You are on page 1of 134

FACULTADDEINGENIERAELCTRICA

TrabajodeDiplomaparaoptarpor
elttulodeIngenieroen
Automtica

Estudiodetcnicasde
controladaptativopara
elcontroldeprocesos
Autor:

YariannaValdiviaVazco
Tutor:

Dra.SussetGuerraJimnez
CiudaddelaHabana,Cuba
2010

D
Deecclla
arra
acciin
nd
dee A
Au
uttoorriid
da
ad
d
Por este medio doy a conocer que soy el nico autor de este trabajo y autorizo al Instituto
Superior Politcnico Jos Antonio Echeverra a que hagan del mismo el uso que
estimen pertinente.

Autor:

____________________________
Yarianna Valdivia Vazco

Tutor:

____________________________
Dra. Susset Guerra Jimnez

II

Nunca pienses en la suerte,


porque la suerte
es el pretexto de los
fracasados.
Pablo Neruda

III

D
Deed
diicca
attoorriia
a
A mami por ser la persona
ms importante en el mundo para m.
A Kilki por ser mi inspiracin y quererme tanto.
A Yami por los besos y abrazos.
A mis sobrinos Rolandito, Alejandro y Laury
por alumbrar y alegrar mi vida.
A ta Glorita y to Eddy por tanto cario.

IV

A
Aggrra
ad
deecciim
miieen
nttooss
A mami por siempre estar a mi lado
y luchar tanto por m.
A Kilki por su dedicacin y preocupacin
an con un ocano de distancia.
A mi hermana mayor, mis sobris y mis tos
por estar atentos a cada paso que doy.
A Charo y Yasser por acogerme
y por tanta paciencia.
A mis amigas Misle y Roci
por preguntar siempre cmo estaban las cosas.
A mis amigos Daniley y Osmel por cada risa
que compartimos an en los momentos ms difciles.
A MiRei por confiar en m.
A Mary, Rey y Odalis
por ayudarme cuando lo necesit.
A mi tutora por sus enseanzas y experiencias.
A Laura, Yiriam y Nen por su ayuda desinteresada.
A todos mis compaeros de carrera
por su preocupacin y apoyo.

R
Reessu
um
meen
n
En el contexto industrial existen procesos cuyos modelos presentan parmetros
variantes en el tiempo o son desconocidos. En ambos casos no se puede
utilizar para controlar el proceso un controlador convencional, es decir, de
parmetros fijos, debido a que se debe ajustar dinmicamente teniendo en
cuenta los parmetros que varan.
Para dar solucin a estos sistemas que requieren de tratamiento especial por
su comportamiento y mantener una ejecucin consistente es que se han
desarrollado las tcnicas de control adaptativo.
En este trabajo de diploma se abordan, en general, las tcnicas adaptativas,
enfatizando en dos de ellas: Control Adaptativo segn Modelo de Referencia,
en ingls Model-Reference Adaptive Control (MRAC) y Regulador Self-tuning,
en ingls Self-Tuning Regulator (STR) mediante la aplicacin de estas al
control de la velocidad y posicin de un accionamiento elctrico de corriente
continua. Se utiliza una librera de control adaptativo que no forma parte de los
toolbox de Matlab para realizar los clculos de los controladores adaptativos y
la simulacin de los sistemas diseados obteniendo resultados adecuados. La
utilizacin de esta librera es de gran importancia puesto que el Matlab no
cuenta con ninguna herramienta para estos fines.

VI

ndice
1

Introduccin
Captulo 1. Estado del Arte de las Tcnicas de Control Adaptativo
1.1 Estado del Arte
1.2 Por qu control adaptativo?
1.3 Efectos de las variaciones en los procesos
1.4 Control Adaptativo Directo e Indirecto
1.5 Esquemas de control adaptativo
1.5.1 Ganancia programada
1.5.2 Sistema Adaptativo segn Modelo de Referencia (MRAS)
1.5.3 Reguladores Self-tuning (STR)
1.6 Aplicaciones
1.6.1 Ajuste automtico
1.6.2 Programacin de ganancia
1.6.3 Adaptacin continua
1.6.4 Productos industriales
1.7 Ejemplo de aplicacin

6
7
12
14
17
19
21
23
24
26
26
27
27
28
29

Captulo 2. Sistemas Adaptativos segn Modelo de Referencia (MRAS)


2.1 Introduccin
2.2 Sistema con ganancia de camino directo adaptable usando la regla
MIT
2.3 Diseo de MRAS usando la regla MIT
2.4 Diseo de MRAS usando la teora de estabilidad de Lyapunov

32
33
35

Captulo 3. Regulador Self-tuning (STR)


3.1 Introduccin
3.2 Regulador Self-tuning indirecto con cancelacin de ceros
3.2.1 Especificaciones
3.2.2 Estimacin de parmetros del proceso mediante el mtodo de
mnimos cuadrados recursivo
3.2.3 Diseo del controlador por asignacin de polos
3.3 Regulador Self-tuning indirecto sin cancelacin de ceros

60
61
62
63
65

Captulo 4. Anlisis tcnico-econmico


4.1 Introduccin
4.2 Clculo del Costo Total
4.3 Precio de los servicios cientfico-tcnicos y de los resultados de la
investigacin

92
93
94
97

43
51

70
83

98
101
103
108

Conclusiones
Recomendaciones
Bibliografa
Anexos

VII

Introduccin

Introduccin
En el lenguaje diario, adaptar significa cambiar un comportamiento conforme a
las nuevas circunstancias. Consecuentemente, un controlador adaptativo es
aquel que modifica su comportamiento en respuesta a cambios dinmicos en el
proceso y al carcter de las perturbaciones.
Un ingeniero en control tiene que conocer acerca de los sistemas adaptativos
porque estos poseen propiedades muy tiles, las cuales tienen usos
beneficiosos a la hora de disear sistemas de control con mejores ejecuciones y
funcionalidades.
El control adaptativo proporciona mecanismos de adaptacin que ajustan el
controlador para que un sistema con incertidumbres paramtricas, estructurales
y ambientales logre el comportamiento deseado del sistema. El deterioro de
componentes causa incertidumbre paramtrica, el fallo de componentes lleva a
la incertidumbre estructural y los ruidos externos son tpicas incertidumbres
ambientales. Tales incertidumbres frecuentemente aparecen en mecanismos de
aviones y automviles, dispositivos electrnicos y procesos industriales. [1]
El control adaptativo ha tenido varios logros en la teora y en las aplicaciones
debido a su desarrollo para dar solucin a varios problemas que requeran de
tratamiento especial debido a su comportamiento. Algunas de las aplicaciones
tpicas del control adaptativo son: control de temperatura, control en un reactor
qumico, control de un secador de pulpa, control del rodamiento de un molino,
control de automviles, control de la direccin de un barco, control de la presin
sangunea, control de un corazn artificial, control de un robot.
Un sistema tpico de control adaptativo consiste en un sistema (proceso) que va
a ser controlado (el cual es llamado planta y cuyos parmetros son
desconocidos para el control adaptativo), un controlador con parmetros y una
ley de adaptacin para ajustar los parmetros del controlador para conseguir el
comportamiento deseado del sistema.

Introduccin

Situacin problema
Estudiar las tcnicas de Control Adaptativo: Sistema Adaptativo segn Modelo
de Referencia, en ingls Model-Reference Adaptive System (MRAS), Regulador
Self-tuning (STR) fundamentalmente, para profundizar en su conocimiento y
controlar procesos de parmetros desconocidos y/o variantes en el tiempo.
Utilizar el Matlab para simular las estrategias propuestas en aplicaciones
numricas o reales mediante una herramienta creada para este fin.

Objetivo general
Estudiar las tcnicas de Control Adaptativo MRAS y Self-tuning y consolidar el
conocimiento sobre estas mediante la simulacin y el uso de una herramienta de
apoyo para la implementacin de estos sistemas.

Objetivos especficos
1.

Revisar el estado del arte en las tcnicas de control adaptativo.

2.

Estudiar las tcnicas de control adaptativo y desarrollar los principales

resultados alcanzados en las tcnicas MRAS y Self-tuning.


3.

Desarrollar un ejemplo de Control Adaptativo segn Modelo de Referencia

(MRAC) y simular con Matlab mediante una herramienta creada.


4.

Desarrollar un ejemplo de Self-tuning y simular con Matlab utilizando una

herramienta creada.

Hiptesis
Existen procesos cuyos modelos poseen parmetros no conocidos, donde las
tcnicas de identificacin experimental y modelado no caracterizan el
comportamiento del sistema en todas sus condiciones de operacin. Por otra
parte otros procesos presentan algunos parmetros variantes en el tiempo,
considerando la variacin de los parmetros lenta. Para controlar estos procesos
no se puede utilizar un controlador de parmetros fijos, pues el ajuste debe

Introduccin
realizarse dinmicamente en funcin de los parmetros del proceso. Las
tcnicas de control adaptativo ofrecen una alternativa de solucin para esta
clase de sistemas. Para la simulacin de estos no existe una herramienta en el
software Matlab, por lo que se desarrollar una como apoyo para su
implementacin y comprensin.

Tareas a desarrollar para cumplir los objetivos


1.

Anlisis de la documentacin relacionada con las tcnicas de control

adaptativo.
2.

Estudiar y comprender las tcnicas de control adaptativo: MRAS y Self-

tuning.
3.

Estudiar los mtodos de obtencin de la ley de ajuste: regla MIT y

estabilidad de Lyapunov.
4.

Realizar un ejemplo de MRAC.

5.

Estudiar el mtodo de estimacin por mnimos cuadrados.

6.

Comprender el mtodo de asignacin de polos para el diseo del

controlador.
7.

Realizar un ejemplo de STR.

8.

Realizar el estudio terico de un paquete adaptativo de herramientas

creado en Lund Institute of Technology, Suecia, para su comprensin y


utilizacin.

Alcance de la investigacin
Material de apoyo a la docencia y utilizacin de algoritmos y herramientas
adaptativas en futuras investigaciones.

Aportes prcticos esperados del trabajo


Utilizar y potenciar una herramienta en el software Matlab para controlar
procesos con parmetros variantes en el tiempo y simulacin de los sistemas
controlados.

Introduccin

Estructuracin del contenido


Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo
En este captulo se tratan de manera general las tcnicas de Control Adaptativo
y su aplicacin en procesos con parmetros desconocidos o variantes en el
tiempo. Adems se describe la aplicacin que se desarrolla en los captulos
siguientes.
Captulo 2: Sistema Adaptativo segn Modelo de Referencia (MRAS)
En este captulo se aborda la tcnica de MRAS y se realiza un ejemplo de
simulacin.
Captulo 3: Regulador Self tuning (STR)
En este captulo se aborda la tcnica de Self-tuning, la estimacin por mnimos
cuadrados, el mtodo de diseo de controladores mediante asignacin de polos
y se realiza un ejemplo de simulacin.
Captulo 4: Anlisis tcnico-econmico
En este captulo se realiza el anlisis econmico de la ejecucin del proyecto
empleando las normas para la planificacin y ejecucin de la investigacin.

aptulo1

EstadodelArtedelasTcnicasdeControlAdaptativo

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


En este captulo se muestran los principales resultados del control adaptativo en
las ltimas dcadas y las razones que argumentan su utilizacin en
determinados sistemas, enfatizando en las consecuencias de las variaciones en
los procesos. Adems, se hace un anlisis de las dos aproximaciones que se
pueden hacer de los esquemas de control adaptativo para la comprensin de las
tcnicas que se tratan a continuacin, de las cuales se dan las principales
caractersticas. Tambin se muestran varias aplicaciones, dentro de las cuales
se encuentra la que se va a desarrollar en los captulos 2 y 3 con la utilizacin de
una herramienta para la simulacin.

1.1 Estado del Arte


Las investigaciones en el campo del control adaptativo comenzaron en la dcada
del 50 con el diseo de autopilotos en vuelos de alta ejecucin, cuya operacin
era en una ancha gama de valores de velocidad y altitud, es decir, parmetros
variantes en el tiempo. Se usaba el control adaptativo como va para el ajuste
automtico de los parmetros del controlador ante cambios dinmicos en los
aviones. Pero el inters por este tema pronto disminuira debido a la falta de
conocimientos y a que el vuelo experimental no tuvo xito. [2]
No es hasta la prxima dcada que se desarroll la teora coherente del control
adaptativo, usando varias herramientas de la teora del control no lineal.
Estos avances tericos, junto con el aprovechamiento de la computacin, hacen
que tenga varias aplicaciones prcticas, en reas como la robtica, control de
aviones y cohetes, procesos qumicos, sistemas de potencia, direccin de un
barco, y en la bioingeniera.
En el Lund Institute of Technology, en Suecia, se ha desarrollado un paquete
para el control adaptativo. Este constituye una herramienta para la simulacin de
sistemas variantes en el tiempo o con parmetros desconocidos como apoyo
para el clculo de controladores. No existe ninguna literatura que comente el
funcionamiento de los bloques utilizados, por lo cual ha sido necesario un

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


estudio terico de las tcnicas de control adaptativo para su comprensin e
implementacin.
La energa elica es reconocida como un valioso recurso al ser no contaminante
y usar una fuente renovable. Para ser competitivos en el mercado de la
electricidad, las turbinas de viento deben producir electricidad a un costo
comparable al de la tecnologa de combustibles fsiles. Existen algoritmos de
control sofisticados destinados a este fin usando una variedad de tcnicas. Una
de estas es el diseo de un controlador adaptable para maximizar la captacin
de energa a bajas velocidades del viento, o sea, el control adaptativo de la
torsin de turbinas de viento de velocidad variante. [3]
La nueva Visin de Exploracin hace un llamado a una variedad de misiones
que van desde la exploracin y poblacin de Marte y la Luna, hasta ampliadas
misiones cientficas a los planetas exteriores y sus lunas. Las limitaciones en el
ancho de banda en la comunicacin debido a la interferencia de la radiacin y / o
la distancia de ida y vuelta hace que sea esencial construir sistemas en las
naves que puedan adaptar sus acciones en presencia de ambientes poco
conocidos, donde no se entiende completamente la dinmica del sistema
o daos a la nave espacial. El Centro de Investigacin Ames tiene una extensa
experiencia en el diseo e implementacin de sistemas de control adaptativo, y
la integracin de estos sistemas para misiones de vuelo y otras aplicaciones de
control. [4]
Un limitado enfoque adaptativo backstepping se utiliza para disear una ley de
control de vuelo para el modelo no lineal de un avin de combate
F-16/MATV. Los objetivos de la ley de control son seguir las trayectorias de
comandos con la velocidad total, el ngulo de ataque y la estabilidad de los
ejes. Por otra parte, se proporciona la regulacin del ngulo de deslizamiento
lateral. Las leyes de actualizacin de parmetros on-line que se hacen usando
redes neuronales se utilizan para aproximar la fuerza aerodinmica y los

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


coeficientes de momento. Las leyes de ajuste de parmetros son capaces de
compensar cualquier incertidumbre o cambios en la aerodinmica. [5]
Durante las ltimas dcadas, los avances en la tecnologa area han hecho las
especificaciones de rendimiento de aviones de combate ms modernas y ms
exigentes a lo largo del incremento de los vuelos. Tradicionales, los mtodos de
diseo de control lineal ya no pueden ser aplicados a las aeronaves, ya que las
linealizaciones de la dinmica de vuelo ya no son vlidas a altos ngulos de
ataque. Las tcnicas de control no lineal, como linealizacin por realimentacin
fueron desarrolladas para hacer frente a estos sistemas altamente no lineales.
En el caso de un gran cambio en la aerodinmica, por ejemplo, error de actuador
o daos estructurales, el avin ya no puede ser controlado satisfactoriamente e
incluso se vuelven inestables cuando se utiliza linealizacin por realimentacin
combinada con las tcnicas de control robusto. Los nuevos mtodos de control
adaptativo que se desarrollan son capaces de controlar la aeronave daada
mediante el mantenimiento de la estabilidad y las propiedades deseadas. [5]
En un estudio reciente se desarroll un modelo de transporte genrico daado
como parte de un proyecto de investigacin de la NASA para investigar los
mtodos de control adaptativo para la recuperacin de la estabilidad de las
aeronaves daadas en condiciones de vuelo fuera de la nominal en virtud de los
daos y / o fracasos. Una investigacin exhaustiva de la aeronave es necesaria
para investigar y desarrollar tecnologas de control adaptativo que pueden ser
utilizadas para equipar a los sistemas convencionales de control de vuelo, con el
fin de permitir a las aeronaves alcanzar los objetivos de seguridad en el
vuelo. El control de vuelo adaptativo es una tecnologa crtica que permite que
aviones muy daados recuperen la estabilidad despus de averas en el
vuelo. [6]
En la regulacin estructural de las vibraciones dentro de la gama de frecuencia
acstica se utiliza la tecnologa de microprocesadores actuales. Dado que la
regulacin es en banda ancha, los sistemas de control deben tener la capacidad

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


de regular una determinada estructura en una gama de frecuencia de varios
KHz. Un problema que debe tenerse en cuenta es el de la regulacin de una
planta variante en el tiempo en presencia de perturbaciones que tienen un
tiempo espectral diferente. Esto exige que el rgimen de control sea adaptativo y
capaz

de

incorporar

un

modelo

de

adaptacin

de

ruido

interno. [7]

