You are on page 1of 314

CONTROL DE PROCESOS

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

F
F
F
F
F
F
F
F

Modelado de Procesos
Sistemas de Instrumentaci´
on
Elementos Finales de Control
Control PID SISO
Estrategias de Control PID
S´ıntesis de Controladores SISO y MIMO
Control Fuzzy
Programas fuente en MATLAB

TECSUP

II

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

A la Memoria de mis Padres

´Indice general
III

Prefacio

IX

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

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

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

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

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

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

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

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

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

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

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

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

1
1
5
7
11
11
13
18
20
21
22
26
28
28
30
33
33
34
34
36
37
39

3. El Sistema de Medici´
on
45
3.1. Sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1. Caracter´ısticas Est´aticas y Din´amicas . . . . . . . . . . . . . . 46
4. Elementos Finales de Control
4.1. Caracter´ısticas . . . . . . . . . . . . . . . .
4.2. La V´alvula de Control Autom´atica (VCA) .
4.2.1. Dimensionamiento de una VCA . . .
4.2.2. Carcter´ıstica de una VCA Operando

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

51
51
52
52
55

´
INDICE GENERAL

VI

5. Control PID SISO
5.1. Sistema de Control SISO . . . . . . . . . . . . . . . . . . . . . . .
5.2. Especificaciones de Dise˜
no . . . . . . . . . . . . . . . . . . . . . .
5.2.1. Especificaciones de Dise˜
no en el Dominio del Tiempo . . .
5.2.2. Especificaciones de Dise˜
no en el Dominio de la Frecuencia
5.3. Modos de Control PID . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1. La Banda Proporcional BP % . . . . . . . . . . . . . . . .
5.3.2. Control Proporcional . . . . . . . . . . . . . . . . . . . . .
5.3.3. Control Integral . . . . . . . . . . . . . . . . . . . . . . .
5.3.4. Control Derivativo . . . . . . . . . . . . . . . . . . . . . .
5.3.5. Control PID . . . . . . . . . . . . . . . . . . . . . . . . .
5.4. Control de Dos Posiciones . . . . . . . . . . . . . . . . . . . . . .
5.5. Estructuras del Controlador PID . . . . . . . . . . . . . . . . . .
5.6. M´etodos de Sintonizaci´on de Controladores PID . . . . . . . . .
5.6.1. M´etodos Basados en la Curva de Reacci´on . . . . . . . . .
5.6.2. M´etodos a Lazo Cerrado . . . . . . . . . . . . . . . . . . .
5.6.3. M´etodos Basados en la Minimizaci´on de un ´Indice . . . .
5.7. El Efecto Windup . . . . . . . . . . . . . . . . . . . . . . . . . .
5.8. El Algoritmo PID Discreto Modificado . . . . . . . . . . . . . . .
5.9. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Estrategias de Control
6.1. Control en Cascada . . . . . . . . . . . . . . . . . .
6.2. Control de la Raz´on . . . . . . . . . . . . . . . . .
6.3. Control Anticipativo . . . . . . . . . . . . . . . . .
6.4. Control Override . . . . . . . . . . . . . . . . . . .
6.5. Control Selectivo . . . . . . . . . . . . . . . . . . .
6.6. Control de Rango Partido . . . . . . . . . . . . . .
6.7. Control con Autosintonizaci´on de Par´ametros . . .
6.8. Control Adaptativo con Modelo Referencial . . . .
6.9. Autosintonizaci´on con Reconocimiento de Patrones
7. S´ıntesis de Controladores SISO y MIMO
7.1. M´etodo de Dahlin . . . . . . . . . . . . . . . . .
7.2. Control MIMO v´ıa Desacoplamiento . . . . . . .
7.2.1. No Interacci´on . . . . . . . . . . . . . . .
7.2.2. Exactitud Est´atica . . . . . . . . . . . . .
7.2.3. Estabilidad . . . . . . . . . . . . . . . . .
7.3. Control MIMO con Desacopladores . . . . . . . .
7.4. Control MIMO empleando el Criterio de Hurwitz
7.4.1. Procedimiento de Dise˜
no . . . . . . . . .
7.4.2. El Criterio de Hurwitz . . . . . . . . . . .
7.5. Problemas . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

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

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

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

57
57
59
59
61
66
66
70
71
71
72
73
76
79
79
91
102
114
115
121

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

125
125
129
131
136
138
139
140
141
143

.
.
.
.
.
.
.
.
.
.

147
. 147
. 151
. 152
. 153
. 153
. 161
. 164
. 164
. 165
. 166

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

. . . . . . Definici´on y Ejemplos . . . . . .3. . . 261 . . . . 8. . . . . . . . . . . . Problemas Propuestos . 244 . . . . . . . . . . 234 .2. . . . . 241 . . . . . . . . . . . .1. .6. . . . . . . . .3. . . . . . . .4. . . . . . . . . 8. . . . . . A.2. . . . . . . La Transformada Unilateral de Laplace . . . Linealizaci´on de Sistemas Continuos . . . . .2. . . . . . . . . . . . . . . El Controlador Predictivo . . . . . . Eigenvectores y Pseudoinversas . . . . . . . . . . . . . . . . A. .1. . . . . . . Control Predictivo 8. . . . . . . . . . .7. . . . A. . . .2. . . . . . . . . . Determinantes y Matriz Inversa . . . . . . . . . . . . . . . .1. . . . . . . . . . . . 235 . . . 223 . . . . 209 . . . . . . . La Funci´on de Transferencia . . . .1. . . .3. . .4. . . . . 169 169 170 171 176 176 178 180 182 182 185 9. . . . . . . . El Modelo del Proceso . . . . . . . La Ley de Control SISO . . .2. . . . 220 . .3. . . A. . . . . . . . .1. . . . . . . . . . . . El Controlador Fuzzy . . . . . . .5. . . . Ejemplo de Dise˜ no . . . . . . .4. . . . .´ INDICE GENERAL 8. . . . . . . . . . . . . . . . . . . Control Fuzzy del Manipulador Rob´otico de 1GDL . .1. . .1. .4. . . . . . . . .5. . A. . . . . . . . . . .2.4. . . . . . . .2. Caso SISO . . . . . . . Matriz de Transferencia y Estabilidad . . . . .5. . . A. . . . . . . . . .3. . . . . . . .2. . . Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . .1. . A. .1. . . 213 . . . . . . . . . 8. . . . . . . . . . Definici´on de Variables de Estado . . . . . . . . . . 194 A. . . . . . .3. . . . . . . . . . . .3. . . . . . . . Discretizaci´on Directa . . . . . . . A. . A. A. . . . . 235 . . . . . Variables de Estado . . . . . . . . . . . .3.5. .1. . . . . . . .4.2. . . . . . . . Sistemas con Tiempo Muerto . . . . . . . . . . . . . .2. . . . . . . . . . 260 . Tipos de Matrices . . . . . 214 . .2. . . A. . . . .1. . A. . . Problemas .1. A. . . .1. . . . A. . . . . . 238 . . . . . . . . . . .6. 212 . . . . . 260 . 8. . . . 219 . . . . . . . . . . . Control Fuzzy 193 9. La Transformada Inversa de Laplace . . . . . . . . . . . . .2. . . . Soluci´on de la Ecuaci´on de Estado de SLITs Continuos A. . Controlabilidad y Observabilidad . . 221 . . . . . . . . . . . Principios del Control Predictivo . . A. Rango. . . . 229 . Ejemplo de Introducci´on . . Respuesta Libre y Respuesta Forzada 8. 8. . . .3. . Algebra de Bloques .4.3. . . . A. . . . . . . . A. . .7. 224 . . 258 .1. . . Control Predictivo Basado en Modelos . . . . . . . . . . . . . 194 9. . . . . . . . 8. . . . . . 251 . . . 264 . . . A. . . . . . . . . . 256 . A. . . . . . . .6. . . . . . . Sistemas Continuos A. . . . .3. . . . . . . . . A. . . 8. . A. . . . . . . . . . ´ A. VII . . . . A. 8. . . .6. . 237 . Formas Can´onicas SISO en el Espacio de Estado . Matrices y Determinantes . .5. . 209 . . .6. . . . . . .2. . . . Caso MIMO . . . Dise˜ no de Sistemas de Control Fuzzy . . . Diagonalizaci´on de Matrices y Formas Can´onicas . Fracciones Parciales . . . . . . . . Objetivo del Controlador . . . . .3. . .2. . . . . . 209 . . . . . . . . Procedimiento de Dise˜ no . . . . . . . . . . . 193 9. . .

. . . . . . . . . . . .1. Fundamentos de MATLAB . . . .1. . . . . . Comandos y Funciones Generales . . . . . . . . . . .1. . . . .2. . . 276 . . . . . 289 . . . Simulaci´on de un Sistema de Control B. . . . . . . B. . . .1. . . Gr´aficos . . . . . . . . B. . . . . . Fundamentos del Software Simulink B.1. . . . .2. . .2. . . . . . . . . 287 . . 296 B . . . . . . . . . . . Matem´atica Simb´olica . .4. . . . .2. . 286 . . . . Creaci´on de un Modelo Simulink . . . 275 . . . . . . 278 . .5. ibliograf´ıa 299 ´ Indice . B. . . . . . . . . . . . . . . . . . . . . . . . Matem´aticas . B. 292 . . Creaci´on de Archivos Tipo m . . . . . . .3. . . . . 275 . . . . . . . . .1.7. B. B. . . . 275 .1. . .1. . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . El Entorno de Trabajo de MATLAB B. alfab´ etico 302 .6. . . Fundamentos de Simulink . . 292 . .2. . . . . . . . . . . . . . . . . . Fundamentos de MATLAB y Simulink B. .1.´ INDICE GENERAL VIII B. . . B. . . 279 . .

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

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

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

.

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

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

1.1 Sistema de Control a Lazo Cerrado

3

e, llamada tambi´en se˜
nal de desviaci´on. Cuando existe una desviaci´on, es necesario
actuar para eliminarla. Esta acci´on incluye el ajuste y la acci´on de una se˜
nal o fuerza
de control u, denominada tambi´en la variable manipulada MV (Manipulated Variable), para minimizar el error; es decir, para hacer que la se˜
nal y siga a r, cumpliendo
ciertas especificaciones de dise˜
no (secci´on 5.2).
Por ejemplo, la velocidad de un carro se controla comparando el valor indicado
por el veloc´ımetro (la variable medida) con el valor l´ımite de la velocidad (la variable
deseada o SP). Si existe una desviaci´on, se tiene que ajustar mediante el pedal del
acelerador una cierta cantidad de gas (la variable manipulada MV) para cambiar la
velocidad (la variable controlada o PV).
El bloque denominado controlador (ver la Fig. 1.1), es el que procesa la se˜
nal de
error e empleando un algoritmo de control, para generar la ley de control u que va
hacia el elemento de control final. El agregado de la palabra realimentaci´on, que en
general no es necesario, s´olo es para indicar en este caso que tal controlador forma
parte de un sistema de control realimentado.
La funci´on del controlador mostrado en la la Fig. 1.1 se logra llevando a cabo
tres pasos. El primero consiste en recopilar informaci´on acerca de la variable del
proceso que se desea controlar. Luego, usar convenientemente dicha informaci´on para
tomar una decisi´on con relaci´on a la condici´on del proceso. Finalmente, tomar una
acci´on basada en tal decisi´on, empleando para ello el elemento de control final. Es
importante anotar que para mantener el control, la recopilaci´on de informaci´on debe
de ser continua y permanentemente evaluada. Estas acciones aseguran que la variable
controlada se mantenga en el valor deseado previamente establecido.
Considere el sistema de control de temperatura que posee la terma el´ectrica de una
vivienda, en donde la acci´on de control se realiza conectando o desconectando a la red
la resistencia de calefacci´on para aumentar o disminuir la temperatura del agua en la
terma, correspondientemente. En un primer paso, un sensor de temperatura detecta
la temperatura actual y la compara con una temperatura de referencia previamente
establecida. Como resultado de la comparaci´on, se decide que es necesario cambiar la
condici´on del proceso: aumentar o disminuir la temperatura. Finalmente, se toma la
acci´on correspondiente: conectar la resistencia a la red para aumentar la temperatura
del agua, o desconectarla para disminuirla.
El control se puede realizar en forma manual o en forma autom´atica. En el control
manual, la decisi´on la realiza la persona, mientras que en el control autom´atico la
realiza un dispositivo. La terma es un caso de control autom´atico de la temperatura,
mientras que la conducci´on de un carro para mantenerlo a una velocidad constante,
es un caso de control manual.

El Elemento Final de Control (EFC)
El controlador genera una se˜
nal que por si misma no posee la potencia necesaria
para provocar cambios en el proceso. Por tal raz´on, la se˜
nal de salida del controlador
va hacia el elemento final de control (EFC), el cual s´ı posee la capacidad de efectuar
cambios en el proceso con el prop´osito de disminuir el error e = r−y. Por consiguiente,
el EFC es el hardware que implementa la decisi´on tomada por el controlador.
La fuente de energ´ıa com´
un del EFC puede ser el´ectrica, neum´atica e hidr´aulica.
Ejemplos de EFC el´ectricos son los motores AC y DC, motores paso a paso, v´alvu-

4

Introducci´
on

las de control mot´oricas, solenoides, rel´es, entre otros. Entre los EFC hidr´aulicos y
neum´aticos tenemos: v´alvulas neum´aticas, pistones hidr´aulicos y neum´aticos, motores hidr´aulicos y neum´aticos, etc. Dependiendo del tipo de EFC, en muchos casos
ser´a necesario incluir un convertidor (o transmisor) de se˜
nal entre el controlador y el
EFC, tal como se muestra en el ejemplo 1.1.

Los Disturbios
Adem´as de la variable manipulada, otros factores pueden afectar la variable controlada. Por ejemplo, la velocidad del carro puede ser afectada por la resistencia del
viento y por la calidad de la pista. Por otro lado, La temperatura del agua en la terma
puede ser afectada por un mal aislamiento del tanque o por la cambiante temperatura
del entorno. En control de procesos, estos factores se denominan disturbios.
Para compensar la acci´on de los disturbios, se requiere de una continua circulaci´on
de la informaci´on sobre el proceso. En el sistema de control a lazo cerrado de la Fig.
1.1, la informaci´on fluye constantemente hacia los instrumentos. Tal informaci´on es
denotada como realimentaci´on. Todos los instrumentos y dispositivos que intervienen
en el control de un proceso son referidos como el lazo de control realimentado.
Ejemplo 1.1
En el sistema de control de flujo mostrado en la Fig. 1.2(a), indicar sus componentes
y las se˜
nales normalizadas. Este sistema emplea como sensor de flujo una placa de
orificio para producir la ca´ıda de presi´on ∆P = P1 − P2, con la finalidad de tener
una medici´on indirecta del flujo F, pues sabemos que tal flujo es proporcional a la
ra´ız cuadrada de ∆P.
Soluci´
on: Ver Fig. 1.3(b).√Observar que se requiere un primer transmisor para realizar la operaci´on F = C ∆P , donde C es una constante de proporcionalidad, y
luego convertir esta operaci´on en una se˜
nal de corriente estandarizada (4 a 20 mA).
El signo ra´ız cuadrada a un costado del transmisor indica esta operaci´on. Notar tambi´en que ha sido necesario incluir un segundo transmisor para convertir 4 a 20 mA al
rango de 3 a 15 psi, dado que el actuador de la v´alvula trabaja con se˜
nal neum´atica
estandarizada.
Ejemplo 1.2
En el sistema de control de temperatura mostrado en la Fig. 1.3, indicar cu´al es la
se˜
nal disturbio y porqu´e. Este sistema emplea como sensor una termoresistencia, cuya
salida es un valor de resistencia el´ectrica, la cual es proporcional a la temperatura en
el interior del tanque. Los valores de resistencia se convierten a se˜
nales estandarizadas
de 4 a 20 mA mediante el transmisor. Observar que la v´alvula de control posee un
actuador el´ectrico porque trabaja con una se˜
nal de 4 a 20 mA. Esta se˜
nal alimenta a
un motor DC (el actuador). El movimiento de rotaci´on del eje del motor se convierte
en un movimiento de traslaci´on para hacer desplazar el eje de la v´alvula.
Soluci´
on: El flujo del producto que ingresa al tanque constituye la se˜
nal de disturbio.
Mientras mas brusca sea la variaci´on del flujo de producto, mayor ser´a la dificultad
para que la se˜
nal PV siga a la se˜
nal SP.

1.2 Sistema de Control a Lazo Abierto

5

CONTROLADOR

TRANSMISOR

TRANSMISOR

ACTUADOR
F
P1
P2
PLACA DE ORIFICIO

VÁLVULA
NEUMÁTICA

(a)

SP

4 − 20 mA

4 − 20 mA
CONTROLADOR

4 − 20 mA PV

MV

TRANSMISOR

TRANSMISOR

ACTUADOR
P

3 − 15 psi

PROCESO

P1
P2
SENSOR: PLACA
DE ORIFICIO

F

EFC: VÁLVULA
DE CONTROL
NEUMÁTICA
(b)

Fig. 1.2: (a) Sistema de control de flujo. (b) Soluci´on al ejercicio 1.1.

Sensor
(ohm)
Producto

Transmisor
MV
4−20 mA

Controlador

PV
4−20 mA

SP
4−20 mA

Agua caliente

Fig. 1.3: Sistema de control de temperatura.

1.2.

Sistema de Control a Lazo Abierto

La Fig. 1.4 muestra el diagrama de bloques de un sistema de control a lazo
abierto, donde podemos observar que no existe un lazo de realimentaci´on. Dicho lazo
si est´a presente en el sistema de control de la Fig. 1.1.
Cuando el controlador de la Fig. 1.4 se reemplaza, por ejemplo, por un PLC
(Programmable Logic Controller), entonces el sistema de control a lazo abierto se

6

Introducci´
on

SP
r

MV
Controlador u Elemento final
anticipativo
de control

Disturbios
Proceso

PV
y Sensor más
Transmisor
Sistema de
Instrumentación

Fig. 1.4: Sistemas de control a lazo abierto.

convierte en un mando programable, el cual se emplea en la industria en muchas
tareas de automatizaci´on que tienen que ver principalmente con aperturas y cierres
temporizados de v´alvulas y otros actuadores. La programaci´on de los tiempos de la
entrada en operaci´on de los compresores que conforman un sistema de generaci´on de
aire comprimido, es un ejemplo t´ıpico de mando programable.
El control a lazo abierto de la Fig. 1.1 se convierte en un sistema de control
anticipativo, cuando el controlador es del tipo anticipativo. En esta clase de control,
los sensores miden los valores de los disturbios, mientras que la variable manipulada
(la se˜
nal de control) se ajusta antes de que ocurran cambios en la variable controlada.
La estrategia de control anticipativo se trata en detalle en la secci´on 6.3. Sin
embargo, cabe mencionar que este esquema de control presenta ventajas y desventajas
comparado con el control realimentado. Por una parte, es deseable porque evita la
ocurrencia de errores antes de que se reflejen en la variable controlada. Sin embargo,
para lograr aquello, se requiere de un an´alisis din´amico complejo de los disturbios
para que la estrategia de control trabaje efectivamente. S´olo en muy pocos casos en
la industria, el control anticipativo es relevante.
Existen otras estrategias de control, adem´as del control anticipativo, tales como
control de la raz´on de dos variables, control en cascada, control de rango partido y
control selectivo, todas las cuales ser´an abordadas en detalle en el Cap´ıtulo 6.
Ejemplo 1.3
La Fig. 1.5 muestra un tanque empleado en la industria para el soplado (transporte)
de un producto en forma de polvo. En dicha Fig., LT y PT son transmisores para
medir el nivel del producto y la presi´on dentro del tanque, respectivamente. Este
ejemplo es un caso t´ıpico de mando programable, el cual se implementa con un PLC
y v´alvulas ON–OFF (de apertura y cierre). La apertura y cierre de tales v´alvulas
se realiza con un programa elaborado para tal prop´osito. Este programa se puede
elaborar empleando diversos m´etodos. Uno de los m´as populares es el m´etodo de la
escalera. No es prop´osito de este libro entrar en detalles de este m´etodo de programaci´on.
Luego de elaborado y probado el programa, ´este se almacena en la memoria del
PLC. Para el caso que nos ocupa, tal programa satisface la siguiente secuencia l´ogica:
ESTADO 0 (REPOSO): V2 OFF
ESTADO 1 (LLENAR PRODUCTO): V1 ON
´
ESTADO 2 (TANQUE LLENO): LT MAXIMO,
V1 OFF, V2 OFF, V3 ON

1.3 Din´
amica Lineal de los Elementos Ideales

7

´
ESTADO 3 (TRANSPORTAR PRODUCTO): PT MAXIMO,
V4 ON, V5 ON
´
ESTADO 4 (SOPLAR NITROGENO):
PT M´INIMA, V3 OFF, V4 OFF
ESTADO 5 (DESFOGUE/REPOSO): V2 ON, V5 OFF
TRANSPORTE
V4

DESFOGUE
V1
V2

V5
SOPLADO
ADICIONAL

ENTRADA DE
PRODUCTO

LT
PT

SOPLADO
INFERIOR
V3

Fig. 1.5: Tanque del ejemplo 1.3 para el soplado de un producto.

1.3.

Din´
amica Lineal de los Elementos Ideales

La Tabla 1.1 describe los modelos din´amicos lineales de los elementos ideales,
mientras que la Fig. 1.6 muestra los s´ımbolos de los mismos. Tal informaci´on es de
gran utilidad porque explica el comportamiento f´ısico de los diversos elementos que
son parte de los procesos. Las unidades de medida empleadas corresponden al Sistema
Internacional, la cual usaremos a lo largo de los cap´ıtulos, salvo indicaciones expresas.
De todas formas, siempre est´an disponibles las tablas de conversi´on de unidades. En
la Tabla 1.1, la energ´ıa se expresa en J (joule), la potencia en W (watt) y el tiempo
t en s (segundos).
La Fig. 1.6(a) muestra la inductancia el´ectrica L en H (henrio), en donde se
cumple que la diferencia de potencial v21 = v2 − v1 en V (volt) es proporcional a la
variaci´on de la corriente i en A (ampere) con respecto al tiempo.
La Fig. 1.6(b) ilustra el resorte traslacional de constante K, en donde la variaci´on
de velocidad v21 en m/s es proporcional a la variaci´on de la fuerza f en N (newton)
con respecto al tiempo. Teniendo en cuenta que v21 = dx21 /dt donde x21 = x2 − x1
es el cambio de posici´on, es f´acil demostrar que f=Kx21 . Por ello, K est´a en N/m.
La Fig. 1.6(c) muestra el resorte rotacional de constante K en N–m/rad, en donde
el cambio de velocidad angular ω21 en rad/s es proporcional a la variaci´on del torque
con respecto al tiempo dT/dt en N–m/s (newton–metro/segundo). Considerando que

8

Introducci´
on

Tabla 1.1: Modelos din´amicos para elementos ideales.
Almacenador
o disipador

Elemento
f´ısico

Ecuaci´on
descriptiva

Energ´ıa E o
potencia P

Almacenador
inductivo

Inductancia
el´ectrica L

di
v21 = L dt

E = 12 Li2

Almacenador
inductivo

Resorte
traslacional

v21 =

1 df
K dt

E=

1 F2
2 K

Almacenador
inductivo

Resorte
rotacional

ω21 =

1 dT
K dt

E=

1 F2
2 K

Almacenador
inductivo

Inercia
flu´ıdica

p21 = I dq
dt

E = 12 Iq 2

Almacenador
capacitivo

Capacitancia
el´ectrica

i = C dvdt21

2
E = 12 Cv21

Almacenador
capacitivo

Masa

f = M dv
dt

E = 12 M v 2

Almacenador
capacitivo

Momento
de Inercia

T = J dω
dt

E = 12 Jω 2

Almacenador
capacitivo

Capacitancia
flu´ıdica

q21 = Cf dpdt21

E = 12 Cf p22

Almacenador
capacitivo

Capacitancia
t´ermica

q = Ct dT
dt

E = Ct T

Disipador
de energ´ıa

Resistencia
el´ectrica

i=

Disipador
de energ´ıa

Amortiguador
traslacional

f = Bv21

2
P = Bv21

Disipador
de energ´ıa

Amortiguador
rotacional

T = Bω21

2
P = Bω21

Disipador
de energ´ıa

Resistencia
flu´ıdica

q=

1
Rf p21

P=

1 2
Rf p21

Disipador
de energ´ıa

Resistencia
t´ermica

q=

1
Rt T21

P=

1
Rt T21

1
R v21

P=

1 2
R v21

El flujo de calor q en J/s (joule/segundo) que circula en un conducto. La proporcionalidad mencionada define a la capacitancia flu´ıdica Cf en m5 /N. Por ello. 1.6(g) se cumple que el torque de torsi´on T en N–m es proporcional a la aceleraci´on angular α = dω/dt en rad/s2 . en donde la fuerza f en N (newton) que act´ ua sobre M produce la aceleraci´on a=dv/dt en m/s 2 . ω21 = dθ21 /dt donde θ21 en rad es el cambio de posici´on angular. La Fig. 1. La . es f´acil demostrar que T = Kθ21 . K est´a en N–m/rad.1. donde v en m/s es la velocidad de la masa M. 1.6(e) ilustra la capacitancia el´ectrica C en F (faradio). 1. En la Fig. La constante de proporcionalidad I es la inercia flu´ıdica. es proporcional a la ca´ıda o cambio de presi´on p21 con respecto al tiempo.6(d) se cumple que el cambio de presi´on p21 en N/m2 es proporcional a la variaci´on del flujo q en m3 /s con respecto al tiempo. El flujo q en m/s3 de un fluido que existe en un conducto o recipiente (ver Fig. es proporcional al cambio de temperatura T en grados K (kelvin) con respecto al tiempo. en donde la corriente i en A (ampere) que circula a trav´es de C es proporcional a la diferencia de potencial v21 en V (volt) con respecto al tiempo.6(f) muestra la masa M en kg (kilogramo).6: S´ımbolos de los elementos ideales. la cual posee las unidades N–s2 /m5 puesto que la inercia flu´ıdica se expresa como: p21 I= dq/dt La Fig. La constante de proporcionalidad J en N–m–s2 /rad se denomina momento de inercia y es caracter´ıstico para cada cuerpo dependiendo de su forma.6(h)). 1. En la Fig. 1.3 Din´ amica Lineal de los Elementos Ideales v L i v2 K f (a) v1 v2 θ1 θ2 T v1 v2 (i) p1 q (m) B v1 (j) Rf Cf (g) f T1 p1 p2 p1 p2 q2 (h) f ω1 T ω B T 2 v2 (k) p2 I (d) q1 R i q ω T J f (f) Ct ω2 T (c) M v (e) q v2 K (b) C i ω1 T f v1 9 Rt q (l) T2 (n) Fig.

Rt posee las unidades K/J. en donde la corriente i en A es proporcional a la ca´ıda de voltaje v21 . tal como se observa en la Fig. 1. Por ello. 1. 1. con respecto al flujo q del fluido en m3 /s.6(k). La fuerza f en N que se ejerce en el amortiguador traslacional mostrado en la Fig. con respecto al flujo q de calor en J/s. 1. tal como se muestra en la Fig.6(n).6(j) muestra una resistencia el´ectrica R en Ω (ohm). De igual manera. la cual se muestra en la Fig. es proporcional al cambio de velocidad v21 . Por ello. Rf = p21 /q se expresa en N–s/m5 . . cuya unidad es N–s/m. El torque T en N–m que se ejerce en el amortiguador rotacional mostrado en la Fig. La resistencia flu´ıdica Rf se define como la variaci´on de la presi´on p21 en un conducto o recipiente.6(i). es proporcional al cambio de velocidad angular ω21 . Notar que la proporcionalidad es la inversa de R.6(l). 1. la resistencia t´ermica Rt se define como la variaci´on de la temperatura T21 en grados K (kelvin) en un conducto. 1. La Fig. la cual se denomina conductancia G=1/R y su unidad es f (mho). cuya unidad es N–m–s/rad. La proporcionalidad B se denomina la constante de fricci´on viscosa rotacional.10 Introducci´ on proporcionalidad mencionada define a la capacitancia t´ermica C t en J/K. La proporcionalidad B se denomina la constante de fricci´on viscosa traslacional.6(m).

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

1(a). incrementamos la abertura de la v´alvula de u1 a u2 . Soluci´ on.2). Para un tiempo t2 . donde A1 es la secci´on transversal correspondiente a la abertura u1 de la v´alvula.1: (a) Proceso flujo. 2. el flujo aumenta de y1 a y2 = A2 vρ. . (b) Respuesta al escal´on (curva de reacci´on a lazo abierto) del proceso flujo. Ejemplo 2.La proporcionalidad se refiere a que ∆y = Kp ∆u. v es la velocidad del flujo considerada constante y ρ es la densidad l´ıquido. Asumir que el cambio de flujo ∆y a trav´es de la v´alvula es proporcional al cambio de abertura de v´alvula ∆u. la ganancia Kp se calcula como: Kp = y2 − y 1 10 − 0 L ∆y = = =1 ∆u u2 − u 1 10 − 0 min mm ♣ Flujo en una Faja de Transporte La Fig. u u u FI 2 y Válvula de control ∆u u1 (a) y y 2 y t1 t2 t ∆y 1 t1 t2 t (b) Fig. sabiendo que el recorrido total de la v´alvula es de 10 mm y que el m´aximo flujo que puede pasar por la tuber´ıa es de 10 L/min (L: litro).1 Determinar la ganancia proporcional del proceso flujo mostrado en la Fig. cuya magnitud est´a gobernada por la velocidad u en el eje de salida de una caja reductora. Empleando la ecuaci´on (2. donde A2 es la secci´on transversal correspondiente a la abertura u2 . La ganancia proporcional del proceso flujo es entonces: Kp = ∆y y2 − y 1 = ∆u u2 − u 1 (2. sin experimentar retardo.. 2. 2.3) donde s es el operador de Laplace.2 muestra una faja transportando un flujo de material granulado y.2) En el dominio de Laplace. tambi´en considerada constante.12 El Proceso a Controlar la v´alvula es y1 = A1 vρ. Consecuentemente. la expresi´on gen´erica de la FT del proceso flujo toma la forma: y(s) = Kp u(s) (2.

fij´andola de u 1 a u2 . Consid´erese que para un tiempo t1 . 2.2 Procesos de Primer Orden 13 Observar que un motor es el que hace girar los ejes de entrada y de salida de dicha caja. en el cual ingresa un flujo de agua qC y sale otro flujo qD a trav´es de un orificio ubicado en la base del tanque. correspondiente a la velocidad u1 fijada en la caja reductora. Nivel en un Tanque Cerrado La Fig. 2.3).1 describe las variables y par´ametros en juego. Para un tiempo t2 .4) donde Kp es la ganancia proporcional del proceso y T es la constante de tiempo. 2. La Tabla 2. la ganancia proporcional del proceso flujo de granos es la misma obtenida en (2.1(b) tambi´en se aplica al proceso flujo de granos. su salida y(s) est´a relacionada con su entrada u(s) como sigue: y(s) = Kp u(s) Ts + 1 (2. Procesos de Primer Orden Un procesos SISO de primer orden se caracterizan por poseer una FT que posee 1 (ver Tabla 2.5) donde h es la altura del agua y S h˙ es el cambio de volumen de agua en el tiempo t dentro del tanque. 2. La respuesta al escal´on mostrado en la Fig.2. el flujo que pasa por la banda es y1 .3 muestra un tanque cerrado de secci´on uniforme S. sin experimentar retardo.2. Entonces. Silo de material Banda transportadora u Caja de reducción y Motor Fig.8). es una parte proporcional Kp m´as un retardo de primer orden T s+1 decir. Aplicando balance de masas en el tanque se tiene que el cambio de volumen de agua acumulado en el interior del tanque se puede modelar como: S dh = S h˙ = qC − qD dt (2. incrementamos la velocidad de salida de la caja reductora. Los siguientes procesos son de primer orden. Consecuentemente.2) y la correspondiente FT est´a dada por (2.2: Proceso flujo de granos sobre una banda de transporte. Para variaciones peque˜ nas de h y asumiendo que el flujo de salida . el flujo aumenta de y1 a y2 .

3: Proceso tanque cerrado con orificio de salida en la base y tuber´ıa de rebose.2 Unid. 2. la cual se puede determinar de [13]: Rh = h qD (2. entonces: qD = 0.44). S´ımbolo dS Descripci´on Di´ametro del tanque S Secci´on circular del tanque h Nivel del agua h Nivel del agua en estado estacionario Valor 0.6) donde Rh es la resistencia hidr´aulica del tanque.0314 m2 m qC Flujo de agua fr´ıa hacia el tanque qC Estado estacionario de qC qD Flujo de salida desde el tanque qD Estado estacionario de qD Rh Resistencia hidr´aulica del tanque: Rh = h/q D qD es laminar.6) en (2. . se obtiene la ecuaci´ on de estado lineal del nivel: 1 1 h˙ = − h + qC Rh S S (2.14 El Proceso a Controlar q C S h q Rebose D Fig.8) En el dominio de Laplace: h˙ = s h − h(0). m 0.16×10−4 h Rh m m3 /s m3 /s s/m2 (2. Si se tiene en cuenta que h(0) = 0 (requisito indispensable para hallar la FT del proceso).4 1. donde s es el operador de Laplace.66×10−4 m3 /s m3 /s 2.7) donde h y q D son los valores en estado estacionario de h y qD respectivamente. Reemplazando (2.1: Par´ametros y variables del proceso nivel en un tanque cerrado. Tabla 2.

8) o (2.9) se obtiene: h(s) = Rh A s(SRh s + 1) (2.4.2. de (2. close all. Este programa requiere la ecuaci´on de diferencia del proceso nivel.m: % nivel1simb. pretty(simplify(h)) La tercera forma de hallar h(t) es mediante un programa en MATLAB. Vamos a intentar tres soluciones.m para obtener la curva de reacci´on de la Fig. 2. entonces.8) como sigue: 1 1 h(k + 1) − h(k) =− h(k) + qC (k) T Rh S S   1 1 h(k + 1) = h(k) + T − h(k) + qC (k) Rh S S   1 1 h=h+T − h + qC Rh S S donde k = t/T es el tiempo discreto y T es el tiempo de muestreo.10). Para ello se debe de discretizar la ecuaci´on de estado dada en (2. el cual tambi´en grafica la curva de reacci´on.m DETERMINACI´ ON DE h(t) USANDO TRANSFORMADA INVERSA DE LAPLACE clear all. Ejecutar el programa curvah. clc. h=ilaplace(Rh*A*(1/s . su transformada de Laplace es: qC (s) = A/s. descomponemos (2. Por consiguiente.9) Asumiendo que el flujo de entrada es un escal´on de amplitud A.2 Procesos de Primer Orden 15 (2. los valores inicial y final de h(t) resultan: l´ım h(t) = l´ım sh(s) = 0 t→0 s→∞ l´ım h(t) = l´ım sh(s) = Rh A t→∞ s→o La curva de reacci´on a lazo abierto del nivel h se determina resolviendo (2. syms s Rh A S. Para una primera soluci´on.1/(s + 1/(S*Rh)))). tal como se ilustra en el siguiente programa denominado nivel1simb.10) en fracciones parciales: " # Rh A 1 1 h(s) = = Rh A − 1 s(SRh s + 1) s (s + SR ) h Tomando transformada inversa de Laplace a cada t´ermino de h(s) se obtiene: h i − 1 t h(t) = Rh A 1 − e SRh (2.10). La segunda forma de hallar h(t) es empleando matem´atica simb´olica. .10) Aplicando los teoremas del valor inicial y del valor final en h(s).8) toma la forma: Rh h(s) = qC (s) SRh s + 1 h(s) = Rh qC (s) SRh s + 1 (2. La u ´ltima notaci´on es m´as conveniente para programaci´on en tiempo real.11) Los valores inicial y final de h(t) resultan: l´ım h(t) = 0 t→0 l´ım h(t) = Rh A t→inf Notar que estos valores coinciden con los hallados empleando (2.

5 0 50 100 150 200 250 TIEMPO 300 [s] 350 400 450 500 0 50 100 150 200 250 TIEMPO 300 [s] 350 400 450 500 0. clc. xlabel(’TIEMPO [s]’) subplot(2.5 muestra un proceso t´ermico: temperatura en un tanque con agitador.2). T=1. close all. (2. H(k)=h.0314.3 0.4: Proceso nivel en un tanque cerrado. hbar=0. plot(ejet.12) . M=500.5.1). print -f -deps curvah % GENERA FIGURA curvah.M). ylabel(’NIVEL [m]’). que los flujos volum´etricos de entrada y de salida. Asumiendo que el l´ıquido en el tanque se agita uniformemente.2 0. 2. entonces. grid.M*T. % PERIODO DE MUESTREO Y N´ UMERO DE MUESTRAS M for k=1:M.2 describe las variables y par´ametros en juego. plot(ejet.eps 11 qC [L/h] 10.1. y que el proceso es adiab´atico (sin p´erdidas) debido a que el tanque posee buen aislamiento.H). Rh=hbar/qDbar.4 NIVEL [m] 0. la ecuaci´on del balance de energ´ıa es: qρCp Ti − qρCp To = V ρCv dTo dt En el dominio de Laplace s. La Tabla 2. Temperatura en un Tanque con Agitador La Fig. end ejet = linspace(0. la densidad y capacidad calor´ıfica del l´ıquido son todos constantes. Asumiendo cero p´erdidas se va a demostrar que la FT Ti (s)/To (s) es de primer orden. subplot(2. xlabel(’TIEMPO [s]’).QC*6e4).16e-4.m CURVA DE REACCI´ ON DEL NIVEL DEL AGUA EN EL TANQUE CERRADO clear all. % PAR´ AMETROS DEL PROCESO TANQUE CERRADO S=0. grid % CONVERSI ´ ON A L/min ylabel(’Flujo qC [L/min]’).5 9 8.16 El Proceso a Controlar % curvah. 2. qCbar=1.5 10 9. qDbar=2. h=h+T*(-(1/(Rh*S))*h+(1/S)*qCbar).1.1 0 Fig.12) resulta: qρCp Ti (s) − qρCp To (s) = V ρCv (sTo − To (0)) (2. QC(k)=qCbar. h=0. A este tanque ingresa un flujo q a una temperatura Ti y sale el mismo flujo q pero a una temperatura To .666e-4.

Por lo tanto. syms s tau A. En el caso que nos ocupa. close all. donde tau = τ : % temp1simb. pretty(simplify(To)) .2 Procesos de Primer Orden 17 q Ti q T Fig. clc.2. posee la forma: t To (t) = A (1 − e− τ ) la cual se halla ejecutando el programa en matem´atica simb´olica temp1simb. 2. Tabla 2.4.2: Par´ametros y variables del proceso temperatura en un tanque con agitador. su correspondiente FT To (s)/Ti (s) resulta: To (s) 1 = Ti (s) τs + 1 τ= V Cv qCp (2. la cual es semejante al gr´afico inferior de la Fig. To = ilaplace(A/(s*(tau*s+1))).13) La curva de reacci´on del proceso con Ti (s) = A/s.5: Proceso temperatura en un tanque con agitador.m. tal requerimiento se cumple si: To (0) = 0.m DETERMINACI´ ON DE To(t) USANDO TRANSFORMADA INVERSA DE LAPLACE clear all. S´ımbolo q ρ Descripci´on Flujo de entrada y de salida Unidades m3 /s kg/m3 Densidad del l´ıquido en q Cp Capacidad calor´ıfica a presi´on constante Cv Capacidad calor´ıfica a volumen constante V Volumen del l´ıquido en el tanque J kg K J kg K m3 Ti Temperatura del flujo de entrada oC To Temperatura del flujo de salida oC Sabemos que la determinaci´on de la FT de cualquier proceso requiere que todas las condiciones iniciales sean nulas. 2.

2.6: Proceso de segundo orden con opamps. se obtiene: q2 = q1 (s = h1 (s) − h2 (s) R1 C1 sh1 (s) = q(s) − q1 (s) h2 (s) C2 sh2 (s) = q1 (s) − q2 (s) R2 Si la entrada es q(s) y la salida es q2 (s). 2. Procesos de Segundo Orden Circuito con Opamps La Fig. Tanques en Cascada La Fig.3. La ganancia del seguidor de voltaje es uno. entonces: q2 (s) = q2 (s) 1 = 2 q(s) R1 C1 R2 C2 s + (R1 C1 + R2 C2 + R2 C1 )s + 1 . Las ecuaciones din´amicas que gobiernan este sistema son: q1 = h1 − h 2 R1 C1 dh1 = q − q1 dt h2 dh2 C2 = q1 − q2 R2 dt Pasando al dominio de Laplace con condiciones iniciales nulas. Los par´ametros y variables de este proceso se describen en la Tabla 2.3. 2.7 muestra dos tanques unidos por una tuber´ıa.18 El Proceso a Controlar 2.6 muestra un seguidor de voltaje y dos amplificadores operacionales (opamps) inversores conectados en cascada. Las ganancias de los amplificadores son respectivamente: 1 Vx (s) = − sC1 1 Vi (s) R1 + sC 1 Vo (s) = − sC2 1 Vx (s) R2 + sC 1 2 Este proceso es de segundo orden porque: 1 Vo (s) = Vi (s) (R1 C1 s + 1)(R2 C2 s + 1) C1 R1 C2 R2 C1 Vi Vi Seguidor de voltaje Opamp inversor C2 Vx Vo Opamp inversor Fig.

es proporcional a la corriente u. intermedio y de salida R1 . cuya direcci´on y magnitud depende de la direcci´on y magnitud de la corriente u.7: Proceso de segundo orden con tanques en cascada. h2 Niveles en los tanques m2 q h1 h2 R1 R2 q2 q1 Fig. q2 Flujos de entrada. La fuerza electromagn´etica Km u producida por u produce un movimiento y en el n´ ucleo.2.8 muestra un indicador con n´ ucleo de fierro m´ovil. M es la masa del n´ ucleo de fierro encerrado por la bobina. La ecuaci´on que gobierna el movimiento del n´ ucleo es: Km u = Ky + B dy d2 y +M 2 dt dt En el dominio de Laplace y con condiciones iniciales nulas. donde K es la constante del resorte. 2. C2 Capacitancias hidr´aulicas m3 s s m2 m2 h1 . y u es la corriente que circula por la bobina. q1 . R2 Resistencias hidr´aulicas C1 .3 Procesos de Segundo Orden 19 Tabla 2. 2. S´ımbolo Descripci´on Unidades q. B es la constante de viscocidad del amortiguador. El movimiento y. Indicador con N´ ucleo de Fierro M´ ovil La Fig. la ecuaci´on anterior resulta: Km u(s) = Ky(s) + Bsy(s) + M s2 y(s) La FT y(s)/u(s) toma la forma: y(s) = 2 u(s) s + Km Kp = M Km M B Ms + K M = s2 B ζ= √ 2 KM Kp + 2ζωn s + ωn2 ωn = r K M . que es tambi´en el desplazamiento del indicador.3: Par´ametros y variables del proceso temperatura en un tanque con agitador.

la FT de este proceso es: Kp y(s) = u(s) s Kp = 1 A u(t) Flujo u(t) y(t) uo t1 y(t) t y(t) yo Bomba t1 Fig.8: Indicador con n´ ucleo de fierro m´ovil. entonces se prende la bomba de vaciado. Procesos Integrales Llenado de un Tanque La Fig. 2. t . 2.4.20 El Proceso a Controlar u Resorte uo K Bobina M u u uo Escala yo Corriente t y y y yo t Amortiguador B Fig.9 muestra un tanque de secci´on A que est´a siendo llenado por un flujo u de entrada. 2. 2. S´olo cuando el tanque alcanza un nivel m´aximo. Por lo tanto.9: Llenado de un tanque. El volumen acumulado en el tanque es: A dy =u dt En el dominio de Laplace: Asy(s) = u(s).

2. el flujo de granos y0 es producido por la abertura u0 de la v´alvula de cuchilla. 2. el modelo del sat´elite toma la forma: Js2 θ(s) = u(s).5 Procesos con Tiempo Muerto 21 Sat´ elite El sat´elite mostrado en la Fig. Procesos con Tiempo Muerto Faja de Transporte con Tiempo Muerto La Fig. 2. θ es el a´ngulo de inclinaci´on y u es el torque generado por los impulsores para corregir el a´ngulo de inclinaci´on. si seleccionamos como variables de estado x1 = θ y x2 = θ. En el dominio de Laplace.10: Esquema simplificado de un sat´elite. el tiempo muerto que demora el flujo ∆y en recorrer L es: Tt = L v . mientras que la salida es: y = x1 . la FT del sat´elite es un doble integrador: Kp θ(s) = 2 u(s) s Kp = 1 J ˙ entonces Por otro lado.5. En forma matricial:        x˙ 1 0 1 x1 0 = + 1 u x˙ 2 0 0 x2 J y = [1 0]  x1 x2  θ J u Fig. 2. En el tiempo t1 se incrementa la abertura de la v´alvula en un ∆u. 2. Sabemos que la faja se mueve a una velocidad constante v. Luego.10 se puede modelar como: J θ¨ = u donde J es el momento de inercia del sat´elite. Observar que en el intervalo t0 hasta t1 . las ecuaciones de estado del proceso resultan: x˙ 1 = x2 y x˙ 2 = u/J. lo cual se traduce en un incremento del flujo en un ∆y.11 muestra una faja transportando granos. Por consiguiente. s´olo cuando dicho incremento recorra la distancia L.

el tiempo muerto que demora el flujo ∆y(t) en recorrer L es: L Tt = v La FT de este proceso toma la forma: y(s) = Kp e−Tt s u1 (s) 2. Este flujo abandona el tanque por desborde a una temperatura T . Hasta el tiempo t1 .22 El Proceso a Controlar La FT de este proceso resulta entonces: y(s) = Kp e−Tt s u(s)                                                                                                                                                                                                                                                                                                                                                                                      Kp = ∆y ∆u L u(t) Válvla decuchilla u+ u Motor t0 v = wr t t1 y(t) r Velocidad w constante u uo Tt y o u t 0 t1 y t Fig. 2.11: Faja de transporte con tiempo muerto. las aberturas de v´alvulas [u1 ]o y [u2 ]o dejan circular un flujo de yo . La pared met´alica del tanque se encuentra a una temperatura . Por lo tanto.13(a).12 muestra dos flujos y1 (t) e y2 (t) que circulan por dos tuber´ıas que luego se juntan en una sola. en la cual se ha instalado un sensor de PH. con el prop´osito de enfriar el flujo q constante que ingresa al tanque a una temperatura Ti . En el tiempo t1 se incrementan las aberturas de las v´alvulas en un ∆u1 (t) y ∆u2 (t). el flujo suma y(t) = y1 (t) + y2 (t) circula a una velocidad v. lo cual se traduce en un incremento del flujo total en un ∆y(t). Kp = ∆y ∆u1 + ∆u2 Procesos de Orden Superior Proceso de Enfriamiento de Tercer Orden En la Fig. Flujos en Tuber´ıas con Tiempo Muerto La Fig. respectivamente. Este incremento de flujo debe de recorrer una distancia L para que sea detectado por el sensor de PH.6. 2. 2. Qc es el flujo de agua a una temperatura Tc que ingresa a la camisa de enfriamiento del tanque. En la tuber´ıa com´ un de longitud L.

Tm . 2.13: Proceso de enfriamiento.14) . Rebose Agua fría qC TC ρC q T TC Camisa de enfriamiento Tanque metálico Tm Producto q Ti ρ (a) ti K6 tc i 1 τ 3 s+1 K5 tc K1 1 τ 2 s+1 t m K4 K7 q c 1 τ 1 s+1 K2 t K3 (b) Fig.6 Procesos de Orden Superior 23 u 1(t) u 1(t) [u 1]o L Flujo u1 (t) t u2(t) Flujo y(t) a Sensor una velocidad de PH v constante Flujo u2 (t) u 2(t) [u 2]o t Tt y(t) y(t) yo t Fig. El balance de energ´ıa en el flujo que se procesa se expresa como: qρCp Ti − hi Ai T + hi Ai Tm − qρCp T = V ρCv dT dt (2. 2.4 muestra las variables y par´ametros del proceso. El modelo de este proceso fue extra´ıdo de [28].12: Flujos en tuber´ıas con tiempo muerto.2. La Tabla 2.

16) Pasando (2. tm = Tm − T m y t = T − T . actual.C. m3 /s m3 /s q Flujo actual del producto que ingresa ρ Densidad de q kg/m3 ρc Densidad de Qc kg/m3 ρm Densidad de la pared de metal del tanque kg/m3 Cp Capacidad calor´ıfica de q Cv Capacidad calor´ıfica en el tanque C vm J kg−K J kg−K J kg−K m3 Capacidad calor´ıfica del metal de la pared V Volumen del producto en el tanque Vm Volumen de la pared de metal del tanque T. actual. qc Descripci´on Flujo de agua actual. S´ımbolo Qc .16) al dominio de Laplace y operando.14) resulta: qρCp ti − hi Ai t + hi Ai tm − qρCp t = V ρCv dt dt (2. actual. estable y residual de Qc K Temp.15) de (2. significa Coeficiente de Transferencia Calor´ıfica. T i . estable y residual del metal K hi C. entonces el modelo lineal residual de (2.C. estable y residual de q K Temp. t m m3 Temp.14) tambi´en es v´alida para el estado estacionario: qρCp T i − hi Ai T + hi Ai T m − qρCp T = V ρCv dT dt (2. T ci .T. estable y residual de q K Temp. T m . se obtiene: t(s) = K1 = qρCp qρCp + hi Ai K1 K2 ti (s) + tm (s) τ1 s + 1 τ1 s + 1 K2 = hi A − i qρCp + hi Ai τ1 = (2.T.24 El Proceso a Controlar Tabla 2.17) V ρCp qρCp + hi Ai .14) y teniendo en cuenta que ti = Ti − T i .C. Qc .15) Restando (2.4: Par´ametros y variables del proceso de enfriamiento en un tanque con camisa de enfriamiento.T. de la cara interna del tanque ho Ai C. de la cara externa del tanque ´ Area interna de transferencia de calor J m2 −s−K J m2 −s−K m2 Ao ´ Area externa de transferencia de calor m2 La ecuaci´on (2. estable y residual Valor Unid. tci Ti . t i Tm . t Tci . actual. En la Tabla. C. T .

17). .24). Esto es: Q c Tc i = Q c T c i + T c i qc + Q c tc i Q c Tc = Q c T c + T c q c + Q c t c (2.24) ho Ao h o A o + Q c ρc C p Vc ρc C p h o A o + Q c ρc C p La Fig.20) La ecuaci´on (2. los cuales se pueden linealizar siguiendo el procedimiento de la subsecci´on A.2.49.21) Reemplazando las ecuaciones de (2.20) es no lineal debido a los productos Qc Tci y Qc Tc .20) se obtiene: dTc dt (2.20) y (2.22) de (2. sabiendo que: qc = Qc − Qc .22) En el estado estacionario todas las variables residuales son nulas.6 Procesos de Orden Superior 25 El balance de energ´ıa para la pared del tanque se formula como: hi Ai (T − Tm ) − ho Ao (Tm − Tc ) = Vm ρm CVm dTm dt (2. Por consiguiente.21) en (2. (2.22) y pasando la resultante al dominio de Laplace se obtiene: tc (s) = K5 = K5 K6 K7 tc + tm + qc τ3 s + 1 i τ3 s + 1 τ3 s + 1 Q c ρc C p h o A o + Q c ρc C p ho Ao K7 = ρc Cp (T c − T ci ) h o A o + Q c ρc C p K6 = τ3 = (2.13(b) muestra el diagrama de bloques del proceso construido con las ecuaciones (2.19) τ2 = V m ρ m C vm hi Ai + h o Ao El balance de energ´ıa en la camisa de enfriamiento se formula como: Qc ρc Cp Tci + ho Ao (Tm − Tc ) − Qc ρc Cp Tc = Vc ρc Cv dTc dt (2. (2.23) Restando (2. ejemplo A. 2.18) Como en el caso anterior y sabiendo que tc = Tc − T c .1.6.22) toma la forma: ρc Cp (Qc T ci +T ci qc +Qc tci )+ho Ao (Tm −Tc )−ρc Cp (Qc T c +T c qc +Qc tc ) = Vc ρc Cv ρc Cp Qc T ci + ho Ao (T m − T c ) − ρc Cp Qc T c = Vc ρc Cv dT c dt (2. se encuentra: hi Ai (t − tm ) − ho Ao (tm − tc ) = Vm ρm CVm tm (s) = K3 = dtm dt K4 K3 t(s) + tc (s) τ2 s + 1 τ2 s + 1 hi Ai hi Ai + h o Ao K4 = ho Ao hi Ai + h o Ao (2.

Kb es la constante contraelectromotriz. 2. El Proceso a Controlar El Motor DC La Fig. la corriente y el voltaje de armadura respectivamente. Rf La Vb Lf Vf If Campo If 1 Rf Lf s Km T d Tm TL (b) Armadura Va Km Vb Im Ra Td Tm 1 J B ω θ Ia (a) Vf Va Ra TL L as Motor más carga ω 1 B Js θ 1 s Motor más carga ω 1 Js B 1 s θ Kb (c) Fig. la inductancia. (c) Motor DC controlado por armadura. Ra . Las ecuaciones en el dominio de Laplace que rigen la din´amica del motor CC en este caso son: Vf (s) = (Rf + Lf s)If (s) Tm (s) = Km If (s) = TL (s) + Td (s) TL (s) = Jsω(s) + Bω(s) ω(s) = sθ(s) . donde Rf .14(a) muestra el circuito equivalente de un motor DC (direct current).14: (a) Circuito equivalente del motor DC. el torque de carga y el torque de disturbio respectivamente. ω es la velocidad angular. Lf . Ia y Va son la resistencia. 2. Km es la constante de motor. entonces la corriente de campo If es variable. If y Vf son la resistencia. θ es la posici´on angular del eje. TL y Td son el torque motor. La . Motor DC Controlado por el Campo Cuando el motor DC est´a controlado por el campo. mientras que la corriente de armadura Ia permanece constante. la inductancia.7. la corriente y el voltaje de campo respectivamente. (b) Motor DC controlado por campo. Tm . J es el momento de inercia del motor m´as carga y B es la constante de fricci´on del motor m´as carga.26 2.

entonces la corriente de armadura Ia es variable. la FT resulta: Gp (s) = Km θ(s) = Va (s) s[(Ra + La s)(Js + B) + Kb Km ] (2. Las ecuaciones en el dominio de Laplace que rigen la din´amica del motor DC en este caso son: Va (s) = (Ra + La s)Ia (s) + Vb (s) Vb (s) = Kb ω(s) Tm (s) = Km Ia (s) = TL (s) + Td (s) TL (s) = Jsω(s) + Bω(s) ω(s) = sθ(s) (2.29) Ra B + Kb Km Notar que tanto para el motor controlado por campo como por armadura.28) Si la inductancia de armadura La es suficientemente peque˜ na.26) y (2. 2.25) Si la inductancia de campo Lf es suficientemente peque˜ na. la FT resulta: Gp (s) = Km θ(s) = Vf (s) s(Js + B)(Lf s + Rf ) (2. Por tal raz´on nos ocuparemos del modelo en el espacio de estado para este motor.7 El Motor DC 27 El diagrama de bloques para este caso se muestra en la Fig. las FTs para θ y para ω dadas en (2. Modelo en el Espacio de Estado En ingenier´ıa de control se emplea m´as el motor CC controlado por armadura debido a la inherente realimentaci´on que presenta en este caso.14(c).26) Motor DC Controlado por la Armadura Si el motor DC est´a controlado por la armadura. K= . Si seleccionamos .27) El diagrama de bloques para esta situaci´on se muestra en la Fig. Asumiendo que el torque de disturbio Td es despreciable. entonces la FT para la posici´on θ y para la velocidad angular ω toman la forma: Gp (s) = Gp (s) = θ(s) Va (s) ω(s) Va (s) K s(τ s + 1) K Km ∼ .14(b). mientras que la corriente de campo If permanece constante. entonces la FT para la posici´on θ y para la velocidad angular ω toman la forma: Gp (s) = Gp (s) = θ(s) Vf (s) ω(s) Vf (s) K s(τ s + 1) K ∼ = τs + 1 ∼ = τ= J B K= Km Rf B (2. 2. Considerando que el torque de disturbio Td es despreciable.2.29) poseen la misma estructura cuando se desprecia ya sea Lf o La . = τs + 1 Ra B + Kb Km ∼ = τ= Ra J (2.

mientras que el transmisor de nivel LT y el transmisor de temperatura TT se ocupan de medir y transmitir el nivel y la temperatura respectivamente. y = θ como la salida y u = Va como la se˜ nal de entrada. 2. La manipulaci´on de las fuerzas de control se realizan mediante dos v´alvulas de control neum´aticas.31)   x1 x2  Para el caso velocidad angular ω. . la representaci´on en el espacio de estado toma la forma: x = Ax + Bu y = Cx (2. La Fig. Modelo MIMO del Proceso Tanque Cerrado Descripci´ on del Proceso El proceso tanque cerrado con agua estudiado aqu´ı se muestra en la Fig. es determinar adecuadas fuerzas de control qC y qH con la capacidad de estabilizar las salidas controladas h y θ.5 describe las variables y los par´ametros valorados del proceso tanque cerrado con agua. la forma matricial de la ecuaci´on de estado resulta: x˙ = Ax + Bu       1 0 0 0 x˙ 1  x˙ 2  =  0 − B − Km  +  0  u J J 1 b a x˙ 3 0 −K −R La La La y = Cx y=  (2.16 ilustra el esquema para estudio de este proceso. entonces podemos usar las FTs dadas en (2. seleccionemos x 1 = θ y x2 = θ˙ como las variables de estado del motor.29). Se deja como ejercicio demostrar que partiendo de la primera FT de (2. donde se observa que los flujos de agua fr´ıa qC y de agua caliente qC se mezclan en el interior del tanque con el prop´osito de producir el flujo de salida qC a una temperatura θ.28 El Proceso a Controlar como variables de estado x1 = θ.32) 1 K A=− B= C=1 τ τ 2. Para el caso posici´on θ.29). y dos salidas: el nivel h del agua dentro del tanque y la temperatura θ que se asume uniforme en el interior del tanque.29).15.1. El objetivo del sistema de control a dise˜ nar.30) 1 0 0    x1  x2  x3 Si se considera que la inductancia de armadura La es despreciable. se obtienen las siguientes ecuaciones diferenciales de primer orden: x˙ 1 = x2 x˙ 2 = − B Km x2 + x3 J J x˙ 3 = − Kb 1 x3 + Va La La Si se elige como salida la posici´on y = x1 y se designa a Va como la entrada u. 2. Se deja como ejercicio demostrar que partiendo de la segunda FT de (2.8. el proceso tanque con agua es multivariable cuadrado debido a que posee dos entradas: los flujos qC y qH . La Tabla 2. x2 = ω y x3 = Ia y asumimos que Td = 0 en (2. la representaci´on en el espacio de estado resulta:  x˙ 1 x˙ 2  x˙ = Ax + Bu     0 0 1 + K u = 0 − τ1 τ y = Cx y=  1 0 (2.27).8. 2. seleccionemos x = y = ω como la variable de estado y a la vez salida y u = Va como la se˜ nal de entrada. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas. Por consiguiente.

variables y s´ımbolos del sistema tanque con agua.4 m m3 /s 1.2 Unid.8 Modelo MIMO del Proceso Tanque Cerrado 29 Tabla 2.5: Par´ametros. m 0.81 m/s2 θC Temperatura del flujo qC 20 +270 K θH Temperatura del flujo qH 50 +270 K θ Temperatura del flujo qD y en el tanque θ Estado estacionario de θ K 35+270 K ρC Densidad del agua para qC 998 kg/m3 ρH Densidad del agua para qH 988 kg/m3 ρD Densidad del agua para qD 996 kg/m3 d Di´ametro del orificio de la placa en qD 6.8 J kg K ΦH Calor entregado por qH J/s ΦT Calor del agua en el interior del tanque J/s ΦD Calor que toma el flujo de salida qD J/s ΦC Calor que trae consigo qC J/s LT Transmisor de nivel TT Transmisor de temperatura FT Transmisor de flujo PT Transmisor de presi´on .5×10−4 m3 /s m3 /s 2.9 mm Cp Calor espec´ıfico del agua 4186. S´ımbolo dA Descripci´on Di´ametro del tanque A Secci´on circular del tanque h Nivel del agua h Nivel del agua en estado estacionario qC Flujo de agua fr´ıa hacia el tanque qC Estado estacionario de qC qH Flujo de agua caliente hacia el tanque qH Estado estacionario de qH qD Flujo de salida desde el tanque qD Estado estacionario de qD Rh Resistencia hidr´aulica del tanque: Rh = h/q D g Aceleraci´on de la gravedad Valor 0.16×10−4 m3 /s s/m2 9.66×10−4 m3 /s m3 /s 0.0314 m2 m 0.2.5 mm D Di´ametro de la placa de orificio en qD 15.

C = 0. h es la altura del agua. Modelo Din´ amico No Lineal del Proceso Balance de Masas Aplicando balance de masas en el tanque. 2.2.15: Sistema tanque con agua.6 es el coeficiente de descarga del orificio. 4 4 donde hemos usado el hecho de que la ca´ıda de presi´on ∆p en la tuber´ıa de di´ametro D provocada por la placa de orificio de di´ametro d se expresa como: ∆p = ρD gh En la expresi´on (2. β = d/D es . el cambio de volumen de agua acumulado en su interior se modela como: A dh = Ah˙ = qC + qH − qD dt (2.34) qD = CE d2 2ρD ∆p = a h. el cual se calcula de [14]: √ p π π p a = CE d2 ρD 2g (2. ρD es la densidad del agua a una temperatura θ.30 El Proceso a Controlar Fig.8.34). qC (agua fr´ıa) y qH (agua caliente) son los flujos de entrada al tanque y qD (agua calentada) es el flujo de salida. g es la aceleraci´on de la gravedad.33) donde A es la secci´on del tanque. Ah˙ es el cambio de volumen de agua en el tiempo t. 2.

35) A A A Los valores de las densidades del agua en funci´on de la temperatura se pueden obtener de figura 2. una relaci´on igual a 0. Balance de Energ´ıa T´ ermica El balance de energ´ıa t´ermica dentro del tanque se formula como: ΦT = −ΦD + ΦC + ΦH (2. 2.33). la ecuaci´on de estado para la variable de estado nivel toma la forma: a√ 1 1 h˙ = − h + qC + qH (2.8 Modelo MIMO del Proceso Tanque Cerrado 31 PT LT= Transmisor de Nivel TT = Transmisor de Temperatura TT PT= Transmisor de Presión FT= Transmisor de Flujo Rebose LT Drenaje Agua Caliente Agua Fría FT FT Fig.16: Esquema de estudio del sistema tanque con agua. ΦT es el calor del agua en el interior del tanque.36) donde ΦH es calor entregado por el flujo de agua caliente qH . el cual se expresa como: E = (1 − β 4 )−1/2 Despejando h˙ de (2. ΦD es el calor que toma el flujo de salida qD y ΦC es el calor que trae consigo el flujo de entrada de agua fr´ıa qC . Las relaciones que gobiernan los flujos calor´ıficos descritos anteriormente son: ΦT = AhρD Cp dθ = AhρD Cp θ˙ dt . Cabe anotar que se est´a despreciando el calor que se libera al exterior del tanque debido a que tal tanque es cerrado y suficientemente aislado.41 y E es una constante de correcci´on del valor del flujo debido a consideraciones geom´etricas.2.17.

38) Definamos las siguientes fuerzas de control o variables manipuladas: u1 = qC .36): a √ ρH θ H qH ρC θ C qC θ˙ = − θ h+ + Ah ρD A h ρD A h (2.5. Observar que se asume un valor constante para el calor espec´ıfico del agua Cp . 2.35) y (2. u2 = qH y las siguientes variables de estado: x1 = h. la ecuaci´on de estado que describe la din´amica del proceso tanque cerrado con agua se formula como: x˙ =  x˙ = f (x.37) se describen en la tabla 2.40) . ΦC = C p ρC θ C qC ΦH = C p ρH θ H qH √ Φ D = C p ρD θ q D = C p ρD θ a h (2.38). entonces la ecuaci´on de salida posee la siguiente expresi´on: y = Cx (2. La ecuaci´on de estado ˙ de la variable de estado temperatura θ se obtiene despejando dθ dt = θ de (2. x2 = θ y juntando las ecuaciones (2.32 El Proceso a Controlar DENSIDAD Kg/m3 1005 1000 995 990 985 980 10 0 20 30 40 50 60 TEMPERATURA ° C Fig.39)  Dado que las variables de estado son las variables medidas del proceso.37) Los par´ametros que aparecen en (2. u)       qC u1 x1 h˙ x˙ 1 = u= x= = ˙ qD u2 x2 x˙ 2 θ   √ # " − Aa x1 + A1 u1 + A1 u2 f1   = f=  ρ θ ρ θ x u u a f2 − A √x21 + ρCD AC x11 + ρHD AH x12   (2.17: Valores de la densidad del agua versus la temperatura.

la cual se puede determinar de [13]: Rh = h qD (2.  y1 y2  =  x1 x2  C= 33  1 0 0 1  Modelo Din´ amico de Lagrange del Proceso El modelo din´amico de Lagrange del proceso tanque cerrado con agua se obtiene reordenado las ecuaciones de (2. Modelo Din´ amico Lineal del Proceso La placa de orificio instalada en la tuber´ıa del flujo de salida qD produce un flujo turbulento que para variaciones peque˜ nas del nivel h se puede aproximar como [13]: qD = 2h Rh (2. es f´acil demostrar que el modelo din´amico de Lagrange del proceso toma la forma: u = P x˙ + d (2. (2.3.2.41)   1 ρH θH A −ρD Ax1 P= (ρH θH − ρC θC ) −ρC θC A ρD Ax1   √ √ 1 ρH θ H a x 1 − ρ D a x 1 x 2 √ √ d= (ρH θH − ρC θC ) −ρC θC a x1 + ρD a x1 x2 2.39) en la forma siguiente: √ u1 + u2 = Ax˙ 1 + a x1 √ ρC θC u1 + ρH θH u2 = ρD Ax1 x˙ 2 + ρD a x1 x2 Por consiguiente:         √ 1 1 a x1 A 0 x˙ 1 u1 √ + = ρD a x 1 x 2 x˙ 2 u2 ρc θ C ρH θ H 0 ρD Ax1 Operando en la u ´ltima ecuaci´on.42) donde Rh es la resistencia hidr´aulica del tanque.4.45) .42) en (2.8.35).44) En funci´on de las variables de estado definidas anteriormente.8 Modelo MIMO del Proceso Tanque Cerrado y= 2. se obtiene la ecuaci´on lineal de estado del nivel: 1 1 2 h + qC + qH h˙ = − Rh A A A (2.43) donde h y q D son los valores en estado estacionario de h y qD respectivamente.44) toma la forma: x˙ 1 = − 1 1 2 x 1 + u1 + u2 Rh A A A (2.8. Reemplazando (2.

Cuando la se˜ nal escal´on de entrada cambia de u0 a u1 .34 El Proceso a Controlar Asumiendo que la variaci´on del nivel h es m´ınima. .38) correspondiente a la temperatura en el tanque: p √ h=h qD = a h = a h = q D donde el valor estacionario q D se calcula de (2.46) toma la forma: x˙ 2 = − ρC θ C ρH θ H qD x2 + u1 + u2 AhρD AhρD AhρD (2.47) La ecuaci´on de estado lineal del proceso se obtiene juntando las ecuaciones (2.9. entonces podemos hacer las siguientes sustituciones en la ecuaci´on de estado (2. Los par´ametros T y τ se obtienen gr´aficamente trazando una tangente que toque el punto de tangencia (P. la cual empieza en t1 .T.49) donde Kp es la ganancia proporcional. T es el retardo de primer orden o la constante de tiempo y τ es el tiempo muerto o retardo puro.48)         x1 h u1 qC x= = u= = x2 θ u2 qH   1   1 0 − Rh2 A A A   B= ρ θ A= qD ρH θ H C C 0 − Ahρ Ahρ Ahρ D D D La ecuaci´on de salida es la misma expresi´on dada en (2. 2. 2. Observar en la Fig. el cual es el caso en muchos sistemas industriales denominados autoregulados.45) y (2.) sobre la curva de reacci´on.6. 2.46) Empleando las variables de estado definidas anteriormente.47): x˙ = A x + B u (2.18.42). Este tipo de respuesta se puede aproximar mediante una FT de primer orden en cascada con una FT del tiempo muerto: Gp (s) = Kp y(s) = eτ s u(s) (T s + 1) Kp = y1 − y 0 u1 − u 0 (2. 2. (2.18 que la respuesta y0 en el tiempo t1 se debe a la entrada tipo escal´on u0 . entonces se produce la curva de reacci´on y(t) mostrada. La curva de reacci´on mostrada en la Fig.40).1.50) se determinan empleando la Tabla 2. Tales reemplazos nos permiten obtener la siguiente descripci´on lineal de la din´amica de la temperatura: q ρC θ C ρH θ H θ˙ = − D θ + qC + qH AhρD hρD AhρD (2.9.50) n u(s) (Tn s + 1) u1 − u 0 Los par´ametros n y Tn de (2. 2.18 tambi´en se puede aproximar mediante una FT de orden n de la forma: Kp y(s) y1 − y 0 G(s) = = Kp = (2. Respuesta Transitoria de los Procesos Respuesta al Escal´ on Asumamos que la respuesta de un sistema (su curva de reacci´on) a una entrada tipo escal´on posee la forma mostrada en la Fig.

50).148 0. lo que implica: Tn = 2.18.49) donde τ = 2 s y T = 9.775 Tn /T 0. Soluci´ on: El primer modelo din´amico se halla con la ecuaci´on (2. n 2 3 4 5 6 7 8 9 10 τ /T 0. Determinar la ganancia normalizada del sistema sabiendo que la entrada m´axima de voltaje es 40 V y el rango del instrumento de medici´on de rpm a la salida es de 0 a 1000 rpm.18: Curva de reacci´on de un sistema.T. y0 = 400 rpm. y0 τ t t 0 t1 t T Fig.591 0.217.132 Ejemplo 2.270 0.2 Determinar dos modelos din´amicos que describan el comportamiento velocidad frenada de un motor DC a partir de su curva de reacci´on.5 .641 0.368 0.493 0.484 s.50).195 0.151 0. 2.104 0. Tabla 2. 2.224 0.9 Respuesta Transitoria de los Procesos 35 y u u1 u u0 t 0 t1 Proceso autoregulado y KP e τs Ts + 1 y 1 P. Con los datos proporcionados en el ejemplo se obtiene: τ /T = 0.270.410 0.218 0.140 0.2 s: G(s) = Kp y(s) = e−τ s u(s) (T s + 1) Kp = y1 − y 0 600 − 400 rpm = = 20 u1 − u 0 20 − 10 V El segundo modelo din´amico se refiere a la ecuaci´on (2.2 s. u1 = 20 V. y1 = 600 rpm. Empleando la Tabla 2. un generador de voltaje continuo.6: Determinaci´on de los par´ametro n y Tn de (2. La FT resulta: G(s) = Kp y(s) 20 = = n u(s) (Tn s + 1) (2.320 0. Esta curva se obtuvo manipulando la entrada u del sistema.2. Los datos le´ıdos fueron: u0 = 10 V.484s + 1)3 La ganancia normalizada Kpn se determina de: Kpn = 600−400 1000−0 20−10 40−0 = 0.2 = 0. el tiempo muerto τ = 2 s y T = 9.6 se puede determinar: n = 3 y Tn /T = 0.175 0. semejante a la mostrada en la Fig.709 0.4 0.

