PID Gc1=Kc*(1+1/Ti/s+Td*s).39*L).’k’. close all.19. s=tf(’s’). PI_Dy=feedback(Gci*Gcd.’k’.

El sistema al cual se aplican los par´ ametros del controlador PID es de la forma: Kp y (s) = (5. Gcd=Kc*Td*s/(1+Td*s/N).1).m CONTROL PID.25(c).9 – τ = 3.21)) y PI–Dy (PID mejorado. T=3. clc. PI y PID. De la Fig.270. Vo=2. Empleando la Tabla 2. los valores de Vo para los controladores I y PI se leen en el eje Vo de la izquierda. Tb=1. Kp=10. 5.26)). Td=2. step(Gp.1(c).270 => % Gm(s)=Kp/(Tn*s+1)^n % MODELO DEL PROCESO SEG ´ UN SAMAL Tn=0. mientras que el tiempo derivativo TD del controlador se determina empleando la curva PID indicada como TD /T . La Fig.84 Control PID SISO de salida y controlada tiende a cero para un tiempo de estabilizaci´ on T s y un sobrenivel de magnitud M . s=tf(’s’). Vo = Kp KC es la ganancia a lazo abierto del sistema realimentado.3). mientras que los valores de Vo para los controladores P y PID se leen en el eje Vo de la derecha.8 s y T = 3. PI_D=feedback(Gp*Gc2.6 (ver ejemplo 2.’k’). % tau=0. % samal1. En la Fig. Soluci´ on: El gr´ afico superior de la Fig. 2.26 ilustra la comparaci´ on entre las salidas controladas.5.1).7*Tn. ecuaci´ on (5.216. Kc=Vo/Kp. PI-D Y PI-Dy EMPLEANDO EL M ´ ETODO DE SAMAL clear all. title(’RESPUESTA AL ESCAL´ ON’). ylabel(’AMPLITUD’).25(b). 5. donde KC es la ganancia del controlador. 5. 5. Te=2.8*Tn.25(b) se determina Vo = 2 y KC = V o/Kp . Para prop´ ositos de comparaci´ on emplear los controladores PID est´ andar (ecuaci´ on (5. N=10. % tau/T=0. xlabel(’TIEMPO’). 5. PI_Dy=feedback(Gci*Gcd.% PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). El gr´ afico inferior de la Fig. Ejemplo 5. 5. El eje TI /T ubicado a la izquierda de esta figura permite determinar TI para los controladores I.25(e) se emplea para determinar T s . PID=feedback(Gp*Gc1. % CONTROL PI-D Gci=Kc*(1+1/Ti/s). Gp=Kp/(s+Tb)/(s+Tc)/(s+Td)/(s+Te). Td=0.1(b). Para el control PID y PI–D emplear el diagrama de bloques de la Fig.6 se obtiene aproximadamente n = 3 y Tn = 0. De esta curva se pueden obtener los par´ ametros τ = 0.25(c) se calcula TI = 1.1 s. 2. Gcd=feedback(Gp.5]. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). mientras que para el control PI–Dy usar el diagrama de bloques de la Fig.m listado abajo. 5.25(d) permite determinar M conociendo la magnitud D del disturbio tipo escal´ on.11 Se desea controlar el siguiente sistema empleando el m´ etodo de Samal: Gp(s) = Kp (s + T b)(s + T c)(s + T d)(s + T e) donde: [Tb . PI–D interactivo (ecuaci´ on (5.5. TI es el tiempo integral. En esta figura.26 muestra la respuesta al escal´ on (la curva de reacci´ on) del sistema.Gcd). Ti=1.258 => n=3 => Tn/tau=0. Tc .8Tn y TD = 0.1). mientras que la Fig.9-tau=3. Tc=1.7Tn .36) Gp (s) = u(s) (1 + Tn s)n donde los par´ ametros n y Tn se determinan de la Tabla 2. En la Fig. % PROCESO subplot(211).5. % CONTROL PI-Dy . mientras que de la Fig. close all. 5. Td . 1.8. 5.13)).1. Tales resultados se obtienen ejecutando el programa samal1. 5. Td ] = [1.

5.4 0. ylabel(’SALIDA’).2.25: M´ etodo de Samal para hallar los par´ ametros de un controlador PID.’k’.5 M´ etodos de Sintonizaci´ on de Controladores PID d t u d (1+Ts) n Kp y D 0 (c) (a) y M Ts t 85 D r=0 0 e P. title(’SALIDAS CONTROLADAS’).8 0. subplot(212). 5.2 0 1 2 3 4 PID P n 4 0 1 2 I PI 2 (d) M Kp D Ts T 20 16 12 8 3 4 20 16 P 12 8 4 0 n Vo PID 1 0 1 2 5 4 TI T 3 2 I 5 4 3 PI PID PID 3 4 2 TD T 1 0 n (e) I P PI PID 3 4 n Fig. PID (b) 5 4 PI Vo 3 2 1 I 1 1 0.PI_D.33) y a otros no autoregu- .’k’. step(PID. print -deps -f samal1 5.6 0. xlabel(’TIEMPO’).5.PI_Dy. I. PI.’k’). M´ etodo de las Oscilaciones Sostenidas M´ etodo de las Oscilaciones Sostenidas de Ziegler y Nichols El m´ etodo de las oscilaciones sostenidas de Ziegler y Nichols [15] se aplica tanto a sistemas que pueden ser modelados con la ecuaci´ on (5.

6. medir el per´ ıodo de oscilaci´ on cr´ ıtico Tcrit y anotar la ganancia cr´ ıtica Kcrit (o ganancia l´ ımite) para la cual se obtuvo dicho per´ ıodo. Incrementar poco a poco el par´ ametro Kc hasta obtener una respuesta en forma de oscilaciones sostenidas (ver la Fig. 5. empleando el siguiente procedimiento.5 AMPLITUD 1 0.26: Respuesta al escal´ on (Fig.5 PI−Dy SALIDA 1 0. Los par´ ametros K c . superior) empleando controladores tipo PID. lo que es equivalente a decir la magnitud de variaci´ on de la variable de salida. lados que permiten una respuesta a lazo cerrado que posea la forma de oscilaciones sostenidas. tal como se muestra en la Fig. Fijar los par´ ametros Ti y Td en ∞ y 0 respectivamente.5 0 0 1 2 3 4 5 TIEMPO (sec) 6 7 8 9 SALIDAS CONTROLADAS 1. PI–D y PI–Dy y el m´ etodo de Samal. En dicha respuesta. debe ser mantenida la m´ as peque˜ na posible para evitar problemas de producci´ on. 5. inferior) y respuestas controladas (Fig. r R t r e K crit PID u y y R T crit t Proceso Fig. Es necesario hacer notar que la magnitud de la oscilaci´ on sostenida.27: M´ etodo de las oscilaciones sostenidas de Ziegler y Nichols. Los par´ ametros Kc .27). 5. Ejemplo 5.5 PID y PI−D 0 5 10 15 20 25 30 TIEMPO (sec) 35 40 45 50 0 Fig.27. Ti y Td del controlador PID se pueden obtener a partir de tal la respuesta oscilatoria. 5.12 . Ti y Td se calculan luego usando la Tabla 5.86 Control PID SISO RESPUESTA AL ESCALÓN 1.

6*Kcrit.GF). Gcd=feedback(Gp.’k’. PI–D interactivo y PI–Dy mejorado.40).6: M´ etodo de las oscilaciones sostenidas de Ziegler y Nichols para hallar los par´ ametros KC . GF=1/(s^2/9+s/3+1).85 Tcrit 0. PI-D Y PI-Dy MEDIANTE LA OSCILACI ´ ON SOSTENIDA clear all. Gcd=Kc*Td*s/(1+Td*s/N). % Gp: PROCESO. Ti=0.PI_D. close all. subplot(211).18.GF).125*Tcrit. [num.6. Tcrit=8. Para prop´ ositos de comparaci´ on emplear los controladores PID est´ andar. Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5.GF). % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). print -deps -f zn2 Ejemplo 5. G_c0=feedback(Kcrit*Gp. ylabel(’SALIDA’). Gp (s) = 1 s(s + 1)4 Para prop´ ositos de comparaci´ on emplear los controladores PID est´ andar.3).5Kcrit 0. 5.45 Kcrit 0.Gcd). El segundo gr´ afico de la Fig. % CONTROL PI-Dy subplot(212).5*Tcrit. xlabel(’TIEMPO’). step(G_c0.18(b). 5.m listado abajo.6 Kcrit + TD s Se desea controlar el sistema nivel del problema ?? empleando la t´ ecnica de las oscilaciones sostenidas de Ziegler y Nichols.85 en la Fig. TI y TD . PI–D interactivo y PI–Dy mejorado.125 Tcrit 0. Notar que la oscilaci´ on posee un per´ ıodo igual a Tcrit = 8 s. . empleando las estructuras de la Fig. grid.13 Se desea controlar un sistema no autoregulado que posee la siguiente FT. clc. % zn2. % TIEMPO MUERTO: exp(-tau*s) Gp=GH*Gtau*GT.5. % TOMADOS DE LA OSCILACI´ ON SOSTENIDA Kc=0.den]=pade(1. s=tf(’s’).15/(30*s+1).85. Tales resultados se obtienen ejecutando el programa zn2.PI_Dy. PI_Dy=feedback(Gci*Gcd.GF). step(PID. 5. title(’SALIDAS CONTROLADAS’). % CONTROL PI-D Gci=Kc*(1+1/Ti/s). Soluci´ on: El primer gr´ afico de la Fig. GT=3. N=10. GH=10/(s+1). empleando la t´ ecnica de las oscilaciones sostenidas de Ziegler y Nichols. PI_D=feedback(Gp*Gc2. GF: FLOTADOR Kcrit=0.28 ilustra la comparaci´ on entre las salidas controladas. Td=0. ylabel(’AMPLITUD’).’k’). grid. Gtau=tf(num. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). Tipo P PI PID Controlador GC (s) KC KC 1 + KC 1 + 1 TI s 1 TI s KC = 100 BP TI ∞ 0.den).5 Tcrit TD 0 0 0.’k’. xlabel(’TIEMPO’).5 M´ etodos de Sintonizaci´ on de Controladores PID 87 Tabla 5.28 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0. title(’OSCILACI´ ON SOSTENIDA’).m CONTROL PID. PID=feedback(Gp*Gc1. 5.

Ti=0.PI_Dy. PI_D=feedback(Gp*Gc2. PI-D Y PI-Dy MEDIANTE LA OSCILACI ´ ON SOSTENIDA clear all.’k’. Tcrit=15.29 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0.m CONTROL PID. % CONTROL PI-D Gci=Kc*(1+1/Ti/s). Gcd=Kc*Td*s/(1+Td*s/N). % CONTROL PI-Dy subplot(212).’k’). G_c0=feedback(Kcrit*Gp.125*Tcrit.5*Tcrit. Tales resultados se obtienen ejecutando el programa zn2a. Kcrit=0. 5.12.569. xlabel(’TIEMPO’).50). % TOMADO DE LA OSCILACI´ ON SOSTENIDA Kc=0.28: Oscilaciones sostenidas (primer gr´ afico) para Kp = Kcrit y respuestas controladas (gr´ afico inferior) para el ejemplo 5. Gp=1/(s*(s+1)^4). grid. Notar que la oscilaci´ on posee un per´ ıodo igual a τcrit = 15 s.’k’.569. close all. clc.6*Kcrit. print -deps -f zn2a .Gcd). Gcd=feedback(Gp. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).6. title(’OSCILACI´ ON SOSTENIDA’).5 1 0.1). step(PID. s=tf(’s’).5 0 Tcrit 0 2 4 6 8 10 12 TIEMPO (sec) 14 16 18 20 SALIDAS CONTROLADAS 2 1.PI_D. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). El segundo gr´ afico de la Fig.5 1 0. Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5. ylabel(’SALIDA’). 5. subplot(211). PID=feedback(Gp*Gc1. 5. PI_Dy=feedback(Gci*Gcd. N=10.1). step(G_c0. title(’SALIDAS CONTROLADAS’).5 0 SALIDA PI−Dy PID y PI−D 0 10 20 30 TIEMPO (sec) 40 50 60 Fig. Soluci´ on: El primer gr´ afico de la Fig.29 ilustra la comparaci´ on entre las salidas controladas.1).88 Control PID SISO OSCILACIÓN SOSTENIDA 2 AMPLITUD 1. xlabel(’TIEMPO’). Td=0.1). ylabel(’AMPLITUD’). % zn2a.m listado abajo.

5 1 0.5 1 0.3Kcrit Ejemplo 5. 5.17.1(a). Sintonizaci´ on de Sistemas con FT Gp (s) = Kp e−τ s Las siguientes reglas de sintonizaci´ on atribuidas a Yu (2006) [?].30 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene empleando un controlador proporcional Ti = 2. Soluci´ on: El primer gr´ afico de la Fig.5. 5. El controlador empleado es el denominado cl´ asico generalizado.5 SALIDA PI−Dy PID y PI−D 0 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 Fig.5 0 Tcrit 0 5 10 15 20 25 30 TIEMPO (sec) SALIDAS CONTROLADAS 35 40 45 50 2 1.29: Oscilaciones sostenidas (primer gr´ afico) para Kp = Kcrit y respuestas controladas (gr´ afico inferior) para el ejemplo 5. se aplican al control de sistemas que poseen una FT de la forma Gp (s) = Kp e−τ s .3τcrit Td = 0 u(s) = Kc e(s) 1+ 1 Td s + d Ti s 1 + T N s bf 0 + bf 1 s + bf 2 s2 1 + a f 1 s + a f 2 s2 .5 M´ etodos de Sintonizaci´ on de Controladores PID 89 OSCILACIÓN SOSTENIDA 2 AMPLITUD 1.14 Se desea controlar el sistema Gp (s) = Kp e−τ s empleando la t´ ecnica de las oscilaciones sostenidas y las reglas de sintonizaci´ on arriba formuladas. El control se realiza empleando la configuraci´ on de la Fig. 5. cuya FT es: Gc (s) = Las reglas son: Kc = 0.

step(G_c0).30: Oscilaciones sostenidas (primer gr´ afico) para Kp = Kcrit y respuesta controlada (gr´ afico inferior) para el ejemplo 5. Gtau=tf(num. xlabel(’TIEMPO’). clc. subplot(211).30 ilustra la salidas controlada.den).3*Tcrit.3).14. % CONTROL PID . PID=feedback(Gp*Gc. Tales resultados se obtienen ejecutando el programa yu1. bf2=1. Tcrit=4.3Kcrit Ti = 2. af1=1.27.m CONTROL PI EMPLEANDO OSCILACIO clear all. title(’OSCILACI´ ON SOSTENIDA’). G_c0=feedback(Kcrit*Gp. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp*Gtau.45 en la Fig. Ti=2.1). s=tf(’s’). [num. grid.5 0 50 100 TIEMPO (sec) 150 200 250 Fig. 5.Gc2). 5. 5.3*Kcrit.m listado abajo. Kp=2. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). ´N SOSTENIDA % yu1. Gc2=(bf0+bf1*s+bf2*s^2)/(1+af1*s+af2*s^2).1). Td=0. af2=1. Notar que la oscilaci´ on posee un per´ ıodo igual a τcrit = 4 s.ylabel(’AMPLITUD’).90 Control PID SISO de ganancia GC (s) = Kcrit = 0.3τcrit Td = 0 El segundo gr´ afico de la Fig. close all. N=3. OSCILACIÓN SOSTENIDA 5 AMPLITUD 0 −5 −10 0 10 20 30 TIEMPO (sec) 40 50 60 SALIDA CONTROLADA 1 SALIDA 0. % Gp: SISTEMA Kcrit=0.45. Gc=series(Gc1. Con estos valores se calculan los par´ ametros del controlador PID empleando: Kc = 0.5 0 −0. % TOMADOS DE LA OSCILACI´ ON SOSTENIDA Kc=0. bf1=1. bf0=1.den]=pade(2.

mientras que el segundo gr´ afico ilustra la ley de control u = ±L.m listado abajo. donde L es la ganancia del rel´ puede ahora usar la Tabla 5.5. tambi´ en. PI–D interactivo y PI–Dy mejorado. Una variante de este m´ etodo se muestra en la Fig. 5. Tcrit y L. Ejemplo 5. Tambi´ en determinar las ecuaciones de estado del sistema. u −L Relé e y u Gp(s) Proceso y Tcrit a t r e +L Fig. . ylabel(’SALIDA’). M´ etodo del Rel´ e El m´ etodo de las oscilaciones sostenidas a lazo cerrado puede ser arriesgado. 5.31(a). ahora se puede calcular la ganancia Kcrit y los par´ ametros PID empleando la Tabla 5.33 para una magnitud del rel´ e de L = 0.1. El diagrama de bloques de la Fig. El tercer gr´ afico de la Fig.33 se desprenden los par´ ametros: a = 0.15 Se desea controlar un sistema no autoregulado que posee la siguiente FT. 5.5.6.31 [17].5 M´ etodos de Sintonizaci´ on de Controladores PID subplot(212). Tales resultados se obtienen ejecutando la segunda parte del programa relay. 5. print -deps -f yu1 91 5. title(’SALIDA CONTROLADA’). 5. step(PID).25 y Tcrit = 15.33 muestra la comparaci´ on entre las salidas controladas.3. Teniendo como datos Tcrit y Kcrit se a . el cual usa el diagrama de bloques de la Fig.31: Diagrama de bloques del sistema realimentado empleado en el m´ etodo de sintonizaci´ on mediante rel´ e.6. xlabel(’TIEMPO’). empleando la t´ ecnica del rel´ e de Astr¨ om y H¨ agglund: Gp (s) = 1 s(s + 1)4 Para prop´ ositos de comparaci´ on emplear los controladores PID est´ andar.m listado abajo.32 se emplea para determinar las cinco ecuaciones de estado del sistema: x ˙ 1 = −x1 + x2 x ˙ 3 = −x3 + x4 x ˙ 2 = −x2 + x3 x ˙ 4 = −x4 + x5 x ˙5 = u De la oscilaci´ on sostenida mostrada en el primer gr´ afico de la Fig. 5. en donde se emplea un rel´ e para conseguir una oscilaci´ on sostenida de per´ ıodo Tcrit pero de peque˜ na amplitud a. Soluci´ on: La primera parte del programa relay. En la pr´ actica. 5. para una ganancia 4L Kcrit = pi e. permite obtener el primer y segundo gr´ afico de la Fig. resulta muy dificultoso mantener la amplitud constante. Conocido los par´ ametros a. ya que en casos reales fuerza a la planta a operar cerca de la inestabilidad.

PI–D y PI–Dy (gr´ afico inferior).R. e=r-x1.32: Diagrama de bloques del sistema mostrando sus variables de estado. clc. % REFERENCIA ESCAL´ ON r Y ERROR e if(e>=0). X1(k)=x1. x5=x5+T*u.1 0 −0. xlabel(’TIEMPO’). subplot(311). else u=-L.01. % LEY DE CONTROL u x1=x1+T*(-x1+x2).92 u x5 x4 1 s+1 x3 x2 Control PID SISO x1 = y 1 s 1 s+1 1 s+1 1 s+1 Fig. x4=x4+T*(-x4+x5). x3=0. % PROGRAMA PARA PRODUCIR LA OSCILACI´ ON SOSTENIDA x1=0. % relay. u=L. M = 8000.1.ejet. x2=0. x3=x3+T*(-x3+x4).M). % SALIDA DEL PROCESO end ejet = linspace(0.X1).M*T.1 r 0 10 a 20 30 40 TIEMPO 50 60 70 80 CONTROL u 0 10 20 30 40 TIEMPO 50 60 70 80 SALIDAS CONTROLADAS 2 SALIDA 1 0 PI−Dy PID y PI−D 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 1 Fig. R(k) = r. x4=0. ley de control u (gr´ afico medio) y respuestas estabilizadas empleando controladores tipo PID. x2=x2+T*(-x2+x3). close all. end % FUNCI´ ON REL´ E U(k)=u.m RESPUESTA A LAZO CERRADO CON UN REL ´ E COMO CONTROLADOR clear all. 5. x5=0. 5. L=0. for k = 1:M r=1. . grid ylabel(’SALIDA y’).33: Respuesta al escal´ on del sistema de control del sistema Gp (s) = s(s+1) 4 empleando un rel´ e (gr´ afico superior). plot(ejet. 2 SALIDA y Tcrit 1 0 0. % CONDICIONES INICIALES T = 0.

PI_D=feedback(Gp*Gc2.’k’. xlabel(’TIEMPO’) % PROGRAMA PARA CONTROLAR EL PROCESO Gp(S) s=tf(’s’).25.1).125*Tcrit.5 M´ etodos de Sintonizaci´ on de Controladores PID 93 subplot(312). Tipo P PI PID Controlador GC (s) KC KC 1 + KC 1 + 1 TI s 1 TI s KC = Ko Ko Ko 100 BP TI ∞ To /1. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). Kcrit=4*L/(pi*a). % FT DEL PROCESO a=0. Tcrit=15.7.7: M´ etodo de las oscilaciones amortiguadas de Harriot para hallar los par´ ametros KC .1).Gcd). Este m´ etodo se aplica a sistemas que pueden ser modelados en la forma dada en la ecuaci´ on (5. % CONTROL PI-Dy subplot(313). Los par´ ametros de sintonizaci´ on del controlador se obtienen luego de la Tabla 5. Tabla 5. la respuesta al escal´ on a lazo cerrado. tal como se ilustra en la Fig. % TOMADO DE LA OSCILACI ´ ON SOSTENIDA Kc=0. PI_Dy=feedback(Gci*Gcd. En ambos casos.’k’). debe ser de modo tal que el segundo m´ aximo sea un cuarto del primer m´ aximo.PI_D. %CONTROL PI-D Gci=Kc*(1+1/Ti/s). xlabel(’TIEMPO’).4. se conoce tambi´ en como el m´ etodo TDQR (Tuning for Quarter Decay Response) o sintonizaci´ on para un decaimiento de un cuarto de la respuesta. en la cual Ko es la ganancia del controlador para obtener el decaimiento mostrado y To es el per´ ıodo correspondiente. title(’SALIDAS CONTROLADAS’).’k’. 5.6*Kcrit.34.U). Td=0. print -deps -f relay 5. Gcd=feedback(Gp.5 To /1.1). PID=feedback(Gp*Gc1. r R t r e Ko PID u y y R A A/4 t To Proceso Fig.PI_Dy. Gcd=Kc*Td*s/(1+Td*s/N).5. ylabel(’CONTROL u’).5*Tcrit.5 TD 0 0 To /6 + TD s Ejemplo 5. ylabel(’SALIDA y’). Ti=0.33) y tambi´ en a otros sistemas no autoregulados. step(PID. 5. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). plot(ejet. N=10. Gp=1/(s*(s+1)^4).34: M´ etodo de las oscilaciones amortiguadas de Harriot.16 . TI y TD .5. M´ etodo de las Oscilaciones Amortiguadas El m´ etodo de las oscilaciones amortiguadas propuesto en [18].

7 empleando la t´ ecnica de las oscilaciones amortiguadas de Harriot. clc.21)) y mejorado (PI–Dy.35 muestra la respuesta al escal´ on en donde el segundo m´ aximo de la oscilaci´ on es un cuarto del primer m´ aximo.m listado abajo.94 Control PID SISO Se desea controlar el sistema nivel del ejemplo 5.GF). N=10. To=10.13)).5 A/4 0 2 4 6 8 10 12 TIEMPO (sec) 14 16 18 20 0 SALIDAS CONTROLADAS 1. ecuaci´ on (5.15/(30*s+1). step(G_c0. GH=10/(s+1). GF=1/(s^2/9+s/3+1). OSCILACIÓN SOSTENIDA 1. GH: FLOTADOR Ko=0.35 ilustra la comparaci´ on entre las salidas controladas. 5. PI-D Y PI-Dy MEDIANTE EL M E clear all. Kc = Ko.26)).den). Soluci´ on: El primer gr´ afico de la Fig. 5. Ti=To/1. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). % CONTROL PID . xlabel(’TIEMPO’). [num. 5.m CONTROL PID.3). s=tf(’s’). subplot(211). ecuaci´ on (5. dependiente (PI–D.55. grid title(’OSCILACI´ ON SOSTENIDA’). Td=To/6.5 AMPLITUD 1 A 0. ecuaci´ on (5. Para prop´ ositos de comparaci´ on emplear los controladores ideal (PID. PID=feedback(Gp*Gc1. Gtau=tf(num.5. G_c0=feedback(Ko*Gp. Tales resultados se obtienen ejecutando el programa harriot. la cual se obtiene empleando un controlador proporcional de ganancia GC (s) = Ko = 0. % Gp: PROCESO.35: Oscilaciones amortiguadas (gr´ afico superior) para K C = Ko y respuestas controladas (gr´ afico inferior) para el ejemplo 5. ´TODO DE HARRIOT % harriot.18. % TIEMPO MUERTO exp(-tau*s) Gp=GH*Gtau*GT. ylabel(’AMPLITUD’). Notar que la oscilaci´ on posee un per´ ıodo igual a To = 10 s.18(a).den]=pade(1. GT=3. 5.5 PID 0 0 2 4 6 8 10 TIEMPO (sec) 12 14 16 18 Fig.16. El segundo gr´ afico de la Fig. empleando las estructuras (b) y (c) de la Fig. Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5. close all. 5.55 en la Fig.GF).7.5 PI−Dy PI−D SALIDA 1 0.20).

PI_D. % harriota.1). step(PID.6. Las f´ ormulas de dichos ´ ındices son: ISE = 0 ∞ e2 (t)dt IAE = 0 ∞ |e(t)|dt IT AE = 0 ∞ t|e(t)|dt .50). clc. title(’OSCILACI´ ON AMORTIGUADA’). ylabel(’AMPLITUD’). 5.1).5. Tales resultados se obtienen ejecutando el programa zn2. step(PID.PI_Dy. xlabel(’TIEMPO’). Los ´ ındices de rendimiento m´ as usados son: ISE (Integral Squared Error). % CONTROL PI-D Gci=Kc*(1+1/Ti/s).PI_D.m listado abajo. Gcd=feedback(Gp.569. PI_D=feedback(Gp*Gc2. 5. step(G_c0.28 ilustra la comparaci´ on entre las salidas controladas. G_c0=feedback(Ko*Gp.’k’.17 Se desea controlar un sistema no autoregulado que posee la siguiente FT. 5. ylabel(’SALIDA’). Ti=To/1. empleando la t´ ecnica de las oscilaciones amortiguadas de Harriot.5. close all. N=10. Ko=0. Td=To/6. Gcd=Kc*Td*s/(1+Td*s/N).1).m CONTROL PID. title(’SALIDAS CONTROLADAS’). Gcd=Kc*Td*s/(1+Td*s/N).Gcd). PI-D Y PI-Dy MEDIANTE OSCILACI ´ ON AMORTIGUADA clear all. % TOMADO DE LA OSCILACI´ ON AMORTIGUADA Kc=Ko. s=tf(’s’). ecuaci´ on (5.PI_Dy.28 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0. es minimizar un determinado ´ ındice de rendimiento. title(’SALIDAS CONTROLADAS’).1). print -deps -f harriot Ejemplo 5.5. Soluci´ on: El primer gr´ afico de la Fig. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). PID=feedback(Gp*Gc1. Gp (s) = 1 s(s + 1)4 Para prop´ ositos de comparaci´ on emplear los controladores ideal (PID.GF). subplot(211). ecuaci´ on (5. PI_Dy=feedback(Gci*Gcd.5.26)). PI_Dy=feedback(Gci*Gcd.3. M´ etodos Basado en la Minimizaci´ on de un ´ Indice La idea principal en los m´ etodos de sintonizaci´ on basados en criterios o ´ptimos.21)) y mejorado (PI–Dy. ecuaci´ on (5.’k’). % CONTROL PI-Dy subplot(212).GF).’k’.’k’.18. dependiente (PI–D. PI_D=feedback(Gp*Gc2. xlabel(’TIEMPO’). ylabel(’SALIDA’). Gcd=feedback(Gp. print -deps -f harriota 5.13)). To=20. xlabel(’TIEMPO’). empleando las estructuras (b) y (c) de la Fig. Gp=1/(s*(s+1)^4). El segundo gr´ afico de la Fig. % CONTROL PI-Dy subplot(212). IST E (Integral Square Time weighted Error) e IST 2 E (Integral Square Time–Square weighted Error).Gcd). IAE (Integral Absolute Error). % PAR´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). IT AE (Integral Time Absolute Error). Con estos valores se calculan los par´ ametros del controlador PID empleando la Tabla 5. % CONTROL PI-D Gci=Kc*(1+1/Ti/s).5 M´ etodos de Sintonizaci´ on de Controladores PID 95 Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).’k’). grid. Notar que la oscilaci´ on posee un per´ ıodo igual a τcrit = 15 s.’k’. en el cual est´ en involucrados el tiempo continuo t y el error e = r − y .

En esta tabla. El control se realiza empleando la configuraci´ on de la Fig. close all.m CONTROL PI USANDO ITAE clear all. Kp=2.18 Se desea controlar el sistema con FT Gp (s) = Kp e−τ s . IST E = 0 ∞ t2 e(t)dt IST 2 E = 0 ∞ t2 e2 (t)dt (5. Las reglas que emplean un controlador PID se atribuyen a Nomura et al.36: Oscilaciones sostenidas (gr´ afico superior) para KC = Ko y respuestas controladas (gr´ afico inferior) para el ejemplo 5. s=tf(’s’). (1993) [?]. . 5. Ejemplo 5. con Kp = 2 y τ = 2 usando el criterio ITAE y un controlador PI. tau=2.5 A/4 0 5 10 15 20 25 30 TIEMPO (sec) SALIDAS CONTROLADAS 35 40 45 50 0 1.5 AMPLITUD 1 A 0. 5. Soluci´ on: La Fig. clc. las reglas de sintonizaci´ on que emplean controladores integral y proporcional–integral.5 PI−D 0 0 10 20 30 TIEMPO (sec) 40 50 60 Fig.8 se aplica al control de sistemas que poseen una FT de la forma Gp (s) = Kp e−τ s . resultado que se obtienen ejecutando el programa shinskey. 5.37) Sintonizaci´ on de Sistemas con FT Gp (s) = Kp e−τ s La Tabla 5. se atribuyen a Shinskey (1994) [?].96 Control PID SISO OSCILACIÓN AMORTIGUADA 1. % shinskey.5 SALIDA 1 PID 0.m listado abajo.1(a).17.37 muestra la respuesta controlada.

2 0 −0.4 Kp 0.8 SALIDA 0 5 TIEMPO (sec) 10 15 Fig. ylabel(’SALIDA’). Gtau=tf(num.1911τ Kc 1 + Kc 1 + 1 Ti s 1 Ti s + Td s CONTROL DE G(s)=Kp*exp(−tau*s) USANDO ITAE 1. [num.5τ 0. % Gp: SISTEMA Kc=0.5*tau.18). 5.3).361τ Td 0 0 0. print -deps -f shinskey M´ etodo de Wang–Juang–Chan Las f´ ormulas de sintonizaci´ on de de Wang–Juang–Chan (citadas en [24]) se basan en el criterio de optimizaci´ on de IT AE y se pueden aplicar a sistemas que aceptan .4/Kp.6 −0. % CONTROL PID step(PID).2 −0.4 −0.den). % PAR´ AMETROS PID Gc=Kc*(1+1/(Ti*s)+Td*s).4 0. xlabel(’TIEMPO’). title(’CONTROL DE G(s)=Kp*exp(-tau*s) USANDO ITAE’). % TIEMPO MUERTO: exp(-tau*s) Gp=Kp*Gtau.5. Td=0.1).2 1 0.6 0.5 M´ etodos de Sintonizaci´ on de Controladores PID 97 Tabla 5.den]=pade(tau.8 0. Ti=0. PID=feedback(Gc*Gp.37: Control PI del sistema Gp (s) = Kp e−τ s usando ITAE (ejemplo 5.8: Reglas de sinton´ ıa para controlar sistemas tipo Gp (s) = Kp e−τ s .6Kp τ 0. M´ etodo M´ ınimo ITAE M´ ınimo ITAE M´ ınimo ITAE Controlador Gc (s) 1 Ti s Kc Indefinido 0.2635 Kp Ti 1.

579 0.490 0.839 IST2 E 0.892 0.315 0.047 –0.904 0.583 0.98 Control PID SISO un modelo din´ amico como el de la ecuaci´ on (5. La Tabla 5.154 –0.5τ ) Kp (T + τ ) = T + 0.172 0.977 –0.921 0.247 1. entonces este controlador toma la forma: u(s) = Kc e(s) + Kc Td s e(s) − y (s) = P (s) + I (s) + D(s) Ti s 1 + Td s/N (5.968 –0.1< τ /T <2 ISTE 0.26) correspondiente al controlador mejorado.5τ 0.220 0.042 –0.384 0.33).072 –0.628 –0.9 muestra las f´ ormulas de sintonizaci´ on aplicadas a sistemas que aceptan un modelo din´ amico como el de la ecuaci´ on (5.061 –0.56) a sistemas que aceptan un modelo din´ amico como el de la ecuaci´ on (5.708 PI T a2 +b2 (τ /T ) PID Kc = Ti = a1 Kp τ b1 T PID T a2 +b2 (τ /T ) PID Td = a3 T τ b3 T Sin tener en cuenta la ganancia Kc en la parte derivativa de la ecuaci´ on (5.048 –0. 5.888 ISTE 0.5τ T = T + 0.906 IST2 E 0.892 ISE 1.253 0. Ejemplo 5. estas f´ ormulas son: Kc = Ti Td (0.919 –0.897 1.897 0.158 1.1(a).142 –0.19 .690 –0. tal como se muestra en la Fig.385 0.1< τ /T <1 ISE a1 b1 a2 b2 a1 b1 a2 b2 a3 b3 0. Tabla 5.10 muestra las f´ ormulas de sintonizaci´ on cuando se aplica el controlador descrito en (5.559 0.951 1.167 1.1(a).5307T /τ )(T + 0.195 –0.5τ (5. 5.980 –0.489 0.786 –0.165 0.114 1.39) La Tabla 5.712 –0. Rango de τ /T Tipo PI Par´ ametro Kc = Ti = a1 Kp τ b1 T 0.968 –0.9: M´ etodo de Zhuang y Atherton para determinar Kc .567 1.987 –0.238 0.892 –0.33) y que est´ en sujetos a cambios tipo escal´ on en la se˜ nal de referencia.883 –0.7303 + 0.007 –0. tal como se muestra en la Fig.386 0.569 –0.38) Metodo de Zhuang y Atherton El m´ etodo de Zhuang y Atherton [26] minimiza los criterios ISE .316 0.33) y que est´ en sujetos a cambios tipo escal´ on en la se˜ nal de referencia.155 1.832 1.648 –0.583 1.560 0.179 0.023 –0. Ti y Td en un controlador est´ andar. IST E e IST 2 E .

053 –0.m CONTROL PID USANDO ISE .130 0.930 0.907 IST2 E 0.811 IST2 E 1.624 0.114 0.5.10: M´ etodo de Zhuang y Atherton para determinar Kc .770 –0.756 PID T a2 +b2 (τ /T ) PID Td = a3 T τ b3 T p e−τ s .001 –0. 5.375 0. τ = 2 y T = 20 Se desea controlar el sistema con FT Gp (s) = T s+1 usando el criterio ITAE y un controlador PID.736 –0.933 0.887 0.147 0.661 –0.619 0. con Kp = 2.886 ISTE 1.38 muestra la respuesta controlada.897 ISE 1. K Soluci´ on: La Fig. Ti y Td en un controlador cuya acci´ on derivativa se encuentra en la realimentaci´ on.349 0.126 0.120 –0. 5.350 0.701 –0. resultado que se obtienen ejecutando el programa zh1.260 –0.5 0 5 10 15 20 TIEMPO (sec) 25 30 35 40 Fig.1< τ /T <1 ISE a1 b1 a2 b2 a3 b3 1.720 –0.308 0. % zh1.754 –0.19).5 SALIDA 0 −0.110 0.116 0.378 0.1< τ /T <2 ISTE 1.942 –0.5 −1 −1.m listado abajo.5 M´ etodos de Sintonizaci´ on de Controladores PID 99 Tabla 5.813 1.295 –0. CONTROL PID USANDO ISE 1.308 0.625 0.5 1 0. Rango de τ /T Tipo PID Par´ ametro Kc = Ti = a1 Kp τ b1 T 0.38: Control PID del sistema Gp (s) = Kp T s+1 e−τ s usando ISE (ejemplo 5.

Kessler [25] para determinar los par´ ametros de un controlador PID basado en criterios o ´ptimos de dise˜ no.386. ylabel(’SALIDA’). Td=(a3*T)*(tau/T)^b3. a2=1. clc. tal como se observa en gr´ afico inferior de la Fig.897. xlabel(’TIEMPO’).2. . caracterizada por poseer en ella integradores o polos inestables.m listado abajo. b3=0. % CONTROL PID step(PID. Uso de la Curva de Reacci´ on en Sistemas No Autoregulados El m´ etodo de la curva de reacci´ on de sistemas no autoregulados emplea tablas de sintonizaci´ on de los controladores PID.2s) s(1 + T2 s) µ (1 + tµ s) Este sistema. resultado que se obtiene ejecutando el programa kessler1. cada una de las cuales se aplica a una determinada FT del sistema. y T2 > Tσ .2. M´ etodo de Kessler La Tabla 5. T=20. a3=0. T2 = 1. % tau/T=0. tµ = t1 = Tσ = 0. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(T*s+1)*Gtau. Tabla 5.39. b2=-0. de acuerdo a Kessler.195. se puede estabilizar con un controlador PID. Ti=T/(a2+b2*(tau/T)). µ = 1.’k’).11 muestra las f´ ormulas propuestas por C.11: M´ etodo de Kessler para hallar los par´ ametros K c .39 (gr´ afico inferior). 5. T 2 > T σ Ejemplo 5. title(’CONTROL PID USANDO ISE’). sabiendo que su FT es: 1 Gp(s) = s(1 + s)(5 + s) Soluci´ on: La FT del sistema se puede reformular como: Gp(s) = Kp 0.20 Se desea controlar un sistema posicionador empleando el m´ etodo de Kessler.den). es del tipo PITn con par´ ametros Kp = 0. PID=feedback(Gc*Gp. [num. print -deps -f zh1 5.048. tau=2. close all. N=10. s=tf(’s’).1 a1=1.den]=pade(tau.100 Control PID SISO clear all.489.2 = s(1 + s)(1 + 0.1). Notar que este sistema es no autoregulado. % SISTEMA A CONTROLAR Kc=(a1/Kp)*(tau/T)^b1. Gc=Kc*(1+1/(Ti*s)+Td*s). Gtau=tf(num.6.3). Kp=2. tal como se observa en la Fig. b1=-0. Ti y Td .888.5. Sistema Gp (s) Kp s µ (1+tµ s) Tipo PI Controlador Gc (s) Kc 1 + 1 Ti s Kc 1 2Kp Tσ Ti 4Tσ Td Tσ = Σ µ t µ Kp s(1+T2 s) µ (1+tµ s) PID Kc 1 + 1 Ti s (1 + Td s) 1 2Kp Tσ 4Tσ T2 Tσ = Σ µ t µ . 5.

Gp=Kp/s/(1+T2*s)/(1+tmu*s).5 1 1. ylabel(’AMPLITUD’). PID=feedback(Gp*Gc. mu=1. parte integral y tiempo muerto: Kp −τ s Y (s) = e (5. 5.m CONTROL PID EMPLEANDO EL M´ ETODO DE KESSLER clear all. step(PID). title(’RESPUESTA AL ESCAL´ ON’). los controladores PD y PID resultan ser los adecuados para controlar tales sistemas. s=tf(’s’).39: Respuesta al escal´ on (gr´ afico superior) y respuesta controlada (gr´ afico inferior) empleando un controlador PID de acuerdo al m´ etodo de Kessler.2. T2=1.1).5 0 0 0.12 muestra los valores de los . KC=1/(2*Kp*Tsigma).5 SALIDA 1 0. % kessler1. step(Gp).2. close all. title(’SALIDA CONTROLADA’). Kp=0. grid.40) G(s) = U (s) s Debido a la presencia del integrador.5 4 4.5 TIEMPO (sec) 3 3. xlabel(’TIEMPO’). TI=4*Tsigma. Tsigma=tmu. Gc=KC*(1+1/TI/s)*(1+TD*s).5 5 Fig. print -deps -f kessler1 Reglas PID para Controlar Sistemas con FT G(s) = Kp s e−τ s La FT del siguiente sistema posee parte proporcional. ylabel(’SALIDA’). La Tabla 5. clc. grid.5.5 M´ etodos de Sintonizaci´ on de Controladores PID RESPUESTA AL ESCALÓN 300 250 AMPLITUD 200 150 100 50 0 0 500 TIEMPO (sec) 1000 101 1500 SALIDA CONTROLADA 1.5 2 2. TD=T2. xlabel(’TIEMPO’). % CONTROL PID subplot(212). tmu=0. % PROCESO subplot(211).

ylabel(’SALIDA’).m listado abajo.m CONTROL PID USANDO ISE clear all. % SISTEMA A CONTROLAR Kc=a3/(Kp*tau).496. s=tf(’s’).3). % zh2. [num.49.42) Debido a la presencia del integrador. N=10.’k’).den).03 0. print -deps -f zh2 Reglas PID para Controlar Sistemas con FT G(s) = Kp s(T s+1) e−τ s La FT del siguiente sistema posee parte proporcional. title(’CONTROL PID USANDO ISE’). parte integral. Kp=2. a5=0. Kp s e−τ s . Ti=a4*tau. Td=a5*tau. Gc=Kc*(1+1/(Ti*s)+Td*s).96 0.102 Control PID SISO coeficientes empleados por los par´ ametros de los controladores PD y PID [27]: ControladorP D : ControladorP ID : Kc = Kc = a1 Kp τ a3 Kp τ Td = a 2 τ Ti = a 4 τ Td = a 5 τ (5.36 1.41) Tabla 5. Ti y Td para el control de sistemas tipo IPτ (ecuaci´ on (5. clc.43) .34 a4 1.49 Ejemplo 5. Criterio ISE ITSE ISTSE a1 1.53 0. parte retardo de primer orden y tiempo muerto: G(s) = Kp y (s) = e−τ s u(s) s(T s + 1) (5.45 a3 1.45 0.9 a2 0. a3=1.1).49 0. con Kp = 2.496 1. T=20.66 1.37 1. xlabel(’TIEMPO’). Gtau=tf(num.03.59 0.40 muestra la respuesta controlada. a4=1. 5. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(s)*Gtau. % CONTROL PID step(PID. PID=feedback(Gc*Gp. los controladores PD y PID resultan los adecuados para controlar tales sistemas. % tau/T=0.59.12: Par´ ametros ai para calcular Kc . close all. T = 20 y τ = 2 Soluci´ on: La Fig. resultado que se obtienen ejecutando el programa zh2. Las f´ ormulas para determinar los par´ ametros del controlador PD son [27]: Kc = 2 3Kp τ Td = T τ (5.den]=pade(tau.41)).1 a1=1. tau=2.21 Se desea controlar el sistema con FT Gp (s) = usando el criterio ISE y un controlador PID.83 a5 0. a2=0.37.

5. % SISTEMA A CONTROLAR Kc=1.40: Control PID del sistema Gp (s) = Kp s e−τ s (ejemplo 5.111*T/(Kp*tau^2)/(1+(T/tau^(0.41 muestra la respuesta controlada.5 M´ etodos de Sintonizaci´ on de Controladores PID CONTROL PID USANDO ISE 3 103 2 1 0 SALIDA −1 −2 −3 −4 −5 0 5 10 15 20 TIEMPO (sec) 25 30 35 Fig.3). 5. Kp s(T s+1) e−τ s .1). Gtau=tf(num. % CONTROL PID step(PID. Ti=2*tau*(1+(T/tau)^(0. resultado que se obtienen ejecutando el programa zh3. Td=Ti/4.65)))^2. print -deps -f zh3 . mientras que para el controlador PID. se tiene: 1. ylabel(’SALIDA’). clc. [num.m listado abajo. Gc=Kc*(1+1/(Ti*s)+Td*s). % zh3. title(’CONTROL PID’). s=tf(’s’).21). Kp=2.65)). close all.’k’). T=2. con Kp = 2. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(s*(T*s+1))*Gtau.den). T = 2 y τ = Soluci´ on: La Fig. 5.65 τ Ti = 2τ 1 + T τ 0.65 Td = Ti 4 (5.44) Ejemplo 5. tau=2.111T Kc = Kp τ 2 1 1+ 2 T 0.den]=pade(tau.m CONTROL PID clear all.22 Se desea controlar el sistema con FT Gp (s) = 2. PID=feedback(Gc*Gp. xlabel(’TIEMPO’).