Debido al rpido incremento en el poder de la tecnologa informtica, los


algoritmos de control adaptativo son cada vez ms importantes para la
aplicacin prctica. La investigacin en el control adaptativo para sistemas
lineales ha producido importantes avances en los ltimos veinte aos. Sin
embargo, en la prctica, los sistemas no suelen ser lineales y tienen actuadores
con frecuencia en la entrada, que imponen un lmite de saturacin natural. Un
ejemplo tpico de un actuador en la industria de procesos puede ser una vlvula,
como en un sistema de tanques presurizado. La caracterstica esttica de
entrada-salida del actuador se puede aproximar por una no linealidad de tipo
saturacin. La presencia de esta no linealidad puede conducir a la prdida del
control, si la seal de control pasa al dominio de saturacin del actuador. Estos
problemas son comunes en muchos tipos de controladores de tiempo real, por lo
que es de inters desarrollar un esquema de control adaptable que pueda
manejar esta situacin. El xito de los resultados del control en tiempo real ha
mostrado que el algoritmo de control puede mantener la seal de control en la
zona de control lineal. [8]
Las condiciones de funcionamiento de grandes sistemas de energa son siempre
diferentes para satisfacer las demandas de carga. Los sistemas automticos de
control estn localizados alrededor de los generadores individuales, pero
tambin son necesarios para amortiguar las oscilaciones del sistema que
pudieran amenazar la estabilidad de este a medida que aumentan las demandas
de carga o despus de una falla mayor, y mantener la estabilidad del sistema
bajo

una

diversidad

de

condiciones

de

funcionamiento

configuraciones. Controladores lineales tradicionales no garantizan la estabilidad

10

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


del sistema bajo esas condiciones. Varias tcnicas han sido desarrolladas para
mejorar las tcnicas de diseo anterior mediante el uso de controladores
adaptativos. [9]
Muchos procesos industriales inevitablemente cambian con el tiempo por una
variedad de razones que incluyen: cambios en el equipo, condiciones de
funcionamiento diferentes, o cambios en las condiciones econmicas. En
consecuencia, el problema de control fundamental es cmo proporcionar un
control efectivo de procesos complejos donde cambios significativos pueden
ocurrir, pero no pueden ser medidos o previstos. Las estrategias adaptativas de
control estn disponibles donde los parmetros del controlador y / o estructura
de control se han modificado on-line como cambios en las condiciones. Existe
una clase especial de estrategias de control adaptativo referida como el cambio
de control o el control adaptativo multi-modelo. La motivacin para el control
multi-modelo

es

que

para

muchos

procesos

tcnicos

complejos,

el

comportamiento local puede ser capturado aproximadamente por un conjunto de


modelos relativamente simple. Adems, un controlador de retroalimentacin
correspondiente puede ser diseado para cada modelo individual. Para estas
situaciones, un mtodo de control adaptativo basado en la seleccin del mejor
modelo (y el controlador) para las condiciones actuales constituye un enfoque
prometedor. El control multi-modelo es tambin aplicable a problemas ms
generales de control en los que los regmenes de funcionamiento no se pueden
determinar a priori. Por ejemplo, la capacidad del control multi-modelo se ha
demostrado con xito para el control de infusin de medicamentos donde la
variabilidad e imprevisibilidad son cuestiones claves. Otras aplicaciones incluyen
el control del pH, columnas de destilacin, sistemas de energa, y los reactores
qumicos. [10]
Una de las funciones comunes de un sistema de control de trfico es reducir al
mnimo el retraso que experimentan los vehculos que transitan por un cruce de
carreteras. Las categoras principales de un sistema de control de trfico son
pre-programado y los sistemas de adaptacin. Bajo la operacin de

11

pre-

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


programado, el controlador de seales de trfico maestro establece los
parmetros de la seal basada en tasas predeterminadas. Estos valores se
determinan a partir de datos histricos recopilados mediante la observacin del
flujo de trfico. El control pre-programado resulta con frecuencia en un uso
ineficiente de la capacidad de interseccin debido a la incapacidad para
adaptarse a las variaciones en el flujo de trfico y la demanda real del trfico.
Esta ineficiencia se manifiesta cuando los flujos son muy por debajo de la
capacidad. Un controlador de adaptacin supera el problema de un controlador
pre-programado por seales de operacin basado en las demandas de trfico. El
tiempo de verde para cada enfoque puede variar entre un mnimo y mximo, en
funcin de los flujos. La caracterstica principal de un controlador de adaptacin
es la capacidad de ajustar la longitud de la fase de seal en respuesta al flujo de
trfico. Varios sistemas eficientes se han propuesto. Los ms notables de ellos
son SCOOT, desarrollado en Inglaterra, y SCATS, desarrollado en Australia.
Ambos son sistemas adaptativos-cclicos, en los que se actualiza el plan de
tiempo de la seal en intervalos de tiempo pre-especificados. Otros mtodos
conocidos en fase de desarrollo durante la ltima dcada incluyen PROLYN,
UTOPIA, OPAC, etc. Estos sistemas intentan optimizar el trfico en lnea sin que
se limite a un intervalo de tiempo cclico, es decir, el plan de tiempo de la seal
puede cambiar en cualquier momento en funcin del algoritmo de optimizacin.
En comparacin con la seal de control pre-programado, estos sistemas sin
duda mejoran el desempeo global en trminos de retraso total en la red
controlada. [11]

1.2 Por qu control adaptativo?


En varios aspectos del control (como en la robtica), los sistemas a controlar
tienen parmetros variantes al comienzo de la operacin de control. A menos
que el mencionado parmetro sea reducido gradualmente on-line mediante un
mecanismo de adaptacin o estimacin, esto puede causar inexactitud o
inestabilidad en el sistema de control.

12

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Otros sistemas (como los sistemas de potencia), tienen buena dinmica en el
comienzo, pero las variaciones impredecibles de parmetros en la prctica
continan mientras se realiza la operacin de control. Sin el rediseo continuo
del controlador, el diseo apropiado del controlador inicial puede no ser capaz de
controlar bien los cambios en la planta. [12]
Generalmente el objetivo bsico del control adaptativo es mantener una
ejecucin consistente de los sistemas en presencia de variaciones desconocidas
en los parmetros de la planta. Como tal incertidumbre o variacin del parmetro
ocurre en problemas prcticos, el control adaptativo es til en varios contextos
industriales.
Robtica: los robots tienen que manipular cargas de varias dimensiones, pesos y
distribuciones de masas. Los parmetros inerciales de la carga tienen que ser
bien conocidos antes de que el robot la recoja y la mueva. Si se usan
controladores

de ganancia constante y los parmetros de la carga no son

correctamente conocidos, el movimiento del robot puede ser inexacto o


inestable. El control adaptativo, por otro lado, permite a los robots mover cargas
de parmetros desconocidos con gran velocidad y precisin.
Direccin de un barco: en las largas travesas, los barcos son usualmente
puestos bajo direccin automtica. Sin embargo, las caractersticas dinmicas
del barco dependen de varios parmetros inciertos, como la profundidad del
agua, la carga del barco y las condiciones de viento y marea. El control
adaptativo puede ser usado para lograr una buena ejecucin del control bajo
condiciones de operacin variantes, as como evitar prdidas de energa debido
a un movimiento excesivo del timn.
Control de aviones: el comportamiento dinmico de un avin depende de su
altitud, velocidad y configuracin. En un vuelo algunos parmetros varan
considerablemente.

13

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Control de procesos: los modelos de los procesos metalrgicos y qumicos son
usualmente complejos y difciles de obtener. Los parmetros caractersticos de
los procesos varan. Adems, las condiciones de trabajo varan usualmente con
el tiempo (ejemplo: las caractersticas de un reactor varan durante su vida, las
materias primas suministradas al proceso no son exactamente las mismas
siempre, las condiciones atmosfricas y climatolgicas tienden tambin a variar).
En realidad, el control de procesos es una de las ms importantes y activas
reas de aplicacin del control adaptativo.
El control adaptativo puede ser tambin

aplicado en otras reas, como los

sistemas de potencia y la ingeniera biomdica.


Para evitar dificultades matemticas y ganar en conocimientos acerca del
comportamiento de los sistemas de control adaptativo, se asume que los
parmetros desconocidos de la planta son constantes en el anlisis de los
diseos. En la prctica, los sistemas de control adaptativo son usualmente
usados para manejar parmetros desconocidos variantes en el tiempo. [13]

1.3 Efectos de las variaciones en los procesos


Un mtodo de diseo de sistemas de control es desarrollar un modelo lineal para
el proceso para diferentes condiciones de operacin y disear el controlador con
parmetros constantes. La propiedad fundamental es que estos sistemas son
insensibles a los errores de modelado y a las perturbaciones. Pero existen
procesos dinmicos que tienen variaciones, las cuales tienen efectos sobre el
comportamiento de los sistemas de control. [12]
Una comn fuente de variaciones es que actuadores, como las vlvulas, tengan
caractersticas no lineales (Anexo 1).

14

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Para ver esto suponemos que la caracterstica esttica de la vlvula est dada
por

v = f (u ) = u4

u0

El sistema puede tener un buen comportamiento operando a un nivel y pobre en


otro. El controlador es ajustado para tener una buena respuesta para valores
bajos de nivel de operacin. Para altos valores de nivel de operacin el sistema
a lazo cerrado se puede hacer inestable (Anexo 1.1).
Los procesos de flujo a travs de tubos y tanques son comunes en el control de
procesos.

Los flujos estn estrechamente relacionados con la velocidad de

produccin. De esta manera la dinnica de los procesos cambia cuando tambin


lo hace la velocidad de produccin, y el controlador que estaba correctamente
ajustado para una velocidad de produccin no va a trabajar necesariamente bien
para otras velocidades. [12]
Considere el control de concentracin en un tanque para un fluido que fluye a
travs de una tubera. La concentracin en el interior de la tubera es cin. Sea el
volumen de la tubera Vd y el volumen del tanque Vm. Adems, sea el flujo q y la
concentracin en el tanque c.
El balance de masa est dado por

Vm

dc ( t )
= q ( t ) ( cin ( t ) c ( t ) )
dt

donde

Vd
q (t )

15

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


introduce

T=

Vm
q (t )

Para un flujo fijo, es decir, cuando q(t) es constante, el proceso tiene la funcin
transferencial

G0 ( s ) =

e s
1 + sT

La dinmica es caracterizada por un tiempo de retardo y una dinmica de primer


orden (Anexo 2). La constante de tiempo T y el tiempo de retardo son
inversamente proporcionales al flujo q.
El pico mximo aumenta con el decremento del flujo, y el sistema se comporta
lento al aumentar el flujo. Para un funcionamiento seguro es una buena prctica
ajustar el controlador en flujos lentos (Anexo 2.1).
La dinmica de los aviones cambia significativamente con la velocidad, altitud,
ngulo de ataque, y otros parmetros. Los sistemas de control como los
autopilotos y los sistemas de aumento de la estabilidad comenzaron a usarse
hace tiempo. Estos sistemas estn basados en realimentacin lineal con
coeficientes constantes. Esto era eficiente cuando la velocidad y la altitud eran
bajas, pero las dificultades aparecieron cuando estas incrementaban. Los
problemas se hicieron mayormente visibles en vuelos supersnicos. El control de
vuelos fue una de las principales razones para el desarrollo del control
adaptativo (Anexo 3).
El principal problema en el diseo de autopilotos para la direccin de un barco
es compensar las fuerzas perturbantes que actan en el barco a causa del
viento, las olas y la corriente. Las olas tienen componentes peridicos fuertes. La
frecuencia dominante de una ola puede cambiar cuando las condiciones del

16

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


tiempo van desde una ligera brisa hasta un viento fuerte. La frecuencia de las
fuerzas generadas por las olas puede variar mucho ms debido a que esto es
influenciado tambin por la velocidad y la direccin del barco. [12]
En el control de procesos la principal herramienta es frecuentemente ejecutar
una regulacin precisa. La reduccin moderada en las fluctuaciones de las
variables de calidad puede dar ahorros significativos. Si las perturbaciones
tienen alguna regularidad estadstica, es posible obtener significativas mejoras
en la calidad del control teniendo un controlador que es ajustado a una
caracterstica particular de la perturbacin.
En la prctica hay diversas fuentes de variaciones, y esto es usualmente la unin
de varios fenmenos. Las razones de las variaciones en muchos casos no son
entendidas completamente. Cuando la fsica de los procesos es conocida (como
en los aviones), es posible determinar los parmetros de un controlador
apropiado para diferentes condiciones de operacin mediante la linealizacin de
los modelos y usando otros mtodos para el diseo del control. Este es una va
usual para el diseo de autopilotos de aviones.
Existen procesos industriales que son muy complejos y no son bien
comprendidos, debido a que no es econmico hacer investigaciones para saber
las causas de sus variaciones. Los controladores adaptativos pueden ser una
buena alternativa en estos casos. En otras situaciones, la dinmica es conocida,
pero otras partes no. Un ejemplo tpico son los robots, para los cuales la
geometra, el motor y las herramientas no cambian pero la carga s. En estos
casos tiene una gran importancia el uso del conocimiento aprovechable y la
estimacin y adaptacin solo de la parte desconocida del proceso.

1.4 Control Adaptativo Directo e Indirecto


Un controlador adaptativo est formado por la combinacin de un estimador de
parmetros on-line, el cual provee la estimacin de los parmetros desconocidos
en cada instante de tiempo, con la ley de control para el caso de parmetros

17

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


conocidos. El camino del estimador de parmetros es combinado con la ley de
control, lo cual da dos diferentes aproximaciones. [13]
En la primera aproximacin, referida al control adaptativo indirecto, los
parmetros de la planta son estimados on-line y los parmetros del controlador
son entonces calculados mediante ecuaciones algebraicas de diseo usando las
estimaciones de los parmetros desconocidos de la planta. El diseo es basado
en un modelo explcito de la planta (Figura 1.1).

Figura 1.1. Diagrama en bloque del control adaptativo indirecto.


En el control adaptativo indirecto, el modelo de la planta P(*) es parametrizado
con respecto al vector de parmetros desconocidos *.
En la segunda aproximacin, referida al control adaptativo directo, el modelo de
la planta es parametrizado en funcin de los parmetros del controlador, que son
estimados directamente de la ley de adaptacin sin clculos intermedios que
envuelven a los estimados de los parmetros de la planta. El diseo es basado
en la estimacin de un modelo implcito de la planta (Figura 1.2).

18

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo

Figura 1.2. Diagrama en bloque del control adaptativo directo.


Existen dos diseos comunes de control adaptativo directo: el diseo de
Lyapunov y el diseo del gradiente, los cuales sern tratados en el captulo 2.
En el control adaptativo directo, el modelo de la planta P(*) es parametrizado
en trminos del vector de parmetros desconocidos del controlador c*, para que
C(c*) conozca los requerimientos de ejecucin, para obtener el modelo de la
planta Pc(c*) con exactamente las mismas caractersticas de entrada salida de
P(*).
El diseo de C(c) trata a la estimacin c(t) (en el caso de control adaptativo
directo) o a la estimacin (t) (en el caso de control adaptativo indirecto) como si
ellos fueran los parmetros verdaderos. Esta aproximacin de diseo es llamada
equivalencia certeza y puede ser usada para generar una amplia clase de
esquemas de control adaptativo mediante la combinacin de diferentes
algoritmos de estimacin de parmetros on-line con diferentes leyes de control.
[13]
La idea anterior se puede explicar como que las estimaciones de parmetros
c(t) y (t) convergen a un valor cierto c* y *, respectivamente, el controlador
adaptativo C(c) tiende a ser alcanzado por C(c*) en el caso de parmetros
conocidos.

19

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Un controlador adaptativo puede ser

definido como un controlador

con

parmetros ajustables y un mecanismo de adaptacin. La construccin de un


controlador adaptativo contiene los siguientes pasos:
Caracterizar el comportamiento deseado del sistema en lazo cerrado
Determinar una apropiada ley de control con parmetros ajustables.
Encontrar el mecanismo de ajuste de los parmetros.
Implementar la ley de control.

1.5 Esquemas de control adaptativo


Un controlador adaptativo, siendo no lineal, es ms complicado que un
controlador de ganancia fija. Antes de intentar usar un controlador adaptativo, es
muy importante investigar si el problema de control puede ser resuelto por un
ordinario lazo cerrado con ganancia fija. Uno de los procedimientos para decidir
si el control adaptativo puede ser usado es el mostrado en la figura 1.3.
El comportamiento del controlador es lo primero a considerar. Si los
requerimientos son moderados, puede ser usado un controlador con parmetros
constantes y ajuste conservativo. Con altas demandas en la ejecucin, otras
soluciones pueden ser consideradas. Si la dinmica del proceso es constante,
se puede usar un controlador con parmetros fijos. Los parmetros del
controlador pueden ser obtenidos usando auto ajuste. [14]
Si la dinmica del proceso o la naturaleza de las perturbaciones son variantes,
resulta provechoso cambiar los parmetros del controlador para compensar
estas variaciones. Si estas son predecibles desde seales medidas, se puede
usar la tcnica de ganancia programada, tratada en el epgrafe 1.5.1, porque es
simple y brinda una ejecucin superior y ms robusta que la adaptacin continua
vista en el epgrafe 1.6.3. Las variaciones causadas por las no linealidades en
los lazos de control son ejemplos tpicos. El auto ajuste puede ser usado para
reconstruir los programas de las ganancias. [14]

20

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo

Figura 1.3. Procedimiento para decidir qu tipo de controlador usar.