097 0.175 0.3 % y t63.9.064 0.081 0.074 Ejemplo 2. Como KP = (300–200)/(15–5) = 10 rpm/V. y0 = 200 rpm.2 % correspondientes a las magnitudes 0.51). y1 = 300 rpm.632∆y.51).085 0.51) donde T1 y T2 son dos constantes de tiempo que se relacionan mediante la ecuaci´on: T1 = kT2 k>1 La constante k se determina usando la Tabla 2.175. τ = 2 s.18.283∆y y 0. Soluci´ on: El modelo din´amico se refiere a la ecuaci´on (2.2 % − t28. 2. semejante a la mostrada en la Fig.51 se determina que k = 2 y T1 /T = 0. Tabla 2.7 s.088 0.104 la din´amica del sistema autoregulado se puede aproximar mediante la siguiente FT de segundo orden: G(s) = KP Y (s) = U (s) (T1 s + 1)(T2 s + 1) KP = y1 − y 0 u1 − u 0 (2. u1 = 15 V.140 0.238 0. lo que implica que T1 = 3.7s + 1) M´ etodo del 28.2. En este m´etodo se determinan los tiempos t28.080 0.49) se determinan de: T = 1.09. empleando la Tabla 2. En este caso. Y (s) KP 10 = = U (s) (T1 s + 1)(T2 s + 1) (3.19 muestra la curva de reacci´on para el m´etodo 28.053 T1 /T 0.2 % − T (2. k 1 2 3 4 5 6 7 8 9 τ /T 0. respectivamente.3 Determinar el modelo que describa la din´amica de un sistema mecatr´onico de velocidad a partir de su curva de reacci´on.094 0. los par´ametros de la FT dada en la ecuaci´on (2.7.120 0.058 0.069 0.7: Determinaci´on de los par´ametro T1 y T2 de (2.85 s y T2 = kT1 = 7.075 0.5(t63.107 0. Dado que τ /T = 0.2 %.85s + 1)(7.2 % La Fig.36 El Proceso a Controlar Caso Especial Para el caso especial: 0 < τ /T < 0. la FT pedida es: G(s) = 2.3 % y 63.52) . T = 22 s.3 % y 63. los datos le´ıdos fueron: u0 = 5 V.090 0.3 % ) τ = t63. En base a estos valores. 2.

2.9 Respuesta Transitoria de los Procesos

u

37
t 63.2%

y

u1
∆u

u

u0
t

0

t1

Proceso
autoregulado
KP
e τs
Ts + 1

t

t 28.3

y
1
y

∆y

0.632 ∆y
y0

0.283 ∆ y
t

0

t1

t

Fig. 2.19: Curva de reacci´on para el m´etodo 28.3 % y 63.2 %.

2.9.3.

Otras Respuestas al Escal´
on y al Impulso

Los sistemas autoregulados presentan una respuesta finita (constante o cero) a
entradas de prueba escal´on o impulso. Sabemos que cuando la entrada u(t) es un
escal´on o un impulso de magnitud A, sus correspondientes transformadas de Laplace
son u(s) = A/s y u(s) = A respectivamente.
El siguiente proceso de segundo orden se emplea para explicar las especificaciones
de dise˜
no en el dominio del tiempo como veremos en la siguiente secci´on. La FT de
este sistema es:
y(s)
ωn2
Gp (s) =
= 2
(2.53)
r(s)
s + 2ζωn s + ωn2
donde ωn es conocida como la frecuencia natural de oscilaci´on y ζ es el coeficiente de
amortiguamiento. Cuando r(s) = A/s (entrada tipo escal´on de magnitud A), y(s) en
(2.53) toma la forma:
Aωn2
(2.54)
y(s) =
s(s2 + 2ζωn s + ωn2 )
Tomando la transformada inversa de Laplace (f´ormula (31) de la Tabla A.1) se obtiene:  

ωn −ζωn t
y(t) = A 1 −
e
sen(ωd t + θ)
(2.55)
ωd
La Fig. 2.20 (gr´afico superior izquierda) muestra y(t) para A = 1 y varios valores de
ζ. Notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada. La transformada
inversa de laplace de (2.54) para ζ ≥ 1 se obtiene empleando la f´ormula (32) de la
Tabla A.1.
Cuando u(s) = A (entrada tipo impulso), y(s) en la ecuaci´on (2.53) se formula
como:
Aωn2
(2.56)
y(s) = 2
s + 2ζωn s + ωn2
Tomando la transformada inversa de Laplace (f´ormula (29) de la Tabla A.1) resulta:
y(t) =

Aωn2 −ζωn t
e
sen ωd t
ωd

(2.57)

La Fig. 2.20 (gr´afico superior derecha) muestra y(t) para A = 1 y varios valores de
ζ. Notar tambi´en que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada.

38

El Proceso a Controlar
Una forma alternativa de (2.53) incluye un tiempo muerto τ . Esto es:
G(s) =

y(s)
ω2
= 2
e−sτ
u(s)
s + 2ζωs + ω 2

(2.58)

Para una entrada tipo escal´on (u(s) = A/s) en (2.58) y aplicando la propiedad (5)
de la Tabla A.2 en (2.55), se obtiene la respuesta y(t) al escal´on correspondiente a
(2.58):  

ωn −ζωn (t−τ )
y(t) = A 1 −
e
sen[ωd (t − τ ) + θ]
(2.59)
ωd
La Fig. 2.20 (gr´afico inferior izquierda) muestra y(t) para A = 1 y varios valores de
ζ. De nuevo, notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada.
Si la entrada es un impulso (u(s) = A) en (2.58) y aplicando la propiedad (5)
de la Tabla A.2 en (2.57), se obtiene la respuesta al impulso y(t) correspondiente a
(2.58):
Aωn2 −ζωn (t−τ )
y(t) =
e
sen ωd (t − τ )
(2.60)
ωd
La Fig. 2.20 (gr´afico superior derecha) muestra y(t) para A = 1 y varios valores de ζ.
Notar que para ζ ≥ 1 la respuesta se vuelve sobreamortiguada. Para obtener la Fig.
2.20, ejecutar el programa r1.m listado abajo.
% r1.m RESPUESTAS AL ESCAL´
ON Y AL IMPULSO DE PROCESOS AUTOREGULADOS
clear all; close all; clc; wn=3; tau=2; s=tf(’s’);
subplot(221), for z=[0.2:0.4:1.8]; G1=wn^2/(s^2+2*z*wn*s+wn^2);
step(G1), hold on, end
subplot(222), for z=[0.2:0.4:1.8]; G2=wn^2/(s^2+2*z*wn*s+wn^2);
impulse(G2), hold on, end
subplot(223), for z=[0.2:0.4:1.8]; G3=wn^2*exp(-tau*s)/(s^2+2*z*wn*s+wn^2);
step(G3), hold on, end
subplot(224), for z=[0.2:0.4:1.8]; G4=wn^2*exp(-tau*s)/(s^2+2*z*wn*s+wn^2);
impulse(G4), hold on, end, print -deps -f r1

Respuesta al Escal´
on en Procesos No Autoregulados
Procesos no autoregulados, como es el caso de la posici´on angular del eje de un
motor de CC, o el aumento del nivel de un l´ıquido dentro de un tanque sin tuber´ıa de
salida, poseen una respuesta al escal´on no finita, tal como se ilustra en la Fig. 2.21.
La din´amica de tales procesos se puede modelar como:
Gp (s) =

Kp −τ s
e
s

R = Kp τ

(2.61)

donde τ es el tiempo muerto, R es la raz´on de reacci´on unitaria y Kp es la ganancia
proporcional. Los par´ametros R y τ se obtienen gr´aficamente, tal como se ilustra en
la Fig. 2.21.
A manera de resumen, la Tabla 2.8 muestra la FT (funci´on de transferencia) de
varios procesos en funci´on de su comportamiento.

2.10 Problemas

39

Step Response

Impulse Response
4

1.5

Amplitude

Amplitude

2

0.2

1
0.5
0

1
0

1.8

2

0.2

0

1.8

5
Time (sec)

−2

10

0

5
Time (sec)

Step Response

Impulse Response
4

1.5

Amplitude

Amplitude

2

0.2

1
0.5
0

10

1.8

1
0

2

0.2

0

1.8

5
Time (sec)

−2

10

0

5
Time (sec)

10

Fig. 2.20: Respuestas al escal´on y al impulso de procesos de segundo orden en funci´on
del par´ametro ζ.
Proceso
no autoregulado

u
A

u

τ

Kp
e τs
s
R = Kp τ

y
y

R

t
τ

Fig. 2.21: Respuesta al escal´on de un proceso no autoregulado.

2.10.

Problemas

Problema 2.1 Amplificador de Opamps
La Fig. 2.22 muestra un amplificador un seguidor de voltaje y dos opamps inversores.
Demostrar que este proceso es proporcional con ganancia K p = Rf /Ri , donde Rf ,
Ri y R son resistencias.

40

El Proceso a Controlar

Tabla 2.8: FT (Funci´on de Transferencia) de varios procesos en funci´on de su comportamiento, donde τ es el tiempo muerto. Otras combinaciones son posibles.
Proceso

FT

Proceso

Proporcional (P)

Kp

Primer orden

Integral (I)

Kp
s

Segundo orden
(primera forma)

Doblemente
integral

Kp
s2

Segundo orden
(segunda forma)

Proporcional
integral (PI)
Proporcional
derivativo (PD)
P+I+D 

Kp 1 +

1
Ti s 

1
Ti s

+ Td s 

Kp
s

2do orden con τ
(2a forma)

1er orden con
tiempo muerto

Kp
T s+1

e−τ s

Kp
(T s+1)n

(segunda forma)

Integral con
tiempo muerto

e−τ s

Kp
(T1 s+1)···(Tn s+1)

De orden n
2do orden con τ
(1a forma)

Seguidor
de voltaje

2
ωn
2
s2 +2ζωs+ωn

De orden n
(primera forma)

Kp e−τ s

Vin

Kp
(T s+1)2

(tercera forma)

Proporcional con
tiempo muerto

Ri

Kp
T s+1
Kp
(T1 s+1)(T2 s+1)

Segundo orden

Kp (1 + Td s) 

Kp 1 +

FT

Kp
(T1 s+1)(T2 s+1)

2do orden con τ
y derivativo

Rf

R
Opamp
inversor

e−τ s

2
ωn
2
s2 +2ζωs+ωn

e−τ s

2s
ωn
2
s2 +2ζωs+ωn

e−τ s

R
Vo
Opamp
inversor

Fig. 2.22: Circuito con opamps.

Problema 2.2 Turbina
La Fig. 8.11 muestra una turbina de agua unido a un generador el´ectrico. Demostrar que:
Kp
M (s)
=
ω(s)
Ts + 1

2.10 Problemas

41

donde M (s) es el momento rotacional generado por la turbina gracias a la acci´on
del flujo de agua, ω(s) es la velocidad angular del generador y T su correspondiente
constante de tiempo. Asumir conocido cualquier otro par´ametro necesario.
Generador
eléctrico
Turbina
Entrada
de agua
M
ω

Desague

Fig. 2.23: Generador accionado por una turbina de agua.

Problema 2.3 Proceso Tanque Cerrado
En la subsecci´on 2.8.1 se determinaron el modelo de Lagrange y la ecuaci´on de estado
del proceso tanque cerrado
con agua. Ahora consideremos que se desea controlar el

flujo de salida qD = a h y la temperatura en el tanque θ. Las fuerzas de control (las
entradas), siguen siendo las mismas: qC y qH . Determinar la ecuaci´on de estado y el
modelo de Lagrange del proceso para esta situaci´on.
Problema 2.4 Tanque para Gas
La Fig. 2.24 muestra un tanque de almacenamiento de gas. Demostrar que:
1
Po (s)
=
Pi (s)
Ts + 1

T = RC

donde Po es la presi´on del gas dentro del recipiente, Pi es la presi´on del gas de entrada,
R = (Pi − Po )/Q es el la resistencia neum´atica, Q es el caudal del gas, C = dm/dp
(variaci´on de la masa con respecto a la variaci´on de la presi´on) es la capacitancia
neum´atica, m = ρV es la masa del gas, V es el volumen del tanque, ρ es la densidad
del gas y T = RC es la constante de tiempo. Se sabe adem´as que la capacitancia C
multiplicada por la variaci´on de la presi´on de salida dPo , es igual al gas Q a˜
nadido
al recipiente en un diferencial de tiempo dt.
Problema 2.5 Proceso Mec´
anico
La Fig. 2.25 muestra una proceso mec´anico traslacional, donde M es la masa de
un cuerpo que est´a accionado por una fuerza u. A esta acci´on se le oponen la fuerza
fK = Kx en el resorte y la fuerza de p´erdidas fB = Bv en el amortiguador, donde K

42

El Proceso a Controlar
Pi
R
Q
Po
C
ρ

Fig. 2.24: Tanque almacenador de gas.

es la constante del resorte, B es la constante de p´erdidas, v = dx/dt es la velocidad
de la masa M y x su posici´on. La ecuaci´on din´amica de este proceso es:
dv
= u − f K − fB
dt
Determine la FT v(s)/u(s) y la ecuaci´on matricial de estado del proceso sabiendo
que x1 = v, x2 = fK , mientras que la salida es: y = x1 /K.
M

x
v

K
B

fK

M

u

fB

Fig. 2.25: Proceso mec´anico traslacional.

Problema 2.6 Sistema de Plataformas
La Fig. 2.26 muestra dos plataformas P1 y P2 de masas m1 y m2 acopladas por
resorte y amortiguador. El sistema de plataformas descrito tiene como entradas de
control las se˜
nales u1 y u2 generadas por dos actuadores. Las se˜
nales de control son
capaces de llevar a cero con suficiente rapidez los errores de posici´on e 2 = r2 − y2 ,
donde r1 y r2 son las se˜
nales de referencia e y1 e y2 , las se˜
nales de salida a controlar,
son las posiciones individuales de las plataformas. Asuma Usted los valores de los
par´ametros del sistema. (a) Determinar las ecuaciones de estado y de salida del
sistema. (b) Determine el modelo de Lagrange del sistema.
Problema 2.7 Proceso T´
ermico
En el sistema t´ermico mostrado en la Fig. 2.27 se desea determinar su ecuaci´on
de estado, sabiendo que las entradas al sistema son el flujo de agua q1 (t) y el flujo de
calor Qi (t), mientras que las salidas son las temperaturas TM y TF . Considerar que
la temperatura Ta del medio ambiente es constante. Se sabe adem´as que TF > TM ,
TF > Ta . Considerar que el flujo de salida qo es laminar. Los par´ametros CF y CM son
los calores espec´ıficos del fluido en el tanque y de la masa respectivamente, mientras
que RF y R : F son las resistencias hidr´aulicas.

2.10 Problemas r1   e1 u1 + R1 − − + r2            + 43                       P1 y1 Y1 K1 + u2 B1 y P2 R2 − − 2 Y2 K2 B2 .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9 Proceso H´ıbrido En el proceso h´ıbrido mostrado en la Fig. Problema 2. 2. Tomar como variables de estado la presi´on P 1 . e2 Fig. ! "! "!  $% "! "! ## "! "! "! "!   ##                         Ta qi RF h CM CF TM RM Q TF VAPOR qo Fig. sabiendo que la entrada al sistema es la fuerza f (t) aplicada sobre la masa M1 de secci´on A1 y la salida es el desplazamiento x2 de la masa M2 de de secci´on A2 . sabiendo que la entrada al sistema es el flujo de agua q1 (t) y la salida es el voltaje V (t) del generador. Problema 2.27: Sistema hidr´aulico del problema 2.8 Proceso Hidr´ aulico En el proceso hidr´aulico mostrado en la Fig. B1 y B2 son los coeficientes de fricci´on viscosa mientras K es la constante del resorte.7. 2.28 se desea determinar su ecuaci´on de estado. la velocidad angular ωT del eje del motor y la corriente de armadura iG del motor. 2.10 Proceso Electromec´ anico . 2.26: Plataformas acopladas. B. Problema 2.29 se desea determinar su ecuaci´on de estado.

/ f(t) M1 B1 /2 B2 /2 () ACEITE B1 /2 f1 A1 *+ f2 A2 M2 B2 /2 &' &' &' &' &' &' &' &' &' &' &' &' K B Fig..28: Sistema hidr´aulico del problema 2. . 2.6. 2..8.44 El Proceso a Controlar .30: Sistema electromec´anico del problema 8.:=< .. 2.29: Proceso h´ıbrido del problema 2.30 se desea determinar las funciones de transferencia ω(s)/R(s) y θ(s)/R(s).. 2.:=< 445454 >GF5454 ?>IH GF5454 ?>IH GF ?>IH GF 445445 5445 65445 76 76 u Vb Kb I a Ia L Transductor M ω dθ dt J r KT f x B Fig. En el sistema electromec´anico mostrado en la Fig. q Po Ra A q1 P1 θT ωT θG ωG TT TG Rc V Turbina VG KT JT q1 La K bω Lc Generador DC en paralelo Fig. Notar que la barra dentada posee una masa M y gira a ω rad/s R e Ref θ x Tm ωm A KJK J ML ML 22A@ DC3232 A@ BDC3232 A@ BDC3232 A@ B DC 223232 E3232 E3232 EE 889 89 232 32 4432 01 5454 5454 <5454 .9.

En muchos casos la variable medida y la variable controlada pueden ser la misma. Un sensor puede estar caracterizado por una curva de reacci´ on la cual relaciona la variable medida con la se˜ nal generada. tambi´en son capaces de procesar se˜ nales digitales empleando uno o varios protocolos industriales. un sensor se puede clasificar en anal´ogicos (la se˜ nal de salida es continua dentro del rango de medici´on). Tambi´en cabe mencionar que los sistemas de medici´on actuales. consta de un sensor y de un transmisor. El sensor proporciona la variable medida.1. digital (la . La medici´on del valor actual de la se˜ nal a controlar se realiza mediante un sensor. Los temas sensores y transmisores se tratan en forma extensa y especilizada en los textos de instrumentaci´on industrial. 3. la cual generalmente es una se˜ nal que pueda ser procesada y transmitida. Esta curva se obtiene aplicando una serie de entradas conocidas al sensor y almacenando las correspondientes respuestas. 1. mientras que el transmisor cambia tal medici´on en una se˜ nal estandarizada. Es necesario acotar que en el mercado se pueden encontrar tanto sensores como transmisores (denominados tambi´en transductores.Cap´ıtulo 3 El Sistema de Medici´ on En este Cap´ıtulo se aborda el sistema de medici´on de un sistema de control realimentado. El bloque sistema de medici´on para el control de procesos SISO (Single Input Single Output). Seg´ un el tipo de se˜ nal de salida que proporciona. En esta publicaci´on. o un instrumento de medici´on que emplea los sensores adecuados para tal o cual medici´on. denominado as´ı poseer un solo lazo de realimentaci´on. adem´as de tener disponibles mediciones estandarizadas tales como 4 a 20 mA o 3 a 15 psi.1 ilustra un sistema de control a lazo cerrado (o realimentado) simple. el cual comprende la medici´on primaria. estandarizada y transmitible. Sensores Recordemos que la Fig. la cual representa la condici´on actual de la variable controlada y. realizada con sensores. denominado tambi´en elemento primario de medici´on. y la conversi´on de la se˜ nal se˜ nal medida en una se˜ nal manipulable. as´ı como tambi´en formando instrumentos unidades completas. tales temas van a ser tratados con el suficiente nivel que exige un texto de control de procesos. Un ejemplo t´ıpico est´a constituido por las curvas caracter´ısticas de Temperatura (◦ F) vs mV de las termocuplas. convertidores o acondicionadores de se˜ nal) por separado. Esta conversi´on la realiza el transmisor.

precisi´on y exactitud. zona muerta. la medici´on no es confiable. En las zonas de saturaci´on. este term´ometro posee una hist´eresis de ±1◦ C porque en un objeto de 50◦ C mide 49◦ C cuando dicho objeto pasa de m´as fr´ıo a m´as caliente. las se˜ nales que abren y cierran completamente una v´alvula son del tipo ON–OFF. las curvas caracter´ısticas de los diodos en su zona activa son no lineales porque sus puntos de sensibilidad corriente sobre voltaje no son constantes. presi´on. t´ıpicamente al principio o al final del rango. por ejemplo. sin embargo. La sensibilidad es la variaci´on de la salida debido a una variaci´on de la entrada.5 V. linealidad. El alcance o span es la diferencia entre el valor m´aximo y el valor m´ınimo de inter´es. 200. curva caracter´ıstica. resoluci´on. lo cual significa un span de 100 V. y ON–OFF (la se˜ nal de salida var´ıa entre los umbrales ON y OFF). es decir. mientras que un radar proporciona se˜ nales discretas que son proporcionales a la magnitud de la variable medida. Por ejemplo. sensibilidad. Un sensor posee repetibilidad cuando se puede repetir el valor de la medici´on de una variable para una u ´nica direcci´on de medici´on. La exactitud de una medici´on se refiere a la m´axima desviaci´on en % del valor . una termoresistencia proporciona una se˜ nal continua en ohms. Supongamos que un volt´ımetro es capaz de medir en el rango de 0 a 500 V. pero nosotros s´olo estamos interesados en medir en la escala de 200 a 300 V. Mientras mayor sea la pendiente de dicha curva. saturaci´on. La zona muerta de un sensor es el a´rea de valores de la variable medida que no hace variar la indicaci´on del instrumento. Las caracter´ısticas din´amicas son: velocidad de respuesta. mientras que la resoluci´ on es la m´ınima diferencia entre dos valores pr´oximos que el sensor es capaz de distinguir. Este gr´afico representa respuesta no lineal. etc. Entre las caracter´ısticas est´aticas tenemos: rango. y estabilidad. Desafortunadamente. mejor la sensibilidad. El volt´ımetro usado posee una resoluci´on de 0. el sensor puede ser de nivel. respuesta en frecuencia. la variaci´on de la salida producida por una variaci´on de la entrada es constante. una conductancia (la inversa de la resistencia) si posee una curva caracter´ıstica lineal. un term´ometro posee repetibilidad porque siempre mide 49◦ C en un objeto de 50◦ C cuando dicho objeto pasa de m´as fr´ıo a m´as caliente. el proceso de medici´on es en ambos sentidos. Caracter´ısticas Est´ aticas y Din´ amicas Un sensor posee tanto caracter´ısticas est´aticas como din´amicas.1. hist´eresis. alcance. podemos ver sin dificultad lecturas de. El gr´afico de los puntos de sensibilidad define la curva caracter´ıstica o de de calibraci´on.46 El Sistema de Medici´ on se˜ nal de salida es digital). y mide 51◦ C cuando el objeto pasa de m´as caliente a m´as fr´ıo.5 V. La saturaci´ on se manifiesta en un sensor debido a la no linealidad producida por la disminuci´on de sensibilidad. En cambio. Por otro lado. 3. es decir. Por ejemplo. temperatura. Por ejemplo. Seg´ un la magnitud a medir. su sensibilidad es siempre la misma y su curva caracter´ıstica es lineal. flujo. La hist´erisis en un sensor se parece a la repetibilidad. repetibilidad.5 V 0 289. El rango es el campo de medida de la magnitud de entrada del sensor y var´ıa entre el valor m´aximo y el valor m´ınimo detectables. con una tolerancia de error aceptable. porque sus puntos de sensibilidad corriente sobre voltaje son constantes. la cual es proporcional a la temperatura medida. proximidad. En un sensor con curva de respuesta lineal.1.

Una velocidad de respuesta r´apida implica una constante de tiempo T peque˜ na y viciversa. 103 y 105 mA. que equivale al 1 % con respecto a la medida real de 100 mA. Por ejemplo.2) T s + 1 s=jω T jω + 1 1 + ω2T 2 K MB (ω) = 20logM (ω) ∠M = arctan(−T ω) 1 + ω2T 2 donde M (ω) es la magnitud de 3. M (ω) = √ . con respecto al valor ideal. 105. La velocidad de respuesta de un sensor es la capacidad para que la se˜ nal de salida siga sin retraso a las variaciones de la se˜ nal de entrada. los sensores poseen un comportamiento din´amico constante o proporcional. las cuales resultan: 104. MB (ω) es M expresado en dB (decibelios). donde j = −1 es la unidad de n´ umeros imaginarios y ω = 2πf es la frecuencia angular. en este caso: ± 1 mA. Por otro lado.1) nivel Ts + 1 donde K es la ganancia del sensor. entonces en 3. la relaci´on entre la salida voltaje en V y la entrada nivel en m es una expresi´on de primer orden: voltaje K = (3. En la mayor´ıa de los casos. Supongamos que se mide una corriente conocida de 100 mA empleando 5 lecturas. la respuesta en frecuencia de un sensor se determina excitando al sensor con se˜ nales senoidales de amplitud constante y frecuencia variable. Luego:   K K K = =√ arctan(−T ω) = M (ω)∠M (ω) (3.1: s = jω. √ Si el sensor recibe excitaciones senoidales.2)). el comportamiento es similar al de un proceso de primer orden.1. la relaci´on entre la salida resistencia en ohm y la entrada temperatura en ◦ C es constante. La estabilidad en un sensor se explica como la desviaci´on que sufre la medici´on cuando se var´ıan ciertos par´ametros. El gr´afico de MB (ω) vs ω en escala logar´ıtmica es la respuesta en frecuencia en magnitud del sensor representado en 3. en un sensor PT 100 empleado para medir la temperatura. Dado que la desviaci´on m´axima en la medici´on es 5 mA con respecto al valor real de 100 mA. mientras que en un flotador empleado para la medici´on de nivel. s es la variable de Laplace y T es la constante de tiempo. Un sensor no es estable cuando la medici´on experimenta desviaciones en los valores medidos debido a la variaci´on de ciertos par´ametros.1 y ∠M (ω) es el argumento o fase para cada frecuencia ω. Tales representaciones se denominan los gr´aficos de Bode en magnitud y fase.1 Sensores 47 medido. la cual se interpreta como el tiempo que demora la medici´on. 103.3. Por otro lado. mientras que el gr´afico ∠M = arctan(−T ω) vs ω en escala logar´ıtmica es su correspondiente respuesta en frecuencia de su a´ngulo o fase. la exactitud del instrumento resulta: 5 × 100 = 5 % 100 La precisi´on se halla calculando primero la media de las lecturas: 105 + 103 + 105 + 103 + 105 = 104 mA 5 y luego determinando la m´axima desviaci´on de las lecturas con respecto a dicha media. un instrumento de medici´on es preciso cuando puede reproducir la lectura medida con una exactitud previamente determinada. tales como K y T (ver (3. pero en otros casos.

tales como los term´ometros de vidrio. tales como los term´ometros con resistencia met´alica y los termistores. de radiaci´on y de dos colores. de bulbo y bimet´alicos. 4. de acuerdo al principio f´ısico o caracter´ıstica con que operan. como son los pir´ometros o´pticos.48 El Sistema de Medici´ on Sensores de Temperatura Los sensores de temperatura. Term´ometros de dilataci´on. Termocuplas o termopares. 3. Medici´on sin contacto. 2. Term´ometros sensibles a la resistencia. . se pueden clasificar en: 1.

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

.50 El Sistema de Medici´ on Fig.2: Principios de los sensores. 3.

mientras que el contacto. el micro interruptor.Cap´ıtulo 4 Elementos Finales de Control Este Cap´ıtulo 4. A su vez. un tiristor o un triac son discontinuos. cada vez que recibe la se˜ nal del controlador. el transformador y el transistor de potencia son dispositivos continuos. el cual dosifica el flujo de masa o de energ´ıa que est´a siendo manipulado. neum´aticos e hidr´aulicos. En las v´alvulas para gas. En el extremo libre de este eje se encuentra el cono u obturador. el motor AC. y. el mecanismo de ajuste. y a continuaci´on. el rel´e. el cilindro de membrana. la bobina con n´ ucleo de hierro m´ovil. El cilindro hidr´aulico y el cilindro hidr´aulico rotatorio son dos actuadores hidr´aulicos representativos. Dependiendo de la energ´ıa auxiliar con la que est´an alimentadas. entonces el mecanismo de ajuste dosifica el caudal que pasa por la VCA aumentando o disminuyendo la abertura entre el cono y su asiento. el asiento de la VCA. su actuador (el cabezal de la VCA con su membrana) recibe la se˜ nal estandarizada de 3 a 15 psig (o 0.1. los actuadores se pueden clasificar en el´ectricos. el conjunto obturador–asiento constituye el dispositivo de ajuste.2 a 1 bar) para desplazar el eje o v´astago que est´a unido a la membrana. 4. Caracter´ısticas El ECF (Elemento de Control Final) es un dispositivo que posee la potencia necesaria para ejercer cambios en el proceso. Los actuadores el´ectricos m´as empleados son el motor DC. Los dispositivos de ajuste tambi´en se clasifican de acuerdo a la energ´ıa auxiliar que los alimenta. y el inversor de potencia. . En una VCA neum´atica. que transforma la se˜ nal del controlador en un comando para el dispositivo manipulador. vapor. Entre los actuadores neum´aticos tenemos los de membrana de simple y doble efecto. Uno de los EFC m´as empleados en la indutria es la VCA (V´alvula de Control Autom´atico). en concordancia con la se˜ nal estandarizada que recibe de su actuador. Si esta v´alvula est´a siendo usada para controlar el paso de un fluido a trav´es de una tuber´ıa. el cilindro (o pist´on) de doble y simple efecto. Por lo general. el EFC consta de dos partes: el actuador. La resistencia el´ectrica. La Fig. l´ıquidos o granos.1 muestra el esquema de los actuadores antes mencionados. los dispositivos de ajuste el´ectricos pueden ser continuos y discontinuos.

etc.2.1: Actuadores. 4.2: Actuadores. vapor). de caracter´ıstica lineal y de caracter´ıstica isoporcentual. temperatura.2. . gases. 4. PH. (a) (c) (b) (d) (e) (f) (g) (h) Fig. Existen tres tipos principales de v´alvula: de aperura y cierre r´apido (v´alvulas ON–OFF).1.52 Elementos Finales de Control `O_`O_aa `O_`O_ `_`_ O[\O[\ \O[\O[ ^]]^]^ \[\[ ]^]^]^ aaa ]^ a (a) (c) (b) XOWXOWXOW XWXWXW WOXXWOXWOWXXWXW Z XWOXW ZYZY (d) (e) PTSONOPNOPON RQTS PNPNPN TSOTS UOUOUOUOUOVUOUOUOVUOUUVU UOUOUOVUOVUOVUOVUOVUOVUOVUVUVU VVOVVOVV R S T (g) (f) Y w (h) Fig. 4. La V´ alvula de Control Autom´ atica (VCA) Dimensionamiento de una VCA La VCA es uno de los EFC m´as empleados en el control de procesos tales como presi´on. nivel. 4. fluidos (l´ıquidos. redox.

La porci´on de la v´alvula que muestra la Fig.3 que la altura h1 es cero porque coincide con el eje horizontal de referencia a trazos. etc.1) Por continuidad: Q = V 1 A1 = V 2 A2 → V 1 = β 2 V2 β2 = A2 A1 (4. Para un mejor entendimiento del tema. Bajo ciertas consideraciones. es decir. la constante Cv de la v´alvula ha sido adoptado por los fabricantes y usuarios como un coeficiente de dimensionamiento.2) en (4. ruido.4) donde la constante Cv . posee la expresi´on: s s 2g GF =Q (4. mientras que en las v´alvulas de caracter´ıstica lineal e isoporcentual. Reemplazando V1 de (4. cruzando una una secci´on A1 y produciendo una presi´on P1 . conocida tambi´en como tama˜ no o dimensionamiento de la v´alvula. caracter´ıstica del fluido. El principio de Bernoulli nos permite formular: P1 V12 P2 V22 + + h1 = + + h2 γ 2g γ 2g (4. En este sentido. Notar que cuando P 2 − P1 = GF = 1. el caudal iguala al tama˜ no de la v´alvula. 4.2 La V´ alvula de Control Autom´ atica (VCA) 53 La abertura o posici´on del v´astago en una v´alvula ON–OFF est´a restringida a dos posiciones: apertura y cierre.5) Cv = A 2 4 GF (1 − β )γH2 O (P2 − P1 ) Esta u ´ltima expresi´on se corrige multiplic´andola por factores que toman en cuenta p´erdidas. entonces: Q = Cv . la constante de la v´alvula se denomina Kv y se define como el caudal de agua (de 5 a 40◦ C) en m3 /h que pasa a trav´es de una v´alvula a una determinada apertura y con una p´erdida de carga .3) γ(1 − β 4 ) γH 2 O GF γ(1 − β 4 )γH2 O γH 2 O Por consiguiente: Q = V 2 A2 = C v r P2 − P 1 GF Cv = A 2 s 2g GF (1 − β 4 )γH2 O (4. a continuaci´on se deduce la expresi´on de CV para un fluido que fluye en una VCA. El fluido ingresa a v´alvula con una velocidad V1 . las posici´on m del v´astago responde a una ecuaci´on que es funci´on de la constante Cv o tama˜ no de la v´alvula.3 corresponde al cono y al asiento de la misma. esta constante se define como el caudal en galones USA por minuto (gpm) que pasa a trav´es de la v´alvula en posici´on completamente abierta y con una p´erdida de carga (ca´ıda de presi´on) de una libra por pulgada cuadrada (psi).1) produce: s s (P2 − P1 )2g γH2 O (P2 − P1 )2g γ V2 = × = GF = (4. mientras que la altura h2 se puede despreciar por ser peque˜ na.4. que posee un peso espec´ıfico γ y una densidad ρ. El flujo sale por la abertura v´astago– cono de secci´on A2 . En aquellos pa´ıses donde se emplean el sistema m´etrico. 4. por donde fluye un producto de caudal Q. a una velocidad V2 y generando una presi´on P2 .2) Notar en la Fig.

16 Kv gpm (4.12) .86 Cv m3 /h Cv = 1. se puede calcular de: r B CL = Cvmax (4.3: Cono y asiento en una v´alvula de control autom´atica. denominado CE .9) donde m es la posici´on del eje o v´astago de la v´alvula expresado en % y C vmax es el valor m´aximo de Cv .6) El rango de control R de la v´alvula ((rangeability en ingl´es) se define por la relaci´on: Kvs (4. A 2 Asiento h2 Fig. que represente la restricci´on a fluir ofrecida por la linea (tuber´ıa) y por otros elementos del proceso en la linea. 4. A 1 Q. P2 . La curva caracter´ıstica de una VCA lineal est´a regida por la relaci´on: Cv = Cvmax m 100 (4. V 2. y de 15 a 1 o de 30 a 1 en VCAs lineales. se puede formular como: CL Cv CE = q CL2 + Cv2 (4. La equivalencia entre los coeficientes Kv y Cv para una VCA completamente abierta es: Kv = 0. de de 1 bar (105 Pa).8) mientras que para una VCA isoporcentual: m Cv = Cvmax R 100 −1 (4. El rango R toma un valor de 30 a 1 en VCAs del tipo isoporcentual.11) Un factor de flujo combinado. definida como: B= Ca´ıda de presi´ on m´ınima (v´ alvula abierta) Ca´ıda de presi´ on m´ axima (v´ alvula cerrada) (4.10) 1−B donde B es la raz´on de ca´ıda de presi´on. mientras que K v0 es el m´ınimo valor de la misma. El denominado factor CL .54 Elementos Finales de Control Vástago Cono Q. P1 .7) R= Kv0 donde Kvs es la constante para v´alvula completamente abierta. V1.

4.8)) e isoporcentual (ecuaci´on (4.9)).2 La V´ alvula de Control Autom´ atica (VCA) 55 Con las consideraciones anteriores. 4. 4.13) La Fig. mientras que las p´erdidas ∆P1 .2.5 ilustra la forma de los conos u obturadores.4: Curvas caracter´ısticas de las VCAs. ∆P2 y ∆P3 ocurren en otras partes de la linea.5: Tipos de conos (obturadores). 4. Fig. Carcter´ıstica de una VCA Operando La Fig.4 muestra las curvas caracter´ısticas de las v´alvulas ON–OFF. lineal (ecuaci´on (4. La ca´ıda de presi´on en la VCA es ∆P = P1 − P2 . se formula como: Q = CE √ ∆P (4.6(a) muestra una bomba que genera un caudal Q a una presi´on P 0 . Para tal situaci´on. mientras que la Fig. el caudal Q.2. es evidente que: P0 = ∆P + ∆P1 + ∆P2 + ∆P3 . 4. 4. que fundamentalmente es proporcional a la ra´ız cuadrada de la ca´ıda ∆P = P1 − P2 . Fig. 4.

cuando ∆P < 0. En esta situaci´on. resulta conveniente que tal punto de operaci´on se ubique en el rango de 50 % al 80 % de la abertura de la v´alvula u. como se ilustra en la Fig. 4. entonces es posible obtener un valor adecuado de la ganancia del sistema de control realimentado. la capacidad de regulaci´on de la VCA debe de mantenerse. 4.1. es posible obtener un buen control. Entonces.56 Elementos Finales de Control La experiencia dicta dicta que una ca´ıda de presi´on conveniente a considerar en la VCA ser´ıa: P0 ∆P ≈ 2 En el rango de ∆P = (0.3)P0 .6(b). Si el punto A se ubicara en el rango de 20 % al 40 %. (b) Operaci´on de una VCA alrededor del punto de operaci´on A. pueden ocurrir oscilaciones del caudal a ambos lados del punto de operaci´on A de la VCA.1 a 0. a´ un cuando la presi´on nominal en la linea sea m´axima. Por otra parte. Sin embargo. Esto significa que el caudal QAmax tiene que poder oscilar a ambos lados de A. no se puede garantizar un buen rendimiento. P1 Presión de la bomba: P0 Q P2 P P1 P2 P3 (a) Para máxima presión nominal Q Amax Punto adecuado ubicado al 70% u [mm] 0% 100% A (b) Fig.6: (a) V´alvula operando en una linea. .

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

2) previamente establecidas. En otras palabras. generada por el algoritmo de control.58 Control PID SISO r e u Gc (s) G p(s) y G m (s) (a) r e u G c1 (s) G p(s) y G c2 (s) G m (s) (b) G a (s) r e G c (s) u y G p(s) G m (s) (c) Fig.2. El objetivo de control del sistema en este caso es m´ ultiple: dise˜ nar una se˜ nal de control u que sea capaz de estabilizar la salida y con respecto a la se˜ nal de referencia r.7. ya sea en el dominio del tiempo o en el dominio de la frecuencia. . que sea capaz de estabilizar la salida y del sistema con respecto a una se˜ nal de referencia r. El sistema de control SISO realimentado mostrado en la Fig. 5. en la salida del controlador y en la salida del transmisor. que la se˜ nal de control u sea capaz de minimizar la se˜ nal de error e = r − y.1: Sistemas de control realimentados. para evitar posibles da˜ nos en el actuador del elemento final de control. Por otro lado. tal como el mostrado en la Fig. 5. La presencia de dicho limitador puede provocar el efecto denominado windup.1(a). El filtro de entrada sirve para eliminar las componentes de alta frecuencia. el cual ser´a tratado en la secci´on 5. rechazando al mismo tiempo la acci´on de los disturbios que act´ uan sobre el sistema. se debe de incluir un limitador. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas.2 toma en cuenta la acci´on de los disturbios dy . los cuales no fueron considerados en el sistema de la 5. respectivamente. cuya presencia puede ser da˜ nina durante el funcionamiento del sistema de control realimentado. du y dm actuando en la salida del sistema. 5. El objetivo de control consiste en dise˜ nar una se˜ nal de control u. cumpliendo ciertas especificaciones de dise˜ no (ver secci´on 5.

tiempo de estabilizaci´on Ts . margen de fase Mf y margen de ganancia Mg .O.2) El error en estado estable ess = r − yss es la diferencia entre la se˜ nal de referencia r y el valor en estado estacionario yss de la salida. Para la respuesta mostrada en la Fig.3(b). 5. En el dominio de la frecuencia.3(b). con limitador de salida y sujeto a la acci´on de disturbios. 5.3(a). la magnitud de la banda 2δ se mantiene en 2 % de la magnitud A del set point. Esto es: 4 (5.2 Especificaciones de Dise˜ no 59 du r Filtro de entrada e Controlador Limitador Proceso más u u u elemento u final de control dy y Sensor más transmisor dm Fig. porcentaje de sobrenivel P. donde ωn es la frecuencia natural de oscilaci´on.2.3(b) se observa la respuesta transitoria a un escal´on de entrada. Tr es el tiempo de subida. Ts es el tiempo de estabilizaci´on y ess es el error en estado estable. ζ < 1 es el coeficiente de amortiguamiento. . Especificaciones de Dise˜ no Todo sistema de control debe de cumplir ciertas especificaciones de dise˜ no. el P O (porcentaje de sobrenivel) del sistema se define como: PO = Mp − A × 100 A (5. luego de transcurridas 4 veces la constante de tiempo τ del sistema.2: Sistema de control SISO con filtro de entrada. Tp es el tiempo pico.1. Este error debe de permanecer dentro de la banda 2δ preestablecida. El tiempo Ts se define como el tiempo necesario para que la amplitud de la salida y se mantenga dentro de una banda de magnitud ±δ (2δ en total). 5. En la Fig. 5.1) Ts = 4τ τ= ζωn Para una referencia tipo escal´on de magnitud A. Estas especificaciones se establecen tanto en el dominio del tiempo como en el de la frecuencia. las especificaciones m´as usadas en el dominio del tiempo son: error en estado estable ess . 5. A es la magnitud de la entrada tipo escal´on r. 5. se acostumbra emplear el sistema de segundo orden con realimentaci´on unitaria mostrado en la Fig.5. las especificaciones de m´as aplicaci´on son: ancho de banda ωB . Especificaciones de Dise˜ no en el Dominio del Tiempo Para explicar las especificaciones de dise˜ no en el dominio del tiempo. y tiempo de subida Tr . 5. Mp es el valor m´aximo de la salida y.2. Para la situaci´on mostrada en la Fig.

como sigue: Gp (s) = y(s) ωn2 = 2 r(s) s + 2ζωn s + ωn2 y(s) = Gp (s)r(s) A =A ess = r − yss = A − A = 0 s→0 s relaciones exactas para Tp . 5.5) (5.3(b): s2 + 2ζωn s + ωn2 = 0 (5.3: Respuesta al escal´on de un sistema de segundo orden autoregulado.6) y 2 ζ ωn ) (a) r y A ω 2n r s2 0 2 ζω n s τ y yss ω 2n 0 T r Tp (b) s1 ζω n Zona de estabilidad 2δ Mp A jω e ss τ Ts Plano s jω d θ ωn s2 (c) σ Zona de inestabilidad Fig.7) . La ecuaci´on caracter´ıstica del sistema de segundo orden es el denominador de la FT mostrada en la Fig.3) (5.60 Control PID SISO el error ess se puede determinar empleando el teorema del valor final. las PO = Mp = Tr = Tp = ω2 n r s (s (5. 5.4) (5. teniendo en cuenta que r(s) = A/s. Mp y P O se expresan como: √ Mp − A 2 100 = 100e−ζπ/ 1−ζ A √   2 A 1 + e−ζπ/ 1−ζ p π−θ θ = arc cos ζ ωd = ω n 1 − ζ 2 ωd π ωd l´ım y(t) = yss = l´ım sGp (s) t→∞ Sin demostraci´on.

Especificaciones de Dise˜ no en el Dominio de la Frecuencia La repuesta en frecuencia de un sistema se define como la respuesta estacionaria del sistema a una se˜ nal sinusoide de entrada.3 ≤ ζ ≤ 0. 5.5).2 Especificaciones de Dise˜ no 61 Sus ra´ıces caracter´ısticas o eigenvalues. 5. Luego se pueden determinar los par´ametros p y K pedidos. Soluci´ on: La FT y(s)/r(s) en la Fig. tanto en su amplitud B como en su fase φ. se expresan como: s1 = −ζωn + jωd s2 = −ζωn − jωd De la Fig. basta reemplazar la variable laplaciana s por jω. 5.8 (5.4 se expresa como: y(s) K ωn2 = 2 = 2 r(s) s + ps + K s + 2ζωn s + ωn2 p = 2ζωn K = ωn2 donde ζ se puede determinar de la condici´on P O < 3 %. r y K s (s p) Fig.2. Dado que Ts = ζω4n < 8 s.20.4 muestra un sistema realimentado.2.16ζ + 0. 5. cuyas respuestas al escal´on ocurren cuando ζ ≥ 1. 2.745. Determinar la ganancia K y el polo p para que se cumplan las siguientes especificaciones de dise˜ no: el porcentaje de sobrenivel de la respuesta y(t) a un escal´on unitario debe de ser menor del 3 % y el tiempo para alcanzar el valor estacionario de la respuesta debe de ser menor de 8 s.3(c).8) Ejemplo 5. e y(jω) = Bsen(ωt + φ) es la salida. Si se mantiene constante la amplitud A de la entrada. ω es la frecuencia de la sinusoide de entrada u(jω) = Asenωt. es decir. para cada frecuencia ω de esta se˜ nal.16 ωn 0. la salida y(jω) puede experimentar cambios. y se calcula de: Tr = 2. Para determinar la respuesta en frecuencia de un sistema que posee una FT G(s) = y(s)/u(s). donde j es la unidad de los n´ umeros imaginarios.1 La Fig. G(jω) = y(jω)/u(jω).5.4: Sistema realimentado del ejemplo 5. 5. entonces: ωn > (2ζ)−1 = 0. 5. ilustradas en la Fig. . el tiempo de subida Tr se define como el tiempo en que se alcanza el 90 % de la magnitud A de la entrada tipo escal´on. En los sistemas sobreamortiguados. tal como se muestran en las partes superior e inferior izquierda de la Fig.1.3(c) es f´acil deducir la relaci´on: θ = arc cos ζ usada en (5.67. a saber: √ c ln(100/P O) 2 c= 100e−ζπ/ 1−ζ < P O → ζ > √ 2 π 1+c de donde resulta: ζ < 0.

m % bode1.4:1. la FT G(jω) de un sistema se puede representar como G(jω) = u+jv. En un gr´afico de Nyquist se gr´afica la parte real u versus la parte imaginaria v de la FT G(jω) del proceso.4:1.6 y 5.7 muestran los gr´aficos pedidos.9) . for z=[0. end % nyquist1. Si la escala logar´ıtmica usada es vulgar (de base 10). hold on. hold on.01 – 0. clc. close all. ωlog se representa en octavas.m. end % nichols1.1 – 1 – 10 – 100 . hold on.10000 mientras que una escala en octavas ser´ıa: ωlog : 0.m y nichols1. el cual se puede emplear como especificaci´on de dise˜ no.5.3]. close all.m clear all. Ejemplo 5. El gr´afico de |G(jω)|dB versus ω en escala logar´ıtmica se denomina la carta de Nichols que tambi´en se emplea en el dise˜ no de sistemas de control v´ıa la respuesta en frecuencia. Sin demostraci´on. bode(G). nichols(G). En general.7 (5. 5. nyquist1.1:0. 5. clc.8(a) muestra la respuesta del proceso autoregulado de segundo orden a una entrada sinusoide. G=1/(s^2+2*z*s +1).m clear all. for z=[0. end Especificaciones de Dise˜ no en Frecuencia La Fig. Soluci´ on: Las Figs. 5. for z=[0. nyquist(G). si es de base 2. el valor pico Mω de la magnitud. los cuales se realizaron ejecutando los programas bode1. s=tf(’s’).3]. G=1/(s^2+2*z*s +1). close all.62 Control PID SISO Gr´ aficos de Bode y Nyquist. s=tf(’s’). 5.5 – 1 – 2 – 4 – 8 – 16 – 32 – 64 El gr´afico de Bode en fase de una FT G(jω) se obtiene graficando la fase ∠G(jω) expresada en grados sexagesimales versus la frecuencia ωlog representada en escala logar´ıtmica de base 10 (d´ecadas) o en escala logar´ıtmica de base 2 (octavas).4:1. Una escala de frecuencias en d´ecadas podr´ıa ser: ωlog : 0. mientras que la Fig.1:0. entonces ωlog se representa en d´ecadas.25 – 0. posee la relaci´on: Mω = 1 2ζ(1 − ζ 2 ) ζ ≤ 0. G=1/(s^2+2*z*s +1). s=tf(’s’).2 Elaborar los gr´aficos de Bode y Nyquist y la carta Nichols del proceso con FT: G(s) = ωn2 s2 + 2zωn s + ωn2 donde ωn = 1 y el coeficiente de amortiguamiento z es variable.3]. y Carta de Nichols El gr´afico de Bode en magnitud de una FT G(jω) se obtiene graficando la magnitud |G(jω)|dB = 20 log(G(jω)) expresada en dB (decibelios) versus la frecuencia ω representada en una escala logar´ıtmica (ωlog ). clc.1:0.1000 .m clear all. En cambio.8(b) ilustra su gr´afico de Bode en magnitud. donde u es la parte real y v es la parte imaginaria.

3 −45 −90 −135 −180 −2 −1 10 0 10 1 10 Frequency (rad/sec) 2 10 10 Fig.3 −40 −60 z=0. 5.9 z=0.5 z=0.5 Magnitude (dB) 0 −20 z=0.1 z=0.2.1 2 Imaginary Axis Phase (deg) −80 0 z=0.5 0 −2 z=1. 5.2.5. 3 .3 −4 −6 −3 −2 −1 0 Real Axis 1 2 Fig. Nyquist Diagram 6 4 z=0.9 z=1.1 z=0.6: Gr´afico de Nyquist para el ejemplo 5.2 Especificaciones de Dise˜ no 63 Bode Diagram 20 z=0.5: Gr´aficos de Bode para el ejemplo 5.9 z=1.

8(b) y se calcula de: ωB = (−1.8 (5. 5. tales FTs se expresan como: y(jω) = G(jω)H(jω) = GH(jω) e(jω y(jω) G(jω) = r(jω) 1 + GH(jω) La ecuaci´on caracter´ıstica (EC) del sistema de la Fig.7 (5. 5. respectivamente. Esta situaci´on es .5 −40 z=0. entonces el sistema tomar´ıa un valor muy grande.64 Control PID SISO Nichols Chart 20 z=0.11) En el sistema realimentado mostrado en la Fig.7: Carta de Nichols para el ejemplo 5. La frecuencia ωr en la que ocurre Mω se denomina frecuencia de resonancia y su expresi´on es: p ωr = ωn 1 − 2ζ 2 ζ ≤ 0.10(b) es su denominador: 1 + GH(jω) = 1 + u(jω) + jv(jω) donde u(jω) y (jω) son la parte real e imaginaria de GH(jω).196ζ + 1.2.10) El ancho de banda del sistema se refiere a la frecuencia ωB para la cual existe una ca´ıda de 3 dB. 5.3 ≤ ζ ≤ 0. 5.3 −60 −80 −100 −180 −135 −90 Open−Loop Phase (deg) −45 0 Fig.1 Open−Loop Gain (dB) 0 −20 z=0. las FTs a lazo abierto y a lazo cerrado se definen como: y(s) = G(s)H(s) = GH(s) e(s y(s) G(s) = r(s) 1 + GH(s) En el dominio de la frecuencia.9 z=1. Si tal EC fuera cero. tal como se observa en la Fig.10(a).85)ωn 0.

En general: p v ∠GH(jω) = arctan GH(jω) = |GH(jω)|∠GH(jω) |GH(jω)| = u2 + v 2 u Se ha mencionado que en el l´ımite de estabilidad. porque se produce cuando el sistema posee ya un comportamiento inestable. 5. donde u = −1.5. . Las ra´ıces nulas provocan tambi´en comportamiento inestable del sistema realimentado. 5. (b). |GH(jω)| = 1 y ∠GH(jω) = 180◦ . (c) y (d): M´argenes de fase y de ganancia. la EC toma la forma: 1 + GH(jω) = 0 GH(jω) = −1 La Fig. Dado que GH(jω) = u+jv. v = 0.2 Especificaciones de Dise˜ no 65 y(j ω)=Bsen(ωt+φ) r(jω)=Asen ωt y(jω) ω2 n r(jω) A B (jω)2 2 ζ ωn j ω ωn 2 t φ t (a) y(jω)/r(jω) (b) dB (Mω) dB 0dB −3dB 0 ωr ωB ω log Fig.9: (a) Sistema realimentado.9 grafica tal situaci´on. Un sistema es estable cuando las ra´ıces de la EC 1 + GH(s) = 0 poseen parte real positiva. jv GH(jω) = 180° 1 u |GH(jω)| = 1 Fig. (b) Su gr´afico de Bode en magnitud (b). El margen de ganancia Mg se define como el rec´ıproco de la ganancia |GH(jω)| para la frecuencia en que la fase de GH(jω) alcanza 180o . 5.8: (a) Respuesta de un proceso de segundo orden a una sinusoide. denominada cr´ıtica.

(c) y (d).1262 0.12) (s + T1 )(s + T2 )(s + T3 )(s + T4 )(s + T5 ) En este proceso ser´an aplicadas las acciones de control PID.cuyo proceso posee la siguiente FT: s + Tz Gp (s) = (5. En muchos casos pr´acticos no se emplea K c .Mf.10(a) sabiendo que: G(s) = 1.10(b). En esta secci´on abordaremos estos modos de control. y e(t).4) H(s) = 0. El margen de fase Mf se define como el a´ngulo de fase que debe de girar el gr´afico de GH(jω) = u + jv para que el punto de magnitud |GH(jω)| = 1.Mf.11. I (integral) y D (derivativo).3 Determinar los m´argenes de fase y de ganancia del sistema mostrado en la Fig.5)/((s+0.3)*(s+0. print -f -deps mfmg1 5. [Mg. 5.wMg.4)). Kc es la ganancia proporcional del controlador.4499] % SISTEMA INESTABLE PORQUE Mg EN dB Y Mf EN GRADOS SON NEGATIVOS margin(GH). La acci´on de control ON–OFF se trata por separado en la siguiente secci´on. Para un mejor entendimiento del tema.10(b). H = 0. v) = (−1.1. clc. Ejemplo 5.m C´ ALCULO DE LOS M´ ARGENES DE FASE Y DE GANANCIA clear all. mientras que el Mg es negativo para los sistemas inestables.wMf] = margin(GH).1)(s + 0. emplearemos un sistema de control con realimentaci´on unitaria y SP igual a la unidad. tal como se muestran en las Figs. Los sistemas estables poseen Mf positivos. 5. Modos de Control PID El algoritmo de control PID es la suma de las acciones o modos de control P (proporcional).3)(s + 0. 5. % mfmg1.13). 0). sino su .H).wMg. GH = series(G.5976 -2. 0).3. G = (1. close all. tal como se muestra en las Figs.4359 0. La Banda Proporcional BP % La acci´on P del controlador se expresa como: u(t) = Kc e(t) (ver Fig.66 Control PID SISO dicho a´ngulo ocurre cuando v = 0.3.m y Fig.5 (s + 0. v) = (−1. 5. (c) y (d). pase a trav´es del punto (u. donde u(t) es la se˜ nal de salida del controlador (o MV) que se dirige al elemento final de control (EFC).wMf] % [-0.1. Los sistemas estables poseen Mg positivos.1 Soluci´ on: Ver programa mfmg1. es el error de desviaci´on entre la se˜ nal deseada (o SP) y la variable controlada (o PV). 5. s=tf(’s’). El Mg se puede interpretar como un factor por el cual tiene que aumentarse la ganancia del sistema para que el gr´afico de GH(jω) pase por el punto cr´ıtico (u. mientras que el Mf es negativo para los sistemas inestables.1)*(s+0. 5. la entrada al controlador. % GR´ AFICA BODE DE GH [20*log10(Mg).

(c) y (d): M´argenes de fase y de ganancia. (b). 5. .10: (a) Sistema realimentado.5.3 Modos de Control PID r G(jω) 67 y G H(jω) 1 H(jω) y G(jω) r (a) GH dB GH dB M g negativo ω log 0 dB ωlog M g positivo ang GH −90 −180 −270 −90 −180 −270 ωlog M f positivo ω log M f negativo (b) M g positivo M f negativo jv 1 Mg jv M g negativo 1 γ u γ u 1 φ φ M f positivo 1 Mg (c) GH dB GH dB M g negativo M g positivo 0 dB 0 dB M f positivo −270 −180 M f negativo −90 −270 −180 −90 (d) Fig.

Notar en la Fig.12(b) que un cambio de 100 % en la entrada provoca un cambio de 50 % en la salida. donde BP % es conocida como la banda proporcional. Pm = −2. inversa expresada en porcentaje: BP % = 100/Kc .45 rad/sec) 40 Magnitude (dB) 20 0 −20 −40 −60 −80 Phase (deg) 0 −90 −180 −270 −3 10 −2 10 −1 10 Frequency (rad/sec) 0 10 1 10 Fig. Por lo tanto. en donde la acci´on proporcional est´a representada por la palanca y el ajuste del ancho de la PB % se realiza desplazando el punto pivote de la palanca. no es posible cambiar la entrada a 200 % debido a que 100 % es lo m´aximo que se puede modificar.13 deg (at 0.598 dB (at 0.436 rad/sec) . En este caso.12(c).68 Control PID SISO Bode Diagram Gm = −0. Es posible ajustar la cantidad de acci´on proporcional suministrada por el controlador. una PB % de 200 %. Este ajuste se refiere al cambio del ancho de la PB %. 5. tal como se ilustra en la Fig.3. si el EFC es una v´alvula. haga un recorrido completo (desde su valor m´ınimo hasta su valor m´aximo) para mover el EFC (la v´alvula autom´atica de control) desde su posici´on completamente abierta a completamente cerrada. Para obtener una PB % de 50 %. 5. para provocar una salida de rango completo en la salida. En un caso real. 5. en . ´esta nunca estar´a ni completamente abierta ni completamente cerrada. la entrada. se requiere en teor´ıa un cambio de 200 % en la entrada. Observar que es necesario que la se˜ nal de error.11: M´argenes de fase y de ganancia para el ejemplo 5.12(a) el punto pivote est´a ubicado en el centro de la palanca. 5. tal como se observa en la Fig. es decir. el punto pivote debe de desplazarse hacia la izquierda del punto medio de la palanca. En la Fig.12. Por consiguiente. 5. Dicha BP se puede definir como la cantidad necesaria de cambio porcentual en la entrada del controlador para provocar un cambio de rango completo (100 %) en su salida. la PB % es 100 % porque se requiere un cambio de 100 % en la entrada para provocar un cambio de 100 % en la salida (salida de rango completo). debido a la acci´on del control proporcional.

U es el rango m´aximo medible (o span) de la salida del controlador y E es el rango de medici´on (o span) de la se˜ nal controlada.3 Modos de Control PID 69 donde un cambio de 50 % en la entrada es suficiente para provocar un cambio de 100 % (rango completo) en la salida. la cual se define como la relaci´on de cambios entre la entrada y la salida: Kc = ∆u U ∆e E (5.4 Determinar la banda proporcional de un controlador PID operando en un sistema de control de temperatura. La banda proporcional en porcentaje. ∆u es cambio en la se˜ nal de control. Mín. 5.13 muestra el diagrama en bloque de un controlador P (proporcional) caracterizado por su ganancia Kc .14) Ejemplo 5. Mín. Abertura de válvula 100% 50% Pivote Mín. 5. (c) PB% = 50% 0% Fig. La Fig.13) donde ∆e es el cambio en la se˜ nal de error. y yy sstst uuxwv uxwv xw Error Máx. se define como la inversa de la ganancia Kc del controlador: PB % = 100 Kc (5. denotada como BP %.12: Cambio en la PB % para modificar la acci´on proporcional del controlador.5. sabiendo que un cambio de ∆e = 15o C en la entrada del controlador produjo un desplazamiento de ∆u = 3 mm en el v´astago de la v´alvula . ¬¦¬¦ ¬ ®­§®­§ fg gf ª©¨«ª© ¨«ª© «ª Error Máx. œ ¡œ ¡ œ  Ÿž ŸžŸž ¤¥£ ¢¥¤£ ¢¥ ¤£ ¢ ››› Abertura de válvula 100% Pivote (a) PB% = 100% }|}|{z }|}|{z }|}|{z }|}|{z }|}|{z i}|}|{z i}|}|n{z imlk n im lk }||}{z{z }||}{z{z }||}{z{z }||}{z{z cbb }||}{z{z }||}{z{z j}||}{z{z jj }|}|{z{z}|}|{z{z}|}|{z{z}|}|{z{z}|}|{z{z}|}|{z{z}|}|{z{z qp oqp o {z {z {z {z {z {z h{z rhr h 50% 0% Abertura de válvula 100% 50% Pivote 0% (b) PB% = 200% •Ž•Ž š™™š • š™™š š™™š š™™š š™™š š™™š š™™š €†… ˆ‡ €†… ˆ‡ €†… ˜˜ ™š™š™ –——–—– ed ™š™š™ –——–—– ed ™š™š™ –——–—– ™š™š™ –——–—– ™š™š™ –——–—– ™š™š™ –——–—– ™š™š™ –——–—– ‹Š „ƒ‰‹Š „ƒ‚‰‹Š „ƒ‚‰ “‘ ”’“‘ ”“’‘ š™ —– ”“ š™ —– š™ —– š™ —– š™ —– š™ —– š™ —– Œ ~ Œ ~ Œ ~ Error Máx.

En la Fig. Gp=Kp*(s+Tz)/(s+T1)/(s+T2)/(s+T3)/(s+T4)/(s+T5).m listado abajo.3. 5. de control.m MODOS DE CONTROL P clear all. print -deps -f mcp . Se sabe adem´as que el desplazamiento m´aximo del v´astago es de U = 40 mm y que el rango de medici´on de la variable del sistema controlado es de 100 o C a 500o C.14.14. T2=1.05) en la Fig.5. s=tf(’s’). Para obtener los resultados anteriores. end.70 Control PID SISO ∆e E Controlador Proporcional ∆u U Fig. las flechas con doble punta indican la magnitud del offset para cada curva. P=feedback(Kc*Gp.13: Controlador tipo P (proporcional).1). ejecutar el programa mcp. title(’ACCI ´ ON PROPORCIONAL’). genera un cambio a rango completo en e(t). una BP muy ancha (Kc muy peque˜ na). 5.14): PB % = 5. Por lo tanto. Soluci´ on. el cual se traduce en una desviaci´on permanente entre las se˜ nales SP y PV.2.5.05:1:2. cada proceso va a requerir una determinada BP %. En muchos casos. 5. mientras que cuando la BP es muy angosta. T3=1. una BP muy ancha proporciona poca acci´on de control proporcional. ylabel(’AMPLITUD’). Recordar que el SP es la unidad. Tz=3. step(P.La ganancia Kc del controlador para el punto de operaci´on en estudio se determina de (5.13): 3 mm/40 mm ∆u/U = =2 Kc = ∆e/E 15o C/400o C mientras que la PB % se calcula de (5.14. 100 100 = = 50 % Kc 2 Control Proporcional La cantidad de acci´on proporcional que se emplea en un proceso depende de las caracter´ısticas y variables propias de tal proceso. Por el contrario. % PROCESO for Kc=0. lo cual significa que E = 500o C .. % mcp.05. xlabel(’TIEMPO’). En conclusi´on. clc. grid. % CONTROL P hold on.5. la acci´on de control es muy grande.05) en la Fig. como es el caso cuando BP %=2000 (Kc = 0. T5=2. 5. dentro de la cual va a operar en la mejor forma. En general podemos decir que si la BP es angosta (Kc suficientemente grande).’k’. tal como se observa cuando la BP % es 48.Tf). T1=0.5. close all. Tf=100. entonces un cambio peque˜ no en e(t) puede provocar que la se˜ nal u(t) haga oscilar la salida y(t). la acci´on proporcional de control es la causante del fen´omeno offset o ess (error en estado estable). hold off. volviendo inestable al sistema de control realimentado.100o C = 400o C. Kp=2. T4=2.8 (Kc = 2. que a la vez ocasiona que u(t) apenas haga variar la salida y(t).

05. % mcpi.3 Modos de Control PID 71 ACCIÓN PROPORCIONAL 1.5. para ajustar la salida u(t) del controlador. % CONTROL PI step(PI. grid. pero. Esta acci´on de control se suma a menudo al control proporcional para minimizar el offset o e ss . T5=2.5.m MODO DE CONTROL PI CON P CONSTANTE clear all. 5.14: Modo de control proporcional. % PROCESO for Ti=3:6:15. BP%=48. elaborada con el programa mcpi. Gp=Kp*(s+Tz)/(s+T1)/(s+T2)/(s+T3)/(s+T4)/(s+T5). el offset desaparece. T2=1.3. s=tf(’s’). indicadas por flechas horizontales de dos puntas. Gc=Kc+KI/s.1). PI=feedback(Gc*Gp. La Fig. Esto u ´ltimo es m´as notorio para el caso K I = 0. title(’ACCI´ ON PROPORCIONAL M´ AS INTEGRAL’).6 Kc=1. As´ı.5. BP%=95. el sobrenivel tiende a aumentar.8 0. hold on.4 1. y. muestra tres curvas de respuesta del sistema de control realimentado. BP%=2000 0. T3=1. ylabel(’AMPLITUD’). emplea la raz´on de cambio de la se˜ nal controlada y(t) de un proceso. empleando un controlador PI de la forma: Z Kc KI = u(t) = Kc e(t) + KI e(t)dt Ti donde KI es la ganacia integral y Ti es el tiempo reset o integral.8 0. este modo de control toma el nombre de PI (Proporcional m´as Integral). T1=0.5. close all. Kp=2. Observar que en todos los casos.2 SP AMPLITUD 1 Kc=2. es necesaria cuando la cantidad de offset en un proceso sujeto al control proporcional es inaceptable. o control rate. hold off.2 0 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 Fig. Control Integral La acci´on de control integral.m mostrado abajo. T4=2.05. conforme aumenta KI (disminuya Ti ). disminuye. print -deps -f mcpi 5. Tz=3. el tiempo de estabilizaci´on.05.4. 5.3.Tf).3.6. o control reset. Tf=100. Control Derivativo La acci´on de control derivativa.4 Kc=0.16. end. KI=Kc/Ti. . xlabel(’TIEMPO’). clc.’k’. Kc=0.2.5. 5.24 0.

T5=2. T4=2. grid.16. Control PID Hemos visto que s´olo el control PI es capaz de estabilizar la salida del sistema de control en su SP. Gp=Kp*(s+Tz)/(s+T1)/(s+T2)/(s+T3)/(s+T4)/(s+T5).6 0. empleando un controlador PD de la forma: u(t) = Kc e(t) + KD de(t) dt K D = K c Td donde KD es la ganancia derivativa y Td es el tiempo derivativo o rate.1. KI=0. este modo de control toma el nombre de PD (Proporcional m´as Derivativo).2 0 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 Fig. As´ı.04 0. Empleando un control PID. T2=1.5. % CONT PD step(PD.72 Control PID SISO ACCIÓN PROPORCIONAL MÁS INTEGRAL 1. PD=feedback(Gc*Gp. hold on.8 Ti=15. print -deps -f mcpd 5.3. ylabel(’AMPLITUD’). T3=1.5. hold off.2 Ti = 3. KI=0.’k’. el sobrenivel tambi´en crece.4 1. 5. ilustra tres curvas de respuesta del sistema de control realimentado.5. Esto significa que los modos de control P y PD no son adecuados para controlar el proceso de prueba dado en (5.5. I. . end. clc. Tz=3. Observar que para todos los casos. KI=0. % mcpd. % PROCESO for Td=0.15: Modo de control proporcional m´as integral.4 0.1). KD=Kc*Td. las posibilidades de controlar la mayor´ıa de los procesos industriales se acrecienta. s=tf(’s’). Kp=2. Kc=0.2 AMPLITUD 1 Ti=9.5:1.Tf). La magnitud del ajuste est´a determinada por qu´e tan r´apido es la desviaci´on del error. 5. title(’ACCI´ ON PROPORCIONAL M´ AS DERIVATIVA’).12). xlabel(’TIEMPO’).1:0.m MODO DE CONTROL PD CON P CONSTANTE clear all. elaborada con el programa mcpd. as´ı como tambi´en lo es el tiempo de estabilizaci´on (flecha horizontal de doble punta). el offset es el mismo (y de gran magnitud). si est´a permitido usar todas las combinaciones posibles: P. T1=0. Gc=Kc+KD*s. PI.5.066 0. PD y PID. Notar tambi´en que conforme aumenta KD (aumenta Td ). close all.m mostrado abajo. La Fig.6. Esta acci´on de control se suma a menudo al control proporcional para corregir cambios r´apidos en la variable controlada. Tf=100.

4 0.4. cambios en un par´ametro de de dise˜ no pueden afectar el comportamiento de otros.1 muestra la tendencia (a aumentar o disminuir) que tienen los par´ametros de dise˜ no. Tabla 5. Ki o Kd Par´ametro Tiempo de de subida Tr Sobrenivel (PO %) Ts : Tiempo de estabilizaci´on ess : Error en estado estable Kc Disminuye Aumenta Cambio peque˜ no Disminuye Ki Disminuye Aumenta Aumenta Elimina Kd Cambio peque˜ no Disminuye Disminuye Cambio peque˜ no 5.1 0.5.66. 5.16: Modo de control proporcional m´as derivativo.1: Variaci´on de los par´ametros de dise˜ no cuando se incrementa: K c . sino tales cambios pueden estar interconectados.17(b).1 0.3 0.7 KD=0. 5. 5.4 Control de Dos Posiciones 73 ACCIÓN PROPORCIONAL MÁS DERIVATIVA 0. Td=0. rel´e activado) y completamente OFF (ejemplo: v´alvula cerrada del todo. debido a que en un sistema de control PID.06. el controlador es el dispositivo no lineal denominado rel´e ideal.6 AMPPLITUD 0. rel´e desactivado).3. Es importante anotar que tal tabla debe de ser aplicada con cuidado. los cambios en en los par´ametros de dise˜ no no ocurren por separado. Control de Dos Posiciones La acci´on de control de dos posiciones se implementa con un dispositivo que posee dos condiciones de operaci´on: completamente ON (por ejemplo: v´alvula 100 % abierta.5 KD=0. La Tabla 5. La Fig.1 0 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 Fig. Td=1.6 KD=0. Td=0.2 0. Esto es. Ki o Kd . Supongamos que queremos mantener la temperatura y(t) de un producto cerca . En la Fig. cuando se incrementan las ganancias Kc .17(a) muestra un sistema de control con un controlador de dos posiciones y una v´alvula ON–OFF (de apertura y cierre) como el EFC.