46) Los par´ ametros ai . Las f´ ormulas para determinar los par´ ametros del controlador PID son [27]: τ γ T (5. .23 Se desea controlar el sistema con FT Gp (s) = Kp T s−1 e−τ s . Soluci´ on: La Fig.104 CONTROL PID 1.6 0.4 1. bi y γ se pueden obtener de la Tabla 5. Reglas PID para Controlar Sistemas con FT G(s) = Kp T s−1 e−τ s La FT del siguiente sistema posee parte proporcional. resultado que se obtienen ejecutando el programa zh3.2 0 50 TIEMPO (sec) 100 150 Fig.4 0. 5.45) Debido a la presencia del integrador y a la ra´ ız inestable s = 1/T .02 Ejemplo 5. parte retardo de primer orden inestable y tiempo muerto: G(s) = Kp y (s) = e−τ s u(s) Ts − 1 (5.41 muestra la respuesta controlada.8 0. Kc = b1 a1 Kp τ T Ti = a 2 T τ T b2 Td = a 3 T 1 − b 3 τ T −0. 5. el controlador PID parece ser el m´ as adecuado para controlar tales sistemas.m listado abajo. T = 2 y τ = 2.2 0 −0.2 1 SALIDA 0.41: Control PID del sistema Gp (s) = Kp s(T s+1) e−τ s usando ISE (ejemplo 5.13 para diferentes criterios.6 Control PID SISO 1.22). parte integral. con Kp = 2.

00 4. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(T*s-1)*Gtau.32 1.86.45)). Ti y Td para el control de sistemas tipo IPT1 τ inestables (ecuaci´ on (5. a3=3.95 0.95. print -deps -f zh4 . gamma=0. PI_D=feedback(Gc*Gp. a2=4.13. Criterio ISE ITSE ISTSE a1 1.93 0.86 γ 0.13: Par´ ametros ai para calcular Kc .5 M´ etodos de Sintonizaci´ on de Controladores PID 105 Tabla 5. % zh4.52 b2 0. % SISTEMA A CONTROLAR Kc=(a1/Kp)*(tau/T)^b1.12 4. a1=1. N=10.52.84 0.23).92 0. b2=1. title(’CONTROL PI-D USANDO ISTSE’). T=2.78 3. [num. xlabel(’TIEMPO’).97 CONTROL PI−D USANDO ISTSE 6 5 4 3 SALIDA 2 1 0 −1 −2 −3 0 10 20 30 40 TIEMPO (sec) 50 60 70 Fig.85 0.den). s=tf(’s’).5.38 1.47 0.1).95 a2 4.35. ylabel(’SALIDA’). Gtau=tf(num.70 b3 0.’k’). Ti=a2*T*(tau/T)^b2.90 1. Td=a3*T*(1-b3*(tau/T)^(-0. b3=0. tau=2. Kp=2.90 0. clc.02))*(tau/T)^gamma.35 b1 0.7.den]=pade(tau.% CONTROL PI-D step(PI_D.97.13 a3 3. 5.62 3.m CONTROL PI-D USANDO ISTSE clear all. close all.42: Control PI-D del sistema Gp (s) = Kp s−1 e−τ s usando ISTSE (ejemplo 5.3). b1=0. Gc=Kc*(1+1/(Ti*s)+Td*s/(1+Td*s/N)).

de la Fig.43(a). ω n es la frecuencia natural de oscilaci´ on y ζ es el coeficiente de amortiguamiento. 5.48) Tambi´ en.47) donde Im y Kt son la corriente y constante del sermotor respectivamente.6.50) . El sistema SDA compensado con un controlador PID mejorado se muestra en la Fig.43 se puede demostrar que: ess = lims→0 s R r(s) = 1 + Gc Gs (s) 1 + Gc Gs (s) =0 s=0 e(s) = r(s) − θ(s) (5.43: (a) Sistema SDA compensado con un controlador PID mejorado.43 se deduce: r(s) = R s Gc (s) e(s) Kp+ Ki s + Kd s G s (s) Im (s) Kt Js 2 + Bs + K θ (s) Fig.43(a) posee la forma: Gs (s) = 2 ωn = 2 Kt Kt ωn θ(s) = = × 2 Im (s) Js2 + Bs + K K s2 + 2ζωn s + ωn B K ζ= J 2Jωn (5. B y K son la posici´ on. la constante de p´ erdidas y la rigidez del sistema SDA. θ.106 Control PID SISO 5. con r(s) = R s . θ(s) Gc Gs (s) = r(s) 1 + Gc Gs (s) Por consiguiente: Kt (Kp s + Ki + Kd s2 ) θ(s) = r(s) Js3 + (B + Kd Kt )s2 + (K + Kt Kp )s + Kt Ki (5. 5. 5. El error en estado estable ess . (b) Sistema SDA simplificado. se determina empleando el teorema del valor final: ess = lims→0 se(s) De la Fig. Control PID del Sistema SDA La FT del sistema de despegue y aterrizaje SDA mostrada en la Fig. 5.49) La ecuaci´ on caracter´ ıstica est´ andar de un sistema de tercer orden se obtiene enseriando un sistema de segundo orden con uno de primer orden (un polo po ): 2 2 1 ωn ωn × = 2) 2 + 2ζω p )s + ω 2 p (s2 + 2ζωn s + ωn (s + po ) s3 + (2ζωn )s2 + (ωn n o n o (5. donde R es la amplitud de la entrada. 5.

5 0. Ki=po*wn^2*J/Kt. 5.45(a).9 0. po=10. % SISTEMA Gc=Kp+Ki/s+Kd*s.4 0. print -deps -f sdapida Mejora del Control PID del Sistema SDA El control de posici´ on del sistema SDA puede ser mejorado incluyendo un actuador.5 0.2 0. 5. s=tf(’s’). Kc = Ki = Kd = POSICIÓN ANGULAR CONTROLADA DEL SISTEMA SDA 1 2 + 2ζω p ) − K J (ωn n o Kt 2p J ωn o Kt 0. Kd=(-B+po*J+2*z*wn*J)/Kt. K=0.6 ÁNGULO 0.44: Salida controlada del sistema SDA empleando un controlador PID.048.’k’).4 0. PID=feedback(Gc*Gs.068.0373. title(’POSICI´ ON ANGULAR CONTROLADA DEL SISTEMA SDA’). L1=15. Kt=0.47).1). El voltaje de armadura Vm del motor CC se formula como: Vm = R m I m + L m dIm dt → Im (s) 1 = Vm (s) Lm s + R m .0108. La Fig.5. % sdapid1. % CONTROL PID step(PID.3 0. L2=5.m CONTROL PID. ylabel(’´ ANGULO’).49) y (5.0284. Gs=Kt/(J*s^2+B*s+K). mh=0. m2=0. xlabel(’TIEMPO [s]’). m1=0. tal como se observa en la la Fig. clc.2 0.6.27.44 muestra la salida del sistema controlada. 5. Kp=(-K+2*po*z*wn*J+wn^2*J)/(Kt).45(b).002.1 0 0 0.6 Control PID del Sistema SDA 107 Igualando las ecuaciones caracter´ ısticas de (5. J=0.7 0.m cuyo listado se muestra abajo. 5. z=B/(2*J*wn).035.6 Fig. PI-D Y PI-Dy EMPLEANDO LA CURVA DE REACCI ´ ON clear all.1 0.5. B=0. wn=sqrt(K/J). Lh=0.8 0.50) se obtienen los par´ ametros del controlador PID: 2ζωn J − B + po J Kt (5. close all.51) 2 y ζ se dan en (5. El actuador es un control PI de la corriente Im . donde ωn Este resultado se obtiene ejecutando el sdapid1.3 TIEMPO [s] (sec) 0. tal como se muestra en la Fig.

El Efecto Windup En toda implementaci´ on pr´ actica. es el causante del efecto denominado en ingl´ es windup (saturaci´ on). (b) Sistema SDA mejorado con la inclusi´ on del actuador de corriente .47.46 muestra el diagrama en Simulink empleado para explicar el efecto windup. la se˜ nal de salida del controlador debe de estar limitada por dos razones. 5. De la Fig. Lamentablemente este limitador.52) = Rm +Kpp 2 Ir (s) s + Kii s + Lm Lm Igualando la ecuaci´ on caracter´ ıstica (el polinomio del denominador) de (5. 5.108 Control PID SISO donde Lm es la inductancia de armadura y Rm es la corriente de armadura. Por estas razones es que debemos de introducir un limitador a la salida del controlador.45(a) se deduce: Kpp s+Kii I (s) Lm (5. 5. Ejecutando primero el programa windup. En esta situaci´ on. La Fig.7. G pi(s) Ir K pp + K ii s (a) Gc (s) e(s) Kp+ Ki s + Kd s I r (s) G a(s) I m(s) G s (s) Kt Js 2 + Bs + K Actuador (b) θ (s) Vm G i (s) 1 L ms + R m Im r(s) = R s Fig. 5. entonces el actuador de corriente asemeja a una ganancia igual a Im /Ir = 1.45: (a) Actuador de corriente Ga (s).mdl y luego el programa windupgraf. el cual se explica a continuaci´ on. 5. 5.44 sigue siendo v´ alida.m se obtiene la Fig. el resultado mostrado en la Fig.52) con la forma est´ andar de la ecuaci´ on caracter´ ıstica de un sistema de segundo orden: 2 s2 + 2ζωn s + ωn se obtienen los par´ ametros del controlador PI: Kpp = −Rm + 2ζωn Lm 2 Kii = ωn Lm (5. el cual es un elemento no lineal. La primera es que su magnitud no debe de exceder el rango permitido por el sistema de adquisici´ on de datos. y la segunda raz´ on es que su valor no debe de exceder el rango permitido por el actuador. en donde se observa que cuando ocurre un cambio .53) Cuando la corriente Im (t) sigue a la corriente de referencia constante Ir .

49.m. Los par´ ametros del controlador son los usuales: tiempo integral Ti . Este salto debe de evitarse y en este caso se dice que la conmutaci´ on de manual a autom´ atico debe de ser bumpless (sin saltos). el algoritmo de control debe de ejecutarse siempre.mdl y luego el programa antiwindupgraf. La salida y (t) del sistema controlado y la correspondiente fuerza de control u(t) se muestran en la Fig. el valor de la se˜ nal de control u(t) puede cambiar de un valor a otro. 5. Por otra parte. 5. tiempo derivativo Td y ganancia proporcional Kc . Esto causa que la salida y (t) se incremente continuamente hasta que se alcance el tiempo t2 . las cuales se obtienen ejecutando primero el programa antiwindup.47 que el efecto windup provoca un aumento del sobreimpulso y del tiempo de estabilizaci´ on en la se˜ nal controlada y (t).12 yi u u y 10 u Scope s4 +10s3 +35s2 +50s+24 Transfer Fcn y y um =3. . la se˜ nal de control u(t) permanece en el valor de saturaci´ on m´ aximo um . y la acci´ on negativa de la se˜ nal de error comience a tener efecto.mdl ILUSTRA EL EFECTO WINDUP yi Step =1 5 Kc=5 t Clock t yi 1 1. Para lograr conmutaci´ on sin saltos. provocando que la se˜ nal de control u(t) (segundo gr´ afico) alcance r´ apidamente el valor l´ ımite de saturaci´ on u m .12s Ti =1. el fen´ omeno windup no es tan notorio. no importando que la se˜ nal de error e sea cero. a´ un cuando la se˜ nal de control est´ e limitada. Por otro. a´ un en el caso en que la operaci´ on del sistema de control se encuentre en modo manual. Lo que se emplea es el c´ alculo recursivo como veremos m´ as adelante.7 El Efecto Windup 109 tipo escal´ on en la se˜ nal de referencia r(t) (primer gr´ afico).48.5 Fig. debido a que el algoritmo discreto no emplea la suma de los errores para generar el t´ ermino integral del controlador.46: Diagrama Simulink para explicar el efecto windup.5. lo cual genera una se˜ nal de error (1 − y (t)) negativa debido al valor grande de la se˜ nal y i en la salida del integrador. si el algoritmo PID empleado es del tipo discreto. windup . A pesar de que la se˜ nal de salida y (t) iguala al valor de referencia en el tiempo t1 . Esta correcci´ on se puede realizar en el correspondiente programa en tiempo real. Observar en el primer gr´ afico de la Fig. 5. cuando el controlador conmuta de manual a autom´ atico. Existen diversos m´ etodos para eliminar en gran medida el efecto windup en sistemas de control que emplean controladores PID continuos. la se˜ nal de error positiva inicial (1 − y (t)) se hace bastante grande. 5. Uno de estos m´ etodos se muestra en el diagrama Simulink de la Fig. el cual muestra un controlador PID con mecanismo anti windup.

m CONTROLADOR PID CON MECANISMO ANTI WINDUP.8. REF. 5. 1/1.2 GANANCIA 1/Ti Clock tt tt Scope uu uu 1.3 Kc SATURACIÓN 10 s4 +10s3 +35s2 +50s+24 SISTEMA A CONTROLAR yy yy 1 0.5s+1 FILTRO 0. Por ejemplo.47: Gr´ aficos para explicar el efecto windup. no podemos evitar la ocurrencia fortuita de cambios . Fig. 5. 5.1 Td du/dt DERIVADOR antiwindup .12) se puede modificar introduciendo ciertas caracter´ ısticas con la finalidad de que su rendimiento mejore sustancialmente. El Algoritmo PID Discreto Modificado La forma est´ andar del algoritmo PID mostrado en (5.110 EFECTO WIND UP t1 1 0 4 t2 2 0 Control PID SISO SALIDA y(t) 2 0 2 4 TIEMPO [s] 6 8 10 CONTROL u(t) 0 2 4 INTEGRADOR yi(t) TIEMPO [s] 6 8 10 10 5 0 0 2 4 TIEMPO [s] 6 8 10 Fig. EL FILTRO SE PUEDE SELECCIONAR A VOLUNTAD.48: Diagrama Simulink que muestra un controlador PID con mecanismo anti windup.2 1/Ti rr rr 1 s INTEGRADOR 1/1.

5. La se˜ nal de control ser´ a as´ ı menos ruidosa y la ganancia en alta frecuencia permanecer´ a dentro de cotas apropiadas.4 0. De esta forma. puede aproximarse mediante un t´ ermino de primer orden que posee una constante de tiempo Tf .8 0.4 1. 5.5 2 1. 5.2 0 0 1 2 3 4 5 TIEMPO [s] 6 7 8 9 10 3 2.2 SALIDA y(t) 1 0.8 El Algoritmo PID Discreto Modificado CONTROLADOR PID CON MECAISMO ANTI WINDUP 111 1.12) con dt = − dy dt se convierte en: dy 1 edt − Td u = Kd e + Ti dt Otra modificaci´ on importante es filtrar la acci´ on derivativa del controlador PID original mediante un filtro de primer (o segundo) orden para disminuir el ruido derivativo.49: Salida controlada y se˜ nal de control correspondiente a la Fig. (5. Por consiguiente.5 1 CONTROL u(t) 0 1 2 3 4 5 TIEMPO [s] 6 7 8 9 10 Fig. Esta caracter´ ıstica limita la amplificaci´ on del ruido de medici´ on de alta frecuencia en la salida del controlador. el cual a menudo se normaliza con respecto al tiempo derivativo Td . el derivador puro del algoritmo PID se modifica como sigue: Td s Td s 1 + Tf s Tf = Td N .48. los cuales pueden incrementar el t´ ermino derivativo: d de(t) = (r(t) − y (t)) dt dt Este fen´ omeno es conocido en ingl´ es como derivative kick (puntapi´ e derivativo) y su efecto se puede apaciguar si es que utilizamos como se˜ nal de entrada u ´nicamente de(t) (t) la se˜ nal realimentada y en lugar de e.6 0. ya que un derivador puro no es realizable. Un t´ ermino derivativo pr´ actico. bruscos del error e.

el algoritmo PID toma la forma: u(s) = Kc e(s) + P (s) = Kc e(s) Kc K c Td s e(s) − y (s) = P (s) + I (s) + D(s) Ti s 1 + Tf s Kc e(s) Ti s D(s) = − K c Td s y (s) 1 + Tf s Tf = (5. respectivamente.56) I (k ) = I (k − 1) + Kc T d s La parte derivativa D(s) = − 1+ Tf s y (s) se puede escribir como: (1 + Tf s)D(s) = −Kc Td s y (s) ˙ (t) e y y aproximando las derivadas D ˙ (t) por atraso (desplazamiento de k hacia (k −1)).57) respectivamente.56) y (5.57) El algoritmo PID discreto usado en las implementaciones en tiempo real resulta: u(k ) = P (k ) + I (k ) + D(k ) (5. el cual est´ a relacionado con el tiempo continuo t mediante la relaci´ on t = T k . Luego. I y D representan las partes proporcional. La parte proporcional P = Kc e(s) de (5. (5. o lo que es lo mismo: I (t) = is empleamos la aproximaci´ on trapezoidal (ver ejemplo A.55).46): Kc Ti (5. donde T es el tiempo de muestreo o discretizaci´ on. else u = v. elseif(v > uhigh). basado en un modelo con presencia de saturaci´ on con valores m´ aximo y m´ ınimo umax y ulow respectivamente: v = P + I + D. integral y derivativa del controlador PID modificado.54) se discretiza directamente.54) Td N I (s) = Los t´ erminos P . I (k ) D(k ) se dan en (5. u = uhigh.112 Control PID SISO donde N es una constante que var´ ıa de 3 a 10 y es conocida como la cota de la ganancia derivativa. se obtiene: D(k ) + Tf D(k ) − D(k − 1) = −Kc Td T y (k ) − y (k − 1) T ˙ (t) = −Kc Td y D(t) + Tf D ˙ (t) Despejando D(k ). if(v < ulow). la parte derivativa discreta queda entonces como: D(k ) = Td {D(k − 1) − Kc N [y (k ) − y (k − 1)]} N T + Td Tf = Td N (5. obteni´ endose: P = Kc e(k ) Kc Para la parte integral I (s) = T e(s). Sea k el tiempo discreto. .58) donde P (k ).55) t 0 e(t)dt Kc I (k ) = Ti k i=1 [e(i) + e(i − 1)] T 2 = Kc Ti k−1 i=1 T Kc [e(k ) + e(k − 1)] [e(i) + e(i − 1)] + 2 Ti T 2 Kc T [e(k ) + e(k − 1)] 2Ti (5. Tambi´ en se debe de incluir el efecto del limitador. u = ulow.

Ro = 0.5Ki 1. Jm = 1.9.5Kcrit 0.m CONTROL DE POSICION PID DEL MANIPULADOR MR1 clear all.5 T Kp T s + Kd s Tabla 5. Ejemplo 5.6 Kcrit − 0.5.5e-7.01. TI y TD . .035e-3.5Ki 0. Kact = 14.81. 5.06377. close all.38.15. Estas tablas Kp −τ s del sistema y no son v´ emplean la FT Gp (s) = 1+T alidas si τ /Ts ≈ 0 ni se se deben de aplicar si τ /Ts < 1/4.5Ts )2 K d = K c Td 0 0 0.8 El Algoritmo PID Discreto Modificado 113 Tabla 5.27 Kp (τ +0. Tipo P PI PID Kc + Controlador Gc (s) Kc Kc + Ki s Ki s 100 BP 1 T Kp τ +Ts 0. bL = 1e-5. Ya se han usado par´ ametros PID previamente determinados. existen reglas de sinton´ ıa para el caso discreto. a pesar de que no son tan usadas como en el caso continuo. Sin embargo. g = 9. bm = 1. % pidposfijo.14 y 5. Ki y Kd . entonces se pueden usar las reglas de sinton´ ıa para sistemas continuos discutidas anteriormente.m se describen todos los par´ ametros empleados en la ecuaci´ on de estado.5Ki ∞ + Kd s Si el tiempo de muestreo Ts es suficientemente peque˜ no. tal como las mostradas en las Tablas 5.2 T Kp τ +Ts − 0.15: M´ etodo de las oscilaciones sostenidas para hallar los par´ ametros K C .5Ts )2 Ts T 0.9062e-6.6 Kp (τ +0. % PARAMETROS DEL PROCESO NO LINEAL (TABLA 3.075Kcrit Tcrit Ts 0.50). las ecuaciones de estado del manipulador son: x ˙ 1 = x2 x ˙2 = − N B n2 KE nKact x2 − + x2 + u M M M Ra Ra M Soluci´ on: En el listado del programa pidposfijo. Ejecutando este programa se obtiene la respuesta pedida (Fig.9 T Kp τ +0. E = 31.24 Se desea controlar la posici´ on angular x1 de un manipulador empleando un algoritmo de control discreto PID.5Ki Kc = Ki = Kc /Ti 0 Ts T 0. clc.8338e-6.14: M´ etodo de la curva de reacci´ on para determinar los par´ ametros PID. K c .2 K Tcrit K d = K c Td 0 0 0.5Ts − 0. donde Ts es el tiempo de muestreo. Tipo P PI PID Kc + Controlador Gc (s) KC Kc + Ki s Ki s Kc = 100 BP Ki = Kc /Ti crit 0. m = 0. Ra = 7.54 K Tcrit crit 1.45 Kcrit − 0.3) JL = 3.

P = Kp*e. Nn = 10.045.01.Mm). Y(k) = x1. ylabel(’Posici´ on angular (rad)’) subplot(2. print -f -deps pidposfijo .071e-3. Tf=Td/Nn.01.64e-3.2 0 Control PID SISO 0 10 20 30 40 50 60 70 80 90 100 0. Jeff = n^2*Jm +JL.2). B = n^2*bm + bL. x2 = x2 + T*( -(N/M)*x1 . else u = v. elseif( v > uhigh). e = r .4 0. ******** LAZO DEL SISTEMA DE CONTROL ********* Mm = 5000. Dp=0.ejex. Ip = 0.24.Kp*Td*Nn*(x1 .Mm*T. v = P + I + D. end GRAFICOS ejex = linspace(0. I = Ip + T*Kp*(e+ep)/(2*Ti). PERIODO DE MUESTREO Y PARAMETROS PID T = 0. T = 0. M = Jeff + (1/3)*m*Lo^2 + Mo*Lo^2 + (2/5)*Mo*Ro^2. N = g*Lo*(Mo+m/2). Td = 0.6 0. x1p=0. R(k) = r. Nn = 10. ep = e.8 0.4. CONDICIONES INICIALES ep = 0. subplot(2. x1p=x1.5 Señal de control u (V) 0. Ip=I. grid. Lo = 0.1. Kp = 0.114 1 Posición angular (rad) 0.4 0. n = 19. ylabel(’Se~ nal de control u (V)’) xlabel(’Tiempo [s]’). x2 = 0. if(v < ulow).741.776.01. for k = 1:Mm r = 1.(B/M + n^2*K*E/(M*Ra))*x2 + (n*K*Kact/(Ra*M))*u ).Y).2 0. Mo = 0. 5.1) plot(ejex. u = uhigh. D = (Td/(Nn*T + Td))*Dp . MODELO DE SEGUNDO ORDEN DEL SISTMA (DISCRETIZACION DIRECTA) x1 = x1 + T*x2. x1 = 0.x1p)/(Nn*T + Td).50: Posici´ on angular controlada correspondinte al Ejemplo 5. L = 4.1. u = ulow.x1.R.1. end U(k) = u.1 0 0 10 20 30 40 50 Tiempo [s] 60 70 80 90 100 Fig.3 0. Ti = 0. uhigh = 5. grid. ulow = -5. % % % % % K = 31.U). plot(ejex.

Usar al menos una regla de sintonizaci´ on. Problema 5. para cada sistema.9 Problemas 115 5.4 Realizar los controles PID. PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) empleando SIMULINK. Problema 5. (T1 s + 1)(T2 s + 1) 4 (s + 1)5 Ga (s) = Gd (s) = Gf (s) = Gi (s) = 2 (s + 1)3 −3s + 2 (s + 1)3 2 −10s + 4 s − 3s + 6 Ge (s) = e−s/2 2 2 (s + 1)(s + 3s + 6)(s + s + 2) (s + 1)2 (s + 3)3 6 3 3 Gg (s) = e−s Gh (s) = e−2s (s + 1)6 (s + 1)(2s + 1) (s + 1)4 7 3s + 6 e−30s Gj (s) = e−s/10 (17s + 1)(6s + 1)3 (s + 1)(4s + 1) Gb (s) = Gc (s) = Problema 5. Usar al menos cinco distintas reglas de sintonizaci´ on para cada sistema. denominada rechazo al disturbio.104 T Kp . Problema 5.1 Las FTs Ga (s) hasta Gj (s) corresponden a sistemas a ser controlados.3 Realizar los controles PID.5 . El objetivo de control es que la se˜ nal controlada (la salida) tienda a cero en presencia de un disturbio tipo escal´ on a la entrada del sistema. El objetivo de control es que la se˜ nal controlada siga a una referencia constante.9. Problemas Problema 5. (Tn s + 1)n τ < 0. El objetivo de control es que la se˜ nal controlada siga a una referencia constante. PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) en el dominio del tiempo discreto k=t/T (T es el tiempo de muestreo) empleando MATLAB.104 T τ ≥ 0. distinta de las otras.5. PI–D y PI-Dy de los sistemas Ga (s) al Gj (s) en el dominio de s empleando MATLAB. En esta situaci´ on. Usar al menos tres distintas reglas de sintonizaci´ on para cada sistema.2 Realizar los controles PID. Determinar para cada una de ellas los siguientes modelos din´ amicos aproximados: GA (s) = Kp −τ s e Ts + 1 GC (s) = GB (s) = Kp . la se˜ nal de referencia es nula.

1s)3 (1 + 0. Tener en cuenta que para la situaci´ on descrita.5s)3 8 (s + 10)(s + 9)(s + 2) 4 2 s (s + 3) (s + 5)(s + 6) 4 2 s (1 + s) (1 + 2s)(1 + 0.6 Realizar los controles PI o PID seg´ un corresponda. PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) empleando SIMULINK.2s)4 (1 + 0. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada y = ω2 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.3s)3 9 (1 + 20s)(1 + 30s) (1 + 0. Usar al menos una regla de sintonizaci´ on.2s)4 (1 + 0.3s)3 5 (1 + 0.116 Control PID SISO Realizar los controles PID. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo.9 2 (1 + 20s) (1 + 0.8 Para el sistema del ejemplo ??.1s)3 (1 + 0.3s)2 (1 + 0. para cada sistema. y1 = x1 − x1e debe de ser nulo. dise˜ nar controladores PID.2s)(1 + 30s)(1 + 0.5s)3 6 (1 + s)(1 + 2s)(1 + 40s)(1 + 50s)(1 + 0. dise˜ nar controladores PID. Problema 5. denominada rechazo al disturbio. distinta de las otras.5s)2 3 s(1 + s)(1 + 2s)(1 + 40s)(1 + 0. El objetivo de control es que la se˜ nal controlada (la salida) tienda a cero en presencia de un disturbio tipo escal´ on a la entrada del sistema. la se˜ nal de referencia es nula.2s)4 (1 + 0.1s)(1 + 0.9s) . tiempo de estabilizaci´ on menor de 8 s y error en estado estable nulo. Problema 5.5s)2 2 s (1 + s)3 (1 + 2s)2 8 s(1 + 20s) (1 + 0. Gk (s) = Gl (s) = Gm (s) = Gn (s) = Go (s) = Gp (s) = Gq (s) = Gr (s) = Gs (s) = Gt (s) = Problema 5.7 Para el sistema del ejemplo ??. En esta situaci´ on. de los sistemas G k (s) al Gt (s) empleando el m´ etodo de Kessler. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada x1 debe de seguir a la se˜ nal en estado estable x1e con un porcentaje de de sobrenivel menor del 5 %. Problema 5.

14(c). Problema 5. ??(b). PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada θ debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.12 Para el sistema del ejemplo ??. . PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada q3 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. dise˜ nar controladores PID. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo. Problema 5. dise˜ nar controladores PID. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo. Problema 5. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada x1 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. Problema 5. 2.13 Para el sistema del problema ??. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo. tiempo de estabilizaci´ on menor de 4 s y error en estado estable nulo. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada iR debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada ω debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. tiempo de estabilizaci´ on menor de 10 s y error en estado estable nulo.9 Problemas 117 Para el sistema del ejemplo ??.11 Para el sistema de la Fig. Problema 5.14 Para el sistema del problema ??.5. dise˜ nar controladores PID. dise˜ nar controladores PID. dise˜ nar controladores PID. dise˜ nar controladores PID. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada ω debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.10 Para el sistema de la Fig.

.

1(a) muestra un sistema que comprende un tanque cerrado al cual ingresa un producto que queremos calentar a una temperatura r (el valor deseado o set point).Cap´ ıtulo 6 Otras Estrategias de Control Este Cap´ ıtulo 6. . El flujo de agua caliente y2 se emplea como una variable para satisfacer los requerimientos de temperatura del producto. 6. el algoritmo de control alojado en el bloque Controlador.1(c). con el primer lazo. requerida por la v´ alvula de control. en la cual. En muchas aplicaciones. En este lazo de control realimentado simple. Observar la presencia de la se˜ nal de error e = r − y en este diagrama. usando el controlador C1 . el cual se supone que es electr´ onico. ingresa al bloque convertidor para ser transformada en una se˜ nal normalizada requerida por el controlador. Para este prop´ osito se emplea el sobrecalentador. genera la se˜ nal de control u procesando la se˜ nal de error e. 6.1(c). Con el segundo lazo. M1 y M2 son bloques de medici´ on. Notar que la salida u1 de C1 es la se˜ nal de referencia r2 del controlador C2 . donde P1 m´ as P2 forman el proceso. medida con una termoresistencia (representada con una T que ingresa al tanque). Control en Cascada La Fig. respectivamente. se requiere crear un nuevo lazo de realimentaci´ on. De hecho.1(b) muestra el diagrama de bloques del circuito de control descrito. la temperatura y 1 del producto es la m´ as importante. la temperatura y . De las dos variables controladas en la Fig. Este controlador genera la se˜ nal de control u.1(d) muestra el diagrama de bloques del sistema de control en cascada. el cual recibe la energ´ ıa t´ ermica que trae consigo el flujo de agua caliente que tambi´ en pasa por la v´ alvula de control de tipo neum´ atica.1(a). tal como se muestra en la Fig. 6. y C1 y C2 son los controladores que procesan los errores e1 = r1 − y1 y e2 = r2 − y2 . 6. se desea que la temperatura y1 del producto siga a una referencia r1 . La Fig.1. como el de la Fig. 6. Para ello. el control en cascada es una estrategia que mejora significativamente el rendimiento de un lazo de control realimentado simple. se desea que el flujo de agua caliente y2 siga a una referencia r2 empleando el controlador C2 . la cual se convierte a una se˜ nal neum´ atica normalizada. La Fig. 6.

El controlador que controla la variable controlada secundaria. recibe el nombre de controlador esclavo. en un sistema con tres lazos de control en cascada. y ´ este tiene que ser m´ as r´ apido que el primario. (c) y su diagrama de bloques (d). el lazo terciario debe de ser m´ as r´ apido que el secundario. Circuito de Control en cascada. Sintonizar el lazo de control primario empleando el m´ etodo de la ganancia l´ ımite. Por lo com´ un se prefiere usar la terminolog´ ıa primario/secundario para referirse a los lazos de control primario y secundario controlados por los controladores primario y secundario. Tener en cuenta que el lazo de control secundario es parte del lazo de control primario. Se sugiere el siguiente procedimiento de dise˜ no: 1. 6. Esta filosof´ ıa de dise˜ no se puede generalizar para cualquier cantidad de lazos en cascada. 4. externo o principal. Realizar post–sinton´ ıa si fuera necesario. respectivamente. Sintonizar el lazo de control secundario empleando el m´ etodo de la ganancia l´ ımite. En el control en cascada. Por ejemplo. C1 en este caso. La filosof´ ıa de dise˜ no en un sistema de control en cascada consiste en que el lazo de control secundario debe de ser m´ as r´ apido (alrededor de cinco veces) que el primario. Construir el sistema de control en cascada definiendo los lazos de control primario y secundario. Para sistemas de control con m´ as de dos lazos en cascada.120 r y Producto (a) r1 y1 u 2 Producto (c) Otras Estrategias de Control Controlador u Convertidor Agua caliente C1 u 1= r 2 C2 y2 Agua caliente (b) r1 e1 u1 r e Controlador u Proceso P y Medición C1 e 2 C2 u2 P2 y2 P1 y1 u 1= r 2 M2 M1 (d) Fig. el controlador que controla la variable controlada principal. Determinar el modelo din´ amico del proceso o planta a controlar. Realizar post–sinton´ ıa si fuera necesario. interno o secundario. la extensi´ on es autom´ atica. Ejemplo 6.1: Circuito de control simple (a) y su diagrama de bloques (b).1 . C 2 en este caso. 3. es conocido como controlador maestro. 5. 2. Construir un lazo de control simple y sintonizar el controlador PID empleando cualquier m´ etodo. Realizar post–sinton´ ıa si fuera necesario. lo cual es un requisito que cae por su propio peso.

1(d).1 Control en Cascada 121 Determinar la respuesta controlada del sistema realimentado simple de la Fig. Para controlar el proceso emplearemos el m´ etodo de la oscilaci´ on l´ ımite de Ziegler y Nichols.6. 6.18.5.2 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene haciendo que el controlador C en la Fig.8 (4s + 1)(s + 1) Cabe anotar que 3/(0. El gr´ afico superior de la Fig. que M1 = M2 = 1.5 0 0 5 10 15 20 TIEMPOx60 (sec) 25 30 35 40 SALIDA CONTROLADA 60 TEMPERATURA °C 50 40 30 20 10 0 0 10 20 30 TIEMPOx60 (sec) 40 50 60 Fig.2 ilustra la salida y controlada.2s + 1) (3s + 1)(s + 1)) P1 (s) = 0. donde: P2 (s) = 3 1 (0.m CONTROL PI DEL LAZO SIMPLE V´ IA LA OSCILACI´ ON SOSTENIDA . Con tales valores se calculan los par´ ametros del controlador PI empleando la Tabla 5. 6. que r = r1 = 50o C.m listado abajo.18 (gr´ afico superior) y respuesta controlada (gr´ afico inferior) para el caso control con lazo simple del ejemplo 6. 6. OSCILACIÓN SOSTENIDA 2 1. % casc1a.1. sabiendo que los controladores son del tipo PI.2: Oscilaciones sostenidas para Kcrit = 2. 6.2s + 1) es la FT de la v´ alvula de control.1(b) y compararla con la respuesta controlada del sistema de control en cascada ilustrado en la Fig. 6. luego de realizar una postsinton´ ıa. Tales resultados se obtienen ejecutando el programa casc1a.5 y(t) 1 0. y que: P (s) = P2 (s) × P1 (s). El gr´ afico inferior de la Fig. 6. Soluci´ on: El modelo din´ amico del proceso ha sido proporcionado en el enunciado del problema. Notar que la oscilaci´ on posee un per´ ıodo Tcrit = 12.1(b) trabaje en modo proporcional con una ganancia Kcrit = 2.6.

Con tales valores se calculan los par´ ametros del controlador PI empleando la Tabla 5. El dise˜ no del control PI del lazo primario es similar al del secundario: se genera una oscilaci´ on sostenida (tercer gr´ afico de la Fig. Ti=0. xlabel(’TIEMPOx60’).60).45*Kcrit1. % PAR ´ AMETROS PI CON POSTSINTON´ IA C=Kc*(1+1/(Ti*s)). 6. clc.1*0. grid. step(SIMPLE.8/((4*s+1)*(s+1)). xlabel(’TIEMPOx60’). El primer gr´ afico de la Fig. print -deps -f casc1b Observar que el rendimiento del sistema de control en cascada es mejor porque la temperatura se estabiliza en aproximadamente 22 min (gr´ afico inferior de la Fig. subplot(412). Ti2=0. Ti1=0. se estabiliza en 30 min.8*0. grid. % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit2=8.53 Kc2=0. P=P1*P2. G_c=feedback(Kcrit*P. % FT LAZO SECUNDARIO CON Kcrit2 subplot(411). ylabel(’TEMPERATURA ◦ C’). step(Gp1. mientras que para el caso de realimentaci´ on simple mostrado en el gr´ afico inferior de la Fig. % CONTROL CASCADA subplot(414). grid. ylabel(’y1(t)’) Tcrit1=13. luego de realizar una postsinton´ ıa.18.45*Kcrit2. xlabel(’TIEMPOx60’). close all.65*0. title(’CONTROL DEL LAZO SECUNDARIO’) Kcrit1=3. % FT LAZO PRIMARIO CON Kcrit1 subplot(413). print -deps -f casc1a El diagrama de bloques del sistema de control en cascada se muestra en la Fig. % PAR ´ AMETROS PI C1=Kc1*(1+1/(Ti1*s)). step(G_c.5. se calculan los par´ ametros del controlador C1 .1).6. title(’OSCILACI´ ON SOSTENIDA’). s=tf(’s’). 6. % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit1=3. step(CASCADA). Notar que la oscilaci´ on posee un per´ ıodo Tcrit2 = 2. 6. xlabel(’TIEMPOx60’).2.3 ilustra la salida y2 (t) controlada. El lazo de control primario incluye en su estructura el lazo de control secundario descrito arriba. % P: PROCESO Kcrit=2.1(d) trabaje en modo proporcional con ganancia Kcrit2 = 8.m CONTROL EN CASCADA clear all.45*Kcrit. El gr´ afico inferior de la Fig. xlabel(’TIEMPOx60’).122 Otras Estrategias de Control clear all.1(d). Todos estos resultados se obtienen ejecutando el programa casc1b.40).53.85*Tcrit.2 Kc1=0.4 y Tcrit1 = 13 determinados.10). step(Gs2). Gp1=feedback(Kcrit1*Gs2*P1.3 ilustra la salida y1 controlada. El lazo de control secundario se realiza como sigue.85*Tcrit2.3 muestra la respuesta al escal´ on a manera de una oscilaci´ on sostenida que se obtiene haciendo que el controlador C2 en la Fig. ylabel(’y2(t)’). 6. s=tf(’s’). Gs2=feedback(C2*P2.2*s+1)*(3*s+1)*(s+1)). es mayor que la .1). % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit=2.85*Tcrit1. Se debe notar tambi´ en que el per´ ıodo de oscilaci´ on cr´ ıtica del lazo primario mostrado en el primer gr´ afico de la Fig. P1=0. tal como se explica en el listado del programa casc1b. ylabel(’y2(t)’).1). 6.3). 6. title(’OSCILACI´ ON DEL LAZO SECUNDARIO’) Tcrit2=2. El segundo gr´ afico de la Fig. grid. Gs1=feedback(Kcrit2*P2. 6.4. % CONTROL LAZO SIMPLE subplot(212).1).1). C2=Kc2*(1+1/(Ti2*s)). close all. grid.m. subplot(211). title(’SALIDA CONTROLADA’).4. title(’SALIDA CONTROLADA EN CASCADA’).2.2*s+1)*(3*s+1)*(s+1)). la cual se logra realizando post–sinton´ ıa.8/((4*s+1)*(s+1)). P2=3/((0.40). % casc1b.53. title(’OSCILACI ´ ON DEL LAZO PRIMARIO’).18 Kc=0. grid. 6.3. clc. Kcrit2=8. 6. P2=3/((0. step(Gs1. CASCADA=50*feedback(C1*Gs2*P1.3) y con los par´ ametros Kcrit1 = 3. SIMPLE=50*feedback(C*P. xlabel(’TIEMPOx60’). P1=0.1). ylabel(’TEMPERATURA ◦ C’). ylabel(’y(t)’) Tcrit=12.m listado abajo.

4.3: Resultados para el caso control en cascada del ejemplo 6. Por otro lado. Control de la Raz´ on El control de la raz´ on se refiere generalmente a controlar (mantener) la raz´ on entre dos flujos lo m´ as constante posible.41 Tcrit1 2.6. tal como el mostrado en la Fig. 6. . t´ ecnica bastante utilizada en las torres de destilaci´ on.1. el lazo controlado. 6.3) en una relaci´ on: 13 Tcrit = = 5. Control de la composici´ on de un producto. del lazo secundario (tercer gr´ afico de la Fig. en donde se ubica el flujo q2 . es denominado lazo secundario. Entre ellas: Mezcla o fundici´ on de dos o m´ as componentes.2. es conocido como el flujo salvaje. el flujo q1 correspondiente al lazo no controlado.4 6. 6. El control de la raz´ on encuentra muchas aplicaciones en la industria. Control de la raz´ on aire–combustible para la combusti´ on. En el esquema de raz´ on m´ as difundido.2 Control de la Raz´ on SISTEMA DE CONTROL EN CASCADA 2 y2(t) 1 0 123 0 1 2 3 4 5 6 TIEMPOx60 (sec) CONTROL DEL LAZO SECUNDARIO 7 8 9 10 2 y2(t) 1 0 0 5 10 15 TIEMPOx60 (sec) OSCILACIÓN DEL LAZO PRIMARIO 20 25 2 y1(t) 1 0 TEMPERATURA °C 0 5 10 15 20 25 TIEMPOx60 (sec) SALIDA CONTROLADA EN CASCADA 30 35 40 100 50 0 0 10 20 30 40 TIEMPOx60 (sec) 50 60 70 Fig.

Notar que se ha incluido la FT de la v´ alvula de control. Esto es: q2 /q1 = V = 10. xlabel(’TIEMPO [s]’).y2. Soluci´ on: La Fig.m cuyo listado se muestra abajo. 6. El flujo de aire y1 ha sido considerado como un flujo que var´ ıa en forma sinusoidal para mayor generalidad. 6. la filosof´ ıa de control de la raz´ on se basa en las relaciones siguientes (ver Fig. El proceso flujo y2 se modela como una constante proporcional.124 Otras Estrategias de Control Observar en la Fig. 6. La Fig. print -s -deps razon1s .th. 6.V). cuando: e2 = V y 1 − y 2 = 0 V = y2 y1 V y1 r2 u y2 q2 q1 Qemador Horno Fig. load y1.th.2 Dise˜ nar y simular el sistema de control que mantenga la raz´ on combustible–aire en 10 en la Fig. 6. load y2. % razon1graf. Observar que la raz´ on V(t) se mantiene en el valor 10 previamente establecido. close all.4): r2 = V y 1 e2 = r 2 − y 2 = V y 1 − y 2 El lazo secundario se controla cuando el error e2 tienda a cero.4. Ejemplo 6. load th. Por otro lado.5 muestra el diagrama Simulink correspondiente a la Fig.4: Esquema m´ as difundido del control de la raz´ on. title(’CONTROL DE LA RAZ´ ON V = y2/y1’) print -f -deps razon1r.m clear all. Para mantener la raz´ on V en 10.4 que los flujos q1 y q2 se miden empleando placas de orificio. las cuales usan el principio de que el flujo es proporcional a la ra´ ız cuadrada de la diferencia de presi´ on producida por la placa. load V.6 muestra el resultado de la simulaci´ on que se obtiene ejecutando el archivo razon1graf.4. 6. plot(th.y1. clc. ylabel(’RAZ¨ ON V(t)’). Es decir. se ha usado un controlador PI con par´ ametros P = Kc = 1 e I = Kc /Ti = 4. 6.

Control Anticipativo La principal desventaja en los sistemas de control por retroalimentiici´ on radica en el hecho de que cuando un disturbio ingresa al proceso.6. 6. ´ este se propaga por todo el proceso forzando que la variable controlada se desv´ ıe del punto deseado o de referencia.3 Control Anticipativo 125 razon1.5s+1 Válvula + caudal y 2 y2 Product Scope Fig. Para tales situaciones resulta u ´til el control anticipativo. 6. antes de que aparezca una acci´ on correctiva que compense el efecto de tal disturbio. 6. Con esta estrategia de control. 6. lo cual no se logra s´ olo con el control por realimentaci´ on. en muchos casos se puede tolerar temporalmente un error entre la se˜ nal controlada y la se˜ nal deseada. lo cual permite calcular por adelantado la se˜ nal de control requerida para mantener . Sin embargo.2. Por cierto.6: Resultado de la simulaci´ on correspondiente al Ejemplo 6. los disturbios se miden antes de que ingresen al proceso. 45 40 35 30 RAZÖN V(t) 25 20 15 10 CONTROL DE LA RAZÓN V = y2/y1 y2(t) V = 10 y1(t) 5 0 0 200 400 600 TIEMPO [s] 800 1000 Fig.mdl y1 y1 Aire r2 10 Set V Producto y2 y2 e2 PID PI Controller 1 u Inversa 1/y1 V=y2/y1 V Clock th th 2 0.4. existen aplicaciones en donde el error debe de ser m´ ınimo m´ ınimo en presencia de disturbios.3.5: Diagrama Simulink correspondiente a la Fig.