Existen otros casos donde las variaciones en la dinmica del proceso no son
pronosticables. Ejemplos tpicos son los cambios debido a variaciones
inmedibles en el material como el desgaste, la suciedad, etc. Estas variaciones
no pueden ser manejadas mediante ganancia programada, puesto que la
variable no programada est disponible, pero debe ser tratada con adaptacin.
Es frecuente usar un procedimiento de auto ajuste para inicializar el controlador
adaptativo. Esto es llamado a veces pre-ajuste o ajuste inicial.

1.5.1 Ganancia programada


En muchos casos es posible encontrar variables medibles que se correlacionan
bien con los cambios en la dinmica del proceso. Estas variables pueden ser
usadas para cambiar los parmetros del controlador. Este mtodo es llamado
ganancia programada porque el esquema fue originalmente usado para medir la

21

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


ganancia y programar el controlador para compensar por los cambios en la
ganancia del proceso. [12]

Figura 1.4. Diagrama en bloque del sistema con ganancia programada.


El sistema puede ser visto como que tiene dos lazos. El lazo interno est
compuesto por el proceso y el controlador, y el lazo externo que ajusta los
parmetros del controlador en base a las condiciones de operacin. La ganancia
programada puede ser contemplada como un mapeo de los parmetros del
proceso en funcin de los parmetros del controlador. Puede ser implementada
como una funcin o una tabla.
El concepto de ganancia programada se origin con el desarrollo de los
sistemas de control de vuelo.

En esta aplicacin la altitud es medida por

sensores y usada como variable auxiliar. En el control de procesos la velocidad


de produccin puede ser tambin escogida como una variable auxiliar o
programada, teniendo en cuenta que las constantes de tiempo y los retardos son
inversamente proporcionales a la velocidad de produccin.
La ganancia programada es una tcnica muy usada para reducir los efectos de
las variaciones de los parmetros.

22

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo

1.5.2 Sistema Adaptativo segn Modelo de Referencia (MRAS)


El Sistema Adaptativo segn Modelo de Referencia (MRAS) fue originalmente
propuesto para resolver problemas en los cuales las especificaciones de
ejecucin estaban dadas en trminos de un modelo de referencia. Este modelo
plantea cmo la salida del proceso ideal debe responder a una seal de
comando. [12]

Figura 1.5. Diagrama en bloque del sistema adaptativo segn modelo de


referencia (MRAS).
El sistema consta de dos lazos. El lazo interior es un lazo ordinario de
realimentacin compuesto por el proceso y el controlador. El lazo exterior ajusta
los parmetros del controlador de tal manera que el error, el cual es la diferencia
entre la salida del proceso y y la salida del modelo ym, sea pequeo. El MRAS
fue originalmente introducido para el control de vuelos. En este caso el modelo
de referencia describe la respuesta deseada del avin para el movimiento de la
palanca de mando.

23

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


El principal problema del MRAS es determinar el mecanismo de ajuste para
obtener un sistema estable cuyo error converja a cero. El siguiente mecanismo
de ajuste de parmetros, llamado regla MIT, fue usado en el MRAS original:

d
e
= e

dt
En esta ecuacin, e = y - ym denota el error del modelo, es un parmetro del
controlador y e/ es la derivada sensitiva del error con respecto al parmetro
.

El parmetro determina la velocidad de adaptacin. En la prctica es

necesario hacer aproximaciones para obtener la derivada sensitiva. La regla MIT


puede ser mirada como un mtodo de gradiente para minimizar el cuadrado del
error e2.

Esta tcnica se trata con ms detalles en el captulo 2 mediante

ejemplos de simulacin.

1.5.3 Reguladores Self-tuning (STR)


Los esquemas adaptativos discutidos anteriormente son llamados mtodos
directos, los cuales fueron explicados en el epgrafe 1.4, porque la regla de
ajuste dice directamente cmo los parmetros del controlador van a ser
ajustados.

Un esquema diferente es obtenido si las estimaciones de los

parmetros del proceso son actualizadas y los parmetros del controlador son
obtenidos de la solucin de un problema de diseo usando los parmetros
estimados. [12]

24

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo

Figura 1.6. Diagrama en bloque del regulador self-tuning (STR).


El sistema est compuesto por dos lazos. El lazo interior consiste en el proceso
y en el controlador en el lazo ordinario de realimentacin. Los parmetros del
controlador son ajustados por el lazo exterior, el cual est compuesto por un
estimador de parmetros recursivo y el diseo del controlador. A veces no es
posible estimar los parmetros del proceso sin introducir seales de control o
perturbaciones. Note que el sistema puede ser visto como una automatizacin
del modelado y diseo del proceso, en la que el modelo del proceso y el diseo
del control son ajustados cada cierto perodo de muestreo. El controlador con
esta estructura es llamado regulador self-tuning (STR) para enfatizar en que el
controlador

automticamente

ajusta

sus

parmetros

para

obtener

las

propiedades deseadas del sistema a lazo cerrado.


El diseo del controlador representa una solucin on-line al problema de diseo
para el sistema con parmetros conocidos. Este es el fundamento del problema
de diseo. Tal problema puede estar asociado con ms esquemas de control
adaptativos, pero esto es dado indirectamente. Evaluar los esquemas de control
adaptativo es til para encontrar el fundamento del problema de diseo porque
esto va a dar las caractersticas del sistema bajo condiciones ideales cuando los
parmetros son exactamente conocidos.

25

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


El esquema del STR es muy flexible con respecto a la eleccin del fundamento
del diseo y de los mtodos de estimacin. Varias combinaciones han sido
exploradas. Los parmetros del controlador son ajustados indirectamente por la
va del clculo del diseo. Esto es posible para que reparametrizando el proceso
el modelo pueda ser expresado en trminos de los parmetros del controlador.
Esto da una simplificacin significante del algoritmo porque los clculos del
diseo son eliminados y los parmetros del controlador son directamente
ajustados.
En el STR los parmetros del controlador o los parmetros del proceso son
estimados en tiempo real. La estimacin es entonces usada como si ellos fueran
iguales a los parmetros verdaderos (las incertidumbres de la estimacin no son
consideradas). Esto es llamado principio de equivalencia certeza. En varios
esquemas de estimacin esto es posible para obtener una medicin de la
calidad de la estimacin. [12] Esta tcnica es desarrollada en el captulo 3
aplicndola al control de un proceso con parmetros variantes.

1.6 Aplicaciones
El nmero de aplicaciones ha aumentado drsticamente con el advenimiento de
los microprocesadores, los cuales han hecho la tecnologa costosa y efectiva.
Hoy en da un gran nmero de lazos de control industrial estn bajo control
adaptativo como ya se ha mostrado en este captulo. En la base del producto y
sus usos, est claro que las tcnicas adaptativas pueden ser usadas de muchas
maneras diferentes.

1.6.1 Ajuste automtico


La aplicacin ms usada est en los controladores de ajuste automtico, en los
cuales los parmetros son ajustados automticamente por la demanda del
operador. Despus del ajuste los parmetros se mantienen constantes.

26

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Aunque el ajuste automtico se usa ampliamente en controladores simples
tambin es beneficioso para controladores ms complicados. Un mecanismo
para el ajuste automtico es a menudo necesario para conseguir la escala de
tiempo correcta y encontrar el valor inicial para un controlador adaptativo ms
complejo. La principal ventaja de usar un ajustador automtico es que simplifica
el ajuste drsticamente, y al mismo tiempo contribuye para mejorar la calidad de
control. Los ajustadores han sido tambin desarrollados para otras aplicaciones
estndar como los controles de motor.

1.6.2 Programacin de ganancia


La ganancia programada, tratada en el epgrafe 1.5.1, es una poderosa tcnica
avanzada y de fcil uso. La clave del problema es encontrar las variables
programadas adecuadas, o sea, variables que caracterizan las condiciones de
operacin. Los parmetros del controlador son determinados por ajustadores
automticos cuando el sistema est siendo utilizado en una condicin operativa.
Los valores del parmetro son almacenados en una tabla. El procedimiento es
repetido hasta que todas las condiciones de las operaciones son cubiertas. De
esta manera es fcil instalar y ajustar la programacin de ganancia dentro de un
sistema controlador de computadoras. La nica facilidad requerida es una tabla
para almacenar y volver a llamar los parmetros controladores. [15]

1.6.3 Adaptacin continua


Hay varios casos en los cuales el proceso o las caractersticas de perturbacin
son cambiadas continuamente. Entonces se necesita la adaptacin continua de
los parmetros del controlador. El MRAS visto en el epgrafe 1.5.2 y el STR
explicado en el epgrafe 1.5.3 son los ms comunes para el ajuste de
parmetros. Hay muchas maneras diferentes de usar las tcnicas. En algunos
casos, es natural asumir que el proceso es descrito por un modelo lineal general.
En otros casos, partes del modelo son conocidos y solo algunos parmetros son
ajustados. [15]

27

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


Como el control adaptativo es una tecnologa relativamente nueva, hay
experiencia limitada para su uso en productos. Una observacin a considerar es
que la interfaz humano - mquina es muy importante. Los controladores
adaptativos tambin tienen sus propios parmetros, que deben ser escogidos.
Los controladores sin ningn parmetro ajustado externamente pueden ser
designados para aplicaciones especficas en las cuales el propsito del control
puede ser sealado a priori. Los autopilotos para misiles y barcos son ejemplos
tpicos. De todas maneras, en muchos casos no es posible especificar el
propsito del control a priori. Es al menos necesario decirle al controlador qu se
espera que haga. La adaptacin tambin puede ser combinada con la ganancia
programada. La ganancia programada para introducir

rpidamente los

parmetros dentro de la regin correcta, y la adaptacin puede ser entonces


usada para el ajuste fino.

1.6.4 Productos industriales


Los productos industriales pueden ser generalmente divididos en dos categoras
diferentes: controladores estndar y sistemas de control distribuido.
Los controladores estndar forman la categora ms larga. Ellos estn
tpicamente basados en algunas versiones del algoritmo PID. Prcticamente
todos los controladores de lazos simples usan algunas formas de adaptacin. El
ajuste automtico es implementado de tal manera que el usuario solo tiene que
apretar un botn para ejecutar el ajuste. [15]
Los

sistemas de control distribuidos son sistemas de propsitos generales

primeramente para aplicacin de control de procesos. Estos sistemas pueden


ser vistos como una caja de herramienta para la implementacin de una amplia
variedad de sistemas de control. Tcnicas adaptativas son introducidas en el
sistema de distribucin, aunque el coeficiente de desarrollo no es tan rpido
como para un controlador de lazo simple.

28

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo

1.7 Ejemplo de aplicacin


El control de la velocidad y de la posicin de un accionamiento elctrico de
corriente continua que mueve una carga mecnica es una aplicacin real de
control adaptativo, la cual est recogida en el problema de la robtica descrito en
el epgrafe 1.2.
Para ver el comportamiento de este sistema se obtiene la funcin transferencial,
dadas las ecuaciones elctricas y mecnicas, considerando como entrada la
tensin aplicada a la armadura y como salida la velocidad angular.

1
K
Gm ( s ) =
2
TaTm s + (Tm + Ta ) s + 1 +
Donde:
Ta es la constante de tiempo de la armadura del motor que evala la rapidez
con que vara la corriente si la velocidad permanece constante.
Tm es la constante de tiempo electromecnica del motor que evala la rapidez
con que vara la velocidad si se desprecia la constante de tiempo de la
armadura. Esta constante est relacionada con K que es el denominado
coeficiente de acoplamiento electromecnico.

es la constante de friccin viscosa que cuantifica el amortiguamiento del


elemento provocado por la carga.
En algunos casos sucede que la inercia de la carga o mecanismo accionado es
muy grande y la constante de tiempo electromecnica del motor es mucho
mayor que la de la armadura desprecindose sta ltima [15].

29

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


El elemento se convierte en uno de primer orden y su funcin de transferencia
sera:

1
KTm
Gm ( s ) =
1+
s+
Tm
En el caso del control de la velocidad, el proceso se caracteriza por la funcin
transferencial:

G ( s) =

b
s+a

(1.1)

Cuando se controla posicin, se introduce al sistema la accin integral, siendo el


sistema caracterizado por la funcin transferencial:

G ( s) =

b
s ( s + a)

(1.2 )

El parmetro b, que representa la ganancia del proceso, incluye al convertidor


de electrnica de potencia, el cual es un elemento variante si se considera que
el sistema trabaja en una amplia gama de valores de velocidad, por lo que se
puede decir que es un parmetro variante en el tiempo. El parmetro a contiene
al coeficiente de friccin viscoso, el cual introduce no linealidades que hacen que
vare.
Es necesario destacar que estos modelos pueden ser aplicados en otras
esferas, como en procesos industriales, lo que le da a la aplicacin un carcter
ms general.

30

Captulo 1: Estado del Arte de las Tcnicas de Control Adaptativo


En el captulo 1 se aborda el caso del control de la velocidad usando un sistema
adaptativo segn modelo de referencia basado en la regla MIT y en la teora de
la estabilidad de Lyapunov.
En el captulo 2 se trata el caso de control de la posicin implementando un
regulador self-tuning.

31

aptulo2
SistemasAdaptativossegnModelodeReferencia(MRAS)

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


En este captulo se exponen las principales caractersticas del MRAS para
realizar el control de la velocidad del accionamiento elctrico de corriente
continua descrito en el epgrafe 1.7, considerando, en un primer caso, que
solamente vara la ganancia para introducir el diseo de un MRAC usando la
regla MIT que fue mencionada en el epgrafe 1.5.2. Adems, se desarrolla la
misma aplicacin considerando que varan los dos parmetros del proceso y se
hace una comparacin de los dos mtodos que se utilizan para obtener el
mecanismo de ajuste: regla MIT y teora de la estabilidad de Lyapunov.

2.1 Introduccin
En el epgrafe 1.5.2 se explican las caractersticas ms generales del Sistema
Adaptativo segn Modelo de Referencia. A continuacin se exponen, con ms
detalles, los principales elementos que conforman a esta tcnica adaptativa
(figura 2.1) como base para simular un ejemplo real y observar su
comportamiento.

Figura 2.1. Diagrama en bloques del Sistema Adaptativo segn Modelo de


Referencia (MRAS).

33

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


La planta se asume con una estructura conocida, aunque contiene parmetros
desconocidos. Para plantas lineales esto significa que el nmero de polos y
ceros son conocidos, pero su localizacin no. Para plantas no lineales esto
implica que la estructura

de las ecuaciones dinmicas es conocida, pero

algunos parmetros no. [13]


El modelo de referencia especifica la respuesta ideal del sistema de control
adaptativo, o sea, de la planta, cuyo mecanismo de adaptacin debe tratar de
ajustar los parmetros.
La eleccin del modelo de referencia es fundamental en el diseo del sistema de
control adaptativo, pues una eleccin poco realista conlleva a la inestabilidad del
proceso controlado o simplemente a la no obtencin del objetivo propuesto. Se
debes satisfacer dos requerimientos principalmente:
o Debe reflejar las especificaciones deseadas como el tiempo de subida, el
tiempo de establecimiento, el pico mximo o las caractersticas en el
dominio de la frecuencia.
o El comportamiento ideal debe ser ejecutable por el sistema de control
adaptativo, es decir, la estructura del modelo de referencia (orden y grado
relativo) debe corresponder a la estructura asumida del modelo de la
planta.
El controlador es usualmente parametrizado por un nmero de parmetros
ajustables (implicando que se puede obtener una familia de controladores
asignando varios valores a los parmetros ajustables). Cuando los parmetros
de la planta son conocidos, los parmetros del controlador correspondientes
pueden hacer que la salida de la planta sea idntica a la del modelo de
referencia. Cuando los parmetros de la planta son desconocidos, el mecanismo
de adaptacin ajusta los parmetros del controlador para lograr la convergencia
perfecta. [13]

34

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


El mecanismo de adaptacin ajusta los parmetros en la ley de control. En el
MRAS, la ley de adaptacin busca parmetros que hagan que la respuesta de la
planta bajo el control adaptativo llegue a ser la misma que la del modelo de
referencia, es decir, el objetivo de la adaptacin es hacer que el error converja a
cero.
El mecanismo de ajuste de los parmetros en el MRAS puede ser obtenido de
dos maneras: usando el mtodo del gradiente (regla MIT) o aplicando la teora
de la estabilidad.

2.2 Sistema con ganancia de camino directo adaptable usando la


regla MIT
La regla MIT es el mtodo original

del Control Adaptativo segn Modelo de

Referencia. El nombre es derivado del Instituto Tecnolgico de Massachussets,


en cuyos Laboratorios de Instrumentacin fue desarrollado.
Cuando diseando un MRAC se usa la regla MIT, el diseador escoge: el
modelo de referencia, la estructura del controlador y las ganancias ajustables del
mecanismo de ajuste.
Para ver cmo la regla MIT puede ser usada para formar un controlador
adaptativo, considere un accionamiento elctrico de corriente continua con
ganancia de camino directo adaptable en el que se desea controlar la velocidad
y se considera al parmetro a = 1 (epgrafe 1.6).
El proceso es lineal con funcin transferencial:

Y (s)
k
= kG ( s ) =
U (s)
s +1
Donde el parmetro k es desconocido y se escoge como k=1.