17: (a): Sistema de control de dos posiciones. En la Fig.19 muestra la salida y(t) controlada y la se˜ nal de . 5. 5. 5. En cambio. (b): Controlador ON–OFF sin zona muerta. el controlador genera una se˜ nal Umax para que la v´alvula se abra. el controlador es un rel´e con zona muerta de magnitud h 1 − h2 alrededor del set point. e(t) Set Point Control de dos posiciones u(t) °¯°¯ Válvula ON−OFF Sistema de Instrumentación (a) u(t) u(t) Umax Umax e(t) 0 h1 Umin y(t) h2 Umin e(t) y(t) Ymax Ymax t Zona Muerta Set Point Ymin Ymin Válvula Abierta (Umax) Válvula Abierta (Umax) Válvula Cerrada (Umin) y(t) Proceso t t t (b) Válvula Cerrada (Umin) (c) Fig. por ejemplo. Notar que si la variable controlada y(t) se encuentra dentro de la zona muerta.17(b). no ocurre ninguna acci´on de control. si y(t) se encuentra debajo del set point.mdl). controlando la entrada de vapor por medio de una v´alvula ON–OFF. Claramente. la v´alvula mostrada en la Fig.17(C). y (c): con zona muerta.5 Dise˜ nar un controlador de dos posiciones sin zona muerta para controlar el siguiente proceso: Kp e−τ s Gp (s) = Ts + 1 Soluci´ on: La Fig.18 muestra el diagrama Simulink del sistema de control (archivo onoff1. mientras que la Fig. El efecto final es que la salida controlada y(t) fluct´ ua alrededor del set point. 5. cuando y(t) sobrepasa el set point. Ejemplo 5. 5. el controlador genera una se˜ nal U min para que la v´alvula se cierre.74 Control PID SISO de set point. De esta manera la zona muerta minimiza el desgaste y los da˜ nos debido a que se evita el continuo funcionamiento c´ıclico del EFC.

8 y(t) 0.th.’k’. La FT de la v´alvula se asume que es una constante incluida en Kp .’k’). cuyo listado se muestra abajo. swonpoint=0.4 0.m.yh.19: Salida controlada y(t) y se˜ nal de control ON–OFF u(t) para el ejemplo 5. plot(th.2.4 1.2. R=1. % onoff1data.6 0.8. load th. grid ylabel(’y(t) y u(t)’).m clear all. Este gr´afico se obtuvo ejecutando el archivo onoff1data. title(’CONTROL ON-OFF DEL PROCESO’) print -f -deps onoff1r.uh. xlabel(’TIEMPO [s]’).18: Diagrama Simulink para el ejemplo 5.th. Switch On Point = 0 y Switch Off Point = 0. close all.2 u(t) 1 y(t) y u(t) set point 0. load uh. 5. e(t) u(t) y(t) Kp T. swoffpoint=0.rh.s+1 Step Relay Transfer Fcn Transport Delay Scope rh R Clock t th uh yh t u y Save in format array Fig.2 0 0 10 20 TIEMPO [s] 30 40 50 Fig.7.8. 5. clc.5. T=10. El relay empleado posee los par´ametros Umin = 0. Umin=0. tau=2. Umax=1. CONTROL ON−OFF DEL PROCESO 1. Umax = 1. load yh.4 Control de Dos Posiciones 75 control u(t).’k’.5. load rh. print -s -deps onoff1 . Kp=1.

Nosotros seguiremos usando la primera forma.16). Cabe anotar que la forma de la se˜ nal de error empleada: e = r − y corresponde a una acci´on de control inversa. algoritmo ISA (Instrument Society of America) o controlador paralelo no interactivo se formula como:   Z 1 t de u = KC e + e dt + Td Ti 0 dt e = r−y (5. (5. El controlador PID Ideal El controlador PID ideal.5. 1/Ti y Td del controlador PID paralelo dado en (5. El controlador PID Ideal Filtrado Muchas veces es necesario introducir un filtro para suavizar se˜ nales ruidosas. no existe un est´andar industrial de tal algoritmo. y es la salida controlada del sistema (permanentemente sujeta a medici´on). no interactivo. Ti es la constante de tiempo integral o simplemente tiempo integral.16) e(s) Ti s Ti s El controlador PID Paralelo El controlador PID paralelo.17) Notar que los par´ametros Kc . Kc es la ganancia proporcional. antes que se apliquen al algoritmo de control.76 5. denominado tambi´en controlador no interactivo. (5. Kc /Ti y Kc Td del controlador PID ideal de (5.17) corresponden a los par´ametros Kc .16) y se formula en el dominio de Laplace como: Gc (s) = u(s) 1 = Kc + + Td s e(s) Ti s (5. Existen varias estructuras del algoritmo PID [29]. Para una acci´on de control directa. e es la se˜ nal de error. y Td es la constante de tiempo derivativa. Por consiguiente. Control PID SISO Estructuras del Controlador PID El algoritmo de control PID es el m´as usado en la actualidad por la industria. Para estos casos se recomienda usar el . o simplemente tiempo derivativo. Por otro lado.17) puede ser siempre reemplazado por (5. independiente o independiente de la ganancia. algunas de las cuales se formulan a continuaci´on. el error se expresa como: e = y − r. Se estima que tal algoritmo se aplica en m´as del 90 % de las aplicaciones.15) se expresa como:   u(s) Kc 1 Gc (s) = = Kc 1 + + Td s = K c + + K c Td s (5.15) donde u es la se˜ nal o fuerza de control. En el dominio de Laplace. Sin embargo.16). el tiempo integral o tiempo reset Ti se expresa a menudo como la tasa integral o reset Tr = 1/Ti . r es la se˜ nal de referencia deseada o set :point. denominado tambi´en paralelo ideal. es una variaci´on del controlador ideal de (5.

18) donde T es la constante de tiempo del filtro. se obtiene el siguiente controlador PID ideal filtrado:    u(s) 1 1 Gc (s) = 1+ = Kc + Td s (5. y se describe como:    1 u(s) 0 0 = Kc 1 + 0 1 + Td s (5. Dado que el ruido en el sistema se amplifica principalmente por la acci´on derivativa. an´alogo o comercial y se describe como: !   1 + Td s 1 u(s) 3 ≤ N ≤ 10 (5.24) Gc (s) = e(s) Ti s .21) Gc (s) = e(s) Ti s 1 + TNd s El Controlador PID Cl´ asico El controlador PID cl´asico mostrado se denomina tambi´en controlador en cascada.20) e(s) 1 + αTd s Ti s El Controlador PID con Parte Derivativa Filtrada El controlador PID con parte derivativa filtrada.16) el filtro dado en (5. posee la expresi´on: ! 1 Td s u(s) = Kc 1 + + 3 ≤ N ≤ 10 (5.19) Introduciendo en (5.5 Estructuras del Controlador PID 77 siguiente filtro de primer orden formulado tanto en el dominio del tiempo como en el dominio de Laplace: T def (t) = e(t) − ef (t) dt ef (s) = 1 e(s) 1 + Ts (5. entonces T se puede formular proporcional al tiempo derivativo como sigue: T = α Td → ef (s) = 1 e(s) 1 + α Td s (5.5.22) = Kc 1 + Gc (s) = e(s) Ti s 1 + TNd s El Controlador PID Cl´ asico Generalizado El controlador PID cl´asico generalizado mostrado. interactuante o de algoritmo an´alogo.19). serie. denominada tambi´en no interactiva.23) = Kc 1 + + e(s) Ti s 1 + TNd s 1 + a f 1 s + a f 2 s2 El Controlador PID Dependiente El controlador PID dependiente se denomina tambi´en controlador serie. con 3 ≤ N ≤ 10 se formula como: !  bf 0 + bf 1 s + bf 2 s2 u(s) Td s 1 Gc (s) = (5. interactuante. interactivo.

el controlador dependiente nunca ser´a similar al controlador ideal.5Td 1 + 1 − 4Td /Ti (5.5Ti 0 Td = 0.30) u(s) = Kc (1 − α) + Ti s Ti s 1 + TNd s 1 + TNd s .5Ti 1 + 1 − 4Td /Ti   p 0 Td = 0. conocido tambi´en como controlador m–PID o ISA–PID.24) se puede reordenar como: # "   0 0 0 0 T T s 1 1 0 Ti + T i d d + Td s = Kc 1 + 1+ Gc (s) = Kc + 0 0 0 0 0 Ti s Ti Ti + T d s Ti + T d (5.15) con: 0 0 T +T Kc = K c i 0 d Ti 0 0 0 0 Ti = T i + T d 0 T T Td = 0 i d 0 Ti + T d Resolviendo el sistema de ecuaciones dadas en (5. los par´ametros de sintonizaci´on se convierten en: 0 Kc = 0.27).5Td Para Td > TI /4.5Kc 1 + 1 − 4Td /Ti   p 0 Ti = 0.25) es semejante a la estructura dada en (5. posee la siguiente estructura: " # # " (1 − β)Td s 1 Td s 1 + + e(s)−Kc 1 + y(s) (5.26) se obtiene:   p 0 Kc = 0.28) = Kc 1 + Gc (s) = e(s) Ti s 1 + TNd s El Controlador PID Mejorado El controlador mejorado posee la siguiente estructura (compararla con la estructura del controlador interactivo): !   1 Td s u(s) = Kc 1 + e(s) − Kc y(s) (5.5Kc 0 Ti = 0.25) La estructura en (5.26) (5.78 Control PID SISO La expresi´on dada en (5.27) se vuelven imaginarios. ya que para esta condici´on los par´ametros en (5. El Controlador PID Interactivo El controlador interactivo posee la siguiente estructura (compararla con la estructura del controlador cl´asico): !   Td s 1 u(s) (5.29) Ti s 1 + TNd s El Controlador PID con Dos Grados de Libertad El controlador con dos grados de libertad.27) Cuando Td = Ti /4 en (5.

xlabel(’TIEMPO’).31) Ejemplo 5.6. La salida controladas se muestran en la Fig.1). tal como acontece en los procesos descritos por las siguientes FTs: Gp (s) = Kp s(T s + 1) Gp (s) = Kp s(T1 s + 1)(T2 s + 1) M´ etodo de la Constante de Tiempo El m´etodo de la constante de tiempo del lazo de control se emplea para procesos de primer orden dado por la ecuaci´on (??). Kp=2.1(a). Td=T/4. 79 M´ etodos de Sintonizaci´ on de Controladores PID En un sistema de control realimentado. PID=feedback(Gc*Gp. Este objetivo de control se logra determinando los valores adecuados de los par´ametros Kc . Los par´ametros del controlador PID se sintonizan con las relaciones siguientes: Kc = 1 Kp Ti = T Td = 1 Ti 4 (5. % PROCESO Kc=1/Kp.1.m.’k’.50). Ti y Td del controlador. Para el control emplear la configuraci´on de la Fig. title(’CONTROL PID DE UN PROCESO DE PRIMER ORDEN’). su curva de reacci´on tiende a un estado estacionario. close all. T=5. Ti=T. En otras palabras. 5. tal como ocurre en los procesos descritos por las siguientes FTs: Gp (s) = Kp Ts + 1 Gp (s) = Kp (T1 s + 1)(T2 s + 1) En contraposici´on. M´ etodos Basados en la Curva de Reacci´ on La respuesta de un proceso a un escal´on se denomina la curva de reacci´on. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas. Existen diversos m´etodos de sintonizaci´on.20. ylabel(’SALIDA’).6 M´ etodos de Sintonizaci´ on de Controladores PID 5. step(PID.m CONTROL DE UN PROCESO DE PRIMER ORDEN clear all. grid. los procesos no autoregulados poseen una curva de reacci´on no estacionaria. provoque que la salida de dicho sistema siga a una se˜ nal de referencia. 5. s=tf(’s’). Soluci´ on: Ver el archivo ct1. que tambi´en puede ser el estado cero. algunos de los cuales vamos a explorar e ilustrar con aplicaciones.6. dado que crece continuamente en el tiempo. % ct1.print -deps -f ct1 .5. 5. sintonizando los par´ametros del controlador. el controlador PID debe generar la se˜ nal de control que actuando sobre el sistema.6 Se desea controlar el siguiente proceso empleando el m´etodo de la constante de tiempo: Kp Gp (s) = Ts + 1 donde Kp = 2 y T = 5. clc. Gc=Kc*(1+1/Ti/s+Td*s). Gp=Kp/(T*s+1). En un procesos autoregulado. La referencia [29] contiene un lista exhaustiva de las reglas de sintonizaci´on de varias estructuras de controladores PI y PID aplicados a diversos tipos de plantas.

M´etodo Curva de reacci´on Controlador Gc (s)    1+Td s Kc 1 + T1i s Td 1+ N s Kc Ti Td 0. % hartree1graf. en la ventana que aparece seleccionar Array en Save Format.22 muestra la salida y(t) controlada y la se˜ nal de control u(t).2: Reglas de sinton´ıa para controlar sistemas tipo Gp (s) = Kp e−τ s . cuyo listado se muestra abajo. mientras que la Fig. se aplica para controlar procesos que poseen una FT de la forma Gp (s) = Kp e−τ s .m. uh y th son del tipo To Workspace y sirven para almacenar datos y estructuras.2 1. yh.4 0.2 para calcular los par´ametros del controlador PID con N = 3.1 1 0.1(a). los bloques rh.2: Gp (s) = Kp e−τ s donde Kp = 2 y τ = 2.6.80 Control PID SISO CONTROL PID USANDO EL MÉTODO DE LA TANGENTE 1. . Para el control emplear el sistema de control de la Fig.1(a). Notar en el diagrama Simulink que los bloques Kc y Gc1 (s) forman un controlador PI.2 0 5 10 15 20 25 TIEMPO (sec) 30 35 40 45 50 Fig. El control se realiza empleando el sistema de control de la Fig. 5. Soluci´ on: Usamos la Tabla 5. M´ etodo de Hartree La Tabla 5.7 Kp τ 2.2 atribuida a Hartree et al. 5.8 0.6 0. Adem´as. La Fig. (ver referencias de [29]).3 0. 5.7 Se desea controlar el siguiente proceso empleando la Tabla 5. Como estamos interesados en crear vectores de datos para luego graficarlos.20: Salida controlada del ejemplo 5. clc. Tabla 5.m clear all.9 SALIDA 0. luego de hacer doble click en cada bloque. 5.21 muestra el diagrama Simulink del sistema de control (archivo hartree1.7 0. entonces. 5. Este gr´afico se obtuvo ejecutando el archivo hartree1graf.5 0.mdl).66τ τ Ejemplo 5. close all.

5.th. Td=tau.4 0.uh). load uh. load yh.s+1 Gc1(s) Gc2(s) Kc Kc r rh Clock rh Kp Scope tau Kp th uh yh th uh yh Fig.5 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 CONTROL u(t) 0. 5. ylabel(’SALIDA y(t)’).7/(Kp*tau).2 Fig. load th. Kc=0.5. Ti=2.6 0.s Td /N. plot(th.66*tau. subplot(211). xlabel(’TIEMPO [s]’). tau=2.5 0 −0.6 M´ etodos de Sintonizaci´ on de Controladores PID 81 hartree 1.21: Diagrama Simulink para el ejemplo 5. print -s -deps hartree1 .s+1 Td .7.rh. title(’CONTROL DEL SISTEMA G(s)=Kp*exp(-tau*s)’) subplot(212). load rh.2 0 −0. xlabel(’TIEMPO [s]’).mdl Ti .5 SALIDA y(t) 1 0.yh).7. Kp=2. ylabel(’CONTROL u(t)’) print -f -deps hartree1graf. CONTROL DEL SISTEMA G(s)=Kp*exp(−tau*s) 1. r=1. N=3.s+1 Ti . plot(th.22: Salida controlada y se˜ nal de control para el ejemplo 5.

Tc . empleando la Tabla 5.8 Se desea controlar el siguiente sistema de quinto orden empleando la t´ecnica de la curva de reacci´on de Ziegler y Nichols: Gp (s) = Kp (s + Ta )(s + Tb )(s + Tc )(s + Td )(s + Te ) donde: [Ta . Estos tiempos corresponden al 28.3: M´etodo de la curva de reacci´on de Ziegler y Nichols para determinar los par´ametros Kc . Td . Tipo P PI PID PD Controlador Gc (s) 100 BP .3 % y 63. Conociendo t1 y t2 .33) Ejemplo 5. el tiempo muerto τ es bastante peque˜ no.2/a 2τ 0.5τ Kc (1 + Td s) 1. 2. Ti y Td .32) Gp (s) = u(s) Ts + 1 La curva de reacci´on se emplea para obtener los par´ametros τ y T .5. las cuales ocurren en los tiempos t1 = τ + T /3 y t2 = τ + T . Tb . en cascada con un tiempo muerto τ : Kp y(s) = e−τ s (5.5. tal como se muestra en la Fig. 2.18 y se aplica a procesos autoregulados que se pueden modelar como un proceso de primer orden de ganancia Kp y constante de tiempo T .9/a 10τ /3 0 1. 1. Ti y Td del controlador PID ideal. 5. es conocido un m´etodo de c´alculo que consiste en localizar en la curva de reacci´on las tazas de cambio m´as altas. por lo que es dificultosa su cuantificaci´on.23.42τ  Kc Kc = Kc 1 + T1i s   Kc 1 + T1i s + Td s En algunos procesos.3. 2. que luego son usados para determinar los par´ametros Kc . los par´ametros T y τ se determinan de: T = 3 (t2 − t1 ) 2 τ = t2 − T (5. . Para estos casos. Te ] = [0.82 Control PID SISO M´ etodo de Ziegler y Nichols El m´etodo de la curva de reacci´on de Ziegler y Nichols emplea la curva de reacci´on de la Fig. Las f´ormulas en dicha tabla fueron el producto de intensivos trabajos experimentales realizados por los investigadores Ziegler y Nichols en 1942 [15].2/a ∞ 0.2 % del valor m´aximo de la curva de reacci´on. 1. Tabla 5.5] y Kp = 20. a= Kp τ T Ti Td  1/a ∞ 0 0.

Observar que s´olo los controladores PI y PID son capaces de controlar el proceso sin post–sinton´ıa.1).5. % PI Kc=1. El segundo gr´afico de la Fig.3% t 1 t2 t Fig. ´A LA CURVA DE REACCI´ % zn1.’k’. la cual muestra la respuesta al escal´on (la curva de reacci´on) del sistema con una ganancia en estado estable de aproximadamente 5. step(Gp. Td=0. resultando: Kpp = Kp = 5. cuando s = 0. El diagrama de bloques del sistema nivel. PD=feedback(Gp*Gc4.’k’). donde las funciones de .m CONTROL P. xlabel(’TIEMPO’).42*tau.7 – τ = 5 s del modelo del proceso: Gp (s) = Kpp −sτ e Ts + 1 Con estos valores se calculan los par´ametros de los controladores P.23: Tazas de cambio m´as altas de la curva de reacci´on.PI. title(’SALIDAS CONTROLADAS’). % CONTROL P Kc=0.2/a. Td=2.5*tau. grid. % PROCESO subplot(211). xlabel(’TIEMPO’).’k’).5. Ta=0. grid. Gc3=Kc*(1+1/Ti/s+Td*s).9/a.’k’.7-tau.5. Tales resultados se obtienen ejecutando el programa zn1.7. step(P. clc.1). P=feedback(Gp*Gc1.5. a=Kpp*tau/T.1).24. Tb=1. Td=0.PD. tau=1. 5. se muestra en la Fig. PID y PD empleando la Tabla 5. Gc4=Kc*(1+Td*s). PID=feedback(Gp*Gc3.5. Gc2=Kc*(1+1/Ti/s). % PD subplot(212). print -deps -f zn1 Ejemplo 5. % DE LA CURVA DE REACCI ´ ON Kc=1/a. Soluci´ on: La ganancia proporcional del proceso Gp (s) se obtiene en el estado estacionario. 5. 5.1).5.25(a).7 s y T = 6.6 M´ etodos de Sintonizaci´ on de Controladores PID 83 y 100% 63.2% 28.’k’. Kp=20. PID Y PD DE UN PROCESO V I ON clear all.m listado abajo. Kpp=5. es decir. close all.PID. De esta curva tambi´en se obtienen los par´ametros τ = 1. PI. Ti=10*tau/3.24 ilustra la comparaci´on entre las salidas controladas. PI=feedback(Gp*Gc2. Gc1=Kc. PI. Gp=Kp/(s+Ta)/(s+Tb)/(s+Tc)/(s+Td)/(s+Te).3. ylabel(’AMPLITUD’). Ti=2*tau. 5.33 Ta Tb Tc Td Te Este resultado se puede comprobar en el primer gr´afico de la Fig. % CONTROL PID Kc=1. title(’RESPUESTA AL ESCAL´ ON’). Te=2.2/a.9 Se desea controlar el proceso nivel en un tanque de almacenamiento empleando la t´ecnica de la curva de reacci´on de Ziegler y Nichols. s=tf(’s’). extra´ıdo de [16]. T=6. ylabel(’SALIDA’). Tc=1.

24: Respuesta al escal´on del sistema (gr´afico superior) y respuestas controladas para el ejemplo 5. El segundo . Por otro lado. donde v es la velocidad del flujo que ingresa al tanque y d es es la longitud de tuber´ıa que existe entre la v´alvula de control de flujo y el punto de medici´on del flujo.26 muestra la respuesta al escal´on (la curva de reacci´on) del sistema.3.5 0 PD P 0 20 40 60 TIEMPO (sec) 80 100 120 Fig. Con estos valores se calculan los par´ametros del controlador PID empleando la Tabla 5. Soluci´ on: El primer gr´afico de la Fig.5 PI 1 0. dependiente mostrado en (5. de la cual se obtiene τ = 1 y T = 30 − τ . Los controles PID y PI D emplean el diagrama de bloques de la Fig.15 30s + 1 GF (s) = 1 1 9 s2 + 31 s + 1 τh = 1 Para prop´ositos de comparaci´on emplear los controladores ideal dado en (5. mientras que el control PI Dy usa el diagrama de bloques de la Fig. del tanque y del flotador se formulan respectivamente: GH (s) = 10 s+1 GT (s) = 3. el sistema de control que emplea un controlador ideal ser´a designado como control PID.29)). 5. 5.24) y mejorado (ecuaci´on (5. el que emplea un controlador dependiente ser´a conocido como control PI D. en el proceso que nos ocupa. 5. 5.16). Para simplificar la notaci´on.1(a).84 Control PID SISO RESPUESTA AL ESCALÓN AMPLITUD 6 4 Kpp 2 0 0 5 10 15 TIEMPO (sec) SALIDAS CONTROLADAS SALIDA 2 PID 1. el tiempo muerto τ se puede calcular usando la relaci´on τ = d/v.8 (gr´afico inferior).1(b). y el que usa un controlador mejorado recibir´a la denominaci´on de control PI Dy. transferencia del actuador hidr´aulico.

% TOMADOS DE LA CURVA DE REACCI ´ ON Gp=GH*Gtau*GT. Kc=1. tauh=1. (b) estructura para control PID o PI D. 5.26 ilustra la comparaci´on entre las salidas controladas. Kp=31. Tales resultados se obtienen ejecutando el programa zn1a.25: Diagrama de bloques del sistema de control de nivel. Gtau=num/den. gr´afico de la Fig.5.GF). N=10.6 M´ etodos de Sintonizaci´ on de Controladores PID Controlador Actuador v 85 Referencia (set point) d Flotador r e GC (s) u GT (s) e −sτ h Actuador Tiempo muerto Tanque G H(s) Controlador ym (a) r e GC (s) u ym (b) e G C i(s) Flotador Actuador Controlador r GF (s) e −sτ h G H(s) u G H(s) GT (s) y Tanque GF (s) Flotador e −sτ h Actuador Controlador proporcional integral y GT (s) y Tanque G Cd(s) ym Controlador derivativo GF (s) (c) Fig.15/(30*s+1). tau=1. close all. PID=feedback(Gp*Gc1. clc. Gpo=GH*Gtau*GT*GF. Td=0. Gcd=feedback(Gp. GT=3. GH=10/(s+1). Gcd=Td*s/(1+Td*s/N).den]=pade(tauh.GF). % CONT PI_D Gci=Kc*(1+1/Ti/s). 5.m listado abajo. xlabel(’TIEMPO’). ylabel(’AMPLITUD’). GF=1/(s^2/9+s/3+1). PI_D Y PI_Dy EMPLEANDO LA CURVA DE REACCI ´ ON clear all. PI_D=feedback(Gp*Gc2.5 a=Kp*tau/T. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).m CONTROL PID. % Kp ES EL PRODUCTO DE 10*31. % zn1a. % Gpo: PROCESO A LAZO ABIERTO INCLUYENDO GF (FLOTADOR) subplot(211). Ti=2*tau. (a) Proceso.’k’). [num. (c) estructura para control PI Dy.5.5*tau.Gcd).3). s=tf(’s’). % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). step(Gpo. T=30-tau. grid % GENERA LA CURVA DE REACCI ´ ON title(’RESPUESTA AL ESCAL´ ON’). .2/a.

title(’SALIDAS CONTROLADAS’). se aplica a sistemas que aceptan un modelo din´amico como el de la ecuaci´on (5.4): 1.PI_Dy.’k’. dado que yd tiende a cero. print -deps -f zn1a M´ etodo de Chien–Hrones–Reswick El m´etodo de Chien–Hrones–Reswick (CHR) [19] ilustrado en la Fig. 5.32). 5. 5. sin presencia de la entrada r. Observar que en esta situaci´on existe rechazo al disturbio.8. tal como se muestra en la Fig.8. % CONTROL PI_Dy subplot(212). .GF).27(c). sin presencia del disturbio d. 5. Respuesta aperi´odica sin sobrenivel en la se˜ nal de salida y controlada a cambios tipo escal´on de la entrada de referencia r.27(a). step(PID. Respuesta aperi´odica sin sobrenivel en la salida yd controlada a cambios tipo escal´on del disturbio d. PI_Dy=feedback(Gci*Gcd. y para un coeficiente de amortiguamiento ζ > 0. ylabel(’SALIDA’).’k’. xlabel(’TIEMPO’). tal como se muestra en la Fig.26: Curva de reacci´on del sistema nivel y respuestas controladas para el ejemplo 5.27(b).5 0 PID y PI__D 0 5 10 15 20 25 30 TIEMPO (sec) 35 40 Fig.9 (gr´afico inferior).PI_D.86 Control PID SISO RESPUESTA AL ESCALÓN AMPLITUD 20 15 10 5 0 0 20 40 60 80 100 TIEMPO (sec) 120 140 160 180 45 50 SALIDAS CONTROLADAS SALIDA 2 PI__Dy 1. 2. y para un coeficiente de amortiguamiento ζ > 0.’k’).5 1 0. Este m´etodo propone un conjunto de reglas de sintonizaci´on para los casos siguientes (ver Tabla 5. grid.

controlador PID). sin presencia de la se˜ nal r.5.28 ilustra la comparaci´on entre . ecuaci´on (5. 5. Soluci´ on: Los par´ametros τ = 1 y T = 30 − τ se obtuvieron con el primer gr´afico de la Fig. Para prop´ositos de comparaci´on emplear los controladores ideal (PID.28(a)).27(d). ecuaci´on (5. Observar que en esta situaci´on tambi´en existe rechazo al disturbio.24)) y mejorado (PI Dy. La Fig. Con estos valores se calculan los par´ametros del controlador empleando la Tabla 5. 5.16)).28. 5.8. empleando las estructuras (b) y (c) de la Fig. ecuaci´on (5. dependiente (PI D.27: M´etodo de Chien–Hrones–Reswick. 5. y para un coeficiente de amortiguamiento de 0. 5.4 < ζ < 0.9 empleando el m´etodo de Chien– Hrones–Reswick para el caso de rechazo al disturbio (r=0 y d 6= 0) sin presencia de oscilaciones en la respuesta del sistema (ver Fig. tal como se muestra en la Fig. Respuesta aperi´odica con sobrenivel del 20 % en la salida yd controlada a cambios tipo escal´on del disturbio d. ya que y d tiende a cero. sin presencia del disturbio d. 4.6 M´ etodos de Sintonizaci´ on de Controladores PID 87 3.4 < ζ < 0. d D r t r R PID e t Proceso u (a) y y y R d R d=0 d=0 t t (d) (b) y d y d r=0 r=0 D t (c) D t (e) Fig. 5. y para un coeficiente de amortiguamiento de 0. Ejemplo 5. 5.29)).8. Respuesta peri´odica con sobrenivel del 20 % en la salida controlada y a cambios tipo escal´on de la entrada r. respectivamente. tal como se muestra en la Fig.26.10 Se desea controlar el proceso nivel del ejemplo 5.4 (caso (c).27(e).

7/a Ti = ∞ Td = 0 Kc = 0. close all. 5. Ejemplo 5.4*tau.95/a Kc = 1.4< ζ < 0.15/(30*s+1). Td=0.8 r=0 Kc = 0.Gc1*GF). PI_D Y PI_Dy POR EL M´ ETODO CHR (RECHAZO AL DISTURBIO) clear all. las cuales se obtienen ejecutando el programa chrd. El diagrama de bloques del sistema nivel se muestra en la Fig. clc. grid. Cohen y G. TI y TD .4τ Td = 0. % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).4T Td = 0. Coon [20] tambi´en se aplica a sistemas que aceptan un modelo din´amico como el de la ecuaci´on (5.5τ Ti = 2.den]=pade(1.3τ Td = 0 Kc = 0. Gp=GH*Gtau*GT. s=tf(’s’).3/a Ti = ∞ Td = 0 Kc = 0. donde: a= Kp τ T L= τ τ +T (5. PID=feedback(Gp. print -deps -f chrd M´ etodo de Cohen–Coon El m´etodo de sintonizaci´on desarrollado por los investigadores G.4: M´etodo de Chien–Hrones–Reswick para determinar K C .’k’). PI_D=feedback(Gp.95/a. GT=3.9 empleando el m´etodo de Cohen–Coon. step(PID.95/a Kc = 0. % CONTR PI_D Gci=Kc*(1+1/Ti/s).5 tau=2.7/a Ti = 1. % TOMADOS DE LA CURVA DE REACCI ´ ON a=Kp*tau/T. ylabel(’SALIDA’). Las f´ormulas de sintonizaci´on se muestran en la Tabla 5. GH=10/(s+1). % chrd.6/a Kc = 0.42τ Ti = 1.32).42*tau. [num.Gci*GF+Gcd).PI_Dy. % Kp=10*31.5.88 Control PID SISO Tabla 5.2T Td = 0 Ti = 4τ Td = 0 Ti = T Td = 0 Ti = 2.42τ las salidas controladas. GF=1/(s^2/9+s/3+1).3/a Ti = ∞ Td = 0 Kc = 0.3). Gcd=Td*s/(1+Td*s/N).8 d=0 Caso (e): 0.Gc2*GF).5 se asemejan a las de la Tabla 5.8 d=0 Caso (c): ζ > 0.2/a Ti = T Td = 0. xlabel(’TIEMPO’).H.m CONTROL PID. Kc=0. . Tipo Controlador GC (s) P Kc PI PID  Kc 1 +  Kc 1 + 1 Ti s 1 Ti s  + Td s  Caso (b): ζ > 0.PI_D. T=30-tau.6/a Kc = 0. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). PI_Dy=feedback(Gp.5.A. Kp=31. Ti=2.’k’.4< ζ < 0.34) Notar que las f´ormulas de la Tabla 5.8 r=0 Caso (d): 0.6/a Kc = 0.35/a Kc = 0.3 cuando L es suficientemente peque˜ no. title(’SALIDAS CONTROLADAS’).m listado abajo.7/a Ti = ∞ Td = 0 Kc = 0.11 Se desea controlar el sistema nivel descrito en el ejemplo 5. N=10. Gtau=num/den.’k’.25(a).47τ Ti = 2τ Td = 0.

5.6 M´
etodos de Sintonizaci´
on de Controladores PID
Actuador

Disturbio d

Controlador

v

89

d
Flotador

(a)

d

GT (s)
e −sτ h
Actuador Tiempo muerto Tanque
G H(s)

u
(b)

GF (s)

GC (s)

Controlador
d

y

Flotador

r=0
e −sτ h

G H(s)
Actuador

GT (s)

y

Tanque
G Cd(s)
Control D

(c)

GF (s)

G C i(s)
Control PI

r=0

Fig. 5.28: Estructuras para el rechazo al disturbio en el control del proceso nivel (Fig.
(a)) empleando controladores PID y PI D (Fig. (b))y PI Dy (Fig. (c)).

SALIDAS CONTROLADAS
1.6
1.4
1.2

SALIDA

1
0.8
0.6

PI__Dy

0.4

PID y PI__D

0.2
0
−0.2
−0.4

0

10

20

30
40
TIEMPO (sec)

50

60

70

Fig. 5.29: Rechazo al disturbio empleando controladores tipo PID, PI–D y PI–Dy.

Para prop´ositos de comparaci´on emplear los controladores PID, PI D y PI Dy. Para
el control PID y PI D emplear el diagrama de bloques de la Fig. 5.25(b), mientras
que para el control PI–Dy usar el diagrama de bloques de la Fig. 5.25(c).

90

Control PID SISO

Tabla 5.5: M´etodo de Cohen y Coon para hallar los par´ametros K C , TI y TD .
Tipo

Controlador GC (s)

P

Kc

PI 

Kc 1 +

PD
PID

1
Ti s 

Kc (1 + Td s)  

Kc 1 + T1i s + Td s

100
Kc = BP  

1
0.35L
1
+
a
1−L  

0.9
0.92L
1
+
a
1−L  

0.13L
1.24
1
+
a
1−L  

1.35
0.18L
1
+
a
1−L

Ti

Td

0

3.3−3L
1+1.2L

τ

0

2.5−2L
1−0.39L

τ

0.27−0.36L
1−0.87L

τ

0.37−0.37L
1−0.8L

τ

Soluci´
on: Los par´ametros τ = 1 y T = 30 − τ se obtuvieron del primer gr´afico de la
Fig. 5.26. Con estos valores se calculan los par´ametros del controlador empleando la
Tabla 5.5. La Fig. 5.30 muestra las salidas controladas.
SALIDAS CONTROLADAS
1.8
1.6
1.4

SALIDA

1.2

PI__Dy
1
0.8

PID y PI__D

0.6
0.4
0.2
0

0

5

10

15
20
TIEMPO (sec)

25

30

35

Fig. 5.30: Respuestas controladas empleando controladores tipo PID, PI D y PI Dy
y el m´etodo de Cohen-Coon.

% cohen.m CONTROL PID, PI_D Y PI_Dy EMPLEANDO EL M ´
ETODO DE COHEN-COON
clear all; close all; clc;
s=tf(’s’); GH=10/(s+1); GT=3.15/(30*s+1); GF=1/(s^2/9+s/3+1);
[num,den]=pade(1,3); Gtau=num/den; Gp=GH*Gtau*GT; Kp=31.5; % K=10*31.5
tau=1; T=30-tau;
% TOMADOS DE LA CURVA DE REACCI ´
ON
a=Kp*tau/T; L=tau/(tau+T); Kc=1.35/a*(1+0.18*L/(1-L));
Ti=(2.5-2*L)*tau/(1-0.39*L); Td=(0.37-0.37*L)*tau/(1-0.8*L); N=10; % PID
Gc1=Kc*(1+1/Ti/s+Td*s); PID=feedback(Gp*Gc1,GF);
% CONTROL PID
Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)); PI_D=feedback(Gp*Gc2,GF); % CONT PI_D
Gci=Kc*(1+1/Ti/s); Gcd=Td*s/(1+Td*s/N); Gcd=feedback(Gp,Gcd);
PI_Dy=feedback(Gci*Gcd,GF);
% CONTROL PI-Dy
step(PID,’k’,PI_D,’k’,PI_Dy,’k’); grid; title(’SALIDAS CONTROLADAS’);
xlabel(’TIEMPO’); ylabel(’SALIDA’); print -deps -f cohen

5.6 M´
etodos de Sintonizaci´
on de Controladores PID

5.6.2.

91


etodos a Lazo Cerrado

Los m´etodos de sintonizaci´on que emplean la curva de reacci´on del proceso, se
dise˜
nan a lazo abierto. En cambio, otros m´etodos de sintonizaci´on emplean ciertas
caracter´ısticas que s´olo se presentan cuando el proceso est´a operando a lazo cerrado.
Algunos de estos m´etodos se describen a continuaci´on.


etodo de Samal
El m´etodo de sintonizaci´on de par´ametros de Samal [21] est´a dise˜
nado para rechazar los disturbios que act´
uan principalmente en la se˜
nal de control, tal como se
muestra en la Fig. 5.31(a), donde el rechazo al disturbio se manifiesta porque la se˜
nal
de salida y controlada tiende a cero para un tiempo de estabilizaci´on T s y un sobrenivel de magnitud M . El proceso al cual se aplican los par´ametros del controlador
PID, poseen un modelo de FT de la forma:
Gp (s) =

Kp
y(s)
=
u(s)
(1 + Tn s)n

(5.35)

donde los par´ametros n y Tn se determinan de la Tabla 2.6 (ver ejemplo 2.3). En
la Fig. 5.31(b), Vo = Kp Kc es la ganancia a lazo abierto del sistema realimentado,
donde Kc es la ganancia del controlador. En esta figura, los valores de Vo para los
controladores I y PI se leen en el eje Vo de la izquierda, mientras que los valores de
Vo para los controladores P y PID se leen en el eje Vo de la derecha.
En la Fig. 5.31(c), Ti es el tiempo integral. El eje Ti /T ubicado a la izquierda de
esta figura permite determinar Ti para los controladores I, PI y PID, mientras que el
tiempo derivativo Td del controlador se determina empleando la curva PID indicada
como Td /T . La Fig. 5.31(d) permite determinar M conociendo la magnitud D del
disturbio tipo escal´on, mientras que la Fig. 5.31(e) se emplea para determinar T s .
Ejemplo 5.12
Se desea controlar el siguiente sistema empleando el m´etodo de Samal:
Gp(s) =

Kp
(s + T1 )(s + T2 )(s + T3 )(s + T4 )

donde: [T1 , T2 , T3 , T4 ] = [1, 1.5, 2, 2.5]. Para prop´ositos de comparaci´on emplear
los controladores PID ideal (ecuaci´on (5.16)), PI D interactivo (ecuaci´on (5.24)) y
PI Dy (PID mejorado, ecuaci´on (5.29)). Para el control PID y PI D emplear el
diagrama de bloques de la Fig. 5.1(b), mientras que para el control PI Dy usar el
diagrama de bloques de la Fig. 5.1(c).
Soluci´
on: El gr´afico superior de la Fig. 5.32 muestra la respuesta al escal´on (la curva
de reacci´on) del sistema. De esta curva se pueden obtener los par´ametros τ = 0.8 s
y T = 3.9 – τ = 3.1 s. Empleando la Tabla 2.6 se obtiene aproximadamente n = 3
y Tn = 0.270. De la Fig. 5.31(b) se determina Vo = 2 y Kc = V o/Kp , mientras que
de la Fig. 5.31(c) se calcula Ti = 1.8Tn y Td = 0.7Tn . El gr´afico inferior de la Fig.
5.32 ilustra la comparaci´on entre las salidas controladas. Tales resultados se obtienen
ejecutando el programa samal1.m listado abajo.

92

Control PID SISO
d

D
0

r=0

e

P, I, PI, PID

(a)
y

d

t

(1+Ts) n

u

PI
Vo

20

4

16

3

P
12

2

8

1
I
1

2

3

4

(c)

5
I

Vo

4

3
2

PI

PID

4

1

0

0

n

2

3

4

Ts
T

0.8

I

0.6

PI

0.4

16

I

12

P

PI
PID

PID

0.2

4

P
2

n

20

8

1

0

(e)

1

0

2 Td
T
1

PID
PID

1

D

3

I

(d)
M
Kp D

5

4
Ti
T

t

Ts

0

(b)
5

M

D

y

Kp

3

4

n

0

1

2

3

4

n

Fig. 5.31: M´etodo de Samal para hallar los par´ametros de un controlador PID.

% samal.m CONTROL PID, PI_D Y PI_Dy EMPLEANDO EL M ´
ETODO DE SAMAL
clear all; close all; clc; Kp=10; Tb=1; Tc=1.5; Td=2; Te=2.5; s=tf(’s’);
Gp=Kp/(s+Tb)/(s+Tc)/(s+Td)/(s+Te); subplot(211); step(Gp,’k’); grid;
title(’RESPUESTA AL ESCAL´
ON’); xlabel(’TIEMPO’); ylabel(’AMPLITUD’);
% tau=0.8; T=3.9-tau=3.1; % tau/T=0.258 => n=3 => Tn/tau=0.270
% Gm(s)=Kp/(Tn*s+1)^n % MODELO DEL PROCESO SEG ´
UN SAMAL
Tn=0.216; Vo=2; Kc=Vo/Kp; Ti=1.8*Tn; Td=0.7*Tn; N=10;% PAR ´
AMETROS PID
Gc1=Kc*(1+1/Ti/s+Td*s); PID=feedback(Gp*Gc1,1);
% CONTROL PID
Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)); PI_D=feedback(Gp*Gc2,1); % CONTR PI_D
Gci=Kc*(1+1/Ti/s); Gcd=Td*s/(1+Td*s/N); Gcd=feedback(Gp,Gcd);

5.6 M´
etodos de Sintonizaci´
on de Controladores PID

93

RESPUESTA AL ESCALÓN

AMPLITUD

1.5

1

0.5

0

0

1

2

3

4
5
TIEMPO (sec)

6

7

8

9

45

50

SALIDAS CONTROLADAS
1.5

SALIDA

PI__Dy
1

0.5

PID y PI__D
0

0

5

10

15

20
25
30
TIEMPO (sec)

35

40

Fig. 5.32: Respuesta al escal´on (Fig. inferior) y respuestas controladas (Fig. superior)
empleando controladores tipo PID, PI D y PI Dy y el m´etodo de Samal.

PI_Dy=feedback(Gci*Gcd,1);
% CONTROL PI_Dy
subplot(212); step(PID,’k’,PI_D,’k’,PI_Dy,’k’); grid;ylabel(’SALIDA’);
title(’SALIDAS CONTROLADAS’); xlabel(’TIEMPO’); print -deps -f samal1


etodo de la Oscilaci´
on Cr´ıtica de Ziegler y Nichols
El m´etodo de la oscilaci´on cr´ıtica de Ziegler y Nichols [15] emplea la configuraci´on
de un sistema de control a lazo cerrado y se puede aplicar tanto a sistemas que son
modelados con la ecuaci´on (5.32) y a otros no autoregulados, pero que permiten una
respuesta a lazo cerrado en forma de oscilaciones sostenidas, tal como se muestra en
la Fig. 5.33.
Los par´ametros Kc , Ti y Td del controlador PID se pueden obtener a partir de tal
respuesta oscilatoria, empleando el siguiente procedimiento:
Fijar los par´ametros Ti y Td en ∞ y 0 respectivamente. Incrementar poco a
poco el par´ametro Kc hasta obtener una respuesta en forma de oscilaciones
sostenidas (ver la Fig. 5.33).
En dicha respuesta, medir el per´ıodo de oscilaci´on cr´ıtico Tcrit y anotar la
ganancia cr´ıtica Kcrit (o ganancia l´ımite) para la cual se obtuvo dicho per´ıodo.
Los par´ametros Kc , Ti y Td se calculan luego usando la Tabla 5.6.
Es necesario hacer notar que la magnitud de la oscilaci´on sostenida, lo que es equivalente a decir la magnitud de variaci´on de la variable de salida, debe ser mantenida
la m´as peque˜
na posible para evitar problemas en la variable controlada.

94

Control PID SISO

r

r

K crit

e

PID

u

Proceso

R

y

y
R
T crit
t

t

Fig. 5.33: M´etodo de la oscilaci´on cr´ıtica de Ziegler y Nichols.

Tabla 5.6: M´etodo de la oscilaci´on cr´ıtica de Ziegler y Nichols para determinar los
par´ametros Kc , Ti y Td .
Tipo
P
PI
PID

Controlador Gc (s) 

Kc 

Kc 1 + T1i s  

Kc 1 + T1i s + Td s

100
BP

Ti

Td

0.5Kcrit

0

0.45 Kcrit

0.85 Tcrit

0

0.6 Kcrit

0.5 Tcrit

0.125 Tcrit

Kc =

Ejemplo 5.13
Se desea controlar el proceso nivel del problema 5.9 empleando la t´ecnica de las
oscilaci´on cr´ıtica de Ziegler y Nichols. Para prop´ositos de comparaci´on emplear los
controladores PID est´andar, PI D interactivo y PI Dy mejorado, empleando las estructuras de la Fig. 5.25.
Soluci´
on: El primer gr´afico de la Fig. 5.34 muestra la respuesta al escal´on a manera
de una oscilaci´on sostenida que se obtiene empleando un controlador proporcional
de ganancia GC (s) = Kcrit = 0.85 en la Fig. 5.25(b). Notar que la oscilaci´on posee
un per´ıodo igual a Tcrit = 8 s. Con estos valores se calculan los par´ametros del
controlador PID empleando la Tabla 5.6. El segundo gr´afico de la Fig. 5.34 ilustra la
comparaci´on entre las salidas controladas. Tales resultados se obtienen ejecutando el
programa zn2.m listado abajo.
´TICA
% zn2.m CONTROL PID, PI_D Y PI_Dy MEDIANTE LA OSCILACI ´
ON CRI
clear all; close all; clc;
s=tf(’s’); GH=10/(s+1); GT=3.15/(30*s+1); GF=1/(s^2/9+s/3+1);
[num,den]=pade(1,3); Gtau=num/den; Gp=GH*Gtau*GT;
Kcrit=3.95; G_c0=feedback(Kcrit*Gp,GF); subplot(211); step(G_c0,’k’,20);
grid; title(’OSCILACI´
ON CR´
ITICA’); xlabel(’TIEMPO’); ylabel(’AMPLITUD’);
Tcrit=4.25; % TOMADOS DE LA OSCILACI´
ON SOSTENIDA
Kc=0.6*Kcrit; Ti=0.5*Tcrit; Td=0.125*Tcrit; N=10; % PAR ´
AMETROS PID
Gc1=Kc*(1+1/Ti/s+Td*s); PID=feedback(Gp*Gc1,GF);
% CONTROL PID
Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)); PI_D=feedback(Gp*Gc2,GF); % CONT PI_D
Gci=Kc*(1+1/Ti/s); Gcd=Td*s/(1+Td*s/N); Gcd=feedback(Gp,Gcd);
PI_Dy=feedback(Gci*Gcd,GF); % CONTROL PI_Dy
subplot(212); step(PID,’k’,PI_D,’k’,PI_Dy,’k’); grid; ylabel(’SALIDA’);
title(’SALIDAS CONTROLADAS’); xlabel(’TIEMPO’); print -deps -f zn2

1). Notar que la oscilaci´on posee un per´ıodo igual a τcrit = 15 s.5 0 0 2 4 6 8 10 12 TIEMPO (sec) 14 16 18 20 SALIDAS CONTROLADAS SALIDA 2 PI__Dy 1. .m listado abajo. PI D interactivo y PI Dy mejorado.5.5 1 0. 5. Con estos valores se calculan los par´ametros del controlador PID empleando la Tabla 5.’k’.5 1 0. empleando la t´ecnica de las oscilaciones sostenidas de Ziegler y Nichols. Tales resultados se obtienen ejecutando el programa zn2a. G_c0=feedback(Kcrit*Gp. close all. Kcrit=0.35 ilustra la comparaci´on entre las salidas controladas.6 M´ etodos de Sintonizaci´ on de Controladores PID 95 OSCILACIÓN CRÍTICA AMPLITUD 2 Tcrit 1. clc. ´N CRI ´TICA % zn2a. s=tf(’s’).34: Oscilaciones sostenidas (primer gr´afico) para Kp = Kcrit y respuestas controladas (gr´afico inferior) para el ejemplo 5. PI_D Y PI_Dy MEDIANTE LA OSCILACI O clear all.569. 5. subplot(211). 5.569. Gp=1/(s*(s+1)^4).14 Se desea controlar un proceso no autoregulado que posee la siguiente FT. Soluci´ on: El primer gr´afico de la Fig. El segundo gr´afico de la Fig. step(G_c0.50). Gp (s) = 1 s(s + 1)4 Para prop´ositos de comparaci´on emplear los controladores PID ideal.5 0 PID y PI__D 0 10 20 30 TIEMPO (sec) 40 50 60 Fig.13.6.35 muestra la respuesta al escal´on a manera de una oscilaci´on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0. Ejemplo 5.m CONTROL PID.

xlabel(’TIEMPO’). Gcd=feedback(Gp.5 0 0 10 20 30 TIEMPO (sec) 40 50 60 Fig. PI_D=feedback(Gp*Gc2. Ti=0.5 0 0 5 10 15 20 25 30 TIEMPO (sec) 35 40 45 50 SALIDAS CONTROLADAS SALIDA 2 1.125*Tcrit.5 PI__Dy 1 PID y PI__D 0. N=10.’k’.’k’). grid. ylabel(’AMPLITUD’). % CONTROL PI_Dy subplot(212).PI_D. Gcd=Kc*Td*s/(1+Td*s/N).35: Oscilaciones sostenidas (primer gr´afico) para Kp = Kcrit y respuestas controladas (gr´afico inferior) para el ejemplo 5.6*Kcrit. Tcrit=15. ylabel(’SALIDA’).5 1 0. % CONTR PI_D Gci=Kc*(1+1/Ti/s). % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). cuya FT es: u(s) Gc (s) = = Kc e(s) 1 Td s 1+ + Ti s 1 + TNd s ! bf 0 + bf 1 s + bf 2 s2 1 + a f 1 s + a f 2 s2  . 5. PID=feedback(Gp*Gc1. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s).1(a).1).Gcd). 5.18.’k’. Td=0.1). se aplican al control de sistemas que poseen una FT de la forma Gp (s) = Kp e−τ s . El control se realiza empleando la configuraci´on de la Fig.1).PI_Dy. PI_Dy=feedback(Gci*Gcd. title(’OSCILACI´ ON CR´ ITICA’). step(PID. El controlador empleado es el denominado cl´asico generalizado.5*Tcrit. xlabel(’TIEMPO’). print -deps -f zn2a M´ etodo de la Oscilaci´ on Cr´ıtica de Yu Las siguientes reglas de sintonizaci´on atribuidas a Yu (ver referencias de [29]). title(’SALIDAS CONTROLADAS’). grid.96 Control PID SISO OSCILACIÓN CRÍTICA AMPLITUD 2 Tcrit 1. % TOMADO DE LA OSCILACI´ ON SOSTENIDA Kc=0.

Soluci´ on: El primer gr´afico de la Fig.33. Con estos valores se calculan los par´ametros del controlador PID empleando: Kc = 0.den). xlabel(’TIEMPO’).5 0 −0. af1=1. 5.5 0 50 100 150 TIEMPO (sec) 200 250 Fig. bf1=1.36 ilustra la salidas controlada.15. 5.3). Gp=Kp*Gtau.45 en la Fig. close all.m listado abajo. grid.15 Se desea controlar el sistema Gp (s) = Kp e−τ s empleando la t´ecnica de la oscilaci´on cr´ıtica y las reglas de sintonizaci´on arriba formuladas.45. G_c0=feedback(Kcrit*Gp.3Kcrit Ti = 2. 5. s=tf(’s’). % Gp: PROCESO Kcrit=0. title(’OSCILACI´ ON CR´ ITICA’).6 M´ etodos de Sintonizaci´ on de Controladores PID 97 Las reglas son: Kc = 0.36 muestra la respuesta al escal´on a manera de una oscilaci´on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0. step(G_c0. clc. Tales resultados se obtienen ejecutando el programa yu1. Notar que la oscilaci´on posee un per´ıodo igual a τcrit = 4 s. % TOMADO DE LA OSCILACI´ ON CR´ ITICA . 5. Kp=2.3Kcrit Ti = 2. subplot(211). % yu1. bf0=1.1).3τcrit Td = 0 Ejemplo 5. OSCILACIÓN CRÍTICA AMPLITUD 5 0 Tcrit −5 −10 0 10 20 30 TIEMPO (sec) 40 50 60 SALIDA CONTROLADA SALIDA 1 0. af2=1.ylabel(’AMPLITUD’).5.36: Oscilaciones sostenidas (primer gr´afico) para Kp = Kcrit y respuesta controlada (gr´afico inferior) para el ejemplo 5. [num. Tcrit=4.m CONTROL PI EMPLEANDO LAS REGLAS DE YU CON LA OSCILACI ´ ON CR´ ITICA clear all.3τcrit Td = 0 El segundo gr´afico de la Fig.’k’).den]=pade(2. bf2=1. Gtau=tf(num.

6. Conocido los par´ametros a. el cual usa el diagrama de bloques de la Fig.37(a). Ejemplo 5. subplot(212).3*Tcrit. donde L es la ganancia del rel´e. 5.m listado abajo.98 Control PID SISO Kc=0. Tales resultados se obtienen ejecutando la segunda parte del programa relay.6. grid. para una ganancia Kcrit = π4La . En la pr´actica. Td=0. Ti=2.25 y Tcrit = 15. Tambi´en determinar las ecuaciones de estado del sistema. 5. tambi´en. step(PID. N=3.3*Kcrit. Gc2=(bf0+bf1*s+bf2*s^2)/(1+af1*s+af2*s^2).39 muestra la comparaci´on entre las salidas controladas. PID=feedback(Gp*Gc.Gc2).37 [17].’k’). ya que en casos reales fuerza a la planta a operar cerca de la inestabilidad. Soluci´ on: La primera parte del programa relay.39 se desprenden los par´ametros: a = 0. 5.39 para una magnitud del rel´e de L = 0.38 se emplea para determinar las cinco ecuaciones de estado del sistema: x˙ 1 = −x1 + x2 x˙ 2 = −x2 + x3 x˙ 3 = −x3 + x4 x˙ 4 = −x4 + x5 x˙ 5 = u De la oscilaci´on sostenida mostrada en el primer gr´afico de la Fig. Una variante de este m´etodo se muestra en la Fig. PI D interactivo y PI Dy mejorado. mientras que el segundo gr´afico ilustra la ley de control u = ±L. xlabel(’TIEMPO’).37: Diagrama de bloques del sistema realimentado empleado en el m´etodo de sintonizaci´on mediante rel´e. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). print -deps -f yu1 M´ etodo del Rel´ e El m´etodo de la oscilaci´on cr´ıtica a lazo cerrado puede ser arriesgado. ylabel(’SALIDA’).1). 5. 5. El tercer gr´afico de la Fig. Gc=series(Gc1. resulta muy dificultoso mantener la amplitud constante. Teniendo como datos Tcrit y Kcrit se puede ahora usar la Tabla 5. en donde se emplea un rel´e para conseguir una oscilaci´on sostenida de per´ıodo Tcrit pero de peque˜ na amplitud a. Tcrit y L. empleando la t´ecnica del rel´e de Astr¨om y H¨agglund: 1 Gp (s) = s(s + 1)4 Para prop´ositos de comparaci´on emplear los controladores PID est´andar. ahora se puede calcular la ganancia Kcrit y los par´ametros PID empleando la Tabla 5.16 Se desea controlar un sistema no autoregulado que posee la siguiente FT. El diagrama de bloques de la Fig. permite obtener el primer y segundo gr´afico de la Fig. .1.m listado abajo. title(’SALIDA CONTROLADA’). 5. r e +L −L a y u u e Relé Gp(s) t y Proceso Tcrit Fig. 5.

for k = 1:M r=1. close all. % CONDICIONES INICIALES T = 0. % relay. % LEY DE CONTROL u x1=x1+T*(-x1+x2). ley de control u (gr´afico medio) y respuestas estabilizadas empleando controladores tipo PID.01. clc. else u=-L. x5=0. u=L.1 0 −L 10 20 SALIDAS CONTROLADAS SALIDA 2 PI__Dy 1 PID y PI__D 0 0 10 20 30 40 50 60 TIEMPO (sec) 70 80 90 100 1 Fig. x2=x2+T*(-x2+x3).X1). % SALIDA DEL PROCESO end ejet = linspace(0.6 M´ etodos de Sintonizaci´ on de Controladores PID u 1 s x5 x4 1 s+1 1 s+1 x3 1 s+1 x2 99 1 s+1 x1 = y Fig.m RESPUESTA A LAZO CERRADO CON UN REL ´ E COMO CONTROLADOR clear all. X1(k)=x1.M). x2=0. M = 8000.1 +L 0 −0. x4=0. % PROGRAMA PARA PRODUCIR LA OSCILACI´ ON SOSTENIDA x1=0. x3=0. 5. PI D y PI Dy (gr´afico inferior). x5=x5+T*u. x4=x4+T*(-x4+x5). 5. subplot(311). SALIDA y 2 Tcrit 1 0 CONTROL u r a 0 10 20 30 40 TIEMPO 50 60 70 80 30 40 TIEMPO 50 60 70 80 0. % REFERENCIA ESCAL´ ON r Y ERROR e if(e>=0).38: Diagrama de bloques del sistema mostrando sus variables de estado.ejet. grid ylabel(’SALIDA y’).5.R. x3=x3+T*(-x3+x4). L=0.1. end % FUNCI´ ON REL´ E U(k)=u.39: Respuesta al escal´on del sistema de control del sistema Gp (s) = s(s+1) 4 empleando un rel´e (gr´afico superior). e=r-x1. plot(ejet. . xlabel(’TIEMPO’).M*T. R(k) = r.

% PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). N=10.7.Gcd).1).17 Controlador Gc (s)  Kc  Kc 1 + T1i s   Kc 1 + T1i s + Td s Kc = 100 BP Ti Td Ko ∞ 0 Ko To /1. PI_Dy=feedback(Gci*Gcd. Ti y Td . Gcd=feedback(Gp. % TOMADO DE LA OSCILACI ´ ON SOSTENIDA Kc=0. Gp=1/(s*(s+1)^4).1). debe ser de modo tal que el segundo m´aximo sea un cuarto del primer m´aximo. print -deps -f relay M´ etodo de las Oscilaciones Amortiguadas El m´etodo de las oscilaciones amortiguadas propuesto en [18]. Gcd=Kc*Td*s/(1+Td*s/N). %CONTROL PI_D Gci=Kc*(1+1/Ti/s). En ambos casos. % FT DEL PROCESO a=0.125*Tcrit. step(PID.6*Kcrit.1). % CONTROL PI_Dy subplot(313). tal como se ilustra en la Fig. Este m´etodo se aplica a sistemas que pueden ser modelados en la forma dada en la ecuaci´on (5. PID=feedback(Gp*Gc1. Los par´ametros de sintonizaci´on del controlador se obtienen luego de la Tabla 5.100 Control PID SISO subplot(312). Tabla 5. ylabel(’SALIDA y’).40.U). xlabel(’TIEMPO’). plot(ejet. se conoce tambi´en como el m´etodo TDQR (Tuning for Quarter Decay Response) o sintonizaci´on para un decaimiento de un cuarto de la respuesta. la respuesta al escal´on a lazo cerrado.PI_D.40: M´etodo de las oscilaciones amortiguadas de Harriot.7: M´etodo de las oscilaciones amortiguadas de Harriot para hallar los par´ametros Kc . 5. xlabel(’TIEMPO’) % PROGRAMA PARA CONTROLAR EL PROCESO Gp(S) s=tf(’s’). ylabel(’CONTROL u’).’k’. en la cual Ko es la ganancia del controlador para obtener el decaimiento mostrado y To es el per´ıodo correspondiente. Tipo P PI PID Ejemplo 5.5*Tcrit. 5.’k’. r r Ko e PID u Proceso y To y A R R A/4 t t Fig. Ti=0. title(’SALIDAS CONTROLADAS’). Kcrit=4*L/(pi*a).5 To /6 .25. Td=0. Tcrit=15. PI_D=feedback(Gp*Gc2.5 0 Ko To /1.32) y tambi´en a otros sistemas no autoregulados.PI_Dy). % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).

dependiente (PI D.5. ´TODO DE HARRIOT % harriot.m CONTROL PID. ecuaci´on (5.m listado abajo.24)) y mejorado (PI Dy.15/(30*s+1).16)).55. % Gp: PROCESO. subplot(211).55 en la Fig.5 1 A 0.20). close all.25(a). OSCILACIÓN SOSTENIDA AMPLITUD 1. Td=To/6. El segundo gr´afico de la Fig.25.9 empleando la t´ecnica de las oscilaciones amortiguadas de Harriot. ecuaci´on (5.5 0 2 4 6 8 10 12 TIEMPO (sec) 14 16 18 20 SALIDAS CONTROLADAS 2 SALIDA PI__Dy 1 PID PI__D 0 −1 0 5 10 15 20 TIEMPO (sec) 25 30 35 Fig. Ti=To/1. To=10. % CONTROL PID . [num. ecuaci´on (5. % TIEMPO MUERTO exp(-tau*s) Gp=GH*Gtau*GT. Para prop´ositos de comparaci´on emplear los controladores ideal (PID.’k’.41: Oscilaciones amortiguadas (gr´afico superior) para K c = Ko y respuestas controladas (gr´afico inferior) para el ejemplo 5.den).41 muestra la respuesta al escal´on en donde el segundo m´aximo de la oscilaci´on es un cuarto del primer m´aximo. la cual se obtiene empleando un controlador proporcional de ganancia GC (s) = Ko = 0. GH: FLOTADOR Ko=0. Gtau=tf(num. ylabel(’AMPLITUD’).GF). 5. Notar que la oscilaci´on posee un per´ıodo igual a To = 10 s.41 ilustra la comparaci´on entre las salidas controladas. Soluci´ on: El primer gr´afico de la Fig. step(G_c0. 5.6 M´ etodos de Sintonizaci´ on de Controladores PID 101 Se desea controlar el sistema nivel del ejemplo 5.GF). 5. PI_D Y PI_Dy MEDIANTE EL M E clear all. G_c0=feedback(Ko*Gp. 5. Kc = Ko.5. N=10. GH=10/(s+1).den]=pade(1. Con estos valores se calculan los par´ametros del controlador PID empleando la Tabla 5.17. % PAR ´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s). GF=1/(s^2/9+s/3+1). PID=feedback(Gp*Gc1. Tales resultados se obtienen ejecutando el programa harriot. clc. xlabel(’TIEMPO’).3). 5.7. GT=3.29)). s=tf(’s’). grid title(’OSCILACI´ ON SOSTENIDA’).5 A/4 0 −0. empleando las estructuras (b) y (c) de la Fig.

El segundo gr´afico de la Fig. subplot(211).’k’. grid. G(s) es una FT que incluye el controlador. PI_D=feedback(Gp*Gc2. PI_D Y PI_Dy MEDIANTE OSCILACI ´ ON AMORTIGUADA clear all. Notar que la oscilaci´on posee un per´ıodo igual a τcrit = 15 s. 5. G_c0=feedback(Ko*Gp.6. Tales resultados se obtienen ejecutando el programa zn2.PI_D. donde e(s) = r(s)−y(s) es el error del sistema. r(s) la se˜ nal deseada o SP e y(s) la salida controlada o PV. ylabel(’SALIDA’). xlabel(’TIEMPO’). dependiente (PI D. clc.6. ecuaci´on (5. xlabel(’TIEMPO’). % CONTROL PI_Dy subplot(212). step(G_c0.18 Se desea controlar un sistema no autoregulado que posee la siguiente FT. el EFC y el proceso. Gcd=feedback(Gp. % TOMADO DE LA OSCILACI´ ON AMORTIGUADA Kc=Ko.102 Control PID SISO Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)). ylabel(’SALIDA’). PI_Dy=feedback(Gci*Gcd.29)).25. Soluci´ on: El primer gr´afico de la Fig.1). % CONTROL PI_Dy subplot(212). PID=feedback(Gp*Gc1. e(s) = 1 r(s).’k’).GF). Ti=To/1.5. empleando las estructuras (b) y (c) de la Fig. ylabel(’AMPLITUD’). title(’SALIDAS CONTROLADAS’).’k’).34 ilustra la comparaci´on entre las salidas controladas. % CONTR PI_D Gci=Kc*(1+1/Ti/s). PI_D=feedback(Gp*Gc2. PI_Dy=feedback(Gci*Gcd. M´ etodos Basados en la Minimizaci´ on de un ´Indice La Fig.m listado abajo. mientras que H(s) comprende el sensor y el transmisor. % CONTROL PI_D Gci=Kc*(1+1/Ti/s).50). grid title(’SALIDAS CONTROLADAS’). s=tf(’s’). Gp=1/(s*(s+1)^4).34 muestra la respuesta al escal´on a manera de una oscilaci´on sostenida que se obtiene empleando un controlador proporcional de ganancia GC (s) = Kcrit = 0. empleando la t´ecnica de las oscilaciones amortiguadas de Harriot. % PAR´ AMETROS PID Gc1=Kc*(1+1/Ti/s+Td*s).1).’k’. Td=To/6.Gcd).GF). consiste en minimizar un determinado ´ındice de rendimiento. Con estos valores se calculan los par´ametros del controlador PID empleando la Tabla 5. title(’OSCILACI´ ON AMORTIGUADA’). step(PID. 5.’k’.Gcd).3.43 muestra un sistema de control SISO realimentado.’k’. 5. De la Fig. xlabel(’TIEMPO’). % CONTROL PID Gc2=Kc*(1+1/Ti/s+Td*s/(1+Td*s/N)).3. % harriota.PI_Dy.PI_D. 5.1).m CONTROL PID. en el cual est´en involucrados .569. To=20.1).43 se deduce: e(s) = r(s)−y(s) = r(s)−H(s)G(s)e(s). N=10. Gcd=feedback(Gp. Ko=0. print -deps -f harriota 5. ecuaci´on (5. print -deps -f harriot Ejemplo 5. Gcd=Kc*Td*s/(1+Td*s/N).36) La idea principal en los m´etodos de sintonizaci´on basados en criterios o´ptimos.16)). Gcd=Kc*Td*s/(1+Td*s/N). ecuaci´on (5. Gp (s) = 1 s(s + 1)4 Para prop´ositos de comparaci´on emplear los controladores ideal (PID.PI_Dy. close all. 5. Adem´as. 1 + GH(s) e(t) = L−1 [e(s)] (5.24)) y mejorado (PI Dy. step(PID.

18.6 M´ etodos de Sintonizaci´ on de Controladores PID 103 OSCILACIÓN AMORTIGUADA AMPLITUD 1.43: Sistema de control SISO realimentado. r(s) e(s) y(s) G(s) H(s) Fig. 5.37) . Los ´ındices de rendimiento m´as usados son: ISE (Integral Squared Error). tanto el tiempo continuo t como el error e(t).5 1 PID 0. IT AE (Integral Time Absolute Error).42: Oscilaciones sostenidas (gr´afico superior) para KC = Ko y respuestas controladas (gr´afico inferior) para el ejemplo 5. 5.5. IAE (Integral Absolute Error).5 0 0 PI−D 10 20 30 TIEMPO (sec) 40 50 60 Fig.5 0 A/4 0 5 10 15 20 25 30 TIEMPO (sec) 35 40 45 50 SALIDAS CONTROLADAS SALIDA 1. Las f´ormulas de dichos ´ındices son: ISE = Z ∞ 2 e (t)dt IAE = 0 IST E = Z ∞ 0 2 t e(t)dt Z ∞ 0 |e(t)|dt 2 IST E = IT AE = Z ∞ 0 Z t2 e2 (t)dt ∞ t|e(t)|dt 0 (5. IST E (Integral Square Time weighted Error) e IST 2 E (Integral Square Time–Square weighted Error).5 1 A 0.

tau=2.1). el par´ametro Ti de un controlador PID.4 1.5*tau. 5.361τ 0.1(a). s=tf(’s’).8: Reglas de sinton´ıa para controlar sistemas tipo Gp (s) = Kp e−τ s . Kp=2. Los trabajos de Shinskey Nomura et al. M´etodo M´ınimo ITAE M´ınimo ITAE M´ınimo ITAE Controlador Gc (s) Kc Ti Td 1 Indefinido 0. % Gp: SISTEMA Kc=0.5τ 0 0. 5.104 Control PID SISO donde el error e(t) puede ser de la forma dada en (5. resultado que se obtienen ejecutando el programa shinskey. Ti=0. Td=0. Gtau=tf(num. title(’CONTROL DE G(s)=Kp*exp(-tau*s) USANDO ITAE’). xlabel(’TIEMPO’). se aplican a procesos que poseen una FT de la forma: Gp (s) = Kp e−τ s . por ejemplo ISE. A continuaci´on se presentan algunas reglas de sintonizaci´on basados en diversos ´ındices de rendimiento.1911τ  Ti s  Kc 1 + T1i s   Kc 1 + T1i s + Td s Ejemplo 5. clc.m listado abajo. Soluci´ on: La Fig. PID=feedback(Gc*Gp.3). El control se realiza empleando la configuraci´on de la Fig. [num. (control PID). Tabla 5. el siguiente paso consiste en minimizar dicho ´ındice: ∂ISE =0 ∂z donde z puede ser una determinada variable o par´ametro del cual se desea determinar su valor extremo. con Kp = 2 y τ = 2 usando el criterio ITAE y un controlador PI.36). ylabel(’SALIDA’).44 muestra la respuesta controlada. % shinskey.19 Se desea controlar el sistema con FT Gp (s) = Kp e−τ s .8.den). por ejemplo. Una vez formulado el ´ındice de rendimiento. % PAR´ AMETROS PID Gc=Kc*(1+1/(Ti*s)+Td*s).6Kp τ 0 Kp 0. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp*Gtau.4/Kp.2635 Kp 0.m CONTROL PI USANDO ITAE clear all.den]=pade(tau. atribuidas Shinskey (control I y PI) y Nomura et al. print -deps -f shinskey . se encuentran en las referencias de [29]. close all. M´ etodo de Shinskey Las reglas de sintonizaci´on de la Tabla 5. % CONTROL PID step(PID).

Por otro lado.8 SALIDA 0. Tales reglas se pueden aplicar a procesos que aceptan un modelo din´amico .6 M´ etodos de Sintonizaci´ on de Controladores PID 105 CONTROL DE G(s)=Kp*exp(−tau*s) USANDO ITAE 1.29).10 muestra las reglas de sintonizaci´on para el controlador descrito en (5.49).5τ 0.39) La Tabla 5. La Tabla 5.8 0 5 10 15 TIEMPO (sec) Fig. 5.4 −0. M´ etodo de Wang–Juang–Chan Las f´ormulas de sintonizaci´on de de Wang–Juang–Chan (citadas en [24]) se basan en el criterio de optimizaci´on de IT AE y se pueden aplicar a sistemas que aceptan un modelo din´amico como el de la ecuaci´on (5.32) y que est´en sujetos a cambios tipo escal´on en la se˜ nal de referencia del sistema de control.44: Control PI del sistema Gp (s) = Kp e−τ s usando ITAE (ejemplo 5.4 0.2 1 0. IST E e IST 2 E empleando controladores PI y PID ideales.9 muestra las f´ormulas de sintonizaci´on que se pueden aplicadar a procesos que aceptan un modelo din´amico como el de la ecuaci´on (5.6 −0. si prescindimos de la ganancia Kc de la parte derivativa del controlador PID mejorado dado en (5.5.5307T /τ )(T + 0.5τ T = T + 0. 5.6 0. tal como se muestra en la Fig.2 −0.5τ ) Kp (T + τ ) = T + 0.5τ Kc = Ti Td (5.32).7303 + 0. el algoritmo de control toma la forma: u(s) = Kc e(s) + Td s Kc e(s) − y(s) = P (s) + I(s) + D(s) Ti s 1 + Td s/N (5.38) Metodo de Zhuang y Atherton El m´etodo de Zhuang y Atherton [26] minimiza los criterios ISE.2 0 −0.1(a). Estas f´ormulas son: (0.19).