El primero ocurre cuando el grado del polinomio del denominador de Gp (s) es mayor que el grado del polinomio del denominador de Gd (s). Adem´ as. en presencia de errores de modelado. El sistema de control anticipativo trabaja bien siempre que Gp (s) y Gd (s) representen lo m´ as fiel posible al proceso y al disturbio. c y f son constantes. Evidentemente.126 Otras Estrategias de Control la variable controlada en el valor deseado y sin la presencia de disturbios. b. 6. Ga (s) y Gd (s) son las funciones de transferencia del proceso.7 se deduce: y = Gp (s)u + Gd (s)d = Gp (s)Ga (s)d + Gd (s)d = [Gp Ga (s) + Gd (s)] d La ecuaci´ on anterior ilustra el efecto de la presencia del disturbio d en el sistema. del controlador anticipativo y del disturbio respectivamente. 6. Si queremos eliminar este efecto. d. de control y de salida respectivamente. haciendo y = 0: 0 = Gp Ga (s) + Gd (s) Ga (s) = − Gd (s) Gp (s) Para tener una idea m´ as clara de la estructura del controlador anticipativo G a (s) dise˜ nado. asumamos que: Gp (s) = Por consiguiente: Ga (s) = − Gd (s) Kd Tp s + 1 (τp −τd )s =− e Gp (s) K p Td s + 1 Kp e−τp s Tp s + 1 Gd (s) = Kd e−τd s Td s + 1 En conclusi´ on. De la Fig. Es decir.7 muestra el diagrama de bloques de un sistema de control anticipativo donde Gp (s). sean: Gp (s) = s2 1 + bs + c Gd (s) = 1 s+f donde a. d Gd(s) u y Ga(s) Gp(s) Fig. u e y son las se˜ nales disturbio. 6. El controlador anticipativo se calcula como: Ga (s) = − s2 + bs + c Gd (s) =− Gp (s) s+f . La Fig. Por ejemplo. el controlador anticipativo resulta ser un compensador de adelanto– atraso.7: Sistema de control anticipativo. Existen dos casos notables para los que no se debe de emplear el control anticipativo. entonces dicha ecuaci´ on deber´ ıa de anularse. el desempe˜ no del sistema de control anticipativo va a disminuir.

close all.m clear all. plot(th. load u. plot(th.th. load th. ylabel(’d(t). clc. En el dise˜ no de Ga (s) puede resultar en una funci´ on de transferencia inestable. title(’VARIABLES d(t) y u(t) EN EL CONTROL ANTICIPATIVO’) subplot(212). El controlador anticipativo se determina de: Ga (s) = − Gd (s) 2. load d.y).8 muestra el diagrama Simulink correspondiente a la Fig. Observar en el gr´ afico inferior que la salida controlada y (t) tiende a cero. load y.m cuyo listado se muestra abajo. Por ejemplo.7 para: Gd (s) = 5 2s + 1 Gp (s) = 3 0. cuando posee al menos un cero positivo.5s + 5 =− Gp (s) 6s + 3 La Fig. por lo tanto no implementable. Es decir. 6. xlabel(’TIEMPO [s]’). El segundo caso ocurre cuando el tiempo muerto τp del modelo de la planta es mayor que el tiempo muerto τd del modelo del disturbio.u(t)’). print -s -deps antic1s . Esto sucede cuando el modelo Gp (s) del proceso no es de m´ ınima fase.3 Control Anticipativo 127 Lamentablemente. 6. y (t) no est´ a afectada por el disturbio. ylabel(’y(t)’).3 Dise˜ nar y simular el sistema de control anticipativo mostrado en la Fig. 6. % antic1graf.9 muestra el resultado de la simulaci´ on que se obtiene ejecutando el archivo antic1graf.7. si: Gd (s) = Entonces: Ga (s) = − s2 1 e−s + bs + c Gp (s) = 1 e−2s s+f s+f Gd (s) =− 2 es Gp (s) s + bs + c Notar que el controlador anticipativo resultante es no implementable f´ ısicamente debido a que su tiempo muerto es positivo. Es decir. xlabel(’TIEMPO [s]’). Para ilustrar esta situaci´ on asumamos que (notar que Gp (s) es de m´ ınima fase): Gp (s) = s−1 s+1 Gd (s) = 1 4s + 1 que resulta en el siguiente controlador anticipativo inestable: Ga (s) = − Ejemplo 6. title(’SALIDA CONTROLADA y(t)’) print -f -deps antic1r.6. el controlador Ga (s) resultante es f´ ısicamente no realizable.5s + 1 Gd (s) s+1 =− Gp (s) (s − 1)(4s + 1) Soluci´ on: La Fig.d. 6. subplot(211).u).

que si deseamos sacar ventaja de las bondades de cada uno de los esquemas descritos. tal como se trata en el el siguiente ejemplo. el control realimentado puede rechazar el efecto de los disturbios no medibles sobre la se˜ nal controlada.7. Cae entonces por su propio peso. 2 1 d(t). 6. as´ ı como tambi´ en corregir el efecto de los errores de modelado en el lazo de control. ??. El disturbio d2 se incluye para dar mayor generalidad al problema.5s+1 Gp(s) Clock th th Fig.128 Otras Estrategias de Control antic 1. debemos de aplicar simult´ aneamente control anticipativo y control realimentado . 6. tal como se ilustra en la Fig. Control Anticipativo–Realimentado El control anticipativo posee la capacidad de eliminar el efecto de los disturbios medibles que act´ uan sobre la se˜ nal controlada. mientras que d2 es un disturbio no medible pero con FT Gd1(s) conocida. donde d 1 es un disturbio medible con FT Gd1(s) conocida.3.5s− 5 6s+3 Ga(s) u d Scope 1 y 3 0. 6.8: Diagrama Simulink correspondiente a la Fig.mdl d d 5 2s+1 Gd(s) − 2.9: Resultado de la simulaci´ on correspondiente al Ejemplo 6.u(t) 0 −1 −2 0 x 10 −3 VARIABLES d(t) y u(t) EN EL CONTROL ANTICIPATIVO u d 200 2 0 y(t) −2 −4 −6 400 600 TIEMPO [s] SALIDA CONTROLADA y(t) 800 1000 0 200 400 600 TIEMPO [s] 800 1000 Fig. . Por otro lado.

6.10. y (t) no est´ a afectada por el disturbio. El controlador anticipativo se determina de: Ga (s) = − 3 0. 6.8s + 1 Gd1 (s) = 3e−3s 5s + 1 Gd2 (s) = 6e−5s 9s + 1 Soluci´ on: La Fig.8s + 1 −s Gd1 (s) =− e Gp (s) 5 5s + 1 La Fig. anticreal 1.10 cuando: Gp (s) = 5e−2s 0.3 Control Anticipativo d1 Gd1(s) G a (s) r e G c (s) d2 u G p (s) Gd2(s) y 129 Fig.11: Diagrama Simulink correspondiente a la Fig. 6. 6. 6. Ejemplo 6.11 muestra el diagrama Simulink correspondiente a la Fig.4 Dise˜ nar y simular el sistema de control anticipativo–realimentado mostrado en la Fig.8s+1 Gp(s) 6 9s+1 Gd1(s)1 Tiempo muerto : 5 Tiempo muerto : 2 Scope r th Clock th y Fig. Observar en el gr´ afico inferior que la salida controlada y (t) sigue a la referencia r(t) a pesar de la presencia simult´ anea de los disturbios d1 (t) y d2 (t). 6. .mdl 3 d1 d1 5s+1 Gd1(s) − 4. 6.6 5s+1 Ga(s) PID r = 10 Gc(s) d2 Tiempo muerto : 1 Tiempo muerto : 3 u 5 0.10: Esquema de control anticipativo m´ as control realimentado.8s− 0. Es decir.10.12 muestra el resultado de la simulaci´ on que se obtiene ejecutando el archivo anticreal1graf.m cuyo listado se muestra abajo. 6.

es una estrategia de control que consiste en mantener las variables del proceso bajo control dentro de ciertos limites. grid subplot(212). tales como el HSS (High Selector Switch) y el LSS (Low Selector Switch).th.’k’.13 muestra una aplicaci´ on del control selectivo en un sistema de bombeo de producto. subplot(211). evita que ocurran da˜ nos tanto en el proceso como en el producto. load y. Limitando la variable de un proceso en un valor alto o bajo. ylabel(’u(t)’).m clear all.4. ylabel(’y(t)’). donde PT representa un transmisor de presi´ on.r. Las Figs. % anticreal1graf. 6. .’k’).’k’). xlabel(’TIEMPO [s]’). generalmente para prop´ ositos de protecci´ on. dado que la letra Y indica realizar un procesamiento relacionado con P (la presi´ on). title(’SALIDA y(t) CONTROLADA’).13(a) y (b) ilustran el diagrama de instrumentaci´ on y el diagrama de bloques del sistema de control respectivamente.4.130 Otras Estrategias de Control SALIDA y(t) CONTROLADA 14 12 10 y(t) 8 6 4 2 0 0 20 40 60 80 100 TIEMPO [s] CONTROL u(t) 120 140 160 180 200 3. Control Selectivo El control selectivo. title(’CONTROL u(t)’). 6. 6. Dichas variables se limitan empleando ciertos tipos de conmutadores de selecci´ on. load th. print -s -deps anticreal1s 6. plot(th.5 3 2.5 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 Fig. clc. La Fig. plot(th. es el conmutador de selecci´ on.12: Resultado de la simulaci´ on correspondiente al Ejemplo 6. close all. load r.5 u(t) 2 1. grid print -f -deps anticreal1r. en este caso. load u. PIC significa indicaci´ on y control de la variable presi´ on y PY.y. xlabel(’TIEMPO [s]’).5 1 0.u.

PIC PIC LAZO 2 PT PT LAZO 1 PY IMPULSION ASPIRACION BOMBA (a) TRANSMISOR DE IMPULSION CONTROLADOR DE IMPULSION CONMUTADOR SELECTOR CONTROLADOR DE ASPIRACION TRANSMISOR LAZO 2 LAZO 1 VALVULA DE CONTROL VALVULA DE CONTROL PROCESO PRESION IMPULSION PROCESO PRESION ASPIRACION (b) DE ASPIRACION Fig. 6. En este caso. . el conmutador hace que entre en operaci´ on el lazo de control de la aspiraci´ on. en donde el conmutador selector LSS har´ a la conmutaci´ on del lazo de control de presi´ on (Lazo 1) al lazo de control de nivel (Lazo 2). En operaci´ on normal. entonces act´ ua el conmutador selector para que entre en funcionamiento el lazo de aspiraci´ on en lugar del de impulsi´ on. La Fig. cae la presi´ on de aspiraci´ on de la bomba por debajo del l´ ımite de seguridad.14 muestra otra aplicaci´ on del control selectivo aplicado a un generador de vapor. Si la presi´ on de aspiraci´ on baja demasiado hasta llegar a ser inferior a su set point. Esta conmutaci´ on tambi´ en provoca que se cierre la valvula de control. cuando el el nivel del liquido en el hervidor caiga por debajo del nivel permisible previamente establecido.13: Estrategia control selectivo aplicado al bombeo. En principio. 6. entonces el controlador de aspiraci´ on genera una se˜ nal que es inferior a la que sale del controlador de impulsion. el conmutador es del tipo LSS (Low Selector Switch). la presi´ on se controla con el lazo de impulsion. el set point del controlador de aspiraci´ on tiene que ser inferior a los valores normales de trabajo. el conmutador selecciona la m´ ınima de las dos se˜ nales que le llegan. Adem´ as. En condiciones normales. El conmutador selector trabaja como sigue. la se˜ nal de salida del controlador de impulsion alcanza sus valores de trabajo. Si por alguna circunstancia de falla. En esta situaci´ on.4 Control Selectivo 131 Observar que existen dos lazos de control de presi´ on. uno para la aspiraci´ on y el otro para la impulsion.6.

3.15 al cual ingresa un producto gaseoso A. mostrado en la Fig. Un ejemplo t´ ıpico es el caso de un reactor. 6. 6.15) como sigue. 6.5.132 Otras Estrategias de Control LIMEA DE DESCARGA LINEA DE VAPOR PT LAZO 2 LAZO 1 LT AGUA LC LSS PC CALEFACTOR (a) TRANSMISOR DE PRESION CONTROLADOR DE PRESION CONMUTADOR LSS CONTROLADOR DE NIVEL TRANSMISOR LAZO 1 VALVULA DE CONTROL VALVULA DE CONTROL LAZO 2 PROCESO PRESION PROCESO NIVEL (b) DE NIVEL Fig. 6. se aplica cuando se desea que la se˜ nal o fuerza de control manipule dos o m´ as actuadores (por ejemplo. VA permanece abierta al 100 % y VB cerrada. y sale un producto B resultante de la reacci´ on.15. Control de Rango Partido El control de rango partido. 6. denominado tambi´ en de gama partida o split range en ingl´ es. altas. El objetivo de control es mantener constante la presi´ on P dentro del reactor mediante la acci´ on programada de las v´ alvulas VA y VB (ver Fig. . intermedias. 2. bajas. VA permanece cerrada y VB abierta. En presencia de presiones: 1.14: Estrategia control selectivo aplicado a un generador de vapor. dos v´ alvulas de control). En esta situaci´ on. el n´ umero de variables de control es mayor que el n´ umero de variables controladas. la abertura de cada v´ alvula se determina del gr´ afico de la Fig.

6. 6. .15: Estrategia rango partido aplicado a un reactor.5 Control de Rango Partido 133 uA Selector uB 100% Abertura de válvula 0% VA VB Pr VA P Reactor VB P 3 7.5 u 15 psig Fig.5 u 9 11.

.

Exactitud est´ atica. como es el caso del control de velocidad o de posici´ on en un motor CC. 7. En general.1 muestra el diagrama de bloques del sistema de control MIMO. de donde se pueden deducir las siguientes relaciones: y(s) = Gp (s)u(s) y(s) = Gp Gc (s)e(s) u(s) = Gc (s)e(s) e(s) = r(s) − y(s) (7. u es el vector fuerza de control de orden m e y es el vector de salidas controladas de orden p. que sistemas representados por modelos MIMO requieren tambi´ en para su control. Tal dise˜ no debe de cumplir los siguientes requerimientos: 1. las variables de salida y de entrada que caracterizan un sistema. La Fig. Para explicar cada uno de tales requerimientos. La t´ ecnica para modelar esta interacci´ on es emplear modelos din´ amicos multivariables o MIMO (Multiple–Input–Multiple–Output).1. pueden presentar cierto grado de interacci´ on entre ellas. Dos o m´ as controladores PID SISO tambi´ en forman parte de los sistemas multilazo.1) donde x es el vector de estado de orden n. 2. Es claro.3)) del sistema MIMO.3) . por ejemplo en los controles tipo cascada o control de la relaci´ on de dos variables. 3.Cap´ ıtulo 7 Control PID Multivariable El controlador SISO se aplica a sistemas o sub–sistemas caracterizados por tener una entrada y una salida de control. 7. Estabilidad. En este cap´ ıtulo se desarrollan tres t´ ecnicas de dise˜ no de controladores PID MIMO. Control MIMO v´ ıa Desacoplamiento El controlador MIMO a dise˜ nar requiere de la representaci´ on lineal en el espacio de estado (ecuaci´ on (7. formulemos las ecuaciones de estado y de salida del sistema MIMO: ˙ = Ax + Bu x y = Cx + Du (7.1)) o en el dominio de Laplace (ecuaci´ on (7.2) (7. No interacci´ on. controladores MIMO.

.1: Diagrama de bloques de un sistema de control PID MIMO.1) toma la forma: sx = Ax + Bu x(s) = (sI − A)−1 Bu y(s) = Cx(s) + Du(s) Reemplazando la expresi´ on de x(s) en la expresi´ on de y(s). 7. Gc (s) es la matriz de transferencia del controlador.5) 7. el sistema representado en (7. . se requiere que G(s) sea diagonal. esto es: Gij = 0 para i = j (7. donde Gp (s) es la matriz de transferencia del sistema. G(s) =   .1. Este u ´ltimo requerimiento es f´ acil de probar. . Gp1 (s) · · · Gpp (s) En el dominio de Laplace y para condiciones iniciales nulas.4) donde G(s) y Go son las matrices de transferencia de lazo cerrado y de lazo abierto del sistema. se obtiene la matriz de transferencia Gp (s) del sistema en funci´ on de las matrices de su descripci´ on de estado A.1.6) Una condici´ on necesaria y suficiente para no interacci´ on en un sistema de control MIMO con realimentaci´ on unitaria es que la matriz de transferencia a lazo abierto Go (s) sea diagonal.136 Controlador PID MIMO e(s) u(s) G c(s) Control PID Multivariable r(s) Sistema G p (s) y(s) Fig. e(s) es el vector error del sistema y r(s) es el vector de se˜ nales deseadas o set points. . B. En (7. C y D: y(s) = [C(sI − A)−1 B + D]u(s) Gp (s) = C(sI − A)−1 B + D (7.. . el reemplazo de y(s) en e(s) produce: y(t) = G(s)r(s) G(s) = (I + Go )−1 Go Go (s) = Gp Gc (s) (7. Para obtener desacoplamiento completo entre tales entradas y salidas. . vimos que: G(s) = [I + Go (s)]−1 Go (s) .3). No Interacci´ on Los elementos ubicados fuera de la diagonal principal de G(s) determinan el grado de interacci´ on entre las diferentes entradas de referencia ri con respecto a las salidas yi . 7.1. La matriz G(s) posee la forma:   G11 (s) · · · G1p (s)   . De la Fig.

1 Control MIMO v´ ıa Desacoplamiento Despejamos Go (s): Go (s) = Gp (s)Gc (s) = G(s)[I − G(s)]−1 137 (7. su matriz inversa [I − G(s)] −1 es tambi´ en diagonal y de la forma:   1 0 1−G11 (s)   1   1−G22 (s) −1   [I − G(s)] =  .   . entonces. es decir.10) sabemos que: y(s) = [C(sI − A)−1 B + D]u(s) (7. Estabilidad Gp (s) = C(sI − A)−1 B + D Adj (I − A) det(I − A) Para el caso de condiciones iniciales nulas.   Gpp (s) 0 1−Gpp (s) (7.1. |r| s Aplicando el l´ ım e(t) = l´ ım s e(s) = l´ ım [I − G(s)] = 0 s→0 s→0 Entonces podemos concluir que para exactitud est´ atica (error en estado estable nulo) se requiere: l´ ım [G(s)] = I (7. I − G(s) tambi´ en debe de ser diagonal. el error resulta: e(s) = r(s) − y(s) = r(s) − G(s)r(s) = [I − G(s)]r(s) = [I − G(s)] donde |r| es la magnitud de r(s). de (7.   1 0 1−Gpp (s) Por lo tanto.1. En el dominio de s. cuya transformada de Laplace es teorema del valor final en la ecuaci´ on anterior se obtiene: t→∞ |r| s .7) Dado que G(s) tiene que ser diagonal por para no interacci´ on. Por consiguiente.9) s→0 7.10) La inversa de [sI − A)−1 ] se puede expresar como: [I − A]−1 = .7) resulta en la siguiente matriz diagonal:   G11 (s) 0  1−G11 (s)  G22 (s)     1−G22 (s) Go (s) =   . la relaci´ on (7. el vector de error: e(t) = r(t) − y(t) se aproxime a cero cuando t se aproxime a infinito.7.3.8) 7..2.  .. Exactitud Est´ atica Nosotros deseamos que para un vector de entrada de referencia constante r(t). un vector cuyos elementos sean escalones.

11 se localizan en el semiplano izquierdo del plano–s. posee dos entradas y dos salidas.1 (notar que Gp (s) forma parte de este sistem).10). Tiempos de estabilizaci´ on menores de 400 s para el nivel y 1000 s para la temperatura. 7. debe de tener comportamiento estable. Si todas las ra´ ıces se localizan en el semiplano izquierdo del plano–s. entonces el sistema es inestable.12) La inversa de la matriz [I + Go (s)] se puede expresar como: [I + Go (s)]−1 = Adj [I + Go (s)] det[I + Go (s)] Por consiguiente. entonces el sistema es inestable.13) Entonces. Si existe al menos una ra´ ız en el semiplano derecho del plano–s. que como sabemos. El sistema (7. Sin embargo.1 es estable si todas las ra´ ıces caracter´ ısticas de (7. A continuaci´ on se deduce la ecuaci´ on caracter´ ıstica del sistema de control. entonces el sistema es oscilante.138 Control PID Multivariable donde Adj significa adjunta. Si existe al menos una ra´ ız en el semiplano derecho del plano–s. Es importante anotar que el sistema a controlar puede ser inestable. Las especificaciones de dise˜ no son: 0 % de sobrenivel y error en estado estable nulo tanto para el nivel como para la temperatura. excepto al menos una que se ubique en el eje imaginario (el eje vertical del plano–s). 7. como el mostrado en la Fig.11) es la ecuaci´ on caracter´ ıstica del sistema y es de gran trascendencia por que sus ra´ ıces determinan la estabilidad del mismo como sigue. la ecuaci´ on caracter´ ıstica del sistema se expresa como: det[I + Go (s)] = 0 (7. De acuerdo a (7. entonces el sistema es oscilante. que para fines de operaci´ on del sistema controlado. como es el caso del sistema posici´ on angular de un motr CC. det es la operaci´ on determinante y la ecuaci´ on polin´ omica: det(I − A) = 0 (7.1 se obtiene: y(s) = [I + Go (s)]−1 Go (s)r(s) Go (s) = Gp (s) Gc (s) (7. la matriz de transferencia del sistema se determina de: Gp (s) = C(sI − A)−1 B + D = Gp11 (s) Gp12 (s) Gp21 (s) Gp22 (s) . Si todas las ra´ ıces se localizan en el semiplano izquierdo del plano–s. Soluci´ on: En la subsecci´ on ?? se determin´ o el modelo din´ amico lineal en el espacio de estado del sistema MIMO tanque. que para fines pr´ acticos tambi´ en es inestable. el sistema MIMO de la Fig.13) se localizan en el semiplano izquierdo del plano–s.1) es estable si todas las ra´ ıces caracter´ ısticas de 7. excepto al menos una que se ubique en el eje imaginario (el eje vertical del plano–s). tambi´ en es inestable. el sistema de control. De la Fig. Ejemplo 7.1 Control PID MIMO del Sistema Tanque Cerrado Dise˜ nar un controlador PID MIMO basado en la t´ ecnica de desacoplamiento para controlar el nivel y la temperatura del sistema tanque cerrado descrito en la subsecci´ on ??. 7.

Simulaci´ on del Sistema de Control en el Dominio de s El programa mimopidsimb.7.7): Gc (s) = Gp (s)−1 G(s)[I − G(s)]−1 (7. Dado que G(0) = I.2 muestra en detalle la interconexi´ on de todos los bloques del sistema de control multivariable PID del sistema tanque.15) G(s) =  1 0 Ttemp s+1 1. La matriz es diagonal. En el resultado de la simulaci´ on (Fig. cuyo listado se muestra abajo.1 Control MIMO v´ ıa Desacoplamiento 139 La forma de la MT (matriz de transferencia) del sistema Gp (s) se obtiene ejecutando el programa mimopidsimb.14) la cual cumple los requerimientos del caso: Para dise˜ nar la matriz de control Gc (s). Adem´ as.m:   1 1 Kc11 1 + Tc11 − K 1 + c12 s Tc12 s    (7. 3.16) La forma de la MT (matriz de transferencia) del controlador Gc (s) resulta de la ejecuci´ on del programa mimopidsimb. 7. por lo tanto satisface el requerimiento de no interacci´ on. cumplen las especificaciones de dise˜ no establecidas en el enunciado del ejemplo. la matriz de control Gc (s) se obtiene de la ecuaci´ on (7. cuyas ra´ ıces caracter´ ısticas se ubican en la parte izquierda del plano s. se satisface el requerimiento de exactitud est´ atica. .m. entonces podemos asegurar que se cumple el requerimiento de estabilidad. tambi´ en simula el sistema de control del tanque cerrado.3) se observa que el nivel (gr´ afico superior izquierda) y la temperatura (gr´ afico superior derecha) controlados. 7.m: Gp11 (s) Gp11 (s) Gp21 (s) Gp21 (s)  =  Kp11 Tp11 s+1 Kp21 (Tpa s+1) (Tpb s+1)(Tpc s+1) Kp11 Tp11 s+1 Kp21 (Tpa s+1) (Tpb s+1)(Tpc s+1) Gp (s) =    (7. 2. podemos asumir una matriz G(s) de la forma:   1 0 Tniv s+1  (7. cada canal responde exponencialmente con una constante de tiempo igual a Tniv para el primer canal (control de nivel) y Ttemp (control de temperatura) para el segundo canal. Debido a que los elementos de la diagonal de G(s) son funciones de transferencia de primer orden.9).17) GC (s) =    1 1 −Kc21 1 + Tc21 s Kc12 1 + Tc12 s La Fig. de acuerdo a (7. Teniendo en cuenta que Go (s) = Gs Gc (s).

Rh=barh/barqD. barqH=0.140 Control PID Multivariable e1 r1 K c11 1+ 1 T c11 s 1 T c12 s 1 T c21 s 1 T c12 s u1 K p11 T p11 s+1 K p11 T p11 y1 K c12 1+ K c21 1+ r2 e2 s+1 K p21 (T pas+1) (T pbs+1)(T pcs+1) K p21 (T pas+1) u2 (T pbs+1)(T pcs+1) y2 K c12 1+ Fig. barqD=2.2 0 1 0. 7.3: Nivel y temperatura del tanque cerrado controlados.81. g=9.16e-4. bartheta=35+270. rhoH=988. thetaC=20+270. 7.8 To: Out(1) 0.15. etc. df1dx2=0.6 0. D=0. DONDE: df1/dx1=df1dx1.4.4 0. rhoC=998.4 0. % mimopidsimb. Cp=4186. A=0.2 0 From: In(1) From: In(2) NIVEL Amplitude TEMPERATURA 0 200 400 600 800 1000 1200 0 Time (sec) 200 400 600 800 1000 1200 Fig.0314. df1dx1=-a/(2*A*sqrt(barh)). thetaH=50+270.15.8 To: Out(2) 0. E=(1-beta^4)^(-1/2).6 0.8. barqC=2.2: Diagrama de bloques del sistema de control PID MIMO dise˜ nado. Step Response 1 0. a=C*E*pi*d^2*rhoD*sqrt(2*g)/4. beta=d/D. df1/du2=df1u2. % PAR´ AMETROS DEL TANQUE C=0. .0065.15. clc. % VALORES ESTACIONARIOS barh=0. close all. % MODELO LINEAL. rhoD=996.m CONTROL PI MULTIVARIABLE DEL TANQUE clear all.16e-4.5e-4.0159.6. d=0.

a21 a22]. Para el tiempo (k − 1) las expresiones de u1 (k ) y u2 (k ) toman la forma: u1 (k − 1) = Kc11 e1 (k − 1) + u2 (k − 1) = Kc21 e1 (k − 1) + Kc11 Tc11 Kc21 Tc21 k−1 i=0 k−1 i=0 T e1 (i) − Kc12 e2 (k − 1) − T e1 (i) − Kc12 e2 (k − 1) − Kc12 Tc12 Kc12 Tc12 k−1 i=0 k−1 i=0 T e2 (i) T e2 (i) .. Gc21= -Kc21*(1+1/(Ti21*s)). G=[1/(Tniv*s+1) 0. Gc12= -Kc12*(1+1/(Ti21*s)). BB=[b11 b11. Tniv=60.b21 a11 -s + a22 ] [--------------------------------------------] [ (-b22 + b21) b11 s Tniv (-b22 + b21) s Ttemp] Gc11= Kc11*(1+1/(Ti11*s)).. 7. CC=[1 0.b22 s + b22 a11 s .5)/(2*A) . Go=Gp*Gc. s=tf(’s’).0 1/(Ttemp*s+1)]. BB=[df1du1 df1du2. df1du1=1/A.18) u2 = −Kc21 (1 + Tc21 s Tc12 s donde: Empleando aproximaci´ on rectangular para los t´ erminos integrales 1 on s .(rhoC*thetaC*barqC+rhoH*thetaH*barqH)/(rhoD*A*barh^2). G=[1/(Tniv*s+1) 0. DD = [0 0. Gp = CC*inv(s*eye(2) -AA)*BB+DD.0 1]. pretty(simple(Gp)). 141 % % % % % % % % % Simulaci´ on del Sistema de Control en el Dominio de t De la Fig.I)) print -deps -f mimopid01 syms s a11 a21 a22 b11 b21 b22 Tniv Ttemp. Gc = inv(Gp)*G*inv(I-G). df1du2=1/A. df2dx2=-a/(A*sqrt(barh)).a22 ] [---------------------------------------------] [ (-b22 + b21) b11 s Tniv (-b22 + b21) s Ttemp] [ ] [a21 b11 + b21 s . AA=[df1dx1 df1dx2. I = CC.1 Control MIMO v´ ıa Desacoplamiento df2dx1=a*bartheta*barh^(-1. pretty(simple(Gc)) Gc = [-a21 b11 .18) resulta: Kc11 u1 (k ) = Kc11 e1 (k ) + Tc11 u2 (k ) = Kc21 e1 (k ) + Kc21 Tc21 k i=0 k i=0 e1 = r 1 − y 1 e2 = r 2 − y 2 Kc12 T e1 (i) − Kc12 e2 (k ) − Tc12 T e1 (i) − Kc12 e2 (k ) − Kc12 Tc12 k T e2 (i) i=0 k T e2 (i) i=0 donde k = t/T es el tiempo discreto y T es el tiempo de muestreo o discretizaci´ on.b21 b22]. df2du1=rhoC*thetaC/(rhoD*A*barh).df2du1 df2du2].0 0]. . Gp = CC*inv(s*eye(2) -AA)*BB+DD.7. Gc22= Kc12*(1+1/(Ti22*s)). df2du2=rhoH*thetaH/(rhoD*A*barh).df2dx1 df2dx2].2 podemos formular las ecuaciones que gobiernan el controlador MIMO PID: 1 1 ) e1 − Kc12 (1 + ) e2 u1 = Kc11 (1 + Tc11 s Tc12 s 1 1 ) e1 + Kc12 (1 + ) e2 (7.0 1/(Ttemp*s+1)]. Gc = inv(Gp)*G*inv(I-G). step(feedback(Go. la discretizaci´ de (7. AA=[a11 0. Ttemp=100.

bartheta=35+270. a=C*E*pi*d^2*rhoD*sqrt(2*g)/4.20) donde e1p y e2p son los errores pasados de e1 y e2 respectivamente.142 Teniendo en cuenta que: k Control PID Multivariable e1 (i) = i=0 k−1 i=0 k e1 (i) + e1 (k ) i=0 e2 (i) = k−1 i=0 e2 (i) + e2 (k ) entonces: Kc11 T e1 (k ) Tc11 Kc12 T e2 (k ) −Kc12 [e2 (k ) − e2 (k − 1)] − Tc12 Kc21 u2 (k ) − u2 (k − 1) = Kc21 [e1 (k ) − e1 (k − 1)] + T e1 (k ) Tc21 Kc12 T e2 (k ) −Kc12 [e2 (k ) − e2 (k − 1)] − Tc12 u1 (k ) − u1 (k − 1) = Kc11 [e1 (k ) − e1 (k − 1)] + (7. D=0. 7.81.6. la ecuaci´ on de estado discreta del sistema toma la forma: x = x + T (A x + B u) (7. barqC=2.0065.4.19) Para programaci´ on en tiempo real prescindimos del argumento k . rhoC=998. rhoH=988.8. E=(1-beta^4)^(-1/2). g=9.m.20) y (7. thetaH=50+270. Cp=4186.15. % pidmimotanque.0314.4. Observar que el controlador PID MIMO estabiliza simult´ aneamente el nivel y la temperatura cumpliendo las especificaciones de dise˜ no del caso. El resultado de la simulaci´ on se muestra en la Fig.0159.m CONTROL PID MIMO DEL SISTEMA TANQUE CERRADO CON AGUA clear all.21) La simulaci´ on del sistema se logra ejecutando el programa pidmimotanque.15. % VALORES ESTACIONARIOS barh=0. las ecuaciones anteriores toman la forma: u1 = u1 + Kc11 (e1 − e1p ) + u2 Kc11 T e1 − Kc12 (e2 − e2p ) − Tc11 Kc21 T e1 − Kc12 (e2 − e2p ) − = u2 + Kc21 (e1 − e1p ) + Tc21 Kc12 T e2 Tc12 Kc12 T e2 Tc12 (7.16e-4. barqH=0. Por consiguiente. beta=d/D. % PAR´ AMETROS C=0. d=0.5e-4. rhoD=996. A=0. clc.21). .15. close all. el cual toma en cuenta las ecuaciones discretas (7. La ecuaci´ on de estado del sistema se discretiza como: x ˙ ∼ = x(k ) − x(k − 1) = A x(k ) + B u(k ) T x(k ) = x(k − 1) + T (A x(k ) + B u(k )) donde: x= x(1) x(2) = y1 y2 = h θ u= u1 u2 = qC qD Para programaci´ on en tiempo real. thetaC=20+270.

b22=rhoH*thetaH/(rhoD*A*barh). df1/dx2=a12.15. a21=a*bartheta*barh^(-1. u2=0.b21 b22]. % SE ~ NALES DE REFERENCIA elseif(k >= M/4 && k <= M/2). b12=1/A.15. a22=-a/(A*sqrt(barh)). DONDE: df1/dx1=a11.005 −0. r1 = 0.5 0 AGUA FRÍA [m /s] 0.0 0].5)/(2*A) . 7. (rhoC*thetaC*barqC+rhoH*thetaH*barqH)/(rhoD*A*barh^2). r1 = 0. AA=[a11 0. % PERIODO DE MUESTREO Y N´ UMERO DE MUESTRAS M for k = 1:M % INICIO DEL LAZO DE CONTROL if(k >= 0 && k <= M/4). r2=20+273.16e-4. b11=1/A. e2p=0. Tniv=60. % PAR´ AMETROS DEL CONTROLADOR: SE SETERMINAN DE Gc EN mimopidsimb.4.15].a21 a22].7.005 0 TEMPERATURA [ºC] 60 40 20 0 −0. CC=[1 0. % MODELO LINEAL.4.5. R2(k) = r2. r1 = 0. elseif(k >= 3*M/4 && k <= M). r2=70+273. % CONDICIONES INICIALES e1p=0. BB=[b11 b11. Ti12=-1/a22. a12=0. b21=rhoC*thetaC/(rhoD*A*barh). % NIVEL + TEMPERATURA T = 0. Ttemp=100. u1=0.4: Resultado de la simulaci´ on del sistema de control PID MIMO del tanque: nivel y temperatura controladas. M = 20000. r2=20+273. . elseif(k >= M/3 && k <= 3*M/4). a11=-a/(2*A*sqrt(barh)).m Kc11=b22/((b22-b21)*b11*Tniv).2.. etc.0 1]. barqD=2.15. r2=40+273. Kc21=b21/((b22-b21)*b11*Tniv). x = [0.. Rh=barh/barqD. Kc22=Kc12.01 0. Ti11=b22/(a21*b11-b22*a11).3. r1 = 0.20+270. end R1(k) = r1. DD = [0 0.. Ti22=Ti12.2.15. Ti21=b21/(a21*b11-b21*a11).1 Control MIMO v´ ıa Desacoplamiento 1 NIVEL [m] 0.01 143 0 500 1000 1500 2000 TIEMPO [s] 2500 3000 3500 4000 3 0 500 1000 1500 2000 TIEMPO [s] 2500 3000 3500 4000 AGUA CALIENTE [m /s] 0 500 1000 1500 2000 TIEMPO [s] 2500 3000 3500 4000 3 0 500 1000 1500 2000 TIEMPO [s] 2500 3000 3500 4000 Fig. Kc12=1/((b22-b21)*Ttemp).

6) que las ecuaciones de estado y de salida son: y = Cx 1 0 B1 −m 1 B1 −m 2  0 0 0 0 K1 m1 +K2 ) − (K1m 2 0 1 B1 m1 +B2 ) − (B1m 2      El programa mimopid02. plot(ejet..Kc21*(e1-e1p) . grid.1.1).Y1).U1). xlabel(’TIEMPO [s]’) subplot(4. ylabel(’NIVEL [m]’).. simula el sistema de control pedido. plot(ejet. 7. Valorar todos los par´ ametros de la planta en 1. xlabel(’TIEMPO [s]’) subplot(4. U2(k) = u2. esto es:   x1  x2   x= y=  x3  x4 x ˙ = Ax + Bu   A =  − K1  m1  K1 m2 de estado x1 = y1 . xlabel(’TIEMPO [s]’) subplot(4.ejet. u1 = u1 + Kc11*(e1-e1p) + Kc11*T*e1/Ti11 . x2 = y2 .2).x(1).R1. u = [u1..x(2). e1p = e1. error en estado estable nulo y tiempo de estabilizaci´ on menor de 20 s para ambas salidas.M). .Kc12*T*e2/Ti12.5) se observa que las salidas controladas y1 (gr´ afico superior izquierda) e y2 (gr´ afico superior derecha) controlados. subplot(4.u2].3). U1(k) = u1. e2p = e2.1. Las especificaciones de dise˜ no son: 0 % de sobrenivel. % MODELO LINEAL (DISCRETIZACION DIRECTA) x = x + T*(AA*x + BB*u).m.M*T.Y2). grid. grid..144 Control PID Multivariable % CALCULO DEl VECTOR DE CONTROL u(t) e1 = r1 .1. x3 = y˙1 y e y2 = x2 y como variables de entrada u1 y1 y2 u= u1 u2 Se puede demostrar (problema 2. Y2(k) = x(2). En el resultado de la simulaci´ on (Fig. plot(ejet. print -f -deps pidmimotanque Ejemplo 7. 2.2 Control PID MIMO del Sistema de Plataformas Dise˜ nar un controlador MIMO PID basado en la t´ ecnica de desacoplamiento para controlar las salidas y1 e y2 del sistema de plataformas propuesto en el problema 2. grid ylabel(’TEMPERATURA [K]’). 0  0 B= 1  m 1 0 1 m2  0 0   0  C= 1 0 0 0 0 1 0 0 . ylabel(’AGUA CALIENTE [m^3/s]’). Y1(k) = x(1). plot(ejet. Soluci´ on: Seleccionemos como variables x4 = y˙2 . + Kc22*(e2-e2p) + Kc22*T*e2/Ti22.R2.ejet.6 y mostrado en la Fig. end % GR´ AFICOS ejet = linspace(0. ylabel(’AGUA FR ´ IA [m^3/s]’).1. como variables de salida y1 = x1 y u2 . xlabel(’TIEMPO [s]’).U2).26.4).Kc21*T*e1/Ti21 .Kc12*(e2-e2p) . cumplen las especificaciones de dise˜ no requeridas. cuyo listado se muestra abajo. e2 = r2 . u2 = u2 .

K1=1.8 To: Out(1) 0. logr´ o desacoplar al sistema. tal como se observa en la Fig. Gp = CC*inv(s*II -AA)*BB+DD. Control PID MIMO con Desacopladores En la secci´ on anterior.) % mimopid02. DD = [0 0.1/m1 0. la selecci´ on a priori de una matriz de transferencia diagonal que represente la din´ amica del sistema realimentado. clc.6 0. 7. I=eye(2). Tniv=4. m2=1.2. B1=1.. los desacopladores van a formar parte de la configuraci´ on del sistema. prevenir cambios en la salida del segundo controlador Gc2 que puedan afectar la variable controlada del primer lazo. es decir.22) El objetivo del bloque desacoplador D1 (s) es compensar el efecto de u2 en la salida y1 .2 0 1 0. Para este caso.0 0.K1/m2 -(K1+K2)/m2 -B1/m2.6. Para cumplir con este requerimiento.2 0 From: In(1) From: In(2) 145 y1 Amplitude y2 0 20 40 60 0 Time (sec) 20 40 60 Fig.5: Salidas y1 e y2 controlados (Ejemplo 7. 7.7. Ttemp=4.2. G=[1/(Tniv*s+1) 0.0 0 0 1. -(B1+B2)/m2]. m1=1.4 0. Go=Gp*Gc.2 Control PID MIMO con Desacopladores Step Response 1 0.8 To: Out(2) 0. BB=[0 0. B2=1. s=tf(’s’).0 1/m2]. Gc = inv(Gp)*G*inv(I-G).6 0. . II = eye(4).-K1/m1 K1/m1 -B1/m1 B1/m1. step(feedback(Go. de la cual se obtienen las siguientes relaciones: y1 (s) = Gp11 (s)[u1 (s) + D1 (s)u2 (s)] + Gp12 (s)[u2 (s) + D2 (s)u1 (s)] y2 (s) = Gp22 (s)[u2 (s) + D2 (s)u1 (s)] + Gp21 (s)[u1 (s) + D1 (s)u2 (s)] (7.I)) print -deps -f mimopid02 7. En esta secci´ on tambi´ en se va a usar desacoplamiento en el dise˜ no de un controlador PID MIMO. % PAR´ AMETROS % ECUACI´ ON DE ESTADO Y DE SALIDA AA=[0 0 1 0.0 1/(Ttemp*s+1)].m CONTROL PID MULTIVARIABLE DEL SISTEMA DE PLATAFORMAS clear all.4 0.0 1 0 0]. esto es. K2=1.. CC=[1 0 0 0. resolvi´ o el problema de interacci´ on existente entre las variables de entrada y de salida.0 0]. close all.

22) se puede expresar como: ∆y1 (s) ∆u2 (s) = D1 (s)Gp11 (s) + Gp12 (s) = 0 ∆u1 =0 (7.6 son: e1 r1 u G c1(s) 1 m1 Gp11(s) y1 D 1 (s) D 2 (s) r2 e2 m2 u2 G p12(s) G p21(s) y2 G p22(s) G c2 (s) Fig. Cabe anotar que tanto Gc1 (s) como Gc2 (s) son controladores PID.25) Las ecuaciones que gobiernan la din´ amica del sistema mostrado en la Fig. . los bloques desacopladores se calculan de: D1 (s) = − Gp12 (s) Gp11 (s) D2 (s) = − Gp21 (s) Gp22 (s) (7.24) Por consiguiente. para que el bloque desacoplador D2 (s) compense el efecto de u1 en la salida y2 .22) se tiene: ∆y2 (s) ∆u1 (s) = D2 (s)Gp22 (s) + Gp21 (s) = 0 ∆u2 =0 (7.28) y = Go e Go = Gp DGc donde Gp es la matriz de la planta o sistema.26) u= u1 u2 e= e1 e2 y(s) = Gp (s)m(s) Gp = Gp11 Gp12 Gp21 Gp22 m(s) = D(s)u(s) D= 1 D1 D2 1 u(s) = Gc (s)e(s) Gc = Gc1 0 0 Gc2 (7.6: Sistema de control PID MIMO con desacopladores D1 y D2 .146 Control PID Multivariable la primera ecuaci´ on de (7. Ti y Td tienen que ser sintonizados para cada aplicaci´ on.27) (7. de la segunda ecuaci´ on de (7. D es la matriz de desacoplamiento. 7. 7. cuyos par´ ametros Kc . y1 = Gp11 m1 + Gp12 m2 y2 = Gp21 m1 + Gp22 m2 Por consiguiente: y= y1 y2 m= m1 m2 m 1 = u 1 + D 1 u2 m 2 = D 2 u1 + u 2 u1 = Gc1 e1 u2 = Gc2 e2 (7.23) En forma similar. Gc es el controlador PID MIMO y Go es la MT a lazo abierto del sistema.