35

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


La respuesta deseada a lazo cerrado es especificada por un modelo cuya salida
es ym. Este modelo de referencia puede ser formado con el valor deseado de k,
y a travs de la adaptacin de la ganancia de camino directo, la respuesta de la
planta puede igualarse a ste. El modelo de referencia es escogido como la
planta multiplicada por la constante deseada k0:

Y (s )
= ko G (s )
Uc (s )
El parmetro k0 se asumir con valor 2.
Para simular el ejemplo se crear una librera que contiene cuatro bloques
(figura 2.2): un generador de referencia que da la seal de comando, la funcin
transferencial de la planta, la funcin transferencial del modelo y el mecanismo
de adaptacin.

Figura 2.2. Bloques de la librera.


El diagrama en bloques del sistema descrito es el mostrado en la figura 2.3,
donde se puede observar la misma estructura que el esquema dado en la figura
2.1.

36

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.3. Diagrama en bloques

en Simulink del sistema con ganancia de

camino directo adaptable.


El generador de referencia es un subsistema (figura 2.4) que contiene un
generador de seales y una constante que representa el offset para desplazar la
seal si se desea en el eje de las coordenadas.

Figura 2.4. Subsistema de Generador de referencia.


Para presentar la regla MIT se considera un sistema a lazo cerrado donde el
controlador tiene un parmetro ajustable .
Para obtener el mecanismo de ajuste se escoge el controlador feedforward

u = uc
37

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


Donde u es la seal de control y uc es la seal de comando, la funcin
transferencial de la seal de comando a la salida se convierte en kG(s). Esta
funcin transferencial es igual a Gm(s) si el parmetro es escogido como k0/k.
Utilizando la regla MIT se obtendr el mtodo para ajustar el parmetro

cuando k no es conocida.
El MRAC comienza definiendo el error e, el cual es simplemente la diferencia
entre la salida de la planta y la salida del modelo de referencia.

e = y ym = kG ( s ) uc ko G ( s ) uc =

1
2
uc
uc
s +1
s +1

Donde uc es la seal de comando, ym es la salida del modelo, y es la salida del


proceso y es el parmetro ajustable.
Como se ha observado, esta expresin del error contiene el parmetro , el cual
va a ser ajustado.
De este error se forma la funcin de costo J(), donde es el parmetro que se
adapta en el controlador. La eleccin de esta funcin de costo va a determinar
cmo los parmetros son actualizados.
A continuacin se muestra una funcin de costo tpica:

1
J ( ) = e2 ( )
2
Para encontrar cmo se actualiza el parmetro , la ecuacin necesita estar en
funcin de la variacin en . Si la meta es minimizar este costo en relacin al
error, hay que cambiar los parmetros en direccin al gradiente negativo de J.
Este cambio en J es asumido para ser proporcional al cambio en . Entonces la
derivada de es igual al cambio negativo en J.

38

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


Del mtodo del gradiente se obtiene:

d
J
e
=
= e

dt

La derivada parcial e/, la cual es llamada derivada sensitiva del sistema,


determina cmo el error es influenciado por el parmetro ajustable. Si se asume
que la variacin del parmetro es ms lenta que otras variables del sistema,
entonces la derivada e/ puede ser evaluada bajo la suposicin de que es
constante. El parmetro determina la velocidad de adaptacin.
El controlador puede contener varios parmetros que requieran de ajuste. Esta
ecuacin se aplica adems en estos casos. El smbolo puede ser interpretado
como un vector y / como el gradiente del error con respecto a los
parmetros.
Otra alternativa es escoger la funcin de costo:

J ( ) = e( )
Obteniendo mediante el mtodo del gradiente:

d
e
=
sign (e )
dt
c
1, e > 0

donde sign ( e ) = 0, e = 0
1, e < 0

39

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


El primer MRAS que fue implementado fue basado en esta frmula. Sin
embargo, hay otras posibilidades, por ejemplo,

d
e
= sign
sign ( e )
dt

La versin en tiempo discreto de este algoritmo es usado en las
telecomunicaciones, requiriendo una simple implementacin y rpidos clculos.
En este caso la funcin de costo escogida es:

1
d
e
J ( ) = e 2 ( )
= e
2

dt
Para determinar la regla de ajuste, la derivada sensitiva est dada en trminos
de la salida del modelo:

e
k
= kG ( s ) uc =
ym

ko
Finalmente, la regla MIT es aplicada para dar una expresin que ajuste el
parmetro . Las constantes k y k0 estn combinadas dentro de (gamma).

d
k
ym e = ym e
=
dt
ko

( 2.1)

El mecanismo de adaptacin es el subsistema (figura 2.5) que ajusta los


parmetros del controlador segn la ecuacin 2.1. Tiene como parmetro a
gamma, el cual determina la velocidad de adaptacin (Anexo 4).

40

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.5. Subsistema de Mecanismo de adaptacin.


Las propiedades de este sistema pueden ser ilustradas mediante la simulacin
en Matlab utilizando la herramienta Simulink. La entrada uc es una sinusoide con
frecuencia de 1 rad/s.
La figura 2.6 muestra que la salida del proceso se aproxima a la salida del
modelo.

Figura 2.6. Salida del proceso y del modelo para =1 en la simulacin de un


MRAC para el ajuste de la ganancia de camino directo.
La figura 2.7 muestra que la convergencia del parmetro hacia el valor correcto
es rpida cuando la ganancia de adaptacin es 1 y que la velocidad de
convergencia depende de la ganancia de adaptacin. Esto es importante para
conocer un valor razonable de este parmetro. Instintivamente, se puede

41

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


esperar que los parmetros converjan lentamente para pequeos y que la
velocidad de convergencia incremente con . Las simulaciones indican que esto
es cierto para pequeos valores de , pero tambin que el comportamiento es
impredecible para grandes valores de .

Figura 2.7. Parmetro del controlador ajustable en la simulacin de un MRAC


para el ajuste de la ganancia de camino directo.
Es importante notar que la regla MIT por s misma no garantiza convergencia o
estabilidad. Un diseo MRAC usando regla MIT es muy sensible a las
amplitudes de las seales. Como regla general, el valor de es pequeo. El
ajuste de es crucial para la velocidad de adaptacin y la estabilidad del
controlador.
Note que no se necesitaron hacer aproximaciones en el ejemplo anterior.
Cuando la regla MIT es aplicada en problemas ms complicados, es necesario
usar aproximaciones para obtener las derivadas sensitivas como se muestra en
el ejemplo del epgrafe 2.3.

42

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

2.3 Diseo de MRAS usando la regla MIT


Para el diseo del MRAS se considerar el control de la velocidad de un
accionamiento elctrico de corriente continua que mueve una carga mecnica.
La funcin transferencial que describe el comportamiento del sistema
considerando como entrada la tensin aplicada a la armadura y como salida la
velocidad angular fue dada en la ecuacin 1.1. Debido a lo expuesto en el
epgrafe 1.6, se tomarn los valores a = 1 y b = 0.5.
Considere el sistema descrito por el modelo:

dy
= ay + bu
dt
Donde u es la variable de control,

( 2.2 )

y es la salida medida y a y b son los

parmetros de la planta, los cuales son desconocidos.

Y ( s ) 0.5
=
U ( s) s +1
Se desea obtener el sistema en lazo cerrado descrito por:

dym
= am ym + bmuc
dt
Donde uc es la seal de referencia externa y am y bm son parmetros constantes.
Estos son escogidos como am=bm=2:

Ym ( s )
2
=
Uc ( s) s + 2
Con la herramienta Simulink del Matlab, se crear una librera (figura 2.8) para
hacer ms fcil el diseo de este sistema. Esta contiene cinco bloques que

43

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


representan: generador de referencia, la funcin transferencial del modelo de
referencia, la funcin transferencial de la planta o proceso y los dos mecanismos
de ajuste de los parmetros del controlador.

Figura 2.8. Bloques de la librera de MRAS de primer orden usando la regla


MIT.
El diagrama en bloque del sistema es el mostrado en la figura 2.9.

Figura 2.9. Diagrama en bloques de un MRAS para el sistema de primer orden.


El generador de referencia es el que da la seal de comando. Es un subsistema
(figura 2.10) que permite generar varios tipos de onda (Signal Generator) con
diferentes parmetros (amplitud, perodo) y posibilita desplazarlas en el eje de

44

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


las coordenadas (offset) o invertirlas con respecto al eje de las absisas (con
ganancia negativa).

Figura 2.10. Subsistema de Generador de referencia.


Para obtener el mecanismo de ajuste se escoge el controlador:

u ( t ) = 1uc ( t ) 2 y ( t )

( 2.3)

Donde 1 y 2 son ganancias de realimentacin variables. Con esta ley de


control, combinando las ecuaciones 2.2 y 2.3, la dinmica de lazo cerrado es:

dy
= ( a + b 2 ) y + b1 uc
dt

( 2.4 )

El controlador tiene dos parmetros. Si stos son escogidos como:

1 = 10 =

2 = 20 =

bm
b

( 2.5)

am a
b

La relacin entrada-salida del sistema y el modelo es la misma. Esto es llamado


modelo de seguimiento perfecto.

45

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


En este problema de control adaptativo, desde que a y b son desconocidos, la
entrada de control puede lograr que la ley de adaptacin busque continuamente
las ganancias correctas basada en el error y ym, as como hacer que y tienda a
ym asintticamente.
Para aplicar la regla MIT, se introduce el error:

e = y ym
Donde y es la salida del sistema a lazo cerrado. De la ecuacin 2.4 se obtiene:

y=

b1
uc
s + a + b 2

Las derivadas sensitivas son obtenidas mediante la derivada parcial con


respecto a los parmetros del controlador 1 y 2:

e
b
uc
=
1 s + a + b 2
e
b 21
b
=
u =
y
2 c
2
s
+
a
b
+

( s + a + b 2 )
2
Estas frmulas no pueden ser usadas directamente porque los parmetros del
proceso a y b no son conocidos. Es necesario hacer aproximaciones.
Una posible aproximacin est basada en la observacin de que

s + a + b20 = s + am
cuando los parmetros dan un modelo de seguimiento perfecto.

46

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


Entonces se utilizar la aproximacin

s + a + b 2 s + am
la cual es razonable cuando los parmetros se acercan a sus valores correctos.
Con esta aproximacin se obtienen las siguientes ecuaciones para la
actualizacin de los parmetros del controlador:

d1
= m uc e
dt
s + am

( 2.6 )

d 2
= m ye
dt
s + am

( 2.7 )

Los mecanismos de ajuste son los subsistemas (figura 2.11) encargados de


actualizar los parmetros del controlador segn las ecuaciones 2.6 y 2.7
obtenidas de la regla MIT. Estos tienen como parmetros a la velocidad de
adaptacin gamma y al parmetro constante am. (Anexo 5)

Figura 2.11. Subsistema de Mecanismo de ajuste segn la ecuacin 2.6


aplicando la regla MIT.

47

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


El comportamiento del sistema es mostrado mediante la simulacin. La seal de
entrada es una onda cuadrada de amplitud 1 y =1.

Figura 2.12. Salida del proceso y salida del modelo de un sistema de primer
orden usando MRAS.
Como se puede observar en la figura 2.12, la seal de salida del proceso sigue a
la seal de salida del modelo, comprobndose as que el error converge a cero.

48

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.13. Seal de control del sistema.


En las figuras 2.14 y 2.15 se ven los parmetros estimados para diferentes
valores de la ganancia de adaptacin .

Figura 2.14. Parmetro del controlador Theta 1 (1 ) para el MRAS de primer


orden usando regla MIT.

49

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.15. Parmetro del controlador Theta 2 (2 ) para el MRAS de primer


orden usando regla MIT.
Note que los cambios en los parmetros aumentan cuando la seal de comando
cambia y que los parmetros convergen muy lentamente. Para =1, el valor
usado en la figura 2.12, los parmetros tienen los valores 1=3.2 y 2=1.2 para
t=100. Estos valores estn lejos de los valores correctos 1=4 y 2=2, segn la
ecuacin 2.5. Sin embargo, los parmetros van a converger a los valores reales
con el incremento del tiempo. La velocidad de convergencia incrementa con el
incremento de , como se ve en las figuras 2.14 y 2.15, siendo el valor de ms
adecuado el de 5, con el cual los parmetros convergen a los valores correctos.
Un controlador adaptativo basado en la regla MIT no garantiza que el sistema a
lazo cerrado sea estable. Existen otros mtodos de diseo de controladores
adaptativos que garantizan la estabilidad del sistema como el desarrollado en el
epgrafe 2.4.

50

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

2.4 Diseo de MRAS usando la teora de estabilidad de Lyapunov


La estabilidad es el primer objetivo del ingeniero de control. Sin la estabilidad, el
resto de las especificaciones (rapidez del transitorio, oscilaciones reducidas,
rechazo de perturbaciones, robustez, etc.) carecen de sentido. Para el caso de
sistemas lineales el concepto de estabilidad es claro, su condicin necesaria y
suficiente es bien conocida (parte real negativa de todos los polos de la funcin
de transferencia o de los autovalores de la matriz de transicin de estados) y
existen criterios sencillos que permiten analizarla (criterios de Routh-Hurwitz y
de Nyquist). Sin embargo, en sistemas no lineales el panorama es totalmente
distinto: existen diversas definiciones de estabilidad y la mayora de los criterios
conocidos proporcionan condiciones suficientes pero no necesarias y, adems,
no suelen ser mtodos sistemticos como pueden ser los criterios mencionados
en sistemas lineales. [16]
La estabilidad de sistemas es una medida de la respuesta del sistema actual en
relacin con la respuesta nominal, la cual depende de las ecuaciones
diferenciales que describen al sistema, es decir, a sus parmetros y
estructuras.[1]
La teora de la estabilidad de Lyapunov es usada para construir algoritmos para
ajustar los parmetros en sistemas adaptativos. Para hacer esto, primero se
deriva la ecuacin diferencial del error, e = y - ym. Esta ecuacin diferencial
contiene los parmetros ajustables. Entonces se intenta hallar la funcin de
Lyapunov y un mecanismo de adaptacin tal que el error converga a cero.
Cuando se usa la teora de Lyapunov para sistemas adaptativos, se encuentra
que dV/dt es usualmente solo negativa semidefinida. El procedimiento es para
determinar la ecuacin del error y la funcin de Lyapunov con una segunda
derivada limitada.

51

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


Para el diseo del MRAS usando la teora de la estabilidad de Lyapunov se
considera el mismo proceso del epgrafe 2.3, el control de la velocidad de un
accionamiento elctrico de corriente continua que mueve una carga mecnica
con parmetros variantes.
En este caso se tomarn los valores de los procesos iguales a los del epgrafe
2.3, o sea, b = 0.5, a =1, bm = 2 y am = 2.
Para la simulacin de este sistema se ampliar la librera antes creada (figura
2.16) para as facilitar la utilizacin y comparacin de ambos mtodos: regla MIT
y teora de Lyapunov.

Figura 2.16. Bloques de la librera de MRAS de primer orden.


El diagrama en bloques del MRAS basado en la teora de Lyapunov para un
sistema de primer orden es el mostrado en la figura 2.17.

52

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.17. Diagrama en bloques del MRAS basado en la teora de Lyapunov.


El subsistema Generador de referencia fue explicado en el epgrafe 2.3.
Para este diseo se escoge el controlador:

u = 1 uc 2 y
Se introduce el error:

e = y ym
Para tratar que el error sea pequeo hay que derivar la ecuacin del error,
obteniendo:

de
= am e ( b 2 + a am ) y + ( b1 bm ) uc
dt
Note que el error converge a cero si los parmetros son iguales a los valores
dados por la ecuacin 2.5. Se intentar construir un mecanismo de ajuste de
parmetros que lleve a los parmetros 1 y 2 a sus valores deseados. Para este

53

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


propsito, se asume que b>0 y se introduce la siguiente funcin de Lyapunov
cuadrtica:

1
1
1
2
2
V ( e, 1 , 2 ) = e 2 + ( b 2 + a am ) + ( b1 bm )
2
b
b

Esta funcin es cero cuando e es cero y los parmetros del controlador son
iguales a los valores correctos segn la ecuacin 2.4.

Para la funcin de

Lyapunov V, la derivada dV/dt debe ser negativa.


La derivada es:

dV
de 1
d 1
d
= e + ( b 2 + a am ) 2 + ( b1 bm ) 1
dt
dt
dt
dt
= am e 2 +
+

d 2

ye
dt

( b 2 + a am )

d1

+ uc e
dt

( b1 bm )

Si los parmetros son actualizados como:

d1
= uc e
dt

(2.8)

d 2
= ye
dt

(2.9)

Tenemos

dV
= am e 2
dt

54

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


La regla de adaptacin dada por las ecuaciones 2.8 y 2.9 es similar a la regla
MIT dada por las ecuaciones 2.6 y 2.7, pero las derivadas sensitivas

son

reemplazadas por otras seales.