260 –0.754 –0. donde Kp = 2.661 –0. Rango de τ /T Tipo 0.110 0. Rango de τ /T Tipo 0.072 –0.247 1.053 –0.130 0.45 muestra la respuesta controlada.720 –0.32) y que est´en sujetos a cambios tipo escal´on en la se˜ nal de referencia del sistema de control (ver Fig.20 K p e−τ s .308 0.942 –0.897 0. Ti y Td en un controlador ideal.220 0.897 0.385 0.832 Par´ametro a1 Kp PI Kc = PI Ti = PID Kc = PID Ti = PID Td = a3 T  τ b1 T T a2 +b2 (τ /T ) a1 Kp  τ b1 T T a2 +b2 (τ /T )  τ b3 T 1.906 0.712 –0.987 –0. .116 a3 b3 0.933 1.690 –0.490 0.907 0.628 –0.980 –0.154 –0.892 –0. un controlador PID y las reglas de la Tabla 5.701 –0.350 0.001 –0.349 0.968 –0.921 0. resultado que se obtienen ejecutando el programa zh1.579 1.897 1.892 0.042 –0.165 a3 b3 0.253 1.583 a2 b2 0.047 –0.167 a1 b1 1.624 a2 b2 0.756 0.106 Control PID SISO Tabla 5.786 –0.114 0.386 0.567 1.811 0.560 0.977 –0. Ti y Td en un controlador cuya acci´on derivativa se encuentra en la realimentaci´on.295 –0.619 1. Emplear el criterio ISE.489 0.1< τ /T <1 ISE ISTE IST2 E ISE ISTE IST2 E a1 b1 0.708 0. Tabla 5.1< τ /T <2 como el de la ecuaci´on (5.770 –0.648 –0.316 0.378 0.195 –0.120 –0.147 0.048 –0.1(a)).813 Par´ametro a1 Kp PID Kc = PID Ti = PID Td = a3 T  τ b1 T T a2 +b2 (τ /T )  τ b3 T 1.007 –0.930 0.736 –0.126 0.559 0.9. Soluci´ on: La Fig.155 0.919 –0.887 1. 5.023 –0. τ = 2 y Se desea controlar el sistema con FT: Gp (s) = T s+1 T = 20.9: M´etodo de Zhuang y Atherton para determinar Kc .158 1.904 1.m listado abajo.968 –0.886 0.839 0.179 0.583 a2 b2 1.238 0.061 –0.114 0.1< τ /T <2 Ejemplo 5.625 1.308 0.10: M´etodo de Zhuang y Atherton para determinar Kc .172 0.375 0.142 –0.315 0.384 0.892 0.1< τ /T <1 ISE ISTE IST2 E ISE ISTE IST2 E a1 b1 1.569 –0. 5.888 0.883 –0.951 1.

1 a1=1.45: Control PID del sistema Gp (s) = Kp T s+1 25 30 35 40 e−τ s usando ISE (ejemplo 5. Gtau=tf(num.5.888.m CONTROL PID USANDO ISE clear all. Kessler [25] para determinar los par´ametros de un controlador PID basado en criterios o´ptimos de dise˜ no.048. s=tf(’s’).1).6 M´ etodos de Sintonizaci´ on de Controladores PID 107 CONTROL PID USANDO ISE 1.489. Td=(a3*T)*(tau/T)^b3. b3=0. close all.386. print -deps -f zh1 M´ etodo de Kessler La Tabla 5. clc. % PROCESO A CONTROLAR Kc=(a1/Kp)*(tau/T)^b1.5s) Controlar dicho sistema empleando el m´etodo de Kessler.3). PID=feedback(Gc*Gp. % zh1. a3=0.897. % CONTROL PID step(PID. N=10. xlabel(’TIEMPO’). Gc=Kc*(1+1/(Ti*s)+Td*s). 5. [num. T=20. Ti=T/(a2+b2*(tau/T)). % tau/T=0.5 −1 −1.den]=pade(tau.5 0 5 10 15 20 TIEMPO (sec) Fig. a2=1. .5 1 SALIDA 0.20).21 La din´amica simplificada de un avi´on–helic´optero se puede representar mediante la siguiente FT: 1 Gp(s) = (1 + 20s)(1 + 10s)(1 + 0. ylabel(’SALIDA’). Ejemplo 5. Kp=2. b1=-0.den).’k’).195. tau=2.11 muestra las f´ormulas propuestas por C.5 0 −0. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(T*s+1)*Gtau. title(’CONTROL PID USANDO ISE’). b2=-0.

T1 > 4Tσ T1 > T 2 > T σ Tσ = Σ µ t µ Tσ = Σ µ t µ .11: M´etodo de Kessler para hallar los par´ametros K c . tmu=0.2 Q = s(1 + s)(1 + 0. title(’SALIDA CONTROLADA’). print -deps -f kessler2 Ejemplo 5. que es de tercer orden. se puede formular como: Gp(s) = Kp Q (1 + T1 s)(1 + T2 s) µ (1 + tµ s) donde: Kp = 1. % PROCESO subplot(211). clc. T2 = 10.m CONTROL PID EMPLEANDO EL M´ ETODO DE KESSLER clear all. tal como se observa en la Fig. % CONTROL PID subplot(212). tµ = t1 = Tσ = 0. T 2 > T σ (1 + Td s) (1 + Td s) Kc Ti T1 2Kp Tσ 4Tσ T1 2Kp Tσ 4Tσ 1 2Kp Tσ 4Tσ 1 2Kp Tσ 4Tσ Td T2 T2 Soluci´ on: La FT del sistema. PID=feedback(Gp*Gc. step(Gp).46. T1=20.2s) s(1 + T2 s) µ (1 + tµ s) . Gp=Kp/(1+T1*s)/(1+T2*s)/(1+tmu*s). T1 > 4Tσ . Ti y Td . grid.m listado abajo. Sistema Gp (s) PI Controlador Gc (s)   Kc 1 + T1I s Kp Q (1+T1 s)(1+T2 s) µ (1+tµ s) PID  Kc 1 + 1 Ti s  Q Kp s µ (1+tµ s) PI  Kc 1 + 1 Ti s  K Qp s(1+T2 s) µ (1+tµ s) PID  Kc 1 + 1 Ti s  (1+T1 s) Tipo K Qp µ (1+tµ s) Tσ = Σµ tµ . ylabel(’SALIDA’). s=tf(’s’). T1 > 4Tσ Tσ = Σµ tµ . Kp=1. Tsigma=tmu. sabiendo que su FT es: 1 Gp(s) = s(1 + s)(5 + s) Soluci´ on: La FT del sistema se puede reformular como: Gp(s) = Kp 0. grid. step(PID). TI=4*Tsigma. close all. KC=T1/(2*Kp*Tsigma). y. T1 > T2 > Tσ .108 Control PID SISO Tabla 5.25. Este proceso se puede estabilizar con un controlador PID. title(’RESPUESTA AL ESCAL´ ON’). resultado que se obtiene ejecutando el programa kessler2. xlabel(’TIEMPO’). % kessler2. µ = 1. xlabel(’TIEMPO’). mu=1. TD=T2. T2=10.5. Gc=KC*(1+1/TI/s)*(1+TD*s). ylabel(’AMPLITUD’).1). T1 = 20.22 Se desea controlar un sistema posicionador empleando el m´etodo de Kessler. 5.

resultado que se obtiene ejecutando el programa kessler1. % kessler1. ylabel(’SALIDA’). mu=1.8 0. ylabel(’AMPLITUD’). 5. Notar que este sistema es no autoregulado.2. xlabel(’TIEMPO’). TD=T2. Tsigma=tmu. KC=1/(2*Kp*Tsigma). µ = 1. 5.6 M´ etodos de Sintonizaci´ on de Controladores PID 109 RESPUESTA AL ESCALÓN 1 AMPLITUD 0. title(’RESPUESTA AL ESCAL´ ON’).5. tmu=0.4 0. de acuerdo a Kessler. T2=1.5 0 0 2 4 6 TIEMPO (sec) 8 10 12 Fig.1). xlabel(’TIEMPO’). 5. Gp=Kp/s/(1+T2*s)/(1+tmu*s). TI=4*Tsigma.2. close all.2. Este sistema. % CONTROL PID subplot(212). y T2 > Tσ . PID=feedback(Gp*Gc.m listado abajo. Kp=0.5 1 0.2.47. % PROCESO subplot(211).47 (gr´afico inferior). es del tipo PITn con par´ametros Kp = 0. se puede estabilizar con un controlador PID.46: Respuesta al escal´on (gr´afico superior) y respuesta controlada (gr´afico inferior) empleando un controlador PID de acuerdo al m´etodo de Kessler. title(’SALIDA CONTROLADA’). Gc=KC*(1+1/TI/s)*(1+TD*s). tal como se observa en la Fig. tal como se observa en gr´afico inferior de la Fig. T2 = 1.6 0. tµ = t1 = Tσ = 0. clc. print -deps -f kessler1 . step(Gp). grid. grid.m CONTROL PID EMPLEANDO EL M´ ETODO DE KESSLER clear all.2 0 0 20 40 60 80 100 TIEMPO (sec) 120 140 160 180 SALIDA CONTROLADA SALIDA 1. s=tf(’s’). step(PID).

M´ etodo de Xue para Procesos con FT: Kp s e−τ s El m´etodo de Xue se aplica a procesos que poseen una FT con parte proporcional. T = 20 y τ = 2 . Kp s e−τ s .12 muestra los valores de los coeficientes empleados por los par´ametros de los controladores PD y PID [27]: ControladorP D : Kc = ControladorP ID : Kc = a1 Kp τ a3 Kp τ Td = a 2 τ Ti = a 4 τ Td = a 5 τ (5.23 Se desea controlar el sistema con FT Gp (s) = usando el criterio ISE y un controlador PID.5 2 2. 5. los controladores PD y PID resultan ser los adecuados para controlar tales sistemas. La Tabla 5.5 0 0 0.5 1 0.47: Respuesta al escal´on (gr´afico superior) y respuesta controlada (gr´afico inferior) empleando un controlador PID de acuerdo al m´etodo de Kessler.5 TIEMPO (sec) 3 3.5 5 Fig.110 Control PID SISO RESPUESTA AL ESCALÓN 300 AMPLITUD 250 200 150 100 50 0 0 500 1000 1500 TIEMPO (sec) SALIDA CONTROLADA SALIDA 1. parte integral y tiempo muerto: G(s) = Kp −τ s Y (s) = e U (s) s (5. con Kp = 2.5 4 4.41) Ejemplo 5.5 1 1.40) Debido a la presencia del integrador.

xlabel(’TIEMPO’).59 ITSE 0. a5=0.53 ISTSE 0. a3=1. Kp=2. ylabel(’SALIDA’).45 1.03. N=10. Ti=a4*tau. Gtau=tf(num.m CONTROL PID USANDO ISE clear all.496. tau=2. % zh2. CONTROL PID USANDO ISE 3 2 1 SALIDA 0 −1 −2 −3 −4 −5 0 5 10 15 20 TIEMPO (sec) Fig.496 0.83 0. 5. a4=1. % tau/T=0. print -deps -f zh2 . Td=a5*tau. [num.96 0.49. % SISTEMA A CONTROLAR Kc=a3/(Kp*tau). % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(s)*Gtau.’k’).37.9 0. title(’CONTROL PID USANDO ISE’).1).1 a1=1.49 Soluci´ on: La Fig. resultado que se obtienen ejecutando el programa zh2.3). a2=0.m listado abajo.45 1.03 0.34 1. Criterio a1 a2 a3 a4 a5 ISE 1.den).37 1.48 muestra la respuesta controlada. 5.den]=pade(tau.6 M´ etodos de Sintonizaci´ on de Controladores PID 111 Tabla 5. % CONTROL PID step(PID.49 1. close all.66 0.36 1. T=20. PID=feedback(Gc*Gp.59.5.12: Par´ametros ai para calcular Kc .41)). Ti y Td para el control de sistemas tipo IPτ (ecuaci´on (5. s=tf(’s’). Gc=Kc*(1+1/(Ti*s)+Td*s). clc.23).48: Control PID del sistema Gp (s) = 25 Kp s 30 35 e−τ s (ejemplo 5.

Kp=2.’k’). se tiene: "  0. Gtau=tf(num.13 para diferentes criterios. . los controladores PD y PID resultan los adecuados para controlar tales sistemas.m listado abajo. Las f´ormulas para determinar los par´ametros del controlador PD son [27]: Kc = 2 3Kp τ Td = T τ (5.3). parte integral. bi y γ se pueden obtener de la Tabla 5.111*T/(Kp*tau^2)/(1+(T/tau^(0. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(s*(T*s+1))*Gtau. print -deps -f zh3 M´ etodo de Xue para Procesos con FT: Kp T s−1 e−τ s La FT del siguiente sistema posee parte proporcional.den]=pade(tau.43) mientras que para el controlador PID. Ti=2*tau*(1+(T/tau)^(0. close all. con Kp = 2. % CONTROL PID step(PID. el controlador PID parece ser el m´as adecuado para controlar tales sistemas. [num.112 Control PID SISO M´ etodo de Xue para Procesos con FT: Kp s(T s+1) e−τ s La FT del siguiente sistema posee parte proporcional.65 Kp τ τ 1 + Tτ Td = Ti 4 (5. % SISTEMA A CONTROLAR Kc=1. xlabel(’TIEMPO’).65)). Las f´ormulas para determinar los par´ametros del controlador PID son [27]:   τ −0.46) Los par´ametros ai .1).65)))^2. tau=2.111T Ti = 2τ 1 + Kc = h i2 2  0. PID=feedback(Gc*Gp.49 muestra la respuesta controlada.den). T=2.44) Ejemplo 5. s=tf(’s’).65 # 1 T 1. ylabel(’SALIDA’).45) Debido a la presencia del integrador y a la ra´ız inestable s = 1/T . 5. Gc=Kc*(1+1/(Ti*s)+Td*s). clc. % zh3.m CONTROL PID clear all.24 Se desea controlar el sistema con FT Gp (s) = 2. title(’CONTROL PID’).42) Debido a la presencia del integrador.02   τ γ  τ  b2 a 1  τ  b1 Kc = Ti = a 2 T Td = a 3 T 1 − b 3 Kp T T T T (5. parte integral. parte retardo de primer orden inestable y tiempo muerto: G(s) = Kp y(s) = e−τ s u(s) Ts − 1 (5. Kp s(T s+1) e−τ s . T = 2 y τ = Soluci´ on: La Fig. resultado que se obtienen ejecutando el programa zh3. Td=Ti/4. parte retardo de primer orden y tiempo muerto: G(s) = Kp y(s) = e−τ s u(s) s(T s + 1) (5.

00 0.97. Td=a3*T*(1-b3*(tau/T)^(-0.52. clc.52 1.den).24). con Kp = 2.93 ISTSE 1. Soluci´ on: La Fig.8 0. 5.6 1. Gc=Kc*(1+1/(Ti*s)+Td*s/(1+Td*s/N)).32 0.86. N=10. a3=3.95. gamma=0. 5. PI_D=feedback(Gc*Gp.35 0. resultado que se obtienen ejecutando el programa zh3.13: Par´ametros ai para calcular Kc .97 Ejemplo 5.3).6 0.70 0.% CONTROL PI-D .13 3. % zh4.4 1.6 M´ etodos de Sintonizaci´ on de Controladores PID 113 CONTROL PID 1. tau=2.95 4.12 0.5.90 3. Criterio a1 b1 a2 b2 a3 b3 γ ISE 1. s=tf(’s’). a1=1.84 0.45)).92 4.49 muestra la respuesta controlada.m listado abajo. b2=1.35.78 0. Ti=a2*T*(tau/T)^b2.den]=pade(tau.85 0.49: Control PID del sistema Gp (s) = Kp s(T s+1) e−τ s usando ISE (ejemplo 5. % SISTEMA A CONTROLAR Kc=(a1/Kp)*(tau/T)^b1.2 SALIDA 1 0.62 0.86 0.13.38 0. Ti y Td para el control de sistemas tipo IPT1 τ inestables (ecuaci´on (5. Tabla 5.47 3.2 0 −0.1). [num.95 ITSE 1. T = 2 y τ = 2.90 4.7.02))*(tau/T)^gamma. close all. % TIEMPO MUERTO: exp(-tau*s) Gp=Kp/(T*s-1)*Gtau. Gtau=tf(num. Kp=2.m CONTROL PI-D USANDO ISTSE clear all. a2=4. b3=0.2 0 50 100 150 TIEMPO (sec) Fig.25 Se desea controlar el sistema con FT Gp (s) = Kp T s−1 e−τ s .4 0. T=2. b1=0.

m se obtiene la Fig. 5. 5. en donde se observa que cuando ocurre un cambio tipo escal´on en la se˜ nal de referencia r(t) (primer gr´afico). y la segunda raz´on es que su valor no debe de exceder el rango permitido por el actuador. La Fig.’k’). la se˜ nal de salida del controlador debe de estar limitada por dos razones. step(PI_D. Esto causa que la salida y(t) se incremente continuamente hasta que se alcance . es el causante del efecto denominado en ingl´es windup (saturaci´on). Por estas razones es que debemos de introducir un limitador a la salida del controlador.114 Control PID SISO CONTROL PI−D USANDO ISTSE 6 5 4 SALIDA 3 2 1 0 −1 −2 −3 0 10 20 30 40 TIEMPO (sec) Fig. Lamentablemente este limitador.25). title(’CONTROL PI_D USANDO ISTSE’). print -deps -f zh4 5. lo cual genera una se˜ nal de error (1 − y(t)) negativa debido al valor grande de la se˜ nal y i en la salida del integrador.52.51 muestra el diagrama en Simulink empleado para explicar el efecto windup. 5. el cual es un elemento no lineal. el cual se explica a continuaci´on.50: Control PI-D del sistema Gp (s) = Kp s−1 50 60 70 e−τ s usando ISTSE (ejemplo 5. la se˜ nal de error positiva inicial (1 − y(t)) se hace bastante grande. A pesar de que la se˜ nal de salida y(t) iguala al valor de referencia en el tiempo t1 . La primera es que su magnitud no debe de exceder el rango permitido por el sistema de adquisici´on de datos. provocando que la se˜ nal de control u(t) (segundo gr´afico) alcance r´apidamente el valor l´ımite de saturaci´on u m . El Efecto Windup En toda implementaci´on pr´actica.mdl y luego el programa windupgraf. xlabel(’TIEMPO’).7. ylabel(’SALIDA’). la se˜ nal de control u(t) permanece en el valor de saturaci´on m´aximo um . Ejecutando primero el programa windup.

a´ un cuando la se˜ nal de control est´e limitada. Lo que se emplea es el c´alculo recursivo como veremos m´as adelante.5 Transfer Fcn y y Fig.8 El Algoritmo PID Discreto Modificado 115 el tiempo t2 .12 t t Scope y 1 5 Clock u yi 10 yi u s4 +10s3 +35s2 +50s+24 um =3. Existen diversos m´etodos para eliminar en gran medida el efecto windup en sistemas de control que emplean controladores PID continuos. 5. Por ejemplo. tiempo derivativo Td y ganancia proporcional Kc . las cuales se obtienen ejecutando primero el programa antiwindup. Para lograr conmutaci´on sin saltos.52 que el efecto windup provoca un aumento del sobreimpulso y del tiempo de estabilizaci´on en la se˜ nal controlada y(t).mdl ILUSTRA EL EFECTO WINDUP yi Step =1 u 1. a´ un en el caso en que la operaci´on del sistema de control se encuentre en modo manual. windup . el valor de la se˜ nal de control u(t) puede cambiar de un valor a otro. no podemos evitar la ocurrencia fortuita de cambios .54. 5. Por otro. Uno de estos m´etodos se muestra en el diagrama Simulink de la Fig. El Algoritmo PID Discreto Modificado La forma est´andar del algoritmo PID mostrado en (5. si el algoritmo PID empleado es del tipo discreto.15) se puede modificar introduciendo ciertas caracter´ısticas con la finalidad de que su rendimiento mejore sustancialmente. La salida y(t) del sistema controlado y la correspondiente fuerza de control u(t) se muestran en la Fig.8. el algoritmo de control debe de ejecutarse siempre. Este salto debe de evitarse y en este caso se dice que la conmutaci´on de manual a autom´atico debe de ser bumpless (sin saltos). 5. Por otra parte.mdl y luego el programa antiwindupgraf. no importando que la se˜ nal de error e sea cero.m. Los par´ametros del controlador son los usuales: tiempo integral Ti . el cual muestra un controlador PID con mecanismo anti windup. Observar en el primer gr´afico de la Fig. y la acci´on negativa de la se˜ nal de error comience a tener efecto. 5.53.5. 5.51: Diagrama Simulink para explicar el efecto windup.12s Kc=5 Ti =1. debido a que el algoritmo discreto no emplea la suma de los errores para generar el t´ermino integral del controlador. Esta correcci´on se puede realizar en el correspondiente programa en tiempo real. el fen´omeno windup no es tan notorio. cuando el controlador conmuta de manual a autom´atico.

2 rr REF. 5.1 Td s4 +10s3 +35s2 +50s+24 SATURACIÓN SISTEMA A CONTROLAR yy du/dt DERIVADOR Scope 10 1. tt Clock GANANCIA 1/Ti rr 1/1.52: Gr´aficos para explicar el efecto windup.5s+1 FILTRO 0. bruscos del error e.Control PID SISO INTEGRADOR yi(t) CONTROL u(t) SALIDA y(t) 116 EFECTO WIND UP 2 t1 1 0 0 2 4 TIEMPO [s] 6 8 10 6 8 10 6 8 10 4 t2 2 0 0 2 4 0 2 4 TIEMPO [s] 10 5 0 TIEMPO [s] Fig. Fig.2 1/Ti 1 s uu INTEGRADOR uu 1 0. 5. EL FILTRO SE PUEDE SELECCIONAR A VOLUNTAD.53: Diagrama Simulink que muestra un controlador PID con mecanismo anti windup.m CONTROLADOR PID CON MECANISMO ANTI WINDUP. los cuales pueden incrementar el t´ermino derivativo: de(t) d = (r(t) − y(t)) dt dt Este fen´omeno es conocido en ingl´es como derivative kick (puntapi´e derivativo) y su efecto se puede apaciguar si es que utilizamos como se˜ nal de entrada u ´nicamente .3 Kc tt yy antiwindup . 1/1.

Por consiguiente. el algoritmo PID toma la forma: u(s) = Kc e(s) + P (s) = Kc e(s) K c Td s Kc e(s) − y(s) = P (s) + I(s) + D(s) Ti s 1 + Tf s I(s) = Kc e(s) Ti s D(s) = − K c Td s y(s) 1 + Tf s (5. Luego.5 1 Fig. el derivador puro del algoritmo PID se modifica como sigue: Td s  Td s 1 + Tf s Tf = Td N donde N es una constante que var´ıa de 3 a 10 y es conocida como la cota de la ganancia derivativa.5 2 1.2 0 0 1 2 3 4 5 TIEMPO [s] 6 7 8 9 10 0 1 2 3 4 5 TIEMPO [s] 6 7 8 9 10 CONTROL u(t) 3 2.4 SALIDA y(t) 1.15) con de(t) dt = − dt se convierte en:   Z 1 dy u = Kc e + edt − Td Ti dt Otra modificaci´on importante es filtrar la acci´on derivativa del controlador PID original mediante un filtro de primer (o segundo) orden para disminuir el ruido derivativo. 5.8 El Algoritmo PID Discreto Modificado 117 CONTROLADOR PID CON MECAISMO ANTI WINDUP 1. 5. Esta caracter´ıstica limita la amplificaci´on del ruido de medici´on de alta frecuencia en la salida del controlador.47) Tf = Td N . el cual a menudo se normaliza con respecto al tiempo derivativo Td . (5.54: Salida controlada y se˜ nal de control correspondiente a la Fig.5.53. Un t´ermino derivativo pr´actico. puede aproximarse mediante un t´ermino de primer orden que posee una constante de tiempo Tf .4 0.6 0. La se˜ nal de control ser´a as´ı menos ruidosa y la ganancia en alta frecuencia permanecer´a dentro de cotas apropiadas.2 1 0. De esta forma.8 0. ya que un derivador puro no es realizable. dy(t) la se˜ nal realimentada y en lugar de e.

47) se discretiza directamente. existen reglas de sinton´ıa para el caso discreto. I(k) D(k) se dan en (5. u = ulow. Sin embargo.50) El algoritmo PID discreto usado en las implementaciones en tiempo real resulta: u(k) = P (k) + I(k) + D(k) (5. Ejemplo 5. elseif(v > uhigh). se obtiene:     D(k) − D(k − 1) y(k) − y(k − 1) D(k) + Tf = −Kc Td T T Despejando D(k).49) Kc T d s y(s) se puede escribir como: La parte derivativa D(s) = − 1+T f s (1 + Tf s)D(s) = −Kc Td s y(s) ˙ D(t) + Tf D(t) = −Kc Td y(t) ˙ ˙ y aproximando las derivadas D(t) e y(t) ˙ por atraso (desplazamiento de k hacia (k−1)). if(v < ulow). la parte derivativa discreta queda entonces como: D(k) = Td {D(k − 1) − Kc N [y(k) − y(k − 1)]} N T + Td Tf = Td N (5. Sea k el tiempo discreto. entonces se pueden usar las reglas de sinton´ıa para sistemas continuos discutidas anteriormente. else u = v.14 y 5. basado en un modelo con presencia de saturaci´on con valores m´aximo y m´ınimo umax y ulow respectivamente: v = P + I + D. (5. integral y derivativa del controlador PID modificado. Tambi´en se debe de incluir el efecto del limitador. Estas tablas K emplean la FT Gp (s) = 1+Tp s e−τ s del sistema y no son v´alidas si τ /Ts ≈ 0 ni se deben de aplicar si τ /Ts < 1/4.51) donde P (k).49) y (5. donde Ts es el tiempo de muestreo. el cual est´a relacionado con el tiempo continuo t mediante la relaci´on t = T k.26 . u = uhigh.50) respectivamente.48).46): k Kc X [e(i) + e(i − 1)] T I(k) = Ti 2 i=1 = Kc Ti Rt 0 e(t)dt k−1 Kc X [e(i) + e(i − 1)] Kc T [e(k) + e(k − 1)] T + Ti 2 Ti 2 i=1 I(k) = I(k − 1) + Kc T [e(k) + e(k − 1)] 2Ti (5. tal como las mostradas en las Tablas 5. o lo que es lo mismo: I(t) = empleamos la aproximaci´on trapezoidal (ver ejemplo A.15.118 Control PID SISO Los t´erminos P . a pesar de que no son tan usadas como en el caso continuo. obteni´endose: P = Kc e(k) (5. La parte proporcional P = Kc e(s) de (5.48) Para la parte integral I(s) = TKics e(s). Si el tiempo de muestreo Ts es suficientemente peque˜ no. I y D representan las partes proporcional. donde T es el tiempo de muestreo o discretizaci´on. respectivamente.

5Ki + Kd s 0.1.5Ki 1. Nn = 10. Kp = 0. 5.45 Kcrit − 0.045.071e-3.5Ts − 0. for k = 1:Mm .5Ki Kc = Ki s + Kd s Ki = Kc /Ti K d = K c Td 0 0 Ts T 0.01. K = 31.06377.01.m CONTROL DE POSICION PID DEL MANIPULADOR MR1 clear all. Ti = 0. T = 0. Lo = 0. Nn = 10.15: M´etodo de las oscilaciones sostenidas para hallar los par´ametros K C .6 Kp (τ +0.075Kcrit Tcrit Ts Se desea controlar la posici´on angular x1 de un manipulador empleando un algoritmo de control discreto PID.01. TI y TD . Dp=0. E = 31.8338e-6.81. L = 4. Ra = 7. n = 19.9. K c . x1 = 0.38.2 T Kp τ +Ts − 0. Mo = 0. g = 9. Tipo Controlador Gc (s) P KC PI PID Kc + Kc + Ki s Kc = 100 BP 0. Tf=Td/Nn. Td = 0. m = 0.9 T Kp τ +0. Ejecutando este programa se obtiene la respuesta pedida (Fig. Ya se han usado par´ametros PID previamente determinados. uhigh = 5. x1p=0. % CONDICIONES INICIALES ep = 0.4.14: M´etodo de la curva de reacci´on para determinar los par´ametros PID.5e-7.5. bm = 1.5Kcrit Ki s 0.5 T Kp T s 0 Tabla 5. clc.54 K Tcrit crit 1. Ip = 0. x2 = 0. Tipo Controlador Gc (s) P Kc PI Kc + PID Kc + Ki s 100 BP 1 T Kp τ +Ts 0.2 K Tcrit 0 0. % PERIODO DE MUESTREO Y PARAMETROS PID T = 0.9062e-6.01. B = n^2*bm + bL. ulow = -5.8 El Algoritmo PID Discreto Modificado 119 Tabla 5. Ki y Kd . close all.776. Jm = 1. Kact = 14.55). % PARAMETROS DEL PROCESO NO LINEAL (TABLA 3.035e-3.3) JL = 3. Ro = 0. bL = 1e-5. % pidposfijo. % ******** LAZO DEL SISTEMA DE CONTROL ********* Mm = 5000.741.5Ts )2 Ts T 0.5Ki Ki = Kc /Ti K d = K c Td ∞ 0 crit 0. Jeff = n^2*Jm +JL. las ecuaciones de estado del manipulador son: x˙ 1 = x2 x˙ 2 = − B n2 KE nKact N x2 − + x2 + u M M M Ra Ra M Soluci´ on: En el listado del programa pidposfijo.64e-3.m se describen todos los par´ametros empleados en la ecuaci´on de estado.6 Kcrit − 0.27 Kp (τ +0.5Ts )2 0. N = g*Lo*(Mo+m/2). M = Jeff + (1/3)*m*Lo^2 + Mo*Lo^2 + (2/5)*Mo*Ro^2.

ep = e.1 0 Fig. end % GRAFICOS ejex = linspace(0.5 0.(B/M + n^2*K*E/(M*Ra))*x2 + (n*K*Kact/(Ra*M))*u ). ylabel(’Posici´ on angular (rad)’) subplot(2. grid. D = (Td/(Nn*T + Td))*Dp . end U(k) = u. x1p=x1.R.x1p)/(Nn*T + Td).Mm*T.8 0. P = Kp*e.2 0.U).3 0. if(v < ulow).Y). e = r .Kp*Td*Nn*(x1 . x2 = x2 + T*( -(N/M)*x1 . Ip=I. v = P + I + D. I = Ip + T*Kp*(e+ep)/(2*Ti). subplot(2. print -f -deps pidposfijo .120 Control PID SISO Posición angular (rad) 1 0.26.2). ylabel(’Se~ nal de control u (V)’) xlabel(’Tiempo [s]’).4 0.1. u = uhigh.Mm). grid.6 0. elseif( v > uhigh).1) plot(ejex. Y(k) = x1. plot(ejex. % MODELO DE SEGUNDO ORDEN DEL SISTMA (DISCRETIZACION DIRECTA) x1 = x1 + T*x2. else u = v.2 0 0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 Tiempo [s] 60 70 80 90 100 Señal de control u (V) 0.1. R(k) = r.55: Posici´on angular controlada correspondinte al Ejemplo 5. u = ulow. 5.ejex.x1.4 0. r = 1.

Problema 5. 121 Problemas Problema 5. En esta situaci´on. denominada rechazo al disturbio.5.104 T −3s + 2 (s + 1)3 2 −10s + 4 s − 3s + 6 Ge (s) = e−s/2 2 2 (s + 1)(s + 3s + 6)(s + s + 2) (s + 1)2 (s + 3)3 6 3 3 Gg (s) = e−s Gh (s) = e−2s (s + 1)6 (s + 1)(2s + 1) (s + 1)4 7 3s + 6 e−30s Gj (s) = e−s/10 (17s + 1)(6s + 1)3 (s + 1)(4s + 1) Gb (s) = 4 (s + 1)5 τ ≥ 0. Usar al menos una regla de sintonizaci´on. Problema 5. Determinar para cada una de ellas los siguientes modelos din´amicos aproximados: GA (s) = Kp −τ s e Ts + 1 GC (s) = Ga (s) = Gd (s) = Gf (s) = Gi (s) = 2 (s + 1)3 GB (s) = Kp . PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) empleando SIMULINK.9. (Tn s + 1)n Kp .9 Problemas 5.4 Realizar los controles PID. El objetivo de control es que la se˜ nal controlada siga a una referencia constante. (T1 s + 1)(T2 s + 1) τ < 0.1 Las FTs Ga (s) hasta Gj (s) corresponden a sistemas a ser controlados.2 Realizar los controles PID. Usar al menos cinco distintas reglas de sintonizaci´on para cada sistema.3 Realizar los controles PID. distinta de las otras. El objetivo de control es que la se˜ nal controlada siga a una referencia constante.5 . la se˜ nal de referencia es nula. El objetivo de control es que la se˜ nal controlada (la salida) tienda a cero en presencia de un disturbio tipo escal´on a la entrada del sistema. PI–D y PI-Dy de los sistemas Ga (s) al Gj (s) en el dominio de s empleando MATLAB. PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) en el dominio del tiempo discreto k=t/T (T es el tiempo de muestreo) empleando MATLAB. Usar al menos tres distintas reglas de sintonizaci´on para cada sistema. Problema 5.104 T Gc (s) = Problema 5. para cada sistema.

PI–D y PI–Dy de los sistemas Ga (s) al Gj (s) empleando SIMULINK.8 Para el sistema del ejemplo ??.1s)3 (1 + 0.1s)3 (1 + 0. la se˜ nal de referencia es nula. Problema 5.3s)3 5 (1 + 0.9 . de los sistemas G k (s) al Gt (s) empleando el m´etodo de Kessler.2s)4 (1 + 0.122 Control PID SISO Realizar los controles PID. tiempo de estabilizaci´on menor de 8 s y error en estado estable nulo.9s) Q Para el sistema del ejemplo ??. denominada rechazo al disturbio. distinta de las otras. El objetivo de control es que la se˜ nal controlada (la salida) tienda a cero en presencia de un disturbio tipo escal´on a la entrada del sistema. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada y = ω2 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. dise˜ nar controladores PID.1s)(1 + 0.5s)2 3 s(1 + s)(1 + 2s)(1 + 40s)(1 + 0. y1 = x1 − x1e debe de ser nulo.5s)3 6 (1 + s)(1 + 2s)(1 + 40s)(1 + 50s)(1 + 0. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo. En esta situaci´on.5s)2 2 Q s (1 + s)3 (1 + 2s)2 8 Q s(1 + 20s) (1 + 0.2s)(1 + 30s)(1 + 0.5s)3 8 (s + 10)(s + 9)(s + 2) 4 Q 2 s (s + 3) (s + 5)(s + 6) 4 Q 2 s (1 + s) (1 + 2s)(1 + 0. Usar al menos una regla de sintonizaci´on. Tener en cuenta que para la situaci´on descrita. para cada sistema. dise˜ nar controladores PID.3s)2 (1 + 0.6 Realizar los controles PI o PID seg´ un corresponda. Problema 5.3s)3 9 Q (1 + 20s)(1 + 30s) (1 + 0.2s)4 (1 + 0.7 2 (1 + 20s) (1 + 0. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada x1 debe de seguir a la se˜ nal en estado estable x1e con un porcentaje de de sobrenivel menor del 5 %.2s)4 (1 + 0. Problema 5. Gk (s) = Gl (s) = Gm (s) = Gn (s) = Go (s) = Gp (s) = Gq (s) = Gr (s) = Gs (s) = Gt (s) = Problema 5.

12 Para el sistema del ejemplo ??. . dise˜ nar controladores PID. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo.14 Para el sistema del problema ??. dise˜ nar controladores PID. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada ω debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.5. tiempo de estabilizaci´on menor de 10 s y error en estado estable nulo. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada iR debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. 2. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada θ debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada x1 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.10 Para el sistema de la Fig. dise˜ nar controladores PID. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada ω debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.14(c). dise˜ nar controladores PID. Problema 5. dise˜ nar controladores PID. Problema 5. Problema 5. PI–D y PI–Dy que cumplan el siguiente objetivo de control: la se˜ nal controlada q3 debe de seguir una se˜ nal de referencia constante con un porcentaje de de sobrenivel menor del 3 %.11 Para el sistema de la Fig. Problema 5. ??(b). Problema 5.9 Problemas 123 Para el sistema del ejemplo ??.13 Para el sistema del problema ??. dise˜ nar controladores PID. tiempo de estabilizaci´on menor de 4 s y error en estado estable nulo.

.

6.1. 6. el control en cascada es una estrategia que mejora significativamente el rendimiento de un lazo de control realimentado simple. requerida por la VCA. Para ello. 6. la cual se transforma gracias al bloque transmisor T 2 . control selectivo. . se desea que la temperatura y1 del producto siga a una referencia r1 .1(c). Observar la presencia de la se˜ nal de error e = r − y en este diagrama. control anticipativo. con el primer lazo. De hecho. tales como: control en cascada.1(a). Este controlador genera la se˜ nal de control u. el cual se supone que es electr´onico. Con el segundo lazo. procesa tal se˜ nal de error e para generar la se˜ nal de control u En muchas aplicaciones. el cual recibe la energ´ıa t´ermica que trae consigo el flujo de agua caliente. 6. como el de la Fig. Otras estrategias de control emplean controladores m´as avanzados como son el control con autosintonizaci´on de par´ametros (self–tuning regulator). control override. en el cual ingresa un producto que queremos calentar a una temperatura r (el valor deseado o SP). se desea que el flujo de agua caliente y2 siga a una referencia r2 empleando el controlador C2 .Cap´ıtulo 6 Estrategias de Control En este Cap´ıtulo se desarrollan y discuten diversas estrategias de control.1(a) muestra un sistema que comprende un tanque cerrado. y control de rango partido. en una se˜ nal neum´atica estandarizada. tal como se muestra en la Fig. Notar que la salida u1 de C1 es la se˜ nal de referencia r2 del controlador C2 . 6. Para este prop´osito se emplea el sobrecalentador. en la cual. usando el controlador C1 . la temperatura y. ingresa al bloque transmisor T1 para ser convertida en una se˜ nal estandarizada requerida por el controlador C. En este lazo de control realimentado simple. que tambi´en pasa por la VCA (v´alvula de control autom´atica) del tipo neum´atica. el controlador adaptativo con modelo referencial y el controlador adaptativo con reconocimiento de patrones. control de la raz´on. el algoritmo de control alojado en el bloque Controlador.1(b) muestra el diagrama de bloques del circuito de control descrito. La Fig. medida con una termoresistencia (representada con una T que se introduce al tanque). Control en Cascada La Fig. se requiere crear un nuevo lazo de realimentaci´on. Algunas de ellas emplean modos de control PID en sus estructuras. 6.1(d) muestra el diagrama de bloques del sistema de control en cascada. La Fig.

recibe el nombre de controlador esclavo. 3. 2. la extensi´on es autom´atica. lo cual es un requisito que cae por su propio peso.126 Estrategias de Control donde P1 m´as P2 forman el proceso. Determinar el modelo din´amico del proceso o planta a controlar. Construir un lazo de control simple y sintonizar el controlador PID empleando cualquier m´etodo. El flujo de agua caliente y2 se emplea como una variable para satisfacer los requerimientos de temperatura del producto. respectivamente. Circuito de Control en cascada (c) y su diagrama de bloques (d). y C1 y C2 son los controladores que procesan los errores e1 = r1 −y1 y e2 = r2 −y2 . M1 y M2 son bloques de medici´on. C 2 en esta situaci´on. Por ejemplo. De las dos variables controladas en la Fig. el lazo terciario debe de ser m´as r´apido que el secundario. respectivamente. 6. en un sistema con tres lazos de control en cascada.1: Circuito de control simple (a) y su diagrama de bloques (b). es conocido como controlador maestro. Se sugiere el siguiente procedimiento de dise˜ no: 1. La filosof´ıa de dise˜ no en un sistema de control en cascada consiste en que el lazo de control secundario debe de ser m´as r´apido (alrededor de cinco veces) que el primario. y ´este tiene que ser m´as r´apido que el primario. En el control en cascada. 6. la temperatura y 1 del producto es la m´as importante. Construir el sistema de control en cascada definiendo los lazos de control primario y secundario. . externo o principal. C1 en este caso. El controlador que controla la variable controlada secundaria. Realizar post–sinton´ıa (sinton´ıa fina) si fuera necesario. Para sistemas de control con m´as de dos lazos en cascada. Esta filosof´ıa de dise˜ no se puede generalizar para cualquier cantidad de lazos en cascada. r Controlador C T1 u Transmisor T2 Transmisor y Producto (a) r1 y1 u2 T1 e C1 u Controlador (b) r1 u 1= r 2 e1 C1 u1 e2 C2 C2 y2 y Proceso P Medición Agua caliente T2 Producto r T3 u2 P2 y2 P1 y1 M2 u 1= r 2 M1 Agua caliente (c) (d) Fig. el controlador que controla la variable controlada principal. interno o secundario. Por lo com´ un se prefiere usar la terminolog´ıa primario/secundario para referirse a los lazos de control primario y secundario controlados por los controladores primario C 1 y secundario C2 .1(c).

6. title(’OSCILACI´ ON SOSTENIDA’).6. El lazo de control secundario se realiza como sigue. El segundo gr´afico de la Fig. xlabel(’TIEMPOx60’). ylabel(’y(t)’) Tcrit=12. ylabel(’TEMPERATURA ◦ C’). El dise˜ no del control PI del lazo primario es similar al del secundario: se genera una oscilaci´on sostenida (tercer gr´afico de la Fig. % P: PROCESO Kcrit=2. Con tales valores se calculan los par´ametros del controlador PI empleando la Tabla 5. El lazo de control primario incluye en su estructura el lazo de control secundario descrito arriba. y que P (s) = P2 (s) × P1 (s). El primer gr´afico de la Fig. que r = r1 = 50o C.5.1 Determinar la respuesta controlada del sistema realimentado simple de la Fig.85*Tcrit. Con tales valores se calculan los par´ametros del controlador PI empleando la Tabla 5.1 Control en Cascada 127 4. % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit=2. P=P1*P2. 6.3 muestra la respuesta al escal´on a manera de una oscilaci´on sostenida que se obtiene haciendo que el controlador C2 en la Fig. 6. luego de realizar una postsinton´ıa.60). % CONTROL LAZO SIMPLE subplot(212). xlabel(’TIEMPOx60’). 6. Soluci´ on: El modelo din´amico del proceso ha sido proporcionado en el enunciado del problema.1(b) trabaje en modo proporcional con una ganancia Kcrit = 2.3 ilustra la salida y2 (t) controlada. 5.2s + 1) (3s + 1)(s + 1)) P1 (s) = 0. 6.18. donde: P2 (s) = 3 1 × (0. El gr´afico superior de la Fig.2 muestra la respuesta al escal´on a manera de una oscilaci´on sostenida que se obtiene haciendo que el controlador C en la Fig. grid. se calculan los par´ametros del controlador . Tales resultados se obtienen ejecutando el programa casc1a. % casc1a.4 y Tcrit1 = 13 determinados. print -deps -f casc1a El diagrama de bloques del sistema de control en cascada se muestra en la Fig.m listado abajo. la cual se logra realizando post–sinton´ıa.5. Ti=0. 6. SIMPLE=50*feedback(C*P.6. Notar que la oscilaci´on posee un per´ıodo Tcrit = 12.3) y con los par´ametros Kcrit1 = 3. G_c=feedback(Kcrit*P.8 (4s + 1)(s + 1) Cabe anotar que 3/(0.6. P2=3/((0. Notar que la oscilaci´on posee un per´ıodo Tcrit2 = 2. step(SIMPLE. Sintonizar el lazo de control primario empleando el m´etodo de la ganancia l´ımite o del rel´e. 6.65*0. Realizar post–sinton´ıa si fuera necesario.m.1).18.45*Kcrit. 6. Para controlar el proceso emplearemos el m´etodo de la oscilaci´on l´ımite de Ziegler y Nichols.2 ilustra la salida y controlada. step(G_c. Ejemplo 6.40). Sintonizar el lazo de control secundario empleando el m´etodo de la ganancia l´ımite o del rel´e. grid.1(d).1(d).18 Kc=0. sabiendo que los controladores son del tipo PI. s=tf(’s’).53. % PAR ´ AMETROS PI CON POSTSINTON´ IA C=Kc*(1+1/(Ti*s)). P1=0.2s + 1) es la FT de la VCA.2*s+1)*(3*s+1)*(s+1)). close all.1(d) trabaje en modo proporcional con ganancia Kcrit2 = 8.8/((4*s+1)*(s+1)). Realizar post–sinton´ıa si fuera necesario. clc. subplot(211). que M1 = M2 = 1.m CONTROL PI DEL LAZO SIMPLE V´ IA LA OSCILACI´ ON SOSTENIDA clear all. title(’SALIDA CONTROLADA’). Tener en cuenta que el lazo de control secundario es parte del lazo de control primario.1(b) y compararla con la respuesta controlada del sistema de control en cascada ilustrado en la Fig. 6. 6. El gr´afico inferior de la Fig.1). tal como se explica en el listado del programa casc1b.4.

title(’OSCILACI´ ON DEL LAZO SECUNDARIO’) Tcrit2=2.2*s+1)*(3*s+1)*(s+1)). Gp1=feedback(Kcrit1*Gs2*P1. grid. grid.1). subplot(412). P1=0.18 (gr´afico superior) y respuesta controlada (gr´afico inferior) para el caso control con lazo simple del ejemplo 6. P2=3/((0. El gr´afico inferior de la Fig.128 Estrategias de Control OSCILACIÓN SOSTENIDA 2 y(t) 1. grid. step(Gp1.53. close all. Gs1=feedback(Kcrit2*P2. Todos estos resultados se obtienen ejecutando el programa casc1b.45*Kcrit1. % FT LAZO PRIMARIO CON Kcrit1 subplot(413). 6. xlabel(’TIEMPOx60’).1).1. luego de realizar una postsinton´ıa.1). step(CASCADA).m listado abajo. C1 . 6. % casc1b. step(Gs2). xlabel(’TIEMPOx60’).1*0. ylabel(’y2(t)’). print -deps -f casc1b . ylabel(’y2(t)’). title(’OSCILACI ´ ON DEL LAZO PRIMARIO’). % CONTROL CASCADA subplot(414). C2=Kc2*(1+1/(Ti2*s)).5 0 0 5 10 15 20 TIEMPOx60 (sec) 25 30 35 40 SALIDA CONTROLADA TEMPERATURA °C 60 50 40 30 20 10 0 0 10 20 30 TIEMPOx60 (sec) 40 50 60 Fig. CASCADA=50*feedback(C1*Gs2*P1.2. ylabel(’y1(t)’) Tcrit1=13.4.5 1 0. step(Gs1. Ti1=0.85*Tcrit2. Ti2=0. xlabel(’TIEMPOx60’). title(’CONTROL DEL LAZO SECUNDARIO’) Kcrit1=3.2: Oscilaciones sostenidas para Kcrit = 2.m CONTROL EN CASCADA clear all. grid.85*Tcrit1. % PAR ´ AMETROS PI C1=Kc1*(1+1/(Ti1*s)). clc. % FT LAZO SECUNDARIO CON Kcrit2 subplot(411). Gs2=feedback(C2*P2.45*Kcrit2.8*0.10). xlabel(’TIEMPOx60’).1).2 Kc1=0. ylabel(’TEMPERATURA ◦ C’). % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit1=3. title(’SALIDA CONTROLADA EN CASCADA’). s=tf(’s’). Kcrit2=8.40). % TOMADO DE LA OSCILACI´ ON SOSTENIDA CON Kcrit2=8.53 Kc2=0.3 ilustra la salida y1 controlada.8/((4*s+1)*(s+1)).

. Control de la raz´on aire–combustible para la combusti´on. En el esquema de raz´on m´as difundido. el flujo q1 correspondiente al lazo no controlado. se estabiliza en 30 min. 6. Por otro lado.41 veces m´as r´apido que el lazo primario. mientras que para el caso de realimentaci´on simple mostrado en el gr´afico inferior de la Fig.2 Control de la Raz´ on 129 OSCILACIÓN DEL LAZO SECUNDARIO y2(t) 2 1 0 0 1 2 3 4 5 6 TIEMPOx60 (sec) CONTROL DEL LAZO SECUNDARIO 7 8 9 10 y2(t) 2 1 0 0 5 10 15 TIEMPOx60 (sec) OSCILACIÓN DEL LAZO PRIMARIO 20 25 y1(t) 2 1 TEMPERATURA °C 0 0 5 10 15 20 25 TIEMPOx60 (sec) SALIDA CONTROLADA EN CASCADA 30 35 40 100 50 0 0 10 20 30 40 50 60 70 TIEMPOx60 (sec) Fig. Entre ellas: Mezcla o fundici´on de dos o m´as componentes. 6.4 Este hecho comprueba que el lazo secundario es 5. 6. Observar que el rendimiento del sistema de control en cascada es mejor porque la temperatura se estabiliza en aproximadamente 22 min (gr´afico inferior de la Fig.2.6.3: Resultados para el caso control en cascada del ejemplo 6. es conocido como el flujo salvaje.3) en una relaci´on: Tcrit1 13 = = 5. El control de la raz´on encuentra muchas aplicaciones en la industria. en donde se ubica el flujo q2 .3. tal como el mostrado en la Fig.1. Se debe notar tambi´en que el per´ıodo de oscilaci´on cr´ıtica Tcrit1 del lazo primario mostrado en el tercer gr´afico de la Fig. 6. 6.2. el lazo controlado. es mayor que el Tcrit12 del lazo secundario (primer gr´afico de la Fig. 6.4. 6. Control de la Raz´ on El control de la raz´on se refiere generalmente a controlar (mantener) la raz´on entre dos flujos (o caudales) lo m´as constante posible.3).41 Tcrit2 2. es denominado el lazo secundario.

m clear all.4. Ejemplo 6. 6. El flujo de aire y1 ha sido considerado como un flujo que var´ıa en forma sinusoidal para mayor generalidad. Soluci´ on: La Fig. ylabel(’RAZ¨ ON V(t)’).m cuyo listado se muestra abajo. load y2.th.4 que los flujos q1 y q2 se miden empleando placas de orificio.2) u y2 Qemador Horno Fig. las cuales usan el principio de que el flujo es proporcional a la ra´ız cuadrada de la diferencia de presi´on producida por la placa.4. Notar que se ha incluido la FT de la v´alvula de control. 6. 6.130 Estrategias de Control Control de la composici´on de un producto. plot(th. 6.2 Dise˜ nar y simular el sistema de control que mantenga la raz´on combustible–aire en 10 en la Fig. se ha usado un controlador PI con par´ametros P = Kc = 1 e I = Kc /Ti = 4. Para mantener la raz´on V en 10. t´ecnica bastante utilizada en las torres de destilaci´on. Observar que la raz´on V(t) se mantiene en el valor 10 previamente establecido. load th.1) El lazo secundario se controla cuando el error e2 tienda a cero. 6. load V. close all. print -s -deps razon1s . El proceso flujo y2 se modela como una constante proporcional. 6. % razon1graf. La Fig. la filosof´ıa de control de la raz´on se basa en las relaciones siguientes (ver Fig.6 muestra el resultado de la simulaci´on que se obtiene ejecutando el archivo razon1graf.5 muestra el diagrama Simulink correspondiente a la Fig. Es decir. title(’CONTROL DE LA RAZ´ ON V = y2/y1’) print -f -deps razon1r. 6. Esto es: q2 /q1 = V = 10.th.4: Esquema m´as difundido del control de la raz´on.V). clc. xlabel(’TIEMPO [s]’).y1. Por otro lado.4): r2 = V y 1 e2 = r 2 − y 2 = V y 1 − y 2 (6.y2. Observar en la Fig. cuando: e2 = V y 1 − y 2 = 0 V y1 q2 q1 r2 V = y2 y1 (6. load y1.

Por cierto.5: Diagrama Simulink correspondiente a la Fig. 6. en muchos casos se puede tolerar temporalmente un error entre la se˜ nal controlada y la se˜ nal deseada. existen aplicaciones en donde el error debe de ser m´ınimo en presencia de disturbios. los disturbios se miden antes de que ingresen al proceso.3.5s+1 PI Controller y2 V 2 PID 10 V=y2/y1 th Válvula + caudal y 2 y2 Product Scope y2 Fig. lo cual permite calcular por adelantado la se˜ nal de control requerida para mantener la . Con esta estrategia de control. Control Anticipativo La principal desventaja en los sistemas de control por retroalimentiici´on radica en el hecho de que cuando un disturbio ingresa al proceso. CONTROL DE LA RAZÓN V = y2/y1 45 40 35 RAZÖN V(t) 30 25 20 y2(t) 15 V = 10 10 y1(t) 5 0 0 200 400 600 TIEMPO [s] 800 1000 Fig. 6. lo cual no se logra s´olo con el control por realimentaci´on.2. Para tales situaciones resulta u ´til el control anticipativo.3 Control Anticipativo 131 razon1.6: Resultado de la simulaci´on correspondiente al Ejemplo 6.4.6. antes de que aparezca una acci´on correctiva que compense el efecto de tal disturbio. ´este se propaga por todo el proceso. forzando que la variable controlada se desv´ıe del punto deseado o de referencia. 6.mdl th y1 Clock y1 1 u Inversa Aire r2 1/y1 e2 Set V Producto 0. 6. Sin embargo.

d Gd(s) Ga(s) u y Gp(s) Fig.6) es la del denominado compensador de adelanto– atraso. El sistema de control anticipativo trabaja bien siempre que Gp (s) y Gd (s) representen lo m´as fiel posible al proceso y al disturbio. b. entonces esta salida deber´ıa de anularse. Haciendo y = 0 en (6.5) Por consiguiente: Ga (s) = − Gd (s) Kd Tp s + 1 (τp −τd )s =− e Gp (s) K p Td s + 1 (6. 6.7: Sistema de control anticipativo. Ga (s) y Gd (s) son las funciones de transferencia del proceso. asumamos que: Gp (s) = Kp e−τp s Tp s + 1 Gd (s) = Kd e−τd s Td s + 1 (6. el desempe˜ no del sistema de control anticipativo va a disminuir.7 muestra el diagrama de bloques de un sistema de control anticipativo donde Gp (s). De la Fig.4) Para tener una idea m´as clara de la estructura del controlador anticipativo G a (s) dise˜ nado.7 se deduce: y = Gp (s)u + Gd (s)d = Gp (s)Ga (s)d + Gd (s)d = [Gp Ga (s) + Gd (s)] d (6. 6. Existen dos casos notables para los que no se debe de emplear el control anticipativo.3): 0 = Gp Ga (s) + Gd (s) Ga (s) = − Gd (s) Gp (s) (6. El primero ocurre cuando el grado del polinomio del denominador de Gp (s) es mayor que el grado del polinomio del denominador de Gd (s). c y f son constantes. correspondientemente.3) ilustra el efecto de la presencia del disturbio d en el sistema. Por ejemplo. en presencia de errores de modelado. Si queremos eliminar este efecto en la salida y. d. La Fig. sean: Gp (s) = s2 1 + bs + c Gd (s) = 1 s+f donde a. del controlador anticipativo y del disturbio. u e y son las se˜ nales disturbio.6) La estructura que toma Ga (s) en (6. El controlador anticipativo se calcula como: Ga (s) = − s2 + bs + c Gd (s) =− Gp (s) s+f . Evidentemente.132 Estrategias de Control variable controlada en el valor deseado y sin la presencia de disturbios. 6. Adem´as. respectivamente.3) La ecuaci´on (6. de control y de salida.

u).u(t)’). Es decir. 6. load y.9 muestra el resultado de la simulaci´on que se obtiene ejecutando el archivo antic1graf.3 Dise˜ nar y simular el sistema de control anticipativo mostrado en la Fig. y(t) no est´a afectada por el disturbio.th. Esto sucede cuando el modelo Gp (s) del proceso no es de m´ınima fase. load u.5s + 5 =− Gp (s) 6s + 3 La Fig. ylabel(’d(t). subplot(211). load th.6. xlabel(’TIEMPO [s]’). El controlador anticipativo se determina de: Ga (s) = − Gd (s) 2. 6. clc. el controlador Ga (s) resultante es f´ısicamente no realizable. print -s -deps antic1s . Para ilustrar esta situaci´on asumamos que (notar que Gp (s) es de m´ınima fase): Gp (s) = s−1 s+1 Gd (s) = 1 4s + 1 que resulta en el siguiente controlador anticipativo inestable: Ga (s) = − Gd (s) s+1 =− Gp (s) (s − 1)(4s + 1) Ejemplo 6. El segundo caso ocurre cuando el tiempo muerto τp del modelo de la planta es mayor que el tiempo muerto τd del modelo del disturbio. title(’VARIABLES d(t) y u(t) EN EL CONTROL ANTICIPATIVO’) subplot(212). Observar en el gr´afico inferior que la salida controlada y(t) tiende a cero.5s + 1 Soluci´ on: La Fig. load d. title(’SALIDA CONTROLADA y(t)’) print -f -deps antic1r. Ga (s) puede resultar en una funci´on de transferencia inestable. plot(th.y). close all.m cuyo listado se muestra abajo.8 muestra el diagrama Simulink correspondiente a la Fig. ylabel(’y(t)’). xlabel(’TIEMPO [s]’). plot(th.3 Control Anticipativo 133 Lamentablemente. Por ejemplo. si: Gd (s) = s2 1 e−s + bs + c Entonces: Ga (s) = − Gp (s) = 1 e−2s s+f s+f Gd (s) =− 2 es Gp (s) s + bs + c Notar que el controlador anticipativo resultante es no implementable f´ısicamente debido a que su tiempo muerto es positivo. 6. cuando posee al menos un cero positivo.m clear all. % antic1graf. 6.7 para: Gd (s) = 5 2s + 1 Gp (s) = 3 0. En un determinado dise˜ no. Es decir.d.7. por lo tanto no implementable.

134 Estrategias de Control antic 1.7. . El disturbio d2 se incluye para dar mayor generalidad al problema. Cae entonces por su propio peso.9: Resultado de la simulaci´on correspondiente al Ejemplo 6. 6. 6. que si deseamos sacar ventaja de las bondades de cada uno de los esquemas descritos. Por otro lado.mdl d d 5 Scope 1 2s+1 d Gd(s) u y −2. donde d 1 es un disturbio medible con FT Gd1(s) conocida.10.5s+1 Ga(s) Gp(s) th Clock th Fig. 6. mientras que d2 es un disturbio no medible pero con FT Gd1(s) tambi´en conocida.8: Diagrama Simulink correspondiente a la Fig. tal como se ilustra en la Fig. 6.5s−5 3 6s+3 0. Control Anticipativo–Realimentado El control anticipativo posee la capacidad de eliminar el efecto de los disturbios medibles que act´ uan sobre la se˜ nal controlada. tal como se trata en el el siguiente ejemplo.3.u(t) 1 0 u −1 −2 0 200 400 600 TIEMPO [s] SALIDA CONTROLADA y(t) 800 1000 200 400 600 TIEMPO [s] 800 1000 −3 2 d x 10 y(t) 0 −2 −4 −6 0 Fig. el control realimentado puede rechazar el efecto de los disturbios no medibles sobre la se˜ nal controlada. VARIABLES d(t) y u(t) EN EL CONTROL ANTICIPATIVO 2 d(t). as´ı como tambi´en corregir el efecto de los errores de modelado en el lazo de control. debemos de aplicar simult´aneamente control anticipativo y control realimentado .

6 y 5 5s+1 0. anticreal 1.8s + 1 −s =− × e Gp (s) 5 5s + 1 La Fig. 6.m cuyo listado se muestra abajo.3 Control Anticipativo d1 135 Gd1(s) G a (s) r e u G c (s) d2 y G p (s) Gd2(s) Fig. 6. 6. Ejemplo 6.4 Dise˜ nar y simular el sistema de control anticipativo–realimentado mostrado en la Fig.10.12 muestra el resultado de la simulaci´on que se obtiene ejecutando el archivo anticreal1graf. 6. .11 muestra el diagrama Simulink correspondiente a la Fig.11: Diagrama Simulink correspondiente a la Fig.8s+1 Tiempo muerto : 1 Ga(s) r = 10 th Gp(s) PID 6 Gc(s) 9s+1 Gd1(s)1 d2 Tiempo muerto : 2 Scope r Tiempo muerto : 5 Fig.10: Esquema de control anticipativo m´as control realimentado.8s + 1 Gd1 (s) = 3e−3s 5s + 1 Gd2 (s) = 6e−5s 9s + 1 Soluci´ on: La Fig. 6.8s−0.10 cuando: Gp (s) = 5e−2s 0. Es decir.10. 6. 6. El controlador anticipativo se determina de: Ga (s) = − Gd1 (s) 3 0.mdl th 3 d1 d1 5s+1 Gd1(s) Clock u Tiempo muerto : 3 −4. Observar en el gr´afico inferior que la salida controlada y(t) sigue a la referencia r(t) a pesar de la presencia simult´anea de los disturbios d1 (t) y d2 (t). y(t) no est´a afectada por los disturbios debido a que el sistema de control los est´a rechaando.6.

’k’). es el conmutador de selecci´on. 6. Dichas variables se limitan empleando ciertos tipos de conmutadores de selecci´on. tales como el HSS (High Selector Switch) y el LSS (Low Selector Switch). plot(th. grid subplot(212).13(a) y (b) ilustran el diagrama de instrumentaci´on y el diagrama de bloques del sistema de control respectivamente.5 2 1. en este caso. clc.4.th. load r. grid print -f -deps anticreal1r. . 6. load y. La Fig. PIC significa indicaci´on y control de la variable presi´on y PY.m clear all. % anticreal1graf.5 0 20 40 60 80 100 TIEMPO [s] Fig. Las Figs. evita que ocurran da˜ nos tanto en el proceso como en el producto. ylabel(’u(t)’).’k’.5 3 u(t) 2. plot(th. title(’SALIDA y(t) CONTROLADA’).136 Estrategias de Control SALIDA y(t) CONTROLADA 14 12 y(t) 10 8 6 4 2 0 0 20 40 60 80 100 TIEMPO [s] 120 140 160 180 200 120 140 160 180 200 CONTROL u(t) 3. xlabel(’TIEMPO [s]’). Limitando la variable de un proceso en un valor alto o bajo.y. donde PT representa un transmisor de presi´on.12: Resultado de la simulaci´on correspondiente al Ejemplo 6. title(’CONTROL u(t)’). 6. generalmente para prop´ositos de protecci´on. print -s -deps anticreal1s 6. dado que la letra Y indica realizar un c´alculo o algoritmo relacionado con P (la presi´on). Control Override El control override es una estrategia de control que consiste en mantener las variables del proceso bajo control dentro de ciertos limites. subplot(211).r.4. ylabel(’y(t)’).13 muestra una aplicaci´on del control override en un sistema de bombeo de producto. xlabel(’TIEMPO [s]’). load u.u. close all.’k’).5 1 0. load th.

13: Estrategia de control overriding aplicado al bombeo. cae la presi´on de aspiraci´on de la bomba por debajo del l´ımite de seguridad. El conmutador selector trabaja como sigue. el set point del controlador de aspiraci´on tiene que ser inferior a los valores normales de trabajo. entonces el controlador de aspiraci´on genera una se˜ nal que es inferior a la que sale del controlador de impulsion. entonces act´ ua el conmutador selector para que entre en funcionamiento el lazo de aspiraci´on en lugar del de impulsi´on. la se˜ nal de salida del controlador de impulsion alcanza sus valores de trabajo. 6. el conmutador hace que entre en operaci´on el lazo de control de la aspiraci´on. Si la presi´on de aspiraci´on baja demasiado hasta llegar a ser inferior a su set point. uno para la aspiraci´on y el otro para la impulsion. . En este caso. PIC PIC PY LAZO 2 LAZO 1 PT PT IMPULSION ASPIRACION BOMBA (a) TRANSMISOR DE IMPULSION LAZO 1 CONTROLADOR DE IMPULSION CONMUTADOR SELECTOR CONTROLADOR VALVULA DE CONTROL PROCESO PRESION IMPULSION VALVULA DE CONTROL PROCESO PRESION ASPIRACION DE ASPIRACION TRANSMISOR (b) LAZO 2 DE ASPIRACION Fig. el conmutador selecciona la m´ınima de las dos se˜ nales que le llegan. En condiciones normales. En operaci´on normal. Si por alguna circunstancia de falla. Adem´as. la presi´on se controla con el lazo de impulsion. Esta conmutaci´on tambi´en provoca que se cierre la valvula de control.14 muestra otra aplicaci´on del control override aplicado a un generador de vapor. En esta situaci´on. En principio. La Fig. 6.4 Control Override 137 Observar que existen dos lazos de control de presi´on. en donde el conmutador selector LSS har´a la conmutaci´on del lazo de control de presi´on (Lazo 1) al lazo de control de nivel (Lazo 2). el conmutador es del tipo LSS (Low Selector Switch). cuando el el nivel del liquido en el hervidor caiga por debajo del nivel permisible previamente establecido.6.

6. mientras que los transmisores FT–4. a´ un en el caso en que falle uno de los transmisores de una bater´ıa.138 Estrategias de Control LINEA DE VAPOR LIMEA DE DESCARGA LAZO 2 LT PT LAZO 1 LC LSS PC AGUA CALEFACTOR (a) TRANSMISOR DE PRESION LAZO 1 CONTROLADOR DE PRESION VALVULA CONMUTADOR LSS CONTROLADOR DE NIVEL TRANSMISOR (b) DE CONTROL PROCESO PRESION VALVULA DE CONTROL PROCESO NIVEL LAZO 2 DE NIVEL Fig. 6. El objetivo de tales bater´ıas de transmisores es el de aumentar la confiabilidad de la medici´on. FT–5 y FT–6 son para el flujo B. entonces el combustible B debe de ser quemado en forma suplementaria. Otro ejemplo de control selectivo se muestra en el sistema de medici´on m´ ultiple de la Fig.14: Estrategia de control overriding aplicado a un generador de vapor. s´olo existe una variable controlada PV. Un sistema de control como el descrito debe poseer las siguientes caracter´ısticas: Capacidad de manipular la variable con limitada disponibilidad en cuanto que su valor se mantenga debajo de su l´ımite previamente especificado. Un ejemplo t´ıpico es el encendido y operaci´on de un horno industrial mediante dos combustibles A y B. El l´ımite de disponibilidad se puede se puede fijar manualmente o mediante un controlador que detecte la cantidad de combustible almacenada. pero varias variables manipuladas MV. si el combustible A se quema hasta el l´ımite de su disponibilidad y cuando tal l´ımite se alcanza. donde los transmisores de flujo FT–1. FT–2 y FT–3 son dedicados para medir el flujo A.15.5. 6. La selecci´ on de uno de los combustibles se realiza dependiendo de la disponibilidad de uno de ellos. Por ejemplo. Control Selectivo En ciertas aplicaciones del control de procesos. . para no afectar adversamente la variable controlada. Una transici´on suave cuando se use una u otra variable manipulable.

altas. En esta situaci´on. entonces el promedio de la medici´on se realiza con los otros dos. El objetivo de control es mantener constante la presi´on P dentro del reactor mediante la acci´on programada de las v´alvulas VA y VB (ver Fig. Por tal raz´on. dos v´alvulas de control. bajas. y sale un producto B resultante de la reacci´on.6.16 al cual ingresa un producto gaseoso A. 6. Los bloques FIC–1 y FIC–2 son los lazos de control de la raz´on B/A y del flujo A. intermedias. la abertura de cada v´alvula se determina del gr´afico de la Fig. respectivamente. por ejemplo. 6. 6. En presencia de presiones: 1.15: Estrategia de control selectivo aplicado a un sistema de medici´on m´ ultiple. Control de Rango Partido El control de rango partido. 6. denominado tambi´en de gama partida o split range en ingl´es. se aplica cuando se desea que la se˜ nal o fuerza de control manipule dos o m´as actuadores. FY 2 FT 4 MS FIC 2 FT 6 FT 5 A Flujo A FY 1 FT 1 FT 2 B MS FY 2 B/ A FT 3 FIC 1 Flujo B Fig. el bloque MS (Media Selector) computa en FY–1 y en FY–3 el promedio de las mediciones de los flujos A y B.6 Control de Rango Partido 139 En el proceso mostrado en la Fig.16) como sigue. el n´ umero de variables de control es mayor que el n´ umero de variables controladas. VA permanece abierta al 100 % y VB cerrada. la medici´on de A y B es cr´ıtica si se quiere mantener la relaci´on B/A (obtenida en el bloque de c´omputo FY–2) entre ciertos l´ımites de dise˜ no. . respectivamente. evitando de esta manera paradas costosas del proceso.16. 3. mostrado en la Fig. Si alguno de los dos bloques MS detecta que una medici´on est´a fallando. VA permanece cerrada y VB abierta. 2. Un ejemplo t´ıpico es el caso de un reactor.15.6. 6. 6.

el modelo no lineal .17 combina en su dise˜ no un m´etodo de estimaci´on de par´ametros (el de los m´ınimos cuadrados recursivo).6. pero debe de ser linealizable. se caracterizan por la presencia de una ley de control invariable con el tiempo. La investigaci´on sobre controladores adaptativos se ha centrado en dos grupos principales: controladores adaptativos con un modelo referencial y controladores con autosintonizaci´on (self–tuning regulators).17 que el proceso puede poseer un modelo din´amico no lineal. Por el contrario. Es decir (ver subsecci´on A.17: Configuraci´on del sistema de control con autosintonizaci´on. Notar en la Fig. 6. 6. como los estudiados en el Cap´ıtulo 5 por ejemplo. 6.2).16: Estrategia rango partido aplicado a un reactor. Control con Autosintonizaci´ on de Par´ ametros Los sistemas de control adaptativo ajustan su comportamiento a las cambiantes propiedades del proceso controlado y de las se˜ nales que interact´ uan sobre dicho proceso. una representaci´on lineal del modelo del proceso en el espacio de estado discreto. los sistemas de control fijos. En esta secci´on nos concentraremos en este u ´ltimo controlador.7. una t´ecnica de estimaci´on de estados (el filtro de Kalman). 6. ^x U ESTIMADOR DE ESTADOS ^ θ ESTIMADOR DE PARAMETROS ESTIMACION DE U MODELO LINEAL + Y CONTROLADOR CON AUTOSINTONIZACION + + u U PROCESO NO LINEAL Y DISTURBIOS Fig.140 Estrategias de Control Selector uA uB VB VA 100% Abertura de válvula Pr 0% P VA Reactor P 0% VB 30% 50% 70% u 100% u Fig. El sistema de control adaptativo con autosintonizaci´on mostrado en la figura 6. y una ley de control: el controlador proporcional–integral o´ptimo cuadr´atico con realimentaci´on de estados.