1)/Gp(2. Gc2=Kc2*(1+1/(Ti2*s)+Td2*s).) % mimopid03.6 0.7: Salidas y1 e y2 controlados (Ejemplo 7.I)) print -deps -f mimopid03 . 2.26. Gc1=Kc1*(1+1/(Ti1*s)+Td1*s). Las especificaciones de dise˜ no son: 0 % de sobrenivel. close all. CC=[1 0 0 0.7) se observa que las salidas controladas y 1 (gr´ afico superior izquierda) e y2 (gr´ afico superior derecha) controlados.25. K2=1.6 y mostrado en la Fig. D2=-Gp(2. Td1=0.0 0].2)/Gp(1. Soluci´ on: El programa mimopid03. clc. En el resultado de la simulaci´ on (Fig.-K1/m1 K1/m1 -B1/m1 B1/m1. B2=1.3 Control PID con Desacopladores del Sistema de Plataformas Dise˜ nar un controlador PID MIMO con desacopladores para controlar las salidas y 1 e y2 del sistema de plataformas propuesto en el problema 2. 7.7. cumplen las especificaciones de dise˜ no requeridas. s=tf(’s’).2 0 1 0.0 1/m2].2). -(B1+B2)/m2].m CONTROL PID MIMO CON DESACOPLADORES DEL SISTEMA PLATAFORMAS clear all. Ti1=1.4 0.4 0. cuyo listado se muestra abajo.1).0 0 0 1.8 To: Out(2) 0. Go=Gp*D*Gc.2.. 7.m. D1=-Gp(1. Kc2=1.0 0. % PAR´ AMETROS % ECUACI´ ON DE ESTADO Y DE SALIDA AA=[0 0 1 0. error en estado estable nulo y tiempo de estabilizaci´ on menor de 20 s para ambas salidas. II = eye(4). I = eye(2).K1/m2 -(K1+K2)/m2 -B1/m2. Gp=CC*inv(s*II -AA)*BB+DD. Ti2=1.2 0 From: In(1) From: In(2) y1(t) Amplitude y2(t) 0 20 40 60 0 Time (sec) 20 40 60 Fig. Step Response 1 0. D=[1 D1.D2 1].0 Gc2]. BB=[0 0.2 y simula el sistema de control pedido. K1=1. B1=1.2 Control PID MIMO con Desacopladores 147 Ejemplo 7. emplea el modelo del sistema de plataformas del Ejemplo 7. step(feedback(Go. m1=1.6 0. Gc=[Gc1 0. Td2=0.0 1 0 0]. Valorar todos los par´ ametros de la planta en 1.8 To: Out(1) 0.1/m1 0. m2=1. DD = [0 0.. Kc1=0.

Gpn1 (s) · · · Gpnn (s) 2. el n´ umero de entradas m generadas por el controlador MIMO correspondiente.8(b)).1.3. 7. siempre debe de ser mayor que el n´ umero p de salidas.8: (a) Sistema de control MIMO con controlador P.8(a) representa el diagrama de bloques de un sistema de control MIMO.29) es conocida como la matriz retorno de la diferencia. Empleando el criterio de Hurwitz (subsecci´ on 7.3.3. En el caso que Gp (s) fuera rectangular. 7. con la finalidad de poder aplicar el procedimiento de dise˜ no de la subsecci´ on 7. ..1. . Kn ] Gp (s) =  . En una matriz cuadrada.8(a): Controlador P MIMO K (a) Sistema G p (s) r(s) e(s) u(s) y(s) r(s) (I+KG p (s)) KG p (s) (b) −1 y(s) Fig. . y(s) = Gp (s)u(s) u(s) = Ke(s) y(s) = [I + KGp (s)] −1 KGp (s) donde I es la matriz identidad.  .8(b) muestra la MT del sistema. A continuaci´ on se detalla el procedimiento de dise˜ no. Determinar la ecuaci´ on caracter´ ıstica del sistema a lazo cerrado a partir de: D(s) = det[T(s)] = sn + a1 sn−1 + · · · + an−1 s + an = 0 . Las relaciones siguientes se desprenden de la Fig. La Fig. 7.2). (b) Sistema equivalente. Procedimiento de Dise˜ no El procedimiento para dise˜ nar un sistema de control P MIMO empleando el criterio de Hurwitz es como sigue: 1. . donde:  · · · Gp1n (s)  . donde el sistema a controlar Gp (s) es una MT (matriz de transferencia) cuadrada de orden n y K es una matriz diagonal de ganancias tambi´ en de orden n. Control P MIMO empleando el Criterio de Hurwitz La Fig. el n´ umero m de entradas ui es igual al n´ umero de salidas yi . 7. . . S´ olo en esta situaci´ on es posible crear salidas ficticias a fin de hacer cuadrada a la matriz Gp (s). .  Gp11 (s)  . Formular la matriz T(s) = I + KGp (s) (ver Fig. 7.3. 7. en la cual: T(s) = I + KGp (s) (7. . Para que el sistema de la Fig. se pueden determinar los rangos de los elementos de la matriz de ganancia K para comportamiento estable del sistema. 7. K = diag [K1 . los ceros del determinante de T(s) deben de poseer parte real negativa.148 Control PID Multivariable 7.8(a) o (b) sea estable.

. . . 0 0 0 0 . . . H3 > 0 y H4 > 0 establecidas en el criterio de Hurwitz. . el cual sigue el procedimiento de dise˜ no arriba establecido. .7. 0 0 a5 a4 a3 a2 . donde:   a1 a3 a5 a1 a3 H1 = a 1 H2 = det Hn = detH H3 = det  1 a2 a4  1 a2 0 a 1 a3 Ejemplo 7.4 Control P MIMO de un Sistema Empleando el procedimiento de dise˜ no de la subsecci´ on 7. 4. Emplear el criterio de Hurwitz (ver siguiente subsecci´ on) para determinar los rangos de los elementos de la matriz de ganancia K que garanticen un comportamiento estable del sistema de la Fig. 0 . H2 . 7. H3 . todos los menores principales diagonales de H: H1 .          . 0 0 0 0 .m.5. . . . .. . se satisfacen simult´ aneamente las condiciones H1 > 0.3.8(a). Soluci´ on: Ejecutar el programa pmimo1. .3 Control P MIMO empleando el Criterio de Hurwitz 149 3. . Hn . . . La Fig. H2 > 0.. El Criterio de Hurwitz El criterio de Hurwitz.2. que es equivalente al conocido criterio de Routh–Hurwitz.. .1 dise˜ nar un controlador P MIMO para un sistema con: K= K1 0 0 K2 Gp (s) = 3 s 0. deben de ser positivos.. . hasta que las salidas yi controladas cumplen las especificaciones de dise˜ no previamente establecidas. 7. an−2 an Este criterio de estabilidad establece que para que los ceros de D(s) posean parte real negativa (requisito indispensable para comportamiento estable del sistema). .3. Es necesario anotar que con estos valores de las ganancias. ..05 s −280 s(s+6)(s+30) −200 s(s+6)(s+30) las especificaciones de dise˜ no para los dos canales (salidas) son: tiempo de estabilizaci´ on menor de 2 s. se basa en la construcci´ on de la matriz Hurwitz a partir de la ecuaci´ on caracter´ ıstica D(s) del sistema realimentado: D(s) = sn + a1 sn−1 + a2 sn−2 + a3 sn−3 + · · · + an−1 s + an     H=     a1 a3 1 a2 0 a1 0 1 . error en estado estable nulo y porcentaje de sobrenivel tambi´ en nulo. . Simular el sistema controlado empleando las ganancias determinadas por el criterio de Hurwitz. .. .. 7.. .9 muestra que las salidas controladas del sistema cumplen las especificaciones de dise˜ no para las ganancias K1 = 2 y K2 = –1.

step(G).2 Amplitude 0 1. I = eye(2).0. a3=-200*K2+540*K1. H=[a1 a3 0 0. % pretty(D) % D=s^4+a1*s^3+a2*s^2+a3*s+a4 a1=36+3*K1. G=feedback(Gp*K. K=[K1 0.5 From: In(1) Control PID Multivariable From: In(2) y1(t) To: Out(2) 1 y2(t) 0.2 y 7. H4=det(H).I). H2=det([a1 a3. syms s K1 K2. Gp=[3/s -280/(s*(s+6)*(s+30)). D=det(I+Gp*K). H1=a1.0 a1 a3]).0. print -deps -f pmimo1 7.4.5. Problema 7. a2=180+108*K1. close all.4 % PARA TENER K1 Y K2 EN EL SEMIPLANO IZQUIERDO DE K1 VS K2 SELECCIONAMOS: % 0 <= K1 <= 12. Problemas Problema 7.0 a1 a3 0.05/s -200/(s*(s+6)*(s+30))]. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible.) % pmimo1.0 1 a2 a4]. H3=det([a1 a3 0.4.1 a2 a4.m CONTROL P MIMO USANDO LA MATRIZ DE RETORNO DE LA DIFERENCIA clear all. dise˜ nar los controladores MIMO para controlar el nivel y la temperatura del sistema tanque cerrado descrito en la subsecci´ on ??.9: Salidas y1 e y2 controlados (Ejemplo 7.0 K2].1 Sistema Tanque Cerrado Basado en las t´ ecnicas descritas en las secciones 7.5 0 0 1 2 3 0 Time (sec) 1 2 3 Fig. -32 <= K2 <= 0.05/s -200/(s*(s+6)*(s+30))]. s=tf(’s’).8 To: Out(1) 0. H2 > 0 CON K = -12 => K2 <3 2. Las especificaciones de dise˜ no tanto para el nivel como para la temperatura son: 0 % de sobrenivel.2 Sistema de Plataformas .0 K2]. K=[K1 0.1 a2]).4 0.150 Step Response 1 0.3.1 a2 a4 0. % H1 > 0 => K1 > -12. TOMEMOS: K1=2.6 0. clc. 7. Gp=[3/s -280/(s*(s+6)*(s+30)). a4=-586*K1*K2. K2=-1.

Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel.1 y 7.1.3. dise˜ nar los controladores PID MIMO para el manipulador polar vertical mostrado en la La Fig.7 Motor S´ ıncrono de Im´ an Permanente Basado en las t´ ecnicas descritas en las secciones 7.5 Manipulador Rob´ otico Traslacional–Esf´ erico (MRTE) Basado en las t´ ecnicas descritas en las secciones 7. Problema 7. 7.1. 7.1. ?? y descrito en el problema ??.3 Manipulador Polar Vertical Basado en las t´ ecnicas descritas en las secciones 7.6 Manipulador Rob´ otico Esf´ erico (MRE3) Basado en las t´ ecnicas descritas en las secciones 7. 7. dise˜ nar los controladores PID MIMO para el motor s´ ıncrono de im´ an permanente descrito en el problema ??.4 Manipulador Polar Horizontal Basado en las t´ ecnicas descritas en las secciones 7. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible. Las especificaciones de dise˜ no de las corrientes iq e id controladas son: 0 % de sobrenivel. Problema 7.1 y 7. Problema 7. dise˜ nar un controlador P MIMO para el sistema de plataformas mostrado en la Fig. 7.3.1 y 7.1 y 7. ?? y descrito en el problema ??. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel.4 Problemas 151 Basado en la t´ ecnica descrita en la secci´ on 7. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible.3. dise˜ nar los controladores PID MIMO para el manipulador polar horizontal mostrado en la La Fig. 2.7.1.1 y 7. ?? y descrito en el problema ??.3. Problema 7.1. Problema 7. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. 7. ?? y descrito en el problema ??.3. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible. error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible.26 y descrito en el problema 2. dise˜ nar los controladores PID MIMO para el manipulador rob´ otico esf´ erico de 3GDL mostrado en la Fig. Problema 7. dise˜ nar los controladores PID MIMO para el manipulador rob´ otico traslacional–esf´ erico mostrado en la Fig.8 Manipulador Rob´ otico Traslacional (MRT) .6.3.

152

Control PID Multivariable

Basado en las t´ ecnicas descritas en las secciones 7.1, 7.1 y 7.3, dise˜ nar los controladores PID MIMO para el manipulador rob´ otico traslacional mostrado en la Fig. ?? y descrito en la secci´ on ??. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel, error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible. Problema 7.9 Manipulador Rob´ otico Esf´ erico (MRE) Basado en las t´ ecnicas descritas en las secciones 7.1, 7.1 y 7.3, dise˜ nar los controladores PID MIMO para el manipulador rob´ otico esf´ erico mostrado en la Fig. ?? y descrito en la secci´ on ??. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel, error en estado estable nulo y tiempos de estabilizaci´ on lo m´ as rapido posible.

Ap´ endice A

Matem´ atica para Sistemas Continuos
Este Cap´ ıtulo presenta la matem´ atica requerida en los Cap´ ıtulos siguientes. Los t´ opicos se desarrollan principalmente en el dominio continuo. El t´ opico discretizaci´ on directa se desarrolla en el dominio discreto. Los numerosos ejemplos presentados se resuelven en unos casos anal´ ıticamente, en otros con ayuda del software MATLAB y en la mayor´ ıa de los casos empleando ambos m´ etodos. Los temas a tratar son: transformada de Laplace, matrices y determinantes, variable de estado, discretizaci´ on directa, sistemas con tiempo muerto y linealizaci´ on de sistemas continuos.

A.1.
A.1.1.

La Transformada Unilateral de Laplace
Definici´ on y Ejemplos
∞ 0

La transformada unilateral de Laplace G(s) de una funci´ on g (t) se define como: G(s) = L[g (t)] = g (t)e−st dt (A.1)

donde el n´ umero complejo s = σ + jω es la variable Laplaciana. La regi´ on de s en la cual dicha integral converge se denomina Regi´ on de Convergencia. Un sistema representado por la funci´ on g (t) se denomina causal cuando su salida y (t) depende s´ olo de la entrada presente u(t) y de las entradas pasadas u(t − t i ), donde t es la variable dependiente tiempo continuo y los ti para i = 0, . . . , n son n´ umeros reales positivo que indican retardos de tiempo. La gran mayor´ ıa de los sistemas reales son causales. La Fig. A.1(a) muestra un tanque con agua calentada mediante vapor. La curva de reacci´ on del sistema temperatura y (t) mostrado en la Fig. A.1(b) se obtiene variando la abertura u(t) de la v´ alvula de vapor. Este sistema es causal porque, por ejemplo, la salida y en el tiempo t3 , depende de la entrada u en t3 (la actual) y de las entradas pasadas en t2 , t1 y t0 . La transformada unilateral de Laplace es u ´til para representar en forma algebraica sistemas causales descritos por ecuaciones diferenciales lineales invariantes con el

154

Matem´ atica para Sistemas Continuos
u u Agua t y Vapor t0 (a) t1 (b) t2 t3 t y

Fig. A.1: Ejemplo de sistema causal: temperatura en un tanque.

tiempo. La Tabla A.1 muestra la transformada unilateral de Laplace de algunas funciones. Varias de sus propiedades se ilustran en la Tabla A.2. Ejemplo A.1 Hallar la transformada de Laplace de la funci´ on escal´ on unitario µ(t) definida como: µ(t) = 1 si t ≥ 0 0 si t < 0

Soluci´ on: Usando la definici´ on dada en (A.1) con g (t) = µ(t): G(s) = L[µ(t)] =
0 ∞

µ(t)e−st dt =
0

(1)e−st dt =

−e−st −s

∞ 0

=

e−∞ − e−0 1 = −s s

Ejemplo A.2 Hallar la transformada de Laplace de la funci´ on escal´ on unitario retardado µ(t − T ) donde T es real y positivo. La funci´ on µ(t − T ) se define como: µ(t − T ) = 1 si t ≥ T 0 si t < T

Soluci´ on: La transformada de Laplace de µ(t − T ) se halla empleando la propiedad (5) (desplazamiento en tiempo) de la Tabla A.2 con t0 = T , sabiendo que G(s) = 1/s por el ejemplo anterior. Esto es: L[µ(t − T )] = e−T s G(s) = e−T s Ejemplo A.3 Hallar la transformada de Laplace de la funci´ on exponencial e−at , donde a y t son reales y positivos. 1 e−T s = s s

A.1 La Transformada Unilateral de Laplace Soluci´ on: Usando la definici´ on dada en (A.1): L[e Ejemplo A.4
−at

155

]=
0

e

−at −st

e

−e−(s+a)t dt = s+a

=
0

1 s+a

Hallar la transformada de Laplace de las funciones impulso δ (t) y δ (t − T ) empleando la siguiente propiedad fundamental:
∞ 0

g (t)δ (t − T )dt = g (T )

(A.2)

donde g (t) es una funci´ on arbitraria pero continua en t = T . Se sabe adem´ as que la funci´ on impulso unitario o delta de Dirac δ (t) y delta de Dirac retardada δ (t − T ) se definen como: δ (t) = 1 si t = 0 0 si t = 0 δ (t − T ) = 1 si t = T 0 si t = T (A.3)

Soluci´ on: Aplicando la propiedad fundamental (A.2) con g (t) = e−st y T = 0 se obtiene: ∞ L[δ (t)] = e−st δ (t − T )dt = e−sT |T =0 = 1
0

Aplicando ahora la propiedad fundamental con g (t) = e−st y retardo T resulta: L[δ (t − T )] = esT
∞ 0

e−st δ (t − T )dt = e−sT = z −1

La relaci´ on: z = constituye la variable discreta de desplazamiento y se emplea para el an´ alisis de sistemas lineales discretos con par´ ametros invariantes con el tiempo. Ejemplo A.5 Usando matem´ atica simb´ olica, hallar la transformada de Laplace de las siguientes funciones: dg (t) g1 (t) = aµ(t) g2 (t) = e−at g3 (t) = dt g4 (t) = a sin(t)cos(t)2
t

g5 (t) =
0

(t2 + cos 2t)

donde a es una constante real y positiva, µ(t) es la funci´ on escal´ on unitario definida en el ejemplo A.1 y g (t) es una funci´ on arbitraria dependiente del tiempo. Soluci´ on: El programa laplace1.m resuelve el problema.
% laplace1.m TRANSFORMADA SIMB´ OLICA DE LAPLACE clear all; close all; clc; syms a t s; G1 =laplace(a,t,s); % G1 = a/s G2 = laplace(exp(-a*t),t,s); % G2 = 1/(s+a) G3 = laplace(diff(sym(’g(t)’))); % G3 = s*laplace(g(t),t,s)-g(0) G4 = laplace(a*sin(t)*cos(t)^2,t,s); pretty(G4) % G4 = a*(s^2 + 3)/((s^2 + 9)(s^2+1)) g5 = int(t^2+cos(2*t)); G5 = laplace(g5); % G5 =2/s^4 + 1/(s^2+4)

156

Matem´ atica para Sistemas Continuos

A.1.2.

La Transformada Inversa de Laplace

La transformada inversa de Laplace de una funci´ on G(s) se denota como: g (t) = L−1 [G(s)] Ejemplo A.6 Usando matem´ atica simb´ olica, hallar la transformada inversa de Laplace de las siguientes funciones: G1 (s) = s+3 s2 G2 (s) = Aw (s − a2 ) + w2 (A.4)

donde w es una constante real y positiva. Soluci´ on: El programa laplace2.m resuelve el problema.
% laplace2.m clear all; close all; clc; syms s w a A G1=(s+3)/s^2; g1 = ilaplace(G1); % g1 = 1 + 3*t G2=A*w/((s-a)^2+w^2); g2 = ilaplace(G2); % g2 = A*e^(a*t)*sin(w*t)

Ejemplo A.7 La figura A.2 muestra un m´ ovil de masa m = 1000 kg desplaz´ andose con una velocidad v gracias a la acci´ on de la fuerza u producida por su motor. Si se desprecia la inercia de las ruedas y se asume que la fuerza de fricci´ on bv es lo u ´nico que se opone al movimiento, donde b= 50 N–s/m es el coeficiente de fricci´ on, entonces la din´ amica del sistema puede modelarse como: mv ˙ (t) + bv (t) = u(t) v ˙ (t) = dv (t) dt

Determine la velocidad v (t) y la aceleraci´ on v ˙ (t) del carro como respuesta a una fuerza u(t) tipo escal´ on de 1 N. Considere que la fuerza comienza a actuar para una velocidad inicial del carro de 2 m/s.

friccion bv

v velocidad m u

Fig. A.2: M´ ovil en movimiento. Soluci´ on: Teniendo en cuenta que v (0) = 2 m/s, V (s) = L[v (t)] y U (s) = L[u(t)], apliquemos la propiedad de derivaci´ on (2) de la Tabla A.2 en la ecuaci´ on din´ amica del carro: m(sV (s) − v (0)) + bV (s) = U (s)

Por ejemplo.3. asumiendo que todas las condiciones iniciales son nulas.1 La Transformada Unilateral de Laplace v (0) 1/m + s(s + b/m) s + b/m 157 V (s) = donde hemos usado el hecho de que U (s) = 1 s debido a que la entrada u es del tipo escal´ on.8 Empleando las propiedades del valor inicial y del valor final de la Tabla A. Distintos sistemas pueden poseer una misma forma de la FT.2. pero con par´ ametros completamente diferentes.9 Determinar la FT del m´ ovil del ejemplo A. los sistemas velocidad de un motor DC.7. La FT se puede interpretar como el sello que caracteriza la din´ amica de un sistema. Luego determine la velocidad v (t) del m´ ovil partiendo de su FT. Para el primer t´ ermino de V (s) empleamos la f´ ormula (14) con n = 1. ya que se expresa en funci´ on de los par´ ametros de dicho sistema.A.1. Soluci´ on: El valor inicial de v (t) se determina de: t→0 b 1 [1 − bv (0)] e− m t m l´ ım v (t) = l´ ım sV (s) = v (0) s→∞ El valor final v (t) se obtienen de: t→∞ l´ ım v (t) = l´ ım sV (s) = s→0 1 b A. La salida v (t) se determina usando la Tabla A. como respuesta a una fuerza u(t) tipo escal´ on de 1 N. Por consiguiente: v (t) = L−1 [V (s)] = b b 1 (1 − e− m t ) + v (0)e− m t b La derivada de v (t) produce la aceleraci´ on pedida: v ˙= Ejemplo A. . nivel en un tanque de agua con orificio de salida y un m´ ovil con desplazamiento horizontal poseen la siguiente forma de su FT: Y (s) K = U (s) τs + 1 Ejemplo A. mientras que para el segundo t´ ermino empleamos la f´ ormula (3). determinar tales valores para la velocidad del m´ ovil del problema anterior.1. La Funci´ on de Transferencia La funci´ on de transferencia FT de un sistema SISO (Single Input Single Output) se define como la relaci´ on: Y (s) G(s) = U (s) donde Y (s) es su salida y U (s) es su entrada.

158 Matem´ atica para Sistemas Continuos Soluci´ on: La FT del sistema se obtiene aplicando la propiedad de derivaci´ on (2) de la Tabla A.1.2. Cualquier funci´ on o fracci´ on racional propia de la forma B A(s) se puede escribir como una suma de funciones racionales de la forma: C (as + b)r (as2 Cs + D + bs + c)r r = 1.4. Si A(s) y B (s) poseen el mismo grado. .1 resulta: b 1 v (t) = (1 − e− m t ) b Ejemplo A. Fracciones Parciales (s) Una funci´ on o fracci´ on racional de la forma B A(s) es propia cuando el grado del polinomio B (s) del numerador es menor que el grado del polinomio A(s) del nume(s) rador.2). . con v (0) = 0: m[sV (s) − v (0)] + bV (s) = (ms + b)V (s) = U (s). La salida se determina de: entonces U (s) = 1 s v (t) = L−1 [V (s)] = L−1 1/m s(s + b/m) Usando la f´ ormula (14) (con n = 0) de la Tabla A.. 1/m V (s) = U (s) s + b/m Observar que resulta una FT de primer orden. . 2.10 Empleando las propiedades del valor inicial y del valor final de la Tabla A. determinar tales valores para la velocidad del m´ ovil del problema anterior.11 R(s) A(s) resulta propia. Soluci´ on: El valor inicial se determina de: t→0 l´ ım v (t) = l´ ım sV (s) = 0 s→∞ El valor final se obtiene de: t→∞ l´ ım v (t) = l´ ım sV (s) = s→0 1 b A. . entonces: B (s) R(s) =k+ A(s) A(s) donde k es una constante y la fracci´ on Ejemplo A. Como la entrada es un escal´ on unitario. 3. .

A.1 La Transformada Unilateral de Laplace

159

Tabla A.1: Transformadas unilaterales de Laplace

No (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16) (17) (18) (19) (20) (21)

G(s) 1
1 s 1 s+a ω s2 +ω 2 s s2 +ω 2 s cos α−ωsenα s2 +ω 2 ω (s+a)2 +ω 2 (s+a) (s+a)2 +ω 2 (s+a)cosα−ωsenα (s+a)2 +ω 2 1 s[(s+b)2 −a2 ] n! ; sn+1 1 (s+a)n+1 s (s+a)n+1 1 s(s+a)n+1 s2 (s+a)2 1 (s+a)(s+b) s (s+a)(s+b) s s(s+a)(s+b) s s2 (s+a)(s+b) 1 (s+a)(s+b)(s+c) s (s+a)(s+b)(s+c) s

g (t) δ (t) µ(t) e−at sen ωt cos ωt cos(ωt + α) e−at senωt e−at cosωt e−at cos(ωt + α)
b sen at)] [1−e−bt (cos at+ a

a2 +b2

n! = n(n − 1) . . .

tn
tn n!

e−at (1 +
at −at n )e
ν

tn+1 (n+1)! 1−

(at) n ν =0 ν ! an+1

e−at

[at−2+(2+at)e−at ]
a3

(e−at − e−bt )/(b − a) (be−bt − ae−at )/(b − a)
1 ab t ab be−at −ae−bt b−a

1− −
1 a2 b

a b2

+

1 b−a

1 −at e a2

1 −bt e b2

e−at (b−a)(c−a) −ae−at (b−a)(c−a)

+ +

e−bt (a−b)(c−b) −be−bt (a−b)(c−b)

+ +

e−ct (a−c)(b−c) −ce−ct (a−c)(b−c)

160

Matem´ atica para Sistemas Continuos Transformadas unilaterales de Laplace (continuaci´ on) No (22) (23) (24) (25) (26) (27) (28) (29) (30) (31) (32) G(s)
s2 (s+a)(s+b)(s+c) 1 s(s+a)(s+b)(s+c) 1 (s+a)(s+b)2 s (s+a)(s+b)2 s2 (s+a)(s+b)2 1 s(s+a)(s+b)2 1 s[(s+b)2 +a2 ]
2 ωn 2 s2 +2ζωn s+ωn 2 sωn 2 s2 +2ζωn s+ωn 2 ωn 2) s(s2 +2ζωn s+ωn 2 ωn 2) s(s2 +2ζωn s+ωn

g (t)
a2 e−at (b−a)(c−a) 1 abc

+

b2 e−bt (a−b)(c−b)

+

c2 e−ct (a−c)(b−c)

1−

bce−at (b−a)(c−a)

cae−bt (a−b)(c−b)

abe−ct (a−c)(b−c)

1 (b−a)2 1 (b−a)2 1 (b−a)2 1 −ab2 1 a2 +b2

e−at − [1 + (b − a)t]e−bt −ae−at + [a + (b − a)bt]e−bt a2 e−at − [2ab − b2 + (b − a)b2 t]e−bt −1 +
2 ωn ωd

b2 e−at (b−a)2

2ab−a2 +ab(b−a)t (b−a)2 b a

e−bt

1 − e−bt (cos at + e−δt sen ωd t

senat)

ζ < 1;

2 e−δt sen (ω t − θ ) ζ < 1; ωn d

ζ < 1; 1 − ζ > 1; 1 − ωd = ω n

ωn ωd

e−δt sen (ωd t + θ)

T1 e−t/T1 −T2 e−t/T2 T1 −T2

1 − ζ2

θ = arc cos ζ = arc cos (ωd /ωn ) δ = ζ ωn T1,2 =
1 ωn

(ζ ±

ζ 2 − 1)

Los siguientes tres ejemplos ilustran la expansi´ on en fracciones parciales: 3s + 2 C D E F = + + + 2 2 s(4s + 3)(2s + 5) s 4s + 3 (2s + 5) (2s + 5) Cs + D Es + F H 7s2 − 2s + 1 = 2 + 2 + 2 2 2 (s + 2s + 4) (s + 1) (s + 2s + 4) s + 2s + 4 s + 1 s2 − 9 8 =1− =1− 2 s −1 (s + 1)(s − 1) D C + s+1 s−1

A manera de ilustraci´ on, el valor de H del segundo ejemplo se calcula multiplicando ambos miembros de la igualdad por el factor (s + 1), para poder aislar H . La relaci´ on resultante se eval´ ua con la soluci´ on de la ecuaci´ on (s + 1) = 0; es decir, se eval´ ua en

A.1 La Transformada Unilateral de Laplace

161

Tabla A.2: Propiedades de la transformada de Laplace No (1) Descripci´ on Linealidad Propiedad L[a1 g1 (t) + a2 g2 (t)] = a1 L[g1 (t)] + a2 L[g2 (t)] = a1 G1 (s) + a2 G2 (s) (2) (3) Derivaci´ on Derivaci´ on de orden n
dg (t) = sG(s) − g (0) dt n g (t) L d dt = sn G(s) − sn−1 g (0) n n−2 (0) n−1 (0) −s dg − dg dtn−2 dtn−1 t (s) L 0 g (t)dt = Gs L[g (t − t0 )] = e−t0 s G(s)

L

(0) − sn−2 dg dt − · · ·

(4) (5) (6) (7) (8) (9) (10) (11)

Integral Desplazamiento en tiempo Desplazamiento en frecuencia Escalamiento Valor inicial Valor final Multiplicaci´ on por tn Divisi´ on entre t

L[e−at g (t)] = G(s + a)
s 1 G( a ) L[g (at)] = a

l´ ımt→0 g (t) = l´ ıms→∞ sG(s) l´ ımt→∞ g (t) = l´ ıms→0 sG(s) L[g (t)/t] =
G(s) L[tn g (t)] = (−1)n d ds n ∞ 0 G(t)dt
n

s = −1 como sigue: H=

(7s2 − 2s + 1)(s + 1) (Cs + D)(s + 1) (Es + F )(s + 1) − + (s2 + 2s + 4)2 (s + 1) (s2 + 2s + 4)2 s2 + 2s + 4

=
s=−1

10 9

Comando para Expandir Fracciones Racionales El comando [r,p,k] = residue(B,A) permite expandir una fracci´ on racional en la forma siguiente: B (s) r1 r2 rn = + + ··· + + k (s) A(s) s − p1 s − p2 s − pn (A.5)

donde p1 , . . . , pn son los n polos que no se repiten, r1 , . . . , rn son los residuos y k (s) comprime los t´ erminos directos. Los coeficientes de los polinomios A(s) y B (s) se introducen como vectores. Por ejemplo, A(s) = s4 + 5s2 − s − 3 produce el vector: (s) A = [1 0 5 –1 –3]. Si B A(s) posee polos repetidos, por ejemplo, si su polo pj es de multiplicidad m, entonces la expansi´ on incluye t´ erminos de la forma: rj +1 rj +m−1 rj + + ··· + s − pj (s − pj )2 (s − pj )m donde rj , . . . , rj +m−1 son los correspondientes residuos. Si en (A.5) el grado de B (s) es menor que el de A(s), entonces k (s) = 0. Si son iguales, k (s) es una constante. Todos los polos y los residuos est´ an contenidos en los vectores p y r respectivamente.

162 Ejemplo A.12

Matem´ atica para Sistemas Continuos

El programa fracp1.m descompone en fracciones parciales las expresiones: B (s) s2 − 16 = 2 A(s) s −1 N (s) s+6 s+6 = = 2 M (s) (s − 2)2 s − 4s + 4

% fracp1.m DESCOMPOSICION EN FRACCIONES PARCIALES clear all; close all; clc; B = [1 0 -16]; A = [1 0 -1]; % PRIMER CASO [r,p,k] = residue(B,A); % r = [7.5;-7.5]; p = [-1;1]; k = 1 M = [1 6]; N = [1 -4 4]; % SEGUNDO CASO [rr,pp,kk] = residue(M,N); % rr = [1;8]; pp = [2;2]; kk = 0;

Por consiguiente: B (s) 7.5 −7.5 = + +1 A(s) s+1 s−1 Ejemplo A.13 Hallar la transformada inversa de Laplace de: G(s) = B (s) s4 + 2s3 + 3s2 + 2s + 1 = 4 A(s) s + 4s3 + 7s2 + 6s + 2 N (s) 1 8 = + M (s) s − 2 (s − 2)2

Soluci´ on: El programa fracp2.m calcula los vectores r, p y k: r = [ r1 ; r2 ; rj ; rj +1 ] = [ −0.5i ; 0.5i ; −2 ; 1 ] Dado que todas las ra´ ıces en el vector r son distintas: rj rj +1 r2 r1 + + + G(s) = k + s − p1 s − p2 s − pj (s − pj )2 −0.5i 0.5i −2 1 = 1+ + + + s + 1 − i s + 1 + i s + 1 (s + 1)2 Es f´ acil demostrar que:
2 −0.5i 2 ωn 0.5i 1 1 + = = 2 s+1−i s+1+i 2 (s2 + 2s + 2) 2 s2 + 2ζωn s + ωn √ √ donde, por igualaci´ on: ωn = 2, ζ = 1/ 2. Por consiguiente:

p = [ p1 ; p2 ; pj ; pj +1 ] = [(−1 + i) ; (−1 − i) ; −1 ; −1]

k=1

G(s) = 1 +

1 2 −2 1 + + 2 2 (s + 2s + 2) s + 1 (s + 1)2
2 2 ωn ωn = e−δt sen ωd t 2 s2 + 2ζωn s + ωn ωd

Empleando los pares (1), (29), (3) y (12) de la Tabla A.1, con n = 1, se obtiene: L−1 [1] = δ (t) L−1 L−1

1 1 = e−t L−1 = te−t s+1 (s + 1)2 donde, ωd = 1 y δ = 1, se calcularon empleando las f´ ormulas al final de la continuaci´ on de la Tabla A.1. Por consiguiente, juntando los resultados anteriores se obtiene: g (t) = δ (t) + e−t sen t − 2e−t + te−t

A.2 Matrices y Determinantes
% fracp2.m DESCOMPOSICI´ ON EN FRACCIONES PARCIALES clear all; close all; clc; B = [1,2,3,2,1]; % POLINOMIO B(s) A = [1,4,7,6,2]; % POLINOMIO A(s) [r,p,k] = residue(B,A); % r = [-0.5i;0.5i;-2;1]; p = [-1+i;-1-i;-1;-1]; k = 1

163

Ejemplo A.14 Resolver la siguiente ecuaci´ on diferencial: dy (t) d2 y (t) + 24y (t) = e−6t + 11 2 dt dt con las condiciones iniciales nulas:
dy (0) dt

= 0, y (0) = 0.

Soluci´ on: Empleamos la propiedad de derivaci´ on de la Tabla A.2: L dy (t) d2 y (t) + 11 + 24y (t) = L e−6t 2 dt dt 1 dy (0) + 11(sY (s) − y (0)) + 24Y (s) = dt s+6

s2 Y (s) − sy (0) − Y (s) =

1 3/80 1/60 1/48 = + + (s + 3)(s + 8)(s + 6) s+3 s+8 s+6 1 1 3 y (t) = e−3t + e−8t + e−6t 80 60 48

A.2.

Matrices y Determinantes

Los elementos de una matriz pueden ser n´ umeros reales o complejos, funciones, otras matrices, etc. Cuando n = 1, A se convierte en un vector fila. Cuando m = 1, A toma la forma de un vector columna. Los vectores se denotan en negrita. Por ejemplo, los vectores columna x(q ) y fila y(q ) de orden n y dependiente del argumento q se representan como:   x1 (q )  .  y(q ) = y1 (q ) · · · yn (q ) x(q ) =  . .  xn (q ) Dos formas de denotar los correspondientes vectores fila y columna son: xT (q ) = x1 (q ) · · · xn (q ) ; x(q ) = x1 (q ) · · · xn (q )
T

Una matriz A de orden o dimensi´ on n × m, escrita con letra may´ uscula en negrita, es un arreglo rectangular con sus elementos aij dispuestos en n filas y m columnas. Es decir:   a11 . . . a1m   . . . i = 1, . . . , n; j = 1, . . . , m A = [aij ] =  . .  . an1 . . . anm

  b11 a11 a12 a13  c11 a11 b11 + a12 b21 + a13 b31 b21  = = a21 a22 a23 c21 a21 b11 + a22 b21 + a23 b31 b31 Si κ es un escalar. entonces C debe ser de orden n × r.  y(q ) =  . en general. la cual transforma las columnas en filas y viceversa. . . 2. denotada como C = A ± B.  yn (q )  Matem´ atica para Sistemas Continuos T y1 (q )  . . s´ olo es posible si A y B son del mismo orden: C = [cij ] = A ± B = [aij ± bij ] La multiplicaci´ on de dos matrices. Los elementos de C se determinan como sigue: m cij = k=1 aik bkj . .164  y1 (q )  . . . A. la siguiente multiplicaci´ on es v´ alida: A2×3 B3×1 = C2×1 . . es decir: AB = BA Ejemplo A. expresada como C = AB. 2. n. i = 1. la multiplicaci´ on no es conmutativa. m Por ejemplo. s´ olo es posible si el n´ umero de columnas de A es igual al n´ umero de filas de B. Si A es de orden n × m y B es de orden m × r. .1. entonces κA resulta una matriz en donde cada elemento queda multiplicado por κ. Sin embargo.15 . a saber: κA = κ[aij ] = [κaij ] La multiplicaci´ on es asociativa: ABCD = (AB)(CD) = A(BCD) = (ABC)D y distributiva: (A + B)(C + D) = AC + AD + BC + BD Cuando AB = BA. .  yT (q ) =  . Operaciones con Matrices Una matriz A con todos sus elementos aij iguales a cero se denomina matriz cero o nula y se denota como A = 0. j = 1. Dos matrices A = [aij ] y B = [bij ] son iguales si son del mismo orden y adem´ as [aij ] = [bij ]. tal como se observa a continuaci´ on.2. . La suma de dos matrices. se dice que A y B son matrices que conmutan.  yn (q )  donde el super´ ındice T indica la operaci´ on transpuesta.

tal como se ilustra en el siguiente programa. A = [1 2 3. Ejemplo A. denotada como AT . basta demostrar que C = D. Para la operaci´ on conjugada se cumple: (A∗ )∗ = A. Si AB = AC. Las matrices A y B son singulares si det(A) = 0 y det(B) = 0 donde det es la operaci´ on determinante.2 Matrices y Determinantes Determinar si las matrices A  1  A= 0 2 y B conmutan o no. toma la conjugada y luego la transpuesta (o toma la transpuesta y luego la conjugada) de la matriz A. % conmat.1 4 -3. % D = [-1 18 -13. La matriz transpuesta. (A + B)T = AT + BT .-5 0 22. denotada como AH . Es decir: AH = (A∗ )T = (AT )∗ Por consiguiente: (AH )H = A. B = [-1 5 0. % C = [1 -5 -12.m CONMUTACI´ ON DE MATRICES clear all. implica que A = 0 o B = 0. la cual se trata m´ as adelante. donde j = −1 es la unidad de los n´ umeros imaginarios y tanto σ como ω son n´ umeros reales. o que A y B sean singulares. Por consiguiente: (AT )T = A. no necesariamente implica que B = C. clc. es la matriz A con sus filas y columnas intercambiadas. toma la conjugada a todos los elementos complejos de A.    1 2 3 2 3 4 −2  B =  0 4 −2  2 6 −9 6 −9 165 Soluci´ on: Dado C = AB y D = BA. close all. La operaci´ on conjugada. denotada como A∗ .16 Dada la matriz real A y  1 A= 0 2 la matriz compleja B hallar A∗ . (AB)∗ = A∗ B∗ La operaci´ on hermitiana de A.0 -6 -2].-4 -36 30] % A Y B NO SON CONMUTATIVAS PORQUE C ES DIFERENTE DE D Si AB = 0. entonces A ∗ = A y AH = (A∗ )T = AT . es decir. C = A*B. BT . AH . si todos sus elementos son reales.    2 3 1−j 3 3+j 4 −2  4 −2 + j  B= j 6 −9 2−j 6+j −9 . AT . (A + B)H = AH + BH .4 28 -8. (A + B)∗ = A∗ + B∗ .2 6 -9].4 88 0] D = B*A. (AB)H = BH AH Si A es una matriz real. (AB)T = BT AT √ Un n´ umero complejo se designa como s = σ + jω .0 4 -2. B∗ y BH .A.

. En general. .  . se cumple que: A es sim´ etrica si: A es antisim´ etrica si: A es hermitiana si: A es antihermitiana si: A es ortogonal si: A es unitaria si: A es normal si: A es peri´ odica si: A es nilpotente si: A−1 es la inversa de A si: A es singular si: AT = A A = −A A H T (A. La traza de una matriz cuadrada se define como: traza(A) = a11 + · · · + ann Una matriz cuadrada se denomina matriz diagonal cuando los elementos que no pertenecen a su diagonal son todos ceros:   d11 0 0 .9) (A. . o simplemente una diagonal con elementos aii . . entonces: A =A A = A. entonces la matriz es triangular inferior. .14) (A.13) (A. . −1 κ es un entero positivo A=I det(A) = 0 . Si A es cuadrada. entonces: A = A AA AA A A κ H H T = A A = I. dnn Una matriz cuadrada se denomina triangular superior si los elementos debajo de su diagonal son todos ceros. es una matriz diagonal que s´ olo posee unos.16) A H AA = A A = I.12) (A.  . 0    D = [dii ] =  . . denotada tambi´ en como In (n es el orden de la matriz). .2.10) (A. AI = IA.11) (A. Esta matriz posee una diagonal principal. La matriz identidad I. H H H =A κ+1 κ es un entero positivo A = 0.7) ∗ T T ∗ T = (A ) = (A ) = A = −A T −1 −1 (A.  0 0 0 .8) (A.15) (A. . 0  0 d22 0 .2. . Si los elementos encima de su diagonal son todos ceros. . .6) (A. . entonces A es una matriz cuadrada de orden n. Tipos de Matrices Si el orden de una matriz A es n × n.166 Soluci´ on: Matem´ atica para Sistemas Continuos  1 0 2 6  A∗ = A A H = AT =  2 4 3 −2 −9     1+j 3 3−j 1−j j 2−j 4 −2 − j  4 6+j  B∗ =  −j BT =  3 2+j 6−j −9 3 + j −2 + j −9   1+j −j 2+j H T ∗  3 4 6−j  B = (B ) = 3 − j −2 − j −9  A. . .

3. el determinante de una matriz de orden n = 3 se calcula como:   a11 a12 a13 a22 a23 det  a21 a22 a23  = (−1)1+1 a11 det + a32 a33 a31 a32 a33 (−1)1+2 a12 det a21 a23 a31 a33 + (−1)1+3 a13 det a21 a22 a31 a32 (A. Si tomamos como base la primera fila.18) Con relaci´ on a dos matrices cuadradas A y B de orden n: .17) Para obtener el determinante de una matriz de orden n > 2 podemos emplear el m´ etodo de la expansi´ on.2 Matrices y Determinantes 167 Una matriz compleja cuadrada A puede ser escrita como la suma de una matriz H H as otra matriz antihermitiana C = 1 hermitiana B = 1 2 (A + A ) m´ 2 (A − A ). donde A es la siguiente matriz compleja: A= Soluci´ on: 1+j 2−j 6+j 5−j 1−j 6−j 2+j 5+j BH = (B∗ )T = B CH = (C∗ )T = −C AH = (A∗ )T = 1 B = (A + AH ) = 2 1 C = (A − AH ) = 2 1 4−j 4+j 5 j −2 2 −j A. . Es decir: 1 1 A = B + C = (A + AH ) + (A − AH ) 2 2 Ejemplo A. . j = 1. Por ejemplo. .2.17 1 H H Demostrar que B = 1 2 (A + A ) y C = 2 (A − A ) son matrices hermitiana y antihermitiana respectivamente.A. . Determinantes y Matriz Inversa Determinantes El determinante de la matriz A = [aij ] de orden 2 es: det a11 a12 a21 a22 = a11 a22 − a12 a21 (A. n es la matriz que resulta luego de eliminar la fila 1 y la columna j de A. el determinante de una matriz A se obtiene de: n det(A) = j =1 (−1)1+j a1j det(A1j ) = (−1)1+1 a11 det(A11 ) + (−1)1+2 a12 det(A12 ) + · · · donde A1j .