Los subsistemas

de los mecanismos de ajuste de los parmetros del

controlador (figura 2.18) se disean segn lo obtenido en las ecuaciones 2.8 y


2.9. El parmetro de estos es la velocidad de adaptacin gamma. (Anexo 6)

Figura 2.18. Subsistema de Mecanismo de ajuste segn la ecuacin 2.8 basado


en la teora de Lyapunov.
La diferencia entre el diagrama en bloques del MRAS basado en la regla MIT
(figura 2.9) y el basado en la teora de Lyapunov (figura 2.17) es que no se filtran
las seales uc y y aplicando la regla de Lyapunov como se observa al hacer una
comparacin de los mecanismos de ajuste obtenidos en ambos mtodos (figuras
2.11 y 2.18). En ambos casos la ley de ajuste puede ser escrita como:

d
=e
dt
Donde es un vector de parmetros y

= [ u c

y ]T

para la regla de Lyapunov y

55

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

am
[ uc
s + am

y ]T

para la regla MIT.


La regla de ajuste obtenida de la teora de Lyapunov es ms simple porque no
requiere de filtros de las seales. Las figuras 2.19 y 2.20 muestran la simulacin
del sistema. El comportamiento es similar al obtenido con la regla MIT.

Figura 2.19. Salida del proceso y salida del modelo de un sistema de primer
orden usando teora de Lyapunov.
Como se puede observar en la figura 2.19, la seal de salida del proceso sigue a
la seal de salida del modelo, comprobndose as que el error converge a cero.

56

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.20. Seal de control del sistema.


En las figuras 2.21 y 2.22 se ven los parmetros del controlador estimados para
diferentes valores de la ganancia de adaptacin y una comparacin con los
obtenidos mediante la regla MIT.

57

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)

Figura 2.21. Parmetro Theta 1 (1) para el MRAS de primer orden usando
teora de Lyapunov (lneas continuas) y usando regla MIT (lneas discontinuas).

Figura 2.22. Parmetro Theta 2 (2) para el MRAS de primer orden usando
teora de Lyapunov (lneas continuas) y usando regla MIT (lneas discontinuas).

58

Captulo 2: Sistemas Adaptativos segn Modelo de Referencia (MRAS)


En los mtodos desarrollados en los epgrafes 2.3 y 2.4 se obtienen resultados
similares, pero en este ltimo se garantiza un elemento muy importante en el
control de cualquier proceso, la estabilidad.
En este captulo se desarrolla el control de la velocidad de un accionamiento
elctrico de corriente continua, dado en el epgrafe 1.7, utilizando dos mtodos
para la obtencin del mecanismo de ajuste de parmetros en un MRAC.
En el captulo 3 se implementa un STR para controlar la posicin en la misma
aplicacin dada en el epgrafe 1.7 utilizando una poderosa herramienta creada
para este fin, ya que Matlab no cuenta con ningn toolbox para el control de
sistemas variantes en el tiempo.

59

aptulo3
ReguladorSelfTuning(STR)

Captulo 3: Regulador Self-Tuning (STR)


En este captulo se trata al STR como tcnica para la determinacin de los
parmetros variantes del modelo del control de la posicin del accionamiento
elctrico de corriente continua desarrollado en el epgrafe 1.7, mediante la
utilizacin de una herramienta que permite calcular dichos parmetros. Para
esto se hace un estudio del mtodo de estimacin de mnimos cuadrados
recursivo. Adems, se hace un anlisis de dos algoritmos para el diseo del
controlador por asignacin de polos: con cancelacin de ceros y sin
cancelacin de ceros, demostrando la importancia del conocimiento del
proceso para no hacer una mala eleccin y obtener resultados indeseables.

3.1 Introduccin
La determinacin on-line de los parmetros del proceso es el principal
elemento en el control adaptativo. Un estimador de parmetros, como se
explica en el epgrafe 1.5.3, aparece explcitamente como un componente del
regulador self-tuning. Adems, el esquema general del STR (figura 1.6) lo
componen el diseo del controlador segn las especificaciones deseadas y el
mecanismo de ajuste de los parmetros de ste.
Es conveniente ver la estimacin de parmetros en el amplio contexto de la
identificacin de sistemas. Los principales elementos de esta son: la seleccin
de la estructura del modelo, el diseo experimental, la estimacin de
parmetros y la validacin. El diseo experimental es crucial para una
identificacin de sistemas exitoso. En el control adaptativo los parmetros del
proceso cambian continuamente, de modo que es necesario tener mtodos de
estimacin que ajusten los parmetros recursivamente.
El mtodo de mnimos cuadrados que se desarrolla en el epgrafe 3.2.2 es la
tcnica bsica para la estimacin de parmetros. El mtodo es particularmente
simple si el modelo tiene la propiedad de ser lineal en los parmetros. En este
caso la estimacin por mnimos cuadrados puede ser calculada analticamente.
[12]
Cuando hay parmetros inciertos en sistemas dinmicos (lineales o no
lineales), una va para deducirlos es usar la estimacin de parmetros, o sea,

61

Captulo 3: Regulador Self-Tuning (STR)


determinar los valores de los parmetros desde la medicin de seales de
entrada y salida del sistema. La estimacin de parmetros se puede hacer online u off-line. La estimacin off-line es preferible si los parmetros son
constantes y si hay suficiente tiempo para la estimacin antes del control. Sin
embargo, para parmetros que varan (aunque lentamente) durante la
operacin, la estimacin de parmetros on-line es necesaria para mantener el
comportamiento de los valores de los parmetros. Como los problemas en el
contexto del control adaptativo usualmente involucran parmetros que varan
lentamente en el tiempo, los mtodos de estimacin on-line son ms
relevantes.
El principal propsito de los estimadores on-line es proveer estimaciones de
parmetros para el control self-tuning, pero adems pueden ser usados para
otros propsitos como el monitoreo o la deteccin de fallos. [2]

3.2 Regulador Self-tuning indirecto con cancelacin de ceros


Para el diseo del regulador self-tuning indirecto se considera el control de la
posicin de un accionamiento elctrico de corriente continua que mueve una
carga mecnica. La funcin transferencial que describe el comportamiento del
sistema considerando como entrada la tensin aplicada a la armadura y como
salida la posicin fue dada en la ecuacin 1.2. Para determinar los parmetros
variantes en el modelo se toman los valores a = 1 y b = 1.
Con mayor frecuencia se trata con sistemas discretos en el tiempo. Como el
mtodo de diseo es puramente algebraico, se pueden manipular con sistemas
continuos simultneamente escribiendo el modelo:

Ay ( t ) = B ( u ( t ) + v ( t ) )

( 3.1)

Donde A y B denotan los polinomios en funcin de s z, y es la salida, u es la


entrada del proceso y v es una perturbacin. El polinomio A debe ser mnico, o
sea, el coeficiente de mayor grado en A debe ser unitario. Adems, se asume
que v = 0 para simplificar los clculos. Los polinomios A y B tienen grados
grA = n y grB = grA - d0. El parmetro d0, el cual es llamado exceso de polos,

62

Captulo 3: Regulador Self-Tuning (STR)


representa la parte integral de la razn del tiempo de retardo y el perodo de
muestreo.
La funcin transferencial discreta del proceso dada para un perodo de
muestreo h = 0.5 seg es:

H (z)=

B(z)
b z + b1
0.1065 z + 0.0902
= 2 0
= 2
A ( z ) z + a 1 z + a2 z 1.6065 z + 0.6065

( 3.2 )

3.2.1 Especificaciones
Para disear el controlador self-tuning indirecto se deben tener en cuenta las
especificaciones, como se ve en la figura 1.6, las cuales se dan en la forma
discreta de la funcin transferencial deseada Bm/Am.
B

Cuando se resuelve un problema de control es necesario entender cul es la


principal meta del control. Dos tipos comunes de problemas son seguir la
referencia y rechazar las perturbaciones. Esto es importante para tener una
evaluacin de las mayores restricciones, las cuales pueden ser la dinmica del
sistema, las no linealidades, las perturbaciones y las incertidumbres de los
procesos.
Las especificaciones tpicas en un sistema de control pueden incluir la
atenuacin de perturbaciones, la sensibilidad para medir ruido, la robustez para
modelar las incertidumbres y el seguimiento de la referencia.
Las especificaciones segn el seguimiento de la referencia pueden incluir
requerimientos de tiempo de subida, tiempo de establecimiento, pico mximo,
error de estado estacionario para cambios en la referencia. (Anexo 7)
Se desea que el sistema a lazo cerrado sea:

Bm ( z )
bm 0 z
0.1761z
= 2
= 2
Am ( z ) z + am1 z + am 2 z 1.3205 z + 0.4966

( 3.3)
63

Captulo 3: Regulador Self-Tuning (STR)


Esto corresponde a una frecuencia natural de 1 rad/s y a un coeficiente relativo
de amortiguamiento de 0.7. El parmetro bm0 es escogido tal que la ganancia
esttica sea unitaria.
Para la simulacin en Matlab se utilizar una librera (figura 3.1) que contiene
las herramientas necesarias para observar el comportamiento de sistemas con
parmetros desconocidos, en los cuales un controlador convencional no puede
ser utilizado.

Figura 3.1. Bloques de la librera adaptativa.


En los prximos epgrafes se detallar cada bloque de esta librera para una
mayor comprensin de la misma y as fomentar su utilizacin en sistemas que
requieran de un tratamiento especial debido a su comportamiento, como es el
caso del sistema tratado.
El diagrama en bloques del regulador indirecto self-tuning con cancelacin de
ceros es el mostrado en la figura 3.2.

64

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.2. Diagrama en bloque del sistema adaptativo con regulador selftuning y cancelacin de ceros.

3.2.2 Estimacin de parmetros del proceso mediante el mtodo de


mnimos cuadrados recursivo
El STR contiene un estimador, como se observa en la figura 1.6, para estimar
los coeficientes de los polinomios A y B en la ecuacin 3.1 usando el mtodo
de mnimos cuadrados recursivo.
La tcnica de mnimos cuadrados es uno de los pilares para el desarrollo del
control adaptativo. Este mecanismo es llamado comnmente identificacin de
sistemas y puede ser aplicado a una gran diversidad de problemas. Esto es
particularmente simple para un modelo matemtico que puede ser escrito de la
forma:

y ( i ) = 1 ( i ) 10 + 2 ( i ) 20 +

+ n ( i ) n0 = T ( i ) 0

( 3.4 )

T ( i ) = 1 ( i ) 2 ( i ) n ( i )
0 = 10 20 n0

Donde y es la variable observada, 1, 2,, n son parmetros del modelo


que va a ser determinado, y 1, 2,, n son funciones conocidas. La variable
i denota tiempo.

65

Captulo 3: Regulador Self-Tuning (STR)


Las variables i son llamadas variables de regresin o regresores, y el modelo
en la ecuacin 3.4 es tambin llamado modelo de regresin. El problema es
determinar los parmetros de tal manera que las salidas calculadas del modelo
en la ecuacin 3.4 concuerden lo ms posible con las variables medidas y(i) en
el sentido de los mnimos cuadrados. Esto significa que el parmetro puede
ser escogido de tal manera que minimice la funcin de prdida de mnimos
cuadrados:

1 t
V ( , t ) = ( y ( i ) T ( i ) )
2 i=1

( 3.5)

Se introduce la notacin:

Y ( t ) = y (1)

y ( 2 ) y ( t )

( t ) = (1) ( 2 ) ( t )

T (1)

(t ) =

T ( t )

P (t ) = (

(t ) (t ))

= (i ) T (i )
i =1

( 3.6 )

Donde los residuos (i) son definidos por:

( i ) = y ( i ) y ( i ) = y ( i ) T ( i )

66

Captulo 3: Regulador Self-Tuning (STR)


La solucin al problema de mnimos cuadrados es dada por el teorema de
estimacin por mnimos cuadrados (teorema 2.1 de [12]), que obtiene la
ecuacin:
1

t
t

(t ) = (i ) T (i ) (i ) y (i )
i =1
i =1

= P (t ) (i ) y (i )
i =1

En

controladores

adaptativos

las

observaciones

son

( 3.7 )
obtenidas

secuencialmente en tiempo real. Es entonces deseable hacer los clculos


recursivamente para salvar el tiempo de clculo. Los clculos de la estimacin
por mnimos cuadrados puede ser ordenada de tal manera que los resultados
obtenidos en el tiempo t-1 pueda ser usado para dar la estimacin del tiempo t.
La solucin de la ecuacin 3.7 para el problema de mnimos cuadrados va a
ser reescrita en forma recursiva. Dado *(t-1) que denota la estimacin por
mnimos cuadrados basada en la medicin en t-1, de la definicin de P(t) de la
ecuacin 3.6 se obtiene que:

( t ) = ( t ) ( t ) = ( i ) T ( i )
T

i =1

t 1

= ( i ) T ( i ) + ( t ) T ( t )
i =1

= P 1 ( t 1) + ( t ) T ( t )

( 3.8)

La estimacin por mnimos cuadrados *(t) es dada por la ecuacin 3.7:

t 1

(t ) = P (t ) (i ) y (i ) = P (t ) (i ) y (i ) + (t ) y (t )
i =1

i =1

67

Captulo 3: Regulador Self-Tuning (STR)


De las ecuaciones 3.7 y 3.8 se obtiene que:
t 1

( i )y ( i ) = P ( t 1) ( t 1)
1

i =1

= P 1 ( t ) * ( t 1) ( t ) T ( t ) * ( t 1)
La estimacin del tiempo t puede ser ahora escrita como:

* ( t ) = * ( t 1) P ( t ) ( t ) T ( t ) * ( t 1) + P ( t ) ( t ) y ( t )
= * ( t 1) + P ( t ) ( t ) ( y ( t ) T ( t ) * ( t 1) )
= * ( t 1) + K ( t ) ( t )
Donde:

K (t ) = P (t ) (t )

( t ) = y ( t ) T ( t ) * ( t 1)
El residuo (t) puede ser interpretado como el error en predecir la seal y(t)
basada en la estimacin *(t-1).
La estimacin *(t) es obtenida para agregar una correccin a la estimacin
previa *(t-1). La correccin es proporcional a y(t) - T(t)*(t-1), donde el ltimo
trmino puede ser interpretado como el valor de y en el tiempo t predecido por
el modelo de la ecuacin 3.4. El trmino de correccin es de esta manera
proporcional a la diferencia entre el valor medido de y(t) y la prediccin de y(t)
basada en la estimacin previa de los parmetros. Los componentes del vector
K(t) dicen cmo la correccin y la estimacin previa pueden ser combinadas.
En el modelo de mnimos cuadrados 3.4 los parmetros i son asumidos como
constantes. En varios problemas de control adaptativo es de inters considerar
la situacin en la cual los parmetros son variantes en el tiempo. En el caso de
que los parmetros vayan cambiando continuamente pero lentamente en el
tiempo puede ser resuelto con modelos matemticos relativamente simples. Un

68

Captulo 3: Regulador Self-Tuning (STR)


mtodo es simplemente reemplazar el criterio de mnimos cuadrados de la
ecuacin 3.5 por:

V ( , t ) =

2
1 t t 1
( y ( i ) T ( i ) )

2 i =1

( 3.9 )

Donde es un parmetro tal que 0 < 1. El parmetro es llamado factor de


olvido o factor de reduccin. La funcin de prdida de la ecuacin 3.9 implica la
introduccin del peso variante en el tiempo de la informacin. La ms reciente
informacin est dada por un peso unitario, pero la informacin que es n
unidades ms antigua en el tiempo est dada por n. Este mtodo es llamado
olvido exponencial o reduccin exponencial.
El teorema de mnimos cuadrados recursivos con olvido exponencial (teorema
2.4 de [12]) obtiene las siguientes ecuaciones:

* ( t ) = * ( t 1) + K ( t ) ( y ( t ) T ( t ) * ( t 1) )
K ( t ) = P ( t ) ( t ) = P ( t 1) ( t ) ( I + T ( t ) P ( t 1) ( t ) )

( 3.10 )

P ( t ) = ( I K ( t ) T ( t ) ) P ( t 1) /
Con estas ecuaciones se estiman los parmetros del modelo 3.2, o sea,

y ( t ) + a1 y ( t 1) + a2 y ( t 2 ) = b0u ( t 1) + b1u ( t 2 )
El bloque Seales al regresor representa un subsistema (figura 3.3) que dados
los parmetros necesarios (Anexo 8) y la funcin phivector (Anexo 9) combina
las seales de control u y de salida de la planta y en el vector de regresin phi
para utilizarlo en la estimacin de los parmetros como se ver a continuacin.

69

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.3. Bloques del subsistema Seales al regresor.


El Estimador de MCR (mnimos cuadrados recursivo) es un subsistema (figura
3.4) creado para que con ciertos parmetros (Anexo 10) estime los parmetros
del proceso mediante las ecuaciones 3.10 usando la funcin rls (Anexo 11).
En

este

caso

particular

los

valores

iniciales

del

estimador

son

a*1(0) = a*2(0) = 0, b*0(0) = 0.01, y b*1(0) = 0.2. La matriz de covarianza inicial


es diagonal con P(1,1) = P(2,2) = 100 y P(3,3) = P(4,4) = 1. Se escogi una
lambda = 0.9.

Figura 3.4. Bloques del subsistema Estimador de MCR.