8) emplea las variables residuales (o de desviaci´on) x y u. realiza la conversi´on requerida. . El sistema de control con autosintonizaci´on mostrado en la Fig. U) (6. Tales resultados se usan luego para computar la ley de control residual u y para actualizar la ley de control actual U a partir de la relaci´on: U = U + u. 6. respectivamente.8). El objetivo del control en el sistema de control con autosintonizaci´on. Observar que la ecuaci´on (6. lo cual permite estimar el vector de b (empleando un filtro de Kalman) y el valor estado residual del modelo del proceso x de equilibrio U de la ley de control actual U. El esquema en consideraci´on se denomina un SCAMR paralelo debido a la ubicaci´on relativa del modelo referencial con respecto al sistema.C]=c2dm(A. La relaci´on entre estas variables con respecto a las actuales X y U es: x=X−X u=U−U (6.7) se puede transformar mediante linealizaci´on en un modelo lineal en el espacio de estado continuo de la forma: x˙ = Ax + Bu) y = Cx (6.8) con un tiempo de muestreo T . La discretizaci´on del modelo lineal en (6. El comando MATLAB: [G.6.C.9) donde X y U son los valores en estado estacionario (o de equilibrio) de X y U. Control Adaptativo con Modelo Referencial La figura 6.D. un controlador adaptativo. el vector estimado de par´ametros θb se actualiza empleando los datos proporcionados por la entrada U del proceso y por la salida Y del mismo. los elementos de θb se usan para recuperar el modelo lineal discreto del proceso dada por la ecuaci´on (6. B y C son las matrices de estado. es el vector de estado.8) donde f es una funci´on vectorial de variables vectoriales X. U es la ley de control. de control y de salida del proceso. el sistema a controlar y un mecanismo de adaptaci´on. A. cumpliendo ciertas especificaciones de dise˜ no previamente establecidas.H.10) donde k = t/T es el tiempo discreto. respectivamente.8 Control Adaptativo con Modelo Referencial 141 original del proceso: x˙ = f (X. resulta en la siguiente descripci´on : x(k + 1) = Gx(k) + Hu(k) y(k) = Cx(k) (6. y. 6.18 ilustra la configuraci´on de un Sistema de Control Adaptativo con Modelo Referencial (SCAMR) que puede ser empleado en una gran variedad de aplicaciones.B. La estructura SCAMR se compone b´asicamente de un modelo de referencia.D. consiste en determinar una fuerza de control capaz de minimizar la diferencia entre la salida del proceso y la se˜ nal de referencia.17 opera como sigue: luego de cada tiempo de muestreo. Luego.’zoh’).8.

donde x es el vector de estados del sistema y la t indica que los par´ametros de V tambi´en pueden ser variantes con el tiempo.18: Configuraci´on de un Sistema de Control Adaptativo con Modelo Referencial (SCAMR). esto es. La descripci´on del modelo puede ser imprecisa. El objetivo de control del SCAMR dise˜ nado consiste en producir una fuerza de control u que sea capaz de hacer que el vector de salida y del sistema. es decir. entonces el m´etodo asegura que el sistema posee un comportamiento asint´oticamente estable. El mecanismo de adaptaci´on es un conjunto de bloques interconectados usados para implementar la ley de adaptaci´on. aplicado a un sistema de control. que los estados del sistema de control convergen r´apidamente al estado de equilibrio del sistema.142 Estrategias de Control MODELO REFERENCIAL r CONTROLADOR ADAPTATIVO u SISTEMA NO LINEAL + − qd q MECANISMO DE ADAPTACIÓN ~q Fig. siga a la respuesta deseada yd cumpliendo ciertas especificaciones de dise˜ no. es capaz de determinar si tal sistema es asint´oticamente estable. El m´etodo directo de Lyapunov es empleado para determinar que el SCAMR dise˜ nado garantice convergencia global de las se˜ nales controladas con respecto a sus trayectorias deseadas. saturaci´on. Este m´etodo consiste en formular de una funci´on escalar V (x. t) conveniente. tal ley de adaptaci´on es el algoritmo de control empleado para modificar los par´ametros del controlador adaptativo. el control . el modelo din´amico del sistema puede presentar incertidumbres en su estructura o din´amica no modelada en su representaci´on. a pesar de la presencia de incertidumbre param´etrica (par´ametros no modelados en el modelo din´amico usado o con valores inciertos) y no param´etrica (efectos no lineales no tomados en cuenta en el modelo din´amico tales como fricci´on de coulumb. entre otros). de e = q−qd modo tal que el SCAMR permanezca estable y que el error de seguimiento q converja a cero a pesar de la presencia de par´ametros variantes con el tiempo del sistema y disturbios externos. De hecho. Tal respuesta debe de ser lograda por el SCAMR a pesar de las restricciones generadas por inexactitudes en el modelado de la estructura del modelo de referencia y el modelo del proceso. es un sistema din´amico auxiliar usado para obtener la respuesta deseada del sistema. El modelo de referencia. Ya que la descripci´on del sistema permite incertidumbres. el cual est´a excitado por una entrada externa r. 6. El SCAMR se puede aplicar a sistemas no lineales (preferiblemente) y lineales. Si la derivada total dV /dt resulta definida negativa (menor que cero). El m´etodo de Lyapunov.

saturaci´on.9.6. entre otros).19(b) y (c). a pesar de la presencia de incertidumbre param´etrica (par´ametros no modelados en el modelo din´amico usado o con valores inciertos) y no param´etrica (efectos no lineales no tomados en cuenta en el modelo din´amico tales como fricci´on de coulumb. tal como se muestra en la Fig. emplea la respuesta del proceso a un cambio tipo escal´on del SP y/o a la acci´on de un disturbio.9 Autosintonizaci´ on con Reconocimiento de Patrones 143 adaptativo (en general) se puede considerar una aproximaci´on particular de control robusto. 6. siga a la respuesta deseada yd cumpliendo ciertas especificaciones de dise˜ no. donde el sobrenivel y el amortiguamiento se definen como: . Autosintonizaci´ on con Reconocimiento de Patrones El sistema de control con autosintonizaci´on basado en el reconocimiento de patrones. El objetivo de control del sistema de control dise˜ nado consiste en producir una fuerza de control u que sea capaz de hacer que el vector de salida y del sistema. 6.

.

.

e2 .

e3 − e 2 (6.11) amortiguamiento = sobrenivel = .

.

.

.

La fase de reconocimiento de patrones dentro del procedimiento de autosintonizaci´on comienza cuando el error e(t) = SP − P V excede un nivel m´aximo de ruido previamente especificado.14) donde BP es la banda proporcional.5τ Td = Ti /6 (6. tal como si lo estuviera haciendo un experto. Tambi´en resulta conveniente calcular el tiempo de espera Wmax . Este m´etodo de sintonizaci´on est´a presente en el controlador Foxboro EXACT (760/761). el sobrenivel. el per´ıodo de oscilaci´on Tp y el tiempo m´aximo Wm = 5τ de dicha respuesta.12) Ts + 1 cuyos par´ametros se pueden determinar empleando el m´etodo de la curva de reacci´on. Este tiempo se define como: Wmax = 5τ (6.13) Autosintonizaci´on v´ıa el reconocimiento de patrones consiste fundamentalmente en la programaci´on de un sistema experto para que lleve a cabo en forma autom´atica. respectivamente. Ti y Td son los tiempos integral y derivativo. e2 y e3 en la respuesta. el cual es el tiempo m´aximo que el controlador espera para la ocurrencia del segundo pico. El programa experto entonces busca los tres picos e1 . entonces el programa de reconocimiento de patrones debe de estimarlos para usarlos luego en las f´ormulas de sintonizaci´on. e1 − e 2 e1 Se supone que el proceso Gp (s) a controlar es del tipo primer orden con ganancia Kp . y. Si los picos e2 y e3 no fueran detectables. constante de tiempo T y tiempo muerto τ : Kp Gp (s) = e−τ s (6. debido a cambios en el SP o en los disturbios. mide sus amplitudes y tiempos para calcular el amortiguameiento. . Estas f´ormulas son similares a las de Ziegler y Nichols: BP = 120Kp τ /T Ti = 1. el procedimiento de sintonizaci´on del controlador Gc (s).

la salida controlada se pasa a trav´es de un filtro pasa alto. 6. La banda de ruido NB se determina durante la u ´ltima fase del modo Pre–Tune. Este filtro puede poseer la forma (entre otras): La BN estimada se emplea para inicializar el t´ermino derivativo como sigue: Calcular la cantidad Z = (3 . (c) Respuesta a un cambio en el disturbio. si Z > 1 entonces fijar Td = Ti /6. los cuales deben de ser suministrados por el usuario o ser estimados por el modo Pre–Tune (l´ease autosintonizaci´on) del controlador Foxboro. (b) Respuesta a un cambio escal´on.19: (a) Sistema realimentado. Estos par´ametros son: Los valores iniciales de BP . la cual se indica luego c´omo determinarla.5. La banda de ruido BN se calcula luego estimando la amplitud pico a pico de la salida del filtro pasa alto.2NB)/2. la se˜ nal de control vuelve al nivel que ten´ıa antes de la ocurrencia del cambio escal´on del SP. Con el controlador a´ un en manual y con la se˜ nal de control mantenida en un valor constante. La banda de ruido BN .144 Estrategias de Control disturbio e(t) SP Gc (s) e(t) Gp(s) PV (a) e1 e3 t e(t) e1 e2 (b) e3 t e2 Tp (c) Fig. . Primero. M´aximo tiempo de espera Wmax . Ti y Td . Est´a programado que el controlador inicia el procedimiento de adaptaci´on cuando el error e(t) exceda dos veces BN . Informaci´ on Inicial y Pre–Sinton´ıa El controlador necesita tener a priori un conjunto de par´ametros.

que deben de ser proporcionados por el usuario. Si se usa el valor 10 para el factor l´ımite de cambio. L´ımite de cambio (10). mostrados entre par´entesis en la siguiente lista: M´aximo amortiguamiento permitido (0. En caso contrario. entonces los valores de los par´ametros BP. .3) M´aximo sobrenivel permitido (0.k o m´as peque˜ nos que un d´ecimo de sus valores iniciales. Este factor hace que los valores de los par´ametros del controlador caigan entre ciertos l´ımites.6. Si este factor derivativo es nulo. el programa usa los valores por defecto. si 0 < Z < 1 entonces fijar Td = ZTi /6. para dosificar su influencia.5) El factor derivativo (1). entonces el controlador se del tipo PI. Tambi´en existen una serie de par´ametros opcionales. Ti y Td no ser´an m´as grande que diez veces. a parte de los requeridos. el cual multiplica al t´ermino derivativo.9 Autosintonizaci´ on con Reconocimiento de Patrones 145 si Z < 0 entonces fijar Td = 0.

.

y. Para el caso H(s) = 1. 7. y de controladores MIMO empleando el m´etodo de desacoplamiento. 7. y de una MT (Matriz de Transferencia) para el caso MIMO. La Fig. El problema de s´ıntesis de controladores SISO y MIMO consiste en determinar el modelo din´amico de la ley de control partiendo de ciertas condiciones y principios previamente establecidos. Esta ley de control puede estar en la forma de una FT (Funci´on de Transferencia). y aplicando el criterio de estabilidad de Hurwitz. error del sistema. mientras que un proceso MIMO (Multiple–Input–Multiple–Output) posee m´ ultiples entradas y m´ ultiples salidas. 7. las cuales no est´an exentas de presentar cierto grado de interacci´on entre ellas.1) Se puede forzar que la se˜ nal controlada y(t) sea la curva de reacci´on de un sistema de primer orden de ganancia unitaria y constante de tiempo Tc : 1 y(s) = r(s) Tc s + 1 (7. r(s). salida controlada (PV) y ley de control. e(s). para el caso SISO. de la Fig.Cap´ıtulo 7 S´ıntesis de Controladores SISO y MIMO Un proceso SISO (Single–Input–Single–Output) est´a caracterizado por poseer una salida y una entrada.1 se deduce: y(s) = Gp (s)u(s) = Gp (s)Gc (s)e(s) = Gp (s)Gc (s)(r(s) − y(s)) Por consiguiente: Gc (s) = 1 y(s)/r(s) Gp (s) 1 − y(s)/r(s) (7. respectivamente. y(s) y u(s) constituyen las se˜ nales de referencia (SP).1 muestra un sistema SISO realimentado. el proceso y el sistema de medici´on. usando desacopladores. La t´ecnica para modelar esta interacci´on es emplear modelos din´amicos multivariables o MIMO. respectivamente.2) . Este Cap´ıtulo trata sobre la s´ıntesis (dise˜ no) de controladores SISO empleando el m´etodo de Dahlin.1. Gp (s) y H(s) representan las FTs del controlador. M´ etodo de Dahlin El siguiente procedimiento de s´ıntesis es atribuido a Dahlin [30]. donde Gc (s).

la ecuaci´on (7.3) toma la forma:   T1 1 (Td s + 1) Kc = Ti = T 1 Td = T 2 Gc (s) = Kc 1 + Ti s K p Tc (7.3) toma la forma: Gc (s) = Kc s Kc = 1 K p Tc (7.3) toma la forma:   1 T Kc = Ti = T (7.148 S´ıntesis de Controladores SISO y MIMO Sabemos que la constante de tiempo Tc corresponde al al 63.7).1) se obtiene una f´ormula para sintetizar (dise˜ nar) el controlador: 1 1 (7. r(s) e(s) Gc (s) u(s) Gp(s) y(s) H(s) Fig.1: Sistema SISO realimentado.4) Proceso de Primer Orden Sea el proceso de primer orden: Gp (s) = Kp Ts + 1 (7.2 % de la magnitud de la ganancia unitaria El 100 % de esta ganancia unitaria se alcanza en aproximadamente cuatro veces Tc .6) Gc (s) = Kc 1 + Ti s K p Tc Proceso de Segundo Orden Sea el proceso de segundo orden: Gp (s) = Kp (T1 s + 1)(T2 s + 1) (7. Proceso Proporcional Cuando Gp (s) = Kp (proceso proporcional).3) ser´a determinada para el control de diferentes procesos. 7. Con Gp (s) dado por la ecuaci´on (7. (7. Reemplazando (7.8) . la f´ormula de s´ıntesis dada en (7.3) Gc (s) = Gp (s) Tc s En lo que sigue.7). Con Gp (s) dado por la ecuaci´on (7.5) donde T es la constante de tiempo del proceso y Kp su ganancia. (7.2) en (7.7) donde T1 y T2 son las dos constantes de tiempo del proceso.

11) Gp (s) = (T1 s + 1)(T2 s + 1) el cual. corresponde a un proceso que posee una respuesta al escal´on inversa (parte de su respuesta al inicio es negativa) o con sobrenivel.13) Procesos con Tiempo Muerto Sea el proceso de primer orden con tiempo muerto de la forma: Gp (s) = Kp e−τ s (T s + 1) (7.1 M´ etodo de Dahlin 149 Proceso Integral Cuando: Gp (s) = Kp s(T s + a) el cual corresponde a un proceso integral.9) Proceso Doblemente Integral Si Gp (s) = Kp /s2 (proceso doblemente integral. dependiendo de sus par´ametros. Para esta situaci´on conviene forzar que la se˜ nal controlada y(t) sea la curva de reacci´on de un sistema de adelanto–atraso de ganancia unitaria y de la forma: y(s) 1 − T3 s = r(s) Tc s + 1 Sustituyendo (7.1).12) en (7. la ley de control toma la forma:   T1 1 (Td s+1) Kc = Gc (s) = Kc 1 + Ti = T 1 Ti s Kp (Tc + T3 ) (7.10) Procesos con Respuesta Inversa o con Sobrenivel Sea el proceso con un cero positivo ubicado en 1/T3 y dos polos negativos ubicados en −1/T1 y −1/T2 : Kp (1 − T3 s) (7.7.15) . la ecuaci´on (7. la ley de control (7.11) y (7.3) toma la forma: Gc (s) = Kc s Kc = 1 K p Tc (7. como es el caso de un sat´elite en o´rbita.14) En este caso conviene forzar que la se˜ nal controlada y(t) sea la curva de reacci´on de un sistema de de primer orden con tiempo muerto y ganancia unitaria.3) toma la forma: Gc (s) = Kc (Td s + 1) Kc = 1 K p Tc Td = T (7.12) Td = T 2 (7. de la forma: e−τ s y(s) = r(s) Tc s + 1 (7.

Tt=2.14) y (7. .5 0 2 4 6 8 TIEMPO [s] (sec) 10 12 −1 0 5 10 TIEMPO [s] (sec) 15 Fig. T2=6.1 Verificar los controladores sintetizados empleando el m´etodo de Dahlin.2 muestra las respuestas controladas. T3=3. T1=4. s=tf(’s’). Tc=2.2: Control de procesos empleando controladores sintetizados por el m´etodo de Dahlin. Soluci´ on: La Fig.15) en (7.5 0 12 PROCESO CON RPTA INVERSA O SOBRENIVEL 0 2 4 6 8 TIEMPO [s] (sec) 10 12 CONTROL DE UN PROCESO CON TIEMPO MUERTO 1 SALIDA 2 SALIDA 10 1 0. clc.5 1 0 −1 −2 4 6 8 TIEMPO [s] (sec) CONTROL DE UN PROCESO INTEGRATIVO 1 0 2 0.5 0 0 2 4 6 8 TIEMPO [s] (sec) 10 0.16) donde: Kc = T Kp (Tc + τ ) Ti = T Td = τ 2 α= Tc Tc + τ Ejemplo 7. resultadoS que se obtienen ejecutando el programa dahlin1. 7.1). No se ha considerado el caso G p (s) = Kp /s2 por simple comodidad.150 S´ıntesis de Controladores SISO y MIMO Reemplazando (7.5 0 −0. 7. la ley de control toma la forma:   1 Td s + 1 Gc (s) = Kc 1 + Ti s αTd s + 1 (7. close all.m CONTROL DE PROCESOS: ME clear all. T=5.m listado abajo. Kp=2. ´TODO DE DAHLIN % dahlin1.5 0 12 0 CONTROL DE UN PROCESO DE 2do ORDEN SALIDA SALIDA 0 2 4 6 8 TIEMPO [s] (sec) 10 12 0. CONTROL DE UN PROCESO PROPORCIONAL CONTROL DE UN PROCESO DE 1er ORDEN 1 SALIDA SALIDA 1 0.

Tal dise˜ no debe de cumplir los siguientes requerimientos: 1. grid. % Gc6=Kc6*(1+1/(Ti*s))*((Td*s+1)/(alfa*Td*s+1)). title(’CONTROL DE UN PROCESO CON TIEMPO MUERTO’).17)) o en el dominio de Laplace (ecuaci´on (7. Kc5=T1/(Kp*(Tc+T3)).3 muestra el diagrama de bloques del sistema de control MIMO. Gp3=Kp/((T1*s+1)*(T2*s+1)). Para explicar cada uno de tales requerimientos. grid. xlabel(’TIEMPO [s]’). ylabel(’SALIDA’).’k’).den]=pade(Tt. title(’PROCESO CON RPTA INVERSA O SOBRENIVEL’). Gc3=Kc3*(1+1/(Ti*s))*(Td*s+1). ylabel(’SALIDA’). step(DH1. title(’CONTROL DE UN PROCESO PROPORCIONAL’).18) y(s) = Gp Gc (s)e(s) e(s) = r(s) − y(s) (7. step(DH6. [num. title(’CONTROL DE UN PROCESO DE 1er ORDEN’). step(DH5.2 Control MIMO v´ıa Desacoplamiento 151 Gp1=Kp. Ti=T. Kc4=1/(Kp*Tc). Td=T2.3). DH1=feedback(Gc1*Gp1.7.’k’).1). ylabel(’SALIDA’). DH4=feedback(Gc4*Gp4.’k’). print -deps -f dahlin1 7. Control MIMO v´ıa Desacoplamiento El controlador MIMO a dise˜ nar requiere de la representaci´on lineal en el espacio de estado (ecuaci´on (7. step(DH3. La Fig. Gc2=Kc2*(1+1/(Ti*s)). 3.1). DH6=feedback(Gc6*Gp6. Kc6=T/(Kp*(Tc+Tt)). grid. xlabel(’TIEMPO [s]’). Td=T2. subplot(323). DH3=feedback(Gc3*Gp3. Ti=T1.’k’). Ti=T.’k’). subplot(321).1). xlabel(’TIEMPO [s]’). Gp5=Kp*(1-T3*s)/((T1*s+1)*(T2*s+1)). subplot(325). Gp2=Kp/(T*s+1). alfa=Tc/(Tc+Tt). title(’CONTROL DE UN PROCESO INTEGRATIVO’). Exactitud est´atica. DH2=feedback(Gc2*Gp2. step(DH2. grid. ylabel(’SALIDA’). Kc3=T1/(Kp*Tc). Td=Tt/2. Gc4=Kc4*(Td*s+1). Kc1=1/(Kp*Tc). subplot(324).19) . Kc2=T/(Kp*Tc). title(’CONTROL DE UN PROCESO DE 2do ORDEN’).19)) del sistema MIMO. formulemos las ecuaciones de estado y de salida del sistema MIMO: x˙ = Ax + Bu y = Cx + Du (7. 2.1). Gc5=Kc5*(1+1/(Ti*s))*(Td*s+1). de donde se pueden deducir las siguientes relaciones: y(s) = Gp (s)u(s) u(s) = Gc (s)e(s) (7. Gp6=Kp*Gtau/(T*s+1). Ti=T1.’k’). Gp4=Kp/(s*(T*s+1)). Gc1=Kc1/s. grid. xlabel(’TIEMPO [s]’). ylabel(’SALIDA’). ylabel(’SALIDA’). xlabel(’TIEMPO [s]’). subplot(322).17) donde x es el vector de estado de orden n. Td=T.1). 7.1). Estabilidad. u es el vector fuerza de control de orden m e y es el vector de salidas controladas de orden p. DH5=feedback(Gc5*Gp5. grid. No interacci´on.2. Gtau=tf(num. step(DH4.den). xlabel(’TIEMPO [s]’). Gc6=(T*s+1)/(Kp*(Tc*s+1-Gtau)). subplot(326).

7.17) toma la forma: sx = Ax + Bu x(s) = (sI − A)−1 Bu y(s) = Cx(s) + Du(s) Reemplazando la expresi´on de x(s) en la expresi´on de y(s). En (7.3. . Gp (s) = C(sI − A)−1 B + D (7.. .19). Este u ´ltimo requerimiento es f´acil de probar.3: Diagrama de bloques de un sistema de control MIMO. vimos que: G(s) = [I + Go (s)]−1 Go (s) .2. se obtiene la matriz de transferencia Gp (s) del sistema en funci´on de las matrices de su descripci´on de estado A. el reemplazo de y(s) en e(s) produce: y(t) = G(s)r(s) G(s) = (I + Go )−1 Go Go (s) = Gp Gc (s) (7. C y D: y(s) = [C(sI − A)−1 B + D]u(s) 7. esto es: Gij = 0 para i 6= j (7. Gp1 (s) · · · Gpp (s) En el dominio de Laplace y para condiciones iniciales nulas. La matriz G(s) posee la forma:   G11 (s) · · · G1p (s)   .20) donde G(s) y Go son las matrices de transferencia de lazo cerrado y de lazo abierto del sistema. .22) Una condici´on necesaria y suficiente para no interacci´on en un sistema de control MIMO con realimentaci´on unitaria es que la matriz de transferencia a lazo abierto Go (s) sea diagonal. G(s) =   . B. el sistema representado en (7.21) No Interacci´ on Los elementos ubicados fuera de la diagonal principal de G(s) determinan el grado de interacci´on entre las diferentes entradas de referencia ri con respecto a las salidas yi . e(s) es el vector error del sistema y r(s) es el vector de se˜ nales deseadas o set points.152 S´ıntesis de Controladores SISO y MIMO Controlador MIMO e(s) u(s) G c(s) r(s) Proceso MIMO y(s) G p (s) Fig. se requiere que G(s) sea diagonal.1. 7. . donde Gp (s) es la matriz de transferencia del sistema.. Para obtener desacoplamiento completo entre tales entradas y salidas. Gc (s) es la matriz de transferencia del controlador.. De la Fig.

3.. el vector de error: e(t) = r(t) − y(t) se aproxime a cero cuando t se aproxime a infinito.23) resulta en la siguiente matriz diagonal:   G11 (s) 0  1−G11 (s)  G22 (s)     1−G22 (s) Go (s) =   . En el dominio de s.24) Exactitud Est´ atica Nosotros deseamos que para un vector de entrada de referencia constante r(t).26) .  . la relaci´on (7.   . Por consiguiente.7. de (7. cuya transformada de Laplace es teorema del valor final en la ecuaci´on anterior se obtiene: |r| s .2 Control MIMO v´ıa Desacoplamiento 153 Despejamos Go (s): Go (s) = Gp (s)Gc (s) = G(s)[I − G(s)]−1 (7.2. el error resulta: e(s) = r(s) − y(s) = r(s) − G(s)r(s) = [I − G(s)]r(s) = [I − G(s)] donde |r| es la magnitud de r(s). entonces. un vector cuyos elementos sean escalones. es decir. (7.25) s→0 7. I − G(s) tambi´en debe de ser diagonal.2..2. Estabilidad Para el caso de condiciones iniciales nulas.   1 0 1−Gpp (s) Por lo tanto. |r| s Aplicando el l´ım e(t) = l´ım s e(s) = l´ım [I − G(s)] = 0 t→∞ s→0 s→0 Entonces podemos concluir que para exactitud est´atica (error en estado estable nulo) se requiere: l´ım [G(s)] = I (7.   Gpp (s) 0 1−Gpp (s) 7.26) sabemos que: y(s) = [C(sI − A)−1 B + D]u(s) Gp (s) = C(sI − A)−1 B + D La inversa de [sI − A)−1 ] se puede expresar como: [I − A]−1 = Adj (I − A) det(I − A) (7. su matriz inversa [I − G(s)] −1 es tambi´en diagonal y de la forma:   1 0 1−G11 (s)   1   1−G22 (s) −1   [I − G(s)] =  .23) Dado que G(s) tiene que ser diagonal por para no interacci´on.

posee dos entradas y dos salidas.27) es la ecuaci´on caracter´ıstica del sistema y es de gran trascendencia por que sus ra´ıces determinan la estabilidad del mismo como sigue. El sistema (7. entonces el sistema es inestable.8. excepto al menos una que se ubique en el eje imaginario (el eje vertical del plano–s). De acuerdo a (7. que para fines de operaci´on del sistema controlado.2 Control PID MIMO del Sistema Tanque Cerrado Dise˜ nar un controlador PID MIMO basado en la t´ecnica de desacoplamiento para controlar el nivel y la temperatura del sistema tanque cerrado descrito en la subsecci´on 2. Soluci´ on: En la subsecci´on 2.3 (notar que Gp (s) forma parte de este sistem). Si existe al menos una ra´ız en el semiplano derecho del plano–s. 7. el sistema MIMO de la Fig.8.29) se localizan en el semiplano izquierdo del plano–s.26). que como sabemos. entonces el sistema es inestable. Ejemplo 7. Sin embargo. que para fines pr´acticos tambi´en es inestable. 7. Tiempos de estabilizaci´on menores de 400 s para el nivel y 1000 s para la temperatura. Si existe al menos una ra´ız en el semiplano derecho del plano–s.28) La inversa de la matriz [I + Go (s)] se puede expresar como: [I + Go (s)]−1 = Adj [I + Go (s)] det[I + Go (s)] Por consiguiente. entonces el sistema es oscilante. entonces el sistema es oscilante.4. Las especificaciones de dise˜ no son: 0 % de sobrenivel y error en estado estable nulo tanto para el nivel como para la temperatura. det es la operaci´on determinante y la ecuaci´on polin´omica: det(I − A) = 0 (7. la matriz de transferencia del sistema se determina de:   Gp11 (s) Gp12 (s) −1 Gp (s) = C(sI − A) B + D = Gp21 (s) Gp22 (s) . Es importante anotar que el sistema a controlar puede ser inestable.17) es estable si todas las ra´ıces caracter´ısticas de 7. el sistema de control. la ecuaci´on caracter´ıstica del sistema se expresa como: det[I + Go (s)] = 0 (7.3 es estable si todas las ra´ıces caracter´ısticas de (7.29) Entonces. A continuaci´on se deduce la ecuaci´on caracter´ıstica del sistema de control.154 S´ıntesis de Controladores SISO y MIMO donde Adj significa adjunta. Si todas las ra´ıces se localizan en el semiplano izquierdo del plano–s.3 se obtiene: y(s) = [I + Go (s)]−1 Go (s)r(s) Go (s) = Gp (s) Gc (s) (7. debe de tener comportamiento estable. tambi´en es inestable. como es el caso del sistema posici´on angular de un motr CC. 7. De la Fig.27 se localizan en el semiplano izquierdo del plano–s.4 se determin´o el modelo din´amico lineal en el espacio de estado del sistema MIMO tanque. excepto al menos una que se ubique en el eje imaginario (el eje vertical del plano–s). como el mostrado en la Fig. Si todas las ra´ıces se localizan en el semiplano izquierdo del plano–s.

Simulaci´ on del Sistema de Control en el Dominio de s El programa mimopidsimb. En el resultado de la simulaci´on (Fig.32) La forma de la MT (matriz de transferencia) del controlador Gc (s) resulta de la ejecuci´on del programa mimopidsimb. podemos asumir una matriz G(s) de la forma:   1 0 Tniv s+1  G(s) =  (7. tambi´en simula el sistema de control del tanque cerrado. 2.7.4 muestra en detalle la interconexi´on de todos los bloques del sistema de control MIMO del sistema tanque cerrado. se satisface el requerimiento de exactitud est´atica. por lo tanto satisface el requerimiento de no interacci´on.25). La matriz es diagonal. Debido a que los elementos de la diagonal de G(s) son funciones de transferencia de primer orden. Teniendo en cuenta que Go (s) = Gs Gc (s).2 Control MIMO v´ıa Desacoplamiento 155 La forma de la MT (matriz de transferencia) del sistema Gp (s) se obtiene ejecutando el programa mimopidsimb. de acuerdo a (7.m:       1 1 Kc11 1 + Tc11 1 + −K c12 s Tc12 s    GC (s) =  (7. entonces podemos asegurar que se cumple el requerimiento de estabilidad. 3. Dado que G(0) = I. cuyo listado se muestra abajo.5) se observa que el nivel (gr´afico superior izquierda) y la temperatura (gr´afico superior derecha) controlados. Observar que el controlador MIMO se sintetiza con cuatro controladores PI. 7.23): Gc (s) = Gp (s)−1 G(s)[I − G(s)]−1 (7. 7. Adem´as.m.m: Gp (s) =  Gp11 (s) Gp11 (s) Gp21 (s) Gp21 (s)    = Kp11 Tp11 s+1 Kp11 Tp11 s+1 Kp21 (Tpa s+1) (Tpb s+1)(Tpc s+1) Kp21 (Tpa s+1) (Tpb s+1)(Tpc s+1)    (7. cuyas ra´ıces caracter´ısticas se ubican en la parte izquierda del plano s.33)       1 1 −Kc21 1 + Tc21 s Kc12 1 + Tc12 s La Fig.31) 1 0 Ttemp s+1 la cual cumple los requerimientos del caso: 1. cumplen las especificaciones de dise˜ no establecidas en el enunciado del ejemplo. . cada canal responde exponencialmente con una constante de tiempo igual a Tniv para el primer canal (control de nivel) y Ttemp (control de temperatura) para el segundo canal. la matriz de control Gc (s) se obtiene de la ecuaci´on (7.30) Para dise˜ nar la matriz de control Gc (s).

5e-4. df1/du2=df1u2. % VALORES ESTACIONARIOS barh=0. barqC=2.5: Nivel y temperatura del tanque cerrado controlados. clc. etc. g=9.8.156 S´ıntesis de Controladores SISO y MIMO e1 r1 K c11 1+ T p11 s+1 1 K p11 K c21 1+ K c12 1+ e2 K p11 T c11 s K c12 1+ r2 u1 1 T c12 s T p11 y1 s+1 1 K p21 (T pas+1) T c21 s (T pbs+1)(T pcs+1) 1 K p21 (T pas+1) T c12 s u2 y2 (T pbs+1)(T pcs+1) Fig.4. % MODELO LINEAL. beta=d/D. barqD=2. close all. Rh=barh/barqD.2 0 1 To: Out(2) 0. . df1dx1=-a/(2*A*sqrt(barh)).8 0. Cp=4186. barqH=0. Step Response From: In(1) 1 To: Out(1) 0.16e-4.4 Amplitude 0. % PAR´ AMETROS DEL TANQUE C=0. DONDE: df1/dx1=df1dx1. a=C*E*pi*d^2*rhoD*sqrt(2*g)/4. 7.6 TEMPERATURA 0.8 From: In(2) NIVEL 0. % mimopidsimb. thetaH=50+270.6 0.0159.0065. bartheta=35+270.6.15.16e-4. D=0. df1dx2=0.4 0. E=(1-beta^4)^(-1/2). 7. d=0.4: Diagrama de bloques del sistema de control PID MIMO dise˜ nado. rhoH=988. thetaC=20+270.0314.15. rhoD=996. A=0.2 0 0 200 400 600 800 1000 1200 0 Time (sec) 200 400 600 800 1000 1200 Fig.81.m CONTROL PI MULTIVARIABLE DEL TANQUE clear all. rhoC=998.15.

G=[1/(Tniv*s+1) 0.34) resulta: k k Kc11 X Kc12 X u1 (k) = Kc11 e1 (k) + T e1 (i) − Kc12 e2 (k) − T e2 (i) Tc11 Tc12 u2 (k) = Kc21 e1 (k) + Kc21 Tc21 i=0 k X i=0 T e1 (i) − Kc12 e2 (k) − Kc12 Tc12 i=0 k X T e2 (i) i=0 donde k = t/T es el tiempo discreto y T es el tiempo de muestreo o discretizaci´on.0 1]. la discretizaci´on de (7.4 podemos formular las ecuaciones que gobiernan el controlador MIMO PID: 1 1 ) e1 − Kc12 (1 + ) e2 u1 = Kc11 (1 + Tc11 s Tc12 s 1 1 ) e1 + Kc12 (1 + ) e2 (7. Go=Gp*Gc.df2dx1 df2dx2].b21 a11 -s + a22 ] [--------------------------------------------] [ (-b22 + b21) b11 s Tniv (-b22 + b21) s Ttemp] Gc11= Kc11*(1+1/(Ti11*s)). Gc = inv(Gp)*G*inv(I-G).df2du1 df2du2]. pretty(simple(Gc)) Gc = [-a21 b11 .(rhoC*thetaC*barqC+rhoH*thetaH*barqH)/(rhoD*A*barh^2). 7.a22 ] [---------------------------------------------] [ (-b22 + b21) b11 s Tniv (-b22 + b21) s Ttemp] [ ] [a21 b11 + b21 s . Tniv=60.b22 s + b22 a11 s .a21 a22].7. Gc12= -Kc12*(1+1/(Ti21*s)).. AA=[df1dx1 df1dx2. Gp = CC*inv(s*eye(2) -AA)*BB+DD. BB=[df1du1 df1du2. Para el tiempo (k − 1) las expresiones de u1 (k) y u2 (k) toman la forma: u1 (k − 1) = Kc11 e1 (k − 1) + u2 (k − 1) = Kc21 e1 (k − 1) + k−1 k−1 Kc12 X Kc11 X T e1 (i) − Kc12 e2 (k − 1) − T e2 (i) Tc11 Tc12 Kc21 Tc21 i=0 i=0 k−1 X k−1 X i=0 T e1 (i) − Kc12 e2 (k − 1) − Kc12 Tc12 i=0 T e2 (i) . df1du2=1/A.0 1/(Ttemp*s+1)].0 1/(Ttemp*s+1)].I)) print -deps -f mimopid01 syms s a11 a21 a22 b11 b21 b22 Tniv Ttemp. Ttemp=100. BB=[b11 b11. DD = [0 0. CC=[1 0.2 Control MIMO v´ıa Desacoplamiento % % % % % % % % % 157 df2dx1=a*bartheta*barh^(-1. Gp = CC*inv(s*eye(2) -AA)*BB+DD. Gc21= -Kc21*(1+1/(Ti21*s)).. s=tf(’s’). Gc = inv(Gp)*G*inv(I-G).0 0]. Gc22= Kc12*(1+1/(Ti22*s)). I = CC. AA=[a11 0. step(feedback(Go.5)/(2*A) . G=[1/(Tniv*s+1) 0.34) u2 = −Kc21 (1 + Tc21 s Tc12 s donde: e1 = r 1 − y 1 e2 = r 2 − y 2 Empleando aproximaci´on rectangular para los t´erminos integrales 1s . Simulaci´ on del Sistema de Control en el Dominio de t De la Fig. . df2dx2=-a/(A*sqrt(barh)). df2du1=rhoC*thetaC/(rhoD*A*barh).b21 b22]. df2du2=rhoH*thetaH/(rhoD*A*barh). df1du1=1/A. pretty(simple(Gp)).

8. bartheta=35+270. El resultado de la simulaci´on se muestra en la Fig.6. rhoC=998. E=(1-beta^4)^(-1/2).36) donde e1p y e2p son los errores pasados de e1 y e2 respectivamente.35) Para programaci´on en tiempo real prescindimos del argumento k. Observar que el controlador PID MIMO estabiliza simult´aneamente el nivel y la temperatura cumpliendo las especificaciones de dise˜ no del caso. D=0.37) La simulaci´on del sistema se logra ejecutando el programa pidmimotanque.6. la ecuaci´on de estado discreta del sistema toma la forma: x = x + T (A x + B u) (7.15.16e-4.4. close all. A=0.36) y (7. % PAR´ AMETROS C=0. thetaH=50+270.m CONTROL PID MIMO DEL SISTEMA TANQUE CERRADO CON AGUA clear all. La ecuaci´on de estado del sistema se discretiza como: x˙ ∼ = x(k) − x(k − 1) = A x(k) + B u(k) T x(k) = x(k − 1) + T (A x(k) + B u(k)) donde: x=  x(1) x(2)  =  y1 y2  =  h θ  u=  u1 u2  =  qC qD  Para programaci´on en tiempo real. Por consiguiente. beta=d/D.158 S´ıntesis de Controladores SISO y MIMO Teniendo en cuenta que: k X e1 (i) = i=0 k−1 X k X e1 (i) + e1 (k) i=0 e2 (i) = i=0 k−1 X e2 (i) + e2 (k) i=0 entonces: Kc11 T e1 (k) Tc11 Kc12 T e2 (k) −Kc12 [e2 (k) − e2 (k − 1)] − Tc12 Kc21 u2 (k) − u2 (k − 1) = Kc21 [e1 (k) − e1 (k − 1)] + T e1 (k) Tc21 Kc12 T e2 (k) −Kc12 [e2 (k) − e2 (k − 1)] − Tc12 u1 (k) − u1 (k − 1) = Kc11 [e1 (k) − e1 (k − 1)] + (7. clc.0065. Cp=4186. las ecuaciones anteriores toman la forma: Kc11 T e1 − Kc12 (e2 − e2p ) − Tc11 Kc21 T e1 − Kc12 (e2 − e2p ) − = u2 + Kc21 (e1 − e1p ) + Tc21 u1 = u1 + Kc11 (e1 − e1p ) + u2 Kc12 T e2 Tc12 Kc12 T e2 Tc12 (7. 7.81. el cual toma en cuenta las ecuaciones discretas (7. thetaC=20+270. g=9.15. rhoD=996.0159.37).0314. barqH=0.m.15. % pidmimotanque. a=C*E*pi*d^2*rhoD*sqrt(2*g)/4. . barqC=2.5e-4. rhoH=988. d=0. % VALORES ESTACIONARIOS barh=0.

Ttemp=100. % NIVEL + TEMPERATURA T = 0. b21=rhoC*thetaC/(rhoD*A*barh). Kc21=b21/((b22-b21)*b11*Tniv). x = [0.0 1]. Ti12=-1/a22.01 0. R2(k) = r2.a21 a22].b21 b22].15. DONDE: df1/dx1=a11.. % PERIODO DE MUESTREO Y N´ UMERO DE MUESTRAS M for k = 1:M % INICIO DEL LAZO DE CONTROL if(k >= 0 && k <= M/4). end R1(k) = r1.005 −0. % SE ~ NALES DE REFERENCIA elseif(k >= M/4 && k <= M/2).01 Fig.5 0 500 1000 1500 2000 TIEMPO [s] 0 500 1000 1500 2000 TIEMPO [s] 0 500 1000 1500 2000 TIEMPO [s] 0 500 1000 1500 2000 TIEMPO [s] 2500 3000 3500 4000 2500 3000 3500 4000 2500 3000 3500 4000 2500 3000 3500 4000 0. elseif(k >= M/3 && k <= 3*M/4). Kc22=Kc12. r2=20+273. Ti21=b21/(a21*b11-b21*a11). r2=40+273. elseif(k >= 3*M/4 && k <= M). u1=0.20+270.15. r1 = 0.5)/(2*A) . (rhoC*thetaC*barqC+rhoH*thetaH*barqH)/(rhoD*A*barh^2).2. M = 20000. df1/dx2=a12.16e-4.4. r2=70+273. a21=a*bartheta*barh^(-1. AA=[a11 0.7. r1 = 0. Kc12=1/((b22-b21)*Ttemp). e2p=0.2 Control MIMO v´ıa Desacoplamiento 159 NIVEL [m] 1 0. BB=[b11 b11. CC=[1 0.. DD = [0 0. b11=1/A. barqD=2.6: Resultado de la simulaci´on del sistema de control PID MIMO del tanque: nivel y temperatura controladas. .15]. Tniv=60. a11=-a/(2*A*sqrt(barh)). b12=1/A. % CONDICIONES INICIALES e1p=0.0 0].. % PAR´ AMETROS DEL CONTROLADOR: SE SETERMINAN DE Gc EN mimopidsimb. Ti22=Ti12.m Kc11=b22/((b22-b21)*b11*Tniv). Rh=barh/barqD. r1 = 0. r1 = 0.15.005 TEMPERATURA [ºC] 0 60 40 20 3 AGUA CALIENTE [m /s] 3 AGUA FRÍA [m /s] 0 0 −0. u2=0. b22=rhoH*thetaH/(rhoD*A*barh).4. a12=0. r2=20+273. etc.3.5. a22=-a/(A*sqrt(barh)). % MODELO LINEAL.2. Ti11=b22/(a21*b11-b22*a11).15. 7.

. Soluci´ on: Seleccionemos como variables de estado x1 = y1 . x3 = y˙1 y x4 = y˙2 . xlabel(’TIEMPO [s]’) subplot(4.Kc12*(e2-e2p) .4).Y2).3). cuyo listado se muestra abajo. e2 = r2 .Y1).u2].m.ejet.x(1).2). xlabel(’TIEMPO [s]’). Las especificaciones de dise˜ no son: 0 % de sobrenivel.x(2). .Kc21*(e1-e1p) . x2 = y2 .. e1p = e1. grid. ylabel(’NIVEL [m]’).1. u = [u1.Kc21*T*e1/Ti21 . plot(ejet.Kc12*T*e2/Ti12.160 S´ıntesis de Controladores SISO y MIMO % CALCULO DEl VECTOR DE CONTROL u(t) e1 = r1 .R2.7) se observa que las salidas controladas y1 (gr´afico superior izquierda) e y2 (gr´afico superior derecha) controlados.1. plot(ejet. ylabel(’AGUA CALIENTE [m^3/s]’). e2p = e2. plot(ejet. como variables de salida y1 = x1 e y2 = x2 y como variables de entrada u1 y u2 .R1.U1). print -f -deps pidmimotanque Ejemplo 7.1. end % GR´ AFICOS ejet = linspace(0.U2).M*T. esto es:   x1      x2  y1 u1  x= y = u =  x3  y2 u2 x4 Se puede demostrar (problema 2..3 Control MIMO del Sistema de Plataformas Dise˜ nar un controlador MIMO basado en la t´ecnica de desacoplamiento para controlar las salidas y1 e y2 del sistema de plataformas propuesto en el problema 2. subplot(4.. error en estado estable nulo y tiempo de estabilizaci´on menor de 20 s para ambas salidas. 2. grid. 7. Y2(k) = x(2). u2 = u2 . grid ylabel(’TEMPERATURA [K]’). U1(k) = u1..ejet. En el resultado de la simulaci´on (Fig.1.26.M). grid. simula el sistema de control pedido. Y1(k) = x(1). Valorar todos los par´ametros de la planta en 1. cumplen las especificaciones de dise˜ no requeridas. plot(ejet. % MODELO LINEAL (DISCRETIZACION DIRECTA) x = x + T*(AA*x + BB*u). + Kc22*(e2-e2p) + Kc22*T*e2/Ti22. xlabel(’TIEMPO [s]’) subplot(4.1). u1 = u1 + Kc11*(e1-e1p) + Kc11*T*e1/Ti11 .6) que las ecuaciones de estado y de salida son: x˙ = Ax + Bu  0 0   A =  − K1  m1  K1 m2 0  0 B=  m1 1 0 y = Cx 0 0 1 0 0 1 K1 m1 2) − (K1m+K 2 B1 −m 1 B1 −m 2 B1 m1 2) − (B1m+B 2  0 0   0  1 m2 C=  1 0 0 0 0 1 0 0       El programa mimopid02. U2(k) = u2.6 y mostrado en la Fig. xlabel(’TIEMPO [s]’) subplot(4. ylabel(’AGUA FR ´ IA [m^3/s]’).

es decir.0 1/m2].0 0.0 0 0 1. II = eye(4).6 0. prevenir cambios en la salida del segundo controlador Gc2 que puedan afectar la variable controlada del primer lazo. resolvi´o el problema de interacci´on existente entre las variables de entrada y de salida.1/m1 0. Control MIMO con Desacopladores En la secci´on anterior..38) El objetivo del bloque desacoplador D1 (s) es compensar el efecto de u2 en la salida y1 . m2=1.8. esto es.6 0.4 Amplitude 0. Go=Gp*Gc. la selecci´on a priori de una matriz de transferencia diagonal que represente la din´amica del sistema realimentado.m CONTROL MULTIVARIABLE DEL SISTEMA DE PLATAFORMAS clear all. En esta secci´on tambi´en se va a usar desacoplamiento en el dise˜ no de un controlador MIMO. m1=1. I=eye(2). B2=1.8 y1 0. K2=1.) % mimopid02. 7. tal como se observa en la Fig.0 0]. Tniv=4.7.3 Control MIMO con Desacopladores 161 Step Response From: In(1) 1 From: In(2) To: Out(1) 0. % PAR´ AMETROS % ECUACI´ ON DE ESTADO Y DE SALIDA AA=[0 0 1 0.8 y2 0. Ttemp=4. G=[1/(Tniv*s+1) 0.0 1 0 0].-K1/m1 K1/m1 -B1/m1 B1/m1.3. close all. DD = [0 0. de la cual se obtienen las siguientes relaciones: y1 (s) = Gp11 (s)[u1 (s) + D1 (s)u2 (s)] + Gp12 (s)[u2 (s) + D2 (s)u1 (s)] y2 (s) = Gp22 (s)[u2 (s) + D2 (s)u1 (s)] + Gp21 (s)[u1 (s) + D1 (s)u2 (s)] (7.7: Salidas y1 e y2 controlados (Ejemplo 7. clc. Para cumplir con este requerimiento. .0 1/(Ttemp*s+1)]. s=tf(’s’). Para este caso.3.K1/m2 -(K1+K2)/m2 -B1/m2. logr´o desacoplar al sistema. los desacopladores van a formar parte de la configuraci´on del sistema. step(feedback(Go.I)) print -deps -f mimopid02 7.2 0 0 20 40 60 0 Time (sec) 20 40 60 Fig. BB=[0 0.2 0 1 To: Out(2) 0. Gc = inv(Gp)*G*inv(I-G). -(B1+B2)/m2].. B1=1. CC=[1 0 0 0. 7. K1=1. Gp = CC*inv(s*II -AA)*BB+DD.4 0.

44) donde Gp es la matriz de la planta o sistema. para que el bloque desacoplador D2 (s) compense el efecto de u1 en la salida y2 .43) (7. Cabe anotar que tanto Gc1 (s) como Gc2 (s) son controladores PID. de la segunda ecuaci´on de (7.38) se tiene:   ∆y2 (s) = D2 (s)Gp22 (s) + Gp21 (s) = 0 (7.39) En forma similar.41) Las ecuaciones que gobiernan la din´amica del sistema mostrado en la Fig.40) ∆u1 (s) ∆u2 =0 Por consiguiente.38) se puede expresar como:   ∆y1 (s) = D1 (s)Gp11 (s) + Gp12 (s) = 0 ∆u2 (s) ∆u1 =0 (7. 7. cuyos par´ametros Kc . D es la matriz de desacoplamiento.42) (7. . Gc es el controlador PID MIMO y Go es la MT a lazo abierto del sistema.162 S´ıntesis de Controladores SISO y MIMO la primera ecuaci´on de (7.8: Sistema de control MIMO con desacopladores D1 y D2 .8 son: e1 r1 r2 e2 u G c1(s) G c2 (s) m1 1 Gp11(s) D 1 (s) G p12(s) D 2 (s) G p21(s) y1 y2 m2 G p22(s) u2 Fig. y1 = Gp11 m1 + Gp12 m2 m 1 = u 1 + D 1 u2 u1 = Gc1 e1 y2 = Gp21 m1 + Gp22 m2 m 2 = D 2 u1 + u 2 u2 = Gc2 e2 Por consiguiente:   y1 y= y2 m=  m1 m2  u=  u1 u2  e=  e1 e2  y(s) = Gp (s)m(s) m(s) = D(s)u(s) u(s) = Gc (s)e(s)       Gc1 0 1 D1 Gp11 Gp12 Gc = D= Gp = D2 1 0 Gc2 Gp21 Gp22 y = Go e Go = Gp DGc (7. Ti y Td tienen que ser sintonizados para cada aplicaci´on. los bloques desacopladores se calculan de: D1 (s) = − Gp12 (s) Gp11 (s) D2 (s) = − Gp21 (s) Gp22 (s) (7. 7.

6 0. BB=[0 0.8 From: In(2) y1(t) 0.D2 1].9) se observa que las salidas controladas y 1 (gr´afico superior izquierda) e y2 (gr´afico superior derecha) controlados.3.6 y mostrado en la Fig.K1/m2 -(K1+K2)/m2 -B1/m2. -(B1+B2)/m2]. Ti1=1.4 0. error en estado estable nulo y tiempo de estabilizaci´on menor de 20 s para ambas salidas. CC=[1 0 0 0.3 Control MIMO con Desacopladores 163 Ejemplo 7. 2.0 1/m2]. Step Response From: In(1) 1 To: Out(1) 0. m1=1.4 Control del Sistema de Plataformas usando Desacopladores Dise˜ nar un controlador MIMO con desacopladores para controlar las salidas y 1 e y2 del sistema de plataformas propuesto en el problema 2.2 0 0 20 40 60 0 Time (sec) 20 40 60 Fig. % PAR´ AMETROS % ECUACI´ ON DE ESTADO Y DE SALIDA AA=[0 0 1 0. D=[1 D1.26.) % mimopid03. 7.2)/Gp(1.0 Gc2]..0 1 0 0].1). II = eye(4).25.9: Salidas y1 e y2 controlados (Ejemplo 7. I = eye(2).2). Td2=0. D2=-Gp(2. Gc2=Kc2*(1+1/(Ti2*s)+Td2*s). D1=-Gp(1. B2=1. K1=1. s=tf(’s’). B1=1. DD = [0 0. close all. K2=1. Soluci´ on: El programa mimopid03. Gp=CC*inv(s*II -AA)*BB+DD. Kc1=0.0 0]. clc. cumplen las especificaciones de dise˜ no requeridas.6 0. cuyo listado se muestra abajo.m.0 0.8 0. Gc1=Kc1*(1+1/(Ti1*s)+Td1*s).0 0 0 1.I)) print -deps -f mimopid03 .1)/Gp(2. emplea el modelo del sistema de plataformas del Ejemplo 7. 7.-K1/m1 K1/m1 -B1/m1 B1/m1. m2=1. Kc2=1.3 y simula el sistema de control pedido. Las especificaciones de dise˜ no son: 0 % de sobrenivel. En el resultado de la simulaci´on (Fig.m CONTROL PID MIMO CON DESACOPLADORES DEL SISTEMA PLATAFORMAS clear all.4 Amplitude 0. Gc=[Gc1 0. Go=Gp*D*Gc. Valorar todos los par´ametros de la planta en 1.7.. step(feedback(Go. Ti2=1.1/m1 0.2 0 1 y2(t) To: Out(2) 0. Td1=0.

el n´ umero de entradas m generadas por el controlador MIMO correspondiente. . el n´ umero m de entradas ui es igual al n´ umero de salidas yi . .2). Empleando el criterio de Hurwitz (subsecci´on 7. Procedimiento de Dise˜ no El procedimiento para dise˜ nar un sistema de control MIMO empleando el criterio de Hurwitz es como sigue: 1.10(a) o (b) sea estable. 7.1.10(a) representa el diagrama de bloques de un sistema de control MIMO. Formular la matriz T(s) = I + Gp Gc (s) (ver Fig. (b) Sistema equivalente.4. La Fig.. 7.4. . donde:   Gp11 (s) · · · Gp1n (s)   . En el caso que Gp (s) fuera rectangular. .45) es conocida como la matriz retorno de la diferencia. se pueden determinar los rangos de los par´ametros de cada controlador Gcii de Gc para comportamiento estable del sistema.4. 7. 7.1. los ceros del determinante de T(s) deben de poseer parte real negativa. En una matriz cuadrada.4. . . Para que el sistema de la Fig.164 S´ıntesis de Controladores SISO y MIMO 7.10(a): r(s) e(s) Controlador P MIMO K u(s) Sistema G p (s) y(s) r(s) −1 (I+KG p (s)) KG p (s) y(s) (b) (a) Fig.10(b)). 7. Gcnn ] Gp (s) =   .. en la cual: T(s) = I + Gp Gc (s) (7. A continuaci´on se detalla el procedimiento de dise˜ no. . Control MIMO empleando el Criterio de Hurwitz La Fig. con la finalidad de poder aplicar el procedimiento de dise˜ no de la subsecci´on 7. Gpn1 (s) · · · Gpnn (s) 2.. 7. . S´olo en esta situaci´on es posible crear salidas ficticias a fin de hacer cuadrada a la matriz Gp (s). y(s) = Gp (s)u(s) u(s) = Gc e(s) y(s) = [I + Gp Gc (s)] −1 Gp Gc (s) donde I es la matriz identidad. siempre debe de ser mayor que el n´ umero p de salidas. Gc (s) = diag[Gc11 . tambi´en de orden n. Las relaciones siguientes se desprenden de la Fig. donde el sistema a controlar Gp (s) es una MT (matriz de transferencia) cuadrada de orden n y Gc (s) es una matriz diagonal de controladores Gcii .10(b) muestra la MT del sistema. 7.10: (a) Sistema de control MIMO con controlador MIMO Gc . Determinar la ecuaci´on caracter´ıstica del sistema a lazo cerrado a partir de: D(s) = det[T(s)] = sn + a1 sn−1 + · · · + an−1 s + an = 0 .

. 7. .10(a). deben de ser positivos. . . donde:     a1 a3 a5 a1 a3 Hn = detH H3 = det  1 a2 a4  H1 = a 1 H2 = det 1 a2 0 a 1 a3 Ejemplo 7.m. . . . 0 0 a5 a4 a3 a2 . H2 . que es equivalente al conocido criterio de Routh–Hurwitz. . . H2 > 0. .. todos los menores principales diagonales de H: H1 .. . H3 > 0 y H4 > 0 establecidas en el criterio de Hurwitz. 4.. . H3 . .. el cual sigue el procedimiento de dise˜ no arriba establecido. an−2 an          Este criterio de estabilidad establece que para que los ceros de D(s) posean parte real negativa (requisito indispensable para comportamiento estable del sistema). 7.4. 0 . 7. error en estado estable nulo y porcentaje de sobrenivel tambi´en nulo. Simular el sistema controlado empleando las ganancias determinadas por el criterio de Hurwitz.. ... Soluci´ on: Ejecutar el programa pmimo1. .5.. 0 0 0 0 . La Fig. Hn . .. se satisfacen simult´aneamente las condiciones H1 > 0...s05 s(s+6)(s+30) K= −200 0 K2 s s(s+6)(s+30) las especificaciones de dise˜ no para los dos canales (salidas) son: tiempo de estabilizaci´on menor de 2 s. .7.2. El Criterio de Hurwitz El criterio de Hurwitz.4 Control MIMO empleando el Criterio de Hurwitz 165 3.4. se basa en la construcci´on de la matriz Hurwitz a partir de la ecuaci´on caracter´ıstica D(s) del sistema realimentado: D(s) = sn + a1 sn−1 + a2 sn−2 + a3 sn−3 + · · · + an−1 s + an      H=    a1 a3 1 a2 0 a1 0 1 . Es necesario anotar que con estos valores de las ganancias. .5 Control MIMO de un Proceso Empleando el procedimiento de dise˜ no de la subsecci´on 7. hasta que las salidas yi controladas cumplen las especificaciones de dise˜ no previamente establecidas... 0 0 0 0 .1 dise˜ nar un controlador P MIMO para un sistema con: # "   −280 3 K1 0 Gp (s) = 0.11 muestra que las salidas controladas del sistema cumplen las especificaciones de dise˜ no para las ganancias K1 = 2 y K2 = –1. . Emplear el criterio de Hurwitz (ver siguiente subsecci´on) para determinar los rangos de los elementos de la matriz de ganancia K que garanticen un comportamiento estable del sistema de la Fig. .

1 a2 a4. clc.5 0 0 1 2 3 0 Time (sec) 1 2 3 Fig. K=[K1 0.1 Sistema Tanque Cerrado Basado en las t´ecnicas descritas en las secciones 7.) % pmimo1.0 a1 a3 0. 7. % H1 > 0 => K1 > -12. K=[K1 0. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible.2 Sistema de Plataformas . TOMEMOS: K1=2. % pretty(D) % D=s^4+a1*s^3+a2*s^2+a3*s+a4 a1=36+3*K1.5. K2=-1.3 y 7. H4=det(H).1 a2 a4 0. print -deps -f pmimo1 7.6 0.5.5 1 y2(t) 0.0 K2]. H2=det([a1 a3.8 From: In(2) y1(t) 0. H2 > 0 CON K = -12 => K2 <3 2.m CONTROL P MIMO USANDO LA MATRIZ DE RETORNO DE LA DIFERENCIA clear all.1 a2]). I = eye(2).11: Salidas y1 e y2 controlados (Ejemplo 7. a4=-586*K1*K2. Gp=[3/s -280/(s*(s+6)*(s+30)). -32 <= K2 <= 0. step(G).4 Amplitude 0. H1=a1. D=det(I+Gp*K).0 1 a2 a4]. H3=det([a1 a3 0.0 K2].5.05/s -200/(s*(s+6)*(s+30))]. a3=-200*K2+540*K1. Gp=[3/s -280/(s*(s+6)*(s+30)). G=feedback(Gp*K.4. H=[a1 a3 0 0.4 % PARA TENER K1 Y K2 EN EL SEMIPLANO IZQUIERDO DE K1 VS K2 SELECCIONAMOS: % 0 <= K1 <= 12. Las especificaciones de dise˜ no tanto para el nivel como para la temperatura son: 0 % de sobrenivel.I).0 a1 a3]). syms s K1 K2. a2=180+108*K1. Problemas Problema 7.166 S´ıntesis de Controladores SISO y MIMO Step Response From: In(1) 1 To: Out(1) 0. s=tf(’s’).0.0. close all.05/s -200/(s*(s+6)*(s+30))]. Problema 7.2 0 To: Out(2) 1. dise˜ nar los controladores MIMO para controlar el nivel y la temperatura del sistema tanque cerrado descrito en la subsecci´on ??.

7. 7. dise˜ nar los controladores PID MIMO para el manipulador polar horizontal mostrado en la La Fig.4.4. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. dise˜ nar los controladores PID MIMO para el manipulador rob´otico esf´erico de 3GDL mostrado en la Fig. dise˜ nar un controlador P MIMO para el sistema de plataformas mostrado en la Fig. Problema 7.2. Problema 7.4 Manipulador Polar Horizontal Basado en las t´ecnicas descritas en las secciones 7.2. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel.7. ?? y descrito en el problema ??.4.26 y descrito en el problema 2. Problema 7. ?? y descrito en el problema ??.2 y 7. ?? y descrito en el problema ??.2 y 7.8 Manipulador Rob´ otico Traslacional (MRT) . ?? y descrito en el problema ??.2.6. 2. Las especificaciones de dise˜ no de las corrientes iq e id controladas son: 0 % de sobrenivel. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible. Problema 7. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible.4. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible.2.5 Problemas 167 Basado en la t´ecnica descrita en la secci´on 7. dise˜ nar los controladores PID MIMO para el motor s´ıncrono de im´an permanente descrito en el problema ??.4.7 Motor S´ıncrono de Im´ an Permanente Basado en las t´ecnicas descritas en las secciones 7. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel.2 y 7.5 Manipulador Rob´ otico Traslacional–Esf´ erico (MRTE) Basado en las t´ecnicas descritas en las secciones 7. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel.4.3 Manipulador Polar Vertical Basado en las t´ecnicas descritas en las secciones 7. Problema 7.6 Manipulador Rob´ otico Esf´ erico (MRE3) Basado en las t´ecnicas descritas en las secciones 7.2. Problema 7. 7. dise˜ nar los controladores PID MIMO para el manipulador rob´otico traslacional–esf´erico mostrado en la Fig. dise˜ nar los controladores PID MIMO para el manipulador polar vertical mostrado en la La Fig. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible.2 y 7. 7.2 y 7. 7.

2 y 7. dise˜ nar los controladores PID MIMO para el manipulador rob´otico traslacional mostrado en la Fig. 7. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. Las especificaciones de dise˜ no de las salidas controladas son: 0 % de sobrenivel. ?? y descrito en la secci´on ??. dise˜ nar los controladores PID MIMO para el manipulador rob´otico esf´erico mostrado en la Fig. ?? y descrito en la secci´on ??.4.2.9 Manipulador Rob´ otico Esf´ erico (MRE) Basado en las t´ecnicas descritas en las secciones 7.4. .2.168 S´ıntesis de Controladores SISO y MIMO Basado en las t´ecnicas descritas en las secciones 7. 7.2 y 7. Problema 7. error en estado estable nulo y tiempos de estabilizaci´on lo m´as rapido posible.

Es importante resaltar que el control predictivo es de naturaleza abierta y cuenta con muchas contribuciones.Cap´ıtulo 8 Control Predictivo En este cap´ıtulo se desarrolla un procedimiento para dise˜ nar sistemas de control predictivo SISO basado en modelos. Para validar el procedimiento de dise˜ no propuesto. empleando leyes del Control Matricial Din´amica. Control Predictivo Basado en Modelos El control predictivo basado en modelos es una metodolog´ıa de control que usa el modelo del proceso para calcular y optimizar las predicciones de las acciones de control y de la salida controlada. Para validar el procedimiento de dise˜ no propuesto. 8. Esta metodolog´ıa se ha desarrollado alrededor de ciertos principios. El algoritmo de control predictivo empleado es el denominado Control Matricial Din´amico (DMC: Dynamic Matrix Control). De la gama de algoritmos de control predictivo existentes. valga la redundancia.1. dos de los cuales son: Empleo de un modelo del proceso para pronosticar su salida a controlar en instantes de tiempo futuro. Muchas aplicaciones del control predictivo son usadas hoy en todos los campos de la actividad industrial. posiblemente incluyendo restricciones en las variables manipuladas controladas. en el modelo usado para representar el proceso con sus perturbaciones. y en las funciones de costo a ser minimizadas (con o sin restricciones). se presentan varios ejemplos de dise˜ no. tanto en lo acad´emico como tambi´en en el mundo industrial. El buen rendimiento de tales aplicaciones es muy apreciada. . en sus versiones escalar y matricial. sigue existtiendo un creciente inter´es en esta metodolog´ıa. Los diferentes miembros de la familia del control predictivo basado en modelos difieren principalmente. C´alculo de una acci´on de control o´ptima basada en la minimizaci´on de funciones de costo. se presentan varios ejemplos de dise˜ no. por ello. nos ocupamos en particular del denominado Control Matricial Din´amico.

N2 − 1.1. . k = 1. r(t). denota la trayectoria de referencia. mientras que se dejan de lado los dem´as elementos de dicho vector. k = 0. es la llave del ´exito en las aplicaciones. ). . . pero tambi´en del escenario del control futuro. N2 − 1. es la salida del proceso y constituye la la variable controlada. y(t − 1). denota la entrada al proceso y constituye la variable manipulada o se˜ nal de control. . .2. y(t + k/t). . u(t − 2). . Al proceso real s´olo se le aplica el primer elemento del vector de control o´ptimo calculado u(t + k/t). . Control Predictivo Principios del Control Predictivo El control predictivo pronostica la salida de la planta en un escenario de tiempo de duraci´on N2 (el horizonte de tiempo N2 ). u(t + k/t). . de las acciones de control que se intentan aplicar a partir del tiempo t. Los valores pronosticados se denotan como y(t + k/t) y a N2 se le denomina el horizonte de predicci´on. . denota los valores futuros de la entrada en el tiempo t + k postulados en el tiempo t. .} Con relaci´on a la figura 8. . . dado t. . todas las secuencias temporales se desplazan para dar cabida a las nuevas mediciones de la salida y(t + 1) y a las del vector de control u(t + k + 1/t + 1). el principio del control predictivo se caracteriza por la siguiente estrategia: En cada tiempo t. . N2 .170 8. pero tambi´en del escenario del control futuro u(t + k/t). . . Tal predicci´on depende de las salidas y entradas pasadas. se calcula para minimizar una funci´on de costo espec´ıfica que depende del error del control predictivo r(t + k/t) − y(t + k/t). . . el cual se asume que est´a disponible. N2 . . La obtenci´on del modelo que refleje lo m´as fielmente posible la evoluci´on din´amica de la planta. u(t − 1). denota los valores futuros de la salida basado en las mediciones disponibles en el tiempo t: {y(t). La predicci´on se realiza mediante el modelo del proceso. w(t). N2 . representa la trayectoria deseada (“set point”). El vector de control u(t + k/t). . El pron´ostico en cuesti´on depende de las entradas y salidas pasadas. . . . N2 − 1. . . En el pr´oximo instante de muestreo. La notaci´on usada para derivar los principios del control predictivo es la siguiente: t. 2. k = 0. k = 0. Una trayectoria de referencia r(t + k/t). es decir. u(t). 1. u(t + 1/t). . . . o simplemente. que se inicia en r(t/t) = y(t) y se define sobre el horizonte de predicci´on. . .} y en los valores futuros de la entrada postulados en el tiempo t: {u(t/t). . . k = 1. y(t). cuyo primer . Esta trayectoria describe la forma de guiar la salida del proceso desde su valor actual y(t) hasta la trayectoria deseada w(t). . la salida del proceso y(t + k) se pronostica sobre un horizonte k = 1 . representa el tiempo discreto (t = 0. .

3 El Modelo del Proceso 171 w(t+k/t) y(t+k/t) r(t+k/t) Error Horizonte de optimización k+N1 k k+N2 k=t/ t (a) Actual u(t+k/t) Predictivo Pasado Horizonte de control k k+Nu −1 k=t/ t (b) Fig.3. la estrategia del control predictivo comprende: el proceso de predicci´on a trav´es de un modelo del proceso. 8. probablemente no lineal. la definici´on de la funci´on de costo (y sus restricciones) y el c´alculo del escenario de control o´ptimo. 8. la especificaci´on de una trayectoria de referencia.1) .2. Por consiguiente. puede modelarse como: y(t) = x(t) + n(t) (8. Tal estrategia puede ser visualizada en el diagrama de bloques mostrado en la Fig. Entradas y salidas pasadas + Trayectoria de Salidas referencia predecidas MODELO Entradas futuras - OPTIMIZADOR Funcion ’ de costo restricciones Fig. (b) Se˜ nal de control predictivo u(t). previamente calculado.8. Este principio se denomina estrategia del “horizonte retroactivo”. de referencia (r(t)) y de salida predictiva (y(t + k/t)). 8.2: Estrategia del Control Predictivo Basado en Modelos 8. (a) Se˜ nales: deseada (w(t)). El Modelo del Proceso El proceso SISO. la estructuraci´on de la futura ley de control. elemento es generalmente diferente al primer elemento del vector u(t + k/t).1: Estrategia del control predictivo.

8. donde tambi´en se ilustran las caracter´ısticas autocorrelaci´on R(τ ). sea z.3: Modelo del proceso bajo perturbaciones. encontraremos que tales valores no guardan correlaci´on estad´ıstica alguna entre ellas. Una forma de modelar al disturbio consiste en introducir un ruido blanco e(t) a un filtro. I es la matriz identidad y σ 2 es conocida como la varianza. La salida del filtro. es decir. Tal como se mencionaba anteriormente. para un rango de frecuencias con intervalo < +∞. es f´acil obtener ruido coloreado. que no cumpla las dos caracter´ısticas estad´ısticas del ruido blanco. tal como se muestra en la Fig. A la salida del filtro tendremos ruido coloreado.4 o gaussiana (la famosa campana).4. Los conceptos de ruido blanco y ruido coloreado se detallan a continuaci´on.2) . si tenemos una fuente generadora de ruido blanco. etc. resultando la varianza σ 2 . Si analizamos las se˜ nales de un ruido blanco en dos bases de tiempo diferentes. un espectro de frecuencias de magnitud constante e igual a σ 2 . puede ser modelado mediante un filtro coloreado de la forma: n(t) C(z −1 ) = e(t) D(z −1 ) (8. que es de car´acter estoc´astico. Matem´aticamente. es decir. Sea e un vector de ruido blanco. otras entradas no medibles. Basta pasar el ruido blanco por un filtro. La densidad espectral de potencia S(ω) del ruido blanco se halla tomando la transformada de Fourier de σ 2 I. donde y(t) es la salida medible del proceso. Esta se˜ nal representa el efecto conjunto de todos los disturbios sobre el proceso. densidad espectral de potencia S(ω) y distribuci´on f (n) del ruido coloreado. tales valores no est´an correlacionados. 8. El Disturbio n(t) La se˜ nal de disturbio n(t) incluye todos los efectos no deseados en la salida y(t). El ruido blanco e(t) es una se˜ nal aleatoria cuyos valores poseen una media o valor esperado nulo y una determinada distribuci´on estad´ıstica f (e). ruido de medici´on. u(t) es la entrada al proceso (la se˜ nal de control). la se˜ nal de disturbio n(t) de inter´es. La media y la autocorrelaci´on R(τ ) de e se expresan como: E[e] = 0 R(τ ) = E[eeT ] = σ 2 I donde τ es una base de tiempos arbitraria.172 Control Predictivo tal como se ilustra en la Fig. Cualquier ruido. errores de modelado. se denomina ruido coloreado.3. tal como se muestra en la Fig. tambi´en es un ruido pero coloreado. x(t) es la salida del modelo y n(t) es el disturbio en el proceso. el disturbio n(t). −∞ >. n u MODELO x y Fig. Esta distribuci´on puede ser uniforme.] es el operador estad´ıstico esperanza. incertidumbres. E[. caracterizado por poseer un espectro de frecuencias no uniforme. 8. 8.

8.3 El Modelo del Proceso

173

R(τ )

R(τ )
Autocorrelación

σ2

τ

0
f(e)
...

...

0

e

e

Ruido
blanco
uniforme

S(ω)

τ

0
f(n)

n

Filtro

Ruido
coloreado

0

e

S(ω)

...