Si los eigenvalores de A son λ1 . λn .2.168 Matem´ atica para Sistemas Continuos 1. Si cada elemento de una fila o columna de A es cero. λn . det(A) = det(AT ). entonces: (AB)−1 = B−1 A−1 .18 Comprobar simb´ olicamente las f´ ormulas de la inversa y del determinante de A dadas en (A. λ2 . Si sumamos un m´ ultiplo de una fila o una columna de A a cualquiera de sus filas o columnas. La determinaci´ on de los eigenvalores o valores propios de una matriz se trata en la subsecci´ on A. . el valor del det(A) no cambia. .4. Si la constante real κ multiplica una fila o una columna de A. entonces el det(A) queda multiplicado por κ. Soluci´ on: Ejecutar el programa matinv. entonces det(A) = 0. Si la matriz B se obtiene intercambiando dos filas o dos columnas de A. A−1 = 1 ad − bc d −b −c a (A. Si dos filas o columnas de A son iguales. det(AB) = det(BA) = det(A)det(B) 8. si det(A) = 0 y det(B) = 0. .19) Del mismo modo. Matriz inversa Si A y B son dos matrices no singulares. si A es una matriz no singular de orden 3:   a b c A= d e f  g h i e f  det h i   1  −det d f = g i det(A)    d e det g h  b h a det g a −det g −det c i c i b h det A−1 b e a −det d a det d c f c f b e         (A. 3. 5. entonces det(A) = 0. 6. 4. 2. . det(A−1 ) = 1 det(A) Si A es una matriz no singular de orden 2. luego: det(A) = λ1 λ2 . . (AT )−1 = (A−1 )T ((A∗ )T )−1 = ((A−1 )∗ )T . 7.20). vale recordar que: A= a b c d .20) det(A) = aei + gbf + cdh − gec − ahf − idb Ejemplo A. . es decir. .m mostrado abajo. entonces det(B) = −det(A).

∠ G = ∠ Gij −1 Fig.m INVERSA Y DETERMINANTE DE UNA MATRIZ EN FORMA SIMB ´ OLICA clear all. El valor absoluto o m´ odulo o magnitud de G se denota como |G| mientras que el a ´ngulo o argumento de G se expresa como ∠ G. clc. close all.g h i].a f h . Luego.d e f.3. . % MATRIZ SIMB´ OLICA invA = inv(A). pretty(invA) % DEVUELVE INVERSA DE A detA = det(A).g c e 169 La Tabla A.3 muestra los comandos para ejecutar operaciones matriciales con MATLAB.m se obtiene la misma soluci´ on. Cantidades Complejas Sea G = Gr + jGi un n´ umero o funci´ on compleja donde e[G] = Gr es su parte real e m[G] = Gi es su parte imaginaria. A.21) Si G es un vector o matriz compleja con elementos complejos Gij .19. es decir: e[G] = e[Gij ]. pretty(detA) % DEVUELVE DETERMINANTE DE A % aei . Ejecutando el programa trnot. entonces las operaciones anteriores se ejecutan elemento por elemento.i d b + d c h + g b f .19 Calcular en forma gr´ afica y usando MATLAB el a ´ngulo y el m´ odulo de: √ G = [−1 − j − 3 + 4j 1 − 3j ] = [G11 G12 G13 ] Soluci´ on: Los elementos de G corresponden a tri´ angulos notables mostrados en la Fig.2 Matrices y Determinantes % matinv.A.3: Tri´ angulos notables para el problema A. A. G se puede formular como: G = e[G] + j m[G] = |G|∠ G |G| = ( e[G])2 + ( m[G])2 ∠ G = arctan m[G] e[G] (A. Ejemplo A. 4j 5 2 −3 −135º −j G 11 = 2 −135º G12 = 5 127º 3j G13 = 2 −60º 127º 1 −60º 2 m[G] = m[Gij ] |G| = |Gij |. syms a b c d e f g h i % COMANDO syms GENERA S´ IMBOLOS A = [a b c. G = |G|∠ G = |Gij |∠ Gij .

4142 5 2].8699 -60] moduloG = abs(G). calcular B.4142 = sqrt(2) Tabla A. Adem´ as.7j A3 )A−1 AH |A|∠ A e[A] m[A] (2j + 1) traza(A)det(A) 1 H H Luego. X = B/A abs(A) angle(A) real(A) imag(A) trace(A) eye(n) A+B A−B AB κA A∗ AT AT AH An det(A) A−1 |A| ∠A e[A] m[A] n i=1 aii In Ejemplo A.’ A’ A^n det(A) inv(A) A*X = B. G13 = 1-sqrt(3)*j. % (180/pi) CONVIERTE rad A GRADOS % anguloG = [-135 126. anguloG = angle(G)*(180/pi).B A*B kappa*A conj(A) A’ conj(A’). por ser hermitiana: M = MH .   1−j 2−j 3−j −2 3 + 5j  A =  4j 6 − j 7 − j 8 + 3j B= (A∗ + AT − 0. G12 = -3+4j.20 Dada la matriz cuadrada A. A. X = A\ B X*A = B.m calcula la matriz B pedida.m N´ UMEROS COMPLEJOS clear all. 1. close all. % moduloG = [1. Entonces basta comprobar que M − MH = 0 y que N + NH = 0. comprobar que M = 1 2 (B + B ) y N = 2 (B − B ) son sus matrices hermitiana y antihermitiana respectivamente. G = [G11 G12 G13]. y por ser antihermitiana: N = −NH .3: Comandos para c´ omputo matricial Operaci´ on Suma Resta Multiplicaci´ on Multiplicaci´ on Conjugada Transpuesta (A real) Transpuesta (A compleja) Hermitiana Potencia Determinante Inversa Divisi´ on izquierda Divisi´ on derecha Valor absoluto ´ Angulo Parte real Parte imaginaria Traza Matriz identidad C´ odigo MATLAB A + B A . clc. .170 Matem´ atica para Sistemas Continuos % trnot. G11 = -1-j. Soluci´ on: El programa calmat.

Ejemplo A.– Si los vectores x. . obtener una sola ecuaci´ on diferencial matricial que reemplace a las dos ecuaciones diferenciales siguientes: dx ˙ = Ax + Bv. . close all. n = n1 + · · · + nn .j. A n n m1 · · · A n n mm B m m p1 · · · B m m pp La condici´ on necesaria para realizar el producto Cnp = Anm Bmp empleando particiones.. y. % N ES ANTIHERMITIANA PORQUE M=-M’ ´ O M+M’=0 171 Ejemplo A. A = [1-j 2-j 3. la partici´ on es correcta.4j -2 3+5j. Por consiguiente.A.m C´ ALCULO MATRICIAL COMPLEJO clear all. para las filas de B: m = 2 + 3 + 1 = 6. .  A22 A23 AB =  A32 A33 A42 A43 si el producto siguiente es v´ alido y si lo es. Por lo tanto.6-j 7-j 8+3j].21 Multiplicaci´ on con Partici´ on de Matrices.   B22 B23 A21 A31   B32 B33  B12 B13 A41 Soluci´ on: Podemos notar que para las filas de A: n = 2 + 3 + 4 = 9. % MATRIZ DATO B = (conj(A)+conj(A’)-0. .– Dos matrices Anm y Bmp (los sub´ ındices indican las dimensiones) pueden ser particionadas como sigue:     B m 1 p1 · · · B m 1 pp A n 1 m1 · · · A n 1 mm     . m = m1 + · · · + mm y p = p1 + · · · + pp .B’)/2.2 Matrices y Determinantes % calmat. . . .22 Empleando la regla descrita determinar obtener C = AB. dy dt dy ˙ = Cy + Dw =y dt ˙ denotan las derivadas de x e y con respecto al tiempo.7j*A^3)*inv(A)*A’*abs(A)* .. . v y w son de orden n. es que las columnas de A y las filas de B sean particionadas en la misma forma. % M ES HERMITIANA PORQUE M=M’ ´ O M-M’=0 N = (B . . M = (B + B’)/2.23 Matriz Aumentada. La multiplicaci´ on ahora es directa:   A22 B22 + A23 B32 + A21 B12 A22 B23 + A23 B33 + A21 B13 C =  A32 B22 + A33 B32 + A31 B12 A32 B23 + A33 B33 + A31 B13  A42 B22 + A43 B32 + A41 B12 A42 B23 + A43 B33 + A41 B13 Ejemplo A. m. mientras que para las columnas de A: m = 2 + 3 + 1 = 6. p y q respectivamente. . =x dt x ˙ y donde d dt = x respectivamente. angle(A)*real(A)*imag(A)/((2*j+1)*trace(A)*det(A)). . Del mismo modo. = y . mientras que para las columnas de B: p = 2 + 3 = 5. clc. B= A=  .

4. y as´ ı sucesivamente. Rango. Eigenvectores y Pseudoinversas Dependencia e Independencia de Vectores Un conjunto de vectores es linealmente independiente cuando ninguno de ellos se puede escribir como una combinaci´ on lineal de los restantes. v y w son linealmente dependientes. entonces A debe ser de orden n × n.24 Determinar si los siguientes vectores son o no linealmente dependientes. Entonces.172 Matem´ atica para Sistemas Continuos Soluci´ on: Es importante notar que si x es de orden n. es decir:         18 3 4 3α + 4β  28  = α  5  + β  6  =  5α + 6β  29 7 5 7α + 5β El sistema de tres ecuaciones y dos inc´ ognitas resultante es incompatible y sin soluci´ on. si v es de orden p.       1 3 4      u= 2 v= 5 w= 6  3 7 5 Soluci´ on: Tal conjunto de vectores es linealmente dependiente si se demuestra que existen dos constantes α y β no nulas que verifiquen: u = αv + β w.2. Soluci´ on: Tal conjunto de vectores es linealmente independiente si se demuestra que no existen dos constantes α y β no nulas que verifiquen: u = αv + β w. Tambi´ en. Al contrario. el conjunto de vectores u. v y w es linealmente independiente. donde 0 es la matriz nula. entonces:         4 3α + 4β 1 3  2  = α  5  + β  6  =  5α + 6β  5 7α + 5β 3 7 . Ejemplo A.       18 3 4 u =  28  v= 5  w= 6  29 7 5 Resolviendo este sistema de tres ecuaciones y dos inc´ ognitas resulta: α = 2 y β = 3. entonces B debe ser de orden n × p. el conjunto de vectores u.25 Determinar si los siguientes vectores son o no linealmente independientes. Por lo tanto. ˙ x ˙ y = A 0 0 C x y + B 0 0 D v w ˙ m×1 = 0m×n xn×1 + Cm×m ym×1 + 0m×p vp×1 + Dm×q wq×1 y ˙ n×1 = An×n xn×1 + 0n×m ym×1 + Bn×p vp×1 + 0n×q wq×1 x A. La ecuaci´ on pedida se muestra a continuaci´ on. Las dimensiones de los vectores y matrices se indican con sub´ ındices. tal conjunto de vectores es linealmente dependiente cuando alguno de ellos se puede escribir como una combinaci´ on lineal de los dem´ as. Ejemplo A. Si suponemos que dichas constantes existen.

es igual al n´ umero m´ aximo r de sus vectores filas (o columnas) linealmente independientes. Si A es una matriz cuadrada de orden n × n. el rango de la matriz B es r = 2 porque el determinante del segundo m´ ınimo cuadrado es diferente de 0. su rango es n siempre que A sea no singular. La primera es que ning´ un vector fila o vector columna es una combinaci´ on lineal de las restantes. pero el tercer vector fila si lo es. m). Por consiguiente. si det(A) = 0. El rango de una matriz tambi´ en se puede determinar evaluando los determinantes de sus m´ ınimos cuadrados. Los determinantes de los m´ ınimos cuadrados de B son:   1 3 2 1 3 det([1]) = 1 = 0 det =1=0 det  3 8 9  = 0 3 8 1 2 5 Por consiguiente. su rango. rango(AB) ≤ rango(A). tal como se ilustra en el siguiente ejemplo. En otro caso.2 Matrices y Determinantes Rango de una Matriz 173 Si A es una matriz de orden n × m. es decir: rango(B) < n. Por otro lado. se cumple: rango(AB) = rango(AH ) = rango(AH A) = rango(AAH ) rango(AB) = rango(AT ) = rango(AT A) = rango(AAT ) rango(AB) = rango(A). es decir. La matriz B de orden n = 3 posee rango r = 2. denotado como rango(A). entonces: rango(A) < n. rango(AB) = rango(B). lo que implica que B no posee rango completo por ser singular.A. En cualquier matriz. Propiedades del Rango Si A es una matriz de orden n × m y B es de orden m × k . se puede comprobar que det(B) = 0. el valor m´ aximo rmax que puede tener el rango r de una matriz de orden n × m es: rmax = min(n. debido a que es igual al segundo vector fila menos el doble del primer vector fila. mientras que el determinante del tercer m´ ınimo cuadrado es nulo. el n´ umero de vectores filas linealmente independientes coincide con el n´ umero de vectores columnas linealmente independientes. si A y B son no singulares si A y B son no singulares rango(AB) ≤ rango(B) .26 Determinar el rango de las siguientes matrices empleando varios m´ etodos:     1 2 3 1 3 2 A= 3 5 7  B= 3 8 9  4 6 5 1 2 5 Soluci´ on: La matriz A de orden n = 3 posee rango completo (r = n = 3) por dos razones. si det(A) = 0. La segunda raz´ on es que A es no singular. porque los dos primeros vectores filas no son linealmente dependientes. Ejemplo A.

Demostrar num´ ericamente que: rango(A) = rango(AH ) rango(AB) ≤ min(rango(A).7j -1 9j 4j].4). rAB=2=min(rA. C=[-1+j -2+j 3-j -5-7j. es un escalar λ que permite una soluci´ on no trivial de la ecuaci´ on: Ax = λx (A. rAB = rank(A*B).8-9j 4-2j -1+j -4.rB). modo.4).22) obtenemos la ecuaci´ on caracter´ ıstica de A: det(λI − A) = 0 (A.-2+3j -4-6j. (2.4-6j -2-5j 7j -j.-5-6j -2+5j]. E = e1 · · · en =  .m PROPIEDADES DEL RANGO clear all A=[-1+j 3-5j -5+6j -2+5j.4) Y (4. eigenvalue.27 Matem´ atica para Sistemas Continuos Sean las matrices Anm . rCB=2=rB. m) Eigenvalores y Eigenvectores Un eigenvalor de una matriz de orden n. rango(A) ≤ m´ ın(n.8+9j -4+2j. rB=2. . % proprango. .  11 + · · · + en1 |e1 | en1 Ejemplo A. rAH=rA.24) La matriz E de eigenvectores para una matriz A de orden n  e11 · · · e1n  .4) RESPECTIVAMENTE rA=rank(A). . B Y C SON (3.4-2j -1+j -4 2. rango(B)) rango(CB) = rango(B) Soluci´ on: El siguiente programa presenta las demostraciones pedidas. en1 · · · enn toma la forma:    ei .28 . Por ejemplo. conocido tambi´ en como valor propio. . . . % rA=3=min(3.-2+3j 4-6j -2-5j 7j]. Bmp y Cmm . el vector e1 se Un eigenvector normalizado se define como: ei = |e i| calcula como:   e11 e1  . rB=rank(B).22) Factorizando x en (A. % DIMENSIONES DE A.23) Asociado con cada eigenvalor λi existe un eigenvector ei de magnitud arbitraria que es soluci´ on de (ver (A. o ra´ ız caracter´ ıstica. B=[1+j -3-5j. rCB=rank(C*B). .. rAH=rank(A’).22)): Aei = λi ei (A.174 Ejemplo A.  2 |e1 | = e2 e1 = e1 =  .

D]=eig(A). n . L = eig(A). Los eigenvectores se calculan de (A. [E. % DETERMINA LOS EIGENVALORES DE A detA = det(A). Soluci´ on: Ver el programa eig2. obteni´ endose: e1 = 1 Ae1 = λ1 e11 −e11 = 1 −1 e2 = 1 Ae2 = λ2 e12 2e12 = 1 2 √ donde √ las soluciones e11 = 1 y e12 = 1 son arbitrarias.A.2 Matrices y Determinantes Determinar los eigenvalores y eigenvectores del sistema siguiente: x ˙1 x ˙2 = 1 2 4 3 x1 x2 175 Soluci´ on: Los eigenvalores se determinan de (A. Ejemplo A. % eig2.-j 5j -4 -3j.8 6j -4 -9j]. .23): det(λI − A) = det λ 0 0 λ − 1 2 4 3 = (λ − 1)(λ − 3) − 8 = 0 resultando: λ1 = −1 y λ2 = 5. % E: MATRIZ DE EIGENVECTORES NORMALIZADOS % D: MATRIZ DIAGONAL DE EIGENVALORES Ejemplo A. comprobar num´ ericamente: det(A) = λ1 λ2 .30 Si los λi son los eigenvalores de la matriz A de orden n.m.m C´ ALCULO DE EIGENVALORES Y EIGENVECTORES clear all.m COMPRUEBA QUE det(A)=L(1)L(2)L(3)L(4) clear all A = [1-j 2-j 3-j -3+8j 4j -2 3+5j 4-2j 6-j 7-j 8+3j 3+j 2 -1 j 0]. . clc. . .0 -7j -2 -j. los eigenvectores normalizados resultan: e1 = e1 /|e1 | y e2 = e2 /|e2 |. Dado que |e1 | = 2 y |e2 | = 5. λn . . P = L(1)*L(2)*L(3)*L(4). A = [1 2j 4 -3. % eig1.29 Determinar los eigenvalores y eigenvectores para la matriz A empleando MATLAB. % SE CUMPLE QUE: det(A) = P i = 1. close all. .m.24) para λ1 y λ2 : Ae1 = λ1 e1 y Ae2 = λ2 e2 .   1 2j 4 −3  −j 5j −4 −3j     0 −7j −2 −j  8 6j −4 −9j Soluci´ on: Ejecutar el programa eig1.

1 2+3i. % MATRIZ PSEUDOINVERSA IZQUIERDA y = MPII*d. En forma similar. % MATRIZ PSEUDOINVERSA DERECHA x = MPID*b.m. x es un vector de orden n y b es un vector de orden m.2)*y(2. % miqe. A = [1+i 2+3i 3-i. x es un vector de orden m y b es un vector de orden n.20+3i]. b = [10-i. Se supone que n < m.3+i]. La soluci´ on de tal ecuaci´ on se obtiene de: xo = AII b AII = (AT A)−1 AT donde AII es la matriz pseudoinversa izquierda (o m´ ınima inversa izquierda) de A que cumple la propiedad: AII A = Im . d = [1. La soluci´ on de tal ecuaci´ on est´ a dada por: xo = AID b AID = AT (AAT )−1 donde AID es la matriz pseudoinversa derecha (o m´ ınima inversa derecha) de A que cumple la propiedad: AAID = In . clc. % VECTOR SOLUCION DE DIMENSI´ ON (2. donde A es una matriz de orden m × n y de rango m.176 Matem´ atica para Sistemas Continuos Pseudoinversas El concepto de pseudoinversa de una matriz es la generalizaci´ on de su inversa y resulta u ´til para encontrar una soluci´ on en un conjunto de ecuaciones algebraicas en donde el n´ umero de variables desconocidas y el n´ umero de ecuaciones linealmente independientes no son iguales.1) = b(2.2-3i.m se resuelven sistemas de ecuaciones empleando pseudoinversas. Se supone que n > m.4-j. sea la ecuaci´ on: Ax = b.m SISTEMA DE ECUACIONES: clear all. A = [5-j 2+3j 3-j -1+4j 4j -2 3+5j -7j 6-j 7-j 8-3j 3-j B = [2-9j. close all.1 4-i]. 4jx1 − 2x2 + (3 + 5j )x3 − 7jx4 + (8 − 2j )x5 = 4 − j . MAS INC´ OGNITAS QUE ECUACIONES -6+j 8-2j 1+4j].3+j].32 Resolver el siguiente sistema (m´ as inc´ ognitas que ecuaciones): (5 − j )x1 + (2 + 3j )x2 + (3 − j )x3 + (−1 + 4j )x4 + (−6 + j )x5 = 2 − 9j (6 − j )x1 + (7 − j )x2 + (8 − 3j )x3 + (3 − j )x4 + (1 + 4j )x5 = 3 + j Soluci´ on: Ver el programa miqe.1) = d(3.1) MPID = A’*(A*A’)^(-1). X = A\B.m SOLUCION DE ECUACIONES USANDO PSEUDOINVERSAS clear all. Ejemplo A. close all.1) Ejemplo A.31 En pseudoinv. % C(3. % A(2. clc.4-2i 5+i 6].1) C = [1+i 1-i. Sea la ecuaci´ on: Ax = b donde A es una matriz de orden n × m y de rango n. % pseudoinv. % VECTOR SOLUCION DE DIMENSI´ ON (3.3)*x(3.1) MPII = (C’*C)^(-1)*C’.

2 Matrices y Determinantes Ejemplo A. . 0    (A. . Por otro lado.2.  0 0 . en ] es unitaria porque: EH = E−1 . % meqi. .33 Resolver el siguiente sistema (m´ as ecuaciones que inc´ ognitas): (5 − j )x1 + (2 + 3j )x2 + (3 − j )x3 = 2 − 9j (6 − j )x1 + (7 − j )x2 + (8 − 3j )x3 = 3 + j −7jx1 + (8 − 2j )x2 + (1 + 4j )x3 = −9 4jx1 − 2x2 + (3 + 5j )x3 = 4 − j 177 (−1 + 4j )x1 + (−6 + j )x2 + (3 − j )x3 = −3 + 7j Soluci´ on: Ejecutar el programa meqi. λn El proceso de diagonalizaci´ on arriba mencionado permite transformar un sistema descrito por la denominada ecuaci´ on de estado (secci´ on A.5.3) : dx =x ˙ = Ax + Bu dt en otro sistema descrito por la ecuaci´ on: dx∗ =x ˙ ∗ = A ∗ x∗ + B ∗ u dt donde: x = Ex∗ es una transformaci´ on lineal. A = [5-j 2+3j 3-j 4j -2 3+5j 6-j 7-j 8-3j -1+4j -6+j 3-j -7j 8-2j 1+4j]. Esta transformaci´ on se denomina can´ onica. .-9]. X = A\B.  . Sea Λ una matriz diagonal formada con los eigenvalores de A. .m. .3+j. . 0  0 λ2 .A. close all.-3+7j.4-j. A∗ = E−1 AE = Λ y B∗ = E−1 B. B = [2-9j. la matriz de eigenvectores E no es unitaria (EH = E−1 ). . Diagonalizaci´ on de Matrices y Formas Can´ onicas Diagonalizaci´ on de Matrices Si A es una matriz de orden n que posee n eigenvalores distintos λi .  . . Entonces se cumple:   λ1 0 .25) E−1 AE = Λ =  . . A. . .m SISTEMA DE ECUACIONES: MAS ECUACIONES QUE INCOGNITAS clear all. . si A es una matriz de orden n de rango completo que posee eingenvalores repetidos. Sin embargo. clc. entonces A se puede diagonalizar mediante la relaci´ on E −1 AE = Λ. . entonces su matriz de eigenvectores E = [e1 . .

178 Ejemplo A.34

Matem´ atica para Sistemas Continuos

Hallar la transformaci´ on can´ onica del siguiente sistema: x ˙ = Ax + Bu = 2 0 −1 1 x+ 1 −1 u

Soluci´ on: Ejecutar el programa trancan.m para obtener la siguiente transformaci´ on can´ onica: dx∗ =x ˙ ∗ = A ∗ x∗ + B ∗ u dt 0 x ˙∗ 1 0 x∗ 1 1 = u + √ ∗ x ˙2 0 2 x∗ 2 2
% trancan.m TRANSFORMACI´ ON CAN´ ONICA clear all; close all; clc; A = [2 0;-1 1]; B = [1;-1]; [E,D]=eig(A); % E=[e1 e2]: MATRIZ DE EIGENVECTORES % EIGENVALORES: D = diag(1, 2) Aast=inv(E)*A*E; Bast=inv(E)*B; % Aast=[1 0;0 2]; Bast=[0;1.4142};

Ejemplo A.35 En el programa siguiente se diagonalizan varias matrices de rango completo.
% diagmat.m DIAGONALIZACION DE MATRICES DE RANGO COMPLETO clear all; close all; clc; A1 = [2 2 -1;2 3 0;-1 0 2]; n1 = 3; % rank(A1) = 3 (RANGO COMPLETO) [E1,D1] = eig(A1); DD1=inv(E1)*A1*E1; % D1=DD1=diag(4.7093,2.1939,0.0968), RA ´ ICES NO REPETIDAS => inv(E1)=E1’ A2 = [-2 -1 -1 -1 2;1 3 1 1 -1;-1 -4 -2 -1 1;-1 -4 -1 -2 1;... -2 -2 -2 -2 3]; n2 = 5; % rank(A2) = 5 (RANGO COMPLETO) [E2,D2] = eig(A2); DD2=inv(E2)*A2*E2; % D2 = DD2 = diag(-1,1.5+0.866i,1.5-0.866i,-1,-1) % DOS RA´ ICES REPETIDAS => inv(E2) ~= E2’ A3 = [-2 3 3 -1 -6 -2;1 0 -1 0 2 1;1 -2 0 1 2 0;1 1 -1 -1 2 1;... 1 -2 -1 1 3 1;1 0 -1 0 2 0]; n3 = 6; % rank(A3)=6 (RANGO COMPLETO) [E3,D3] = eig(A3); DD3=inv(E3)*A3*E3; % D3 = diag(-1,-1,1,1,1,-1), TRES RA´ ICES REPETIDAS => inv(E3) ~= E3’

A.3.
A.3.1.

Variables de Estado
Ejemplo de Introducci´ on

El siguiente ejemplo sirve para introducir el concepto de variable de estado. La Fig. A.4 muestra el sistema tanque con agua, donde el volumen de agua acumulado se modela como: dh ˙ = q i − qo ˙ = dh S = Sh h (A.26) dt dt donde S es la secci´ on uniforme del tanque, h es el nivel del liquido, q1 es el flujo de entrada y qo es el flujo de salida. Considerando que el flujo de salida qo es laminar: qo = h Rh (A.27)

A.3 Variables de Estado

179

c c bc b b
qi A

h

dd

Sensor de presión

qo

Fig. A.4: Sistema tanque con agua.

donde Rh es la resistencia hidr´ aulica, la cual se calcula de la relaci´ on: Rh = H Q (A.28)

donde H y Q son los valores estacionarios de h y qo , respectivamente. Despejando ˙ de (A.26) se obtiene la ecuaci´ h on de estado del sistema, la cual es una ecuaci´ on diferencial de primer orden de la forma: ˙ = − 1 h + 1 qi h SRh S x ˙ = Ax + B u (A.29)

donde x = h es la variable de estado del sistema, u = qi es la variable de entrada, 1 A = − SR es la matriz de estado del sistema (en este caso una matriz de orden uno) h 1 on de orden uno. La ecuaci´ on de salida del proceso y B = S es la matriz de distribuci´ toma la forma: y = Cx = [1]x (A.30) donde y es la salida y C es la matriz de salida. Sabiendo que L[ ] es el operador de Laplace, entonces: L[u] = U (s), L[x] = X (s) = Y (s), L[qi ] = Qi (s) y L[x ˙ ] = L[y ˙] = s[Y (s) − y (0)], la FT del sistema con y (0) = 0 resulta de (A.29): Y (s) Rh = Qi (s) SRh s + 1 (A.31)

donde el producto SRh es la constante de tiempo del sistema nivel. Por consiguiente, la FT y las ecuaciones de estado y de salida de un determinado sistema SISO (de una entrada y una salida), son dos formas de describir la din´ amica del sistema. Sin embargo, la representaci´ on en el espacio de estado (variables de estado m´ as ecuaciones de estado y de salida), es general porque se puede aplicar tambi´ en a sistemas no lineales como se ver´ a oportunamente. En cambio, la FT s´ olo es aplicable a sistemas lineales. Para sistemas MIMO lineales y con par´ ametros invariantes con el tiempo, las ecuaciones de estado y de salida toman la forma: ˙ = Ax + Bu x y = Cx + Du (A.32)

180

Matem´ atica para Sistemas Continuos

donde los ordenes de los vectores y matrices se ilustran en la siguiente relaci´ on: ˙ n×1 = An×n xn×1 + Bn×m um×1 x yp×1 = Cp×n xn×1 + Dp×m um×1

A.3.2.

Definici´ on de Variables de Estado

El vector de estado x = [x1 . . . xn ]T de un sistema (donde el super´ ındice T indica transpuesta) es el m´ ınimo conjunto de variables, las variables de estado x 1 . . . xn , las cuales contienen informaci´ on suficiente acerca de la historia pasada del sistema. Esta informaci´ on permite computar todos los futuros estados del sistema, asumiendo por supuesto, que todas las futuras entradas u son tambi´ en conocidas, como del mismo modo lo son las ecuaciones din´ amicas que describen dicho sistema. El n´ umero n de variables de estado (el n´ umero de ecuaciones diferenciales de primer orden) define el orden o la dimensi´ on del sistema. El espacio de estado es el espacio n-dimensional de todos los estados. Cuando el sistema es de orden n = 2, el espacio de estado es conocido como el plano de fase con coordenadas x1 y x2 . Los puntos de equilibrio o puntos singulares en el espacio de estado de un sistema no forzado; es decir, cuando u = 0, se definen como los puntos en donde los estados del sistema permanecen por siempre. Esto implica, en un caso general, resolver la ecuaci´ on x ˙ = 0 cuando u = 0. Para sistemas lineales, el punto de equilibrio es siempre el origen 0 porque x ˙ = Ax = 0 implica que xe = 0, donde el super´ ındice e indica equilibrio. Ejemplo A.36 La Fig. A.5 muestra un sistema masa–resorte compuesto por una masa M unida a un resorte de constante K . Determinar anal´ ıtica y gr´ aficamente su plano de fase mostrando las correspondientes trayectorias de estado y sus puntos de equilibrio. Notar que el sistema masa–resorte es no forzado porque no existe fuerza exterior alguna actuando sobre el mismo.

K=1 M=1

z

z0

Fig. A.5: Sistema mec´ anico masa–resorte. Soluci´ on: El sistema masa–resorte est´ a gobernado por la siguiente ecuaci´ on diferencial lineal de segundo orden: Mz ¨ + Kz = 0 (A.33) Como el sistema es de orden dos, seleccionemos como variables de estado x 1 = z y x2 = z ˙ . Este modelo din´ amico con M = K = 1 produce dos ecuaciones de estado y una ecuaci´ on de salida: x ˙ 1 = x2 x ˙ 2 = −x1 y = x1

A.3 Variables de Estado

181

Por consiguiente, las ecuaciones de estado y salida del sistema masa–resorte son: x ˙ = Ax x ˙ = x ˙1 x ˙2 x= x1 x2 A= y = Cx 0 1 −1 0 C= 1 0

Asumamos que estiramos el resorte hasta que M se encuentre en la posici´ on inicial z0 . Luego soltamos el resorte, lo cual produce un movimiento oscilatorio que puede modelarse como z (t) = z0 cos t. Es f´ acil comprobar que la soluci´ on z (t) = z0 cos t verifica el modelo din´ amico dado en (A.33). Usando las variables de estado definidas anteriormente resulta: x1 (t) = z0 cos t Elevando al cuadrado y sumando se obtiene:
2 2 2 2 2 x2 1 + x2 = z0 (cos t + sen t) = z0

x2 (t) = −z0 sen t

La u ´ltima ecuaci´ on representa un c´ ırculo de radio z0 . Por consiguiente, las trayectorias de estado en el plano de fase x1 versus x2 son c´ ırculos cuyos radios dependen de la posici´ on inicial de reposo z0 . tales trayectorias se muestran en la Fig. A.6. Para obtener dichas trayectorias de fase, ejecutar el programa pfl.m. Los eigenvalores del sistema masa–resorte se determinan de: det(λI − A) = det λ 1 −1 λ = λ2 + 1 = 0

Por lo tanto: λ1 = i, λ2 = −i, ambas ra´ ıces imaginarias, lo cual nos informa del car´ acter oscilante de la respuesta del sistema, tal como se discute en la siguiente secci´ on. El u ´nico punto de equilibrio xe = 0 del sistema se determina de: x ˙ e = Axe = 0 xe = xe 1 xe 2 = 0 0

% C2pfl.m PLANO DE FASE EN UN SISTEMA LINEAL clear all; close all; clc; g = inline(’[x(2);-x(1)]’,’t’,’x’); % MODELO MATEM ´ ATICO vectfield(g,-1:0.2:1,-1:0.2:1) % RANGOS DE LOS EJES HORIZONTAL Y VERTICAL hold on for x20=-1:0.2:1 % SIMULACI´ ON PARA ESTAS CONDICIONES INICIALES DE y(2) [ts,xs]=ode45(g,[0,10],[0;x20]); % [0,10]: SIMULACI ´ ON DE 0 A 10 s plot(xs(:,1),xs(:,2)); grid; end hold off, ylabel(’x2(t)’), xlabel(’x1(t)’), title(’PLANO DE FASE x2(t) VS x1(t)’), print -deps -f C2pfl

A.3.3.

Matriz de Transferencia y Estabilidad

Las ecuaciones de estado y de salida multivariables de un Sistema Lineal e Invariante con el Tiempo (SLIT) sujeto a los vectores de disturbio v en los estados y w en las salidas, los cuales se asumen conocidos, se representan como: ˙ = Ax + Bu + Ev x y = Cx + Du + Fw (A.34)

182

Matem´ atica para Sistemas Continuos
PLANO DE FASE x1 VS x2 1 0.8 0.6 0.4 VELOCIDAD x2 0.2 0 −0.2 −0.4 −0.6 −0.8 −1 −1 −0.8 −0.6 −0.4 −0.2 0 0.2 POSICIÓN x1 0.4 0.6 0.8 1

Fig. A.6: Plano de fase mostrando las trayectorias de estado (Ejemplo A.36). Donde E y F son matrices disturbio tambi´ en conocidas. El sistema es invariante con el tiempo porque todas sus matrices son constantes. Si v y/o w fueran vectores estimados o estad´ ısticos, entonces el SLIT en cuesti´ on ser´ ıa estoc´ astico. El sistema SLIT libre de disturbios se determina haciendo v = w = 0 en (A.34): ˙ = Ax + Bu x y = Cx + Du (A.35)

La matriz de transferencia (MT) del sistema SLIT se halla aplicando la transformada de Laplace en (A.35) con x(0) = y(0) = 0 (condiciones iniciales nulas): sX(s) = AX(s) + BU(s) Y(s) = CX(s) + DU(s) (A.36)

Despejamos X(s) de la primera relaci´ on de (A.36) y la reemplazamos en la segunda relaci´ on. El resultado es: Y(s) = [C(sI − A)−1 B + D]U(s) = G(s)u(s) donde s es la variable laplaciana, I es la matriz identidad y G(s) es la MT: G(s) = C(sI − A)−1 B + D Ejemplo A.37 Determine la MT del sistema siguiente, empleando matem´ atica simb´ olica: x ˙ 1 = −x1 + x2 + 2u1 − u2 y1 = x1 − 5u2 x ˙ 2 = 2x1 − 3x2 + u1 − 2u2 y2 = −x2 − 3u1 (A.37)

tal sistema es estable. Los eigenvalores de un sistema SLIT determinan la estabilidad del sistema alrededor de un punto de equilibrio xe en el espacio de estado como sigue: El sistema SLIT no forzado x ˙ = Ax (ecuaci´ on (A.38) En general.m C´ ALCULO DE LA MATRIZ DE TRANSFERENCIA clear all. entonces el sistema es inestable. un SLIT no forzado a que la soluci´ on de x es estable. debido ˙ = Ax = 0 es xe = 0.3 Variables de Estado Soluci´ on: Las ecuaciones de estado y de salida correspondientes son: x ˙ = Ax + Bu x= A= −1 1 2 −3 .39)) posean parte real negativa. cuando el estado x del sistema tiende al estado de equilibrio xe = 0 .35) con u = 0 es estable.0 1]. D=[0 -5.-3 0]. u= 1 0 0 −1 u1 u2 .0 -1].37) se convierte en la FT del sistema SLIT y se puede representar como la relaci´ on entre dos polinomios A(s) y B (s) como sigue: B (s) y (s) = G(s) = [C(sI − A)−1 B + D] = u(s) A(s) (A.m determina la MT pedida. Por consiguiente. syms s.39) Las ra´ ıces de (A. close all. y1 y2 y = Cx + Du . I = [1 0. El resultado es:   5s2 +21s+10 2s+7 − 2 s2 +4s+1   s +4s+1 G(s) = C(sI − A)−1 B + D =   2 +13s+8 2s+4 − 3s s2 +4s+1 s2 +4s+1 % mtransf. y= . la ecuaci´ on (A.A.1 -2]. x1 x2 .39) son los eigenvalores de la matriz de estado A. siendo sus eigenvalores s1 = –3. pretty(simplify(G)) Estabilidad Cuando las se˜ nales y y u son unidimensionales. Este polinomio es tambi´ en la ecuaci´ on caracter´ ıstica del sistema multivariable. Notar que todas las funciones de transferencia de la matriz G del ejemplo A. Por consiguiente.23). G = C*inv(s*I-A)*B + D.7321 y s2 = –0.2679.37 poseen un mismo denominador com´ un: el polinomio A(s) = s2 +4s+1.2 -3]. El sistema no forzado x ˙ = Ax posee un solo punto de equilibrio: el origen. Cuando al menos uno de tales eigenvalores posea parte real positiva o cero. clc. siempre que todos sus eigenvalores (ra´ ıces de (A. tal como se trat´ o en (A. C=[1 0. B=[2 -1. D= 0 −5 −3 0 183 B= 2 −1 1 −2 C= El programa mtrans. la ecuaci´ on caracter´ ıstica del sistema SLIT (ecuaci´ on (A.35)) se obtiene de: A(s) = det(sI − A) = 0 (A. A=[-1 1.

donde E es la matriz de vectores propios (ver subsecci´ on A.36. Sin demostraci´ on se establece que en general. Los dos eigenvalores λ1 y λ2 de la matriz de estado A se determinan de su ecuaci´ on caracter´ ıstica: det(λI − A) = 0. A. desde un estado inicial x(t0 ) hacia cualquier estado final x(tN ) en un tiempo finito tN .184 Matem´ atica para Sistemas Continuos para cualquier estado inicial finito x(t0 ).4. Caso Especial: Eigenvalores de A no se Repiten Si los eigenvalores de A son distintos. Tipos de Puntos Singulares en SLITs de 2do Orden Un SLIT de orden dos no forzado se describe mediante la siguiente ecuaci´ on matricial: x ˙1 a11 a12 x1 x ˙ = = Ax = x ˙2 a21 a22 x2 Para este sistema. Si todos los estados son controlables. se dice que el sistema es completamente controlable o que posee controlabilidad completa. el sistema de primer orden x ˙ = a x donde a > 0. Por ejemplo. Controlabilidad y Observabilidad Controlabilidad Completa Se dice que un SLIT continuo es controlable si es que existe un vector u(t) de orden m realizable y capaz de trasladar el estado x(t) de orden n del sistema. y despejando x∗ se obtiene: ˙ ∗ = E−1 AEx∗ + E−1 Bu = Λx∗ + B∗ u x (A. analizado tambi´ en en el ejemplo A. Por ejemplo.41) . las trayectorias en el plano de fase forman una figura denominada silla de montar. Para ahondar un poco en el tema de controlabilidad. El punto singular silla de montar es inestable debido a la presencia del eigenvalor positivo. debe ser de rango n. El caso (f).7. a continuaci´ on se analiza un caso especial. Dependiendo de la ubicaci´ on de los eigenvalores λ1 = σ1 + jω1 y λ2 = σ2 + jω2 en el plano σ versus jω . Las trayectorias de estado en este caso forman un punto centro.40) denominada matriz de controlabilidad.2. si λ1 < 0 y λ2 > 0 (caso (c)). el punto de equilibrio correspondiente presenta ciertas caracter´ ısticas.5). entonces reemplazando la transformaci´ on lineal x = Ex∗ en x ˙ = Ax + Bu. donde t0 es el tiempo inicial. A. en donde los puntos negros sobre los gr´ aficos jω versus σ representan tales eigenvalores.3. el u ´nico punto singular o de equilibrio es xe = 0 (el origen). es inestable porque su soluci´ on x(t) = x(0)eat no tiende al estado de equilibrio xe = 0 cuando t → ∞ para cualquier estado inicial x(0). la siguiente matriz M de orden n × nm: M= B AB · · · An−1 B (A. tal como se ilustra en la Fig. para que el sistema x ˙ = Ax + Bu sea completamente controlable. corresponde a un sistema oscilante porque los eigenvalores son imaginarios puros.

44) con dimensiones Ann . .42) . . . la variable de estado x2 (la cual est´ a asociada a x∗ 2 y al eigenvalor λ2 ) es no controlable. (f) punto centro. . . ninguna ∗ fila de B = E−1 B debe de ser nula.41) se obtiene: ∗ x ˙∗ 2 = λ2 x2 + 0u1 + 0u2 + · · · + 0um      =        +   ∗ b∗ n1 bn2 de donde claramente se observa que ninguna fuerza de control est´ a actuando sobre la variable x∗ .7: Tipos de puntos singulares en un sistema lineal de segundo orden: (a) nodo estable.3 Variables de Estado jω x2 jω x2 185 σ λ1 λ 2 (a) jω x2 x1 σ λ1 λ 2 (b) jω λ1 x2 x1 λ1 λ2 σ x1 σ x1 (c) jω λ1 x2 λ2 jω λ1 (d) x2 σ x1 λ2 σ (f) x1 λ2 (e) Fig. x∗ n   b∗ 11 b∗ 21 . (b) nodo inestable. . Si este es el caso. de la ecuaci´ on (A. . . · · · b∗ 1m · · · b∗ 2m . (d) foco estable. x ˙∗ n   λ1 λ2 .      x ˙∗ 1 x ˙∗ 2 .A. . A. ∗ · · · bnm      u1 u2 . (e) foco inestable. λn 0      x∗ 1 x∗ 2 . . entonces la segunda fila de ∗ B tiene que ser nula.41) podemos aseverar que para controlabilidad completa. Bnm . . . (c) punto silla de montar. 0 .. . Si por ejemplo. Cpn y Dpm es completamente controlable en la salida si el rango de la siguiente matriz de orden p × (n + 1)m iguala al orden p del vector de salida y del sistema: [CB CAB CA2 B · · · CAn−1 B D] (A. . . um      De la ecuaci´ on (A. 2 Controlabilidad Completa a la Salida El sistema SLIT descrito en (A. b∗ 12 b∗ 22 .

-1 0 2]. x∗ n (t0 )      e λn t Entonces. % rankM = 3 = n => SISTEMA COMPLETAMENTE CONTROLABLE CS = [C*B C*A*B C*A^2*B D]. Si alguna columna i fuera nula.43).42) requiere la presencia del t´ ermino Du en la ecuaci´ on de salida dada en (A. donde Λ es la matriz diagonal cuyos elementos λi son los eigenvalores de A.B). Ejemplo A. Si existe una transformaci´ on lineal x = Ex∗ de modo tal que E−1 AE = Λ.186 Matem´ atica para Sistemas Continuos Observar que (A. Para que un sistema sea completamente observable. lo que se contrapone a la definici´ on de observabilidad completa. . Se sabe que si todas las matrices son reales. el super´ ındice H indica operaci´ on hermitiana.m se determina la controlabilidad completa y de la salida de un SLIT con ecuaci´ on de estado x ˙ = Ax + Bu y ecuaci´ on de salida y = Cx + Du. para que el sistema SLIT sea completamente observable. En (A. 0 . . % n = 3. close all. rankCS = rank(CS).-1 0.35). D = [1 -1. es necesario que el rango de la denominada matriz de observabilidad N de dimensi´ on np × p :   C  CA  H   N= (A.m CONTROLABILIDAD COMPLETA DE UN SLIT clear all.38 En el programa cont1. % M = [A A*B A^2*B]: MATRIZ DE CONTROLABILIDAD rankM = rank(M).43)  = CH AH CH · · · (AH )n−1 CH . ninguna de las columnas de la matriz CE de orden p × n debe de ser nula. % rankCS = p = 2 => SISTEMA COMPLETAMENTE CONTROLABLE A LA SALIDA Observabilidad Completa Un sistema SLIT es completamente observable si alg´ un estado x(t). La observabilidad completa en un sistema es de suma importancia porque permite reconstruir las variables de estado no medibles partiendo del vector medible y(t). B = [0 2. se puede determinar partiendo de la observaci´ on de la salida y(t) en un tiempo finito t0 ≤ t ≤ t1 . Sin demostraci´ on se establece la condici´ on de estabilidad completa.clc. entonces no se podr´ ıa reconstruir completamente el vector de estado x. % cont1. .   . A = [2 2 -1. p = 2. M = ctrb(A.-2 3 0]. C = [1 0 1.2 3 0.0 3]. entonces la operaci´ on hermitiana se reemplaza por la operci´ on transpuesta. . 0      x∗ 1 (t0 ) x∗ 2 (t0 ) . CAn−1 posea rango n (rango completo).. incluyendo el estado inicial x(t0 ). entonces (??) toma la forma: x ˙ ∗ = E−1 AEx∗ = Λx∗ x∗ = eΛt x∗ (t0 ) Luego:   y = CEx = CEe x (t0 ) = CE   ∗ Λt ∗  eλ 1 t eλ 2 t .2 1].