El Parmetros al polinomio del modelo es un subsistema (figura 3.5) que dados
determinados parmetros (Anexo 12) obtiene los parmetros del proceso
estimados, es decir, desempaqueta del vector phi obtenido anteriormente los
valores de los parmetros estimados b0, b1, a1 y a2. Estos son necesarios para
el diseo del controlador que se desarrolla en el epgrafe 3.2.3.

70

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.5. Bloques del subsistema Parmetros al polinomio del modelo.

3.2.3 Diseo del controlador por asignacin de polos


Para disear el controlador se aplica el mtodo de asignacin de polos de
mnimo grado donde los polinomios A y B son las estimaciones obtenidas por el
mtodo de mnimos cuadrados recursivo explicado en el epgrafe 3.2.2. Los
polinomios R, S y T de la ley de control son entonces obtenidos mediante el
siguiente algoritmo de asignacin de polos de mnimo grado.
Datos: polinomios A y B.
Especificaciones: polinomios Am, Bm y Ao.
B

Condiciones de compatibilidad:

grAm = grA
grBm = grB
grAo = grA grB + 1
Bm = B Bm'
Paso 1: Factorizar B como B = B+B-, donde B+ es mnico.
Paso 2: Encontrar la solucin R y S con grS < grA desde

AR ' + B S = Ao Am

71

Captulo 3: Regulador Self-Tuning (STR)


Paso 3: Formar R = RB+ y T = AoBm, y calcular la seal de control desde la ley
de control

Ru = Tuc Sy
Existen casos especiales de procedimientos de diseo que son de inters.
Todos los ceros son cancelados: el procedimiento de diseo se simplifica
significativamente; entonces grAo = grA grB 1.
Es natural escoger Bm = Am(1)qdo. Entonces la factorizacin en el Paso 1 es
B

muy simple, y se obtiene B- = b0, B+ = B/b0. Sin embargo, T = Am(1)qdo/b0, y el


polinomio caracterstico a lazo cerrado se convierte en Ac = B+Ac. La ecuacin
Diofntica en el Paso 2 se reduce a

AR ' + b0 S = Ac' = Ao Am
Esta ecuacin es fcil de resolver porque R es el cociente y b0S es el resto
cuando AoAm es dividido por A.
Sin cancelacin de ceros: la factorizacin en el Paso 2 es muy simple tambin.
Se tiene B+ = 1, B- = B, y Bm = B, donde = Am(1)/B(1).
B

Adems, grAo = grA grB 1 y T = Ao. El polinomio caracterstico de lazo


cerrado es Ac = AoAm, y la ecuacin Diofntica en el Paso 2 se convierte en

AR + BS = Ac = Ao Am
Este algoritmo se explica con ms detalle a continuacin.
La idea del diseo del regulador por asignacin de polos es encontrar un
controlador que tenga los polos a lazo cerrado deseados. Para esto se requiere
que el sistema siga las seales de comando de una manera especfica.

72

Captulo 3: Regulador Self-Tuning (STR)


Un controlador general lineal puede ser descrito por:

Ru ( t ) = Tuc ( t ) Sy ( t )

( 3.11)

Donde R, S, y T son polinomios.

Figura 3.6. Controlador lineal general con dos grados de libertad.


La eliminacin de u entre las ecuaciones 3.1 y 3.11 da las siguientes
ecuaciones para un sistema a lazo cerrado:

y (t ) =

BT
BR
uc ( t ) +
v (t )
AR + BS
AR + BS

( 3.12 )
u (t ) =

AT
BS
uc ( t )
v (t )
AR + BS
AR + BS

El polinomio caracterstico de lazo cerrado es entonces:

AR + BS = Ac

( 3.13)

La idea principal de este mtodo de diseo es especificar el polinomio


caracterstico de lazo cerrado Ac. Los polinomios R y S pueden ser resueltos
por la ecuacin 3.13. En el procedimiento de diseo se considera el polinomio
Ac como un parmetro de diseo que es escogido para dar las propiedades
deseadas del sistema a lazo cerrado. La ecuacin 3.13, la cual juega un papel
fundamental en el lgebra, es llamada ecuacin Diofntica. La ecuacin
siempre tiene solucin si los polinomios A y B no tienen factor comn. La

73

Captulo 3: Regulador Self-Tuning (STR)


solucin puede estar pobremente condicionada si los polinomios tienen
factores cercanos.
La ecuacin Diofntica determina solo los polinomios R y S. Otras condiciones
pueden ser introducidas tambin para determinar el polinomio T en el
controlador 3.11.
Para esto se requiere de la respuesta de una seal de comando uc a la salida,
que es descrita por la dinmica:

Am ym ( t ) = Bmuc ( t )

( 3.14)

Es entonces que se puede tomar de la ecuacin 3.12 la siguiente condicin:

BT
BT Bm
=
=
AR + BS Ac Am

( 3.15)

Esta condicin de seguimiento de modelo dice que la respuesta a lazo cerrado


del sistema a las seales de comando es especificada por el modelo 3.14. Que
el seguimiento del modelo pueda llevarse a cabo depende del modelo, del
sistema y de la seal de comando. Si es posible hacer el error igual a cero para
todas las seales de comando, entonces se logra un perfecto seguimiento del
modelo.
Como consecuencia de la condicin de seguimiento de modelo est que la
ecuacin 3.15 implica que existen cancelaciones de factores de BT y Ac. El
polinomio B se factoriza como:

B = B + B

( 3.16)

donde B+ es un polinomio mnico cuyos ceros son estables y bien


amortiguados y pueden ser cancelados por el controlador y B- corresponde a
factores inestables o pobremente amortiguados que no pueden ser cancelados.

74

Captulo 3: Regulador Self-Tuning (STR)


Entonces B- puede ser un factor de Bm:
B

( 3.17 )

Bm = B Bm'

En el caso del diseo con cancelacin de polos, al factorizar B se obtiene


B- = b0, B+ = B/b0. Adems, es natural escoger Bm = Am(1)qdo:
B

B + ( z ) = z + b1 / b0
B ( z ) = b0
Bm' ( z ) = bm0 z / b0
Como B+ es cancelado, este puede ser un factor de Ac. Sin embargo, se puede
observar de la ecuacin 3.15 que Am tambin puede ser un factor de Ac. El
polinomio caracterstico de lazo cerrado tiene entonces la forma:

Ac = Ao Am B+

( 3.18)

Como B+ es un factor de B y Ac, esto hace que debido a la ecuacin 3.15


tambin divida a R:

R = R' B+

( 3.19 )

Para obtener un controlador que sea causal en el caso de discreto en el tiempo


o propio en el caso de continuo en el tiempo, se imponen las condiciones:

grS grR
grT grR
Desde que grA > grB, el trmino de mayor grado en AR+BS es AR. Entonces
grR = grAc grA suponiendo que grAc = gr(AR).
Siempre se puede encontrar una solucin tal que el grado de S sea al menos
grA - 1, o sea, grS < grA = n. Esta es llamada solucin de mnimo grado de la
ecuacin Diofntica.

75

Captulo 3: Regulador Self-Tuning (STR)


La condicin grS grR implica entonces que grAc 2*grA 1. La condicin
grT grR implica que grAm grBm grA grB+.
Se tiene que grA = 2 y grB = 1. El procedimiento de diseo entonces da un
controlador de primer orden y el sistema a lazo cerrado puede ser de tercer
orden.
Es natural escoger una solucin en la cual el controlador tenga el menor grado
posible. Esto implica que los polinomios R, S y T deben tener los mismos
grados. Como el proceso es de segundo orden, los polinomios R, S y T pueden
ser de primer orden.
Teniendo en cuenta que grR = 1 y la ecuacin 3.19, el polinomio R es
entonces de grado cero, es decir, es un polinomio mnico (R = 1).
El modelo deseado satisface las condiciones de compatibilidad dadas en el
algoritmo planteado anteriormente porque tiene el mismo exceso de polos que
el proceso.
Siendo grB = 1, se tiene que grAo = 0, escogiendo Ao(z) = 1.
La ecuacin Diofntica 3.13 se reduce a:

AR' + B S = Ao Am = Ac'

( 3.20)

El polinomio caracterstico a lazo cerrado se convierte en Ac = B+Ac.


La ecuacin Diofntica 3.20 se convierte en:

(z

+ a1 z + a2 ) 1 + b0 ( s0 z + s1 ) = z 2 + am1 z + am 2

Igualando los coeficientes de igual exponente de z se obtiene:

a1 + b0 s0 = am1
a2 + b0 s1 = am 2
76

Captulo 3: Regulador Self-Tuning (STR)


Estas ecuaciones pueden ser resueltas si b0 0. La solucin es:

s0 =

am1 a1
= 2.6854
b0

s1 =

am 2 a2
= 1.0319
b0

Introduciendo las ecuaciones 3.16, 3.17 y 3.18 en la ecuacin 3.15 se obtiene:

T = Ao Bm'

( 3.21)

Entonces se forma R = RB+ y T = AoBm, para obtener el controlador


caracterizado por los polinomios:

R ( z ) = B+ = z +

b1
= z + 0.8469
b0

S ( z ) = s0 z + s1 = 2.6854 z 1.0319
T ( z ) = Ao Bm' =

bm 0 z
=1.6535 z
b0

El Diseo de asignacin de polos de mnimo grado con cancelacin de ceros


es un subsistema (figura 3.7) que con los parmetros requeridos (Anexo 13) y
la utilizacin de las funciones zdesign, rstd y dab (Anexos 14, 15 y 16
respectivamente) calcula los parmetros del controlador siguiendo el algoritmo
implementado anteriormente.

Figura 3.7. Bloques del subsistema Diseo de asignacin de polos de mnimo


grado con cancelacin de ceros.

77

Captulo 3: Regulador Self-Tuning (STR)


Con los parmetros del controlador obtenidos en el mtodo de diseo de
asignacin de polos desarrollado en este epgrafe, se debe calcular la variable
de control desde:

Ru ( t ) = Tuc ( t ) Sy ( t )
El Controlador Adaptativo de 2 GL (grados de libertad) es un subsistema (figura
3.8) que con los parmetros requeridos (Anexo 17) y mediante la funcin rst
(Anexo 18) calcula la seal de control.
Los valores iniciales del controlador son los obtenidos en el diseo por
asignacin de polos con cancelacin de ceros.

Figura 3.8. Bloques del subsistema Controlador Adaptativo de 2 GL.


En la simulacin se puede observar cmo la salida del proceso sigue a la salida
del modelo, es decir, a la seal de comando que es una onda cuadrada,
despus del transitorio inicial (figura 3.10).

78

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.9. Seales de comando y salida del proceso del STR indirecto con
cancelacin de ceros.

Figura 3.10. Acercamiento a la grfica de las seales de comando y salida del


proceso del STR indirecto con cancelacin de ceros.

79

Captulo 3: Regulador Self-Tuning (STR)


La seal de control tiene severas oscilaciones (figura 3.12) debido

a la

cancelacin del cero del proceso ubicado en -0.84. Este cero es estable pero
pobremente amortiguado, por lo que no puede ser cancelado. Esto se
considera una mala eleccin de la metodologa de diseo.

Figura 3.11. Seal de control del STR indirecto con cancelacin de ceros.

80

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.12. Acercamiento a la grfica de la seal de control del STR indirecto


con cancelacin de ceros.
Los parmetros estimados (figuras 3.13 y 3.14) se acercan a sus valores
verdaderos (dados entre parntesis). Su comportamiento depende de los
valores iniciales del estimador. Las estimaciones obtenidas en t = 80 son:
b*0(80) = 0.1065 (0.1065)

a*1(80) = -1.6065 (-1.6065)

b*1(80) = 0.0902 (0.0902)

a*2(80) = 0.6065 (0.6065)

81

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.13. Estimaciones de parmetros b0 y b1 del proceso.

Figura 3.14. Estimaciones de parmetros a1 y a2 del proceso.

82

Captulo 3: Regulador Self-Tuning (STR)


Los parmetros del controlador (figuras 3.15 y 3.16) obtenidos en t = 80 son:
r1(80) = 0.8469 (0.8469)

s0(80) = 2.6854 (2.6854)

t0(80) = 1.6535 (1.6535)

s1(80) = -1.0319 (-1.0319)

Figura 3.15. Parmetros del controlador.

83

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.16. Acercamiento a la grfica de los parmetros del controlador.


Este sistema tiene un buen comportamiento a pesar de las oscilaciones de la
seal de control. Esto puede ser evitado usando el diseo en el cual los ceros
del proceso no son cancelados. Las consecuencias de esta metodologa son
expuestas en el epgrafe 3.3.

3.3 Regulador Self-tuning indirecto sin cancelacin de ceros


Para este diseo, considerando el mismo proceso 3.2, se sigue el algoritmo
planteado en el epgrafe 3.2.3, pero contemplando que el cero del proceso no
es cancelado.
Para la simulacin en Matlab se utiliza la librera dada en la figura 3.1. En el
caso de diseo que nos ocupa, el diagrama en bloques es el mostrado en la
figura 3.17.

84

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.17. Diagrama en bloque del sistema adaptativo con regulador selftuning y sin cancelacin de ceros.
Para la estimacin de los parmetros del proceso se usa el mismo mtodo
explicado en el epgrafe 3.2.2.
Al ser el proceso de segundo orden, la solucin de mnimo grado tiene los
polinomios R, S y T de primer orden y el sistema a lazo cerrado puede ser de
tercer orden. Como los ceros no son cancelados, de la condicin de
compatibilidad planteada en el algoritmo dado en el epgrafe 3.2.3, se tiene que
grAo = 1.
Es posible dar una interpretacin del polinomio Ao que aparece en la solucin
de la asignacin de polos de mnimo grado en el caso en que los ceros del
proceso no son cancelados. Para hacer esto se observa que el problema de
asignacin de polos puede tambin ser resuelto con realimentacin de estado y
un observador. La dinmica a lazo cerrado est entonces compuesta de dos
partes: una que corresponde a la realimentacin y otra que corresponde a la
dinmica del observador. Para un sistema de grado n es adems conocido que
es suficiente usar un observador de grado n-1. Cuando no hay cancelacin de
ceros, el polinomio caracterstico de lazo cerrado es AmAo, donde Am es de
grado n y Ao es de grado n-1. Debido a esta analoga se puede interpretar al
polinomio Am como el asociado con la realimentacin y Ao como el asociado
con el observador. Entonces se llamar polinomio observador a Ao. En un
sistema con realimentacin de estado es natural introducir seales de comando
de tal manera que no generen errores observadores. Esto significa que el

85

Captulo 3: Regulador Self-Tuning (STR)


polinomio observador es cancelado en la funcin transferencial de la seal de
comando a la salida del proceso, o sea, ao = 0.
Adems se tiene que:

B + =1
B = B = b0 z + b1
Tambin se deriva de la condicin de compatibilidad del algoritmo del epgrafe
3.2.3, que el modelo debe tener los mismos ceros que el proceso.
La funcin transferencial discreta deseada es entonces:

Hm ( z ) =

b0 z + b1
bm 0 z + bm1
=
z 2 + am1 z + am 2 z 2 + am1 z + am 2

donde bm0 = b0 y

Am (1) 1 + am1 + am 2
=
= 0.8953
B (1)
b0 + b1

la cual da una ganancia unitaria. La ecuacin Diofntica 3.13 se convierte en:

(z

+ a1 z + a2 ) ( z + r1 ) + ( b0 z + b1 )( s0 z + s1 ) = ( z 2 + am1 z + am 2 ) ( z + ao )

Igualando los coeficientes de igual exponente de z se obtiene:

s0 =

am1 + ao a1 r1
b0

( 3.22 )

r1 =

ao am1 + am 2 a2 b0 s1 b1s0
a1

( 3.23)

s1 =

ao am 2 a2 r1
b1

( 3.24 )
86

Captulo 3: Regulador Self-Tuning (STR)


Sustituyendo las ecuaciones 3.22 y 3.24 en la ecuacin 3.23 se obtiene:

ao am 2b02 + ( a2 am 2 ao am1 ) b0b1 + ( ao + am1 a1 ) b12


r1 =
= 0.1111
b12 a1b0b1 + a2b02
Con este valor de r1 las soluciones de las ecuaciones 3.22 y 3.24 son 1.6422 y
-0.747 respectivamente.
Dadas las ecuaciones 3.17 y 3.21 se tiene que:

T ( z ) = Ao ( z ) = ( z + ao )
El controlador es entonces caracterizado por los polinomios:

R ( z ) = z + r1 = z + 0.1111
S ( z ) = s0 z + s1 =1.6422 z 0.747
T ( z ) = z = 0.8953 z
El Diseo de asignacin de polos de mnimo grado sin cancelacin de ceros es
un subsistema (figura 3.18) que con los parmetros requeridos (Anexo 19) y la
utilizacin de las funciones nzdesign, rstd y dab (Anexos 20, 15 y 16
respectivamente) calcula los parmetros del controlador siguiendo el algoritmo
dado en el epgrafe 3.2.3 para el caso de que no hay cancelacin de ceros del
proceso.

Figura 3.18. Bloques del subsistema Diseo de asignacin de polos de mnimo


grado sin cancelacin de ceros.