...
ω

0

Densudad
espectral
de potencia
0

ω

Fig. 8.4: Ruido blanco y ruido coloreado, con sus caracter´ısticas estad´ısticas.
donde z −1 es el operador de desplazamiento, e(t) es un ruido blanco no correlacionado
con media cero, y los polinomios son de la forma:
C(z −1 ) = 1 + c1 z −1 + · · · + cnc z −nc

D(z

−1

) = 1 + d1 z

−1

+ · · · + d nd z

−nd

(8.3)
(8.4)

El filtro de disturbio debe dise˜
narse: para eliminar disturbios en el estado estable
(cuando z = 1), como filtro selectivo (para eliminar una determinada frecuencia)
y para incrementar la robustez del sistema en la presencia de errores de medici´on.
Estructuras t´ıpicas de los polinomios del filtro pueden ser:
C(z −1 ) = 1 + cz −1 ;

D(z −1 ) = (1 + dz −1 )(1 − z −1 )

Los conceptos de ruido blanco y filtro coloreado se explican en el ejemplo ??. De la
ecuaci´on (8.2) podemos despejar:
C(z −1 )n(t) = D(z −1 )e(t)
El operador de desplazamiento z −1 est´a relacionado con el tiempo discreto t como
sigue:
[1 + c1 z −1 + · · · + cnc z −nc ]n(t) = n(t) + c1 n(t − 1) + · · · + cnc n(t − nc )

(8.5)

[1 + d1 z −1 + · · · + dnd z −nd ]e(t) = e(t) + d1 e(t − 1) + · · · + dnd e(t − nd )

(8.6)

La Salida x(t) del Modelo
La se˜
nal x(t) representa el efecto del proceso en la salida y(t) debido a la entrada
u(t). De nuevo, x(t) no es una se˜
nal medible. En general, la relaci´on entre u(t) y x(t)
puede representarse mediante un modelo din´amico gen´erico de la forma:
x(t) = f (x(t − 1), x(t − 2), . . . , u(t − 1), u(t − 2), . . .)

(8.7)

174

Control Predictivo

donde f (.) es una funci´on que puede estructurarse de diversas formas. Es decir,
f (.) puede ser una ecuaci´on de diferencias, una red neuronal o una caja negra con
par´ametros a ser estimados. Notar en (8.7) que cuando no se considera n(t), entonces:
x(t) = y(t), x(t − 1) = y(t − 1), y as´ı sucesivamente.
El Modelo CARIMA
El modelo CARIMA, del ingl´es Controlled Autoregressive Integrated Moving Average, es un modelo lineal b´asico y bastante extendido en su aplicaci´on, y es precisamente el que emplearemos. Tal modelo CARIMA para un determinado proceso
puede ser representado por:
A(z −1 )y(t) = B(z −1 )u(t) +

C(z −1 )
e(t)
D(z −1 )

(8.8)

donde z es la variable de desplazamiento de la transformada Z, y:
A(z −1 ) = 1 + a1 z −1 + ... + ana z −na
B(z

−1

) = b1 z

−1

+ ... + bnb z

(8.9)

−nb

(8.10)

El origen del t´ermino CARIMA se debe a que la ecuaci´on de diferencias del modelo
del proceso presenta tres componentes, a saber, la componente salida autoregresiva
A(z −1 )y(t), de donde despejamos y(t):
y(t) = − a1 y(t − 1) − a2 y(t − 2) − ... − ana y(t − na )
el componente promedio temporal de control B(z −1 )u(t), es decir:
+ b0 u(t − 1) + b1 u(t − 2) + ... + bnb u(t − nb − 1)
y el componente promedio temporal integrado del error
+

C(z −1 )
e(t):
D(z −1 )

e(t) + c1 e(t − 1) + c2 e(t − 2) + ... + cnc e(t − nc )
D(z −1 )

Por ejemplo, para un proceso de segundo orden sin presencia de perturbaciones; esto
es, con C(z −1 ) = 0, la representaci´on CARIMA toma la forma:
y(t) = x(t) =

b1 z −1 + b2 z −2
B(z −1 )
u(t)
=
u(t)
A(z −1 )
1 + a1 z −1 + a2 z −2

(8.11)

la cual conduce a la ecuaci´on de diferencias:
y(t) = −a1 y(t − 1) − a2 y(t − 2) + b1 u(t − 1) + b2 u(t − 2)

(8.12)

El modelo lineal CARIMA m´as generalizado es de la forma:
A(z −1 )y(t) =

B(z −1 )
C(z −1 )
u(t)
+
e(t)
F (z −1 )
D(z −1 )

(8.13)

Notar en (8.13) que la salida y(t) del modelo tambi´en cumple que (ver ecuaci´on (8.1)):
y(t) = x(t) + n(t)

x(t) =

B
u(t)
AF

n(t) =

C
e(t)
AD

8.3 El Modelo del Proceso

175

La representaci´on predictiva de la u
´ltima expresi´on es:
y(t + k/t) = x(t + k/t) + n(t + k/t)

(8.14)

donde:
x(t + k/t) =

B
u(t + k/t)
AF

n(t + k/t) =

C
e(t + k/t)
AD

Ejemplo 8.1
El modelo lineal de orden dos de un servomotor DC puede ser descrito por las siguientes ecuaciones en el espacio de estado:
q˙ = w
w˙ = −c1 q − c2 w + c3 u
donde q es la posici´on angular y w = dq/dt es la velocidad angular. Asumiendo que
el ruido de medici´on n(t) en la posici´on del eje del servomotor (la salida del proceso)
es coloreado y de la forma:
1
n(t) =
e(t)
1 − z −1
determine su modelo CARIMA.
Soluci´
on: La funci´on de transferencia de pulso del proceso de segundo orden posee
la forma:
b1 z + b2
b1 z −1 + b2 z −2
B(z −1 )
q(z)
= 2
=
=
u(z)
z + a1 z + a2
1 + a1 z −1 + a2 z −2
A(z −1 )

nadiendo el ruido de medici´on obtenemos:
y(z) =

B(z −1 )
1
B(z −1 )
u(z)
+
n(t)
=
u(z) +
e(t)
A(z −1 )
A(z −1 )
1 − z −1

(1 − z −1 )A(z −1 )y(z) = (1 − z −1 )B(z −1 )u(z) + Ae(z)
donde e(t) es ruido blanco gaussiano con media nula. La ecuaci´on de diferencias del
proceso ruidoso se obtiene despejando y(t) de la u
´ltima expresi´on:
y(t) = (1 − a1 )q(t − 1) + (a1 − a2 )q(t − 2) + a2 q(t − 3)+
b1 u(t − 1) + (b2 − b1 )u(t − 2) − b2 u(t − 3) + e(t) + a1 e(t − 1) + a2 e(t − 2)
Ejemplo 8.2
Comparar las respuestas no ruidosa q(t) y ruidosa y(t) del ejemplo anterior. Los
par´ametros requeridos se derivan de un proceso de segundo orden cuyas ecuaciones
de estado y de salida son conocidas. La respuesta q(t) se obtiene cuando la entrada al
proceso es una sinusoide u(t), mientras que la ruidosa y(t) se debe a un ruido blanco
gaussiano que se a˜
nade a q(t). Asumir un tiempo de muestreo de T = 0.01 s.
Soluci´
on: La soluci´on del problema planteado se detalla en el programa ejruido.m.
Los resultados se muestran en la Fig. 8.5. Observar en la Fig. inferior que el ruido
e(t) empleado posee media cero y una funci´on de distribuci´on gaussiana.

176

Control Predictivo

% ejruido.m RESPUESTAS NO RUIDOSA Y RUIDOSA EN UN PROCESO DE 2DO ORDEN
clear all; close all; clc;
% PROCESO CONTINUO DE SEGUNDO ORDEN Y SU MODELO DISCRETO
Ac = [0 1;-14.4007 -1.2707]; Bc = [0;30.4696]; Cc = [1 0]; Dc = [0];
T = 0.01; [G,H,C,D]=c2dm(Ac,Bc,Cc,Dc,T,’zoh’); [num,den]=ss2tf(G,H,C,D);
a1 = den(2); a2 = den(3); b1 = num(2); b2 = num(3);
% CONDICIONES INICIALES NULAS
qp=0; qpp=0; up=0; upp=0;
yp=0; ypp=0; yppp=0; ep=0; epp=0;
% RESPUESTAS DEL PROCESO
MM = 1000; for t=1:MM; u=sin(0.006*t); U(t)=u; % SINUSOIDE DE ENTRADA
q = -a1*qp -a2*qpp + b1*u + b2*up;
Q(t)=q; % RESPUESTA NO RUIDOSA
e = 0.1*randn; E(t)=e; % RUIDO BLANCO GAUSSIANO, MEDIA NULA, VARIANZA 0.1
y = (1-a1)*yp + (a1-a2)*ypp + a2*yppp ...
+ b1*u + (b2-b1)*up - b2*upp + e + a1*ep + a2*epp; Y(t)=y;
yppp=ypp; ypp=yp; yp=y; upp=up; up=u; epp=ep; ep=e;
end
% GRAFICOS
ejex = linspace(0,MM*T,MM); subplot(5,1,1); plot(ejex,U); grid
ylabel(’u(t) [V]’); xlabel(’TIEMPO [s]’); subplot(5,1,2);
plot(ejex,Q); grid; ylabel(’q(t) [rad]’); xlabel(’TIEMPO [s]’);
subplot(5,1,3); plot(ejex,Y); grid; ylabel(’y(t) [rad]’)
xlabel(’TIEMPO [s]’); subplot(5,1,4); plot(ejex,E); grid;
ylabel(’e(t) [rad]’); xlabel(’TIEMPO [s]’); subplot(5,1,5); hist(E);
ylabel(’e(t) GAUSS.’); xlabel(’<-----e(t)
------>’);
print -f -deps ejruidor

8.4.

El Controlador Predictivo

8.4.1.

Objetivo del Controlador

El objetivo del controlador predictivo es determinar el vector de control:
u(t + k/t),

k = 0, . . . , N2 − 1

que minimice la siguiente funci´on de costo:
J=

N2
X

k=N1

[r(t + k/t) − y(t + k/t)]2 + λ

NX
u −1

[∆u(t + k/t)]2

(8.15)

k=0

donde :
∆u(t + k/t) = u(t + k/t) − u(t + k − 1/t)

(8.16)

con ∆u(t + k/t) = 0 para k ≥ Nu . La trayectoria de referencia est´a representada por
la ecuaci´on:
r(t + k/t) = αr(t + k − 1/t) + (1 − α)w(t + k/t)
(8.17)
evaluada para k = 1, . . . , N2 , con r(t/t) = y(t). Los par´ametros de dise˜
no son:
N1 : horizonte de predicci´on m´ınimo.
N2 : horizonte de predicci´on m´aximo; por defecto podemos considerar N 2 =
N1 + 1, . . . , N1 + 10.

u(t) [V]

8.4 El Controlador Predictivo

177

1
0
−1

0

1

2

3

4

5
TIEMPO [s]

6

7

8

9

10

0

1

2

3

4

5
TIEMPO [s]

6

7

8

9

10

0

1

2

3

4

5
TIEMPO [s]

6

7

8

9

10

0

1

2

3

4

5
TIEMPO [s]

6

7

8

9

10

e(t) GAUSS.

e(t) [rad]

y(t) [rad]

q(t) [rad]

−3

5

x 10

0
−5

10
0
−10

0.5
0
−0.5

400
200
0
−0.4

−0.3

−0.2

−0.1
0
0.1
<−−−−−− e(t) −−−−−−>

0.2

0.3

0.4

Fig. 8.5: Respuestas del ejemplo 8.2.

Nu : horizonte de control; por defecto considerar Nu = 1.
N1 , . . . , N2 : horizonte de coincidencia; por defecto considerar N1 (tiempo muerto).
λ: par´ametro de ponderaci´on; por defecto considerar cero.
α: par´ametro de filtraje; por defecto considerar cero.
Si la trayectoria deseada w(t) se programa previamente, entonces los valores futuros
w(t+k) se pueden emplear para determinar w(t+k/t). Es decir, w(t+k/t) = w(t+k)
para k = 1, . . . , N2 . Si no deseamos una estrategia de control predictivo en avance, el
valor actual w(t) se puede usar como un valor de predicci´on w(t + k/t) = w(t) para
k = 1, . . . , N2 .
Es importante observar adem´as que:
1. La trayectoria de referencia dada en (8.17) constituye un filtro de primer orden
para w(t). Este filtro se puede representar mediante la siguiente funci´on de
transferencia:
r(z)
1−α
z(1 − α)
=
=
(8.18)
−1
w(z)
1 − αz
z−α
2. El filtro para w(t) se puede implementar fuera del lazo de control, no afectando
de esta manera a la estabilidad del sistema, pero s´ı contribuyendo al rechazo
del ruido.

178

Control Predictivo

La Fig. 8.6 ilustra el objetivo del control predictivo basado en modelos.
N u =4

³±²± µ
À¾²¿¾ ²ÁÀ ²Âà ŠƲÇÆ È²ÈÉ Ê²ËÊ Ì²ÌÍ Î²ÏΠвÐÑ
´²´ · » ¼²½¼ IJÄ
¶ ¸²¹¸ º²º
u(t+k/t)

u

o o
o o
o
o
o
o
o o o o o o o o o o o o o o o o
o
o o o o
o o o

r=w

y

y(t+k/t)
N1

PASADO

N2

FUTURO

TIEMPO ACTUAL t

Fig. 8.6: Objetivo del control predictivo basado en modelos.

8.4.2.

Respuesta Libre y Respuesta Forzada

Conceptualmente, la respuesta futura y(t + k/t) puede ser considerada como el
resultado acumulativo de dos efectos:
y(t + k/t) = ylibre (t + k/t) + yf orz (t + k/t)

(8.19)

donde el sub´ındice forz indica forzada. La respuesta libre ylibre (t + k/t) aparece como
consecuencia de los factores siguientes:
El efecto debido a las se˜
nales de control pasadas u(t − 1), u(t − 2), . . .
El efecto debido a un escenario de control futuro. Por defecto se tiene u(t/t) =
u(t − 1), u(t + 1/t) = u(t − 1), u(t + 2/t) = u(t − 1), . . .; esto es, ∆u(t/t) =
∆u(t + 1/t) = . . . = ∆u(t + Nu − 1/t) = 0.
El efecto debido a las perturbaciones futuras del ruido n(t + k/t).
Las condiciones iniciales a tomar son: y(t), y(t − 1), . . . , y(t − n), donde n es el orden
del proceso.
La componente forzada yf orz (t+k/t) aparece debido al efecto causado por cambios
consecutivos de la variable manipulada, tanto en el tiempo actual como en el tiempo
futuro. Es decir, originado por las acciones de control ∆u(t/t), ∆u(t + 1/t), . . . ,
∆u(t + Nu − 1/t), con las condiciones iniciales: y(k) = y(k − 1) = · · · = y(k − n) = 0.
La Fig. (Fig. 8.7(c)) muestra el efecto conjunto de las respuestas libre y forzada
en un proceso lineal, donde tales respuestas se pueden sumar gracias a que se cumple
el principio de superposici´on. Desafortunadamente, el principio de superposici´on no
es v´alido para procesos no lineales.
Por consiguiente, el efecto acumulativo de la acci´on conjunta de los escalones es:
yf orz (t + k/t) = gk ∆u(t/t) + gk−1 ∆u(t + 1/t) + · · · + gk−Nu +1 ∆u(t + Nu − 1/t) (8.20)

. como en el caso de una red neuronal. 8.. g N2 gN1 −1 g N1 . . la respuesta al escal´on unitario no depende del punto de operaci´on... podemos escribir: ¯ + GU Y=Y T T (8. . Este punto es fijo y puede ser calculado fuera de l´ınea (“off-line”) usando el modelo del sistema. Esta respuesta tiene que ser calculada en cada tiempo de muestreo (“on-line”).   . .7: Respuestas libre y forzada. .20) se puede obtener la siguiente expresi´on para la componente forzada: Yf orz = GU (8. donde los par´ametros g1 .. gN2 son los coeficientes de la respuesta del sistema al escal´on unitario..4 El Controlador Predictivo y 3 179 Respuestas libre más forzada Señal de referencia 2 1 Respuesta libre Respuesta forzada t 0 u Señales de control para la respuesta lforzada 2 1 Señales de control para la respuesta libre 0 t Fig. ..... gN2 −Nu +1 ∆u(t/t) ∆u(t + 1/t) · · · ∆u(t + Nu − 1/t) y empleando la ecuaci´on (8. la respuesta de la salida del sistema a los cambios tipo escal´on unitario en la entrada. . Es decir.22) ..  ... De la ecuaci´on (8..21) donde: Yf orz =  yf orz (t + N1 /t) yf orz (t + N1 + 1/t) · · · yf orz (t + N2 /t) U=   g N1  gN1 +1 G=  .19)... gN2 −1  .. Para un sistema no lineal. aplicando en cada instante de muestreo un cambio escal´on (ficticio) a la entrada actual del proceso y calculando su efecto en la salida respectiva. . . la respuesta al escal´on unitario es diferente para cada punto de operaci´on. Para un sistema lineal. .8.

. r(t + N2 /t)]T Ejemplo 8. y(t + N2 /t)]T .3. Y R = [r(t + N1 /t) . y: g(t) = −a1 g(t − 1) − a2 g(t − 2) + b1 + b2 . los coeficientes g(t) se determinan de: g(t) = −a1 g(t − 1) − a2 g(t − 2) + b1 u(t − 1) + b2 u(t − 2) As´ı podemos obtener que g(0) = 0. cuya minimizaci´on por diferenciaci´on resulta en la siguiente soluci´on o´ptima: U∗ = (GT G + λI)−1 GT (R − Y) (8. Este procedimiento se denomina el principio del “horizonte retroactivo”. . . entonces y(k) = g(k) para todo t ≥ 0. ∆u(t + Nu − 1/t)]T ¯ = [ylibre (t + N1 /t) . . ylibre (t + N2 /t)]T . t≥3 Por otro lado. g(1) = b1 . la funci´on de costo (ecuaci´on (8. . la condici´on para respuesta libre es que: u(t/t) = u(t + 1/t) = · · · = u(t + N2 /t) = u(t − 1) Aplicando tal condici´on en la ecuaci´on de diferencias del proceso.23) (R − Y)T (R − Y) + λUT U = [(R − Y) la cual es una forma cuadr´atica en U. La Ley de Control SISO Con la notaci´on anterior.3 Determinar la respuesta libre y los coeficientes gt de la respuesta al escal´on para el proceso servomotor DC descrito en el ejemplo 8. . Soluci´ on: La ecuaci´on de diferencias del proceso es: y(t) = −a1 y(t − 1) − a2 y(t − 2) + b1 u(t − 1) + b2 u(t − 2) Cuando la entrada es u(k) = 1 para todo k ≥ 0. g(2) = −a1 b1 + b1 + b2 .180 Control Predictivo donde: Y = [y(t + N1 /t) .4. . U = [∆u(t/t) .24) Es importante indicar que: Solamente el primer elemento ∆u(t/t) de U∗ es necesario para computar la entrada de control actual u(t) = u(t − 1) + ∆u(t/t). Luego. se obtiene: ylibre (t + 1) = −a1 ylibre (t) − a2 ylibre (t − 1) + b1 u(t) + b2 u(t − 1) = −a1 ylibre (t) − a2 ylibre (t − 1) + (b1 + b2 )u(t − 1) 8. .1.15)) resulta: ¯ − GU]T [(R − Y) ¯ − GU] + λUT U (8. El mismo procedimiento se repite para la nueva medici´on y(t + 1) en el pr´oximo instante de tiempo t + 1. .

Soluci´ on: La soluci´on del problema planteado se detalla en el programa lcm1.’zoh’). g(k) = -a1*g(k-1) -a2*g(k-2) + b1 + b2. es decir.-14. b1=num(2). LA MATRIZ G TIENE LA FORMA: G = [g(N1) g(N1-1) g(N1-2) g(N1-3) g(N1-4) g(N1-5) 0 g(N1+1) g(N1) g(N1-1) g(N1-2) g(N1-3) g(N1-4) g(N1-5) . N2 y Nu . Nu = n y λ = 0.01.4 El Controlador Predictivo 181 La matriz [GT G + λI] a ser invertida tiene dimensi´on Nu × Nu . a1=den(2). [G.D). Este hecho es relevante en el control de procesos industriales. up=0. [num.25) PN 2 2 k=N1 gk + λ Otra aproximaci´on para la estructuraci´on del escenario de control consiste en el empleo de funciones base de la forma: X u(t + k/t) = µ i Bi (8. upp=0.2707]. N2 = ∞ y λ = 0. T=0.H. ´LCULO DE UNA MATRIZ DIN´ % lcm1. la salida entonces alcanza la referencia despu´es de n muestras y se mantiene en este estado. N1=6. N2 = 2n − 1.26) i La optimizaci´on de la se˜ nal de control u(t + k/t) es ahora con respecto a los par´ametros µi .D]=c2dm(Ac. El control predictivo muestra diferentes propiedades dependiendo de la selecci´on de N1 . yp=0.T. for k=3:12. yppp=0. N2 =12. Ejemplo 8.1 empleando los datos siguientes: N1 = 7.m CA AMICA DE CONTROL clear all.30. Este caso es muy apropiada para aplicaciones que requieran alto rendimiento. se obtiene una ley de control escalar (con muy buenos resultados en muchos casos pr´acticos) de la forma: P N2 gk [r(t + k/t) − ylibre (t + k/t)] ∆u(t) = k=N1 (8. ypp=0. close all. g(2) = -a1*b1 + b1 + b2.den]=ss2tf(G. Nu =7. Para el caso por defecto. obtendremos una respuesta transitoria de la variable controlada.Bc.C. Cc=[1 0].m listado a continuaci´on. Por ejemplo: Si N1 = n. Bc=[0. Si escogemos N1 = Nu = 1. % HORIZONTES DE CONTROL Y DE OPTIMIZACI ´ ON % RESPUESTA AL ESCALON g(1) = b1. end % LUEGO.4696].Dc.8.4007 -1. ep=0. Nu = 6. qpp=0.H. epp=0. % CONDICIONES INICIALES NULAS qp=0. b2=num(3). Dc=[0].Cc. clc.C. caracterizada por un tiempo de subida r´apido y un tiempo de estabilizaci´on lento. proporcionando una vigorosa acci´on de control.4 Determinar la matriz din´amica de control para el proceso del ejemplo 8. a2=den(3). para Nu = 1. N2 = 12. % PROCESO CONTINUO DE SEGUNDO ORDEN Y SU MODELO DISCRETO Ac=[0 1. como en la rob´otica.

Ver subsecci´on 8. respectivamente. 8. Despreciando p´erdidas. g(N1+1) g(N1+2) g(N1+3) g(N1+4) g(N2-1) g(N1) g(N1+1) g(N1+2) g(N1+3) g(N2-2) g(N1-1) g(N1) g(N1+1) g(N1+2) g(N2-3) g(N1-2) g(N1-1) g(N1) g(N1+1) g(N2-4) g(N1-3) g(N1-2) g(N1-1) g(N1) g(N2-5) g(N1-4) g(N1-3) g(N1-2) g(N1-1) g(N2-Nu+1)]. Procedimiento de Dise˜ no El procedimiento para dise˜ nar un sistema de control predictivo SISO basado en modelos. condensador C = 0. empleando la matriz din´amica de control es como sigue: 1.4. Determinar la ley de control.8: Sistema electromec´anico. 4. e = K e ω1 donde Kt y Ke son la constantes del motor y contarelectromotriz.3.01 N-m/A. Calcular la respuesta libre y la respuesta forzada del proceso. 3. Validar mediante simulaci´on el sistema de control predictivo SISO.3. constante electromotriz Ke = Kt = 0. Determinar el modelo CARIMA del proceso. 8. Formular el problema y definir las especificaciones de dise˜ no. L = vC − e R dt dt El torque T del motor y la tensi´on contraelectromotriz se expresan como: IR = T = K t IM .5 µF. constante torsional Kω = 1.4. Ejemplo de Dise˜ no Control de Velocidad de un Proceso Electromec´ anico Los par´ametros valorados del proceso mostrado en la figura 8. incluyendo los horizontes de control N1 . el torque T tambi´en se formula como: J dω2 =T dt . Si vC es el voltaje + v IR R L C - + e - IM Kω T ω1 J ω2 Fig. 5. resistencia total en la armadura R = 12 ohm.182 Control Predictivo g(N1+2) g(N1+3) g(N1+4) g(N1+5) g(N2) 8.8 N-m/rad. N2 y Nu . las ecuaciones din´amicas que gobiernan el subproceso el´ectrico son: 1 vC dIM (v − vC ).01 kg-m2 /s2 . 2. en C.5 H.2.6. C = IR − IM .8 son: momento de inercia del rotor J = 0. Ver subsecci´on 8. Ver subsecci´on 8.5. inductancia de armadura L = 0.

u(k)=0.01. end. % TIEMPO DE MUESTREO % MODELO LINEAL DISCRETO [G.D]=c2dm(Ac. r(k)=0. close all. la relaci´on que gobierna el resorte rotacional de constante K ω toma la forma: dT = Kω (ω1 − ω2 ) dt Seleccionando como variables de estado x1 = vC . g(k) =-a1*g(k-1). tal como se ilustra en la Fig. el cual puede variar entre ± 100 volt. g(1)*(r(t+1)-yf(t+1))+g(2)*(r(t+2)-yf(t+2))+g(3)*(r(t+3)-yf(t+3))+ .. y eligiendo como salida y = x3 . Bc = [1/(R*C).. Las especificaciones de dise˜ no alcanzadas son: tiempo de estabilizaci´on de la se˜ nal controlada x 3 . % HORIZONTES for k=1:4 yf(k)=0. a2=dend(3). MM=1000.T.85. b3=numd(4). T=0. N2 =10. L = 0. for k=4:10. % TRAYECTORIA DESEADA r(t+k) = alf*r(t+k-1) + (1-alf)*W(t+k).8. % MODELO DEL PROCESO EN TIEMPO CONTINUO J = 0.8. 0 C= 0 −Ke Kω LKω +Kt Ke 0  0 0 1    Siguiendo el procedimiento de dise˜ no propuesto. a3=dend(4). Ke = 0.  A=  y = Cx 1 − RC − C1 0 0  Kt J Kω LKω +Kt Ke 1 RC B =  0 . % p11pred1. en el programa p11pred1. g(2) =-a1*b1+b1+b2.6 Ejemplo de Dise˜ no 183 As´ı mismo. Ac = [-1/(R*C) -1/C 0. la representaci´on del proceso en el espacio de estado resulta: x˙ = Ax + Bu. clc. Dc = [0].Kw/(L*Kw+Kt*Ke) 0 -Ke*Kw/(L*Kw+Kt*Ke).a2*g(k-2)-a3*g(k-3)+b1+b2+b3.0]. para controlar la velocidad angular x3 = ω2 del eje del motor mediante el voltaje de entrada v.01. Kt = 0. C = 0. menor que 6 s.5.01*t)).’zoh’). lambda = 0. N1 =1. cuyo listado se muestra abajo.9.01. respuesta con sobrepico m´aximo de 5 %.0 Kt/J 0].C. Nu =1.D). [numd. y error en estado estacionario nulo. g(3)=-a1*g(2)-a2*g(1)+b1+b2+b3. % LAZO DE CONTROL for t =4:MM+3 for k=1:N2 W(t+k)= 4*sign(sin(0. b1=numd(2). se dise˜ na un sistema de control predictivo con fuerza de control escalar. % RESPUESTA AL ESCALON % RESPUESTA AL ESCALON Y MATRIZ GANANCIA GG g(1) = b1.2.m CONTROL DE LA VELOCIDAD DE UN PROCESO ELECTROMEC ´ ANICO clear all. x2 = IM y x3 = ω2 . % CONDICIONES Y PAR ´ AMETROS INICIALES end du(1)=0. Cc = [0 0 1].H. a1=dend(2). alf = 0.Cc. R = 12.Bc.5.m.Dc. y(k)=0. Kw = 1. % TRAYECTORIA DE REFERENCIA yf(t+k) = -a1*yf(t+k-1)-a2*yf(t+k-2)-a3*yf(t+k-3)+(b1+b2+b3)*u(t-1).. end % yf ES LA RESPUESTA LIBRE % LEY DE CONTROL ESCALAR du(t) = (.. . 8.C.H.0. b2=numd(3).dend]=ss2tf(G.

MM-3).ejex.01.Kw/(L*Kw+Kt*Ke) 0 -Ke*Kw/(L*Kw+Kt*Ke).m CONTROL DE VELOCIDAD USANDO LEY DE CONTROL MATRICIAL % MODELO DEL PROCESO EN TIEMPO CONTINUO J = 0.Cc. .C. b2=numd(3). El resultado de la simulaci´on se muestra en la Fig.9.0 Kt/J 0].T..5.01. print -deps -f p11pred1 Velocidad [rad/s] 5 0 −5 0 20 40 60 80 100 Tiempo [s] 120 140 160 180 200 0 20 40 60 80 100 Tiempo [s] 120 140 160 180 200 Voltaje de control [V] 50 0 −50 Fig.100.Dc. el cual resulta muy similar al obtenido en la Fig.u(4:MM)).MM*T.1. pero empleando una fuerza de control vectorial. end y(t+1)=-a1*y(t)-a2*y(t-1)-a3*y(t-2)+b1*u(t)+b2*u(t-1)+b3*u(t-2). grid ylabel(’Velocidad [rad/s]’). ylabel(’Voltaje de control [V]’).1).Bc. Ac = [-1/(R*C) -1/C 0. Ke = 0. % TIEMPO DE MUESTREO % MODELO LINEAL DISCRETO [G.10.. 8. plot(ejex.0]. R = 12. g(7)*(r(t+7)-yf(t+7))+g(8)*(r(t+8)-yf(t+8))+g(9)*(r(t+9)-yf(t+9))+ .8.C. Bc = [1/(R*C). C = 0. L = 0. a2=dend(3). N1 =1.1. T=0. % p11pred2.H.01.. xlabel(’Tiempo [s]’).. Kw = 1.W(4:MM).5. b3=numd(4). u(t) = u(t-1) + du(t). Kt = 0.D]=c2dm(Ac.dend]=ss2tf(G.2. elseif(u(t) < -100). % LIMITADOR M´ AS LA ECUACI´ ON DE DIFERENCIAS DEL PROCESO if(u(t) > 100). u(t) = . b1=numd(2).. g(3)=-a1*g(2)-a2*g(1)+b1+b2+b3. Cc = [0 0 1]. [numd. Dc = [0]. N2 =10. grid.2) plot(ejex.D).0. end % FIN DEL LAZO % GRAFICOS ejex=linspace(0.y(4:MM)). a3=dend(4).9: Velocidad angular controlada y el voltaje de control obtenidas ejecutando el programa p11pred1. Nu =5. g(6)^2+g(7)^2+g(8)^2+g(9)^2+g(10)^2+lambda).’zoh’).184 Control Predictivo g(4)*(r(t+4)-yf(t+4))+g(5)*(r(t+5)-yf(t+5))+g(6)*(r(t+6)-yf(t+6))+ . subplot(2. xlabel(’Tiempo [s]’). El programa p11pred2. a1=dend(2). 8. u(t)=100. subplot(2.m resuelve el mismo problema.. % HORIZONTES % RESPUESTA AL ESCALON Y MATRIZ GANANCIA GG g(1) = b1.H. g(2) =-a1*b1+b1+b2. 8. g(10)*(r(t+10)-yf(t+10)))/(g(1)^2+g(2)^2+g(3)^2+g(4)^2+g(5)^2+ .m.

100. r(1) =0.2) plot(ejex.ejex.1 Posici´ on de un Motor DC El circuito con opamps de la Fig.1). for t =4:MM+3 for k=1:N2. LIMITADOR M´ AS LA ECUACI´ ON DE DIFERENCIAS DEL PROCESO if(u(t) > 100).y(1)=0. u(t) = .. print -deps -f p11pred2 8. 2. Las salidas controladas deben de satisfacer ciertas especificaciones de dise˜ no dictadas por el usuario. yf(3)=0. u(t) = u(t-1) + du.a2*g(k-2)-a3*g(k-3)+b1+b2+b3.W(4:MM). MM=1000. subplot(2. GG=[g(1) 0 0 0 0 g(2) g(1) 0 0 0 g(3) g(2) g(1) 0 0 g(4) g(3) g(2) g(1) 0 g(5) g(4) g(3) g(2) g(1) g(6) g(5) g(4) g(3) g(2) g(7) g(6) g(5) g(4) g(3) g(8) g(7) g(6) g(5) g(4) g(9) g(8) g(7) g(6) g(5) g(10) g(9) g(8) g(7) g(6)]. y(2)=0. LAZO DE CONTROL CON HORIZONTES N1 =1. yf(2)=0. uno con ley de control escalar y otro con ley de control matricial. subplot(2. Nu =5.1. end y(t+1)=-a1*y(t)-a2*y(t-1)-a3*y(t-2)+b1*u(t)+b2*u(t-1)+b3*u(t-2). yf(t+6) yf(t+7) yf(t+8) yf(t+9) yf(t+10)]’. G1 = GG’*GG. grid ylabel(’Velocidad [rad/s]’). elseif(u(t) < -100). u(2) =0. u(3)=0. end % REFERENCIA R R=[r(t+1) r(t+2) r(t+3) r(t+4) r(t+5) . end % TRAYECTORIA DESEADA for k=1:N2. y(3) = 0. I=eye(5. plot(ejex. lambda=0..85. g(k) =-a1*g(k-1). r(t+6) r(t+7) r(t+8) r(t+9) r(t+10)]’.2s + 1) . r(3)=0.MM*T. end YF=[yf(t+1) yf(t+2) yf(t+3) yf(t+4) yf(t+5) . grid.u(4:MM)). CONDICIONES INICIALES Y PAR´ AMETROS DE CONTROL yf(1)=0.22 alimenta a un motor DC cuya posici´on θ queremos controlar empleando dos sistemas de control predictivo. Problemas Propuestos Problema 8.5 θ = Vo s(0.y(4:MM)). xlabel(’Tiempo [s]’)... u(1) =0. r(2) =0. du=U(1).7 Problemas Propuestos % % % % % 185 for k=4:10. y(4)=0. % RESPUESTA LIBRE LEY DE CONTROL VECTORIAL U=inv(G1+lambda*I)*GG’*(R-YF). N2 =10. Dise˜ ne y simule los sistemas de control pedidos sabiendo que Kp = 5 y que: 1.8. yf(4)=0. r(t+k)=alf*r(t+k-1)+(1-alf)*W(t+k). u(t)=100.5). xlabel(’Tiempo [s]’).MM-3). for k=1:N2 yf(t+k)=-a1*yf(t+k-1)-a2*yf(t+k-2)-a3*yf(t+k-3)+(b1+b2+b3)*u(t-1). end GRAFICOS ejex=linspace(0. end.1.1. ylabel(’Voltaje de control [V]’).01*t)). alf=0. du(1)=0.7. W(t+k)= 4*sign(sin(0.

uno con ley de control escalar y otro con ley de control matricial. cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario. 8. Generador eléctrico Turbina Entrada de agua M ω Desague Fig.3 Proceso Mec´ anico La Fig. Dise˜ nar y simular dos sistemas de control predictivo. 8. donde M = 2 kg es la masa de un cuerpo que est´a accionado por una fuerza u. 2.11 muestra una turbina de agua unido a un generador el´ectrico. Problema 8. A esta acci´on se le oponen . para controlar el momento M (s). cuya FT es: M (s) 6 = ω(s) 3.m. Problema 8.186 Control Predictivo Velocidad [rad/s] 5 0 −5 0 20 40 60 80 100 Tiempo [s] 120 140 160 180 200 0 20 40 60 80 100 Tiempo [s] 120 140 160 180 200 Voltaje de control [V] 40 20 0 −20 −40 Fig. 8.2s + 1 donde M (s) es el momento rotacional generado por la turbina gracias a la acci´on del flujo de agua y ω(s) es la velocidad angular del generador.2 Turbina La Fig.10: Resultado de la ejecuci´on del programa p11pred2.25 muestra una proceso mec´anico traslacional.11: Generador accionado por una turbina de agua.

v = dx/dt es la velocidad de la masa M y x su posici´on.1A1 .2M1 .5 H. Problema 8.4 N/m es la constante del resorte. actuando sobre el flujo de agua q1 (t). Problema 8. L = 0.8 N–m/rad/s2 y r = 0. B = B1 = B2 = 12.1 m.1 N–m/rad/s2 . Kb = 2. para controlar la posici´on x(t).6 Proceso Electromec´ anico Dise˜ nar y simular dos sistemas de control predictivo.8 N–m/rad.4 Proceso Hidr´ aulico Dise˜ nar y simular dos sistemas de control predictivo. 8. cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario. uno con ley de control escalar y otro con ley de control matricial. Se sabe que M1 = 500 kg. La = Lc = 3.7 Inclinaci´ on de un Avi´ on La din´amica de un avi´on puede ser descrita por varios conjuntos acoplados de ecuaciones diferenciales no lineales.7 V/rad/s y JT = 5. El control de la inclinaci´on θ del avi´on mostrado en la Fig. bajo ciertas suposiciones. cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario.29.30. Km = 0. Datos adicionales: R = 4 ohm. Con tales consideraciones.7 H. 2. para controlar la posici´on x 2 (t) de la masa M2 del proceso hidr´aulico mostrado en la Fig. A2 = 2.4 m2 . Problema 8. KT = 1.12).3 N/m/s.8. uno con ley de control escalar y otro con ley de control matricial. donde K = 3. 2. entonces la resistencia de arrastre y la fuerza impulsora se cancelan mientras que el empuje de elevaci´on se iguala con el peso (ver figura 8. para controlar el voltaje V (t) del generador mostrado en la Fig. Dise˜ nar y simular dos sistemas de control predictivo.8v N en el amortiguador.7 N–m/A.5 Proceso H´ıbrido Dise˜ nar y simular dos sistemas de control predictivo. 2.7 Problemas Propuestos 187 la fuerza fK = Kx N en el resorte y la fuerza de p´erdidas fB = B. tales ecuaciones pueden ser desacopladas y linealizadas para obtener dos conjuntos: las ecuaciones longitudinales y las ecuaciones laterales. J = 4.8 N/m/s es la constante de p´erdidas. para controlar la posici´on angular θ(s) del sistema electromec´anico mostrado en la Fig. uno con ley de control escalar y otro con ley de control matricial. y K 3. A1 = 0.8 N/m. se puede asumir que .7 m. Recordar que la ecuaci´on din´amica de este proceso es: d2 x M 2 = u − f K − fB dt Problema 8. debe sustituir al amplificador de ganancia A. M2 = 2.4 ohm. Se sabe que el radio de la secci´on del tanque es de 0. M = 20 kg.12 es un problema longitudinal. B = N/rad/s. cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario. Cada controlador predictivo a dise˜ nar. cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario. Asumiendo que el avi´on est´a en su velocidad de crucero (altura y velocidad constantes). Ra = Rc = 2. B = 0. Sin embargo. uno con ley de control escalar y otro con ley de control matricial.28.

uno con ley de control escalar y otro con ley de control matricial.313 56.1774 θ(s) = 3 δe (s) s + 0. 8. el flujo de entrada (la se˜ nal de control) no debe sobrepasar los 3 m 3 /s.7q + 0.313α + 56. q es la relaci´on de inclinaci´on.7  q˙  =  −0.232 0   q  +  0.739ss + 0. La funci´on de transferencia del proceso es: 1.0203δe θ˙ = 56.12: Avi´on comercial en pleno vuelo.12.0139 −0. A.188 Control Predictivo Empuje x θ Impulso α γ e x’ Arrastre z δe z’ Peso Fig.921s mientras que sus ecuaciones de estado y de    α˙ −0.0139α − 0. Problema 8. Dise˜ nar un controlador predictivo del tipo escalar y otro del tipo matricial.7q donde α es el a´ngulo de ataque. La deducci´on del modelo linealizado del proceso se deriv´o en el ejemplo A.0203  δe 0 θ 0     α θ= 0 0 1  q  θ Dise˜ nar y simular dos sistemas de control predictivo.8 Tanques en Cascada La Fig.151s + 0. Adem´as. El objetivo de control es controlar la altura H2 empleando el flujo Qo .17 muestra dos tanques id´enticos colocados en cascada. por medio de δe . Estas condiciones de dise˜ no deben mantenerse cuando se cambie la referencia (por ejemplo de 3 a 2 m). sobreimpulso menor al 10 % y error en estado estable nulo. La secci´on horizontal A=9 m2 de cada tanque es constante.50. con los requerimientos siguientes: tiempo de estabilizaci´on menor que 15 s.7 θ˙ salida son:     0 α 0. . cumpliendo determinadas especificaciones de dise˜ no dictadas por el usuario. 8.426q + 0. para controlar la inclinaci´on θ del avi´on mostrado en la Fig. las ecuaciones longitudinales del movimiento del avi´on (los datos corresponden a un avi´on comercial Boeing) son: α˙ = −0.232δe q˙ = −0.426 0 56. θ es el a´ngulo de inclinaci´on y δe es el a´ngulo del deflector de elevaci´on.

5 Sensor vr Fig. ω es la velocidad angular de la torreta. q es el desplazamiento de la .13(a) se desea reducir la humedad h del material a granel de la tolva. p es la aceleraci´on angular producida por el actuador hidr´aulico.13(b) muestra la F. uno con fuerza de control escalar y otro con fuerza de control matricial. introduce el material a un horno de secado. La Fig.8. El sensor de humedad detecta hr a una distancia d = 10 m del horno y proporciona la se˜ nal de voltaje vr . El horno puede modelarse como un proceso de primer orden. Dise˜ nar dos sistemas de control predictivo basado en modelos.T del proceso. Problema 8. de control es estabilizar la humedad del material en la banda transportadora.10 Ca˜ no ´n en la Torreta de un Tanque Las ecuaciones del modelo linealizado para controlar la posici´on angular del ca˜ no´n ubicado en la la torreta de un tanque mediante un actuador hidr´aulico son las siguientes (ver figura 8.14): θ˙ = ω ω˙ = p + dτ Km Km q+ ω + dp J J q˙ = −Kv Lv q − Kv K∆p Jp + Kv u + dq . que se desplaza a una velocidad v = 1 m/s constante.13: Sistema reductor de humedad. El objetivo Tolva Controlador Horno Sensor Referencia d v Deposito v d/v u 1 s+1 Horno hs (b) e -(d/v)s hr Tiempo muerto 10 s + 0. p˙ = −Ωm p − Lv = 1 donde θ es el a´ngulo de la torreta. La banda transportadora.9 Secador de Granos En el proceso de la Fig.48): e−T s ≈ 1 − Tt s/2 + (Tt s)2 /10 − (Tt s)3 /120 num(s) = den(s) 1 + Tt s/2 + (Tt s)2 /10 + (Tt s)3 /120 Las especificaciones de dise˜ no para ambos sistemas de control son: tiempo de estabilizaci´on menor que 40 s. 8. error en estado estacionario nulo y porcentaje de sobreimpulso menor al 5 %. el tiempo muerto puede ser descrito empleando la aproximaci´on de Pad´e de tercer orden (ver ejemplo A. La selecci´on del tiempo de muestreo y de los horizontes de control es a conveniencia del dise˜ no. Con fines de modelado del proceso. 8. 8.7 Problemas Propuestos 189 Problema 8.

190 Control Predictivo servov´alvula. Los disturbios tipo escal´on pueden actuar simult´aneamente y pueden ser positivos o negativos.86×10−5 ] es el coeficiente de presi´on diferencial. y K∆p = [6. entonces la din´amica del proceso puede modelarse como (ver ejemplo A. (a) Dise˜ nar un sistema de control predictivo con fuerza de control escalar y otro con fuerza de control matricial. La se˜ nal de referencia puede ser arbitraria . Las cantidades dτ .11 La Fig. Kv = [94. Si se desprecia la inercia de las ruedas y se asume que la fuerza de fricci´on bv. 2070 lbf-ft-s 2 ] es la inercia de la torreta. al a´ngulo de elevaci´on) es la ganancia del servomotor.14: Vistas lateral y horizontal de la torreta de un tanque. Torreta del tanque Angulo de ’ elevacion θ θ ’ Azimut: angulo de posicionamiento horizontal Fig.96×106 ] (el primer valor corresponde al a´ngulo de desplazamiento horizontal de la torreta. v˙ = dv dt Dise˜ nar un sistema de control predictivo con fuerza de control escalar y otro con fuerza de control matricial. 94. donde b= 50 N-s/m es el coeficiente de fricci´on. es lo u ´nico que se opone al movimiento del carro. Es u ´til saber que 1 lbf–ft–s2 = 1.9): mv(t) ˙ + bv(t) = u(t). para controlar la velocidad del m´ovil con m´ınimo tiempo de estabilizaci´on y m´ınimo sobreimpulso. (b) Lo mismo que (a). La selecci´on de los horizontes de control es a conveniencia del problema planteado. A.355 kg–m2 . dp y dq representan disturbios que tambi´en incluyen los efectos debido a las no linealidades que no fueron tomadas en cuenta en el modelo linealizado. 3.2 muestra un carro de masa m = 1000 kg desplaz´andose con una velocidad v gracias a la acci´on de la fuerza u producida por su motor.3] es la ganancia de la servo v´alvula. para controlar el a´ngulo de elevaci´on θ con las especificaciones siguientes: tiempo de estabilizaci´on menor que 5 s. Ωm = [45.33×10−6 .3 rad/s] es la frecuencia natural del motor.9. m´ınimo sobreimpulso y error en estado estacionario nulo. Problema 8.46×106 . J = [7900. 8. 17. mientras que el segundo valor.3. 1. pero en este caso para controlar el a´ngulo azimutal. Km = [8. El sistema de control dise˜ nado debe ser capaz de minimizar sus efectos.

.7 Problemas Propuestos 191 (problema de seguimiento).8. La selecci´on de los valores de los horizontes y el tiempo de muestreo son a conveniencia del problema planteado.

.

Con el fin de generar las se˜ nales de control. El conjunto de reglas fuzzy. Tal controlador posee tres partes principales: 1. El defuzzificador. o de alguna forma arbitraria. Intensivos trabajos de simulaci´on van a validar los dise˜ nos propuestos. 9. un conjunto de reglas fuzzy para convertir las entradas fuzzy en salidas fuzzy. ya que ellas deciden el comportamiento del sistema para diferentes entradas. el cual toma como base las variables fuzzy de salida para generar un conjunto de valores de salida: las se˜ nales de control. Tales reglas constituyen la clave del sistema de control “fuzzy”. todos relacionados con el procesamiento de las variables fuzzy para . Estas u ´ltimas pasan luego al defuzzyficador (palabra derivada del ingl´es “defuzzifier”). donde el controlador convencional del sistema est´a siendo reemplazado por un controlador fuzzy. primero se debe de identificar el problema. y un defuzzificador para generar las se˜ nales de control. en donde las variables fuzzy de entrada son evaluadas para generar variables fuzzy de salida. 2. debemos de dise˜ nar el sistema de control fuzzy. usando para ello funciones de membresia. El fuzzyficador (palabra derivada del ingl´es “fuzzifier”). El conjunto de reglas fuzzy son las sentencias del tipo “if/then” que se definen en conformidad con los objetivos de control. en donde la entrada al controlador se convierte en variables de entrada tipo fuzzy. siempre que pueda ser descrita y evaluada mediante una funci´on. El Controlador Fuzzy Con el prop´osito de desarrollar un controlador fuzzy (difuso o borroso en castellano). donde el controlador del sistema es del tipo fuzzy. definir los objetivos de control para los cuales desarrollaremos tal controlador.1.1. el defuzzyficador puede hacer uso de varios m´etodos. Para ello podemos usar el sistema de control a lazo cerrado mostrado en la figura 9. de forma trapezoidal.Cap´ıtulo 9 Control Fuzzy En este cap´ıtulo se dise˜ nan varios sistemas de control fuzzy. Esto es. Luego. 3. Tal controlador se compone de un fuzzyficador que convierte las variables de entrada en variables fuzzy de entrada. Las funciones de membresia poseen una forma geom´etrica caracter´ıstica. Por ejemplo pueden ser de forma triangular.

se compone de un subsistema el´ectrico y un subsistema mec´anico. 9.1: Sistema de control a lazo cerrado. El servomotor posee una caja de engranajes para reducir la velocidad en su eje de salida. una herramienta para soldar. Dise˜ no de Sistemas de Control Fuzzy Control Fuzzy del Manipulador Rob´ otico de 1GDL Descripci´ on del Proceso El Manipulador Rob´otico de 1GDL (MR1). 9.2. el cual se emplea para medir la posici´on angular del brazo del manipulador en cada instante de tiempo.2. El subsistema el´ectrico comprende un servomotor DC con decodificador de posici´on (encoder en ingl´es) incorporado.194 Control Fuzzy generar se˜ nales que se puedan implementar en tiempo real. de esta manera se facilita el control de posici´on del manipulador.2.1 describe las variables y los valores de los par´ametros del manipulador mostrado en la Fig. el cual puede ser una pinza para asir objetos. y una salida: la posici´on angular θ del brazo. 9. cuyo esquema se muestra en la Fig. Por ejemplo. . Para prop´ositos de modelado. etc. En nuestro caso usaremos una pinza con dos grados de libertad: un grado para rotar la pinza y otro para abrirla y cerrarla. 9. El sistema MR1 es del tipo SISO ya que s´olo posee una entrada: el voltaje de control u aplicado a la armadura del servomotor.1. La Tabla 9. El subsistema mec´anico consiste de un brazo accionado por el torque rotacional generado en el eje de salida del servomotor DC (el actuador). una herramienta para pintar. es com´ un tomar el promedio ponderado de las variabes ya procesadas con las reglas fuzzy. Fig. 9.2. En el extremo libre del brazo rob´otico se puede acoplar un efector final. vamos a suponer que el efector final y su carga se pueden modelar mediante una masa mh variable. donde el controlador convencional se reemplaza por un controlador fuzzy.

N2 n θm θ ω ωm Kw Descripci´on Voltaje de entrada al sistema Ganancia del amplificador Voltaje de armadura Resistencia de armadura Inductancia de armadura Corriente de armadura Constante del torque motor Torque motor Torque de carga Torque causado por pesos de la carga Torque de entrada a los engranajes Torque de salida de los engranajes Inercia del motor Inercia de los engranajes Inercia de la carga Constante de fricci´on del motor Constante de fricci´on en engranajes Constante de fricci´on en la carga Masa del efector final Masa del brazo Longitud del brazo Distancia al centro de masa del efector Voltaje contra electromotriz Constante contra electromotriz Aceleraci´on de la gravedad N o de dientes de los engranajes Relaci´on de engranajes (n = N2 /N1 ) Posici´on angular del motor Posici´on angular de la carga Velocidad angular de la carga Velocidad angular del motor Constante de elasticidad Valor Unidades V 8.00059 0.00014 0.0565 9.9.0436 0.5 3. S´ımbolo u KA Va Ra La ia Km Tm TL τL Tg1 Tg2 Jm Jg JL Bm Bg BL mh mb L rh Vb Kb g N1 .052 V Ω H A N-m/A N-m N-m N-m N-m N-m kg-m2 kg-m2 kg-m2 N-m/rad/s N-m/rad/s N-m/rad/s kg kg m m V V/rad/s m/s2 rad rad rad/s rad/s N-m/rad .02 0.81 N 2 > N1 18.5 0.5 ωm = nω 0.25 0.066 0.4 0.0124 0.0023 0.004 0.1: Par´ametros y variables del brazo rob´otico de 1GDL (MR1).1 0.2 Dise˜ no de Sistemas de Control Fuzzy 195 Tabla 9.

Tg1 es el torque de reacci´on debido al primer engranaje y θm es la posici´on angular en el lado del motor. Tg2 = nTg1 (9. Modelo del Subsistema Mec´ anico Para modelar el subsistema mec´anico del manipulador empleamos la segunda ley de Newton para los movimientos lineal y rotacional. La aplicaci´on de esta segunda ley se traduce en una ecuaci´on de balance mec´anico. 9. Por otra parte. Para los engranajes de reducci´on del servomotor podemos formular: n= θm N2 = N1 θ θm = nθ n>1 (9.2) donde N1 y N2 es el n´ umero de dientes de los engranajes y n > 1 es la relaci´on entre ellos.196 Control Fuzzy La + u _ KA ia θm ωm + V _b ÕOÔÕOÔÕOÔ ÕOÔÕOÔÕOÔ ÕÔÕÔÕÔ ×OÖ×OÖ ×OÖ×OÖ ×Ö×Ö N1 Tm Bm Tg1 Jm N2 T g2 Ra mh mh OØØOÙØ ØOØOÙØ ØØÙØ ÙOÙOÙOÙOÙÙ ÛÚOÛÚOÛOÚ ÛOÚÛOÚÛOÚ ÛÚÛÚÛÚ Bg Jg θ ω L mb τ BL TL J L θ ÒOÒOÒOÒOÓÓ ÒÒÓÓ L L Fig.2) se ha tenido en cuenta que el espacio angular recorrido por el engranaje de menor radio es n veces mayor que el espacio recorrido por el engranaje de radio mayor.1) donde Jm y Bm representan el momento de inercia y la constante de fricci´on viscosa del rotor respectivamente. El balance mec´anico en el eje articulado al brazo del manipulador produce: Tg2 = Jg θ¨ + Bg θ˙ + TL (9. Para formular la ecuaci´on (9. El torque de carga TL se formula como (ver . Con respecto a la Fig.2. 9. el principio de la conservaci´on de la energ´ıa establece que el trabajo realizado por el engranaje de la izquierda debe ser igual al trabajo realizado por el engranaje de la derecha. es decir: Tg2 θ = Tg1 θm = Tg1 nθ. Tm es el torque del servomotor.3) donde Tg2 es el torque de reacci´on debido al segundo engranaje.4) donde Jg y Bg representan el momento de inercia y la constante de fricci´on viscosa de la caja de reducci´on respectivamente.2: Esquema del Manipulador Rob´otico de 1GDL. la ecuaci´on de balance mec´anico en el eje del servomotor articulado al primer engranaje se formula como: Tm = Jm θ¨m + Bm θ˙m + Tg1 d 2 θm θ¨m = dt2 dθm θ˙m = dt (9.

est´a dado por: J = Jo + m a 2 (9.M.6) que el torque τL se debe rh θ _L 2 mhg _L τL 2 mb g Fig. es [1]: Jbo = 1 mb L2 12 (9.5) (9.7) donde Jo es el momento de inercia de m alrededor del eje de rotaci´on que pasa por su centro de masa y a es la distancia entre los dos ejes. mientras que el torque mh g (L + rh )senθ es el producto del peso mh g del efector por su brazo de palanca (L + rh )senθ. Asumiendo que la masa mb del brazo se concentra en su C. Notar en (9. y rh denota la distancia desde el extremo del brazo al centro de masa de mh .6) donde JL y BL representan el momento de inercia y la constante de fricci´on viscosa de la carga no lineal (brazo m´as efector final)..2 Dise˜ no de Sistemas de Control Fuzzy 197 Fig.M. El momento de inercia JL de la carga es la suma del momento de inercia del brazo Jb m´as el momento de inercia del efector Jh . el torque m b g L senθ 2 es el producto del peso mb g del brazo por su brazo de palanca L senθ 2 . 9. As´ı. 9. a las fuerzas ejercidas por los pesos del brazo y de la esfera.3: Brazo del manipulador rob´otico de 1GDL. establece que el momento de inercia de una masa m alrededor de un eje de rotaci´on que no pasa por su C. el teorema de los ejes paralelos.9. Por otra parte.M. g es la constante gravitacional. el momento de inercia Jb con respecto al . m b y mh denotan las masas del brazo y del efector final (esta masa tambi´en incluye la masa de la carga en el efector) respectivamente.3): TL = JL θ¨ + BL θ˙ + τL L τL = mb g senθ + mh g (L + rh )senθ = Q sen θ 2 L Q = mb g + mh g (L + rh ) 2 (9. su momento de inercia con relaci´on a un eje perpendicular que pasa por su C.8) Considerando que la masa del brazo est´a distribuida a lo largo de su longitud y aplicando el teorema de los ejes paralelos.

y Vb es el voltaje de fuerza contra electromotriz gobernado por la relaci´on: Vb = Kb ωm = Kb nω = Kb nθ˙ (9. (9. (9.6).10) y (9. asumiendo que la masa mh del efector est´a concentrada en su C.3) y (9. Si consideramos por ejemplo. (9. (9.15) .M.2) en (9.11) Empleando (9. El voltaje de armadura Va es: Va = K A u donde KA es la ganancia del amplificador.10) donde Jho es el momento de inercia del efector con relaci´on a un eje de rotaci´on que pasa por su C. Ra y La son la corriente.198 Control Fuzzy punto de articulaci´on se formula como:  2 L 1 = mb L2 Jb = Jbo + mb 2 3 (9. Modelo del Subsistema El´ ectrico El voltaje de armadura Va viene expresado por (ver la descripci´on de las variables y par´ametros en la Tabla 9. su momento de inercia alrededor de un eje de rotaci´on que coincide con su di´ametro [1] es: 2 Jho = mh rh2 5 (9. entonces: Jh = Jho + mh (L + rh )2 (9. la resistencia y la inductancia en la armadura del servomotor respectivamente.9) respectivamente.14) donde Kb es la constante de fuerza contra electromotriz y ωm es la velocidad angular del motor.6).1) y operando se obtiene: nTm = Jeq θ¨ + Beq θ˙ + τL = Jeq ω˙ + Beq ω + Q senθ (9.13) donde ia .1): Va = ia Ra + La dia + Vb dt (9. (9. sin perder generalidad.M. Jh y Jb (tener en cuenta que JL = Jh + Jb ) se dan en (9. que el efector es una masa esf´erica de radio rh .4).5).9) Del mismo modo..12) donde: Jeq = n2 Jm + Jg + JL Beq = n2 Bm + Bg + BL Las expresiones de Q.

15) obtenemos: dia KA Kb n Ra = u− ω− ia dt La La La (9.13) con (9. Ecuaci´ on de Estado Lineal del Sistema MR1 con La ∼ =0 En la Tabla 9.18) y (9.19) describen el modelo no lineal del sistema de tercer orden. igualando (9.16) se obtiene la siguiente ecuaci´on de conversi´on de energ´ıa el´ectrica a energ´ıa mec´anica: nKm ia = Jeq θ¨ + Beq θ˙ + τL (9.12) en ( 9. de modo tal que puede despreciarse sin que se pierda considerable exactitud en los resultados. Eligiendo en dichas ecuaciones como variables de estado: x1 = θ (posici´on angular).12) y despejando ω˙ = dω/dt obtenemos: Beq dω Q nKm =− senθ − ω+ ia dt Jeq Jeq Jeq (9.1 podemos observar que la inductancia de armadura La del servomotor es bastante peque˜ na.21) Reemplazando (9.16) donde Km es la constante del motor.20).18) Empleando (9.16) en (9. se obtiene: x˙ 1 = x2 Beq Q nKm senx1 − x2 + x3 Jeq Jeq Jeq nKb Ra KA = − x2 − x3 + u La La La x˙ 2 = − x˙ 3 (9. se obtiene la ecuaci´on de estado lineal de orden dos del manipulador MR1: x˙ 1 = x2 x˙ 2 = −a1 x1 − a2 x2 + bu donde: Q a1 = Jeq a2 =  Beq Ra + n2 Km Kb Jeq Ra  (9. x2 = θ˙ (velocidad angular) y x3 = ia (corriente de armadura).22) b= nKm KA Jeq Ra .17) Por otra parte.2 Dise˜ no de Sistemas de Control Fuzzy 199 Conversi´ on de Energ´ıa El´ ectrica en Mec´ anica Sabemos que el torque motor Tm (energ´ıa mec´anica) es proporcional a la corriente de armadura ia (energ´ıa el´ectrica): Tm = K m i a (9. y haciendo senx 1 = x1 .19) Ecuaci´ on de Estado del Sistema MR1 con La 6= 0 Las ecuaciones (9. Considerando el producto x˙ 3 La = 0 en la tercera ecuaci´on de (9. Reemplazando (9.9.20) y despejando la corriente de armadura x 3 resulta: x3 = nKb KA u− x2 Ra Ra (9.20) donde la salida es la posici´on x1 y la se˜ nal de control es u (la tensi´on de armadura).21) en la segunda ecuaci´on de (9.

4 y 9. PL: “Positive Large” (positivo grande). la funci´on de membresia correspondiente toma el valor NL = 1.3. nominal y m´aximo respectivamente. El valor nominal siempre se sit´ ua entre los valores m´ınimo y m´aximo de la funci´on. NM: “Negative Medium” (negativo medio).200 Control Fuzzy Dise˜ no del Controlador Fuzzy Un sistema de control de posici´on angular convencional tradicionalmente emplea un controlador PD para controlar la posici´on del manipulador MR1. En este ejemplo empleamos funciones de membresia del tipo triangular para las entradas y funciones “singletons” (o u ´nicas) para la salida. La figura 9. de la derivada del error y de la salida (tablas 9.5 V a + 2. que corresponden a los valores m´aximo y m´ınimo que puede soportar el PIC que estamos usando para generar la se˜ nal PWM (“Pulse Width Modulation”) que requiere el amplificador con configuraci´on H. Debemos anotar que los rangos de e(t) y de(t)/dt son s´olo estimaciones. mientras que el procedimiento de defuzzification emplea el m´etodo del centroide (ponderaci´on de las variables promediadas para obtener un valor. Por ello. la funci´on de membresia correspondiente toma el valor gen´erico: e(t) + 0. El procedimiento de fuzzyficaci´on emplea el m´etodo de descomposici´on m´ınima de las funciones de membresia. Podemos observar que para el rango NLmin ≤ e(t) ≤ NLnom. Para el caso de la salida u(t).5 V se convierten usando LabVIEW al rango de salida de 0 a + 5 V. correspondiente a la funci´on NL(t).5).4 muestra las funciones de membresia para el controlador fuzzy tipo PD. NS: “Negative Small” (negativo peque˜ no).4. donde las abreviaturas en min´ usculas min. f para la derivada del error y uu para la salida.7p . el cual se logra haciendo que sus entradas sean el error e(t) y la derivada del error de(t)/dt. Cabe anotar que esta nomenclatura tambi´en se emplea en el programa de simulaci´on del sistema de control fuzzy. tomemos como ejemplo los dos primeros tramos de la funci´on de membresia del error e(t). Notar que en las funciones de membresia estamos usando los par´ametros de escalamiento p para el error. PS: “Positive Small” (positivo peque˜ no). ZE: “zero ”(cero). Para explicar el procedimiento de fuzzyficaci´on. Estos par´ametros nos van a permitir sintonizar en tiempo real el controlador difuso para cumplir el objetivo de control. el controlador fuzzy empleado es del tipo PD. primero definimos los rangos de las funciones de membresia del error. se debe tener en cuenta que el rango de salida de − 2. Por consiguiente.3p NL(t) = − 0. mientras que para el rango NLnom ≥ e(t) ≥ NLmax. El Proceso de Fuzzyfication El proceso de fuzzyficaci´on emplea b´asicamente la informaci´on de la figura 9. nom y max significan m´ınimo. En dicha matriz. las letras tienen el siguiente significado: NL: “Negative Large” (negativo grande). y que su salida sea la se˜ nal de control u(t). PM: “Positive Medium” (positivo medio).2 presenta el conjunto de reglas del controlador en la forma de una matriz de memoria asociativa fuzzy (en ingl´es: “FAM: Fuzzy Asociative Memory matrix”). mientras que la tabla 9. 9.

end . Tales ecuaciones se muestran a continuaci´on en c´odigo MATLAB.7*p).1*p)/(0. elseif(e >= NMnom & e <= NMmax). NL = -(e+0. 9.3*p)/(0. elseif(e >= NLnom & e <= NLmax).7*p).9. Del mismo modo podemos deducir todas las ecuaciones correspondiente al proceso de fuzzyficaci´on de las entradas e(t) y de(t)/dt. se est´an a˜ nadiendo los valores iniciales nulos de las funciones de membresia. end NM = 0.2 Dise˜ no de Sistemas de Control Fuzzy 201 Fig. if(e >= NMmin & e <= NMnom).4: Funciones de membresia para las entradas (error e(t) y de(t)/dt) y para la salida u(t). Notar que la expresi´on de NL(t) es la ecuaci´on de la recta con pendiente negativa correspondiente al tramo NLnom ≥ e(t) ≥ NLmax. % FUZZYFICACI´ ON DE LAS FUNCIONES DE MEMBRESIA PARA EL ERROR e(t): NL = 0. NL = +1.2*p). NM = +(e+1.0*p)/(0. if( e >= NLmin & e <= NLnom). NM = -(e+0. Notar que s´olo para fines de inicializaci´on.

0p ZEmax = + 0.2*p).0. end PS = 0. if(e >= PMmin & e <= PMnom).0.1p PMnom = + 0. de \ e NL NM NS ZE PS PM PL DNL NX NX NX NX NS XE PX DNM NX NX NL NL NS PS PX DNS NX NL NL NM PS PS PX DZE NX NL NL ZE PL PL PX DPS NX NS NS PM PL PL PX DPM NX NS PS PL PL PX PX DPL NX ZE PS PX PX PX PX Tabla 9. end ZE = 0.0.3p PLnom = + 1.2p NLnom = .3p NMmin = . NS = -(e-0.0)/(0. PM = +(e-0.2p NS = 0.0)/(0.0p PLmin = + 0.0.0p ZEmin = .1p NSmin = .1p NSmax = + 0.0.1p ZEnom = + 0.3*p)/(0.1*p)/(0.2: Conjunto de reglas del controlador fuzzy mostradas en la forma de una matriz de memoria asociativa fuzzy (“FAM-matrix”).2*p). elseif(e >= ZEnom & e <= ZEmax). ZE = -(e-0.3p NMmax = . PS = -(e-0. if(e >= NSmin & e <= NSnom).1p PSmax = + 0.3*p)/(0.0.2*p).3p PMmax = + 1.3p PMmin = + 0.1.3p NSnom = .202 Control Fuzzy Tabla 9. .1*p). NS = +(e+0.0p NLmax = . PS = +(e-0.0p PLmax = + 1.1*p)/(0.1. elseif(e >= PSnom & e <= PSmax).1p PSmin = + 0.3: Rango de las funciones de membresia para el error e(t).1. NLmin = . if(e >= PSmin & e <= PSnom). if(e >= ZEmin & e <= ZEnom). ZE = +(e+0.1*p)/(0.0p PSnom = + 0.1*p).1*p).0p NMnom = .1*p). elseif(e >= NSnom & e <= NSmax). end PM = 0.

2uu UZE = 0uu UPS = + 0.6.1. if( de >= DNLmin & de <= DNLnom).6uu UPX = + 0. DNS = (-de-0. DNL = (-de-2*f)/(3*f).4: Rango de las funciones de membresia para la derivada del error de(t)/dt.7uu UNL = .2uu UPM = + 0. if(de >= DNMmin & de <= DNMnom).6uu UNM = .0*p)/(0.0f DPSmin = + 0. end . DNLmin = .0)/f.4uu UPL = + 0.0f DNLnom = . DZE = (-de+1*f)/f. end DPS = 0.0f DNSnom = .0.0f DNMmin = . PM = -(e-1.0f DZEmin = .0f DNMmax = . DZE = +(de+1*f)/f.0.0f DPLmin = + 2.1.2. if(de >= DPSmin & de <= DPSnom). elseif(de >= DNMnom & de <= DNMmax). elseif(de >= DNLnom & de <= DNLmax).1. PL = +(e-0.7*p). elseif(e >= PLnom & e <= PLmax).0f Tabla 9.5: Rango de las funciones de membresia para la se˜ nal de control u(t).0f DPMnom = + 2.5.0f DNMnom = . UNX = .4uu UNS = .0f DZEnom = + 0.0f DPLmax = + 6.7uu elseif(e >= PMnom & e <= PMmax).0f DNLmax = .0f DZEmax = + 1.5. DPS = (de-2*f)/f.0f DPSmax = + 2. end DNM = 0.0*f)/f. end DNS = 0.0f DNSmax = + 0. DNM = (-de-1*f)/f.0. DPS = +(de+0.3*p)/(0. elseif(de >= DNSnom & de <= DNSmax).7*p). DNL = +1.2.0f DPMmax = + 5.9.2 Dise˜ no de Sistemas de Control Fuzzy 203 Tabla 9. if(de >= DZEmin & de <= DZEnom).0f DPSnom = + 1. DNM = +(de+5*f)/(3*f).0f DNSmin = . end % FUZZYFICACI´ ON DE LAS FUNCIONES DE MEMBRESIA PARA LA DERIVADA DEL ERROR de(t)/dt: DNL = 0.2. DNS = +(de+2*f)/f. if(e >= PLmin & e <= PLnom). if(de >= DNSmin & de <= DNSnom).0f DPMmin = + 1.0f DPLnom = + 5. elseif(de >= DPSnom & de <= DPSmax). end PL = 0. end DZE = 0. elseif(de >= DZEnom & de <= DZEmax). PL = +1.0.

% PARAMETROS DEL PROCESO Ra=3.2 0 Fig.6 0. clc.2 0 0 1 2 3 4 5 6 0 1 2 3 Tiempo en segundos 4 5 6 Señal de control u (voltios) 1. mh=0.6 0.8 0. end Simulaci´ on del Sistema de Control Fuzzy El programa fuzzyposition.02.5 muestra el resultado de tal simulaci´on. DPL = +(de-2*f)/(3*f).2 1 0.m SIMULACION DEL SISTEMA DE CONTROL DE POSICION FUZZY clear all.0436. g=9. if(de >= DPLmin & de <= DPLnom). JL=Jh+Jb. Bm=0.1.00014.0023.4 0. Jb=mb*L^2/3.00059. a1 = Q/Jeq.001. Jg=0. n=18. elseif(de >= DPMnom & de <= DPMmax).5. Jm=0. rh=0.5. L=0. DPM = +(de-1*f)/f. T = 0. a2 = (Beq*Ra+n^2*Km*Kb)/(Jeq*Ra). para una se˜ nal de referencia fija.25. Jeq = n^2*Jm + Jg + JL. if(de >= DPMmin & de <= DPMnom). 9. Km=0. Bg=0. Q = mb*g*L/2 + mh*g*(L+rh). Jho=2*mh*rh^2/5. Jh=Jho+mh*(L+rh)^2. Beq = n^2*Bm + Bg + BL. La figura 9.5. end DPL = 0.4 0.4. DPL = +1. % fuzzyposition.5: Posici´on angular controlada en la simulaci´on del sistema de control fuzzy del brazo rob´otico de 1GDL.81.4 1.066.8 0. Posición angular (rad) 1 0.204 Control Fuzzy DPM = 0. elseif(de >= DPLnom & de <= DPLmax). simula el comportamiento del sistema para controlar la posici´on del brazo rob´otico de 1GDL empleando un controlador fuzzy. b = n*Km*KA/(Jeq*Ra).m escrito en c´odigo MATLAB y cuyo listado se muestra abajo. KA=8. mb=0. DPM = (-de+5*f)/(3*f).0124. Kb=Km. close all. % PERIODO DE MUESTREO . BL=0.