A1 = [2 0 0.D1] = eig(A1).2.A.4.46) A ( t − t ) 0 es la matriz de transici´ on o exponencial.0968. C3*A3.3 Variables de Estado Ejemplo A.C3). B3 = [0 1.0 1]. % D1 = diag(2. La derivada total de e resulta: deA(t−t0 ) dt A3 (t − to )2 + ··· 2! A2 (t − t0 )2 = A I + A(t − t0 ) + + +··· 2! = A + A2 (t − to ) + = AeA(t−t0 ) = eA(t−t0 ) A Derivando ahora (A. C1*A1.1. vimos que la din´ amica linealizada de un sistema (sin la presencia de disturbios) se representa en el espacio de estado mediante sus ecuaciones de estado y de salida: ˙ = Ax + Bu.35). n3=3.3. ecuaci´ on (A. C3 = [1 2 1. B1 = [0 1. % rankN1=3=n1 => SISTEMA COMPLETAMENTE OBSERVABLE A2 = [-1 1 -1.3. x y = Cx + Du (A.-1.-1 0 2]. close all.2 3 0. C1*A1^2] rankN1=rank(N1). % D2 = diag(-1. C2*A2^2] rankN2=rank(N2). n1 = 3.-1) N2 = obsv(A2.0 2 0.44) La soluci´ on de la ecuaci´ on de estado anterior. Soluci´ on de la Ecuaci´ on de Estado de SLITs Continuos En la subsecci´ on A. C3*A3^2] rankN3=rank(N3).45) con respecto al tiempo t se obtiene: x ˙ = AeA(t−t0 ) x(t0 ) + d At e dt t t0 t t0 ∞ t t0 t t0 eA(t−τ ) Bu(τ )dτ Φ(t − τ )Bu(τ )dτ (A.39 187 En el programa observ1.7093) N3 = obsv(A3. % rankN2=2<n2 => SISTEMA NO ES COMPLETAMENTE OBSERVABLE A3 = [2 2 -1.2 0 3].1 0. [E1. % RETORNA MATRIZ DE OBSERVABILIDAD [C3. B2 = [0 2 1]. [E3.0 1]. % observ1.45) (A. dado un estado inicial x(t 0 ).2 0 3]. DD1 = inv(E1)*A1*E1.0 1 -4.2) N1 = obsv(A1. DD3 = inv(E3)*A3*E3.3.C2). % RETORNA MATRIZ DE OBSERVABILIDAD [C1.0 1 -3].0 3 1].1 0.5. % D3 = diag(0.m OBSERVABILIDAD COMPLETA DE SLITs clear all.47) e−Aτ Bu(τ )dτ = AeA(t−t0 ) x(t0 ) + AeAt e−Aτ Bu(τ )dτ + eAt e−At Bu = Ax + Bu . % rankN3=3=n3 => SISTEMA COMPLETAMENTE OBSERVABLE A. % RETORNA MATRIZ DE OBSERVABILIDAD [C2.D2] = eig(A2).m se determina la observabilidad completa de varios SLITs. C2 = [0 1 -1]. es: x(t) = eA(t−t0 ) x(t0 ) + = Φ(t − t0 )x(t0 ) + donde: Φ(t − t0 ) = eA(t−t0 ) = Aν (t − t0 )ν A2 (t − t0 )2 A3 (t − t0 )3 = I + A(t − t0 )+ + +· · · ν! 2! 3! ν =0 (A. C1 = [1 2 1.C1).D3] = eig(A3). n2 = 3. clc.1939. [E2. C2*A2. DD2 = inv(E2)*A2*E2.

1 u(t) t 0 1 2 3 4 Fig.8: Entrada u(t) para el ejemplo A.50) La matriz Φ(t − t0 ) se denomina la matriz de transici´ on.40 Graficar la respuesta x(t) del sistema: x ˙ = −2x + 5u con x(0) = 3. Para 0 ≤ t ≤ 1.45) con A = −2 y B = 5. t0 t 1 x(1) = 3e−2 = 1 y x(t0 ) = x(1).48) (A.40.44).49) y(s) = Cx(s) + Du(s) = C(sI − A)−1 x(t0 ) + [C(sI − A)−1 B + D]u(s) Comparando (A.37) tambi´ en se obtiene haciendo x(t0 ) = 0 en (A. Luego: x(t) = 3e−2t .45) podemos afirmar que: Φ(t − t0 ) = eA(t−t0 ) = L−1 [(sI − A)−1 ] (A. 8 Para t ≥ 3 . La representaci´ on de la ecuaci´ on de estado en el dominio laplaciano toma la forma: sx(s) − x(t0 ) = Ax(s) + Bu(s) x(s) = (sI − A)−1 x(t0 ) + (sI − A)−1 Bu(s) = Φ(s)x(t0 ) + Φ(s)Bu(s) (A. . La entrada u(t) tiene la forma mostrada en la Fig. Luego: 3−τ 5 dτ = 3e−2t + e−2t 7e2τ − e2τ τ 2 8 5 x(3) = 3e−6 + (4 − 6e−4 ) 8 τ =t τ =1 x(t) = 3e−2 e−2(t−1) + e−2(t−τ ) 5 5 x(t) = 3e−2t + [7 − t − 6e2(1−t) ]. t0 = 0 y x(t0 ) = 3. A. Ejemplo A. las integraciones en L−1 [(sI − A)−1 ] se deben de hacer de t0 a t. Luego: x(t) = x(3)e−2(t−3) El gr´ afico de x(t). A. u(t) = 0.9. obtenido con el programa C2rpta.8.m se muestra en la Fig. Soluci´ on: Emplearemos la soluci´ on dada en (A. t0 = 3 y x(t0 ) = x(3). A.48) con (A. La matriz de transferencia definida en (A.45) es la soluci´ on de la ecuaci´ on de estado (A. u(t) = 0. Para 1 ≤ t ≤ 3.49). Para incluir el tiempo inicial t0 . u(t) = 3−t 2 .188 Matem´ atica para Sistemas Continuos De esta forma se demuestra que (A.

xlabel(’TIEMPO [s]’). x ˙2 = −12x1 − u y = 3x1 − 4x2 − 2u Condiciones iniciales: x1 (0) = −6. B= 2 −1 x(0) = −6 1 C= 3 −4 D = [−2]. x2 (0) = 1. end if t>3.1 s y 0.m RESPUESTA DE UN SLIT A UNA ENTRADA ARBITRARIA clear all. x_3 = 3*exp(-6)+5*(4-6*exp(-4))/8. .T/0.5 1 0.T.9: Respuesta x(t) de un SLIT de primer orden a una entrada arbitraria u(t). plot(ejex. donde: A= −7 1 −12 0 . A.A.41 Dado u(t) = 3e−t .04 s.x(1:T/0. T=10. for t=0:0. % C2rpta. x(k)= 3*exp(-2*t)+5*(7-t-6*exp(2-2*t))/8.5 0 0 1 2 3 4 5 6 TIEMPO EN SEGUNDOS 7 8 9 10 Fig. Soluci´ on: Es f´ acil determinar que las ecuaciones de estado y de salida del sistema poseen la forma x ˙ = Ax + Bu y y = Cx + Du respectivamente.01)). Graficar la respuesta y (t) y compararla con las respuestas obtenidas mediante discretizaci´ on para los tiempos de muestreo de 0. if t>1.3 Variables de Estado 3 189 2. end k=k+1.01). determinar la respuesta de un sistema descrito por las siguientes ecuaciones de estado y de salida: x ˙1 = −7x1 + x2 + 2u. k=1.5 2 RESPUESTA x(t) 1. end ejex = linspace(0. clc. print -deps -f rptarb Ejemplo A.01:T x(k)=3*exp(-2*t). close all. grid ylabel(’RESPUESTA x(t)’). . x(k)= x_3*exp(-2*(t-3)).

end t = 0:0. A = [-7 1.04.t2. y1(k) = Cc*x + Dc*u(k).767*exp(-3*t)/2 + 918*exp(-4*t)/3. Cc = [3 -4].-12 0].101). % CONDICION INICIAL Y TIEMPOS DE MUESTREO for k = 1:100 u(k) = 3*exp(-k*T1). x = [-6.y1.’:’). t1=linspace(0. Notar que se emplea la siguiente aproximaci´ on de la derivada: x ˙ ∼ = x(k + 1) − x(k ) = Ax + Bu → x = x + T (Ax + Bu) T donde T es el tiempo de muestreo y k = t/T es el tiempo discreto. Conforme T aumenta (por ejemplo para T = 0.1. A. las respuestas y (t) e y (kT ) pr´ acticamente coinciden. end for k = 1:250 u(k) = 3*exp(-k*T2). t2=linspace(0. y2(k) = Cc*x + Dc*u(k). xlabel(’TIEMPO [s]’).’--’.10. Luego. x(s) (ecuaci´ on (A. % crpta. Dc = [-2].250).42 .10 se realizaron con el programa crpta.04 s. B = [2.190 Matem´ atica para Sistemas Continuos Seg´ un la Tabla A. x = x + T2*(A*x + B*u(k)). y = 297*exp(-t)/6 .10. lo cual nos indica que los sistemas muestreados dependen de T .-1]. close all. Para T ≤ 0. T2=0. la diferencia entre y (t) e y (kT ) es m´ as notoria.1:10. x = x + T1*(A*x + B*u(k)). plot(t.49)) toman la forma: x(s) = = = s2 s + 7 −1 12 s 1 + 7s + 12 −1 −6 1 + s + 7 −1 12 s −6 1 + −1 −6s2 +s−2 (s+1)(s+3)(s+4) s2 +77s−14 (s+1)(s+3)(s+4) s 1 −12 s + 7 2 −1 2 −1 u(s) 3 s+1 y (s) = Cx(s) + Du(s) = = y (t) = 3 −4 −6s2 +s−2 (s+1)(s+3)(s+4) s2 +77s−14 (s+1)(s+3)(s+4) −2 3 s+1 6 297/6 −767/2 918/3 −22s2 − 305s + 50 − = + + (s + 1)(s + 3)(s + 4) s + 1 s+1 s+3 s+4 297 −t −767 −3t 918 −4t e + e + e . Se deja como ejercicio resolver este ejemplo usando MATLAB.1: u(s) = L[3e−t ] = 3/(s + 1). % GR´ AFICOS t=linspace(0.m.48)) e y (s) (ecuaci´ on (A.100).y2.1 s). print -deps -f crpta Ejemplo A.y. T1=0.t1.10. grid ylabel(’RESPUESTAS ’). clc.1]. t≥0 6 2 3 Las respuestas mostradas en la Fig.m COMPARACI´ ON DE RESPUESTAS PARA DIFERENTES TIEMPOS DE MUESTREO clear all.

las cuales se han fijado a la salida de cada bloque de primer orden.-12 0].41. x1 = x1 + T*(A*x1 + B*u1(k)).’--’.y3. x2 = x1. M = 100.11) los principios de proporcionalidad: y 2 (t) = 2y1 (t). . x3 = x3 + T*(A*x3 + B*u3(k)).50) para determinar su matriz de transici´ on con t 0 = 0. end t=linspace(0. (f) Determinar y (t) para x(t0 ) = 0 usando (A. B = [2.t. la controlabilidad completa en la salida y la observabilidad completa del sistema.43 En el sistema de la Fig. Para este sistema: (a) Determinar su ecuaci´ on de estado y su ecuaci´ on de salida.m PRINCIPIOS DE PROPORCIONALIDAD Y SUPERPOSICI ´ ON clear all. A.3 Variables de Estado 191 20 T1 = 0. for k= 1:M u1(k)=3. clc.M). (d) Hallar la controlabilidad completa. y de superposici´ on: y3 (t) = y1 (t) + y2 (t). (g) Graficar las respuestas y1 (t) e y2 (t) a entradas tipo escal´ on unitario.04.12 ya se han definido las variables de estado xi del sistema. grid ylabel(’RESPUESTAS’). y2 (t) e y3 (t). En el ejemplo anterior sean u1 (t) = 3e−t . close all. u2 (t) = 2u1 (t) y u3 (t) = u1 (t) + u2 (t) y sean las salidas respectivas y1 (t). y1(k) = Cc*x1 + Dc*u1(k).10: Respuestas para el ejemplo A. A = [-7 1.m demuestra gr´ aficamente (ver figura A. u2(k)=2*u1(k).’:’).A. print -deps -f C2prosup Ejemplo A.t.04 s −10 −20 −30 −40 −50 y(t) 0 2 4 TIEMPO [s] 6 8 10 Fig.0].y2. x2 = x2 + T*(A*x2 + B*u2(k)). El programa C2prosup. (c) Determinar si el sistema es estable.49). x3 = x1. (b) Hallar su matriz de transferencia. y3(k) = Cc*x3 + Dc*u3(k).1 s 10 0 RESPUESTAS T2 = 0. Dc = [-2]. y2(k) = Cc*x2 + Dc*u2(k).y1. xlabel(’TIEMPO [s]’).-1]. u3(k)=u1(k)+u2(k). plot(t. Cc = [3 -4]. (e) Usar (A.M*T. T = 0. A. x1 = [0. % C2prosup.

11: Respuestas de un sistema lineal a entradas arbitrarias.43 Soluci´ on: (a) Del diagrama de bloques se puede comprobar que las salidas y1 e y2 poseen las expresiones: y1 = x 2 + x 3 + x 4 − x 5 + u 3 x1 = 1 (u1 − y1 ) s+1 → y2 = x 1 − x 2 + x 5 + u 2 (s + 1)x1 = x ˙ 1 + x 1 = u 1 − y1 (A.52) (A.5 TIEMPO [s] 3 3. A.12: Sistema del ejemplo A. se obtiene: Reemplazando y1 de (A.192 Matem´ atica para Sistemas Continuos 80 70 60 50 RESPUESTAS 40 30 20 10 0 −10 −20 0 0.51) en la u ´ltima expresi´ on. A.5 1 1.51) Operando en el bloque que tiene como salida la variable de estado x1 . Observar que y2 (t) = 2y1 (t) (proporcionalidad) e y3 (t) = y1 (t) + y2 (t) (superposici´ on) 1 s+1 x1 4 s+4 x4 y1 u1 u2 2 s+2 x2 u3 5 s+5 3 s+3 x3 x5 y2 Fig.5 4 y1 y2 = 2y1 y3 = y1 + y2 Fig.5 2 2. se obtiene: x ˙ 1 = −x1 − x2 − x3 − x4 + x5 − u3 Operando del mismo modo con los otros bloques resultan: (s + 2)x2 = 2(u2 − x2 ) → x ˙ 2 = −4x2 + 2u2 .

       x ˙1 −1 −1 −1 −1 1 x1 1 0 −1    x       0 0   ˙ 2   0 −4 0   x 2   0 2 0  u1  x        0 −3 0 −3   ˙3  =  0   x 3  +  0 0 3  u2  x        ˙4 4 −4 0 −4 0 x4 0 4 0 u3 x ˙5 0 5 0 0 −5 x5 0 0 5 y1 y2 1 0 1 1 −1 1 −1 0 0 1       x1 x2 x3 x4 x5    +   0 0 1 0 1 0   u1  u2  u3 = La MT G(s) toma la forma (ver archivo va.52) y (A.A. In(2) e In(3) en el gr´ afico) obtenidas con el comando step de MATLAB.m. A. la Fig.53) forman la ecuaci´ on de estado x ˙ = Ax + Bu mientras que las ecuaciones en (A.13 muestra las respuestas y1 (t) e y2 (t) (Out(1) y Out(2) en el gr´ afico) a los escalones u1 = 1. u2 = 1 y u3 = 1 (In(1).51) forman la ecuaci´ on de salida y = Cx + Du.m): G(s) = s+8 s2 + 5s + 8 G13 (s) = G21 (s) = s+4 2 s + 5s + 8 G11 (s) G12 (s) G13 (s) G21 (s) G22 (s) G23 (s) G12 (s) = 4s4 + 14s3 − 4s2 − 139s − 120 (s2 + 5s + 8)(s2 + 9s + 20)(s + 3) G11 (s) = (s2 + 10s + 24)2 (s + 5)(s + 3)(s2 + 5s + 8) s5 + 15s2 + 93s3 + 291s2 + 510s + 480 (s2 + 5s + 8)(s2 + 9s + 20)(s + 3) G22 (s) = G23 (s) = 4s3 + 30s2 + 91s + 120 (s + 5)(s3 + s2 + 23s + 24) Los elementos y1 (t) e y2 (t) del vector de salida y (calculados en va.3 Variables de Estado (s + 3)x3 = 3(u3 − x5 ) → x ˙ 3 = −3x3 − 3x5 + 3u3 → 193 (s + 5)x5 = 5(x2 + u3 − x3 + x3 ) (s + 4)x4 = 4(x1 + u2 − x2 ) → x ˙ 4 = 4x1 − 4x2 − 4x4 + 4u2 x ˙ 5 = 5x2 − 5x5 + 5x3 (A. .53) Las ecuaciones en (A.m) resultan: 5 13 17 5 51 5 y1 = − e−3t + e−5t − e−4t + e− 2 t cos 2 4 16 2 16 5 3 183 − 5 t 1 39 e 2 cos y2 = − e−3t + e−5t − e−4t + 2 4 16 2 16 √ 7 t 2 √ 7 t 2 111 √ − 5 t 7e 2 sen − 112 99 √ − 5 t − 7e 2 sen 112 √ 7 t 2 √ 7 t 2 Por otro lado. Ejecutar el archivo va. tal como se muestra a continuaci´ on.

C*A^3. n = 5.B). B = [1 0 -1.1/s]. % (b) MATRIZ DE TRANSFERENCIA G = C*inv(s*I-A)*B + D. Otras formas can´ onicas se describen a continuaci´ on. print -deps -f va A. Dichas representaciones se denominan formas can´ onicas.5000-1.B.6. -4.0 4 0. C*A. I = eye(5). % MATRIZ DE OBSERVABILIDAD N=[C. rankCS = rank(CS).0 -4 0 0 0.0 1 0]. La transformaci´ on can´ onica tratada en el ejemplo A. pretty(simplify(G)) % (c) ESTABILIDAD [E.54) es: G(s) = b0 sn + b1 sn−1 + · · · + bn b0 + b1 s−1 + · · · + bn s−n y (s) = n = u(s) s + a1 sn−1 + · · · + an 1 + a1 s−1 + · · · + an s−n (A.0 0 -3 0 -3.m VARIOS CA clear all.38) vimos que la FT tambi´ en se puede formular como: y (s) = G(s) = [C(sI − A)−1 B + D] u(s) que corresponde al sistema SLIT en el espacio de estado: x ˙ = Ax + Bu. % rankM = 5 = n => SISTEMA COMPLETAMENTE CONTROLABLE CS = [C*B C*A*B C*A^2*B C*A^3*B C*A^4*B D]. Tal sistema posee diversas representaciones notables en el espacio de estado.1 -1 0 0 1].DD]=eig(A).0000.34 es una de ellas.3229i. y = Cx + Du. close all. % rankN=5=n => EL SISTEMA ES COMPLETAMENTE OBSERVABLE % (e) MATRIZ DE TRANSICI´ ON Phi(t)=L^(-1)[(sI-A)^(-1)] Phi = ilaplace(inv(s*I-A)). y = ilaplace(Y). C*A^2. syms s.0000) % SISTEMA ESTABLE PORQUE LA PARTE REAL DE LAS RA ´ ICES SON NEGATIVAS % (d) CONTROLABILIDAD Y OBSERVABILIDAD M = ctrb(A.C).0 2 0. D = [0 0 1. % DD = diag(-2.55) En (A.54) 1 n 0 1 dtn dtn−1 dtn dtn−1 La FT correspondiente al sistema (A. clc. -3.C.3. Y = G*U. .D). % (a) ECUACIONES DE ESTADO Y DE SALIDA A = [-1 -1 -1 -1 1.0 0 3. pretty(simplify(y)) % (g) GR´ AFICOS DE LAS SALIDAS step(A. % rankCS = p = 2 => SISTEMA COMPLETAMENTE CONTROLABLE A LA SALIDA N = obsv(A.4 -4 0 -4 0.5000+1. C*A^4] rankN=rank(N). Formas Can´ onicas SISO en el Espacio de Estado La ecuaci´ on diferencial que describe a un sistema SISO con par´ ametros constantes toma la forma: dn−1 y (t) dn u(t) dn−1 u(t) dn y (t) + a + · · · + a y ( t ) = b + b + · · · + bn u(t) (A.0 5 0 0 -5].1/s.0 0 5]. -2. C = [1 0 1 1 -1. pretty(simplify(Phi)) % (f) RESPUESTAS y1(t) e y2(t) U = [1/s.3229i.43 % va. p = 2.194 Matem´ atica para Sistemas Continuos ´LCULOS PARA EL EJEMPLO 2. -5.0000. % MATRIZ DE CONTROLABILIDAD M = [A A*B A^2*B A^3*C A^4*B] rankM = rank(M).

A.A.     u   y= (A. u2 = 1 y u3 = 1 (ejemplo A. . 0 −an 1 0 . . . . . . 0 −an−1 0 1 . . . .5 1 To: Out(1) Amplitude To: Out(2) 0.3 Variables de Estado Step Response From: In(1) From: In(2) From: In(3) 195 1. β2 = b2 − a1 β1 − a2 β0 . .5 1 0.        +     βn−1 βn  β1 β2 . .  x1 x2 . β1 = b1 − a1 β0 .56) Segunda Forma Can´ onica Controlable:    x ˙ =    0 0 . . . . .     u   y= bn − a n b0 bn−1 − an−1 b0 b 1 − a 1 b0 x + b0 u (A. 0 −an 1 0 . 0 −an−2 ··· ··· ··· ···      1   xn−1 −a1 xn ··· 0 0 . .        +     0 1  0 0 .5 0 −0. etc. .5 0 0 1 2 3 0 1 2 Time (sec) 3 0 1 2 3 Fig. . Primera Forma Can´ onica Controlable:    x ˙ =    0 0 . 0 −an−1 0 1 . .43) .  x1 x2 .57) donde: β0 = b0 . . . 0 −an−2 1 0 ··· ··· ··· ··· ···      1   xn−1 −a1 xn 0 x + β0 u 0 0 . Generalizando: βn = bn − a1 βn−1 − · · · − an−1 β1 − an β0 .13: Respuestas y1 (t) e y2 (t) a los escalones u1 = 1.5 −1 1. . . .

       +     bn−1 − an−1 b0 bn − a n b0 x + b0 u  b1 − a 1 b0 b2 − a 2 b0 . . . 0 1 0 −an −an−1 . . . 0 c2 ··· ··· ··· ··· 0 0 . −a2 −a1 0         xn−1 xn 0 1 x1 x2 . . 1 0 y= 0 0 . 0 c1 0 λ2 . . . 0 0 ··· ··· ··· ··· 1 0 0 . 1 0 .     u   y= ··· (A. . 1 −an 0 0 . . . . . . . . . 0 −a2 0 1 . . . . 0 0 ··· ··· ··· ··· 0 0 . . las constantes ci se pueden hallar en la forma acostumbrada a partir de: ci = l´ ım [(s − pi )G(s)] s→pi Luego. . . . .60) Forma Can´ onica Diagonal (eigenvalores no repetidos) Formulando (A. . b2 − a 2 b0 b1 − a 1 b0     u   ··· x + b0 u (A.  x1 x2 . . .196 Matem´ atica para Sistemas Continuos Tercera Forma Can´ onica Controlable:    x ˙ =    −a1 1 0 . . 0 b1 − a 1 b0 ··· ··· ··· ··· −an−1 0 0 . . . .     u   y= b2 − a 2 b0 b n − a n b0 x + b0 u (A. la forma can´ onica diagonal es:        x ˙ n−1 x ˙n x ˙1 x ˙2 . λn cn      x1 x2 . . .59) Segunda forma can´ onica observable:    x ˙ =   −an−1 −an  −a1 −a2 . . .58) Primera Forma Can´ onica Observable:    x ˙ =   0 0  0 1 . . . . . 0 0 0 1 . 0 ···         xn−1 xn x1 x2 . . . 1    u  (A. . .55) como: y (s) b0 sn + b1 sn−1 + · · · + bn−1 s + bn G(s) = = = b0 + u(s) (s − p1 )(s − p2 ) · · · (s − pn ) n i=1 ci s − pi donde las ra´ ıces pi (los eigenvalores del sistema) son no repetidos. .        +      bn − a n b0 bn−1 − an−1 b0 . 0 0 . 0 0 0      1   xn−1 0 xn 0 0··· 0 0 .        +     0 0  1 0 . . xn      +    1 1 . . .61) y= x + b0 u .        =    λ1 0 . . . . . .

25.44 En el programa C2forca1.65. a3=-0. a2=-1.8s−1 − 0. La forma can´ onica de Jordan es (notar la ubicaci´ on de los ceros y unos en el vector que multiplica a u):      x1 0 p1 1 0 0 0 0 0 0  0 p 1 1 0 0 0 0 0   x2   0        0 0 p 1 0 0 0 0 0   x3   1        0 0 0 p 2 1 0 0 0   x4   0        x ˙ =   x5  +  1  u 0 0 0 0 p 0 0 0 2       0 0 0 0 0 p 6 0 0   x6   1        0 0 0 0 0 0 p 7 0   x7   1  1 0 0 0 0 0 0 0 p8 x8 y= c1 c2 c3 c4 c5 c6 c7 c8 c9 x + b0 u 8 i=6 (A.55) toma la forma: G(s) = y (s) b0 sn + b1 sn−1 + · · · + bn−1 s + bn B (s) = = 3 2 u(s) (s − p1 ) (s − p4 ) (s − p6 ) · · · (s − pn ) A(s) c2 c3 c4 c5 c1 + + + + + = b0 + (s − p1 )3 (s − p1 )2 s − p1 (s − p2 )2 s − p2 8 i=6 ci s − pi donde los eigenvalores p1 y p2 se repiten tres y dos veces respectivamente.49. a6=-0. b1=-2. 0. % B(s): POLINOMIO DEL NUMERADOR A =[1 a1 a2 a3 a4 a5 a6]. p7 y p8 no lo son.04.5.49s−4 + 0. b5=-1.5. 8 y los eigenvalores p1 . a4=0.A) (ver ecuaci´ on (A.65s−2 + 6. b6=1.69s−2 − 0. close all.02s−5 − 0.63) s − pi y (s) c1 c2 c3 c4 c5 = b0 + + + + + + 3 2 2 u(s) (s − p1 ) (s − p1 ) s − p1 (s − p2 ) s − p2 Ejemplo A.4.k] = residue(B.8.5)). beta2 = b2-a1*beta1-a2*beta0.69.345. % RA´ ICES DE A(s): 0. .2.3.04s−6 ´NICAS % C2forca1. y = Ccc*x + Dcc*u beta0 = b0. .5.8s−3 − 4.2s−6 1 + 1. b0=1. p6 . Supongamos que (A. b2=-0. B = [b0 b1 b2 b3 b4 b5 b6].02. clc.4. . 0.3. y el resto. -0. .5 % 2DA FORMA CAN´ ONICA CONTROLABLE: dx/dt = Acc*x + Bcc*u. a1=1. b4=-4. i = 1. Las constantes b0 . -0.m FORMAS CANO clear all. beta1 = b1-a1*beta0.3 Variables de Estado Forma Can´ onica de Jordan (eigenvalores repetidos) 197 Describiremos la forma can´ onica de Jordan con un ejemplo.m se determinan varias formas can´ onicas para: G(s) = 1 − 2. p6 .3s−1 − 1.8.A. . beta3 = b3-a1*beta2-a2*beta1-a3*beta0.62) ci (A. ci . p7 y p8 se calculan empleando el comando [r. % A(s): POLINOMIO DEL DENOMINADOR roots(A). b3=6. a5=0. p2 . -2 % EL SISTEMA ES INESTABLE DEBIDO A LA RA´ IZ TRIPLE 0.25s−4 − 1.3s−5 + 1.345s−3 + 0.p.

1RA FORMA CAN´ ONICA OBSERVABLE: dx/dt = Aco*x + Bco*u. FORMA CAN´ ONICA DE JORDAN: dx/dt = Aj*x + Bj*u.p. Ccc = [1 0 0 0 0 0]. close all.k] = residue(B.0.5323]’. B = [1.0. y = C*x + D*u clear all. y = Cj x + Dj u. -1. p3=p(3).5 0. Dcc =[beta0]. p1=p(1). Soluci´ on: El siguiente programa resuelve las preguntas planteadas. Cco = [0 0 0 0 0 1].1]. % EXPANSI´ ON EN FRACCIONES PARCIALES c = [-1.beta4. Bj = [1. clc. k = 1. Ejemplo A. p2=p(4).p. k = -2. = b5-a1*beta4-a2*beta3-a3*beta2-a4*beta1-a5*beta0.0. Bcc = [beta1.m FORMA CANONICA DE JORDAN DE dx/dt + A*x + B*u.B. p2=p(3). .b4-a4*b0. p2=p(2).-4.5 0.0136 0.1.0. Dj = [k]. determinar la ecuaci´ on de estado y la ecuaci´ on de salida en su forma can´ onica de Jordan: x ˙ = Aj x + Bj u.b1-a1*b0]. p3=p(5). A = [0 1 0 3.b2-a2*b0.den] = ss2tf(A. p3=p(6).0].0 -1 1 1.D). C = [1 0 0 0].A).beta5. % EIGENVALORES DE A: eigA = [-1.k] = residue(num. y = Cx + Du. p4=p(4). Aco = [b6-a6*b0. c6=c(6).1111 -5.beta2.45 Conocido el sistema x ˙ = Ax + Bu. c2=c(2).8233 -0. c5=c(5). % EXPANSION EN FRACCIONES % c = [-8 -8 0 9]’. 0] [c. c3=c(3). c1=c(1). c3=c(3). p = [-2 0.beta3.4]. y = Cj*x + Dj*u [c.89 3.0 0 -1 -2]. c1=c(1). Demuestre que las matrices A y Aj poseen los mismos eigenvalores y que ambas representaciones de estado generan la misma funci´ on de transferencia.beta6]. D = [-2]. % C2forca2. [0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 -a6 -a5 -a4 -a3 -a2 -a1]. Cj = [c1 c2 c3 c4 c5 c6]. p1=p(1). c2=c(2). Aj = [p1 0 0 0 0 0 0 p2 1 0 0 0 0 0 p2 1 0 0 0 0 0 p2 0 0 0 0 0 0 p3 1 0 0 0 0 0 p3].198 beta4 beta5 beta6 Acc = Matem´ atica para Sistemas Continuos % % % % = b4-a1*beta3-a2*beta2-a3*beta1-a4*beta0. -1.b3-a3*b0.6133 -1.C.5 -0. p = [-1 -1 -1 0].den). p2=p(2). y = Coo*x + Doo*u Aoo = [0 0 0 0 0 -a6 1 0 0 0 0 -a5 0 1 0 0 0 -a4 0 0 1 0 0 -a3 0 0 0 1 0 -a2 0 0 0 0 1 -a1]. eigA = eig(A). c4=c(4). = b6-a1*beta5-a2*beta4-a3*beta3-a4*beta2-a5*beta1-a6*beta0. [num. c4=c(4).b5-a5*b0.4 -0.0 0 0 1. Dco=[b0].

14(a)) o trapezoides de la forma: T e(T i) + e(T i + T ) 2 tal como se observa en la Fig.64) . [numj. 0] 199 A. La integral de una curva e(t).4 Discretizaci´ on Directa % dx/dt = Aj*x + Bj*u.0 0 p1 0.Dj).A.14(b).denj] = ss2tf(Aj.0 p1 1 0. t u(t) = 0 e(τ )dτ Soluci´ on: Si empleamos sumatoria de rect´ angulos para aproximar el a ´rea debajo de la curva e(t).0 0 0 p2]. -1. se puede aproximar empleando una sumatoria de rect´ angulos de la forma T e(iT ) (Fig.14: (a) Aproximaci´ on del a ´rea bajo la curva e(t) mediante rect´ angulos. Discretizaci´ on Directa Discretizaci´ on de la Integral Es bastante u ´til discretizar directamente modelos din´ amicos que contengan integrales y derivadas. den=denj eigAj = eig(Aj).46 Determinar la ecuaci´ on de diferencias de la siguiente integral usando tanto aproximaci´ on rectangular como trapezoidal. Los siguientes ejemplos ilustran tal aproximaciones. -1. se obtiene: k k u(kT ) ≈ T e(iT ) = T i=0 i=0 e(iT ) = T k−1 i=0 e(iT ) + T e(kT ) = u(kT − T ) + T e(kT ) u(kT ) − u(kT − T ) = T e(kT ) u(k ) = u(k − 1) + T e(k ) (A. Ejemplo A.Bj. el a ´rea debajo de dicha curva. A. (b) Mediante trapezoides.1. A. Dj = [k].1]. y = Cj*x + Dj*u Aj = [p1 0 0 0. Cj = [c1 c2 c3 c4]. es decir. A. e(t) e(iT) e(t) e(iT) e(iT+T) T (a) t=iT T (b) t=iT Fig.Cj. % EIGENVALORES DE Aj Y A SON IGUALES: [-1.4. % SE VERIFICA: num=numj. donde T es el tiempo de muestreo.1. Bj = [0.

En un primer caso emplear aproximaci´ on rectangular y luego usar aproximaci´ on trapezoidal.64).47 El controlador PID se emplea en m´ as del 90 % de los circuitos de control existentes en la industria.65) Discretizaci´ on de la Derivada T´ erminos que contengan derivadas pueden discretizarse empleando diferencias por atraso: de(t) dt de ˙ (t) dt ∆e(kT ) e(kT ) − e(kT − T ) e(k ) − e(k − 1) = = T T T ∆e ˙ (kT ) e ˙ (t) − e ˙ (t − T ) ∆e(kT ) − ∆e(kT − T ) = e ¨(t) ≈ = = T T T2 e(k ) − 2e(k − 1) + e(k − 2) e(k ) − e(k − 1) − [e(k − 1) − e(k − 2)] = = 2 T T2 . donde K c es la ganancia proporcional. u(t) = Kc e(t) + 1 TI t e(t)dt + TD 0 de(t) dt (A. denotada como la ecuaci´ on discreta de la integral.66) = e ˙ (t) ≈ Si la discretizaci´ on de la derivada se realiza por adelanto. ya que todos los t´ erminos se discretizan empleando dicho tiempo. Este controlador se formula en la ecuaci´ on (A.68) . (A. En la expresi´ on (A. Determinar la ecuaci´ on de diferencias de dicho controlador. Ti es el tiempo integral y Td es el tiempo derivativo. Para el otro caso. hemos omitido en el argumento su dependencia con el tiempo de muestreo T . entonces las diferencias son de la forma: de(t) dt de ˙ (t) dt ∆e(kT ) e(kT + T ) − e(kT ) e(k + 1) − e(k ) = = T T T ∆e ˙ (kT ) e ˙ (t + T ) − e ˙ (t) ∆e(kT + T ) − ∆e(kT ) = e ¨(t) ≈ = = T T T2 e(k + 1) − e(k ) − [e(k ) − e(k − 1)] e(k + 1) − 2e(k ) + e(k − 1)] = = T2 T2 . empleamos sumatoria de trapecios para aproximar el a ´rea debajo de la curva e(t): k u(kT ) ≈ T i=1 e(iT − T ) + e(iT ) 2 = T k−1 i=0 e(kT − T ) + e(kT ) e(iT − T ) + e(iT ) +T 2 2 e(kT − T ) + e(kT ) 2 = u(kT − T ) + T u(kT ) − u(kT − T ) = T [e(kT − T ) + e(kT )] 2 T u(k ) = u(k − 1) + [e(k − 1) + e(k )] 2 (A. .200 Matem´ atica para Sistemas Continuos donde k = t/T es el tiempo discreto. .68). . (A. .67) = e ˙ (t) ≈ Ejemplo A.

dicho retardo aparece cuando el punto de medici´ on est´ a lejos de la zona de inter´ es. tal como se ilustra a continuaci´ on: x ˙ (t) = Ax(t − τx ) + Bu(t − τu ) y(t − τy ) = Cx(t) + Du(t) (A. + Ti T q1 = −Kc 1 + 2 TD . donde: q0 = K c 1 + T TD + .5. T 2TI q1 = −Kc 1 + 2 T TD − .68) se obtiene: u(k ) = Kc e(k ) + T TI k 201 e(i) + i=0 k−1 i=0 TD [e(k ) − e(k − 1)] T TD [e(k − 1) − e(k − 2)] T u(k − 1) = Kc T e(k − 1) + TI e(i) + k k−1 Teniendo en cuenta que: i=0 e(i) = i=0 e(i) + e(k ). T 2TI q2 = K c TD T A.A. el tiempo muerto se debe de tomar en cuenta cuando por ejemplo existe un retardo considerable hasta que la se˜ nal de control llegue al actuador.64) y (A. En otro caso. restamos las expresiones anteriores y despejamos u(k ) para obtener la siguiente ecuaci´ on de diferencias del controlador PID: u(k ) = u(k − 1) + q0 e(k ) + q1 e(k − 1) + q2 e(k − 2) donde: q0 = K c 1 + TD T . Este tiempo muerto puede existir en la entrada u(t).70) .69). Sistemas con Tiempo Muerto En algunos sistemas industriales. cuando en la planta s´ olo se pueden instalar sensores lejos de la zona de inter´ es para la medici´ on. en la salida y(t) o en el vector de estado x(t) del sistema.5 Sistemas con Tiempo Muerto Soluci´ on: Empleando las relaciones (A. por ejemplo. entonces: u(k ) = Kc e(k ) + 1 TI k T i=1 k−1 i=1 e(i − 1) + e(i) TD + [e(k ) − e(k − 1)] 2 T e(i − 1) + e(i) TD [e(k − 1) − e(k − 2)] + 2 T u(k − 1) = Kc 1 e(k − 1) + TI T Restando las expresiones anteriores teniendo en cuenta que: k i=1 [e(i − 1) + e(i)] = k−1 i=1 [e(i − 1) + e(i)] + e(k − 1) + e(k ) y despejando u(k ) obtenemos una expresi´ on similar a (A. T q2 = K c TD T (A.66) en (A.69) Si la integraci´ on emplea el m´ etodo trapezoidal.

. . Este tiempo muerto puede existir en la entrada. Ejemplo A. el tiempo muerto τ se modela mediante la siguiente expresi´ on de la transformada de Laplace: e −τ s . step(G1. close all.15.G2. % sis: MODELO EN EL ESPACIO DE ESTADO . entonces.8. G1=Gp*exp(-s*D). donde d = 1. y definiendo la unidad de desplazamiento discreto como: eτ s = z . .m SISTEMAS CON TIEMPO MUERTO D Y CON APROXIMACI ´ ON DE PAD´ E clear all. y T es el tiempo de muestreo. el tiempo muerto toma la forma z −d . % ejpade. % exp(-s*D) = numD/denD Gp=10/(2*s+1). Tal aproximaci´ on tiene la forma: e−τ s ≈ num(s) 1 − τ s/2 + (τ s)2 /10 − (τ s)3 /120 = den(s) 1 + τ s/2 + (τ s)2 /10 + (τ s)3 /120 La principal ventaja de usar una aproximaci´ on racional para el tiempo muerto es transformar el modelo del sistema dado en (A. en el dominio discreto.70) en otro modelo sin tiempos muertos. du y dy toman valores enteros positivos.202 Matem´ atica para Sistemas Continuos Donde τx .48 Comparar la respuesta a un escal´ on del sistema: y (s) 10 −5. Si τ = d T . τu y τy son los tiempos muertos. G2=Gp*(numD/denD). Soluci´ on: El programa ejpade. 2. % HABILITA FT D = 5. s = tf(’s’). numD=-D^3*s^3/120+D^2*s^2/10-D*s/2+1. tal como se ilustra a continuaci´ on: x(k + 1) = Gx(k − dx ) + Hu(k − du ) y(k + dy ) = Cx(k ) (A. Resulta u ´til emplear la aproximaci´ on de Pad´ e para modelar el tiempo muerto en el dominio continuo: e−τ s = 1 − sτ + 1 1 num(s) (sτ )2 − (sτ )3 + · · · = !2 !3 den(s) Con una aproximaci´ on de tercer orden podemos acomodar retardos de fase de hasta o 200 (3.5 rad) [12]. A. denD=D^3*s^3/120+D^2*s^2/10+D*s/2+1.m resuelve el problema planteado y los resultados se ilustran en la Fig. lo cual es suficiente para capturar el efecto del tiempo muerto en muchas aplicaciones.71) donde los tiempos muertos dk . Luego.’--’) print -deps -f ejpades. sis=ss(G2). En el dominio continuo. determinar la ecuaci´ on de estado aproximada del sistema. en la salida o en el vector de estado del sistema.8s = e u(s) 2s + 1 con respecto a la respuesta originada por el sistema cuando el tiempo muerto se aproxima con una relaci´ on de Pad´ e de tercer orden. clc.

73) ∂f ∂X2 (X2 =X 2 ) (X2 − X 2 ) + · · · + ∂f ∂Xn (Xn =X n ) (Xn − X n ) . despreciando los t´ erminos de orden m´ as alto. . . .48). A.1. entonces el desarrollo de Taylor.15: Comparaci´ on de las respuestas a un escal´ on del sistema y de su modelo aproximado mediante una aproximaci´ on de Pad´ e de tercer orden (ejemplo A.6 Linealizaci´ on de Sistemas Continuos 203 Step Response 10 8 6 Amplitude 4 2 exp(−sD) 0 Padé de 3er orden −2 0 5 10 Time (sec) 15 20 25 Fig. A. Linealizaci´ on de Sistemas Continuos Caso SISO El desarrollo de la serie de Taylor permite expandir una expresi´ on no lineal continua Y = f (X ) alrededor de un punto de operaci´ on (o estado de equilibrio) X como sigue: Y = f (X ) = f (X ) + df dX (X − X ) d2 f + 1! dX 2 (X − X )2 + ··· 2! (A. produce: Y = f (X1 .6. . A. X n ) + + Ejemplo A. .6. Xn ) = f (X 1 . Xn . . .49 Linealizar la siguiente taza de reacci´ on rA para el punto de operaci´ on (T . .72) (X =X ) (X =X ) Si la expresi´ on de Y depende de las n variables X1 . . C A ): rA = k0 e− RT CA E ∂f ∂X1 (X1 =X 1 ) (X1 − X 1 ) (A. . . .A.

U) es la ecuaci´ on de estado del sistema.U) ∂f ∂U Del mismo modo. U) es la ecuaci´ on de salida. U) X Y = g(X.78) donde A es la matriz de estado de orden n × n. = .     . El desarrollo de Taylor para la ecuaci´ on de estado de este sistema. las formas linealizadas de (A.  .U) (A. U= .  .U) ∂f ∂U (X. C es la matriz de salida de los estados de orden p × n y D es la matriz de salida de las entradas de orden p × m. la ecuaci´ on de salida del sistema se puede formular como: y= ∂g ∂X x+ (X. . .75)           ˙1 X f1 (X.74) (T =T ) (CA =C A ) Las variables t y cA se denominan variables residuales o de desviaci´ on. Tanto f como g son funciones vectoriales de las variables vectoriales X y U. U) + ∂ f (X. . resulta: ¯ . = .   . U) (U − U)2 + · · · ( X − X 2! ∂ x2 ∂ X∂ U ∂ U2 Despreciando los t´ erminos de orden dos se obtiene: ˙ = f (X. U) Um Xn 2 2 ¯ 1 ∂ 2 f (X. .77) se puede expresar como: ˙ = Ax + Bu x y = Cx + Du (A. A. U) + ∂ f X ∂X ∂f ˙ − f (X. . U) ¯ )2 + 2 ∂ f (X. U) (X − X)(U − U ) + ∂ f (X. U) = f (X. U) (A. B es la matriz de distribuci´ on de orden n × m.6.     .U) (X. x = X − X es el vector residual (o de desviaci´ on) de estados. U) = x ˙ = X ∂X (X − X) + u (X.2.204 donde k0 .  ˙ fn (X. U) Y1 g1 (X. Caso MIMO donde f (X. U) Yp gp (X. U) ˙ = f (X. mientras que g(X. U) (X − X) + ∂ f (X (U − U) + X ∂X ∂U Un sistema MIMO no Lineal invariante con el tiempo de orden n se puede representar como: ˙ = f (X.76) y (A.73) con X1 = T y X2 = CA se obtiene: r A = r A + C 1 t + C 2 cA r A = k0 e ∂rA C1 = ∂T − E RT CA C2 = t=T −T ∂rA ∂CA c A = CA − C A (A.U) (U − U) (A.77) Por consiguiente.76) x+ (X. u = U − U es el vector residual de control. Matem´ atica para Sistemas Continuos Soluci´ on: Aplicando (A.  .U) ∂g ∂U u (X. e y = Y − Y es . U) U1  . E y R son constantes.