87

Captulo 3: Regulador Self-Tuning (STR)


En la simulacin se puede observar cmo la salida del proceso sigue a la salida
del modelo, es decir, a la seal de comando que es una onda cuadrada,
despus del transitorio inicial (figura 3.19).

Figura 3.19. Seales de comando y salida del proceso del STR indirecto sin
cancelacin de ceros.
El comportamiento de la salida del proceso es similar al ejemplo del epgrafe
3.2, pero sin las oscilaciones en la seal de control. En los primeros 10
segundos se obtiene un pico debido a que la etapa de estimacin no ha
concluido. En el resto de la simulacin el sistema se comporta como es
esperado segn el modelo de referencia impuesto.

88

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.20. Seal de control del STR indirecto sin cancelacin de ceros.
Los parmetros estimados (figuras 3.21 y 3.22) se acercan a sus valores
verdaderos (dados entre parntesis). Las estimaciones obtenidas en

t = 80

son:
b0(80) = 0.1065 (0.1065)

a1(80) = -1.6065 (-1.6065)

b1(80) = 0.0902 (0.0902)

a2(80) = 0.6065 (0.6065)

89

Captulo 3: Regulador Self-Tuning (STR)

Figura 3.21. Estimaciones de parmetros b0 y b1 del proceso.

Figura 3.22. Estimaciones de parmetros a1 y a2 del proceso.

90

Captulo 3: Regulador Self-Tuning (STR)


Los parmetros del controlador (figura 3.23) obtenidos en t = 80 son:
r1(80) = 0.1111 (0.1111)

s0(80) = 1.6423 (1.6423)

t0(80) = 0.8953 (0.8953)

s1(80) = -0.7470 (-0.7470)

Figura 3.23. Parmetros del controlador.


El algoritmo del epgrafe 3.2.3 dado para el diseo del regulador self-tuning
indirecto basado en el seguimiento de modelo es un buen procedimiento para
aplicaciones donde los parmetros son variantes en el tiempo o desconocidos,
pues determina los parmetros correctamente. Los ejemplos desarrollados
muestran la importancia de una correcta eleccin del diseo del control, pues
como se ve en los epgrafes 3.2 y 3.3, una equivocacin conlleva a un
comportamiento indeseado del sistema. En la obtencin de los resultados fue
fundamental la comprensin y utilizacin de la librera adaptativa, la cual
representa una herramienta muy til para el control de estos sistemas.

91

aptulo4
Anlisistcnicoeconmico

Captulo 4: Anlisis tcnico-econmico

4.1 Introduccin
Para controlar los gastos y evitar que se derroche innecesariamente capital en
materiales se realiza el anlisis econmico. Esto es importante para obtener el
costo total y el precio estimado del proyecto en caso de que se quiera realizar el
mismo. Da una medida de la factibilidad y los beneficios que este puede producir.

4.2 Clculo del Costo Total


El clculo del costo total se realiza al principio del proyecto y representa un
estimado del costo real que se obtendr al finalizar el mismo. Para ello se deben
calcular los costos directos e indirectos.

CT = CI + CD

( 4.1)

donde:
CT: Costo Total
CI: Costo Indirecto
CD: Costo Directo
El Costo Indirecto se refiere a los gastos de electricidad consumida, gastos de
administracin, etc; se estima aplicando un coeficiente de gasto al salario bsico
de la investigacin. El coeficiente de gasto para un departamento docente es
considerado de 0.84.

CI = 0.84* SB

( 4.2 )

93

Captulo 4: Anlisis tcnico-econmico


donde:
SB: Salario Bsico
El Salario Bsico es el que se le paga a los adiestrados por el tiempo trabajado en
el proyecto, excluyendo vacaciones y seguridad social. Incluye, adems, los
salarios bsicos de todos los participantes en la elaboracin del proyecto, y se
calcula de la siguiente manera:
n

SBtotal = ( ai * bi )

( 4.3)

i =1

donde:
ai : Das empleados en la investigacin por cada participante
bi : Salario diario de cada participante (segn la legislacin cubana se consideran
laborables 24 das del mes)
n : Total de participantes
i

Descripcin

ai

bi

SBi

1 Susset Guerra Jimnez

18

975/24 = $ 40.63

$ 731.25

2 Yarianna Valdivia Vazco

96

125/24 = $ 5.20

$ 500.00

Tabla 4.1. Clculo del salario bsico.


Teniendo en cuenta el salario base de cada participante obtenido en la tabla 4.1 y
haciendo uso de la ecuacin 4.3, se obtiene el salario bsico total:
SBtotal = SB1 + SB2
SBtotal = $ 731.25 + $ 500.00
SBtotal = $ 1 231.25

94

Captulo 4: Anlisis tcnico-econmico


El costo indirecto se obtiene a partir de la ecuacin 4.2:
CI = 0.84 * $ 1 231.25
CI = $ 1 034.25
El costo directo se define como:

CD = SBtotal + SCtotal + SStotal + MD + DP + OG

( 4.4)

donde:
SC: Salario Complementario
SS: Seguridad Social
MD: Gastos por medios o materiales directos
DP: Dietas y Pasajes
OG: Otros Gastos
El Salario Complementario

es el

destinado para el pago de las vacaciones,

siendo el 9.09 % del salario bsico.


SCtotal = 0, 0909 * SBtotal
SCtotal = 0, 0909 * $ 1 231.25
SCtotal = $ 111.92

95

Captulo 4: Anlisis tcnico-econmico


La Seguridad Social equivale al 10% del Salario Complementario ms el Salario
Bsico.
SStotal = 0.1 * (SBtotal + SCtotal)
SStotal = 0.1 * ($1 231.25 + $ 111.92)
SStotal = $ 134.32
Los Gastos por medios o materiales directos se refieren a los realizados en la
adquisicin de los equipos, componentes, materiales, etc. utilizados directamente
en la investigacin.
MD = $ 0.00
Las Dietas y Pasajes se refieren al presupuesto empleado en alimentacin y
transporte.
DP = $ 0.00
Los Otros Gastos se refieren a los realizados por concepto de tiempo de mquina,
el cual por cada hora de trabajo equivale a un valor de $ 10.00 (MN).
OG = CantDas * CantHoras * $ 10.00
OG = 96 * 8 * $ 10.00
OG = $ 7 680.00
El costo directo se obtiene a partir de la ecuacin 4.4:
CD = SBtotal + SCtotal + SStotal +MD + DP + OG
CD = $ 1 231.25 + $ 111.92 + $ 134.32 + $ 0.00 + $ 0.00 + $ 7 680.00
CD = $ 9 157.49

96

Captulo 4: Anlisis tcnico-econmico


El costo total del proyecto se obtiene a partir de la ecuacin 4.1:
CT = CI + CD
CT = $ 1 034.25 + $ 9 157.49
CT = $ 10 191.74

4.3 Precio de los servicios cientfico-tcnicos y de los resultados de la


investigacin
Este valor se refiere a lo que paga segn contrato o pagara la entidad que recibe
el servicio o resultado. Segn Resolucin Ministerial conjunta del Comit Estatal
de Precios y la Academia de Ciencias de Cuba el precio de los servicios o
resultados ser:

P = CT + 0.1* CT

( 4.5)

Es decir, se permite hasta un 10% del costo total en que se incurre como ganancia
de la investigacin. Esto debe estar avalado por copia del contrato o por carta de
la entidad que recibe el servicio o resultado.
El precio del proyecto se obtiene a partir de la ecuacin 4.5:
P = CT + 0.1*CT
P = $ 10 191.74 + 0.1 * $ 10 191.74
P = $ 11 210.91

97

onclusiones

Conclusiones
En este trabajo de diploma se exponen los conceptos fundamentales del control
adaptativo, su necesidad de aplicacin a travs de ejemplos y se presentan los
esquemas adaptativos fundamentales, as como sus caractersticas particulares.
Se hace una revisin del paquete Matlab, as como una bsqueda en la literatura
de algn software de apoyo al diseo y/o simulacin de sistemas de control
adaptativos. Se concluye que Matlab no tiene ninguna herramienta ni funciones
especficas para tales fines. Se encontr un curso de Control Adaptativo creado
en el Lund Institute of Technology, Suecia, en el que se desarrollan algunas
funciones y bibliotecas en Matlab para el apoyo al diseo de sistemas
adaptativos y la simulacin de los mismos. Se plantea como dificultad que no se
encontr literatura relacionada con dichas funciones y bibliotecas, por lo que se
realiz un trabajo de interpretacin de las mismas partiendo de los
conocimientos tericos desarrollados en la tesis.
Se desarroll el ejemplo del control de la velocidad y la posicin de un
accionamiento elctrico de corriente continua teniendo en cuenta que los
parmetros del proceso pueden variar.
Para el caso en que solo la ganancia vara en el modelo de control de la
velocidad, se utiliz un MRAS donde se obtuvo una ley de ajuste que hizo que la
salida del proceso siguiera a la salida del modelo deseado, lo que significa que
el error converge a cero, lo cual es el objetivo a cumplir para un control eficiente.
Para esto fue fundamental la utilizacin de la librera creada para este fin.
En el caso de que los parmetros del modelo de control de la velocidad del
accionamiento elctrico de corriente continua son variantes, se implement un
MRAS utilizando dos mtodos para la obtencin del mecanismo de ajuste de los
parmetros: regla MIT y estabilidad de Lyapunov.

En ambos casos se

obtuvieron resultados muy similares. Se demostr que el error converge a cero


mediante el seguimiento al modelo. Adems, al aumentar la razn de
convergencia, aumentaba la velocidad de adaptacin (gamma). Para valores

99

Conclusiones
pequeos de gamma, los valores de los parmetros estaban lejos de los valores
correctos, pero con el aumento del tiempo, estos convergen a sus valores
verdaderos. Para ver los resultados con la ley de adaptacin obtenida se cre
una librera para la simulacin de estos sistemas.
En el control de la posicin del accionamiento elctrico de corriente continua se
implement un STR. Para el anlisis de los resultados se utiliz una herramienta
que fue creada para el clculo de los controladores debido a que no exista
ningn toolbox de Matlab para este fin.
En este ejemplo se desarrollaron dos algoritmos para el diseo del controlador:
con cancelacin de ceros y sin cancelacin de ceros. En el primer caso, aunque
los valores estimados se acercaban a los reales, se obtuvieron oscilaciones
indeseables en la seal de control debido a que el cero cancelado era estable,
por lo que no se poda escoger este procedimiento. En el segundo se elimin
esta restriccin y los parmetros estimados tambin convergan a sus valores
verdaderos puesto que el cero no fue cancelado, obtenindose un buen
comportamiento del sistema.

100

Recomendaciones

Recomendaciones
Para aprovechar los resultados obtenidos y aspirar a una profundizacin del
tema del control adaptativo se recomienda:
o Estudiar otras aplicaciones de control adaptativo para extenderlas a otros
problemas.
o Tratar de implementar estos algoritmos de control para controlar un
proceso real utilizando una Tarjeta de Adquisicin de Datos (TAD) para
adquirir las seales del proceso y enviar las seales de control adaptativo,
siendo el controlador la computadora.
o Profundizar en la programacin de los diferentes algoritmos de control
adaptativos.
o Extender las aplicaciones a procesos no lineales que es donde se han
reportado las mayores problemticas en cuanto al xito de los mtodos
adaptativos.

102

ibliografa

Bibliografa
Referencias bibliogrficas
[1] Tao, Gang. Adaptive Control Design and Analysis. John Wiley & Sons, Inc.,
Hoboken, New Jersey, 2003.
[2] Slotine, Jean-Jacques E. y Li, Weiping. Applied Nonlinear Control, 1991.
[3] Johnson, Kathryn E. Adaptive Torque Control of Variable Speed Wind
Turbines. Technical Report, Agosto 2004.
[4] NASA Ames Research Center. Adaptive Control Technology, 2004.
[5] Sonneveldt, L.,Chu ,Q. P., y Mulder, J. A. Constrained Adaptive Backstepping
Flight Control: Application to a Nonlinear F-16/MATV Model, Agosto 2006.
[6] Nguyen, Nhan , Krishnakumar, Kalmanje, y Kaneshige, John. Dynamics and
Adaptive Control for Stability Recovery of Damaged Asymmetric Aircraft, 2005.
[7] Eure, Kenneth W. Adaptive Predictive Feedback Techniques for Vibration
Control, 1998.
[8] Ma, Z., Jutan, A. y Bajic, V. Adaptive Control of a pressure tank system with
saturation nonlinearities.
[9] Venayagamoorthy, Ganesh K. Adaptive critic design based neurocontrollers
for turbogenerator control.
[10] Bling, Jari M., Seborg, Dale E. y Hespanha, Joo P. Multi-Model Adaptive
Control of a Simulated pH Neutralization Process, Febrero 2006.
[11] Athmaraman, Naren y Soundararajan, Srivathsan. Adaptive Predictive
Traffic Timer Control Algorithm, Agosto 2004.
[12] Astrm, Karl J. y Wittenmark, B. Adaptive Control. 2da edicin, AddisonWesley Publishing Company, Massachusetts, 1989.

104

Bibliografa
[13] Ioannou, Petros A. y Sun, Jing. Robust Adaptive Control, 2003.
[14] Astrm, Karl J. y Hgglund, Tore. PID Controllers: Theory, design and
tuning, 2005.
[15] Costa Montiel, Angel. Sistemas de control. Luanda, diciembre 2006.
[16] Gordillo, Francisco. Estabilidad de sistemas no lineales basada en la teora
de Lyapunov. Revista Iberoamericana de Automtica e Informtica Industrial.
Vol. 6. No. 2. Abril 2009.

Libros y artculos consultados


[17] Astrm, Karl J. y Murray, Richard M. Feedback Systems: an introduction for
scientists and engineers. Princenton University Press, 2008.
[18] Astrm, Karl J. y Wittenmark, B. Computer-Controlled Systems: theory and
design. 3ra edicin, Prentice Hall, 1997.
[19] Farrell , Jay A. y Polycarpou , Marios M. Adaptive Approximation Based
Control: Unifying Neural, Fuzzy and Traditional Adaptive Approximation
Approaches. John Wiley & Sons, Inc., Hoboken, New Jersey, 2006.
[20] Feng, Gang y Lozano, Rogelio. Adaptive Control Systems.

Butterworth-

Heinemann, 1999.
[21] Hangos, K.M.; Bokor, J. y Szederknyi, G. Analysis and Control of Nonlinear
Process Systems. Springer-Verlag, 2004.
[22] Jain, Lakhmi y De Silva, Clarence. Intelligent Adaptive Control: Industrial
Applications.
[23] Johnson, Michael A. y Moradi, Mohammad H. PID Control: new identification
and design methods. Springer, Estados Unidos de Amrica, 2005.

105

Bibliografa
[24] Karr, Charles L. Practical Applications of Computational Intelligence for
Adaptive Control.
[25] Luyben, William L. Process modelling, simulation, and control for chemical
engineers. 2da edicin. McGraw-Hill, Inc., 1999.
[26] Ogata, Katsuhiko. Modern Control Engineering. 3ra edicin. Prentice-Hall,
Inc., 1998.
[27] Rojan, Yuri. Learn Programming and Mathematics with Matlab. The
MathWorks, Inc., New York, 2005.
[28] Smith, Carlos A. y Corripio, Armando B. Control Automtico de Procesos:
Teora y Prctica. Editorial Limusa, Mxico, 1991.
[29] Tan Tien, Nguyen. Applied Nonlinear Control. 2002.
[30] VanDoren, Vance J. Techniques for Adaptive Control. ButterworthHeinemann, Estados Unidos de Amrica, 2003.
[31] Vukic, Zoran; Kuljaca, Ljubomir; Donlagic, Dali y Tesnjak, Sejid. Nonlinear
Control Systems. Marcel Dekker, Inc, 2003.
[32] Wilson, Howard B., Turcotte, Louis H. y Halpern, David. Advanced
Mathematics and Mechanics Applications using MATLAB. 3ra edicin. Chapman
& Hall/CRC, 2003.
[33] Wu,W. y Chou,Y.S. Adaptative feedforward and feedback control of
nonlinear time-varying uncertain systems. International Journal of Control, Vol.
72, No. 12. 1999.
[34] Yu, Cheng-Ching. Autotuning of PID Controllers. 2da edicin, SpringerVerlag, 2006.

106

Bibliografa
Web visitadas
http://www.eie.fceia.unr.edu.ar/~marimar/snl/snl_c2.pdf. 14/4/2010.
http://www.scielo.org.ve/scielo.php?pid=S0254-72000300006&script=sci_arttext.
25/3/2010.
http://cnx.org/content/m12822/latest/. 25/3/2010.
http://translate.google.com.cu/translate?hl=es&langpair=en%7Ces&u=http://www
.control.lth.se/~FRT050/. 24/2/2010.
http://www.elo.utfsm.cl/~elo270/informacion/CLASES/15%20SINTESIS%20DE%
20CONTROLADORES%203.pdf. 28/4/2010.
http://csd.newcastle.edu.au/SpanishPages/clase_slides_download/C09.pdf.
28/4/2010.
http://isa.uniovi.es/~arobles/ra2/pdf/asigpolos.pdf. 28/4/2010.

107

nexos

Anexos

Anexo 1. Diagrama en bloque de un lazo de control de flujo con controlador PI


y una vlvula no lineal.