0*f. DPSnom=+1. ZE = -(e-0.3*p. DPLmax=+6.0*f. PMmin=+0. ZEmin=-0.ep)/T. PLnom=+1.2*p). PSmin=+0.0*f. UPS=0. ZEnom=+0. end NM = 0. elseif(k >= Mm/2 && k <= 3*Mm/4) r = 1*A. elseif(e >= NLnom && e <= NLmax).0*p. A = 0. NMnom=-0. PSmax=+0.2*ur.1*p).0*f. if( e >= NLmin && e <= NLnom). UPL=0.1*p).1*p. NMmin=-1. NM = -(e+0. UNL=-0. ZE = +(e+0.3*p)/(0.1*p.3*p.2*p. DPMmin=+1. ZEmax=+0. NL = -(e+0. D = 0. end ZE = 0.1*p. NS = +(e+0. DPLnom=+5.0)/(0.2 Dise˜ no de Sistemas de Control Fuzzy % RANGOS DE LAS FUNCIONES DE MEMEBRESIA PARA EL ERROR e p=1.7*p). 205 .0*f. DNSnom=-1. x2 = 0.4*ur. UPX=0.1*p)/(0.0*f. % SALIDAS (FUERZAS DE CONTROL) ur = 5. % SET POINT % CALCULO DE LA SE~NAL DE CONTROL u(t) e = r . DNSmax=+0.3*p. UPM=0.0*f. NLmin=-1. NSnom=-0.5*A.0*p.0*f. NSmax=+0.1*p)/(0.0*f.0*f. NMmax=-0. for k = 1:Mm % SE~NAL DE REFERENCIA if(k >= 0 && k <= Mm/4) r = A. DNMmax=-1. DNSmin=-2. if(e >= NSmin && e <= NSnom). DNMmin=-5. I = 0. Y(k) = x1.1*p).2*p.8*A.2*ur. DPMmax=+5. if(e >= NMmin && e <= NMnom).6*ur. DPSmax=+2.1*p. NS = -(e-0. DPSmin=+0.x1. PLmax=+1.9. PMnom=+0.5. elseif(e >= NMnom && e <= NMmax).0*f.0*p.0*p. % CONDICIONES INICIALES ep = 0.3*p. DZEmax=+1. de = (e . PS = +(e-0.0*f. % ******** LAZO DEL SISTEMA DE CONTROL FUZZY ********* Mm = 12000. elseif(e >= NSnom && e <= NSmax). DNLmax=-2.4*ur.7*ur. elseif(e >= ZEnom && e <= ZEmax). if(e >= PSmin && e <= PSnom).3*p)/(0. x1 = 0.1*p). NLmax=-0. UNM=-0.3*p. UNS=-0. PMmax=+1. elseif(k >= Mm/4 && k <= Mm/2) r = 0. % RANGOS DE LAS FUNCIONES DE MEMEBRESIA PARA LA DERIVADA DEL ERROR de f=0.0*f.1*p. % FUZZYFICATION DE LAS FUNCIONES DE MEMEBRESIA DEL ERROR e NL = 0.1*p)/(0. DNMnom=-2.0*f.0*f. NSmin=-0. UNX=-0. DZEnom=+0.0*f.0*f. end PS = 0. DNLmin=-6. end R(k)=r. NM = +(e+1. end NS = 0. NLnom=-1. DPMnom=+2. elseif(k >= 3*Mm/4 && k <= Mm) r = 0.7*ur.0*p)/(0. DPLmin=+2.7. if(e >= ZEmin && e <= ZEnom). PLmin=+0.0*f. UZE=0*ur.0)/(0.0*p.3*p.0*f.6*ur. NL = +1.0*p. DNLnom=-5. PSnom=+0.2*p). DZEmin=-1.0*f.7*p).1*p.0*f.0*p.

7*p). w66=min(PM.DNS).DNS). w33=min(NS. w51=min(NL. if(de >= DPLmin && de <= DPLnom).DZE).DZE).DPS). u1=(w11*UNX+w12*UNX+w13*UNX+w14*UNX+w15*UNS+w16*UZE+w17*UPX+ . DZE = (-de+1*f)/f.. DPL = +(de-2*f)/(3*f). w36=min(PM.DPL).DPL). w21=min(NL.206 Control Fuzzy elseif(e >= PSnom && e <= PSmax). w71=min(NL. w56=min(PM. end DNS = 0. if(de >= DZEmin && de <= DZEnom). end DZE = 0. w72=min(NM.DPS). w32=min(NM.DNS).DNM). if(de >= DNSmin && de <= DNSnom).DNM). . w44=min(ZE. elseif(de >= DPMnom && de <= DPMmax).DPL). PS = -(e-0. .DPM).. w15=min(PS.DNM). DNM = (-de-1*f)/f.DNM). w46=min(PM.3*p)/(0. DPS = (de-2*f)/f. end DPL = 0. w61=min(NL. end DPM = 0. w62=min(NM.DPM). w65=min(PS. .DNL).DZE). if(de >= DPMmin && de <= DPMnom). DNL = +1. DPS = +(de+0.DPL). DNM = +(de+5*f)/(3*f). w23=min(NS. elseif(de >= DPLnom && de <= DPLmax).DPL). DPM = (-de+5*f)/(3*f). w76=min(PM. w17=min(PL. elseif(de >= DNSnom && de <= DNSmax). if(e >= PMmin && e <= PMnom). if(de >= DPSmin && de <= DPSnom).DZE).DZE). PM = +(e-0.DNM). end PM = 0. w45=min(PS..DZE). end DPS = 0. elseif(de >= DZEnom && de <= DZEmax).DPM).DNS). w75=min(PS. w41=min(NL.DPM).. w13=min(NS. . w35=min(PS. w52=min(NM.DPL).DZE).DNL).. PL = +1. w22=min(NM.DPL).DPS)..1*p)/(0. elseif(e >= PMnom && e <= PMmax). . w31=min(NL.DNL). DZE = +(de+1*f)/f.DNM).DNL).0*f)/f..DNL).DNS). w37=min(PL. w24=min(ZE.3*p)/(0. DNS = +(de+2*f)/f.DPS). end DNM = 0. end % FUZZYFICATION DE LAS FUNCIONES DE MEMEBRESIA DE LA DERIVADA DEL ERROR de DNL = 0.0)/f. if(e >= PLmin && e <= PLnom).. . if(de >= DNMmin && de <= DNMnom). w55=min(PS. elseif(de >= DNLnom && de <= DNLmax).7*p).DNL). PM = -(e-1. w64=min(ZE. w74=min(ZE.DPS).DNS).0*p)/(0. w54=min(ZE. DNL = (-de-2*f)/(3*f).DPS). elseif(de >= DPSnom && de <= DPSmax). w25=min(PS. w47=min(PL. elseif(de >= DNMnom && de <= DNMmax). PL = +(e-0. DNS = (-de-0.2*p). elseif(e >= PLnom && e <= PLmax)... w21*UNX+w22*UNX+w23*UNL + w24*UNL + w25*UNS + w26*UPS + w27*UPX + w31*UNX+w32*UNL+w33*UNL + w34*UNM + w35*UPS + w36*UPS + w37*UPX + w41*UNX+w42*UNL+w43*UNL + w44*UZE + w45*UPL + w46*UPL + w47*UPX + w51*UNX+w52*UNS+w53*UNS + w54*UPM + w55*UPL + w56*UPL + w57*UPX + w61*UNX+w62*UNS+w63*UPS + w64*UPL + w65*UPL + w66*UPX + w67*UPX + w71*UNX+w72*UNS+w73*UPS + w74*UPL + w75*UPL + w76*UPX + w77*UPX). w26=min(PM.DNM). w12=min(NM. w57=min(PL. w63=min(NS.DPM). w43=min(NS.DNL).DPM). DPL = +1. w42=min(NM. DPM = +(de-1*f)/f.. w53=min(NS. w77=min(PL. w16=min(PM. if( de >= DNLmin && de <= DNLnom). w34=min(ZE. w27=min(PL. w67=min(PL.DPS).DNS). w73=min(NS. end PL = 0.. end % RULES w11=min(NL.2*p).DPM). w14=min(ZE.

print -f -deps fuzzyposition 207 . xlabel(’TIEMPO [s]’). subplot(2.9. w31 + w32 + w33 + w34 + w35 + w36 + w37 + . w21 + w22 + w23 + w24 + w25 + w26 + w27 + . w71 + w72 + w73 + w74 + w75 + w76 + w77. plot(ejex..Mm*T.Mm).0001).a2*x2 +b*u). U1(k) = u1..U). u = u1/(ww+0. w51 + w52 + w53 + w54 + w55 + w56 + w57 + .ejex.Y).2). w41 + w42 + w43 + w44 + w45 + w46 + w47 + ..... w61 + w62 + w63 + w64 + w65 + w66 + w67 + .1.1.1).R... plot(ejex. WW(k) = ww. subplot(2.. x2 = x2 + T*( -a1*x1 .. % MODELO DE SEGUNDO ORDEN DEL PROCESO (DISCRETIZACION DIRECTA) x1 = x1 + T*x2.. grid. ep = e.2 Dise˜ no de Sistemas de Control Fuzzy ww= w11 + w12 + w13 + w14 + w15 + w16 + w17 + .. U(k) = u. end % ***************** FIN DEL LAZO ********************** % GRAFICOS ejex = linspace(0. grid ylabel(’POSICI´ ON ([rad]’). ylabel(’CONTROL u [V]’).

.

donde t es la variable dependiente tiempo continuo y los ti para i = 0. Los temas a tratar son: transformada de Laplace. La Tabla A. Los t´opicos se desarrollan principalmente en el dominio continuo. La transformada unilateral de Laplace es u ´til para representar en forma algebraica sistemas causales descritos por ecuaciones diferenciales lineales invariantes con el tiempo. . La Fig. Los numerosos ejemplos presentados se resuelven en unos casos anal´ıticamente.2. variables de estado. La gran mayor´ıa de los sistemas reales son causales. por ejemplo. depende de la entrada u en t3 (la actual) y de las entradas pasadas en t2 .1. Un sistema representado por la funci´on g(t) se denomina causal cuando su salida y(t) depende s´olo de la entrada presente u(t) y de las entradas pasadas u(t−t i ). El t´opico discretizaci´on directa se desarrolla en el dominio discreto.Ap´ endice A Sistemas Continuos Este Cap´ıtulo presenta la matem´atica requerida en los Cap´ıtulos siguientes.1(b) se obtiene variando la abertura u(t) de la v´alvula de vapor.1) 0 donde el n´ umero complejo s = σ + jω es la variable Laplaciana. sistemas con tiempo muerto. matrices y determinantes. la salida y en el tiempo t3 . Definici´ on y Ejemplos La transformada unilateral de Laplace G(s) de una funci´on g(t) se define como: Z ∞ G(s) = L[g(t)] = g(t)e−st dt (A. Varias de sus propiedades se ilustran en la Tabla A. La Transformada Unilateral de Laplace A. A. A. .1.1(a) muestra un tanque con agua calentada mediante vapor. . t1 y t0 . en otros con ayuda del software MATLAB y en la mayor´ıa de los casos empleando ambos m´etodos. ´algebra de bloques. linealizaci´on de sistemas continuos y estabilidad. . A. n son n´ umeros reales positivo que indican retardos de tiempo. La regi´on de s en la cual dicha integral converge se denomina Regi´ on de Convergencia. La curva de reacci´on del sistema temperatura y(t) mostrado en la Fig. discretizaci´on directa. Este sistema es causal porque. .1.1 muestra la transformada unilateral de Laplace de algunas funciones.

1) con g(t) = µ(t):  −st ∞ Z ∞ Z ∞ e−∞ − e−0 1 −e −st −st G(s) = L[µ(t)] = = µ(t)e dt = = (1)e dt = −s 0 −s s 0 0 Ejemplo A.2 con t0 = T . Soluci´ on: Usando la definici´on dada en (A. Esto es: L[µ(t − T )] = e−T s G(s) = e−T s 1 e−T s = s s Ejemplo A.1: Ejemplo de sistema causal: temperatura en un tanque.1): #∞ " Z ∞ −(s+a)t 1 −e = L[e−at ] = e−at e−st dt = s+a s+a 0 0 . sabiendo que G(s) = 1/s por el ejemplo anterior.210 Sistemas Continuos u u Agua t y y Vapor t0 t1 (a) t2 t3 t (b) Fig.1 Hallar la transformada de Laplace de la funci´on escal´on unitario µ(t) definida como:  1 si t ≥ 0 µ(t) = 0 si t < 0 Soluci´ on: Usando la definici´on dada en (A. donde a y t son reales y positivos. A. La funci´on µ(t − T ) se define como:  1 si t ≥ T µ(t − T ) = 0 si t < T Soluci´ on: La transformada de Laplace de µ(t − T ) se halla empleando la propiedad (5) (desplazamiento en tiempo) de la Tabla A.3 Hallar la transformada de Laplace de la funci´on exponencial e−at .2 Hallar la transformada de Laplace de la funci´on escal´on unitario retardado µ(t − T ) donde T es real y positivo. Ejemplo A.

t.s).2) con g(t) = e−st y T = 0 se obtiene: Z ∞ e−st δ(t − T )dt = e−sT |T =0 = 1 L[δ(t)] = 0 Aplicando ahora la propiedad fundamental con g(t) = e−st y retardo T resulta: Z ∞ e−st δ(t − T )dt = e−sT = z −1 L[δ(t − T )] = 0 La relaci´on: z = esT constituye la variable discreta de desplazamiento y se emplea para el an´alisis de sistemas lineales discretos con par´ametros invariantes con el tiempo.3) δ(t − T ) = δ(t) = 0 si t 6= T 0 si t 6= 0 Soluci´ on: Aplicando la propiedad fundamental (A. % G1 = a/s G2 = laplace(exp(-a*t).1 La Transformada Unilateral de Laplace 211 Ejemplo A. syms a t s. pretty(G4) % G4 = a*(s^2 + 3)/((s^2 + 9)(s^2+1)) g5 = int(t^2+cos(2*t)).4 Hallar la transformada de Laplace de las funciones impulso δ(t) y δ(t − T ) empleando la siguiente propiedad fundamental: Z ∞ g(t)δ(t − T )dt = g(T ) (A.t. % G5 =2/s^4 + 1/(s^2+4) .t.s).A.t.1 y g(t) es una funci´on arbitraria dependiente del tiempo. G1 =laplace(a.2) 0 donde g(t) es una funci´on arbitraria pero continua en t = T . clc.s). µ(t) es la funci´on escal´on unitario definida en el ejemplo A. % G3 = s*laplace(g(t).m resuelve el problema. Soluci´ on: El programa laplace1. hallar la transformada de Laplace de las siguientes funciones: dg(t) g1 (t) = aµ(t) g2 (t) = e−at g3 (t) = dt Z t g4 (t) = a sin(t)cos(t)2 g5 (t) = (t2 + cos 2t) 0 donde a es una constante real y positiva. Ejemplo A. % G2 = 1/(s+a) G3 = laplace(diff(sym(’g(t)’))). G5 = laplace(g5). Se sabe adem´as que la funci´on impulso unitario o delta de Dirac δ(t) y delta de Dirac retardada δ(t − T ) se definen como:   1 si t = T 1 si t = 0 (A.s)-g(0) G4 = laplace(a*sin(t)*cos(t)^2.5 Usando matem´atica simb´olica. close all.m TRANSFORMADA SIMB´ OLICA DE LAPLACE clear all. % laplace1.

6 Usando matem´atica simb´olica. clc. Si se desprecia la inercia de las ruedas y se asume que la fuerza de fricci´on bv es lo u ´nico que se opone al movimiento. Soluci´ on: Teniendo en cuenta que v(0) = 2 m/s. % g2 = A*e^(a*t)*sin(w*t) Ejemplo A.2 en la ecuaci´on din´amica del carro: m(sV (s) − v(0)) + bV (s) = U (s) . donde b= 50 N–s/m es el coeficiente de fricci´on. A.2 muestra un m´ovil de masa m = 1000 kg desplaz´andose con una velocidad v gracias a la acci´on de la fuerza u producida por su motor. Sistemas Continuos La Transformada Inversa de Laplace La transformada inversa de Laplace de una funci´on G(s) se denota como: g(t) = L−1 [G(s)] (A. Considere que la fuerza comienza a actuar para una velocidad inicial del carro de 2 m/s. V (s) = L[v(t)] y U (s) = L[u(t)]. syms s w a A G1=(s+3)/s^2.212 A.7 La figura A. g2 = ilaplace(G2). g1 = ilaplace(G1). entonces la din´amica del sistema puede modelarse como: mv(t) ˙ + bv(t) = u(t) v(t) ˙ = dv(t) dt Determine la velocidad v(t) y la aceleraci´on v(t) ˙ del carro como respuesta a una fuerza u(t) tipo escal´on de 1 N.2: M´ovil en movimiento.m resuelve el problema. % g1 = 1 + 3*t G2=A*w/((s-a)^2+w^2).1.m clear all. friccion bv v velocidad m u Fig. close all.4) Ejemplo A. hallar la transformada inversa de Laplace de las siguientes funciones: G1 (s) = s+3 s2 G2 (s) = Aw (s − a2 ) + w2 donde w es una constante real y positiva.2. apliquemos la propiedad de derivaci´on (2) de la Tabla A. Soluci´ on: El programa laplace2. % laplace2.

Soluci´ on: El valor inicial de v(t) se determina de: l´ım v(t) = l´ım sV (s) = v(0) t→0 s→∞ El valor final v(t) se obtienen de: l´ım v(t) = l´ım sV (s) = t→∞ A. mientras que para el segundo t´ermino empleamos la f´ormula (3).1. Para el primer t´ermino de V (s) empleamos la f´ormula (14) con n = 1. s→0 1 b La Funci´ on de Transferencia La funci´on de transferencia FT de un sistema SISO (Single Input Single Output) se define como la relaci´on: Y (s) G(s) = U (s) donde Y (s) es su salida y U (s) es su entrada. Luego determine la velocidad v(t) del m´ovil partiendo de su FT. nivel en un tanque de agua con orificio de salida y un m´ovil con desplazamiento horizontal poseen la siguiente forma de su FT: Y (s) K = U (s) τs + 1 Ejemplo A.7. pero con par´ametros completamente diferentes. Por consiguiente: v(t) = L−1 [V (s)] = b b 1 (1 − e− m t ) + v(0)e− m t b La derivada de v(t) produce la aceleraci´on pedida: v˙ = b 1 [1 − bv(0)] e− m t m Ejemplo A. La salida v(t) se determina usando la Tabla A. los sistemas velocidad de un motor DC. asumiendo que todas las condiciones iniciales son nulas.1 La Transformada Unilateral de Laplace V (s) = 213 v(0) 1/m + s(s + b/m) s + b/m donde hemos usado el hecho de que U (s) = 1s debido a que la entrada u es del tipo escal´on. Por ejemplo.1.8 Empleando las propiedades del valor inicial y del valor final de la Tabla A.A.2. ya que se expresa en funci´on de los par´ametros de dicho sistema. . Distintos sistemas pueden poseer una misma forma de la FT. La FT se puede interpretar como el sello que caracteriza la din´amica de un sistema.9 Determinar la FT del m´ovil del ejemplo A.3. como respuesta a una fuerza u(t) tipo escal´on de 1 N. determinar tales valores para la velocidad del m´ovil del problema anterior.

10 Empleando las propiedades del valor inicial y del valor final de la Tabla A.214 Sistemas Continuos Soluci´ on: La FT del sistema se obtiene aplicando la propiedad de derivaci´on (2) de la Tabla A. La salida se determina de: v(t) = L −1 [V (s)] = L −1  1/m s(s + b/m)  Usando la f´ormula (14) (con n = 0) de la Tabla A. . entonces: B(s) R(s) =k+ A(s) A(s) donde k es una constante y la fracci´on Ejemplo A. Si A(s) y B(s) poseen el mismo grado. con v(0) = 0: 1/m V (s) = U (s) s + b/m m[sV (s) − v(0)] + bV (s) = (ms + b)V (s) = U (s). Como la entrada es un escal´on unitario. entonces U (s) = 1s . Cualquier funci´on o fracci´on racional propia de la forma B(s) A(s) se puede escribir como una suma de funciones racionales de la forma: C (as + b)r Cs + D + bs + c)r (as2 r = 1.1.4. 3. determinar tales valores para la velocidad del m´ovil del problema anterior.1 resulta: b 1 v(t) = (1 − e− m t ) b Ejemplo A.11 R(s) A(s) resulta propia. . s→0 1 b Fracciones Parciales Una funci´on o fracci´on racional de la forma B(s) A(s) es propia cuando el grado del polinomio B(s) del numerador es menor que el grado del polinomio A(s) del numerador. Soluci´ on: El valor inicial se determina de: l´ım v(t) = l´ım sV (s) = 0 s→∞ t→0 El valor final se obtiene de: l´ım v(t) = l´ım sV (s) = t→∞ A.. .2. Observar que resulta una FT de primer orden. . 2.2).

1 La Transformada Unilateral de Laplace 215 Tabla A.1: Transformadas unilaterales de Laplace No G(s) g(t) (1) 1 δ(t) (2) 1 s µ(t) (3) 1 s+a e−at (4) ω s2 +ω 2 sen ωt (5) s s2 +ω 2 cos ωt (6) s cos α−ωsenα s2 +ω 2 cos(ωt + α) (7) ω (s+a)2 +ω 2 e−at senωt (8) (s+a) (s+a)2 +ω 2 e−at cosωt (9) (s+a)cosα−ωsenα (s+a)2 +ω 2 e−at cos(ωt + α) (10) 1 s[(s+b)2 +a2 ] (11) n! . [1−e−bt (cos at+ ab sen at)] a2 +b2 tn e−at at −at n )e i ν (at) e−at ν! + an+1 [at−2+(2+at)e−at ] s 1 a3 t ab − 1 a2 b − 1 ab2 + 1 b−a 1 −at e a2 − 1 −bt e b2  . . . sn+1 (12) 1 (s+a)n+1 tn n! (13) s (s+a)n+1 (14) 1 s(s+a)n+1 tn+1 (n+1)! (1 h P 1− n ν=0 (15) s2 (s+a)2 (16) 1 (s+a)(s+b) (e−at − e−bt )/(b − a) (17) s (s+a)(s+b) (18) 1 s(s+a)(s+b) (19) s2 (s+a)(s+b) (be−bt − ae−at )/(b − a)   1 be−at −ae−bt 1 − ab b−a (20) 1 (s+a)(s+b)(s+c) e−at (b−a)(c−a) + e−bt (a−b)(c−b) + e−ct (a−c)(b−c) (21) s (s+a)(s+b)(s+c) ae−at (a−b)(c−a) + be−bt (b−a)(c−b) + ce−ct (c−a)(b−c) n! = n(n − 1) .A.

(30) 2 sωn 2 s2 +2ζωn s+ωn ζ < 1.216 Sistemas Continuos Transformadas unilaterales de Laplace (continuaci´on) No G(s) g(t) (22) s2 (s+a)(s+b)(s+c) a2 e−at (b−a)(c−a) (23) 1 s(s+a)(s+b)(s+c) 1 abc (24) 1 (s+a)(s+b)2 (25) s (s+a)(s+b)2 (26) s2 (s+a)(s+b)2 (27) 1 s(s+a)(s+b)2 (28) 1 s[(s+b)2 +a2 ] (29) 2 ωn 2 s2 +2ζωn s+ωn ζ < 1. el valor de H del segundo ejemplo se calcula multiplicando ambos miembros de la igualdad por el factor (s + 1). se eval´ ua en . 1 − (32) 2 ωn 2) s(s2 +2ζωn s+ωn + h b2 e−bt (a−b)(c−b) c2 e−ct (a−c)(b−c) + i bce−at cae−bt abe−ct 1 − (b−a)(c−a) − (a−b)(c−b) − (a−c)(b−c)  −at 1 e − [1 + (b − a)t]e−bt (b−a)2  1 −ae−at + [a + (b − a)bt]e−bt (b−a)2  2 −at 1 a e − [2ab − b2 + (b − a)b2 t]e−bt (b−a)2 h i 2ab−a2 +ab(b−a)t −bt 1 b2 e−at 1 − + e 2 2 2 ab (b−a) (b−a)   1 −bt (cos at + b senat) 1 − e 2 2 a a +b 2 ωn ωd e−δt sen ωd t ωn ωd e−δt sen (ωd t + θ) −t/T1 −T ζ > 1.2 = 1 ωn (ζ ± p ζ 2 − 1) Los siguientes tres ejemplos ilustran la expansi´on en fracciones parciales: 3s + 2 C D E F = + + + 2 2 s(4s + 3)(2s + 5) s 4s + 3 (2s + 5) (2s + 5) Cs + D Es + F H 7s2 − 2s + 1 = 2 + 2 + 2 2 2 (s + 2s + 4) (s + 1) (s + 2s + 4) s + 2s + 4 s + 1 s2 − 9 8 =1− =1− 2 s −1 (s + 1)(s − 1)  D C + s+1 s−1  A manera de ilustraci´on. La relaci´on resultante se eval´ ua con la soluci´on de la ecuaci´on (s + 1) = 0. es decir. ωn2 e−δt sen (ωd t − θ) (31) 2 ωn 2) s(s2 +2ζωn s+ωn ζ < 1. para poder aislar H. 1 − T1 e p ωd = ω n 1 − ζ 2 2e −t/T2 T1 −T2 θ = arc cos ζ = arc cos (ωd /ωn ) δ = ζ ωn T1.

entonces k(s) = 0. . Los coeficientes de los polinomios A(s) y B(s) se introducen como vectores. A(s) = s4 + 5s2 − s − 3 produce el vector: A = [1 0 5 –1 –3]. . entonces la expansi´on incluye t´erminos de la forma: rj+1 rj+m−1 rj + + ··· + s − pj (s − pj )2 (s − pj )m donde rj . .A) permite expandir una fracci´on racional en la forma siguiente: B(s) r1 r2 rn = + + ··· + + k(s) A(s) s − p1 s − p2 s − pn (A. Todos los polos y los residuos est´an contenidos en los vectores p y r respectivamente. Si son iguales. . k(s) es una constante. r1 . Si B(s) A(s) posee polos repetidos. . Por ejemplo.A. pn son los n polos que no se repiten. . . si su polo pj es de multiplicidad m. . .k] = residue(B. . Si en (A. rj+m−1 son los correspondientes residuos. rn son los residuos y k(s) comprime los t´erminos directos.5) el grado de B(s) es menor que el de A(s).2: Propiedades de la transformada de Laplace No Descripci´on Propiedad (1) Linealidad L[a1 g1 (t) + a2 g2 (t)] = a1 L[g1 (t)] + a2 L[g2 (t)] (2) Derivaci´on (3) Derivaci´on de orden n = a1 G1 (s) + a2 G2 (s) h i L dg(t) = sG(s) − g(0) h ndt i L d dtg(t) = sn G(s) − sn−1 g(0) − sn−2 dg(0) n dt − · · · n−2 n−1 −s dgdtn−2(0) − dgdtn−1(0) i hR t L 0 g(t)dt = G(s) s (4) Integral (5) Desplazamiento en tiempo (6) Desplazamiento en frecuencia L[e−at g(t)] = G(s + a) (7) Escalamiento L[g(at)] = a1 G( as ) (8) Valor inicial l´ımt→0 g(t) = l´ıms→∞ sG(s) (9) Valor final l´ımt→∞ g(t) = l´ıms→0 sG(s) (10) Multiplicaci´on por tn (11) Divisi´on entre t L[tn g(t)] = (−1)n d dsG(s) n R∞ L[g(t)/t] = 0 G(t)dt L[g(t − t0 )] = e−t0 s G(s) n s = −1 como sigue:  2  10 (7s − 2s + 1)(s + 1) (Cs + D)(s + 1) (Es + F )(s + 1) − + H= = 2 2 2 2 2 (s + 2s + 4) (s + 1) (s + 2s + 4) s + 2s + 4 9 s=−1 Comando para Expandir Fracciones Racionales El comando [r. por ejemplo.5) donde p1 . . .1 La Transformada Unilateral de Laplace 217 Tabla A. .p.

(−1 − i) . con n = 1.8].A). ζ = 1/ 2. pj+1 ] = [(−1 + i) . se obtiene:   ωn2 −δt ωn2 −1 −1 L [1] = δ(t) L = e sen ωd t s2 + 2ζωn s + ωn2 ωd     1 1 = e−t L−1 = te−t L−1 s+1 (s + 1)2 donde.1.5i −2 1 = 1+ + + + s + 1 − i s + 1 + i s + 1 (s + 1)2 Es f´acil demostrar que: −0. Por consiguiente. k = 1 M = [1 6].1. −2 . juntando los resultados anteriores se obtiene: g(t) = δ(t) + e−t sen t − 2e−t + te−t .N). pp = [2. B = [1 0 -16]. −1 . (29). pj . % r = [7.12 El programa fracp1.5i .m DESCOMPOSICION EN FRACCIONES PARCIALES clear all.5i 1 1 + = = s+1−i s+1+i 2 (s2 + 2s + 2) 2 s2 + 2ζωn s + ωn2 √ √ donde.p.5. p2 . % rr = [1. p = [-1. (3) y (12) de la Tabla A. Por consiguiente: B(s) 7.m calcula los vectores r. ωd = 1 y δ = 1.-7. −1] k=1 Dado que todas las ra´ıces en el vector r son distintas: rj rj+1 r2 r1 + + + G(s) = k + s − p1 s − p2 s − pj (s − pj )2 −0.218 Sistemas Continuos Ejemplo A.kk] = residue(M.m descompone en fracciones parciales las expresiones: B(s) s2 − 16 = 2 A(s) s −1 N (s) s+6 s+6 = = 2 M (s) (s − 2)2 s − 4s + 4 % fracp1.k] = residue(B. Por consiguiente: G(s) = 1 + 1 2 −2 1 + + 2 2 (s + 2s + 2) s + 1 (s + 1)2 Empleando los pares (1).2].5].13 Hallar la transformada inversa de Laplace de: G(s) = B(s) s4 + 2s3 + 3s2 + 2s + 1 = 4 A(s) s + 4s3 + 7s2 + 6s + 2 Soluci´ on: El programa fracp2.5i 0. N = [1 -4 4].5 −7.5i 2 ωn2 0.5i . % SEGUNDO CASO [rr. 1 ] p = [ p1 . rj+1 ] = [ −0.pp. por igualaci´on: ωn = 2.1]. rj . 0. close all. A = [1 0 -1]. se calcularon empleando las f´ormulas al final de la continuaci´on de la Tabla A. p y k: r = [ r1 . r2 .5 = + +1 A(s) s+1 s−1 N (s) 1 8 = + M (s) s − 2 (s − 2)2 Ejemplo A. kk = 0. % PRIMER CASO [r. clc.

p = [-1+i.1.3. La FT entre x1 y x2 .1]. clc.5.p.4.0.2.3(f). A.-1.-1].7. Por ejemplo. la cual se representa por un c´ırculo. las se˜ nales r. mostrada en su diagrama equivalente.3 muestra las transformaciones v´alidas entre bloques y sus correspondientes diagramas de flujo de se˜ nales.2:    d2 y(t) dy(t) + 24y(t) = L e−6t L + 11 2 dt dt    dy(0) 1 2 s Y (s) − sy(0) − + 11(sY (s) − y(0)) + 24Y (s) = dt s+6 Y (s) = 1 3/80 1/60 1/48 = + + (s + 3)(s + 8)(s + 6) s+3 s+8 s+6 y(t) = A. y(0) = 0. B = [1. Soluci´ on: Empleamos la propiedad de derivaci´on de la Tabla A.5i. en el diagrama de bloques mostrado en la Fig. Cabe anotar que cada bloque representa una FT.k] = residue(B.m DESCOMPOSICI´ ON EN FRACCIONES PARCIALES clear all.5i. k = 1 Ejemplo A.2. % r = [-0. e e y. mientras que cada punto de suma o de derivaci´on se transforma en una se˜ nal. % POLINOMIO A(s) [r. close all.A. cada bloque se transforma en una linea con direcci´on y ganancia.A).-1-i.-2. se deriva como sigue: x2 (s) = G(s)e(s) = G(s)(x1 (s) ± H(s)) → G(s) x1 (s) = x2 (s) 1 ∓ GH(s) . Notar que estas l´ıneas poseen direcci´on y ganancia.2]. 3 −3t 1 1 e + e−8t + e−6t 80 60 48 ´ Algebra de Bloques La Fig.6.1].14 Resolver la siguiente ecuaci´on diferencial: d2 y(t) dy(t) + 11 + 24y(t) = e−6t 2 dt dt con las condiciones iniciales nulas: dy(0) dt = 0. se convierten en c´ırculos en su diagrama de flujo de se˜ nales.1 La Transformada Unilateral de Laplace 219 % fracp2. En un diagrama de flujo de se˜ nales. % POLINOMIO B(s) A = [1. A. mientras que las ganancias G y H pasan a ser las l´ıneas que conectan los bloques.

.  A = [aij ] =  . a1m  ... .220 Sistemas Continuos u u e G1 G2 y u y u G1 e G 2 G1 G2 r y r y G 1G 2 r (a) r e r 1 G r r y e G u 1 r u G r r G u 1 y G r G e e G e y G e (e) 1/G y r u (f) y y G 1 GH r r 1 e y G H G y 1/G r 1 e G u H (c) 1/G r y u r G u 1 e G r 1 u G e G r (d) 1 r r r 1/G r r y (b) e y G u G G e e G e G e G r 1 u r e G y G 1 GH Fig. funciones. . . Matrices y Determinantes Una matriz A de orden o dimensi´on n×m. . j = 1. otras matrices. Cuando m = 1.3: Diagramas de bloque. los vectores columna x(q) y fila y(q) de orden n y dependiente del argumento q se representan como:   x1 (q)   x(q) =  . . escrita con letra may´ uscula en negrita.  an1 . . . etc. sus correspondientes diagramas de flujo de se˜ nales y sus equivalentes. anm  i = 1. es un arreglo rectangular con sus elementos aij dispuestos en n filas y m columnas. Cuando n = 1.. . .2. m Los elementos de una matriz pueden ser n´ umeros reales o complejos. . A.. Es decir:  a11 .  xn (q) y(q) =  y1 (q) · · · yn (q)  . n. Los vectores se denotan en negrita. A.. A toma la forma de un vector columna. Por ejemplo. A se convierte en un vector fila. . .

i = 1. . Operaciones con Matrices Una matriz A con todos sus elementos aij iguales a cero se denomina matriz cero o nula y se denota como A = 0.  yn (q)  . j = 1.. la cual transforma las columnas en filas y viceversa.1. . m k=1 Por ejemplo. x(q) =  x1 (q) · · · xn (q)  T y1 (q)   y(q) =  . A. 2.. n. s´olo es posible si el n´ umero de columnas de A es igual al n´ umero de filas de B. Si A es de orden n × m y B es de orden m × r. La suma de dos matrices.    b11      a11 a12 a13  a11 b11 + a12 b21 + a13 b31 c11 b21  = = a21 a22 a23 a21 b11 + a22 b21 + a23 b31 c21 b31 Si κ es un escalar. tal como se observa a continuaci´on. s´olo es posible si A y B son del mismo orden: C = [cij ] = A ± B = [aij ± bij ] La multiplicaci´on de dos matrices. entonces C debe ser de orden n × r. 2. en general. es decir: AB 6= BA . .2. . expresada como C = AB. . Sin embargo. . la siguiente multiplicaci´on es v´alida: A2×3 B3×1 = C2×1 . la multiplicaci´on no es conmutativa. . denotada como C = A ± B. Los elementos de C se determinan como sigue: cij = m X aik bkj .2 Matrices y Determinantes 221 Dos formas de denotar los correspondientes vectores fila y columna son: xT (q) =  x1 (q) · · · xn (q)   y1 (q)   yT (q) =  . se dice que A y B son matrices que conmutan. ..A. entonces κA resulta una matriz en donde cada elemento queda multiplicado por κ. a saber: κA = κ[aij ] = [κaij ] La multiplicaci´on es asociativa: ABCD = (AB)(CD) = A(BCD) = (ABC)D y distributiva: (A + B)(C + D) = AC + AD + BC + BD Cuando AB = BA..  yn (q) T donde el super´ındice T indica la operaci´on transpuesta. Dos matrices A = [aij ] y B = [bij ] son iguales si son del mismo orden y adem´as [aij ] = [bij ].

la cual se trata m´as adelante. BT .4 28 -8. La matriz transpuesta. entonces A ∗ = A y AH = (A∗ )T = AT . (AB)T = BT AT √ Un n´ umero complejo se designa como s = σ + jω.    1 2 3 2 3 4 −2  B =  0 4 −2  2 6 −9 6 −9 Soluci´ on: Dado C = AB y D = BA. clc. % conmat. basta demostrar que C 6= D.-4 -36 30] % A Y B NO SON CONMUTATIVAS PORQUE C ES DIFERENTE DE D Si AB = 0.    2 3 1−j 3 3+j 4 −2  4 −2 + j  B= j 6 −9 2−j 6+j −9 . Por consiguiente: (AT )T = A. C = A*B. donde j = −1 es la unidad de los n´ umeros imaginarios y tanto σ como ω son n´ umeros reales.-5 0 22.0 -6 -2]. Ejemplo A. (A + B)T = AT + BT .0 4 -2. denotada como AH . o que A y B sean singulares. implica que A = 0 o B = 0. (AB)H = BH AH Si A es una matriz real. AH . no necesariamente implica que B = C. toma la conjugada y luego la transpuesta (o toma la transpuesta y luego la conjugada) de la matriz A.2 6 -9]. (A + B)∗ = A∗ + B∗ .4 88 0] D = B*A. denotada como A∗ . es la matriz A con sus filas y columnas intercambiadas. Es decir: AH = (A∗ )T = (AT )∗ Por consiguiente: (AH )H = A. B = [-1 5 0. toma la conjugada a todos los elementos complejos de A. Las matrices A y B son singulares si det(A) = 0 y det(B) = 0 donde det es la operaci´on determinante.222 Sistemas Continuos Ejemplo A. es decir.15 Determinar si las matrices A  1 A= 0 2 y B conmutan o no. % D = [-1 18 -13. (A + B)H = AH + BH . B∗ y BH . denotada como AT . AT .m CONMUTACI´ ON DE MATRICES clear all. tal como se ilustra en el siguiente programa. Si AB = AC. Para la operaci´on conjugada se cumple: (A∗ )∗ = A. La operaci´on conjugada.1 4 -3.16 Dada la matriz real A y  1 A= 0 2 la matriz compleja B hallar A∗ . si todos sus elementos son reales. % C = [1 -5 -12. close all. (AB)∗ = A∗ B∗ La operaci´on hermitiana de A. A = [1 2 3.

 .6) T A = −A A H A H (A.7) T ∗ ∗ T = (A ) = (A ) = A = −A (A. La traza de una matriz cuadrada se define como: traza(A) = a11 + · · · + ann Una matriz cuadrada se denomina matriz diagonal cuando los elementos que no pertenecen a su diagonal son todos ceros:   d11 0 0 .9) T T AA H H AA H T AA = A A = I. entonces A es una matriz cuadrada de orden n.2. entonces: A = A A κ+1 = A A = I.. se cumple que: A es sim´etrica si: A es antisim´etrica si: A es hermitiana si: A es antihermitiana si: A es ortogonal si: A es unitaria si: A es normal si: A es peri´odica si: A es nilpotente si: A−1 es la inversa de A si: A es singular si: AT = A (A.2 Matrices y Determinantes 223 Soluci´ on:   1 0 2 6  A∗ = A A H = AT =  2 4 3 −2 −9     1+j 3 3−j 1−j j 2−j 4 −2 − j  4 6+j  B∗ =  −j BT =  3 2+j 6−j −9 3 + j −2 + j −9   1+j −j 2+j H T ∗  3 4 6−j  B = (B ) = 3 − j −2 − j −9 A. En general.15) (A. es una matriz diagonal que s´olo posee unos. 0  0 d22 0 . . AI = IA. . . Esta matriz posee una diagonal principal. Si A es cuadrada. denotada tambi´en como In (n es el orden de la matriz).A. dnn Una matriz cuadrada se denomina triangular superior si los elementos debajo de su diagonal son todos ceros. (A. La matriz identidad I.13) A = 0. ..10) (A.2. Si los elementos encima de su diagonal son todos ceros. . A =A H κ −1 H −1 κ es un entero positivo κ es un entero positivo A=I det(A) = 0 (A. entonces la matriz es triangular inferior. .8) (A.  0 0 0 . . . o simplemente una diagonal con elementos aii .14) (A.  . .11) =A A (A.. . entonces: A −1 (A. 0    D = [dii ] =  . .12) = A. . Tipos de Matrices Si el orden de una matriz A es n × n.16) .

.2.  ∗ T Determinantes y Matriz Inversa Determinantes El determinante de la matriz A = [aij ] de orden 2 es: det  a11 a12 a21 a22  = a11 a22 − a12 a21 (A.17) Para obtener el determinante de una matriz de orden n > 2 podemos emplear el m´etodo de la expansi´on. donde A es la siguiente matriz compleja:   1+j 2−j A= 6+j 5−j Soluci´ on:  1−j 6−j A = (A ) = 2+j 5+j   1 1 4−j H BH = (B∗ )T = B B = (A + A ) = 4+j 5 2   1 j −2 H C = (A − A ) = CH = (C∗ )T = −C 2 −j 2 H A. .17 Demostrar que B = 12 (A + AH ) y C = 12 (A − AH ) son matrices hermitiana y antihermitiana respectivamente. Por ejemplo. .224 Sistemas Continuos Una matriz compleja cuadrada A puede ser escrita como la suma de una matriz hermitiana B = 12 (A + AH ) m´as otra matriz antihermitiana C = 12 (A − AH ). el determinante de una matriz de orden n = 3 se calcula como:     a11 a12 a13 a a 22 23 1+1 det  a21 a22 a23  = (−1) a11 det + a32 a33 a31 a32 a33     a21 a22 a21 a23 1+3 1+2 (A.3. j = 1. Es decir: 1 1 A = B + C = (A + AH ) + (A − AH ) 2 2 Ejemplo A.18) + (−1) a13 det (−1) a12 det a31 a32 a31 a33 Con relaci´on a dos matrices cuadradas A y B de orden n: . n es la matriz que resulta luego de eliminar la fila 1 y la columna j de A. el determinante de una matriz A se obtiene de: det(A) = n X j=1 (−1)1+j a1j det(A1j ) = (−1)1+1 a11 det(A11 ) + (−1)1+2 a12 det(A12 ) + · · · donde A1j . Si tomamos como base la primera fila. .

det(AB) = det(BA) = det(A)det(B) 8. Matriz inversa Si A y B son dos matrices no singulares.20). entonces el det(A) queda multiplicado por κ.A. 3. . (AT )−1 = (A−1 )T ((A∗ )T )−1 = ((A−1 )∗ )T . Si cada elemento de una fila o columna de A es cero. λn . 6. Si la constante real κ multiplica una fila o una columna de A. det(A) = det(AT ). Si sumamos un m´ ultiplo de una fila o una columna de A a cualquiera de sus filas o columnas. si A es una matriz no singular de orden 3:   a b c A= d e f  g h i       e f b c b det −det det  h i h i e        1 d f a c a −1  −det det −det A = g i g i det(A)        d  d e a b a det −det det g h g h d det(A) = aei + gbf + cdh − gec − ahf − idb  c f  c f b e (A. Si la matriz B se obtiene intercambiando dos filas o dos columnas de A. La determinaci´on de los eigenvalores o valores propios de una matriz se trata en la subsecci´on A.2 Matrices y Determinantes 225 1. . es decir. . entonces: (AB)−1 = B−1 A−1 . entonces det(B) = −det(A). luego: det(A) = λ1 λ2 .18 Comprobar simb´olicamente las f´ormulas de la inversa y del determinante de A dadas en (A. . det(A−1 ) = 1 det(A) Si A es una matriz no singular de orden 2. 7. Si dos filas o columnas de A son iguales.19)         (A. λn . A = c d ad − bc −c a Del mismo modo. vale recordar que:     1 a b d −b −1 A= . Si los eigenvalores de A son λ1 . . 5. Soluci´ on: Ejecutar el programa matinv. . λ2 . 2. 4.2. el valor del det(A) no cambia.20) Ejemplo A.m mostrado abajo. entonces det(A) = 0. si det(A) 6= 0 y det(B) 6= 0. .4. entonces det(A) = 0.

Luego. El valor absoluto o m´odulo o magnitud de G se denota como |G| mientras que el a´ngulo o argumento de G se expresa como ∠ G. clc.3 muestra los comandos para ejecutar operaciones matriciales con MATLAB.d e f.a f h .i d b + d c h + g b f . close all. G se puede formular como: G = <e[G] + j=m[G] = |G|∠ G .g c e La Tabla A.m INVERSA Y DETERMINANTE DE UNA MATRIZ EN FORMA SIMB ´ OLICA clear all. syms a b c d e f g h i % COMANDO syms GENERA S´ IMBOLOS A = [a b c. % MATRIZ SIMB´ OLICA invA = inv(A). Cantidades Complejas Sea G = Gr + jGi un n´ umero o funci´on compleja donde <e[G] = Gr es su parte real e =m[G] = Gi es su parte imaginaria. pretty(invA) % DEVUELVE INVERSA DE A detA = det(A).g h i].226 Sistemas Continuos % matinv. pretty(detA) % DEVUELVE DETERMINANTE DE A % aei .

.

p .

.

|G| = .

(<e[G])2 + (=m[G])2 .

21) ∠ G = arctan  =m[G] <e[G]  Si G es un vector o matriz compleja con elementos complejos Gij . =m[G] = =m[Gij ] |G| = |Gij |. (A. 4j 5 −1 2 127º 1 −3 −60º −135º 2 −j G 11 = 2 −135º 3j G12 = 5 127º G13 = 2 −60º Fig.4.m se obtiene la misma soluci´on. Ejecutando el programa trnot.19. A.4: Tri´angulos notables para el problema A. G = |G|∠ G = |Gij |∠ Gij . . entonces las operaciones anteriores se ejecutan elemento por elemento.19 Calcular en forma gr´afica y usando MATLAB el a´ngulo y el m´odulo de: √ G = [−1 − j − 3 + 4j 1 − 3j] = [G11 G12 G13 ] Soluci´ on: Los elementos de G corresponden a tri´angulos notables mostrados en la Fig. es decir: <e[G] = <e[Gij ]. ∠ G = ∠ Gij Ejemplo A. A.

X = A\ B X*A = B. Soluci´ on: El programa calmat.7jA3 )A−1 AH |A|∠ A <e[A]=m[A] (2j + 1) traza(A)det(A) Luego.3: Comandos para c´omputo matricial Operaci´on Suma Resta Multiplicaci´on Multiplicaci´on Conjugada Transpuesta (A real) Transpuesta (A compleja) Hermitiana Potencia Determinante Inversa Divisi´on izquierda Divisi´on derecha Valor absoluto ´ Angulo Parte real Parte imaginaria Traza Matriz identidad A+B A−B AB κA A∗ AT AT AH An det(A) A−1 |A| ∠A <e[A] =m[A] Pn i=1 aii In C´odigo MATLAB A + B A .’ A’ A^n det(A) inv(A) A*X = B. G13 = 1-sqrt(3)*j. % (180/pi) CONVIERTE rad A GRADOS % anguloG = [-135 126.2 Matrices y Determinantes 227 % trnot. .8699 -60] moduloG = abs(G).20 Dada la matriz cuadrada A. Entonces basta comprobar que M − MH = 0 y que N + NH = 0. Adem´as. G = [G11 G12 G13].m calcula la matriz B pedida. por ser hermitiana: M = MH . G11 = -1-j.A. clc.B A*B kappa*A conj(A) A’ conj(A’). close all.   1−j 2−j 3−j −2 3 + 5j  A =  4j 6 − j 7 − j 8 + 3j B= (A∗ + AT − 0. G12 = -3+4j. y por ser antihermitiana: N = −NH . X = B/A abs(A) angle(A) real(A) imag(A) trace(A) eye(n) Ejemplo A.4142 = sqrt(2) Tabla A.4142 5 2]. calcular B. 1.m N´ UMEROS COMPLEJOS clear all. % moduloG = [1. A. comprobar que M = 12 (B + BH ) y N = 12 (B − BH ) son sus matrices hermitiana y antihermitiana respectivamente. anguloG = angle(G)*(180/pi).

21 Multiplicaci´ on con Partici´ on de Matrices.– Dos matrices Anm y Bmp (los sub´ındices indican las dimensiones) pueden ser particionadas como sigue:     B m 1 p1 · · · B m 1 pp A n 1 m1 · · · A n 1 mm     . m. Ejemplo A. la partici´on es correcta.. Por consiguiente.. . . . A n n m1 · · · A n n mm B m m p1 · · · B m m pp La condici´on necesaria para realizar el producto Cnp = Anm Bmp empleando particiones.  A22 A23 AB =  A32 A33 A42 A43 si el producto siguiente es v´alido y si lo es.. B= A=  . M = (B + B’)/2. es que las columnas de A y las filas de B sean particionadas en la misma forma. mientras que para las columnas de B: p = 2 + 3 = 5.4j -2 3+5j. . para las filas de B: m = 2 + 3 + 1 = 6. % MATRIZ DATO B = (conj(A)+conj(A’)-0. n = n1 + · · · + nn ..j.m C´ ALCULO MATRICIAL COMPLEJO clear all. mientras que para las columnas de A: m = 2 + 3 + 1 = 6. % M ES HERMITIANA PORQUE M=M’ ´ O M-M’=0 N = (B . dt donde ddtx = x˙ y respectivamente. .23 Matriz Aumentada.22 Empleando la regla descrita determinar obtener C = AB.6-j 7-j 8+3j]. clc. .228 Sistemas Continuos % calmat. m = m1 + · · · + mm y p = p1 + · · · + pp . Por lo tanto. y. . % N ES ANTIHERMITIANA PORQUE M=-M’ ´ O M+M’=0 Ejemplo A. obtener una sola ecuaci´on diferencial matricial que reemplace a las dos ecuaciones diferenciales siguientes: dx = x˙ = Ax + Bv. v y w son de orden n. dy dt dy = y˙ = Cy + Dw dt = y˙ denotan las derivadas de x e y con respecto al tiempo. close all. La multiplicaci´on ahora es directa:   A22 B22 + A23 B32 + A21 B12 A22 B23 + A23 B33 + A21 B13 C =  A32 B22 + A33 B32 + A31 B12 A32 B23 + A33 B33 + A31 B13  A42 B22 + A43 B32 + A41 B12 A42 B23 + A43 B33 + A41 B13 Ejemplo A. Del mismo modo.   B22 B23 A21 A31   B32 B33  B12 B13 A41 Soluci´ on: Podemos notar que para las filas de A: n = 2 + 3 + 4 = 9. p y q respectivamente.– Si los vectores x.B’)/2.. angle(A)*real(A)*imag(A)/((2*j+1)*trace(A)*det(A)). . A = [1-j 2-j 3.7j*A^3)*inv(A)*A’*abs(A)* ..

      1 3 4      u= 2 v= 5 w= 6  3 7 5 Soluci´ on: Tal conjunto de vectores es linealmente independiente si se demuestra que no existen dos constantes α y β no nulas que verifiquen: u = αv + βw.       18 3 4 u =  28  v= 5  w= 6  29 7 5 Soluci´ on: Tal conjunto de vectores es linealmente dependiente si se demuestra que existen dos constantes α y β no nulas que verifiquen: u = αv + βw.4. si v es de orden p. Eigenvectores y Pseudoinversas Dependencia e Independencia de Vectores Un conjunto de vectores es linealmente independiente cuando ninguno de ellos se puede escribir como una combinaci´on lineal de los restantes. Entonces. entonces:         4 3α + 4β 1 3  2  = α  5  + β  6  =  5α + 6β  5 7α + 5β 3 7 El sistema de tres ecuaciones y dos inc´ognitas resultante es incompatible y sin soluci´on. v y w es linealmente independiente.25 Determinar si los siguientes vectores son o no linealmente independientes. es decir:         18 3 4 3α + 4β  28  = α  5  + β  6  =  5α + 6β  29 7 5 7α + 5β Resolviendo este sistema de tres ecuaciones y dos inc´ognitas resulta: α = 2 y β = 3.24 Determinar si los siguientes vectores son o no linealmente dependientes. Tambi´en. el conjunto de vectores u.         v B 0 x A 0 x˙ + = w 0 D y 0 C y˙ x˙ n×1 = An×n xn×1 + 0n×m ym×1 + Bn×p vp×1 + 0n×q wq×1 y˙ m×1 = 0m×n xn×1 + Cm×m ym×1 + 0m×p vp×1 + Dm×q wq×1 A.A. .2 Matrices y Determinantes 229 Soluci´ on: Es importante notar que si x es de orden n. v y w son linealmente dependientes. Si suponemos que dichas constantes existen. tal conjunto de vectores es linealmente dependiente cuando alguno de ellos se puede escribir como una combinaci´on lineal de los dem´as. Por lo tanto. Ejemplo A. donde 0 es la matriz nula. Rango.2. el conjunto de vectores u. entonces A debe ser de orden n × n. entonces B debe ser de orden n × p. Las dimensiones de los vectores y matrices se indican con sub´ındices. Ejemplo A. y as´ı sucesivamente. Al contrario. La ecuaci´on pedida se muestra a continuaci´on.

Por otro lado. En cualquier matriz. El rango de una matriz tambi´en se puede determinar evaluando los determinantes de sus m´ınimos cuadrados. La segunda raz´on es que A es no singular. m). Si A es una matriz cuadrada de orden n × n. su rango. La matriz B de orden n = 3 posee rango r = 2. rango(AB) ≤ rango(B) rango(AB) = rango(A). se cumple: rango(AB) = rango(AH ) = rango(AH A) = rango(AAH ) rango(AB) = rango(AT ) = rango(AT A) = rango(AAT ) rango(AB) ≤ rango(A). se puede comprobar que det(B) = 0. es decir. si det(A) 6= 0. si det(A) = 0. debido a que es igual al segundo vector fila menos el doble del primer vector fila. lo que implica que B no posee rango completo por ser singular. porque los dos primeros vectores filas no son linealmente dependientes. es decir: rango(B) < n. el rango de la matriz B es r = 2 porque el determinante del segundo m´ınimo cuadrado es diferente de 0. el n´ umero de vectores filas linealmente independientes coincide con el n´ umero de vectores columnas linealmente independientes.26 Determinar el rango de las siguientes matrices empleando varios m´etodos:     1 2 3 1 3 2 A= 3 5 7  B= 3 8 9  4 6 5 1 2 5 Soluci´ on: La matriz A de orden n = 3 posee rango completo (r = n = 3) por dos razones. entonces: rango(A) < n. La primera es que ning´ un vector fila o vector columna es una combinaci´on lineal de las restantes. el valor m´aximo rmax que puede tener el rango r de una matriz de orden n × m es: rmax = min(n. En otro caso. Los determinantes de los m´ınimos cuadrados de B son:     1 3 2 1 3 det([1]) = 1 6= 0 det = 1 6= 0 det  3 8 9  = 0 3 8 1 2 5 Por consiguiente. mientras que el determinante del tercer m´ınimo cuadrado es nulo. pero el tercer vector fila si lo es. Por consiguiente. si A y B son no singulares rango(AB) = rango(B). Propiedades del Rango Si A es una matriz de orden n × m y B es de orden m × k.230 Sistemas Continuos Rango de una Matriz Si A es una matriz de orden n × m. Ejemplo A. tal como se ilustra en el siguiente ejemplo. es igual al n´ umero m´aximo r de sus vectores filas (o columnas) linealmente independientes. si A y B son no singulares . su rango es n siempre que A sea no singular. denotado como rango(A).

-5-6j -2+5j]. B Y C SON (3.-2+3j -4-6j.24) La matriz E de eigenvectores para una matriz     E = e1 · · · en =  A de orden n toma la forma:  e11 · · · e1n ..  b |e1 | = e211 + · · · + e2n1 e1 = e1 =  . C=[-1+j -2+j 3-j -5-7j.4-2j -1+j -4 2.4-6j -2-5j 7j -j. Eigenvalores y Eigenvectores Un eigenvalor de una matriz de orden n. eigenvalue. (2.m PROPIEDADES DEL RANGO clear all A=[-1+j 3-5j -5+6j -2+5j.rB). Por ejemplo. rAH=rA.4). % DIMENSIONES DE A.4) Y (4.22) obtenemos la ecuaci´on caracter´ıstica de A: det(λI − A) = 0 (A. modo.  en1 · · · enn e1 se Un eigenvector normalizado se define como: b ei = |eeii | . rB=2. rCB=rank(C*B). Bmp y Cmm .28 ..8+9j -4+2j. % proprango.23) Asociado con cada eigenvalor λi existe un eigenvector ei de magnitud arbitraria que es soluci´on de (ver (A. . .4).22) Factorizando x en (A. . rCB=2=rB.27 Sean las matrices Anm . el vector b calcula como:   e11 q e1  . rB=rank(B). o ra´ız caracter´ıstica.A. B=[1+j -3-5j. .2 Matrices y Determinantes 231 Ejemplo A. es un escalar λ que permite una soluci´on no trivial de la ecuaci´on: Ax = λx (A. rAB=2=min(rA. rAH=rank(A’).-2+3j 4-6j -2-5j 7j].8-9j 4-2j -1+j -4.22)): Aei = λi ei (A..7j -1 9j 4j]. Demostrar num´ericamente que: rango(A) ≤ m´ın(n. % rA=3=min(3. conocido tambi´en como valor propio.4) RESPECTIVAMENTE rA=rank(A).  |e1 | en1 Ejemplo A. rango(B)) rango(CB) = rango(B) Soluci´ on: El siguiente programa presenta las demostraciones pedidas..  . rAB = rank(A*B). m) rango(A) = rango(AH ) rango(AB) ≤ min(rango(A).

% eig1. % E: MATRIZ DE EIGENVECTORES NORMALIZADOS % D: MATRIZ DIAGONAL DE EIGENVALORES Ejemplo A. . [E. . % DETERMINA LOS EIGENVALORES DE A detA = det(A).30 Si los λi son los eigenvalores de la matriz A de orden n. Ejemplo A. comprobar num´ericamente: det(A) = λ1 λ2 .m. close all.D]=eig(A). A = [1 2j 4 -3. λn . P = L(1)*L(2)*L(3)*L(4).232 Sistemas Continuos Determinar los eigenvalores y eigenvectores del sistema siguiente:      x˙ 1 1 2 x1 = x˙ 2 4 3 x2 Soluci´ on: Los eigenvalores se determinan de (A. .m COMPRUEBA QUE det(A)=L(1)L(2)L(3)L(4) clear all A = [1-j 2-j 3-j -3+8j 4j -2 3+5j 4-2j 6-j 7-j 8+3j 3+j 2 -1 j 0]. Los eigenvectores se calculan de (A. i = 1. clc.m. . % SE CUMPLE QUE: det(A) = P . . % eig2.-j 5j -4 -3j. n Soluci´ on: Ver el programa eig2. obteni´endose:         1 1 e11 1 e12 1 Ae1 = = Ae2 = = e2 = e1 = −1 2 −e11 2e12 λ1 λ2 √ donde √ las soluciones e11 = 1 y e12 = 1 son arbitrarias.   1 2j 4 −3  −j 5j −4 −3j     0 −7j −2 −j  8 6j −4 −9j Soluci´ on: Ejecutar el programa eig1. .23):     λ 0 1 2 det(λI − A) = det − = (λ − 1)(λ − 3) − 8 = 0 0 λ 4 3 resultando: λ1 = −1 y λ2 = 5.m C´ ALCULO DE EIGENVALORES Y EIGENVECTORES clear all. Dado que |e1 | = 2 y |e2 | = 5.29 Determinar los eigenvalores y eigenvectores para la matriz A empleando MATLAB.8 6j -4 -9j].0 -7j -2 -j. los eigenvectores normalizados resultan: b e1 = e1 /|e1 | y b e2 = e2 /|e2 |.24) para λ1 y λ2 : Ae1 = λ1 e1 y Ae2 = λ2 e2 . L = eig(A).

x es un vector de orden m y b es un vector de orden n. b = [10-i. close all. A = [1+i 2+3i 3-i. La soluci´on de tal ecuaci´on se obtiene de: xo = AII b AII = (AT A)−1 AT donde AII es la matriz pseudoinversa izquierda (o m´ınima inversa izquierda) de A que cumple la propiedad: AII A = Im .1) Ejemplo A. % MATRIZ PSEUDOINVERSA DERECHA x = MPID*b. MAS INC´ OGNITAS QUE ECUACIONES -6+j 8-2j 1+4j].1) = d(3.2 Matrices y Determinantes 233 Pseudoinversas El concepto de pseudoinversa de una matriz es la generalizaci´on de su inversa y resulta u ´til para encontrar una soluci´on en un conjunto de ecuaciones algebraicas en donde el n´ umero de variables desconocidas y el n´ umero de ecuaciones linealmente independientes no son iguales.2-3i.31 En pseudoinv.1) = b(2. En forma similar. clc. sea la ecuaci´on: Ax = b. Se supone que n > m. x es un vector de orden n y b es un vector de orden m.3+j]. clc. % C(3.m se resuelven sistemas de ecuaciones empleando pseudoinversas.4-j.m. close all.1) C = [1+i 1-i.20+3i].A.m SOLUCION DE ECUACIONES USANDO PSEUDOINVERSAS clear all.4-2i 5+i 6]. % VECTOR SOLUCION DE DIMENSI´ ON (3.2)*y(2.m SISTEMA DE ECUACIONES: clear all. Sea la ecuaci´on: Ax = b donde A es una matriz de orden n × m y de rango n.3)*x(3. A = [5-j 2+3j 3-j -1+4j 4j -2 3+5j -7j 6-j 7-j 8-3j 3-j B = [2-9j.3+i]. % A(2.1) MPID = A’*(A*A’)^(-1). % miqe. La soluci´on de tal ecuaci´on est´a dada por: xo = AID b AID = AT (AAT )−1 donde AID es la matriz pseudoinversa derecha (o m´ınima inversa derecha) de A que cumple la propiedad: AAID = In . donde A es una matriz de orden m×n y de rango m. % pseudoinv. X = A\B.1 2+3i. Ejemplo A.32 Resolver el siguiente sistema (m´as inc´ognitas que ecuaciones): (5 − j)x1 + (2 + 3j)x2 + (3 − j)x3 + (−1 + 4j)x4 + (−6 + j)x5 = 2 − 9j 4jx1 − 2x2 + (3 + 5j)x3 − 7jx4 + (8 − 2j)x5 = 4 − j (6 − j)x1 + (7 − j)x2 + (8 − 3j)x3 + (3 − j)x4 + (1 + 4j)x5 = 3 + j Soluci´ on: Ver el programa miqe.1 4-i].1) MPII = (C’*C)^(-1)*C’. d = [1. % MATRIZ PSEUDOINVERSA IZQUIERDA y = MPII*d. Se supone que n < m. % VECTOR SOLUCION DE DIMENSI´ ON (2. .

. .3+j.4-j. Sea Λ una matriz diagonal formada con los eigenvalores de A..5. X = A\B. .. . .-3+7j.3) : dx = x˙ = Ax + Bu dt en otro sistema descrito por la ecuaci´on: dx∗ = x˙ ∗ = A∗ x∗ + B∗ u dt donde: x = Ex∗ es una transformaci´on lineal. .-9].2. Sin embargo. Por otro lado. A. % meqi. close all. clc. A = [5-j 2+3j 3-j 4j -2 3+5j 6-j 7-j 8-3j -1+4j -6+j 3-j -7j 8-2j 1+4j]. Diagonalizaci´ on de Matrices y Formas Can´ onicas Diagonalizaci´ on de Matrices Si A es una matriz de orden n que posee n eigenvalores distintos λi .  0 0 . λn El proceso de diagonalizaci´on arriba mencionado permite transformar un sistema descrito por la denominada ecuaci´on de estado (secci´on A. en ] es unitaria porque: EH = E−1 .. la matriz de eigenvectores E no es unitaria (EH 6= E−1 ). .234 Sistemas Continuos Ejemplo A. 0    (A. . . Esta transformaci´on se denomina can´onica. .33 Resolver el siguiente sistema (m´as ecuaciones que inc´ognitas): (5 − j)x1 + (2 + 3j)x2 + (3 − j)x3 = 2 − 9j 4jx1 − 2x2 + (3 + 5j)x3 = 4 − j (6 − j)x1 + (7 − j)x2 + (8 − 3j)x3 = 3 + j (−1 + 4j)x1 + (−6 + j)x2 + (3 − j)x3 = −3 + 7j −7jx1 + (8 − 2j)x2 + (1 + 4j)x3 = −9 Soluci´ on: Ejecutar el programa meqi.m SISTEMA DE ECUACIONES: MAS ECUACIONES QUE INCOGNITAS clear all.m. . A∗ = E−1 AE = Λ y B∗ = E−1 B. Entonces se cumple:   λ1 0 . si A es una matriz de orden n de rango completo que posee eingenvalores repetidos. entonces su matriz de eigenvectores E = [e1 .25) E−1 AE = Λ =  . 0  0 λ2 . B = [2-9j. . . entonces A se puede diagonalizar mediante la relaci´on E −1 AE = Λ.   .

A. Variables de Estado A. DD1=inv(E1)*A1*E1.1 0 -1 0 2 0]. clc. donde el volumen de agua acumulado se modela como: dh dh S = S h˙ = qi − qo h˙ = (A. clc. % rank(A3)=6 (RANGO COMPLETO) [E3.3.5-0.26) dt dt donde S es la secci´on uniforme del tanque.866i. close all..m DIAGONALIZACION DE MATRICES DE RANGO COMPLETO clear all.1939. % E=[e1 e2]: MATRIZ DE EIGENVECTORES % EIGENVALORES: D = diag(1. % D3 = diag(-1.3 Variables de Estado 235 Ejemplo A.-1 -4 -2 -1 1.-1 -4 -1 -2 1..D]=eig(A). A. 2) Aast=inv(E)*A*E. % Aast=[1 0. DD3=inv(E3)*A3*E3. Ejemplo de Introducci´ on El siguiente ejemplo sirve para introducir el concepto de variable de estado. [E.866i.1 1 -1 -1 2 1. n3 = 6.-1).-1) % DOS RA´ ICES REPETIDAS => inv(E2) ~= E2’ A3 = [-2 3 3 -1 -6 -2.1.1.-1 0 2]. Bast=inv(E)*B. h es el nivel del liquido.27) .1. 1 -2 -1 1 3 1.4142}.-1.-1.D3] = eig(A3).3. DD2=inv(E2)*A2*E2. % D2 = DD2 = diag(-1. % D1=DD1=diag(4. A = [2 0..0 2].5+0.34 Hallar la transformaci´on can´onica del siguiente sistema:     2 0 1 x˙ = Ax + Bu = x+ u −1 1 −1 Soluci´ on: Ejecutar el programa trancan. n2 = 5.m TRANSFORMACI´ ON CAN´ ONICA clear all. A1 = [2 2 -1. % rank(A2) = 5 (RANGO COMPLETO) [E2. -2 -2 -2 -2 3]..D1] = eig(A1).0. TRES RA´ ICES REPETIDAS => inv(E3) ~= E3’ A.0968).1 -2 0 1 2 0.m para obtener la siguiente transformaci´on can´onica: dx∗ = x˙ ∗ = A∗ x∗ + B∗ u dt  ∗     ∗   0 x˙ 1 1 0 x1 √ = u + x˙ ∗2 0 2 x∗2 2 % trancan.1 0 -1 0 2 1.1..-1].1 3 1 1 -1. B = [1. close all. % diagmat. Bast=[0.D2] = eig(A2).7093.1..35 En el programa siguiente se diagonalizan varias matrices de rango completo.1. % rank(A1) = 3 (RANGO COMPLETO) [E1.-1 1]. q1 es el flujo de entrada y qo es el flujo de salida. n1 = 3. Ejemplo A. RA ´ ICES NO REPETIDAS => inv(E1)=E1’ A2 = [-2 -1 -1 -1 2. La Fig.2.5 muestra el sistema tanque con agua. Considerando que el flujo de salida qo es laminar: qo = h Rh (A.2 3 0.1.

Para sistemas MIMO lineales y con par´ametros invariantes con el tiempo.32) .5: Sistema tanque con agua.29) donde x = h es la variable de estado del sistema. L[x] = X(s) = Y (s).28) donde H y Q son los valores estacionarios de h y qo . Sin embargo. respectivamente. Despejando h˙ de (A. son dos formas de describir la din´amica del sistema. la cual es una ecuaci´on diferencial de primer orden de la forma: 1 1 h˙ = − h + qi SRh S x˙ = A x + B u (A. La ecuaci´on de salida del proceso toma la forma: y = Cx = [1]x (A. 1 A = − SR es la matriz de estado del sistema (en este caso una matriz de orden uno) h 1 y B = S es la matriz de distribuci´on de orden uno.29): Y (s) Rh = Qi (s) SRh s + 1 (A. A. entonces: L[u] = U (s). Por consiguiente. Sabiendo que L[ ] es el operador de Laplace. la cual se calcula de la relaci´on: Rh = H Q (A. la FT del sistema con y(0) = 0 resulta de (A. u = qi es la variable de entrada. En cambio.236 Sistemas Continuos ÝÝÜÝ ÜÜ àßàßàß àßàßàß qi A h ÞÞ qo Sensor de presión Fig.30) donde y es la salida y C es la matriz de salida. las ecuaciones de estado y de salida toman la forma: x˙ = Ax + Bu y = Cx + Du (A. la representaci´on en el espacio de estado (variables de estado m´as ecuaciones de estado y de salida). donde Rh es la resistencia hidr´aulica. la FT y las ecuaciones de estado y de salida de un determinado sistema SISO (de una entrada y una salida). L[qi ] = Qi (s) y L[x] ˙ = L[y] ˙ = s[Y (s) − y(0)].31) donde el producto SRh es la constante de tiempo del sistema nivel.26) se obtiene la ecuaci´on de estado del sistema. la FT s´olo es aplicable a sistemas lineales. es general porque se puede aplicar tambi´en a sistemas no lineales como se ver´a oportunamente.