··· ∂h1 ∂Um . El objetivo de control es estabilizar (controlar) la altura H2 empleando como fuerza de control el flujo de alimentaci´ on Qo . ∂hr ∂Um    (X. .  . . B= . . C y D se determinadas evaluando las siguientes matrices jacobianas:  ∂f1  ∂f1 ∂f1  ∂f1  ∂X1 · · · ∂Xn ∂U1 · · · ∂Um  . . Los estados estacionarios o de equilibrio de X y U son X y U respectivamente. . Las matrices A.23 kg/m3 es la densidad del l´ ıquido y g =9. Determinar el modelo linealizado de este sistema hidr´ aulico. .. . . . y γ =0.81 m/s2 es la aceleraci´ on de la gravedad: P1 − P0 = ρgH1 P2 − P0 = ρgH2 .16: Sistema hidr´ aulico. . ∂hr ∂U1 ··· .6 Linealizaci´ on de Sistemas Continuos 205 el vector residual de la salida. B.  . . . Q2 = γ P2 − P0 donde P1 .79) (X. El procedimiento de linealizaci´ on significa entonces que estamos asumiendo variaciones peque˜ nas de la din´ amica del sistema alrededor del estado estacionario o de equilibrio.U) (X. . es decir: Y = R. . .A.50 La Fig. La secci´ on horizontal S =9 m2 de cada tanque es constante. Soluci´ on: Los flujos de salida Q1 y Q2 de los tanques se pueden modelar como: Q1 = γ P1 − P0 . A. Si ρ=1. .4 es una constante que depende de la geometr´ ıa del orificio. Q 0  ∂fn ∂X1 ∂h1 ∂X1 ··· ··· . su estabilidad y su funci´ on de transferencia. cuando el sistema est´ a controlado. .. .U)  D=  ∂fn ∂U1 ··· ∂fn ∂Um ∂h1 ∂U1 .   C =  Ejemplo A. ··· ∂fn ∂Xn ∂h1 ∂Xn .U) (A.16 muestra dos tanques id´ enticos colocados en cascada. ..U) p H1 0 ρ p 1 γ p Q 0 Tanque 1 g 1 H2 ρ p 2 γ Q Tanque 2 2 Fig. mientras que el estado estacionario del vector de salida Y.. . A. A =  . . es el vector de referencias o set points R. ∂hr ∂X1 ∂hr ∂Xn    (X. P2 y P0 son las presiones en el fondo de los tanques y en el exterior respectivamente.   .

75)): ˙ = f(X. U ) X S S √ ˙ 2 = γ ρg [ X1 − X2 ] = f2 (X.X 2 . u) = x2 = C x  √ γ ρg √ ¯ 2S √ X1 γ ρg D = [0]   . obtenemos: √ ˙ 1 = 1 U − γ ρg X1 = f1 (X.U ) 1/S 0 . el estado estable del sistema se puede obtener de: √ γ ρg 1 ˙ X1 = U − X1 = 0 S S √ ˙ = γ ρg X X1 − X2 = 0 2 S lo que resulta en: U X1 = X2 = 2 γ ρg Aplicando el jacobiano.206 El flujo acumulado en cada tanque es: Q0 − Q 1 = S dH1 dt Matem´ atica para Sistemas Continuos Q1 − Q 2 = S dH2 dt Definiendo las variables de estado X1 = H1 y X2 = H2 y la entrada U = Q0 . U ) = X2 Observar que las ecuaciones anteriores poseen las formas dada en (A.U ) B= = (X 1 . y: ˙ = X ˙1 X ˙2 X f= f1 f2 Definamos las siguientes variables residuales: x1 = X 1 − X 1 x2 = X 2 − X 2 u=U −U Conociendo que U = 3 m3 /s. C= ∂h ∂X1 = − 0 − √ γ ρg 2S 2S √ X1 √ X2 ∂h ∂X2 = [0 1] (X 1 . A= ∂f1 ∂X1 ∂f2 ∂X1 ∂f1 ∂X2 ∂f2 ∂X2 (X 1 . U ) X S y su correspondiente ecuaci´ on de salida: Y = h(X. U ) X Y = h(X. U ) = X2 donde la salida Y (la funci´ on g ) y la entrada U son en este caso escalares.80) y = h(x.U ) La estabilidad y la funci´ on de transferencia del sistema se computan con el programa C2tqh. el sistema linealizado resulta: ˙ = Ax + Bu x donde: x= x1 x2 ∂f1 ∂U ∂f2 ∂U 2 (A. y resolviendo las ecuaciones anteriores para X1 y X2 .m.X 2 .X 2 . .

% EINGENVALORES: -0.81. . % P = [0 0 0.2  1 2 3 B= 2 4 8  1 2 3  Problema A. A = [a11 0.004 /(s^2 + 0. cuando:   1 −1 1 A =  −2 2 −1  −2 1 0 Problema A. a22 = -gamma*sqrt(rho*g)/(2*S*sqrt(X2bar)). a21 = -a11.C. close all. Q = [1 0. Demostrar que A2 = A y B2 = B.004]. B = [1/S.4. con per´ ıodo igual a 2:   1 −2 −6  9  A = −3 2 2 0 −3 .D).5 Una matriz M es idempotente cuando M2 = M.7 Problemas 207 % C2tqh. clc.     2 −3 −5 −1 3 5 5  A =  −1 4 B =  1 −3 −5  1 −3 −4 −1 3 5 Demostrar que la siguientes matriz es peri´ odica.0358 => SISTEMA ESTABLE [P. D = [0].0013) A. Demostrar que (A ± B)2 = A2 + B2 cuando:     2 −3 −5 −1 3 5 5  A =  −1 4 B =  1 −3 −5  1 −3 −4 −1 3 5 Problema A. cuando:       2 1 −1 −2 1 4 1 0 1 −3 2 C =  3 −2 −1 −1  B= 2 1 1 1  A =  2 1 −3  2 −5 −1 0 1 −2 1 2 4 −3 −1 Problema A. Problemas Problema A.0715s + 0.B. % SISTEMA LINEAL eigA = eig(A).Q] = ss2tf(A.3 Demostrar que AB = AC.m SISTEMA HIDR´ AULICO clear all.0013] % FUNCION DE TRANSFERENCIA: P(s)/Q(s)=0.7.23. lo cual no necesariamente implica que B = C.A.0715 0. rho = 1. X2bar = X1bar. S = 9.0]. % PARAMETROS X1bar = Ubar^2/(gamma^2*rho*g).1 Demostrar que AB = BA. g = 9.0358 Y -0. C = [0 1]. % PUNTOS DE EQUILIBRIO a11 = -gamma*sqrt(rho*g)/(2*S*sqrt(X1bar)).4 En general: (A ± B)2 = A2 ± 2AB + B2 y A2 − B2 = (A + B)(A − B). gamma = 0.a21 a22]. Qoinf = 3.

7 Demostrar que la siguientes matriz es nilpotente:   1 −3 −4 4  A =  −1 3 1 −3 −4  i 1 + i 2 − 3i 2i 1  B =  −1 + i −2 − 3i −1 0  demostrar que A. Si el conjunto es dependiente.6 Matem´ atica para Sistemas Continuos Problema A.208 Problema A.11 Examine la dependencia o independencia lineal del siguiente conjunto de vectores. Problema A.8 Empleando matem´ atica simb´ olica demostrar que: λ 1 0 λ Problema A.10 Empleando matem´ atica simb´ olica hallar la derivada con respecto a x del determinante de la matriz:   x 1 2 x3  A =  x2 2x + 1 2 0 3x − 2 x + 1 Problema A.9 Empleando matem´ atica  2 a  b2 A=  c2 d2 simb´ olica demostrar que las matrices:   3 2 a 1 bcd a a 3 2   b 1 acd   b b B = 3  c c2 c 1 abd  d 1 abc d3 d2  1 1   1  1 n Dada las matrices:   1 1 + i 2 + 3i 2 −i  A= 1−i 2 − 3i i 0 = λn nλn−1 0 λn a b c d poseen el mismo determinante: (a − b)(a − c)(a − d)(b − c)(b − d)(c − d). y que B y B∗ son antihermitianas. Problema A. x4 =  −1   2   −2   6   −6  −1 3 −5 7 .         2 4 0 6  1   2   0   3                 x1 =   3  . x3 =  5  . x2 =  1  . iB y A∗ son hermitianas. seleccione el m´ aximo subconjunto linealmente independiente y exprese cada uno de los vectores dependientes como una combinaci´ on lineal de los independientes.

elaborar un programa en Simulink para visualizar la se˜ nal y (t).16 Para cada ecuaci´ on integro–diferencial. donde:     1 1+i −1 1 1 + i 1 + 2i 6 −3 + i  3 5  A= 1−i B= 1−i −1 −3 − i 11 1 − 2i 5 10 Problema A.15 Demostrar que el producto xH Ax es definida positiva y que el producto xH Bx es semidefinida positiva. entonces B = (I − A)(I + A) −1 es unitaria.14 Si la matriz A es antihermitiana e I + A es no singular. Luego.A. (a) = t dy (t) + 2y (t) 5y (t) + 4 y (τ )dτ = u(t) dt 0 d2 y (t) dy (t) (b) = + y (t) = u(t) dt2 dt t dy (t) y (τ )dτ = u(t) + 2y 2 (t) + 4 (c) = − dt 0 t d2 y (t) 3 y (τ )dτ = u(t) + 7 y ( t ) − (d) = − dt2 0 x2 = [i 1 − i 0]T .13 Demostrar que los siguientes vectores son linealmente independientes y mutuamente ortogonales: x1 = [1 + i i 1]T . x3 = [1 − i 1 3i]T . elaborar un programa en MATLAB para graficar la salida y (t) cuando u(t) es un escal´ on unitario. Todas las condiciones iniciales son nulas.12 209 Si la matriz A es antisim´ etrica e I + A es no singular.7 Problemas Problema A. entonces B = (I − A)(I + A) −1 es ortogonal. Problema A. Obtenga la matriz unitaria B de:   0 i 1+i i 0 i  A= −1 + i i 0 Problema A. Obtenga la matriz ortogonal B de:   0 1 2 A =  −1 0 3  −2 −3 0 Problema A.

x2 y x3 son las variables de estado.210 Problema A. Problema A. 2x2 − 5x3 = −3u2 − 4u2 − x ˙3 x ˙ 2 − x1 + 8x2 − 2x3 = −u1 (b) −x1 − 8x2 + x3 + x ˙ 1 = u1 . y1 e y2 son las salidas y x1 . que es la funci´ a 1 para t ≥ 1. y1 = x1 − u2 + 8u2 . El sistema es inestable porque: ∞ −∞ |G(τ )|dτ = ∞ 0 |1|dτ = ∞ Aplicando este principio. C = 1 F.20 Hallar la transformada inversa de: G(s) = (s3 + s2 + 2s + 1)/(s3 + 3s2 + 2s + 3). y2 = −x1 − 5x3 − 5u2 x2 − 6x3 = x ˙ 3 − u1 + 9u2 x ˙ 2 − 3x1 + 5x2 + 62x3 = −u1 − 7u2 (d) 3x2 − 5x3 + x ˙ 1 = −3u1 + 3u2 . determine G(t) y la estabilidad del sistema: y ˙ + 2y = x. y1 = x1 − 3x2 − u2 .17 Matem´ atica para Sistemas Continuos Determinar la ecuaci´ on de estado y la ecuaci´ on de salida de los sistemas: (a) 2x1 + 3x2 − 5x3 = 4u1 − 3u2 + x ˙ 1.18 Graficar la corriente i(t) que circula en un circuito serie RLC alimentado por una (0) = −5 bater´ ıa E de 12 V. . sabiendo que R = 100 Ω. la cual es igual impulso es: y (t) = G(t) = 0 δ (τ )dτ = µ(t). la frecuencia natural de oscilaci´ on y el coeficiente de amortiguamiento de dicho circuito. L = 2 H. su respuesta al t on escal´ on. para un integrador y (t) = 0 x(τ )dτ con y (0) = 0. Problema A. Partiendo de la ecuaci´ on caracter´ ıstica del circuito. y1 = 3x1 − x2 + u1 . determine la estabilidad. y2 = −3x1 + 7x3 + u1 − 5u2 2x2 − 5x3 = −3u1 + 3u2 + x ˙3 2x1 + 4x2 − 2x3 = −3u2 − u2 + x ˙2 (c) 6x1 + 7x2 + x ˙ 1 = 4u2 . Problema A.19 Una forma de determinar la estabilidad de un SLIT con entrada x(t) y salida y (t) conociendo su funci´ on G(t) de respuesta al impulso δ (t). y1 = 4x1 x2 − u1 + u2 . i(0) = 5 A y didt A/s. es evaluando la siguiente condici´ on para estabilidad: ∞ −∞ |G(τ )|dτ < ∞ t Por ejemplo. x1 − 2x2 − 5x3 + x ˙ 3 = −3u1 y2 = −3x1 + 7x2 − 5u2 x ˙ 2 − 6x1 + 5x2 − 7x3 = −3u2 y2 = −3x2 + 7x3 − 9u1 − 2u2 donde u1 y u2 son las entradas.

A.22 Determine la transformada inversa de: G(s) = Problema A. la estabilidad. el cual se logra generando un a ´ngulo de control a adecuado.25 Un motor DC empleado en los sistemas de control de posici´ on angular θ y de velocidad ˙ = ω . determinar el valor de K usando el m´ etodo de prueba y error que haga que la salida y siga a la referencia r con suficiente rapidez y con m´ ınimo error e = r − y . Problema A. donde u es el voltaje de entrada al motor que se asume constante y de magnitud A para el intervalo 2T ≤ t ≤ 3T . Empleando Simulink. la controlabilidad. seleccionar el valor de K que haga: l´ ım y (t)t→∞ = 1.7 Problemas Problema A. la observabilidad (el primer elemento del vector de estado v es la salida) y la FT del sistema siguiente: v ˙ = Problema A. la respuesta al escal´ on del sistema: K (s + c) y (s) = 2 u(s) s + 3s + 100 Para cada c.27 0 1 0 −2 v+ 3 −4 u .26 El siguiente diagrama de bloques corresponde al sistema de control autom´ atico de la profundidad y de un submarino. Hallar θ(t) anal´ ıticamente.23 3s3 + 20 s2 (s + 1) 211 Determine la matriz de transici´ on.21 Graficar para varios valores del cero c. Problema A. la ecuaci´ on caracter´ ıstica. Suponga que el submarino debe de navegar manteniendo una profundidad de r = −250 m.24 Hallar varias ecuaciones de estado y de salida can´ onicas para el sistema: s3 − 2s + 1 y (s) = 3 u(s) s − 2s2 + 3s − 4 Problema A. Problema A. se describe mediante la relaci´ angular θ on: ω ˙ = −ω + u.

18. Problema A.212 r e a Matem´ atica para Sistemas Continuos 2 K (s − 1) s +1 2 1 s y Fig. Emplear Simulink y usar el m´ etodo de prueba y error para determinar los par´ ametros Kc y Ki que hagan que la salida Y siga a la referencia R con suficiente rapidez. R = 20 Ω es la resistencia el´ ectrica. Sabiendo que: de dt de transici´ on es: At t=0 = A. A. T a (t) y Ti (t). R es un escal´ on unitario y N es un disturbio escal´ on de magnitud 0.30 . Elaborar un programa en Simulink para graficar las se˜ nales i(t). A.7) Problema A.28 Las ecuaciones que rigen el calentamiento de un cuarto son: qR = q a − q p qR = Ri2 qa = C t dTi dt qp = Ti − T a Rt donde Ct = 4184 J/o C es la capacitancia t´ ermica.29 En la Fig. cuyo valor inicial es 1 A. qR es el flujo de calor en J/s producido en R.5) 2e−t cos(t − 0.29.1R. Rt = 0. Problema A.5) e−t cos(t − 1.17: Sistema de control de la profundidad de un submarino (problema A. i(t) es una corriente de entrada tipo escal´ on de magnitud 0. cuyo valor inicial es 20 o C y su valor final es 15 o C. Ta es la temperatura ambiente que act´ ua como una entrada tipo escal´ on de duraci´ on 6000 s. qp es el flujo de calor en J/s que va al exterior y Ti es la temperatura en o C en el interior.7) 3e−t cos(t + 1.26). hallar la matriz de estado A de un sistema cuya matriz 2e−t cos(t + 0.5 A y de duraci´ on 2000 s. N R Kc + Ki/s (s+7)(s+8)(s+9) (s+1)(s+2)(s+3)(s+4)(s+5) Y Fig.18: Sistema realimentado para el problema A. Considerar que la temperatura Ti (0) inicial en el integrador es 22 o C. A.1 o C/J es la resistencia t´ ermica.

A.7 Problemas 213 Graficar las salidas usando Simulink en el siguiente sistema de ecuaciones diferenciales acopladas: dT = A(T − To1 )Fo − B (T − Ta ) dt dTa = C (Ta − To2 )Fo + D(Ta − T ) dt donde A = C = 0. Problema A. A. A.20: Sistema del problema A.31 En la Fig.20 investigar empleando Simulink si es posible hallar las ganancias K1 . A.19: Sistema realimentado para el problema A. K2 y K3 que hagan que y1 siga a r1 y que y2 siga a r3 con suficiente rapidez.31.01 m3 /min.08. Problema A.1R.05.A. Fo = 0. To1 = 280K y To2 = 350 K son perturbaciones tipo escal´ on.32 . Tambi´ en. R es un escal´ on unitario y N es un disturbio escal´ on de magnitud 0. N R Kc + Ki/s 2e −2t 10e−3t 4s+1 Y Fig.32 Para el sistema mostrado en la Fig.19. B = D = 0. Emplear Simulink y usar el m´ etodo de prueba y error para determinar los par´ ametros Kc y Ki que hagan que la salida Y siga a la referencia R con suficiente rapidez. x1 4 s+4 x4 y1 r1 r2 K1 u u2 1 1 s+1 K2 2 s+2 x2 r3 5 s+5 K3 u3 3 s+3 x3 x5 y2 Fig.

9167s − 0. Problema A.33 Matem´ atica para Sistemas Continuos La funci´ on de transferencia de un sistema tiene la forma: G(s) = y (s) 5s2 − 0.0417 V´ ıa Simulink determine: (a) su respuesta ye (t) a un escal´ on unitario. (b) su respuesta yi (t) al impulso. x2 = −1. 3 x ˙ 1 = −2x2 1 + 3x1 x2 − u1 + u2 . Problema A.21: Funci´ on rampa. A.5833s2 + 0. Problema A.35 Dada la siguiente ecuaci´ on de estado: x ˙ (t) = −4x(t) + 2u(t) graficar x(t) sabiendo que x(0) = 1 y u(t) es la rampa mostrada en la Fig.36 Para el punto de operaci´ on: x1 = −1. u1 = −2.5417 = 3 u(s) s + 0. P2 y P3 de tres especies en un a ´rea restringida est´ a gobernada por las ecuaciones: ˙1 = 2P1 + 3P2 + 6P3 + c1 u P ˙2 = −3P1 + 3P2 + 8P3 + c2 u P ˙3 = P1 − 3P2 + 2P3 + c3 u P 0 ≤ c1 0 ≤ c2 0 ≤ c3 c < −1 + c2 + c3 Elaborar un programa en MATLAB para graficar las respuestas P 1 (t).0417s + 0. u2 = −1 hallar las ecuaciones de estado y de salida lineales del siguiente sistema no lineal y determinar su estabilidad. (c) la salida y (∞) para la parte (b) usando el teorema del valor final. A. y (d) varias ecuaciones de estado y de salida can´ onicas.214 Problema A.21. u(t) e 1 f e f e f e fe f e f e f e fe fef e f e f e fe fef e f e f e fe fef e f e f e f e f ef e f e f e fe fef e f e f e fe fef e f e f e fe fef e f e f e fe fef 0 1 t Fig.34 Las poblaciones P1 . P2 (t) y P3 (t).

7 Problemas 2 3 2 x ˙ 2 = −4x3 1 + 6x1 x2 − 4u1 − 2u2 215 y2 = −3x2 1 + 4x2 + 2u1 Problema A. Se sugiere hacer un programa. la controlabilidad completa a la salida y la observabilidad completa. (f) Hallar y1 (t) e y2 (t) donde u1 (t) y u2 (t) son entrada rampa unitaria. la salida y (t) debe de tender a cero.37. Problema A.38 Para los sistemas de control mostrados en la Fig.22: (a) Determinar su ecuaci´ on de estado y ecuaci´ on de salida.37 En el sistema de la Fig. Tambi´ en debe de verificar que cuando r(t) es nulo. (a) G(s) = (b) G(s) = 4(s + 1)(s + 2) e−2s (s + 3)(s + 4)(s + 5)(s + 6) 2(s + 1) e−3s (s + 3)(s + 4)(s + 5)(s + 6)(s + 8) s2 + 2s + 1 −s e (s + 3)4 8 e−4s (s + 3)(s + 4)(s + 5)(s + 6)(s + 7)2 (s + 8) (c) G(s) = (d) G(s) = . A. (f) Graficar y1 (t) e y2 (t). A.A. (e) Determinar la matriz de transici´ on con t0 = 0. (b) Hallar su matriz de transferencia. A. Por tanteo. u1 y1 y1 = 3x1 − 4u1 + 6u2 2 1 s+1 4 u2 2 s+2 6 y2 Fig.22: Sistema del problema A. La magnitud de r(t) es 10 veces la magnitud de n(t). elabore los respectivos programas en Simulink. determine los valores de P.23. (c) Determinar su estabilidad. I y D que debe de poseer el bloque PID para que la salida y (t) siga a la se˜ nal escal´ on deseada r(t) en presencia de la carga (o disturbio) n(t). (d) Hallar la controlabilidad completa.

216 Matem´ atica para Sistemas Continuos n(t) r(t) PID G(s) y(t) Fig. . A.23: Sistema de control con presencia de disturbio.

. La interacci´ on de MATLAB con el usuario es a trav´ es de ventanas.com.1. El modelo del sistema puede ser lineal o no lineal y puede tener diferentes partes que se discreticen o se actualicen a diferentes tiempos de muestreo. Simulink emplea un lenguaje en bloques y se usa para modelar. En este Ap´ endice. B. modelado y an´ alisis financiero y biolog´ ıa computacional. telecomunicaciones. MATLAB se emplea mundialmente en diversas aplicaciones que incluyen procesamiento de se˜ nales e im´ agenes. visualizaci´ on y an´ alisis de datos y computaci´ on num´ erica.1. Las principales son (ver Fig. Para iniciar MATLAB hacer doble click en tal ´ ıcono para hacer aparecer la Fig. pruebas y mediciones.Aqu´ ı se ejecutan las instrucciones. B.Ap´ endice B Fundamentos de MATLAB y Simulink MATLAB es un lenguaje t´ ecnico de c´ omputo de alto nivel e interactivo que puede ser empleado para el desarrollo de algoritmos. aparece un icono caracter´ ıstico del mismo en el escritorio.Ventana que muestra el historial de las instrucciones introducidas a trav´ es de la ventana de comandos. B. Historial de comandos (Command History).1): Ventana de comandos (Command Window). simular y analizar sistemas din´ amicos continuos. disponibles por separado. MATLAB tambi´ en cuenta con una colecci´ on herramientas (Toolboxes) para prop´ ositos espec´ ıficos.1.ctlima. Fundamentos de MATLAB El Entorno de Trabajo de MATLAB Luego de instalar el programa MATLAB. Todos los archivos de esta publicaci´ on se pueden descargar del link DESCARGAS de www.. una secci´ on est´ a dedicada a MATLAB y la otra a Simulink.. los cuales permiten resolver ciertas clases de problemas en el ´ area de su aplicaci´ on. B. Esta herramienta permite validar los modelos din´ amicos existentes o aquellos construidos desde cero. dise˜ no de sistemas de control. discretos o h´ ıbridos (combinaci´ on de ambas).1.Ventana que muestra los directorios y archivos actuales. . Directorio actual (Current Directory).

Para cerrar el programa. Por ejemplo. B. entonces la informaci´ on detallada y ejemplos sobre este comando aparecer´ an en la parte derecha de la ventana Help. Para obtener informaci´ on detallada de cualquier t´ opico relacionado con MATLAB.. ubicado debajo de la l´ ınea del men´ u de la Fig. B.Las figuras aparecen cuando el usuario las realiza.2. si tipea save y hace click en Go.1. Se sugiere usar siempre letras min´ usculas para los comandos.. Ventana de figuras.1.Ventana donde aparecen las variables almacenadas en memoria. B. En el espacio Search for de tal ventana.218 Fundamentos de MATLAB y Simulink Espacio de trabajo (Workspace). hacer click en el icono s´ ımbolo de interrogaci´ on ?. El s´ ımbolo >> que aparece en la ventana de comandos es el prompt de .1: El entorno de trabajo de MATLAB. Comandos y Funciones Generales Tener en cuenta que MATLAB NO HACE la distinci´ on entre may´ usculas y min´ usculas en sus comandos. tipear el t´ opico del que desea informaci´ on. para que aparezca la ventana Help. Fig. seleccionar en el men´ u: File − > Exit MATLAB o tipear quit en la ventana de comandos.

Es decir: i = √ √ −1 y j = −1. >> 4i . what Lista archivos con extensi´ on m. El formato siguiente: >> help roots ENTER . El comando format long le dice a MATLAB que se quiere trabajar con 15 d´ ıgitos para doble precisi´ on y 5 d´ ıgitos para simple precisi´ on.33333333333333.3333. 1/3 devuelve 0. es u ´til cuando se desea tener informaci´ on de un determinado comando.7071 Observar que los tres puntos al final de la primera fila indica que la sentencia contin´ ua en la siguiente l´ ınea. donde NaN est´ a por Not a Number. type Lista archivos tipo m. En notaci´ on MATLAB >> 20/0 devuelve Inf .785)^7/(1*2*3*4*5*6*7) ans = 0.B.785^5/(1*2*3*4*5). whos Lista las variables actuales en forma extendida. which Localiza funciones y archivos. luego de presionar la tecla ENTER. divisi´ on derecha a/b. mientras que >> 8i-j4 devuelve Undefined function or variable ’j4’. La divisi´ on izquierda se emplea m´ as con matrices. helpwin Ayuda en l´ ınea. Se recomienda leer el help del comando antes de usarlo. clc Despeja (limpia) la ventana de comandos. multiplicaci´ on a*b. who Lista las variables actuales. En este caso particular. despu´ es la multiplicaci´ on o divisi´ on (ambos tienen igual presedencia). escribiendo en la VC: >> format long. A continuaci´ on se describen otros comandos de utilidad general. MATLAB reconoce a las letras i y j como n´ umeros imaginarios. mientras que >> 0/0 devuelve NaN. help help Lista t´ opicos de ayuda. load Carga variables del disco al espacio de trabajo.1 Fundamentos de MATLAB 219 MATLAB. Por ejemplo.. Los comandos escritos despu´ es del prompt requieren de un ENTER para que MATLAB los procese. Las operaciones fundamentales en MATLAB son suma a+b.7854-(0. El orden de precedencia en las operaciones fundamentales es: ejecutar primero el par´ entesis m´ as interno.. MATLAB devuelve 0. En lo que sigue.7854)^3/(1*2*3)+0. save Salvar variables del espacio de trabajo al disco.0000i.2j devuelve 0 + 2. El resultado de la operaci´ on a/b es igual al resultado de b\a. Por ejemplo. MAT y MEX. resta a-b. -(0. Sabemos que la divisi´ on sobre cero es infinito. la VC (Ventana de Comandos) muestra la ayuda correspondiente al comando roots. Se muestra en la ventana de ayuda. la introducci´ on de la tecla ENTER ser´ a sobreentendida. 1/3. clear Limpia variables y funciones de la memoria. mientras que >> format. demo Ejecuta un demo de MatLab. . mientras que la divisi´ on 0/0 es indeterminada. Ejemplo: >> 0. divisi´ on izquierda a\b y exponenciaci´ on a^b. y finalmente la suma y resta. lookfor Busca archivos m desde el teclado. luego los exponentes.

0000 4.0000 2. ingresando: >> clear.220 Fundamentos de MATLAB y Simulink pwd Muestra el directorio de trabajo actual. y cero en otro caso.dat. Creaci´ on de Archivos Tipo m La forma m´ as conveniente de procesar informaci´ on en MATLAB es mediante los archivos m. >> save -ascii mydata. minuto. fix(clock) Proporciona lo mismo que clock.7000 8.0000 c = [8 6 4].0000 6. unix Ejecuta comandos del sistema operativo Unix.0000 1. Simulink y Toolboxes. segundo]. a = magic(3). ver Informa sobre la versi´ on de MATLAB. size Muestra el tama˜ no de una matriz. calendar Proporciona el mes en curso. d´ ıa. en donde deben de estar todos sus archivos de de trabajo. tales como archivos m. computer Devuelve el tipo de computadora. why Devuelve respuestas breves a casi cualquier interrogante. clock Proporciona el vector: [a˜ no. Un archivo m se genera como sigue: Crear un directorio de trabajo. isnan(x) Devuelve 1 si x es indeterminado y cero en otro caso. etc.0000 4. dir Muestra el directorio actual. exist Chequea si est´ an definidas las variables o funciones.7000 -5.0000 3. hora.7000 -5. version Devuelve la versi´ on actual de MATLAB. date Proporciona la fecha. delete Borra un archivo u objeto gr´ afico. mydata mydata = 8. B. 3)*-5. lasterr Devuelve el u ´ltimo mensaje de error. la fila 5 se origina por el comando b = ones(1.0000 7.1.3. mes. b = ones(1.7 y la u ´ltima fila corresponde al vector c=[8 6 4 2]. length N´ umero de elementos de un vector. archivos de datos. finite(x) Devuelve 1 si x es finito y cero en otro caso.dat >> clear. cd Cambiar el directorio actual de trabajo. load mydata.0000 6. diary Guarda el texto de la sesi´ on de trabajo actual. Por ejemplo. whatsnew Informa acerca de lo nuevo de MATLAB.0000 5. donde las 3 primeras filas corresponden a la matriz formada por el comando a=magic(3).0000 -5. info Da informaci´ on acerca de la empresa Mathworks. .0000 9.7. isinf(x) Devuelve 1 si x es ∞ o −∞. disp Muestra los valores de una matriz o texto. 3)*-5. hostid Identifica el n´ umero del servidor host.

2 as´ ı como otros m´ as especializados. d = a/b. r1=ceil(x1). % MATLAB NO PROCESA LO QUE EST´ A A LA DERECHA DEL S´ IMBOLO: % clear all.1.1.m GENERACI´ ON DE UN ARCHIVO m. En tales ejemplos emplearemos tanto los comandos listados en la subsecci´ on B. % miarchivom. Hacer click en el icono hoja de papel en blanco ubicado en el extremo superior izquierdo de la Fig.1 Fundamentos de MATLAB 221 Ubicarse en tal directorio de trabajo creado empleando el browser de MATLAB (el icono cuadrado con tres puntos ubicado en el extremo superior derecho de la Fig. Esta operaci´ on puede repetirse pocas o varias veces dependiendo de la magnitud del programa y experiencia del programador.4. % close: CIERRA FIGURAS. B. El siguiente archivo de nombre miarchivom.92. Corregir tales errores y ejecutar el programa. close all. (2) haciendo click en Debug → Run en el men´ u del editor. ´ estos ser´ an mostrados en la ventana de comandos. El programa genera autom´ aticamente la extensi´ on m del archivo. B. b=-4. (3) haciendo click en el icono Run and Save del editor. close all.m contiene informaci´ on adicional.m En lo que sigue. % r1=6 (ceil REDONDEA HACIA INFINITO) . Escribir el contenido usando lenguaje MATLAB y guardarlo con un nombre arbitrario.1.1. La ejecuci´ on de un archivo m se puede parar en cualquier momento presionando simult´ aneamente las teclas Ctrl + C. clc. clc a=7.m FUNCIONES MATEM´ ATICAS COMUNES clear all. DONDE EL S´ IMBOLO .m r=a-b. m = a*b. % DATOS. Hay tres formas de ejecutar el archivo m generado: (1) presionando la tecla F5. s´ olo emplearemos archivos m para explicar mediante numerosos ejemplos las bondades del lenguaje MATLAB. % clear: LIMPIA VARIABLES Y FUNCIONES DE LA MEMORIA. clc. Si el programa posee errores. % OPERACIONES ARITM´ ETICAS s=a+b % LA VC DEVUELVE s=3 LUEGO DE EJECUTAR miarchivom. B.B. % clc: LIMPIA LA VENTANA DE COMANDOS (VC) DE MATLAB % TAMBI´ EN ES V´ ALIDO ESCRIBIR: clear all. Matem´ aticas Funciones Matem´ aticas Comunes % funcionesmat. e = a^b. close all. el cual se ubica debajo de la l´ ınea que contiene el men´ u del editor. IMPIDE QUE LA VC % MUESTRE a Y b LUEGO DE EJECUTAR miarchivom. % APROXIMACIONES x1=5. para abrir el editor de MATLAB.

4 5 6]. % IDEM.656 -2. r4=[20 14 -2 1] (round REDONDEA HACIA EL ENTERO M´ AS PR´ OXIMO) ´ TRIGONOMETRIA r5=sin(pi/2).222 Fundamentos de MATLAB y Simulink % % % % r2=fix (x1). % MODULO. % r7=[4 5 6] r8=A(2.1. COLUMNAS DE 2 A LA 3) % [2 3] r11=A(end. 1] r6=A(2. r12=50 ´ r13=mod (-12. % VALOR ABSOLUTO. ELEM SEPARADOS POR ESPACIOS y = [2.m VECTORES Y MATRICES.[3 1]). A(5)=3 4 5 6]. COLUMNAS DE 2 A LA 3) r9=A(2. % r1=7 r2=x(end).2:3). % r6=-1 (´ ANGULO EN GRADOS) r7=cosd(60).5). % r8=[5 6] (2da FILA.12). ELEM SEPARADOS POR COMAS Y ESPACIOS w = [2.5 (´ ANGULO EN GRADOS) r8=asind(1). % r4=[5. % C´ OMO DEFINIRLOS x = [5 7 -2 4 -6]. % r8=90 (´ ANGULO EN GRADOS) ALGUNAS OPERACIONES r9=abs (-7). clc.3. r16=sign(x).3). % M´ AXIMO COM´ UN DIVISOR ENTRE 9 Y 12. r9=7 r10=sign(10).3 4. r11=3 r12=lcm (10. % r5=1 (´ ANGULO EN RADIANES) r6=sind(-90).7].1). % VECTOR FILA.6+0. ELEM SEPARADOS POR COMAS z = [0 1 2. A(3)=2. -2 y -6] r5=x([3 5 1]). n=floor(x. % r3=5 (floor REDONDEA HACIA MENOS INFINITO) r4=round([19.*y=3 r14=rem (12.7]. SI y~=0. % RA´ IZ C´ UBICA DE 8.3. r14=2 r15=nthroot (8.2:3). A(4)=3.[1 3]). % r9=[6 4} r10=A([2 1]. % r5=^[-2. % VECTOR COLUMNA A = [1 2 3 % A(1)=1.:). % r2=-6 r3=x(2:4). close all. % MATRIZ DE 2 FILAS Y 3 COLUMNAS AL IGUAL QUE A % DIRECCIONAMIENTO r1=x(2).1565 0.1.5). % r10=[5 6] (FILAS 2 y 1. % A(2)=4. -6.25). ELEM = ELEMENTOS clear all. % r16=x/abs(x)=(3+4i)/5=0. % VECTOR FILA. r13=x-n. % r11=[4 6] % CONSTRUCCI´ ON ABREVIADA DE ALGUNOS VECTORES . % r7=0.5].78]). r10=10/abs(10)=10/10=1 r11=gcd (9. % SIGNO. % r6=4 r7=A(2. % M´ INIMO COM´ UN M ´ ULTIPLO ENTRE 10 Y 25. % r3=[7 -2 4] r4=x(1:3:5). A(6)=6 B = [1 2 3. r15=2 CON N´ UMEROS COMPLEJOS x=3+4i.54646 13. % r2=5 (fix REDONDEA HACIA CERO) r3=floor (x1)./y)=-3.8i Vectores y Matrices % vectoresymatrices. % RESTO DE LA DIVISI´ ON ENTRE 12 Y 5.

3).’. xcy=cross(x1. % VECTOR LOG. 7 8 9 2. r41=P*Q. % r20=[1.4). VECTOR LOGAR´ ITMICAMENTE ESPACIADO 10^0 Y 10^2 CON 4 ELEM.2.6416 21.6. DISTRIBUCI´ ON NORMAL. % r46=[1. % r15=[1 5 9] (ENTRE 1 Y 10 CON INCREMENTO 4) r16=(50:-7:1).B. % INVERSA DE LA MATRIZ DE HILBERT 3 x 3 OPERACIONES B´ ASICAS CON MATRICES P=[1 2. 3 ELEM. MEDIA 0 Y DESVIACI´ ON 1: NORMAL(0. ENTRE 10^0 Y 10^2 CON 50 ELEM.3 7] r42=P. % MATRIZ DE HILBERT 3 x 3 r40=invhilb(3). % r41=[1 3.6).4). % r17=[2.5).0 1]. 0s EN EL RESTO r29=magic(3). EQUIDISTANTES r21=logspace (0. r46=diag(M).0000] r19=linspace(2.2). CONTIENE N´ UMEROS 1 AL 3^2. % VECTOR LINEAL ENTRE 2 Y 6 CON 100 ELEM.y)=x1*y4+x2*y5+x3*y6 xdy=dot(x1. % CONJUGADA Y TRANSPUESTA DE R Y VICIVERSA r44=R. y = [y1 y2 y3].8. % MATRIZ IDENTIDAD 2 X 2 r28=eye(4. r20=logspace(0. % r13=[1 2 3 4 5 6 7] r14=(1:3:10). % r12=[1 2 3 4 5 6 7] r13=[1:7]. % MATRIZ 2 x 5 DE N´ UMEROS ALEATORIOS. % MATRIZ M´ AGICA 3 x 3. % MATRIZ 2 x 3 DE CEROS UMEROS ALEATORIOS ENTRE 1 Y 0 r25=rand(2.6]: VECTOR CON ELEMENTOS DE LA DIAGONAL . % SUMA 2 A CADA ELEMENTO DE A FUNCIONES PARA OPERAR CON VECTORES SEAN LOS VECTORES: x = [x1 x2 x3].5443 100].6. Q=[1 1. PRODUCTO VECTORIAL: cross(x. 2 4 6 8].3). DONDE: SUMA ELEM FILAS = SUMA ELEM COLUMNAS = SUMA ELEM DIAGONAL: 8 1 6 3 5 7 4 9 2 r30=hilb(3).2). >> diag (v) % CREA MATRIZ DIAGONAL CON ELEMENTOS 1.5). % r42=[1 2. % r17=[2 4 6] (LINEAL ENTRE 2 Y 6. % MATRIZ 4 X 2 DE 1s EN LA DIAGONAL. % TRANSPUESTA DE R r45=P+2. 2 Y 3 M = [1 2 3 4. % xdy=32 FUNCIONES PARA EL AN´ ALISIS DE MATRICES v = [1 2 3].3 4]. CONSTRUCCI´ ON DE ALGUNAS MATRICES r22=zeros(3).4).y1). R=[1+i 2+2i. y1 = [4 5 6].y1).6667 6.3333 4. % xcy=[-3 6 -3] PRODUCTO ESCALAR: dot(x.0000 3.3+i 4+7i]. % MATRIZ 2 x 4 DE N´ ON UNIFORME CON DISTRIBUCI´ r26=randn (2.*Q.) r18=linspace(2. % MATRIZ 2 x 5 DE CEROS r24=ones(2.1 Fundamentos de MATLAB 223 % % % % % % % % % % % % % % % % r12=(1:7).y)=[(x2*y3-y2*x3) -(x1*y3-y1*x3) (x1*y2-y1*x2)] x1 = [1 2 3].1) r27=eye(2).0000 4. % MATRIZ CUADRADA DE 3x3 LLENA DE CEROS r23=zeros(2. % r14=[1 4 7 10] (ENTRE 1 Y 10 CON INCREMENTO 3) r15=(1:4:10).0 4] (MULTIPLICACI´ ON ELEMENTO A ELEMENTO) r43=R’. % r16=[50 43 36 29 22 15 8 1] r17=linspace(2.