Anexo 1.1 Respuesta a un paso escaln con control PI de un simple lazo de


flujo para diferentes niveles de operacin. Los parmetros del controlador PI
son K = 0.15, Ti = 1. Las caractersticas del proceso son f(u) = u4 y
G0(s) = 1/(s+1)3.

109

Anexos

110

Anexos

Anexo 2. Diagrama en bloque del lazo de control de flujo con controlador PI.

Anexo 2.1. Respuesta a un paso escaln con control PI del sistema a lazo
cerrado para diferentes flujos y las acciones de control correspondientes. Los
parmetros del controlador PI son K = 0.5, Ti = 1.1.

111

Anexos

Anexo 3. Diagrama esquemtico de un avin.

112

Anexos

Anexo 4. Ventana de parmetros del subsistema de Mecanismo de


adaptacin de un MRAC para el ajuste de la ganancia de camino directo.

Anexo 5. Ventana de parmetros del subsistema de Mecanismo de ajuste de


un MRAS de primer orden usando la regla MIT.

113

Anexos

Anexo 6. Ventana de parmetros del subsistema de Mecanismo de ajuste de


un MRAS de primer orden basado en la teora de Lyapunov.

Anexo 7. Especificaciones segn el seguimiento de la referencia.

114

Anexos

Anexo 8. Ventana de parmetros del subsistema Seales al regresor.

Anexo 9. S-Function del subsistema Seales al regresor.


function [sys,x0,str,ts] = phivector(x,input,flag,m,n,h)
% phivector es un M-file S-function para combinar y y u en el vector de
% regresin como:
%
phi(t-1) = [u(t-1) ... u(t-m) -y(t-1) ... -y(t-n)]'
% Entradas: u, seal de control; y, salida
% Salidas: phi, vector de regresin;
% Parmetros: m, n, nmero de parmetros; h, perodo de muestreo
switch flag,
% Inicializacin %
case 0,
[sys,x0,str,ts] = mdlInitializeSizes(m,n,h);
% Actualizacin %
case 2,
sys = mdlUpdate(x,input,m,n);
% Salida %
case 3,
sys = mdlOutputs(x);
% Finalizacin %
case {1,4,9},
sys = [];
% Banderas no manejables %
otherwise
error(['unhandled flag = ',num2str(flag)]);
end
% mdlInitializeSizes; Devuelve las magnitudes, condiciones iniciales y tiempo
% de muestreo para la S-function.

115

Anexos
function [sys,x0,str,ts] = mdlInitializeSizes(m,n,h)
sizes = simsizes;
sizes.NumContStates = 0;
sizes.NumDiscStates = n+m;
sizes.NumOutputs = n+m;
sizes.NumInputs
= 2;
sizes.DirFeedthrough = 0;
sizes.NumSampleTimes = 1;
sys = simsizes(sizes);
x0 = zeros(m+n,1);
str = [];
ts = [h 0];
% mdlUpdate: Actualiza theta y P
function sys = mdlUpdate(x,input,m,n)
old_u = x(1:m);
old_y = x(m+1:m+n);
u = input(1);
y = input(2);
% cambiar el vector
old_u = [u;old_u(1:m-1)];
old_y = [y;old_y(1:n-1)];
x = [old_u;old_y];
sys = x;
% mdlOutputs: Devuelve theta y P
function sys = mdlOutputs(x)
sys = x;

116

Anexos

Anexo 10. Ventana de parmetros del subsistema Estimador de MCR.

Anexo 11. S-Function del subsistema Estimador de MCR.


function [sys,x0,str,ts] = rls(x,u,flag,n,theta_0,P_0,lambda,h)
% RLS es un M-file S-function para el estimador discreto de mnimos
% cuadrados recursivo para el modelo de la forma
%
y = phi'*theta
% Entradas: phi, vector de regresin; y, salida
% Salidas: theta, vector de parmetros; P, matriz de covarianza
% Parmetros: n, nmero de parmetros; theta_0, estimaciones de parmetros
% iniciales; P_0, matriz de covarianza inicial; lambda, factor de olvido;
% h, perodo de muestreo.
switch flag,
% Inicializacin %
case 0,
[sys,x0,str,ts] = mdlInitializeSizes(n,theta_0,P_0,h);
% Actualizacin %
case 2,
sys = mdlUpdate(x,u,n,lambda);
% Salida %
case 3,
sys = mdlOutputs(x);
%Finalizacin %
case {1,4,9},

117

Anexos
sys = [];
% Banderas no manejables %
otherwise
error(['unhandled flag = ',num2str(flag)]);
end
% mdlInitializeSizes; Devuelve las magnitudes, condiciones iniciales y tiempo
% de muestreo para la S-function.
function [sys,x0,str,ts] = mdlInitializeSizes(n,theta_0,P_0,h)
sizes = simsizes;
sizes.NumContStates = 0;
sizes.NumDiscStates = n+n^2;
sizes.NumOutputs = n+n^2;
sizes.NumInputs
= n+1;
sizes.DirFeedthrough = 0;
sizes.NumSampleTimes = 1;
sys = simsizes(sizes);
x0 = mdlPack(theta_0,P_0,n);
str = [];
ts = [h 0];
% mdlUpdate; Actualiza theta y P
function sys = mdlUpdate(x,u,n,lambda)
% desempaquetar theta, P, phi y y
[theta,P] = mdlUnpack(x,n);
phi = u(1:n);
y = u(n+1);
% calcular la nueva estimacin y actualizar la matriz de covarianza
K = P*phi/(lambda + phi'*P*phi);
new_theta = theta + K*(y - phi'*theta);
new_P = (eye(n) - K*phi')*P/lambda;
% reempaquetar theta y P en x
x = mdlPack(new_theta,new_P,n);
sys = x;
% mdlOutputs; Devuelve theta y P
function sys = mdlOutputs(x)
sys = x;
% mdlPack: Empaqueta theta y P en x
function x = mdlPack(theta,P,n)
P_vec = [];
for j = 1:n
P_vec = [P_vec;P(:,j)];
end
x = [theta;P_vec];
% mdlUnpack: Desempaqueta theta y P desde x
function [theta,P] = mdlUnpack(x,n)
theta = x(1:n,1);
P = [];
for j = 1:n
P = [P,x(j*n+1:(j+1)*n,1)];
end

118

Anexos

Anexo 12. Ventana de parmetros del subsistema Parmetros al polinomio


del modelo.

119

Anexos

Anexo 13. Ventana de parmetros del subsistema Diseo de asignacin de


polos de mnimo grado con cancelacin de ceros.

Anexo 14. S-Function zdesign del subsistema Diseo de asignacin de polos


de mnimo grado con cancelacin de ceros.
function [sys,x0,str,ts] = zdesign(x,u,flag,n_a,n_b,n_r,B_m,A_m,A_o,A_r,A_s,h);
% ZDESIGN es un M-file S-function que ejecuta el diseo de asignacin de
% polos de mnimo grado con cancelacin de ceros.
% Entradas: u = [B,A], polinomios B y A
% Salidas: polinomios R, S y T
% Parmetros: n_a, grado de A; n_b, grado de B; n_r, grado de R; A_m, B_m
% polinomio a lazo cerrado deseado; A_o, polinomio observador; A_r, A_s,
% factores pre-determinados en R y S; h, perodo de muestreo
switch flag,
% Inicializacin %
case 0,

120

Anexos
[sys,x0,str,ts] = mdlInitializeSizes(n_a,n_b,n_r,h);
% Actualizacin %
case 2,
sys = mdlUpdate;
% Salida %
case 3,
sys = mdlOutputs(u,n_b,B_m,A_m,A_o,A_r,A_s);
% Finalizacin %
case 9,
sys = [];
% Banderas no manejables %
otherwise
error(['unhandled flag = ',num2str(flag)]);
end
% mdlInitializeSizes; Devuelve las magnitudes, condiciones iniciales y tiempo
% de muestreo para la S-function.
function [sys,x0,str,ts] = mdlInitializeSizes(n_a,n_b,n_r,h)
sizes = simsizes;
sizes.NumContStates = 0;
sizes.NumDiscStates = 0;
sizes.NumOutputs = 3*(n_r+1);
sizes.NumInputs
= (n_a+1) + (n_b+1);
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1;
sys = simsizes(sizes);
x0 = [];
str = [];
ts = [h 0];
% mdlUpdate: Maneja las actualizaciones de los estados discretos, el tiempo
% de muestreo y mejores requerimientos de tiempo.
function sys = mdlUpdate
sys = [];
% mdlOutputs: Devuelve el vector de salida para la S-function
function sys = mdlOutputs(u,n_b,B_m,A_m,A_o,A_r,A_s)
B = u(1:n_b+1)';
A = u(n_b+2:end)';
[R,S,T]=rstd(B/B(1),B(1),A,B_m,A_m,A_o,A_r,A_s);
sys = [R,S,T]';

Anexo 15. S-Function rstd


function [r,s,t]=rstd(bplus,bminus,a,bm1,am,ao,ar,as);
% RSTD Sntesis polinomial en tiempo discreto para el diseo del controlador
%
R(z) u(k) = T(z) r(k) - S(z) y(k)
% Entradas: BPLUS : parte del numerador a lazo abierto
%
BMINUS : parte del numerador a lazo abierto
%
A
: denominador a lazo abierto
%
BM1
: ceros adicionales
%
AM : denominador a lazo cerrado

121

Anexos
%
AO : polinomio observador
%
AR : factor pre especificado de R
%
AS : factor pre especificado de S
% Salidas: R,S,T : Polinomios del controlador
if nargin==7,
as=1;
elseif nargin==6,
ar=1;
as=1;
end;
ae
= conv(a,ar);
be
= conv(bminus,as);
aoam = conv(am,ao);
[r1,s1] = dab(ae,be,aoam);
r
= conv(conv(r1,ar),bplus);
s
= conv(s1,as);
bm
= conv(bminus,bm1);
t0
= sum(am)/sum(bm);
t
= t0*conv(ao,bm1);
s
= s/r(1);
t
= t/r(1);
r
= r/r(1);

Anexo 16. S-Function dab


function [x,y] = dab(a,b,c)
% DAB Solucin de la ecuacin Diofntica
%
AX + BY = C
% donde A, B, C, X y Y son polinomios y grY = grA - 1.
na = length(a);
nb = length(b);
nc = length(c);
ny = na - 1;
if ny<1,
x = c/a;
y = 0;
return;
end;
nx = nc - ny;
c = [zeros(1,nb-nx-1) c];
nc = length(c);
nx = nc - ny;
if nx<1,
x = 0;
y = c/b;
return;
end;
b = [zeros(1,nx-nb+1) b];

122

Anexos
za = zeros(1,nx-1);
zb = zeros(1,ny-1);
ma = toeplitz([a za],[a(1) za]);
mb = toeplitz([b zb],[b(1) zb]);
m = [ma mb];
if rank(m)<min(size(m)),
disp('Problema singular debido a que A y B tienen factor comn');
end;
xy = c/m';
x = xy(1:nx);
y = xy(nx+1:nc);

Anexo 17. Ventana de parmetros del subsistema Controlador Adaptativo de


2 GL.

Anexo 18. S-Function del subsistema Controlador Adaptativo de 2 GL.


function [sys,x0,str,ts] = rst(state,input,flag,n,state_0,h)
% RST es un M-file S-function para el controlador lineal discreto de dos grados
% de libertad
%
R(z)u(k) = T(z)u_c(k) - S(z)y(k)
% Los polinomios R,S, y T (todos de grado n) son entradas y pueden ser
% cambiados durante la simulacin.
% Entradas: entrada = [R, S, T, u_c, y]'; polinomios del controlador R, S, y T;
% seal de comando u_c; valor del proceso y
% Salidas: seal de control u
% Estados: estado = [old_u, old_y, old_u_c, pre_u]'; seales de control
% anteriores, valores del proceso anteriores, seales de comando anteriores, y
% seal de control precalculada.

123

Anexos
% Parmetros: n, grado de R,S, y T; state_0, estado inicial, magnitud (3*n+1);
% h, perodo de muestreo.
switch flag,
% Inicializacin %
case 0,
[sys,x0,str,ts] = mdlInitializeSizes(n,state_0,h);
% Actualizacin %
case 2,
sys = mdlUpdate(n,state,input);
% Salida %
case 3,
sys = mdlOutputs(n,state,input);
% Finalizacin %
case {1, 4, 9},
sys = [];
% Banderas no manejables %
otherwise
error(['unhandled flag = ',num2str(flag)]);
end
% mdlInitializeSizes: Devuelve las magnitudes, condiciones iniciales y tiempo
% de muestreo para la S-function.
function [sys,x0,str,ts] = mdlInitializeSizes(n,state_0,h)
sizes = simsizes;
sizes.NumContStates = 0;
sizes.NumDiscStates = 3*n+1;
sizes.NumOutputs = 1;
sizes.NumInputs
= 2+3*(n+1);
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1;
sys = simsizes(sizes);
x0 = state_0;
str = [];
ts = [h 0];
% mdlUpdate: Maneja las actualizaciones de los estados discretos, el tiempo
% de muestreo y mejores requerimientos de tiempo.
function sys = mdlUpdate(n,state,input)
if n == 0 sys = [];
else
% desempaquetar estados (state) y entradas (input)
old_u = state(1:n);
old_y = state(n+1:2*n);
old_u_c = state(2*n+1:3*n);
pre_u = state(3*n+1);
r = input(1:n+1)';
s = input(n+2:2*n+2)';
t = input(2*n+3:3*n+3)';
u_c = input(3*n+4);
y = input(3*n+5);
% actualizar u, y y u_c
u = 1/r(1)*(t(1)*u_c - s(1)*y + pre_u);

124

Anexos
u_vec = [u;old_u(1:n-1)];
y_vec = [y;old_y(1:n-1)];
u_c_vec = [u_c;old_u_c(1:n-1)];
% preclculo de u
pre_u = t(2:n+1)*u_c_vec - s(2:n+1)*y_vec - r(2:n+1)*u_vec;
% Empaquetar estados
state(1:n) = u_vec;
state(n+1:2*n) = y_vec;
state(2*n+1:3*n) = u_c_vec;
state(3*n+1) = pre_u;
sys = state;
end
% mdlOutputs: Devuelve el vector de salida de la S-function
function sys = mdlOutputs(n,state,input)
if n == 0
% desempaquetar entradas
r = input(1);
s = input(2);
t = input(3);
u_c = input(4);
y = input(5);
% calcular u
u = 1/r*(-s*y + t*u_c);
sys = u;
else
% desempaquetar estados y entradas
pre_u = state(3*n+1);
r = input(1:n+1)';
s = input(n+2:2*n+2)';
t = input(2*n+3:3*n+3)';
u_c = input(3*n+4);
y = input(3*n+5);
% calcular u
u = 1/r(1)*(t(1)*u_c - s(1)*y + pre_u);
sys = u;
end

125

Anexos

Anexo 19. Ventana de parmetros del subsistema Diseo de asignacin de


polos de mnimo grado sin cancelacin de ceros.

Anexo 20. S-Function nzdesign del subsistema Diseo de asignacin de


polos de mnimo grado sin cancelacin de ceros.
function [sys,x0,str,ts] = nzdesign(t,x,u,flag,n_a,n_b,n_r,A_m,A_o,A_r,A_s,h);
% NZDESIGN es un M-file S-function que ejecuta el diseo de asignacin de
% polos de mnimo grado sin cancelacin de ceros.
% Entradas: u = [B,A], polinomios B y A
% Salidas: polinomios R, S y T
% Parmetros: n_a, grado de A; n_b, grado de B; n_r, grado de R; A_m,
% polinomio a lazo cerrado deseado; A_o, polinomio observador; A_r, A_s,
% factores pre-determinados en R y S; h, perodo de muestreo
switch flag,
%Inicializacin %
case 0,
[sys,x0,str,ts] = mdlInitializeSizes(n_a,n_b,n_r,h);
% Actualizacin %

126

Anexos
case 2,
sys = mdlUpdate;
% Salida %
case 3,
sys = mdlOutputs(u,n_b,A_m,A_o,A_r,A_s);
% Finalizacin %
case 9,
sys = [];
% Banderas no manejables %
otherwise
error(['unhandled flag = ',num2str(flag)]);
end
% mdlInitializeSizes; Devuelve las magnitudes, condiciones iniciales y tiempo
% de muestreo para la S-function.
function [sys,x0,str,ts] = mdlInitializeSizes(n_a,n_b,n_r,h)
sizes = simsizes;
sizes.NumContStates = 0;
sizes.NumDiscStates = 0;
sizes.NumOutputs = 3*(n_r+1);
sizes.NumInputs
= (n_a+1) + (n_b+1);
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1;
sys = simsizes(sizes);
x0 = [];
str = [];
ts = [h 0];
% mdlUpdate: Maneja las actualizaciones de los estados discretos, el tiempo
% de muestreo y mejores requerimientos de tiempo.
function sys = mdlUpdate
sys = [];
% mdlOutputs: Devuelve el vector de salida para la S-function
function sys = mdlOutputs(u,n_b,A_m,A_o,A_r,A_s)
B = u(1:n_b+1)';
A = u(n_b+2:end)';
[R,S,T]=rstd(1,B,A,1,A_m,A_o,A_r,A_s);
sys = [R,S,T]';

127