% DEVUELVE 5 EN LA VC disp(’escribe esto’). % CREA MATRIZ TRIANGULAR INFERIOR OTRAS OPERACIONES CON MATRICES A1=[1 0 0 2 3 4 5 0 2 4 0 0]. % CALCULA SENO DE CADA ELEMENTO DE A2 r58=expm(A2).10] r52=find(A1). % r47=[3 4]: DIMENSIONES DE M (3 FILAS Y 4 COLUMNAS) r48=length(M). % DEVUELVE VECTOR COLUMNA DE ´ r54=reshape(A1. r57=funm(A2. % r54: MATRIZ 2 X 6 A PARTIR DE COLUMNAS DE A1 r54= 1 2 4 0 0 0 3 0 4 5 2 0 r55=rot90(A1). % CADENAS DE CARACTERES r60=a + b.6). % r63=[99 97 115 97]. % r61=[99 97 115 97]. r55 TOMA LA FORMA: 2 0 0 0 5 0 0 4 4 1 3 2 r56=rot90(A1. % A1 GIRA 90o .2.3333 0 0 0 0 % rank(M)=2 PORQUE EXISTEN DOS FILAS NULAS r51=tril(M).224 Fundamentos de MATLAB y Simulink % % % % % % % % % % % % % % % % r47=size(M).@sin).2. INDICES [1. % r66=CASA (LA DIFERENCIA) d=5.6.8. % r62=[99 97 115 97]. % r65=32.6667 0 1 2 4. REPRESENTACI ´ r64=setstr([99 97 115 97]).3. SUMA ASCII ELEM POR ELEM r61=a + 0. disp(d). REPRESENTACI´ ON ASCII DE a ON ASCII DE a r63=double(a). % DEVUELVE << escribe esto >> EN LA VC Polinomios % polinomios.5. DIVISI´ TEXTO a = ’casa’.m POLINOMIOS . % DEVUELVE 4 (LA DIMENSI´ ON MAYOR DE LA MATRIZ M) r49=rank(M). b = ’gato’. RESTA MIN´ r66=setstr (a-32). % REDUCCI´ ON MEDIANTE GAUSS r50 = 1 0 -1 -4. VER help rank) r50=rref(M). % CALCULA MATRIZ EXPONENCIAL DE A2 ´ DIVISION C/D RESUELVE EL SISTEMA Cx=D Y ES EQUIVALENTE A inv(C)*D. ON C\D RESUELVE EL SISTEMA xD=C Y ES EQUIVALENTE A C*inv(D).3). % r49=2 (2 ES EL RANGO DE M. % CREA MATRIZ TRIANGULAR SUPERIOR r52=triu(M). % A1 gira 270o ( 90o x 3 = 270o ) FORMEMOS LA MATRIA A2: A2=[A1 2 4 6 3]. REPRESENTACI´ ON ASCII DE a r62=abs(a). AA = ’CASA’. % r60=[202 194 231 208]. % r64=casa USCULAS USCULAS MENOS MAY´ r65=abs(’a’)-abs(’A’).

m se muestran a continuaci´ on. x=1 y x=5 em=polyval(p. % c=(z^2+2z+7)(z^2+3z+6)=z^4+5z^3+19z^2+33z+42 =[1 5 19 33 42] d = deconv(c.q).m para usar calculos.-1 -2 -3.1 Fundamentos de MATLAB clear all. c = conv(p.b]=nombre_funci´ on(x. % r4(i)=1 SI (a(i)>b(i))&(b(i)>-3). % calculos. 0 SI ES FALSO r4=(a>b)&(b>-3). b=5-a. 0 SI ES FALSO r3=a~=b. % r3(i)=1 SI a(i)~=b(i) ES VERDADERO. vectores o matrices (x.m y el archivo usacalculo.y) Por ejemplo. q = [1 3 6]. % >> exist(’c’) % DEVUELVE 1 PORQUE c EXISTE % >> isnan(c) % DEVUELVE 1 SI c(i) ES NaN Y 0 SI NO ES NaN % >> isinf(c) % DEVUELVE 1 SI c(i) ES Inf Y 0 SI NO ES Inf % >> isfinite(c) % DEVUELVE 1 SI c(i) ES FINITO Y 0 SI NO LO ES Creaci´ on de Funciones La forma general de una funci´ on de dos variables es: function[a. b=[4 3 2 1 0 -1 -2 -3 -4] r1=a<6.y). r(i)=1 SI a<6.q). close all.B. S´ olo es necesario ejecutar el archivo usacalculos.m OPERACIONES RELACIONALES Y L´ OGICAS clear all. % DEVUELVE xx GENERADO POR RA´ ICES DE rx (xx=x) p = [1 2 7]. % rx CONTIENE RA´ ICES DE x xx = poly(rx).q). close all.9x^3 + 13x^2 + 9x . NOTACI´ ON: 5x^4 . % DERIVADA DEL PRODUCTO p*q ep=polyval(p. 0 si a >= 6 r2=a==b. % EVAL´ UA p PARA CADA FILA em= 7 10 15 6 7 10 31 7 70 225 % % % % % % Operaciones Relacionales y L´ ogicas % operaclogicas.4 0 7]). % DERIVADA DE POLINOMIO p dpq = polyder(p.14 ==> [1 -9 13 9 -14] x = [1 -9 13 9 -14]. 0 SI ES FALSO c = [Inf 0 5 -8 NaN 94]. % r1=[1 1 1 1 1 0 0 0 0]. rx=roots(x). se desea crear la funci´ on de nombre calculos para calcular la suma y la resta de dos n´ umeros.[0 1 2. Los resultados los devuelve en [a.m para obtener los resultados. % EVAL´ UA p=x^2+2x+7 PARA x=0. clc.[0 1 5]).b]. % OPERADORES RELACIONALES: < <= > >= == ~= % OPERADORES L´ OGICOS: & (AND) | (OR) ~ (NOT) % ORDEN DE PRECEDENCIA: ~= == <= >= < > a =1:9. % COCIENTE DE DIVIDIR c ENTRE q dp = polyder(p). % a=[1 2 3 4 5 6 7 8 9]. clc.m FUNCI´ ON calculos . % r2(i)=1 SI a(i)==b(i) ES VERDADERO. Los listados del archivo calculos.

while a < 5 disp(’a es menor que 5 porque su valor es:’) disp(a) a = a + 1. -1 0. if b == 0 % SE USA == PORQUE ES UNA EXPRESI´ ON L ´ OGICA disp (’el valor de b es 0’) elseif b == 1 disp (’el valor de b es 1’) elseif b == 2 disp (’el valor de b es 2’) elseif b == 3 disp (’el valor de b es 3’) else disp (’b no es ni 0 ni 1 ni 2 ni 3’) end % GENERACI´ ON DE N´ UMEROS PRIMOS MENORES DE 100 disp(’Estos son los n´ umeros primos menores de 100’) disp(2) for i=2:100 n=2. y = [16 -1. 1 5. clc. resta = x . [a.resta] = calculos(x. 4 -1.n)==0 n=i. b % LA VENTANA DE COMANDO VC DEVUELVE a = x+y. 0 4. 3 -2. close all. clc. while n <= sqrt(i) if rem(i.b] = calculos(x. -1 3]. function[suma. 0 2].y) suma = x + y. x = [1 5. end % SENTENCIA IF b = 5.m PROGRAMACI´ ON EN MATLAB clear all. % usacalculos. close all. close all.y). 3 7.226 Fundamentos de MATLAB y Simulink clear all.y. clc. a.m USA FUNCI´ ON CONTENIDA EN calculos. b = x-y Programaci´ on % programacion.m clear all. . % SENTENCIA FOR for x = 1:5 disp(’x toma el valor’) % DEVUELVE x toma el valor PARA CADA x disp(x) % DEVUELVE EL VALOR DE x end % SENTENCIA WHILE a=3.

00% % 6 0 0. % DEVUELVE SEGUNDA DERIVADA RESPECTO A x ec=feval(’cos’. % >> cumprod(X) % DEVUELVE MATRIZ DE PRODUCTOS ACUMULADOS % >> cumsum(X) % DEVUELVE MATRIA DE SUMAS ACUMULADAS % >> mean(X) % DEVUELVE LA MEDIA DE CADA COLUMNA % >> sort(X) % ORDENA LOS VALORES DE CADA COLUMNA % >> sum(X) % DEVUELVE SUMA DE LOS ELEMENTOS DE CADA COLUMNA % >> var(X) % DEVUELVE VARIANZA DE LOS ELEMENTOS DE C/COLUMNA AXIMO DE CADA COLUMNA % >> max (X) % DEVUELVE VALOR M´ INIMO DE CADA COLUMNA % >> min (X) % DEVUELVE VALOR M´ % >> iqr (X) % DEVUELVE RANGO intercuart´ ılico DE CADA COLUMNA % >> range(X) % DEVUELVE RANGO DE CADA COLUMNA: DIFERENCIA ENTRE % EL M´ AXIMO Y EL M´ INIMO Y = [5 7 9 2 9 3 1 7 5 1 3 9 2 7 5 1 5 5 1 8]. % EVAL´ UA EL COSENO EN pi ep=feval(’cos’.[0 pi/3 pi] ).pi).0.100).0. 1 5 5 1 8]. % EVAL´ UA EL COSENO EN VARIOS PUNTOS INIMO fm=fminbnd(@sind. % INTEGRAL DEL SENO DE 0 A pi.00% % 5 5 25. clc.m AN´ clear all.00% % 4 0 0.360). RECT. ALISIS DE DATOS % analisisdatos.1 Fundamentos de MATLAB else n=n+1.00% % 7 3 15. % EVAL´ UA EL COSENO EN VARIOS PUNTOS em=feval(@cos.B.360.00% % 9 3 15. close all. APROX. end end if n~=i disp(i) end end An´ alisis Num´ erico y de Datos 227 % analisisnumerico. [0 pi/3 pi] ). sind TOMA EL M ´ ´ ´ fz=fzero(’sind’. % >> tabulate(Y) % DEVUELVE: % Value Count Percent % 1 4 20.m AN´ ALISIS NUM´ ERICO clear all. close all.’y’). clc. % VALOR MAS PROXIMO A 100 DONDE sind=0 fq=quad(’sin’.00% .00% (EL N´ UMERO 1 APARECE 4 VECES) % 2 2 10. 3 1 7 5 1. % DEVUELVE DERIVADA RESPECTO A x dp=diff(’(exp(x)*cos(3*x*y))’. % VALOR ENTRE 0.00% % 8 1 5. ds=diff(’sin(7*x) ’).00% (EL N´ UMERO 2 APARECE 2 VECES) % 3 2 10.pi).2). 3 9 2 7 5. X = [5 7 9 2 9. %DEVUELVE DERIVADA PARCIAL EN y dd=diff(’(sin (x^2))’.

subplot(311). plot(x3. fplot(’x^2*sin(1/x)’.1).y4.Y]=meshgrid(x.’r’) % r=RED % graficas3D. ezplot(’x^2 .y2).^2 + Y . plot(x1. clc.05]). y=[4 1 0 1 4 9].Y.2).x.2.^2 + 0.1.1. Gr´ aficos % graficas2D.y^2 .m GR´ AFICAS EN 2 DIMENSIONES clear all. plot (x1. z4=cosd(x4). figure(6) x3=[-2 0 2 0 -2]. % CREA MATRICES PARA LA MALLA Z=sin(sqrt(X . figure(1) % CREA figure(1) x=[-2 -1 0 1 2 3]. axis([-3 3 -1 10]).’HOLA>&$’).y. fill3(x3.^ 2 + Y . y2=cosd(x1). title (’x1*seno(x1)*’) subplot(2.5 2. z=[6 5 3 7 5 2].1).Y.2.^ 2 + 0.*sind(x1).y3). title (’sen(x1)*exp(x1)’).1. z3=[3 5 10 5 3].Z) % DIBUJA LA GR´ AFICA subplot(3. y4=exp(-x1). b=blue subplot(312).228 Fundamentos de MATLAB y Simulink B. close all. y3=[4 8 4 0 4].1’) x3=[-2 0 2 0 -2].05 0. fplot(’sind(x)’.5.5:10). [X. gtext(’AQU´ I COLOCO TEXTO’) figure(2) x1 = pi*(-1:0.2.’-’). w=[-2 -1 0 0. mesh(X.[-2 2 -2 2]) subplot(313). plot(x1. mesh (X.z3. plot3(x4. fill(x3.Y1).3). title (’cos(x1)’). plot(x1. xlabel(’eje x’).4).’*’.y3. [X.01:1).2.’cos(t)’.^2)).’b’) % plot en 3D. title (’-exp(x1)’) figure(3) plot(x1.[0 pi]) figure(5) subplot(2.[-0. subplot(2. ezsurf(’sin(x*y)’./sqrt(X . title(’sen(x) de 0 a 360 grados’) subplot(222). ezplot(’sin(t)’. hold off figure(4) subplot(221).2).y3). x4=-720:720.^2 + Y .1. y3=sin(x1).z.Z) . title (’x1*seno(x1)*’).y3). title (’cos(x1)’) subplot(2.1). ylabel(’eje y’). clc.y3. title(’x vs y’).2). y4=sind(x4).y2).m GR´ AFICAS EN 3 DIMENSIONES clear all.1). plot(X1.z4) figure(7) x = -10:0. Z=sin(sqrt(X .5:10.^2)).5 1. title(’x^2 * sin(1/x)’) subplot(223).5].4. grid./ sqrt (X .y4). close all.1.y1). text(1.1).y). subplot(2. y1=x1. hold on plot (x1. y = -10:0.5:10. ezplot(’exp(x)’) % EASY PLOT DE exp(x) subplot(224). title (’sen(x1)*exp(x1)’) subplot(2. plot(x. y3=[4 8 4 0 4].^ 2 + Y .Y] = meshgrid (-10:0.*exp(x1). subplot(3.[0 180]).

5:10. r3=diff(f3). ELEVAC=30 figure(11) x=-10:0./ sqrt (X .^2 + Y . DERIVADA EN x f2=sin(a*t + b). y = -10:0.Y.Y. [T V]=meshgrid(t. 1 1 0].^2). view(10. M = [0 0 0.Z).h) % A~ NADE ALTURAS A CONTORNOS subplot(2./aux2.5:10.Y.5:10.1 Fundamentos de MATLAB 229 subplot(3.^2. % FIJA MODO shading (SOMBRA) CON INTERPOLACI ´ ON colormap(pink). w=T.^2). 0 0 1. y = -10:0.1).v).^ 2 + 0.^2 + Y . [az.2). close all.1.^ 2 + 0.^2)). % CREA MATRICES PARA HACER LA MALLA Z = sin(sqrt(X . subplot(2. pcolor(X.el]=view % DEVUELVE AZIMUT=-37. r5=int(f5). colorbar % colorbar A~ NADE BARRA DE COLOR % >> surf (X. ROJO. v=900:1025. DERIVADA EN th r4=int(f1). ELEVACI ´ subplot(2.^2). [X.z).009.*((V-918).v. % r2=a*cos(b + a*t). DERIVADA EN t f3=exp(i*th). INTEGRAL INDEFINIDA EN y f6=n^x. contour (X. % GIRA LA FIGURA USANDO EL MAUSE print -f -depsc ultimo % GENERA ultimo.4).y).1).001:0. f1=x^n. r2=diff(f2).Z) % DIBUJA L´ INEAS DEL CONTORNO subplot(2.5.h]=contour(X. AMARILLO colormap(M). surf(X. % CREA MATRICES PARA HACER LA MALLA Z=sin(sqrt(X . 1 0 0. r1=diff(f1). INTEGRAL INDEFINIDA EN n .^ 2 + Y . [C.Y.Y. clc % DERIVADAS E INTEGRALES syms x n a b t theta y u.2).2. view(10. % r3=exp(th*i)*i. aux2=aux1+(2*V-1929). % r6=n^x/log(n). surf(X. 0 1 0.Z). z=35000000*w.-12.2). INTEGRAL INDEFINIDA EN x f5=y^(-1).Y.Y] = meshgrid(x. % r5=1/y.1.1). aux1=16*pi^2*(T.^ 2 + Y . subplot(2.Y. surf (X.1). AZUL.Z).Z) figure(8) x = -10:0. VERDE. % SUPERFICIE SOMBREADA 3D CON RAYOS shading interp. [X.5:10.Y.Z) figure(12) t=0:0. clabel(C.3).*((V-1011).m MATEM´ ATICA SIMB´ OLICA clear all.Y] = meshgrid(x.1).2. % FIJA EN pink (ROSADO) EL COLOR DE LA FIGURA rotate3d. % MATRIZ DE COLORES NEGRO.B.y).^2)).eps EN COLOR B.Z).1. % r1=x^n*n/x=n*x^(n .1.2.70) % AZIMUT 10. surfl(t.Z) % TRANSFORMA ALTURA EN COLORES ON 70 subplot(2./ sqrt (X . surf (X. r6=int(f6).3).2.6. % r4=x^(n+1)/(n+1). Matem´ atica Simb´ olica % simbolica.

r22=expand(f22). % r40=4*x^3 . f13 = exp(-x^2). % r29=(x-1)*(x-2)*(x-3) f30 = (1 . % r27=x^3-6*x^2+11*x-5 f28 = x^6 + 1. % r14=x^3-6*x^2+11*x-6 f16=(1+x)*t + x*t. d). % r26=(x-3)*(x-1)*(x-2) f27 = x^3-6*x^2+11*x-5.d). % r39=exp(x*i) f40 = cos(3*acos(x)). % r37=exp(x*i) f38 = cos(x)^2 -sin(x)^2. r33=simplify(f33). c. r20=expand(f20). % r23=4*x^3 . r23=expand(f23). % r8=atan(u). r31=((2*a+1)^3/a^3)^(1/3) f32 = exp(x)*exp(y). r16=collect(f16).x). r32=simplify(f32).c. % r28=(x^2 + 1)*(x^4 .230 Fundamentos de MATLAB y Simulink % % % % % % % % % % % % % r7=int(f2).3*x f23 = 3*x*(x^2-1)+x^3. r25=horner(f25).2*x+3. r36=simplify(f36). r12=int(f12. % r38=cos(2*x) f39 = cos(x) + i*sin(x). r38=simple(f38). r21=expand(f21). r31=simplify(f31). r27=factor(f27). erf=funci´ on error c=0. r18=expand(f18). % r10=1/8. % r21=cos(x)*cos(y)-sin(x)*sin(y) f22 = cos(3*acos(x)). r19=expand(f19). % r30=x + 1 f31 = (1/a^3+6/a^2+12/a+8)^(1/3). % r24=x*(x*(x-6)+11)-6 f25 = 1. r8=int(f8). % r36=cos(x) + sin(x)*i f37 = cos(x) + i*sin(x). % r20=exp(a)*exp(b) f21 = cos(x + y). r14=collect(f14).c. % r13=pi^(1/2)/2 SIMPLIFICACIONES Y SUSTITUCIONES collect: COLECTA TODOS LOS COEFICIENTES CON LA MISMA POTENCIA DE x f14=(x-1)*(x-2)*(x-3). r37=simple(f37). r17=expand(f17). r40=simple(f40). c. r15=collect(f15).x^2)/(1 . f11 = 1/x. r13=int(f13. d=1. r10=int(f10. r28=factor(f28). % r32=exp(x + y) f33 = cos(x)^2 + sin(x)^2. % r7=-cos(b + a*theta)/a. % r22=4*x^3 .1+2. r11=int(f11. % r16=(2*t)*x+t expand: DISTRIBUYE PRODUCTOS EN SUMAS Y APLICA IDENTIDADES DE SUMAS f17 = a*(x+y). INTEGRAL DEFIN. d=1. d=2. d).3*x^2. % r9=(pi^(1/2)*erf(x))/2. INTEGRAL DEFINIDA c=1. % r17=a*x + a*y f18 = (x-1)*(x-2)*(x-3).3*x OLICAS AS VISIBLE LAS EXPRESIONES SIMB´ pretty: HACE M´ . r34= (8*a^3 + 12*a^2 + 6*a + 1)^(1/3)/a f35 = (1/a^3+6/a^2+12/a+8)^(1/3). % r11=log(2). r35=simple(f35). r25=x*((33*x)/10+11/5)+11/10 factor: EXPRESA f COMO UN PRODUCTO DE POLINOMIOS DE GRADO BAJO f26 = x^3-6*x^2+11*x-6. r39=simple(f39). f10 = x^7. % r18=x^3-6*x^2+11*x-6 f19 = x*(x*(x-6)+ 11)-6.x^2 + 1) simplify: HERRAMIENTA PODEROSA PARA SIMPLIFICAR f29 = x*(x*(x-6)+11)-6. % r19=x^3-6*x^2+11*x-6 f20 = exp(a + b).d). f12 = log(x)*sqrt(x). r24=horner(f24). r29=simplify(f29). % r12=-4/9 c=0. d=inf. INTEGRAL EN theta f8=1/(1+u^2). % r14=x^3-6*x^2+11*x-6 f15=x*(x*(x-6)+11)-6. r30=simplify(f30). INTEGRAL INDEFINIDA EN n f9=exp(-x^2). % r35=1/a+2 f36 = cos(x) + i*sin(x). f34 = (1/a^3 + 6/a^2 +12/a + 8)^(1/3). r26=factor(f26). c=0.3*x horner: TRANSFORMA UN POLINOMIO SIMB´ OLICO EN SU FORMA ENCADENADA f24 = x^3-6*x^2+11*x-6. r9=int(f9). r34=simplify(f34). % r33=1 simple: ENCUENTRA UNA EXPRESI´ ON CON M´ INIMA CANTIDAD DE CARACTERES syms a positive x.

El observador se expresa como: ˙ =q q ˙ d + Ld (q − q) . formular el vector de error e y el vector q ˙ r: e = z1 = q − q d q ˙r = q ˙ d − Kz1 donde K es una matriz diagonal con elementos k positivos.1 Fundamentos de MATLAB % >> pretty(f34) El comando pretty(f34) devuelve: 1 6 12 + 2+ +8 3 a a a 1/3 231 B. Para ello. ecuaci´ on (??).1. El modelo din´ amico de Lagrange del MRE deducido en la subsecci´ on ??. que en forma breve establece hasta el nivel de simulaci´ on: (1) Definir las especificaciones de dise˜ no y determinar el modelo no lineal del sistema a controlar en la forma dada en (??). Simulaci´ on de un Sistema de Control El siguiente programa simula el sistema de control de posici´ on backstepping del prototipo MRE (Manipulador Rob´ otico Esf´ erico). (2) Determinar la ley de control backstepping dada en (??).B. q ˙ )q ˙ + d(q) = u donde: M= M11 0 0 M22 M11 = M22 = P11 = P12 = P21 = P22 = d21 = Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA P= P11 P12 P21 P22 d= 0 d21 q= q1 q2 u= u1 u2 1 J1 + Jeq + m2 L2 sen2 q2 4 1 J2 + Jeq + m2 L2 4 2 n Km Kb Beq + Ra 1 m2 L2 q ˙1 senq2 cos q2 2 1 − m2 L2 q ˙1 senq2 cos q2 4 n2 K m K b Beq + Ra 1 − m2 L2 gsenq2 2 El dise˜ no de un controlador backstepping emplea el procedimiento descrito en la secci´ on ??.7. definir el vector de referencias deseadas qd . posee la forma: M(q)q ¨ + P(q.

La Fig.2. B. % bscmrer. clc. close all.232 Fundamentos de MATLAB y Simulink donde Ld es una matriz diagonal con elemento positivos. q ˙ r + d(q) − Kd (q ˙ r ) − K 1 z1 en donde Kd y K1 son matrices diagonales con elementos kd y k1 positivos. La ley de control backstepping posee la forma: calcular integrando q ˙ )q ˙ −q u = M(q)q ¨ + P(q.3. B. El archivo bscmrer. (3) Simular el sistema de control backstepping empleando los par´ ametros de sintonizaci´ on kd . El resultado de la simulaci´ on se muestran en la Fig.2 muestra el diagrama de flujo empleado en esta publicaci´ on para simular los sistemas de control. k1 y d . Inicio Parámetros del sistema Parámetros de sintonización Condiciones iniciales Lazo de control k=1 Señales de referencia Algoritmo de control Almacenamiento de datos ¿k < N? NO Gráficos de resultados SI Fig.m muestra el programa en c´ odigo MATLAB para simular el el control simult´ aneo de las posiciones de los brazos del MRE empleando un controlador backstepping. % CASO: REGULACI´ ON (REFERENCIA CONSTANTE EN EL TIEMPO) clear all. Este archivo. B. El vector q se puede ˙ . emplea el diagrama de flujos de la Fig.m CONTROL BACKSTEPPING DEL MANIPULADOR MRE. respectivamente. que es autoexplicativo. . B.2: Diagrama de flujo para la simulaci´ on de un sistema de control.

01. % A: MAGNITUD DE LAS REFERENCIAS DESEADAS % LAZO DE CONTROL for k=1:N. mb = 0.0003.5*A. Jeq = n^2*Jm+Jg. Jg = 0.0001. qd2 = 0. La = 0. u1 = M11e*ddqd1+P11*dqr1+P12e*dqr2+d11. Ra = 5. qe2 = qe2 + T*(dqe2). dqd2 = 0. P12e = Ra*m2*L2*dqe1*sin(q2)*cos(q2)/(2*n*Km*KA).5*A. dq1 = 0. P22 = Ra*Beq + n^2*Km*Kb/Ra/(n*Km*KA). Larm = 0. qe1 = 0. K1=8. Jm = 0. q2 = 0. qd1 = 0. a = 0.81. N=4000. A = 1. dqe2 = dqd2 + Ld*(q2 .053.3*A. qd2 = 0. Jb = mb*a^2/6. qe2 = 0.06. ma = 0. % VALORES INICIALES q1 = 0.9. qd1 = 0.2*A. rd = 0. e2 = q2 . J2 = m2*L2/3. P12 = Ra*m2*L2*sin(q2)*cos(q2)*dq1/(2*n*Km*KA). n = 12. dqr2 = dqd2 .7*A. ddqd2 = 0. % OBSERVADOR dqe1 = dqd1 + Ld*(q1 .qd2. KA = 12. % PAR´ AMETROS DE CONTROL K = 5. mh = 0.B. Qd2(k) = qd2. qd2 = 0. b = 0. dqd1 = 0. ECTRICO % DATOS DEL SUB-SISTEMA EL´ Km = 0.3*A. Kd=8. m2 = ma + mh.1 Fundamentos de MATLAB 233 % DATOS DEL SUB-SISTEMA MEC´ ANICO d = 0. qd1 = 0. L1=(mb*b+md*d)/(mb+md). md = 0.8.K1*z22. Jd = md*rd^2/2.55. Kb=0. % REFERENCIAS DESEADAS qd1 Y qd2 if(k >= 0 && k <= N/4). U2(k) = u2. % MODELO DEL SISTEMA CONTROLADO M11 = Ra*(J1 + Jeq + m2*L2*sin(q2)^2/4)/(n*Km*KA). elseif(k >= 3*N/4 && k <= N). % ERROR DE SEGUIMIENTO e1 = q1 .3.Kd*(dqe1-dqr1) .25.05.0421. dq2 = 0. z11 = e1.3.01.K1*z11.044. P11 = Ra*(Beq + n^2*Km*Kb/Ra)/(n*Km*KA). % CONTROL M11e = Ra*(J1 + Jeq + m2*L2*sin(qe2)^2/4)/(n*Km*KA).8*A. u2 = M22*ddqd2+P21e*dqr1+P22*dqr2+d21e-Kd*(dqe2-dqr2) . elseif(k >= N/4 && k <= N/2). Ld=10. L2=La+Lh. d11 = 0. P21e = -Ra*m2*L2*dqe1*sin(q2)*cos(q2)/(4*n*Km*KA). Beq = n^2*Bm+Bg. qd2 = 0. end Qd1(k) = qd1.K*z11.qe2). m1 = md + mb.1*A. dqr1 = dqd1 . U1(k) = u1. . z22 = e2. UMERO DE ITERACIONES N % TIEMPO DE MUESTREO T (segundos) Y N´ T= 0. g =9. qd1 = 0. elseif(k >= N/2 && k <= 3*N/4). Bm = 0. J1 = Jd+Jb. qe1 = qe1 + T*(dqe1).0564.5.15. d21e = -Ra*m2*L2*g*sin(qe2)/(2*n*Km*KA). Bg = 0.5.qd1.K*z22. ddqd1 = 0. M22 = Ra*(J2 + Jeq+m2*L2/4)/(n*Km*KA). Lh = 0.01.qe1).

d21 = -Ra*m2*L2*g*sin(q2)/(2*n*Km*KA).N*T.N).P21*dq1 . grid on ylabel(’POSICI´ ON q1 [rad]’) subplot(412) plot(ejex. grid on ylabel(’POSICI´ ON q2 [rad]’) subplot(414) plot(ejex. Q2(k) = q2. B. 3.grid on xlabel(’TIEMPO [S]’) ylabel(’CONTROL u1 [v]’) subplot(413) plot(ejex.P22*dq2. B. Se recomienda los siguientes 6 pasos para modelar un sistema: (1) definir el sistema. y realizar operaciones y funciones propias de MATLAB dentro del modelo. dq2 = dq2 + T*(u2 .234 Fundamentos de MATLAB y Simulink P21 = -Ra*m2*L2*dq1*sin(q2)*cos(q2)/(4*n*Km*KA). (3) modelar el sistema con ecuaciones.1.d11)/M11.U2(1:N)).U1(1:N)).Qd1(1:N). (4) elaborar el diagrama de bloques en Simulink. correr la simulaci´ on.2.4): 1. end % FINALIZA EL LAZO DE CONTROL % GR´ AFICOS ejex=linspace(0.P12*dq2. Fundamentos de Simulink Simulink se ejecuta dentro del entorno de MATLAB y depende de este programa para definir y evaluar el modelo a simular y los bloques de par´ ametros.Q2(1:N)).d21)/M22. y (6) validar los resultados de la simulaci´ on. luego tipear simulink en el prompt. % EJE DE TIEMPO subplot(411) plot(ejex.ejex. Fig. tales como: definici´ on de las entradas del modelo. Abrir MATLAB.Q1(1:N)). Click en el icono Simulink: ubicado en la barra de menus de MATLAB.ejex. .2. dq1 = dq1 + T*(u1 . (2) identificar los componenetes del sistema. Click el bot´ on Start (extremo inferior izquierdo de la ventana MATLAB) y luego seleccionar: Simulink > Library Browser.eps B. Simulink tambi´ en usa algunas caracter´ ısticas de MATLAB. Q1(k) = q1. grid on xlabel(’TIEMPO [S]’) ylabel(’CONTROL u2 [v]’) print -f -deps dfsimr % GENERA FIGURA dfsimr. Fundamentos del Software Simulink Para mostrar la biblioteca de bloques (Simulink Library Browser.Qd2(1:N). q1 = q1 + T*dq1. 2. almacenamiento de las salidas del modelo para an´ alisis y visualizaci´ on. q2 = q2 + T*dq2.P11*dq1 .

seleccionarlo y click Abrir. En la VC (ventana de comandos) de MATLAB. En la ventana Open buscar el archivo con extensi´ on . para que aparezca el modelo buscado. notar lo siguiente: Los bloques de una biblioteca se pueden ver seleccionando el nombre de la . seleccionar en el men´ u de la ventana Simulink Library Browser (SLB): File > New > Model.2 Fundamentos de Simulink POSICIÓN q1 [rad] 235 1 0. B. B.5) en donde construir el modelo. seleccionar File > Open. Fig.3: Resultado de la simulaci´ on del sistema de control backstepping del MRE: las posiciones de los brazos del manipulador siguen las se˜ nales de referencia deseada. Cuando use la ventana SLB.5 0 50 0 −50 0 5 10 15 20 25 30 35 40 CONTROL u1 [v] 0 5 10 15 POSICIÓN q2 [rad] 20 TIEMPO [S] 25 30 35 40 0 5 10 15 20 25 30 35 40 CONTROL u2 [v] 0 5 10 15 20 TIEMPO [S] 25 30 35 40 Fig. Para abrir un modelo existente: 1. Para crear un nuevo modelo. En el men´ u de la ventana SLB. B.] (tres puntos seguidos) ubicado en la parte superior derecha. Luego.6. En esta ventana ubicarse en el directorio donde est´ a el archivo . Ubicado el archivo.B. El software abre una ventana vac´ ıa (Fig.mdl a abrir.5 0 50 0 −50 1 0. El software abre el archivo buscado en una ventana que tiene como etiqueta el nombre del archivo. Los bloques se pueden copiar o arrastrar desde esta ventana a una ventana vac´ ıa. La ventana SLB. hacer click en el icono [.mdl. para que aparezca la ventana Buscar carpeta. escribir el nombre del archivo sin extensi´ on. en el prompt de MATLAB.. 2.. muestra la biblioteca de bloques de Simulink instaladas en su sistema.

5: Nueva ventana para construir un modelo.236 Fundamentos de MATLAB y Simulink Fig. B.4: Librer´ ıa de bloques (Simulink Library Browser). Fig. . B.

Para obtener mayor informaci´ on de un bloque. Se puede buscar un determinado block en la ventana SLB. Para ingresar a los demos. insertando el nombre del block en el campo de b´ usqueda ubicado a la derecha del icono Luego. seleccionar el bloque en la ventana SLB.2 Fundamentos de Simulink 237 biblioteca en la parte izquierda de la ventana SLB. La forma m´ as r´ apida de obtener ayuda en un bloque de una biblioteca. o haciendo doble click en el bloque seleccionado. hacer click sobre tal icono. y en su men´ u ir hacia Help > Help on the Selected Block. .B. es hacer click derecho y luego seleccionar Help.6: Biblioteca de bloques en la ventana Simulink Library Browser (SLB). Los par´ ametros de un bloque se pueden visualizar y cambiar haciendo click derecha sobre el bloque. Simulink proporciona una gran variedad de demos para ilustrar las bondades de este software. Cuando se selecciona un bloque. hacer click en el bot´ on Start ubicado en el extremo inferior izquierdo de la ventana MATLAB y luego ir a Start > Simulink > Demos. Fig. . B. su descripci´ on aparece en la parte inferior de la ventana SLB.

disnl2_x1 y disnl2_r. B. seleccionar un directorio de trabajo para alojar los archivos Simulink disnl2. Scope es un graficador que se obtiene de la ventana SLB: Simulink > Sinks > Scope. que los c´ ırculos x1. Sus componentes se arrastran desde la ventana SLB a la ventana de la Fig. Observador no lineal. la Fig. Conversi´ on de x a z. B.9 y luego tipeando Ctr + G o seleccionando en el men´ u de MATLAB: Edit > Create Subsystem. La Fig.2. Primero. hacia la ventana de trabajo. Ejecutar el archivo disnl2p. B. Se˜ nal u y Se˜ nal v. es el siguiente: 1. una porci´ on del programa de control. El procedimiento para obtener el resultado de este programa: los gr´ aficos de la salida x1 controlada u la fuerza de control u. B. B.9 muestra el contenido del subsistema Proceso no lineal. Observar que los bloques Proceso no lineal.238 Fundamentos de MATLAB y Simulink B. se introduce un nombre a elecci´ on por ejemplo. Haciendo doble click en cualquier subsistema. B. Los rect´ angulos u.m para introducir datos al sistema. Por ejemplo. B. Haciendo doble click en cada rect´ angulo. x1 y r mostrados en la Fig. El archivo no se . se crean arrastrando tres veces el rect´ angulo To File ubicado en la ventana SLB: Simulik > Sinks > To File.7. cada uno. Observar en dicha Fig.m. aparece una ventana con el contenido del mismo.mdl. La entrada u se genera arrastrando la elipse In1 ubicada en la ventana SLB: Simulink > Commonly Used Blocks > In1. B.7 muestra el diagrama de bloques Simulink que se obtiene tipeando disnl2 en el prompt de MATLAB. es controlar la posici´ on angular de un brazo rob´ otico de 1GDL empleando un controlador por linealizaci´ on de la realimentaci´ on y un observador de estados. El subsistema Proceso no lineal se crea seleccionando con el click derecho todo el contenido de la Fig.2. que sirven para almacenar datos. x2 y x3 son las variables de salida del sistema. En la Fig. Creaci´ on de un Modelo Simulink El problema a resolver v´ ıa Simulink. disnl2_u u Mux Señal u Señal v Proceso no lineal Mux x1 Referencia r disnl2_r Conversión Observador de x a z no lineal r gráfico disnl2_x1 Fig. son en realidad subsistemas que alojan. disnl2_u.9. el bloque Referencia r es una se˜ nal sinusoide que se arrastra desde su ubicaci´ on en la ventana SLB: Simulink > Sources > Sine Wave (Fig.7. Por otro lado.7: Diagrama de bloques del archivo Simulink disnl2. mientras que el c´ ırculo u es la entrada.8).mdl y MATLAB disnl2p. mientras que para las tres salidas se requiere arrastrar tres veces la elipse Out1 ubicada en la ventana SLB: Simulink > Commonly Used Blocks > Out1.

.2 Fundamentos de Simulink 239 Fig. B. 3 x3 1 u Kact gan 5 1 L.8: Ubicaci´ on del bloque Sin Wave.s+R sum1 subsistema eléctrico n*E gan 2 N gan 3 MATLAB Function seno n*K gan 6 sum2 1 M.s+B subsistema mecánico 2 x2 1 s Integrador 1 x1 Fig.B.9: Contenido del subsistema Proceso no lineal. B.

Estos comandos almacenan los datos en los archivos tipo *.mat y disnl2_u.10 1 Posición (radianes) 0.240 Fundamentos de MATLAB y Simulink ejecuta completamente porque reci´ en se van a crear los archivos de datos. Tipear: save disnl2_x1. 3. .7. disnl2_r. 4. save disnl2_u en el el prompt de MATLAB.mat: disnl2_x1.5 0 −0.mdl haciendo click en el tri´ angulo negro ubicado en la parte superior de la Fig. B.5 0 −0. save disnl2_r.5 0 2 4 6 8 10 12 Tiempo en segundos 14 16 18 20 Fig. B.10: Salida controlada y fuerza de control correspondiente.5 Señal de control (voltios) 2 1.mat.5 −1 0 2 4 6 8 10 12 Tiempo en segundos 14 16 18 20 2. B. Ejecutar nuevamente el archivo disnl2p.m para obtener la Fig. 2.5 1 0. correr el programa Simulink disnl2.

Prentice Hall. Safko and Charles P. Willsky. Mathematical handbook. McGrawHill M´ exico Panam´ a Bogot´ a y otras. M´ exico. 2009. Brighton. C´ alculo Superior. M´ exico-Englewood Cliffs-Londres-Sidney y otras. Hughes and J. Transformada de Laplace. McGraw-Hill M´ exico Panam´ a Bogot´ a y otras. Spiegel. [11] Murray R. A. Poole Classical mechanics. AuthorHouse. serie de compendios Schaum. Theory and Problems of Fluid Dynamics. ISBN-10: 1420858564. John L. 1973 (o ediciones m´ as recientes). 2005. An´ alisis Vectorial. Se˜ nales y Sistemas Prentice-Hall Hispanoamericana. Logan. Shaum’s Outline Series. Modern Control Engineering (5th Edition). 1973 (o ediciones m´ as recientes). 1996 [6] Murray R. Prentice Hall Hispanoamericana S. 2008. serie de compendios Schaum. 1995. UT. serie de compendios Schaum.Bibliograf´ ıa [1] Murray R. Goldstain. [12] A. Utah State University. Spiegel. Design of Self-tuning Controllers for Processes Having Multiple Unknown Time-varying Delays. [10] Alan V. Espacio de Estado y Sistemas Lineales. [3] H. 1973 (o ediciones m´ as recientes). [7] Murray R. segunda edici´ on. Rojas-Moreno. Shaum’s outline series. McGraw-Hill M´ exico Panam´ a Bogot´ a y otras. ISBN-13: 978-1420858563. [2] W. Hamiltonian and Lagrangian Mechanics.A.. McGrawHill. Matrices. F. 1973 (o ediciones m´ as recientes). McGraw-Hill.D. 1973 (o ediciones m´ as recientes). 2001. [13] Katsuhiko Ogata.. 3ed Edition. [9] Frank Ayres Jr. New York et. Addison Wesley.Inc. 3ed. Sistemas de Control en Tiempo Discreto. 1999. [5] Katsuhiko Ogata.A. Thesis.. Ph. Inc. 1983. Spiegel. 3ed edition. serie de compendios Schaum.. S. al. McGraw-Hill M´ exico Panam´ a Bogot´ a y otras. serie de compendios Schaum. Spiegel. [8] Donald M. Wiberg. Oppenheim y Alan S. .. [4] James Curry. McGraw-Hill M´ exico Panam´ a Bogot´ a y otras.

S.242 BIBLIOGRAF´ IA [14] TecQuipment Ltd. Miller. User Guide. Sistemas de Control Moderno (10ma Edici´ on). “Das symmetrische Optimum”. [15] J. . pp 15–34. and P. Third Quarter 2008. McGrawHill Book Co. 759768. Y. Design. No. Juang y C.J. diciembre de 1969.B.A. A.T. 14. TE37 Control and Instrumentation Study Station. ASME. Murrill. 1953. Instrument Society of America. [23] A. [28] C. 395-400 and part 2. Grundriss der Praktischen Regelungstechnik (11. Atherton. [27] D. ASME. (1958) [26] M. Coon. [19] K. Trans. A. C. 42(12): 67–69. 175-185. vol. Process Control. R. Nichols. IEE Proceedings–Part D: Control Theory and Applications. Vol.. “Optimum Setting for Automatic Controllers”. pp.S. L. [22] A. J. [21] Erwin Samal. [30] National Instruments. [25] C. Reswick. [17] K. Xue. Atherton. rt. Ziegler y N. P.L. Oldenbourg Verlag Muenchen Wien 1980. 140. W. part 1. 1995. 2009. 3rd edition. Linear Feedback Control: Analysis and Design with Matlab. “Tuning controllers with error-integral criteria. Cohen and G. C. 75. 57–62. vol. 216–224. “PID Controllers: Theory. Imperial College Press. Zhuang y D. 827-834. 432-436. pp. pp. [18] P. 1993. “Theoretical consideration of retarded control. 1942. B. 1996. J. ˚ Astr¨ om y T. W.. 1964. and Tuning”.” Trans. pp. Control Autom´ atico de Procesos. Murrill y C.5 and Device Drivers. Dorf y Robert H. P. Limusa Noriega Editores. Bishop. Smith. “Tuning controllers for setpoint changes”. H. rt.11. Kessler. Instruments and Control Systems.12. 74. Chan. No. [29] A. Lopez. pp. 1952. Chemical Engineering Communications. NI Developer Suite: NI LabVIEW 8. [20] G. Corripio. [24] F. and J. 2009. 1995. Chen y D. Smith. vol.“Optimal tuning of PID controllers for single and cascade control loops”. 2007. Rovira. Handbook of PI and PID Controller Tuning Rules.G. durchsehene Auflage. Transactions of the American Society Mechanical Engineering. 3. Vol. 2005. Hrones. [16] Richard C. pp. Wang. 132.B. P. Harriot. pp. SIAM. H¨ agglund. 1967. O’Dwyer. “On the automatic control of generalized passive systems”. M. “Automatic tuning of optimum PID controllers”. A. Smith y A. Q.” Instrumentation Technology. Pearson Prentice Hall. No. Chien. Vol 64.

Issue 12. 1197–1209.E. Springer-Verlag Berlin. Barrientos. “Simple sliding mode control scheme applied to robot manipulators. NI Developer Suite: NI LabVIEW 8. Third Quarter 2008. Kilicaslan. 2004. 733. Control.”5th Asian Control Conference. Aracil.. [34] S. [38] Jean-Jacques E. C. . 23rd I. 978-0130408907. July 1990. [33] A. [40] E. pags. December 2001. Y.5 and Device Drivers. “A separation theorem for nonlinear systems”. No . A. Bailey and A. London. 1961. Applied Nonlinear Control.E. Lin. 45. Vol. pp 351–356. ISSN 0005-1098. E. Arapostathis. Buenos aires. 2001. Sontag. 928-935. 1984. 2nd Edition. Slotine and Weiping Li. [46] National Instruments. “A universal formula for stabilization with bounded controls”. England. and E. Pe˜ nin. “Natural Motion for Robot Arms´´Proc. and E. Sontag. Nonlinear Control Systems. Burl . The Institution of Engineering and Technology. SYCON-Rutgers Center for Systems and Control. Automatica Volume 37. [37] D. no. p. [36] Jeffrey B. New Jersey 07632. S. 2007. [44] M. Caracas. 2006. 1. p. and others.” Int. Las Vegas. F.D. and London. and R. USA . 2009. “Comparison of nonlinear control design techniques on a model of the Caltech ducted fan”. “Nonlinear backstepping design of robot manipulators with velocity estimation feedback. 3ed. 1987.E. McGraw-Hill/Interamericana de Espa˜ na. 6. Variable Structure Systems: From Principles to Implementation. BanksLocalizaci´ on. Nonlinear Systems Analysis (Second Edition). July 2004. Conf. 4. Prentice Hall. Prentice Hall. 1989. SpringerVerlag London Limited.P. Balaguer. 1980. [45] Joseph La Salle and Solomon Lefschetz. Stability by Liapunov’s Direct Method With Applications. Y. PA. A journal of IFAC. Vidyasagar. Camacho y Carlos Bordons.D. No. 45. Society for Industrial and Applied Mathematics Philadelphia. 4. 2004. James Primbs and Yun Huang. Pages 1971-1978 . [43] Fang-Shiung Chen and Jung-Shan Lin. Report 90-10. [42] Jie Yu.BIBLIOGRAF´ IA 243 [31] Eduardo F. vol. [41] Lin. Ali Jadbabaie. ISBN-13: 9780130408907. J. on Decision and Control. ISBN:0898715261. Koditschek. Sofonov. 1998. G. Academic Press new York. [35] M. [32] Alberto Isidori. Linear Optimal Control. Model Predictive Control. vol. The MIT Press Cambridge. illustrated edition. MA. ISBN: 0130408905. L. 1995. [39] Asif Sabanovic. Stability and Robustness of Multivariable Feedback Systems. Madrid. S. Fundamentos de Rob´ otica.

183 Matrices. 148 similares. 174 Fracciones parciales. 168 Sistema PLIT. 140 Propiedades de la. 159 identidad. 142 Linealizaci´ on de sistemas. 183 Soluci´ on de la ecuaci´ on de estado. 181 Puntos singulares en PLITs. 137 Sistema estable e inestable. variables y s´ ımbolos del sistema Tanque con Agua. 151 propiedades.´ Indice alfab´ etico Determinante. 163 . 162 Matriz de transferencia. 150 pseudoinversa de una. 167 diagonal. 150 triangular inferior. 168 Sistema causal. 183 Forma can´ onica controlable. 176 diagonal. 178 Ecuaci´ on caracter´ ıstica. 151 de una matriz. 145 unilateral. 159 Eigenvector. 170 Transformada de Laplace F´ ormulas de. 162 multiplicaci´ on de. 160 rango de una. 150 Par´ ametros. 138 Variables de estado. 150 eigenvalor de una. 148 diagonalizaci´ on de. 159 Estabilidad de sistemas. 168 Eigenvalor. 150 triangular superior. 142 inversa. 157 traza de una. 152 Discretizaci´ on directa. 175 observable. 27 Procesos con tiempo muerto. 174 de Jordan. 175 Formas can´ onicas.

Sign up to vote on this title
UsefulNot useful