3. Para sistemas lineales.36 La Fig. es decir. las variables de estado x 1 . . A. Esta informaci´on permite computar todos los futuros estados del sistema. Cuando el sistema es de orden n = 2. yp×1 = Cp×n xn×1 + Dp×m um×1 Definici´ on de Variables de Estado El vector de estado x = [x1 . las cuales contienen informaci´on suficiente acerca de la historia pasada del sistema. Esto implica. resolver la ecuaci´on x˙ = 0 cuando u = 0. en un caso general. como del mismo modo lo son las ecuaciones din´amicas que describen dicho sistema. el punto de equilibrio es siempre el origen 0 porque x˙ = Ax = 0 implica que xe = 0.33) Como el sistema es de orden dos. .3 Variables de Estado 237 donde los ordenes de los vectores y matrices se ilustran en la siguiente relaci´on: x˙ n×1 = An×n xn×1 + Bn×m um×1 A. donde el super´ındice e indica equilibrio. Los puntos de equilibrio o puntos singulares en el espacio de estado de un sistema no forzado. cuando u = 0. Ejemplo A.A. Notar que el sistema masa–resorte es no forzado porque no existe fuerza exterior alguna actuando sobre el mismo. que todas las futuras entradas u son tambi´en conocidas. seleccionemos como variables de estado x 1 = z y x2 = z. xn ]T de un sistema (donde el super´ındice T indica transpuesta) es el m´ınimo conjunto de variables. Determinar anal´ıtica y gr´aficamente su plano de fase mostrando las correspondientes trayectorias de estado y sus puntos de equilibrio. Soluci´ on: El sistema masa–resorte est´a gobernado por la siguiente ecuaci´on diferencial lineal de segundo orden: M z¨ + Kz = 0 (A. el espacio de estado es conocido como el plano de fase con coordenadas x1 y x2 .2.6: Sistema mec´anico masa–resorte. asumiendo por supuesto. ˙ Este modelo din´amico con M = K = 1 produce dos ecuaciones de estado y una ecuaci´on de salida: x˙ 1 = x2 x˙ 2 = −x1 y = x1 .6 muestra un sistema masa–resorte compuesto por una masa M unida a un resorte de constante K. A. xn . z K=1 M=1 z0 Fig. El n´ umero n de variables de estado (el n´ umero de ecuaciones diferenciales de primer orden) define el orden o la dimensi´on del sistema. se definen como los puntos en donde los estados del sistema permanecen por siempre. . El espacio de estado es el espacio n-dimensional de todos los estados. .

ambas ra´ıces imaginarias. las trayectorias de estado en el plano de fase x1 versus x2 son c´ırculos cuyos radios dependen de la posici´on inicial de reposo z0 . end hold off. tales trayectorias se muestran en la Fig. los cuales se asumen conocidos.xs(:.-1:0. El u ´nico punto de equilibrio xe = 0 del sistema se determina de:  e    x1 0 x˙ e = Axe = 0 xe = = xe2 0 % C2pfl.7. % [0.2:1. g = inline(’[x(2).1).’x’). Por consiguiente.-x(1)]’.m.10]. % MODELO MATEM ´ ATICO vectfield(g. A. Es f´acil comprobar que la soluci´on z(t) = z0 cos t verifica el modelo din´amico dado en (A. print -deps -f C2pfl A.[0. grid.238 Sistemas Continuos Por consiguiente. Para obtener dichas trayectorias de fase.3.xs]=ode45(g. Matriz de Transferencia y Estabilidad Las ecuaciones de estado y de salida multivariables de un Sistema Lineal e Invariante con el Tiempo (SLIT) sujeto a los vectores de disturbio v en los estados y w en las salidas.2)).3.34) . λ2 = −i.2:1) % RANGOS DE LOS EJES HORIZONTAL Y VERTICAL hold on for x20=-1:0.33).x20]).10]: SIMULACI ´ ON DE 0 A 10 s plot(xs(:. xlabel(’x1(t)’). lo cual nos informa del car´acter oscilante de la respuesta del sistema. las ecuaciones de estado y salida del sistema masa–resorte son: x˙ =  x˙ 1 x˙ 2  x˙ = Ax   x1 x= x2 y = Cx   0 1 A= −1 0 C=  1 0  Asumamos que estiramos el resorte hasta que M se encuentre en la posici´on inicial z0 . se representan como: x˙ = Ax + Bu + Ev y = Cx + Du + Fw (A. ylabel(’x2(t)’). tal como se discute en la siguiente secci´on. title(’PLANO DE FASE x2(t) VS x1(t)’). Usando las variables de estado definidas anteriormente resulta: x1 (t) = z0 cos t x2 (t) = −z0 sen t Elevando al cuadrado y sumando se obtiene: x21 + x22 = z02 (cos2 t + sen2 t) = z02 La u ´ltima ecuaci´on representa un c´ırculo de radio z0 .m PLANO DE FASE EN UN SISTEMA LINEAL clear all. lo cual produce un movimiento oscilatorio que puede modelarse como z(t) = z0 cos t.2:1 % SIMULACI´ ON PARA ESTAS CONDICIONES INICIALES DE y(2) [ts. ejecutar el programa pfl.’t’. Luego soltamos el resorte.[0. Los eigenvalores del sistema masa–resorte se determinan de:   λ 1 det(λI − A) = det = λ2 + 1 = 0 −1 λ Por lo tanto: λ1 = i.-1:0. clc. close all.

6 −0. empleando matem´atica simb´olica: x˙ 1 = −x1 + x2 + 2u1 − u2 y1 = x1 − 5u2 x˙ 2 = 2x1 − 3x2 + u1 − 2u2 y2 = −x2 − 3u1 (A.35) La matriz de transferencia (MT) del sistema SLIT se halla aplicando la transformada de Laplace en (A. Si v y/o w fueran vectores estimados o estad´ısticos.2 −0.37 Determine la MT del sistema siguiente.6 −0.7: Plano de fase mostrando las trayectorias de estado (Ejemplo A.8 −0.6 VELOCIDAD x2 0.36).2 0 0.36) y la reemplazamos en la segunda relaci´on.8 1 Fig. El sistema SLIT libre de disturbios se determina haciendo v = w = 0 en (A. I es la matriz identidad y G(s) es la MT: G(s) = C(sI − A)−1 B + D Ejemplo A. A.2 POSICIÓN x1 0. Donde E y F son matrices disturbio tambi´en conocidas.2 0 −0.4 0.35) con x(0) = y(0) = 0 (condiciones iniciales nulas): sX(s) = AX(s) + BU(s) Y(s) = CX(s) + DU(s) (A.4 0.4 −0.4 −0.36) Despejamos X(s) de la primera relaci´on de (A. entonces el SLIT en cuesti´on ser´ıa estoc´astico.8 0. El resultado es: Y(s) = [C(sI − A)−1 B + D]U(s) = G(s)u(s) donde s es la variable laplaciana.A.8 −1 −1 −0.6 0. El sistema es invariante con el tiempo porque todas sus matrices son constantes.34): x˙ = Ax + Bu y = Cx + Du (A.37) .3 Variables de Estado 239 PLANO DE FASE x1 VS x2 1 0.

39)) posean parte real negativa. Por consiguiente. El resultado es:   5s2 +21s+10 2s+7 − 2 s2 +4s+1   s +4s+1 G(s) = C(sI − A)−1 B + D =   2 2s+4 − 3ss2 +13s+8 +4s+1 s2 +4s+1 % mtransf. Por consiguiente.37) se convierte en la FT del sistema SLIT y se puede representar como la relaci´on entre dos polinomios A(s) y B(s) como sigue: B(s) y(s) = G(s) = [C(sI − A)−1 B + D] = u(s) A(s) (A. la ecuaci´on (A.m C´ ALCULO DE LA MATRIZ DE TRANSFERENCIA clear all.39) son los eigenvalores de la matriz de estado A. syms s. pretty(simplify(G)) Estabilidad Cuando las se˜ nales y y u son unidimensionales.35) con u = 0 es estable. Este polinomio es tambi´en la ecuaci´on caracter´ıstica del sistema multivariable. close all. C= . Notar que todas las funciones de transferencia de la matriz G del ejemplo A. Cuando al menos uno de tales eigenvalores posea parte real positiva o cero. siempre que todos sus eigenvalores (ra´ıces de (A. y= x= u2 y2 x2         −1 1 2 −1 1 0 0 −5 A= .35)) se obtiene de: A(s) = det(sI − A) = 0 (A.0 1]. B= .-3 0].7321 y s2 = –0. A=[-1 1. debido a que la soluci´on de x˙ = Ax = 0 es xe = 0. u= .39) Las ra´ıces de (A. Los eigenvalores de un sistema SLIT determinan la estabilidad del sistema alrededor de un punto de equilibrio xe en el espacio de estado como sigue: El sistema SLIT no forzado x˙ = Ax (ecuaci´ on (A. cuando el estado x del sistema tiende al estado de equilibrio xe = 0 .37 poseen un mismo denominador com´ un: el polinomio A(s) = s2 +4s+1.m determina la MT pedida. clc.23).38) En general. B=[2 -1. entonces el sistema es inestable.2679. G = C*inv(s*I-A)*B + D. C=[1 0. tal como se trat´o en (A. D= 2 −3 1 −2 0 −1 −3 0 El programa mtrans.240 Sistemas Continuos Soluci´ on: Las ecuaciones de estado y de salida correspondientes son: x˙ = Ax + Bu y = Cx + Du       u1 y1 x1 . D=[0 -5. I = [1 0. la ecuaci´ on caracter´ıstica del sistema SLIT (ecuaci´on (A.1 -2]. El sistema no forzado x˙ = Ax posee un solo punto de equilibrio: el origen.2 -3]. tal sistema es estable. un SLIT no forzado es estable. siendo sus eigenvalores s1 = –3.0 -1].

A. las trayectorias en el plano de fase forman una figura denominada silla de montar.3 Variables de Estado 241 para cualquier estado inicial finito x(t0 ). Las trayectorias de estado en este caso forman un punto centro. El punto singular silla de montar es inestable debido a la presencia del eigenvalor positivo. Dependiendo de la ubicaci´on de los eigenvalores λ1 = σ1 + jω1 y λ2 = σ2 + jω2 en el plano σ versus jω. se dice que el sistema es completamente controlable o que posee controlabilidad completa. el sistema de primer orden x˙ = a x donde a > 0. donde t0 es el tiempo inicial. donde E es la matriz de vectores propios (ver subsecci´on A. si λ1 < 0 y λ2 > 0 (caso (c)).8. y despejando x∗ se obtiene: x˙ ∗ = E−1 AEx∗ + E−1 Bu = Λx∗ + B∗ u (A. debe ser de rango n.40) denominada matriz de controlabilidad.3. El caso (f).2.41) . Los dos eigenvalores λ1 y λ2 de la matriz de estado A se determinan de su ecuaci´on caracter´ıstica: det(λI − A) = 0. Para ahondar un poco en el tema de controlabilidad. entonces reemplazando la transformaci´on lineal x = Ex∗ en x˙ = Ax + Bu. en donde los puntos negros sobre los gr´aficos jω versus σ representan tales eigenvalores. para que el sistema x˙ = Ax + Bu sea completamente controlable. Sin demostraci´on se establece que en general. a continuaci´on se analiza un caso especial. la siguiente matriz M de orden n × nm: M=  B AB · · · An−1 B  (A. A.5). Tipos de Puntos Singulares en SLITs de 2do Orden Un SLIT de orden dos no forzado se describe mediante la siguiente ecuaci´on matricial:      x˙ 1 a11 a12 x1 x˙ = = Ax = x˙ 2 a21 a22 x2 Para este sistema. Si todos los estados son controlables. desde un estado inicial x(t0 ) hacia cualquier estado final x(tN ) en un tiempo finito tN . Por ejemplo.36. Caso Especial: Eigenvalores de A no se Repiten Si los eigenvalores de A son distintos.4. el u ´nico punto singular o de equilibrio es xe = 0 (el origen). es inestable porque su soluci´on x(t) = x(0)eat no tiende al estado de equilibrio xe = 0 cuando t → ∞ para cualquier estado inicial x(0). A. corresponde a un sistema oscilante porque los eigenvalores son imaginarios puros. el punto de equilibrio correspondiente presenta ciertas caracter´ısticas. analizado tambi´en en el ejemplo A. Por ejemplo. tal como se ilustra en la Fig. Controlabilidad y Observabilidad Controlabilidad Completa Se dice que un SLIT continuo es controlable si es que existe un vector u(t) de orden m realizable y capaz de trasladar el estado x(t) de orden n del sistema.

. la variable de estado x2 (la cual est´a asociada a x∗2 y al eigenvalor λ2 ) es no controlable. x∗n       +   b∗11 b∗21 .. (e) foco inestable. . λn      x∗1 x∗2 . 0 .41) podemos aseverar que para controlabilidad completa. Si este es el caso. . . ninguna fila de B∗ = E−1 B debe de ser nula. x˙ ∗n        =    λ1 0 λ2 ... .242 Sistemas Continuos jω jω x2 x2 x1 σ λ1 λ 2 (b) (a) jω λ1 jω x2 λ2 λ1 x1 σ x2 (d) jω x2 jω x1 σ λ2 (c) λ1 x1 σ λ1 λ 2 x2 λ1 x1 σ x1 σ λ2 λ2 (f) (e) Fig. (d) foco estable. Controlabilidad Completa a la Salida El sistema SLIT descrito en (A. Cpn y Dpm es completamente controlable en la salida si el rango de la siguiente matriz de orden p × (n + 1)m iguala al orden p del vector de salida y del sistema: [CB CAB CA2 B · · · CAn−1 B D] (A..44) con dimensiones Ann . Si por ejemplo. (f) punto centro. b∗12 b∗22 . b∗n1 b∗n2 · · · b∗1m · · · b∗2m . A.      x˙ ∗1 x˙ ∗2 . ∗ · · · bnm      u1 u2 . um      De la ecuaci´on (A. entonces la segunda fila de B∗ tiene que ser nula.42) . . . ...8: Tipos de puntos singulares en un sistema lineal de segundo orden: (a) nodo estable.. de la ecuaci´on (A. Bnm . . (b) nodo inestable.41) se obtiene: x˙ ∗2 = λ2 x∗2 + 0u1 + 0u2 + · · · + 0um de donde claramente se observa que ninguna fuerza de control est´a actuando sobre la variable x∗2 . (c) punto silla de montar.

Si alguna columna i fuera nula.m CONTROLABILIDAD COMPLETA DE UN SLIT clear all.-1 0 2].0 3]. % n = 3.. x∗n (t0 )      Entonces.-1 0.42) requiere la presencia del t´ermino Du en la ecuaci´on de salida dada en (A. e λn t      x∗1 (t0 ) x∗2 (t0 ) .43). % rankCS = p = 2 => SISTEMA COMPLETAMENTE CONTROLABLE A LA SALIDA Observabilidad Completa Un sistema SLIT es completamente observable si alg´ un estado x(t). A = [2 2 -1.m se determina la controlabilidad completa y de la salida de un SLIT con ecuaci´on de estado x˙ = Ax + Bu y ecuaci´on de salida y = Cx + Du. el super´ındice H indica operaci´on hermitiana.3 Variables de Estado 243 Observar que (A.43)  = CH AH CH · · · (AH )n−1 CH . % M = [A A*B A^2*B]: MATRIZ DE CONTROLABILIDAD rankM = rank(M). p = 2. donde Λ es la matriz diagonal cuyos elementos λi son los eigenvalores de A. % rankM = 3 = n => SISTEMA COMPLETAMENTE CONTROLABLE CS = [C*B C*A*B C*A^2*B D].clc. close all. B = [0 2. Ejemplo A. En (A.2 3 0. % cont1. La observabilidad completa en un sistema es de suma importancia porque permite reconstruir las variables de estado no medibles partiendo del vector medible y(t).B). entonces la operaci´on hermitiana se reemplaza por la operci´on transpuesta.-2 3 0]. es necesario que el rango de la denominada matriz de observabilidad N de dimensi´on np × p :   C  CA   H   N= (A. CAn−1 posea rango n (rango completo).A. M = ctrb(A. incluyendo el estado inicial x(t0 ). entonces (??) toma la forma: x˙ ∗ = E−1 AEx∗ = Λx∗ x∗ = eΛt x∗ (t0 ) Luego:    y = CEx = CEe x (t0 ) = CE   ∗ Λt ∗ eλ 1 t 0 eλ 2 t . . ninguna de las columnas de la matriz CE de orden p × n debe de ser nula.. . rankCS = rank(CS). Para que un sistema sea completamente observable. para que el sistema SLIT sea completamente observable. D = [1 -1.38 En el programa cont1. C = [1 0 1.2 1].35). Si existe una transformaci´on lineal x = Ex∗ de modo tal que E−1 AE = Λ. Sin demostraci´on se establece la condici´on de estabilidad completa. Se sabe que si todas las matrices son reales.   .. se puede determinar partiendo de la observaci´on de la salida y(t) en un tiempo finito t0 ≤ t ≤ t1 . lo que se contrapone a la definici´on de observabilidad completa. entonces no se podr´ıa reconstruir completamente el vector de estado x. 0 .

5.46) A(t−t ) 0 es la matriz de transici´on o exponencial.-1) N2 = obsv(A2.45) donde: ∞ X Aν (t − t0 )ν A2 (t − t0 )2 A3 (t − t0 )3 + +· · · ν! 2! 3! ν=0 (A. n2 = 3. C3*A3.7093) N3 = obsv(A3. ecuaci´on (A.D3] = eig(A3).2 0 3]. C3*A3^2] rankN3=rank(N3). DD2 = inv(E2)*A2*E2.2 3 0.3. La derivada total de e resulta: Φ(t−t0 ) = eA(t−t0 ) = deA(t−t0 ) dt = I+A(t−t0 )+ A3 (t − to )2 = A + A2 (t − to ) + + ··· 2!   A2 (t − t0 )2 = A I + A(t − t0 ) + + +··· 2! = AeA(t−t0 ) = eA(t−t0 ) A (A.D1] = eig(A1). % D2 = diag(-1.2.47) Derivando ahora (A. % RETORNA MATRIZ DE OBSERVABILIDAD [C2. C2*A2^2] rankN2=rank(N2).45) con respecto al tiempo t se obtiene:   Z d At t −Aτ A(t−t0 ) e x˙ = Ae x(t0 ) + e Bu(τ )dτ dt t0 Z t A(t−t0 ) At e−Aτ Bu(τ )dτ + eAt e−At Bu = Ax + Bu = Ae x(t0 ) + Ae t0 . C2 = [0 1 -1].1.-1. % rankN2=2<n2 => SISTEMA NO ES COMPLETAMENTE OBSERVABLE A3 = [2 2 -1. B3 = [0 1. close all.0 1 -4. C1*A1.35). C2*A2.-1 0 2]. % RETORNA MATRIZ DE OBSERVABILIDAD [C1. y = Cx + Du (A.2) N1 = obsv(A1. C1 = [1 2 1.3. clc. % D1 = diag(2.3.0968.m OBSERVABILIDAD COMPLETA DE SLITs clear all. % RETORNA MATRIZ DE OBSERVABILIDAD [C3. [E2. dado un estado inicial x(t 0 ).1939. DD3 = inv(E3)*A3*E3. DD1 = inv(E1)*A1*E1.0 1].0 1 -3]. Soluci´ on de la Ecuaci´ on de Estado de SLITs Continuos En la subsecci´on A. % D3 = diag(0. % rankN3=3=n3 => SISTEMA COMPLETAMENTE OBSERVABLE A.4.0 2 0. vimos que la din´amica linealizada de un sistema (sin la presencia de disturbios) se representa en el espacio de estado mediante sus ecuaciones de estado y de salida: x˙ = Ax + Bu.0 3 1]. % rankN1=3=n1 => SISTEMA COMPLETAMENTE OBSERVABLE A2 = [-1 1 -1.1 0.D2] = eig(A2). C1*A1^2] rankN1=rank(N1).244 Sistemas Continuos Ejemplo A. C3 = [1 2 1.1 0. A1 = [2 0 0.44) La soluci´on de la ecuaci´on de estado anterior. B2 = [0 2 1].0 1]. n3=3.2 0 3].C1). n1 = 3.m se determina la observabilidad completa de varios SLITs.C2). es: Z t A(t−t0 ) x(t) = e x(t0 ) + eA(t−τ ) Bu(τ )dτ t0 = Φ(t − t0 )x(t0 ) + Z t t0 Φ(t − τ )Bu(τ )dτ (A. B1 = [0 1. [E1.C3). [E3.39 En el programa observ1. % observ1.

u(t) 1 t 0 1 2 3 4 Fig. A. t0 = 3 y x(t0 ) = x(3).49) Comparando (A. La matriz de transferencia definida en (A. Luego: e−2(t−τ ) 5  τ =t 3−τ 5 dτ = 3e−2t + e−2t 7e2τ − e2τ τ τ =1 2 8 5 x(t) = 3e−2t + [7 − t − 6e2(1−t) ].40 Graficar la respuesta x(t) del sistema: x˙ = −2x + 5u con x(0) = 3.50) La matriz Φ(t − t0 ) se denomina la matriz de transici´on. A.9: Entrada u(t) para el ejemplo A.45) con A = −2 y B = 5.37) tambi´en se obtiene haciendo x(t0 ) = 0 en (A.48) (A.44). obtenido con el programa C2rpta.A. t0 = 0 y x(t0 ) = 3. Soluci´ on: Emplearemos la soluci´on dada en (A. u(t) = 3−t 2 . u(t) = 0. Para incluir el tiempo inicial t0 . A.45) es la soluci´on de la ecuaci´on de estado (A. Para 0 ≤ t ≤ 1. La entrada u(t) tiene la forma mostrada en la Fig.40. Para 1 ≤ t ≤ 3.48) con (A. La representaci´on de la ecuaci´on de estado en el dominio laplaciano toma la forma: sx(s) − x(t0 ) = Ax(s) + Bu(s) x(s) = (sI − A)−1 x(t0 ) + (sI − A)−1 Bu(s) = Φ(s)x(t0 ) + Φ(s)Bu(s) y(s) = Cx(s) + Du(s) = C(sI − A)−1 x(t0 ) + [C(sI − A)−1 B + D]u(s) (A. Luego: x(t) = 3e−2t .9. Luego: x(t) = x(3)e−2(t−3) El gr´afico de x(t). Ejemplo A. u(t) = 0. . las integraciones en L−1 [(sI − A)−1 ] se deben de hacer de t0 a t.m se muestra en la Fig.49).10. 8 5 x(3) = 3e−6 + (4 − 6e−4 ) 8 Para t ≥ 3 . t0 x(t) = 3e−2 e−2(t−1) + Z t 1 x(1) = 3e−2 = 1 y x(t0 ) = x(1).45) podemos afirmar que: Φ(t − t0 ) = eA(t−t0 ) = L−1 [(sI − A)−1 ] (A.3 Variables de Estado 245 De esta forma se demuestra que (A.

5 0 0 1 2 3 4 5 6 TIEMPO EN SEGUNDOS 7 8 9 10 Fig.m RESPUESTA DE UN SLIT A UNA ENTRADA ARBITRARIA clear all.T. grid ylabel(’RESPUESTA x(t)’).04 s. x(0) =  −6 1  . xlabel(’TIEMPO [s]’). k=1.246 Sistemas Continuos 3 2. A.01). B= −12 0 −1 C=  3 −4  .T/0. % C2rpta. T=10. print -deps -f rptarb Ejemplo A.x(1:T/0. plot(ejex. end k=k+1. if t>1. x˙2 = −12x1 − u y = 3x1 − 4x2 − 2u Condiciones iniciales: x1 (0) = −6.5 RESPUESTA x(t) 2 1. close all. end ejex = linspace(0.5 1 0. Graficar la respuesta y(t) y compararla con las respuestas obtenidas mediante discretizaci´on para los tiempos de muestreo de 0. x_3 = 3*exp(-6)+5*(4-6*exp(-4))/8. clc. x(k)= 3*exp(-2*t)+5*(7-t-6*exp(2-2*t))/8.01:T x(k)=3*exp(-2*t). for t=0:0.1 s y 0.01)). donde:     −7 1 2 A= . determinar la respuesta de un sistema descrito por las siguientes ecuaciones de estado y de salida: x˙1 = −7x1 + x2 + 2u. x2 (0) = 1.10: Respuesta x(t) de un SLIT de primer orden a una entrada arbitraria u(t). x(k)= x_3*exp(-2*(t-3)).41 Dado u(t) = 3e−t . end if t>3. D = [−2]. Soluci´ on: Es f´acil determinar que las ecuaciones de estado y de salida del sistema poseen la forma x˙ = Ax + Bu y y = Cx + Du respectivamente.

Conforme T aumenta (por ejemplo para T = 0.250). las respuestas y(t) e y(kT ) pr´acticamente coinciden. Dc = [-2]. x(s) (ecuaci´on (A. Para T ≤ 0. lo cual nos indica que los sistemas muestreados dependen de T . t≥0 6 2 3 Las respuestas mostradas en la Fig. Se deja como ejercicio resolver este ejemplo usando MATLAB. Cc = [3 -4].A.767*exp(-3*t)/2 + 918*exp(-4*t)/3.’--’. end for k = 1:250 u(k) = 3*exp(-k*T2). xlabel(’TIEMPO [s]’). y2(k) = Cc*x + Dc*u(k). t1=linspace(0. y1(k) = Cc*x + Dc*u(k).100).1: u(s) = L[3e−t ] = 3/(s + 1).48)) e y(s) (ecuaci´on (A. x = [-6.1 s).1:10. % crpta.t2.42 . grid ylabel(’RESPUESTAS ’).y1.10.m.t1. T1=0.y2. A = [-7 1. la diferencia entre y(t) e y(kT ) es m´as notoria.49)) toman la forma:  −1   s + 7 −1 2 u(s) 12 s −1        3 1 2 −6 s 1 + = 2 −1 1 s + 7s + 12 −12 s + 7 s+1 " # 2 x(s) = s + 7 −1 12 s −1  y(s) = Cx(s) + Du(s) = y(t) =  +  −6s +s−2 (s+1)(s+3)(s+4) s2 +77s−14 (s+1)(s+3)(s+4) = = −6 1  3 −4  " −6s2 +s−2 (s+1)(s+3)(s+4) s2 +77s−14 (s+1)(s+3)(s+4) # −2  3 s+1  6 297/6 −767/2 918/3 −22s2 − 305s + 50 − = + + (s + 1)(s + 3)(s + 4) s + 1 s+1 s+3 s+4 297 −t −767 −3t 918 −4t e + e + e .’:’). Luego. end t = 0:0.1. y = 297*exp(-t)/6 . clc.10.1].m COMPARACI´ ON DE RESPUESTAS PARA DIFERENTES TIEMPOS DE MUESTREO clear all. T2=0.10. B = [2.11 se realizaron con el programa crpta. print -deps -f crpta Ejemplo A.04.-1]. % CONDICION INICIAL Y TIEMPOS DE MUESTREO for k = 1:100 u(k) = 3*exp(-k*T1). x = x + T2*(A*x + B*u(k)). % GR´ AFICOS t=linspace(0. Notar que se emplea la siguiente aproximaci´on de la derivada: x˙ ∼ = x(k + 1) − x(k) = Ax + Bu → x = x + T (Ax + Bu) T donde T es el tiempo de muestreo y k = t/T es el tiempo discreto. plot(t.-12 0]. x = x + T1*(A*x + B*u(k)).04 s.101). A.y. t2=linspace(0.3 Variables de Estado 247 Seg´ un la Tabla A. close all.

plot(t. la controlabilidad completa en la salida y la observabilidad completa del sistema.04. y2 (t) e y3 (t). x1 = [0.y3. (d) Hallar la controlabilidad completa. El programa C2prosup. u2 (t) = 2u1 (t) y u3 (t) = u1 (t) + u2 (t) y sean las salidas respectivas y1 (t).m demuestra gr´aficamente (ver figura A.y1. end t=linspace(0. y de superposici´on: y3 (t) = y1 (t) + y2 (t). (b) Hallar su matriz de transferencia. y2(k) = Cc*x2 + Dc*u2(k). (f) Determinar y(t) para x(t0 ) = 0 usando (A.-12 0]. En el ejemplo anterior sean u1 (t) = 3e−t . y3(k) = Cc*x3 + Dc*u3(k). % C2prosup. close all.1 s 10 RESPUESTAS 0 T2 = 0. A. y1(k) = Cc*x1 + Dc*u1(k).49).248 Sistemas Continuos 20 T1 = 0.0]. u3(k)=u1(k)+u2(k).41.m PRINCIPIOS DE PROPORCIONALIDAD Y SUPERPOSICI ´ ON clear all. A = [-7 1.11: Respuestas para el ejemplo A.43 En el sistema de la Fig. T = 0. grid ylabel(’RESPUESTAS’). A. print -deps -f C2prosup Ejemplo A. M = 100. Para este sistema: (a) Determinar su ecuaci´on de estado y su ecuaci´on de salida.50) para determinar su matriz de transici´on con t 0 = 0. x2 = x2 + T*(A*x2 + B*u2(k)).’--’. x1 = x1 + T*(A*x1 + B*u1(k)).t.M). (g) Graficar las respuestas y1 (t) e y2 (t) a entradas tipo escal´on unitario. Cc = [3 -4].y2.-1]. x3 = x1. u2(k)=2*u1(k). (c) Determinar si el sistema es estable.M*T. clc.04 s −10 y(t) −20 −30 −40 −50 0 2 4 TIEMPO [s] 6 8 10 Fig. for k= 1:M u1(k)=3.t. x3 = x3 + T*(A*x3 + B*u3(k)). . x2 = x1. xlabel(’TIEMPO [s]’). (e) Usar (A.’:’).12) los principios de proporcionalidad: y 2 (t) = 2y1 (t). las cuales se han fijado a la salida de cada bloque de primer orden. Dc = [-2]. B = [2.13 ya se han definido las variables de estado xi del sistema.

51) en la u ´ltima expresi´on. se obtiene: x˙ 1 = −x1 − x2 − x3 − x4 + x5 − u3 Operando del mismo modo con los otros bloques resultan: (s + 2)x2 = 2(u2 − x2 ) → x˙ 2 = −4x2 + 2u2 (A.43 Soluci´ on: (a) Del diagrama de bloques se puede comprobar que las salidas y1 e y2 poseen las expresiones: y1 = x 2 + x 3 + x 4 − x 5 + u 3 y2 = x 1 − x 2 + x 5 + u 2 (A.5 1 1.51) Operando en el bloque que tiene como salida la variable de estado x1 . A. Observar que y2 (t) = 2y1 (t) (proporcionalidad) e y3 (t) = y1 (t) + y2 (t) (superposici´on) x1 1 s+1 u1 u2 x2 2 s+2 4 s+4 5 s+5 u3 3 s+3 x4 y1 x5 y2 x3 Fig.13: Sistema del ejemplo A. se obtiene: x1 = 1 (u1 − y1 ) s+1 → (s + 1)x1 = x˙ 1 + x1 = u1 − y1 Reemplazando y1 de (A. A.52) .3 Variables de Estado 249 80 70 y3 = y1 + y2 60 RESPUESTAS 50 y2 = 2y1 40 30 20 y1 10 0 −10 −20 0 0.5 TIEMPO [s] 3 3.5 2 2.12: Respuestas de un sistema lineal a entradas arbitrarias.A.5 4 Fig.

52) y (A.53) forman la ecuaci´on de estado x˙ = Ax + Bu mientras que las ecuaciones en (A.250 Sistemas Continuos (s + 3)x3 = 3(u3 − x5 ) → x˙ 3 = −3x3 − 3x5 + 3u3 (s + 4)x4 = 4(x1 + u2 − x2 ) → x˙ 4 = 4x1 − 4x2 − 4x4 + 4u2 (s + 5)x5 = 5(x2 + u3 − x3 + x3 ) → x˙ 5 = 5x2 − 5x5 + 5x3 (A. u2 = 1 y u3 = 1 (In(1).        x˙ 1 −1 −1 −1 −1 1 x1 1 0 −1    x˙ 2   0 −4 0     0 0       x 2   0 2 0  u1  x˙ 3  =  0      0 −3 0 −3       x 3  +  0 0 3  u2  x˙ 4   4 −4 0 −4 0   x4   0 4 0  u3 x˙ 5 0 5 0 0 −5 x5 0 0 5  y1 y2  =    1 0 1 1 −1    1 −1 0 0 1  x1 x2 x3 x4 x5 La MT G(s) toma la forma (ver archivo va.14 muestra las respuestas y1 (t) e y2 (t) (Out(1) y Out(2) en el gr´afico) a los escalones u1 = 1.m.m) resultan: 5 13 17 5 51 5 y1 = − e−3t + e−5t − e−4t + e− 2 t cos 2 4 16 2 16 √ ! 7 111 √ − 5 t 7e 2 sen t − 2 112 √ ! 7 t 2 5 3 183 − 5 t 1 39 e 2 cos y2 = − e−3t + e−5t − e−4t + 2 4 16 2 16 √ ! 99 √ − 5 t 7 t − 7e 2 sen 2 112 √ ! 7 t 2 Por otro lado. Ejecutar el archivo va. A. . In(2) e In(3) en el gr´afico) obtenidas con el comando step de MATLAB.51) forman la ecuaci´on de salida y = Cx + Du.m): G(s) = G11 (s) =  s+8 s2 + 5s + 8 G21 (s) = s+4 2 s + 5s + 8  4s4 + 14s3 − 4s2 − 139s − 120 (s2 + 5s + 8)(s2 + 9s + 20)(s + 3) (s2 + 10s + 24)2 (s + 5)(s + 3)(s2 + 5s + 8) G22 (s) = G23 (s) =      u1   + 0 0 1  u2   0 1 0  u3 G11 (s) G12 (s) G13 (s) G21 (s) G22 (s) G23 (s) G12 (s) = G13 (s) =  s5 + 15s2 + 93s3 + 291s2 + 510s + 480 (s2 + 5s + 8)(s2 + 9s + 20)(s + 3) 4s3 + 30s2 + 91s + 120 (s + 5)(s3 + s2 + 23s + 24) Los elementos y1 (t) e y2 (t) del vector de salida y (calculados en va. tal como se muestra a continuaci´on. la Fig.53) Las ecuaciones en (A.

0 0 3.0 5 0 0 -5]. La transformaci´on can´onica tratada en el ejemplo A. % rankN=5=n => EL SISTEMA ES COMPLETAMENTE OBSERVABLE % (e) MATRIZ DE TRANSICI´ ON Phi(t)=L^(-1)[(sI-A)^(-1)] Phi = ilaplace(inv(s*I-A)).B. clc. pretty(simplify(G)) % (c) ESTABILIDAD [E. rankCS = rank(CS).C). pretty(simplify(y)) % (g) GR´ AFICOS DE LAS SALIDAS step(A.3 Variables de Estado 251 ´LCULOS PARA EL EJEMPLO 2. C*A^2. syms s. y = Cx+Du.0 -4 0 0 0.A.34 es una de ellas. Dichas representaciones se denominan formas can´onicas. Otras formas can´onicas se describen a continuaci´on.38) vimos que la FT tambi´en se puede formular como: y(s) = G(s) = [C(sI − A)−1 B + D] u(s) que corresponde al sistema SLIT en el espacio de estado: x˙ = Ax+Bu. . C*A^3.6. Tal sistema posee diversas representaciones notables en el espacio de estado. p = 2.3229i.3. -5. Y = G*U. % (a) ECUACIONES DE ESTADO Y DE SALIDA A = [-1 -1 -1 -1 1. Formas Can´ onicas SISO en el Espacio de Estado La ecuaci´on diferencial que describe a un sistema SISO con par´ametros constantes toma la forma: dn−1 y(t) dn u(t) dn−1 u(t) dn y(t) + a + · · · + a y(t) = b + b + · · · + bn u(t) (A. % (b) MATRIZ DE TRANSFERENCIA G = C*inv(s*I-A)*B + D. % rankM = 5 = n => SISTEMA COMPLETAMENTE CONTROLABLE CS = [C*B C*A*B C*A^2*B C*A^3*B C*A^4*B D]. -4.D). C*A.1 -1 0 0 1].0 1 0]. % MATRIZ DE OBSERVABILIDAD N=[C.0000) % SISTEMA ESTABLE PORQUE LA PARTE REAL DE LAS RA ´ ICES SON NEGATIVAS % (d) CONTROLABILIDAD Y OBSERVABILIDAD M = ctrb(A. D = [0 0 1. % MATRIZ DE CONTROLABILIDAD M = [A A*B A^2*B A^3*C A^4*B] rankM = rank(M).54) 1 n 0 1 dtn dtn−1 dtn dtn−1 La FT correspondiente al sistema (A.0 4 0.54) es: G(s) = b0 sn + b1 sn−1 + · · · + bn b0 + b1 s−1 + · · · + bn s−n y(s) = n = u(s) s + a1 sn−1 + · · · + an 1 + a1 s−1 + · · · + an s−n (A.43 % va.0 0 5]. -2. print -deps -f va A.C.0 0 -3 0 -3.1/s]. C = [1 0 1 1 -1. I = eye(5). close all.3229i. B = [1 0 -1. C*A^4] rankN=rank(N). -3.0 2 0.5000+1.4 -4 0 -4 0.DD]=eig(A).0000. % rankCS = p = 2 => SISTEMA COMPLETAMENTE CONTROLABLE A LA SALIDA N = obsv(A.0000. % DD = diag(-2.B). pretty(simplify(Phi)) % (f) RESPUESTAS y1(t) e y2(t) U = [1/s.m VARIOS CA clear all.5000-1.1/s. n = 5. y = ilaplace(Y).55) En (A.

. Primera Forma Can´ onica Controlable:  0 0 . u2 = 1 y u3 = 1 (ejemplo A.      0 0 ··· 1   xn−1 −an−1 −an−2 · · · −a1 xn   y = 1 0 · · · 0 x + β0 u   β1 β2 .5 To: Out(2) 1 0.252 Sistemas Continuos Step Response From: In(1) 1. ..43) .5 −1 1... . β2 = b2 − a1 β1 − a2 β0 ..  x1 x2 .. 0 1 .56) Segunda Forma Can´ onica Controlable:     x˙ =    0 0 . A. etc.. x1 x2 . Generalizando: βn = bn − a1 βn−1 − · · · − an−1 β1 − an β0 (A... . . ··· ··· 0 0 0 ··· −an −an−1 −an−2 · · ·  y = bn − an b0 bn−1 − an−1 b0  0 0 . . β1 = b1 − a1 β0 .57) . . . ··· ··· 0 0 . ..5 From: In(2) From: In(3) 1 To: Out(1) 0.    x˙ =    1 0 . .           + u      0  1  b 1 − a 1 b0 x + b 0 u (A.5 0 Amplitude −0.      1   xn−1 −a1 xn ···   0 0 .. 0 −an 1 0 . ..5 0 0 1 2 3 0 1 2 Time (sec) 3 0 1 2 3 Fig. ..14: Respuestas y1 (t) e y2 (t) a los escalones u1 = 1.       +     βn−1 βn     u   donde: β0 = b0 . 0 1 .

.61) .        xn−1 xn   1 0 . .A. . . . la forma can´onica diagonal es:  x˙ 1 x˙ 2 .. . 0 0 0 0 ··· ··· 0 0 y=  1  0 0 ... las constantes ci se pueden hallar en la forma acostumbrada a partir de: ci = l´ım [(s − pi )G(s)] s→pi Luego.. ... . −a2 0 1 . x1 x2 .          +     ··· 1 0 −a2   xn−1   xn ··· 0 1 −a1   y = 0 0 · · · 0 1 x + b0 u b2 − a 2 b0 b1 − a 1 b0     u   (A. bn − a n b0 bn−1 − an−1 b0 . ··· ··· ··· −an−1 0 0 ..58) Primera Forma Can´ onica Observable:  0 1 .       +     0 0 0  · · · b n − a n b0 x + b 0 u b2 − a 2 b0     u   (A... 0 1 . . 0 0 . . ..    x˙ =    0 0 0 0 ··· ··· 0 0 .. 0  0 ··· 1 y= b1 − a 1 b0 −an 0 0 . ... 0 λ2 . . ··· ··· 0 0 .. ..55) como: n X ci y(s) b0 sn + b1 sn−1 + · · · + bn−1 s + bn G(s) = = = b0 + u(s) (s − p1 )(s − p2 ) · · · (s − pn ) s − pi i=1 donde las ra´ıces pi (los eigenvalores del sistema) son no repetidos. . . . ..... . xn       +   x + b0 u 1 1 .  x1 x2 .   x1 x2 . . ..    x˙ =    −an−1 −an 1 0 ..59) Segunda forma can´ onica observable:  −a1 −a2 . 0 0 . .3 Variables de Estado 253 Tercera Forma Can´ onica Controlable:     x˙ =    −a1 1 0 . ··· ··· 0 0 .      1   xn−1 0 xn 0 ··· 0   b1 − a 1 b0 b2 − a 2 b0 . 1    u  (A.60) Forma Can´ onica Diagonal (eigenvalores no repetidos) Formulando (A. .....       +     bn−1 − an−1 b0 bn − a n b0  0 · · · x + b0 u     u   (A. . 0 0 ··· λn  c1 c2 ··· cn       x1 x2 .  −an −an−1 .. .       x˙ n−1 x˙ n        =    y= λ1 0 . .

69s−2 − 0. y el resto. p2 .p. .4.m FORMAS CANO clear all. . a5=0.44 En el programa C2forca1. beta1 = b1-a1*beta0. b1=-2.65. .2s−6 1 + 1.49s−4 + 0.8. a2=-1.25.345.65s−2 + 6.2. p7 y p8 no lo son. .m se determinan varias formas can´onicas para: G(s) = 1 − 2.8s−3 − 4. b3=6.3s−5 + 1.3. -2 % EL SISTEMA ES INESTABLE DEBIDO A LA RA´ IZ TRIPLE 0. b2=-0. b5=-1.63) u(s) (s − p1 )3 (s − p1 )2 s − p1 (s − p2 )2 s − p2 s − pi i=6 Ejemplo A.55) toma la forma: G(s) = y(s) b0 sn + b1 sn−1 + · · · + bn−1 s + bn B(s) = = 3 2 u(s) (s − p1 ) (s − p4 ) (s − p6 ) · · · (s − pn ) A(s) 8 X ci c2 c3 c4 c5 c1 + + + + + = b0 + (s − p1 )3 (s − p1 )2 s − p1 (s − p2 )2 s − p2 s − pi i=6 donde los eigenvalores p1 y p2 se repiten tres y dos veces respectivamente. Las constantes b0 . % A(s): POLINOMIO DEL DENOMINADOR roots(A).04s−6 ´NICAS % C2forca1. % RA´ ICES DE A(s): 0.02s−5 − 0.8s−1 − 0. a6=-0. a4=0. beta3 = b3-a1*beta2-a2*beta1-a3*beta0. clc. y = Ccc*x + Dcc*u beta0 = b0.5. close all.3.62) 8 X ci y(s) c1 c2 c3 c4 c5 = b0 + + + + + + (A. b0=1. b4=-4. a3=-0. beta2 = b2-a1*beta1-a2*beta0.3s−1 − 1. ci . . La forma can´onica de Jordan es (notar la ubicaci´on de los ceros y unos en el vector que multiplica a u):      x1 0 p1 1 0 0 0 0 0 0  0 p 1 1 0 0 0 0 0   x2   0        0 0 p 1 0 0 0 0 0   x3   1        0 0 0 p 2 1 0 0 0   x4   0        x˙ =    x5  +  1  u 0 0 0 0 p 0 0 0 2       0 0 0 0 0 p 6 0 0   x6   1        0 0 0 0 0 0 p 7 0   x7   1  1 0 0 0 0 0 0 0 p8 x8   y = c1 c2 c3 c4 c5 c6 c7 c8 c9 x + b 0 u (A. Supongamos que (A. B = [b0 b1 b2 b3 b4 b5 b6]. -0.5. % B(s): POLINOMIO DEL NUMERADOR A =[1 a1 a2 a3 a4 a5 a6]. p6 . p6 .02. a1=1.04.49. 0.5.69. -0. p7 y p8 se calculan empleando el comando [r. i = 1.254 Sistemas Continuos Forma Can´ onica de Jordan (eigenvalores repetidos) Describiremos la forma can´onica de Jordan con un ejemplo.345s−3 + 0.5)). 0.4. b6=1.8. 8 y los eigenvalores p1 .A) (ver ecuaci´on (A.k] = residue(B.5 % 2DA FORMA CAN´ ONICA CONTROLABLE: dx/dt = Acc*x + Bcc*u.25s−4 − 1.

-1. p4=p(4).-4. Demuestre que las matrices A y Aj poseen los mismos eigenvalores y que ambas representaciones de estado generan la misma funci´on de transferencia.0136 0. y = Coo*x + Doo*u Aoo = [0 0 0 0 0 -a6 1 0 0 0 0 -a5 0 1 0 0 0 -a4 0 0 1 0 0 -a3 0 0 0 1 0 -a2 0 0 0 0 1 -a1]. p = [-2 0.3 Variables de Estado 255 beta4 beta5 beta6 Acc = % % % % = b4-a1*beta3-a2*beta2-a3*beta1-a4*beta0.beta4. p2=p(3).D).beta5. = b5-a1*beta4-a2*beta3-a3*beta2-a4*beta1-a5*beta0. 1RA FORMA CAN´ ONICA OBSERVABLE: dx/dt = Aco*x + Bco*u.0.45 Conocido el sistema x˙ = Ax + Bu. p3=p(3). p2=p(4). Bj = [1. % EXPANSI´ ON EN FRACCIONES PARCIALES c = [-1. y = C*x + D*u clear all. A = [0 1 0 3.b5-a5*b0.A.k] = residue(B. clc. -1. Cco = [0 0 0 0 0 1].beta2.0. c4=c(4).1. c1=c(1).p.0]. % EIGENVALORES DE A: eigA = [-1.5 -0.1].b2-a2*b0.0 0 0 1. Cj = [c1 c2 c3 c4 c5 c6].k] = residue(num.den).4 -0.0 -1 1 1. c1=c(1). c5=c(5). Ccc = [1 0 0 0 0 0]. c2=c(2).den] = ss2tf(A. p3=p(5).B. c3=c(3). k = 1. Dcc =[beta0]. eigA = eig(A).0.8233 -0.b4-a4*b0. Ejemplo A. [num.m FORMA CANONICA DE JORDAN DE dx/dt + A*x + B*u. Dco=[b0]. C = [1 0 0 0]. p1=p(1). % EXPANSION EN FRACCIONES % c = [-8 -8 0 9]’.5 0. Bcc = [beta1. % C2forca2. determinar la ecuaci´on de estado y la ecuaci´on de salida en su forma can´onica de Jordan: x˙ = Aj x+Bj u. k = -2.0. Aco = [b6-a6*b0.5 0. c6=c(6). p1=p(1). 0] [c.6133 -1.beta6]. y = Cj*x + Dj*u [c. c4=c(4). Dj = [k].b3-a3*b0. Soluci´ on: El siguiente programa resuelve las preguntas planteadas. [0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 -a6 -a5 -a4 -a3 -a2 -a1]. Aj = [p1 0 0 0 0 0 0 p2 1 0 0 0 0 0 p2 1 0 0 0 0 0 p2 0 0 0 0 0 0 p3 1 0 0 0 0 0 p3]. y = Cx + Du. close all. c3=c(3).p.4]. B = [1.C. . p3=p(6).A).1111 -5. p2=p(2). p2=p(2). D = [-2].89 3.b1-a1*b0].5323]’. FORMA CAN´ ONICA DE JORDAN: dx/dt = Aj*x + Bj*u. y = Cj x+Dj u. = b6-a1*beta5-a2*beta4-a3*beta3-a4*beta2-a5*beta1-a6*beta0.beta3.0 0 -1 -2]. p = [-1 -1 -1 0]. c2=c(2).

Los siguientes ejemplos ilustran tal aproximaciones. Ejemplo A.Dj). 0] A.denj] = ss2tf(Aj.Cj. e(t) e(t) e(iT) t=iT T e(iT+T) e(iT) t=iT T (a) (b) Fig. A. A. y = Cj*x + Dj*u Aj = [p1 0 0 0. Bj = [0. Dj = [k]. Z t e(τ )dτ u(t) = 0 Soluci´ on: Si empleamos sumatoria de rect´angulos para aproximar el a´rea debajo de la curva e(t).1]. % EIGENVALORES DE Aj Y A SON IGUALES: [-1. se puede aproximar empleando una sumatoria de rect´angulos de la forma T e(iT ) (Fig. den=denj eigAj = eig(Aj).0 0 0 p2].4. -1. (b) Mediante trapezoides. % SE VERIFICA: num=numj.1. es decir.15: (a) Aproximaci´on del a´rea bajo la curva e(t) mediante rect´angulos.15(b).256 Sistemas Continuos % dx/dt = Aj*x + Bj*u.0 0 p1 0. se obtiene: u(kT ) ≈ k X i=0 T e(iT ) = T k X i=0 e(iT ) = T k−1 X i=0 e(iT ) + T e(kT ) = u(kT − T ) + T e(kT ) u(kT ) − u(kT − T ) = T e(kT ) u(k) = u(k − 1) + T e(k) (A.0 p1 1 0. donde T es el tiempo de muestreo. Discretizaci´ on Directa Discretizaci´ on de la Integral Es bastante u ´til discretizar directamente modelos din´amicos que contengan integrales y derivadas.46 Determinar la ecuaci´on de diferencias de la siguiente integral usando tanto aproximaci´on rectangular como trapezoidal.15(a)) o trapezoides de la forma: T e(T i) + e(T i + T ) 2 tal como se observa en la Fig.Bj. A. -1. Cj = [c1 c2 c3 c4].1. La integral de una curva e(t). el a´rea debajo de dicha curva.64) . [numj.

denotada como la ecuaci´on discreta de la integral. Determinar la ecuaci´on de diferencias de dicho controlador.4 Discretizaci´ on Directa 257 donde k = t/T es el tiempo discreto..47 El controlador PID se emplea en m´as del 90 % de los circuitos de control existentes en la industria.66) = e(t) ˙ ≈ Si la discretizaci´on de la derivada se realiza por adelanto.67) = e(t) ˙ ≈ Ejemplo A. Para el otro caso. ya que todos los t´erminos se discretizan empleando dicho tiempo.A. hemos omitido en el argumento su dependencia con el tiempo de muestreo T . (A.68). donde K c es la ganancia proporcional.64). . (A.65) Discretizaci´ on de la Derivada T´erminos que contengan derivadas pueden discretizarse empleando diferencias por atraso: de(t) dt de(t) ˙ dt ∆e(kT ) e(kT ) − e(kT − T ) e(k) − e(k − 1) = = T T T ∆e(kT ˙ ) e(t) ˙ − e(t ˙ − T) ∆e(kT ) − ∆e(kT − T ) = e¨(t) ≈ = = T T T2 e(k) − 2e(k − 1) + e(k − 2) e(k) − e(k − 1) − [e(k − 1) − e(k − 2)] = = 2 T T2 . . empleamos sumatoria de trapecios para aproximar el a´rea debajo de la curva e(t): k X e(iT − T ) + e(iT ) u(kT ) ≈ T 2 i=1 k−1 X e(kT − T ) + e(kT ) e(iT − T ) + e(iT ) = T +T 2 2 i=0 = u(kT − T ) + T e(kT − T ) + e(kT ) 2 T [e(kT − T ) + e(kT )] 2 T u(k) = u(k − 1) + [e(k − 1) + e(k)] 2 u(kT ) − u(kT − T ) = (A. En la expresi´on (A. entonces las diferencias son de la forma: de(t) dt de(t) ˙ dt ∆e(kT ) e(kT + T ) − e(kT ) e(k + 1) − e(k) = = T T T ∆e(kT ˙ ) e(t ˙ + T ) − e(t) ˙ ∆e(kT + T ) − ∆e(kT ) = e¨(t) ≈ = = T T T2 e(k + 1) − e(k) − [e(k) − e(k − 1)] e(k + 1) − 2e(k) + e(k − 1)] = = T2 T2 .   Z t de(t) 1 e(t)dt + TD u(t) = Kc e(t) + (A.. En un primer caso emplear aproximaci´on rectangular y luego usar aproximaci´on trapezoidal. Ti es el tiempo integral y Td es el tiempo derivativo. Este controlador se formula en la ecuaci´on (A.68) TI 0 dt .

donde:     T T TD TD TD + .5. Este tiempo muerto puede existir en la entrada u(t). T   TD T . tal como se ilustra a continuaci´on: x(t) ˙ = Ax(t − τx ) + Bu(t − τu ) y(t − τy ) = Cx(t) + Du(t) (A. + q0 = K c 1 + Ti T q2 = K c TD T Si la integraci´on emplea el m´etodo trapezoidal.70) .68) se obtiene: u(k) = Kc u(k − 1) = Kc ( ( k T X TD e(k) + [e(k) − e(k − 1)] e(i) + TI T i=0 ) k−1 TD T X e(i) + e(k − 1) + [e(k − 1) − e(k − 2)] TI T i=0 ) Pk Pk−1 Teniendo en cuenta que: i=0 e(i) = i=0 e(i) + e(k). q2 = K c q0 = K c 1 + T 2TI T 2TI T A. entonces: ( )  k  1 X e(i − 1) + e(i) TD T u(k) = Kc e(k) + + [e(k) − e(k − 1)] TI 2 T i=1 u(k − 1) = Kc ( )  k−1  e(i − 1) + e(i) TD 1 X [e(k − 1) − e(k − 2)] T + e(k − 1) + TI 2 T i=1 Restando las expresiones anteriores teniendo en cuenta que: k X i=1 [e(i − 1) + e(i)] = k−1 X i=1 [e(i − 1) + e(i)] + e(k − 1) + e(k) y despejando u(k) obtenemos una expresi´on similar a (A.64) y (A. en la salida y(t) o en el vector de estado x(t) del sistema. q1 = −Kc 1 + 2 − . dicho retardo aparece cuando el punto de medici´on est´a lejos de la zona de inter´es. En otro caso.258 Sistemas Continuos Soluci´ on: Empleando las relaciones (A. por ejemplo.69) donde:   TD q1 = −Kc 1 + 2 .66) en (A.69). restamos las expresiones anteriores y despejamos u(k) para obtener la siguiente ecuaci´on de diferencias del controlador PID: u(k) = u(k − 1) + q0 e(k) + q1 e(k − 1) + q2 e(k − 2) (A. el tiempo muerto se debe de tomar en cuenta cuando por ejemplo existe un retardo considerable hasta que la se˜ nal de control llegue al actuador. cuando en la planta s´olo se pueden instalar sensores lejos de la zona de inter´es para la medici´on. Sistemas con Tiempo Muerto En algunos sistemas industriales.

% HABILITA FT D = 5.71) donde los tiempos muertos dk . % ejpade. % exp(-s*D) = numD/denD Gp=10/(2*s+1). % sis: MODELO EN EL ESPACIO DE ESTADO . s = tf(’s’).8. Ejemplo A. close all.A. Luego. numD=-D^3*s^3/120+D^2*s^2/10-D*s/2+1. clc. determinar la ecuaci´on de estado aproximada del sistema. lo cual es suficiente para capturar el efecto del tiempo muerto en muchas aplicaciones. G2=Gp*(numD/denD). step(G1.8s = e u(s) 2s + 1 con respecto a la respuesta originada por el sistema cuando el tiempo muerto se aproxima con una relaci´on de Pad´e de tercer orden.48 Comparar la respuesta a un escal´on del sistema: y(s) 10 −5. donde d = 1. Tal aproximaci´on tiene la forma: e−τ s ≈ num(s) 1 − τ s/2 + (τ s)2 /10 − (τ s)3 /120 = den(s) 1 + τ s/2 + (τ s)2 /10 + (τ s)3 /120 La principal ventaja de usar una aproximaci´on racional para el tiempo muerto es transformar el modelo del sistema dado en (A. tal como se ilustra a continuaci´on: x(k + 1) = Gx(k − dx ) + Hu(k − du ) y(k + dy ) = Cx(k) (A.16. entonces.70) en otro modelo sin tiempos muertos. du y dy toman valores enteros positivos. . τu y τy son los tiempos muertos. el tiempo muerto toma la forma z −d .m SISTEMAS CON TIEMPO MUERTO D Y CON APROXIMACI ´ ON DE PAD´ E clear all. . Soluci´ on: El programa ejpade. sis=ss(G2). en el dominio discreto. A. en la salida o en el vector de estado del sistema.m resuelve el problema planteado y los resultados se ilustran en la Fig. Este tiempo muerto puede existir en la entrada.5 rad) [12]. . y definiendo la unidad de desplazamiento discreto como: eτ s = z. Si τ = d T . 2. En el dominio continuo. el tiempo muerto τ se modela mediante la siguiente expresi´on de la transformada de Laplace: e −τ s . Resulta u ´til emplear la aproximaci´on de Pad´e para modelar el tiempo muerto en el dominio continuo: e−τ s = 1 − sτ + 1 1 num(s) (sτ )2 − (sτ )3 + · · · = !2 !3 den(s) Con una aproximaci´on de tercer orden podemos acomodar retardos de fase de hasta 200o (3.5 Sistemas con Tiempo Muerto 259 Donde τx . y T es el tiempo de muestreo.’--’) print -deps -f ejpades. denD=D^3*s^3/120+D^2*s^2/10+D*s/2+1.G2. G1=Gp*exp(-s*D).

A.1. A.16: Comparaci´on de las respuestas a un escal´on del sistema y de su modelo aproximado mediante una aproximaci´on de Pad´e de tercer orden (ejemplo A.48). Linealizaci´ on de Sistemas Continuos A.6.260 Sistemas Continuos Step Response 10 8 Amplitude 6 4 2 exp(−sD) 0 Padé de 3er orden −2 0 5 10 15 20 25 Time (sec) Fig. Caso SISO El desarrollo de la serie de Taylor permite expandir una expresi´on no lineal continua Y = f (X) alrededor de un punto de operaci´on (o estado de equilibrio) X como sigue: .6.

.

df .

.

(X − X) (X − X)2 d2 f .

.

72) dX . Y = f (X) = f (X) + + + · · · (A.

(X=X) 1! dX 2 .

entonces el desarrollo de Taylor. despreciando los t´erminos de orden m´as alto. . produce: . Xn .(X=X) 2! Si la expresi´on de Y depende de las n variables X1 . . . .

∂f .

.

. (X1 − X 1 ) Y = f (X1 . . . . . X n ) + ∂X1 . . . . Xn ) = f (X 1 .

(X1 =X 1 ) .

.

∂f .

.

∂f .

.

+ (X2 − X 2 ) + · · · + (Xn − X n ) (A.73) ∂X2 .

∂Xn .

C A ): E rA = k0 e− RT CA . (X2 =X 2 ) (Xn =X n ) Ejemplo A.49 Linealizar la siguiente taza de reacci´on rA para el punto de operaci´on (T .

Soluci´ on: Aplicando (A.6 Linealizaci´ on de Sistemas Continuos 261 donde k0 .A.73) con X1 = T y X2 = CA se obtiene: r A = r A + C 1 t + C 2 cA − E RT r A = k0 e CA . E y R son constantes.

.

∂rA .

C1 = ∂T .

(T =T ) t=T −T c A = CA − C A .

∂rA .

.

C2 = ∂CA .

U) X Y = g(X. U) ∂ 2 f (X. U) (A. U) ∂ 2 f (X. 2 2 ¯ (X − X) + 2 (X − X)(U − U ) + (U − U) + · · · 2! ∂x2 ∂X∂U ∂U2 Despreciando los t´erminos de orden dos se obtiene: ..75)           X˙ 1 f1 (X. Tanto f como g son funciones vectoriales de las variables vectoriales X y U.. A.   .(CA =C A ) (A. El desarrollo de Taylor para la ecuaci´on de estado de este sistema..      ..6.     . . U =  . U) Yp gp (X. U) U1  .. U) Y1 g1 (X. U) es la ecuaci´on de salida. fn (X. ˙ (X − X) + (U − U) + X = f (X.2. U) Um X˙ n donde f (X. =  . Caso MIMO Un sistema MIMO no Lineal invariante con el tiempo de orden n se puede representar como: ˙ = f (X. . U) es la ecuaci´on de estado del sistema. mientras que g(X..74) Las variables t y cA se denominan variables residuales o de desviaci´on. U) + ∂X ∂U   ¯ U) 1 ∂ 2 f (X. U) ∂f (X. =   . resulta:   ¯ U) ∂f (X.

.

∂f .

.

∂f .

.

U) + ∂X . U) = f (X. ˙ (X − X) + (U − U) X = f (X.

U) ∂U .(X.

(X.U) .

.

∂f .

.

∂f .

.

76) ∂X . ˙ X − f (X. U) = x˙ = x+ u (A.

∂U .

la ecuaci´on de salida del sistema se puede formular como: . (X.U) (X.U) Del mismo modo.

.

∂g .

.

∂g .

.

77) ∂X . y= x+ u (A.

(X.U) ∂U .

u = U − U es el vector residual de control.76) y (A. e y = Y − Y es . x = X − X es el vector residual (o de desviaci´on) de estados.(X.77) se puede expresar como: x˙ = Ax + Bu y = Cx + Du (A. C es la matriz de salida de los estados de orden p × n y D es la matriz de salida de las entradas de orden p × m. las formas linealizadas de (A. B es la matriz de distribuci´on de orden n × m.78) donde A es la matriz de estado de orden n × n.U) Por consiguiente.

.17 muestra dos tanques id´enticos colocados en cascada.  ... es el vector de referencias o set points R. A. . El objetivo de control es estabilizar (controlar) la altura H2 empleando como fuerza de control el flujo de alimentaci´on Qo . ··· ∂h1 ∂Xn . Soluci´ on: Los flujos de salida Q1 y Q2 de los tanques se pueden modelar como: p p Q1 = γ P 1 − P 0 .    C =  ∂fn ∂X1 ∂h1 ∂X1 ... es decir: Y = R. .U) ∂fn ∂U1 ∂h1 ∂U1 . ∂hp ∂Um (X. Q2 = γ P 2 − P 0 donde P1 . C y D se determinadas evaluando las siguientes matrices jacobianas:  ∂f1  ∂f1 ∂f1  ∂f1  ∂X1 · · · ∂Xn ∂U1 · · · ∂Um   . A. cuando el sistema est´a controlado..23 kg/m3 es la densidad del l´ıquido y g=9. . A =  ... su estabilidad y su funci´on de transferencia. ··· ∂h1 ∂Um ..U)   D= (X.81 m/s2 es la aceleraci´on de la gravedad: P1 − P0 = ρgH1 P2 − P0 = ρgH2 .  . ∂hp ∂Xn    (X. B =  . B.. Las matrices A. . . .4 es una constante que depende de la geometr´ıa del orificio. ∂hp ∂U1 ··· ∂fn ∂Um ··· . El procedimiento de linealizaci´on significa entonces que estamos asumiendo variaciones peque˜ nas de la din´amica del sistema alrededor del estado estacionario o de equilibrio. . ∂hp ∂X1 ··· ∂fn ∂Xn ··· .17: Sistema hidr´aulico. Q p 0 H1 0 ρ p γ 1 p H2 Tanque 1 Q 0 g 1 ρ p 2 Tanque 2 γ Q 2 Fig.79) (X. La secci´on horizontal S=9 m2 de cada tanque es constante. y γ=0. . P2 y P0 son las presiones en el fondo de los tanques y en el exterior respectivamente...262 Sistemas Continuos el vector residual de la salida. mientras que el estado estacionario del vector de salida Y. . Si ρ=1.U)    (A.. .  . Los estados estacionarios o de equilibrio de X y U son X y U respectivamente.50 La Fig.. Determinar el modelo linealizado de este sistema hidr´aulico.U) Ejemplo A.

U ) X Y = h(X.U ) C=   = ∂h ∂X1 − √ γ ρg √ ¯ 2S √ X1 γ ρg 2S √ ∂h ∂X2 X1  0 − √ γ ρg 2S √ X2   = [0 1] (X 1 . # (X 1 . el sistema linealizado resulta: x˙ = A x + B u (A.m. U ) S S √ p γ ρg p X˙ 2 = [ X1 − X2 ] = f2 (X.80) y = h(x.6 Linealizaci´ on de Sistemas Continuos 263 El flujo acumulado en cada tanque es: Q0 − Q 1 = S dH1 dt dH2 dt Q1 − Q 2 = S Definiendo las variables de estado X1 = H1 y X2 = H2 y la entrada U = Q0 .75)): ˙ = f(X. y resolviendo las ecuaciones anteriores para X1 y X2 .X 2 .  A= (X 1 . obtenemos: √ γ ρg p 1 X˙ 1 = U − X1 = f1 (X.A.X 2 . U ) = X2 Observar que las ecuaciones anteriores poseen las formas dada en (A.U ) La estabilidad y la funci´on de transferencia del sistema se computan con el programa C2tqh. U ) = X2 donde la salida Y (la funci´on g) y la entrada U son en este caso escalares. y:     X˙ 1 f1 ˙ X= f= f2 X˙ 2 Definamos las siguientes variables residuales: x1 = X 1 − X 1 x2 = X 2 − X 2 u=U −U Conociendo que U = 3 m3 /s. u) = x2 = C x D = [0] donde: x=  B=  x1 x2 ∂f1 ∂U ∂f2 ∂U  . .U ) " = ∂f1 ∂X1 ∂f2 ∂X1  1/S 0 ∂f1 ∂X2 ∂f2 ∂X2  .X 2 . el estado estable del sistema se puede obtener de: √ q γ ρg 1 ˙ X1 = U − X1 = 0 S S √ q q  γ ρg ˙ X2 = X1 − X2 = 0 S lo que resulta en: 2 U X1 = X2 = 2 γ ρg Aplicando el jacobiano. U ) S y su correspondiente ecuaci´on de salida: Y = h(X.

Q] = ss2tf(A. % P = [0 0 0. D = [0]. lo cual no necesariamente implica que B = C. gamma = 0.004 /(s^2 + 0.     2 −3 −5 −1 3 5 5  A =  −1 4 B =  1 −3 −5  1 −3 −4 −1 3 5 Problema A. cuando:   1 −1 1 A =  −2 2 −1  −2 1 0 Problema A. a22 = -gamma*sqrt(rho*g)/(2*S*sqrt(X2bar)).C.a21 a22].B.0].4.0013] % FUNCION DE TRANSFERENCIA: P(s)/Q(s)=0. % SISTEMA LINEAL eigA = eig(A). % PUNTOS DE EQUILIBRIO a11 = -gamma*sqrt(rho*g)/(2*S*sqrt(X1bar)).4 Una matriz M es idempotente cuando M2 = M.23. con per´ıodo igual a 2:   1 −2 −6 9  A =  −3 2 2 0 −3 . A = [a11 0. rho = 1. B = [1/S.D). clc.0358 => SISTEMA ESTABLE [P. % PARAMETROS X1bar = Ubar^2/(gamma^2*rho*g).7.2   1 2 3 B= 2 4 8  1 2 3 Demostrar que AB = AC. cuando:       2 1 −1 −2 1 4 1 0 1 −3 2 C =  3 −2 −1 −1  B= 2 1 1 1  A =  2 1 −3  2 −5 −1 0 1 −2 1 2 4 −3 −1 Problema A. g = 9. Demostrar que A2 = A y B2 = B. C = [0 1]. % EINGENVALORES: -0. S = 9. Demostrar que (A ± B)2 = A2 + B2 cuando:     2 −3 −5 −1 3 5 5  A =  −1 4 B =  1 −3 −5  1 −3 −4 −1 3 5 Problema A.m SISTEMA HIDR´ AULICO clear all.264 Sistemas Continuos % C2tqh.0013) A.81. X2bar = X1bar. a21 = -a11.0358 Y -0.0715s + 0. .5 Demostrar que la siguientes matriz es peri´odica.0715 0. close all. Problemas Problema A.3 En general: (A ± B)2 6= A2 ± 2AB + B2 y A2 − B2 6= (A + B)(A − B).004].1 Demostrar que AB 6= BA. Qoinf = 3. Q = [1 0.

10 Empleando matem´atica simb´olica hallar la derivada con respecto a x del determinante de la matriz:   x 1 2 x3  A =  x2 2x + 1 2 0 3x − 2 x + 1 Problema A.9 Empleando matem´atica  2 a  b2 A=  c2 d2 simb´olica demostrar que las matrices:   3 2 a 1 bcd a a 3 2   b 1 acd   b b B = 3  c c2 c 1 abd  d 1 abc d3 d2 a b c d  1 1   1  1 poseen el mismo determinante: (a − b)(a − c)(a − d)(b − c)(b − d)(c − d).         2 4 0 6  1   2   0   3                 x1 =   3  . seleccione el m´aximo subconjunto linealmente independiente y exprese cada uno de los vectores dependientes como una combinaci´on lineal de los independientes. iB y A∗ son hermitianas. x2 =  1  .8 Empleando matem´atica simb´olica demostrar que:  n  n  λ nλn−1 λ 1 = 0 λn 0 λ Problema A.A. Problema A.7 Dada las matrices:   1 1 + i 2 + 3i 2 −i  A= 1−i 2 − 3i i 0  i 1 + i 2 − 3i 2i 1  B =  −1 + i −2 − 3i −1 0  demostrar que A. x4 =  −1   2   −2   6   −6  −1 3 −5 7 . Si el conjunto es dependiente.11 Examine la dependencia o independencia lineal del siguiente conjunto de vectores. x3 =  5  . y que B y B∗ son antihermitianas. Problema A.6 Demostrar que la siguientes matriz es nilpotente:   1 −3 −4 4  A =  −1 3 1 −3 −4 Problema A.7 Problemas 265 Problema A.

entonces B = (I−A)(I+A) −1 es unitaria.14 Si la matriz A es antihermitiana e I+A es no singular. Luego. Obtenga la matriz ortogonal B de:   0 1 2 A =  −1 0 3  −2 −3 0 Problema A. elaborar un programa en Simulink para visualizar la se˜ nal y(t).16 Para cada ecuaci´on integro–diferencial.13 Demostrar que los siguientes vectores son linealmente independientes y mutuamente ortogonales: x1 = [1 + i i 1]T . x3 = [1 − i 1 3i]T Problema A.266 Sistemas Continuos Problema A.15 Demostrar que el producto xH Ax es definida positiva y que el producto xH Bx es semidefinida positiva. elaborar un programa en MATLAB para graficar la salida y(t) cuando u(t) es un escal´on unitario. entonces B = (I − A)(I + A) −1 es ortogonal. Todas las condiciones iniciales son nulas. x2 = [i 1 − i 0]T . Obtenga la matriz unitaria B de:   0 i 1+i i 0 i  A= −1 + i i 0 Problema A. Z t p dy(t) (a) = + 2y(t) 5y(t) + 4 y(τ )dτ = u(t) dt 0 d2 y(t) dy(t) (b) = + y(t) = u(t) dt2 dt Z t dy(t) 2 y(τ )dτ = u(t) + 2y (t) + 4 (c) = − dt 0 Z t d2 y(t) 3 y(τ )dτ = u(t) + 7y (t) − (d) = − dt2 0 . donde:     1 1+i −1 1 1 + i 1 + 2i 6 −3 + i  3 5  A= 1−i B= 1−i −1 −3 − i 11 1 − 2i 5 10 Problema A.12 Si la matriz A es antisim´etrica e I + A es no singular.

es evaluando la siguiente condici´on para estabilidad: Z ∞ −∞ |G(τ )|dτ < ∞ Rt Por ejemplo.A. y2 = −3x1 + 7x2 − 5u2 3x2 − 5x3 + x˙ 1 = −3u1 + 3u2 . . El sistema es inestable porque: Z ∞ Z ∞ |1|dτ = ∞ |G(τ )|dτ = −∞ 0 Aplicando este principio. determine la estabilidad. y2 = −x1 − 5x3 − 5u2 6x1 + 7x2 + x˙ 1 = 4u2 . Problema A. que es la funci´on escal´on.7 Problemas 267 Problema A. x˙ 2 − 6x1 + 5x2 − 7x3 = −3u2 x1 − 2x2 − 5x3 + x˙ 3 = −3u1 y1 = x1 − u2 + 8u2 . i(0) = 5 A y di(0) dt = −5 A/s. x2 − 6x3 = x˙ 3 − u1 + 9u2 (d) 2x1 + 4x2 − 2x3 = −3u2 − u2 + x˙ 2 x˙ 2 − 3x1 + 5x2 + 62x3 = −u1 − 7u2 y1 = 4x1 + x2 − u1 + u2 . su respuesta al Rt impulso es: y(t) = G(t) = 0 δ(τ )dτ = µ(t). Problema A. x2 y x3 son las variables de estado. y2 = −3x2 + 7x3 − 9u1 − 2u2 donde u1 y u2 son las entradas.19 Una forma de determinar la estabilidad de un SLIT con entrada x(t) y salida y(t) conociendo su funci´on G(t) de respuesta al impulso δ(t). Partiendo de la ecuaci´on caracter´ıstica del circuito. determine G(t) y la estabilidad del sistema: y˙ + 2y = x.17 Determinar la ecuaci´on de estado y la ecuaci´on de salida de los sistemas: (a) 2x1 + 3x2 − 5x3 = 4u1 − 3u2 + x˙ 1 . la frecuencia natural de oscilaci´on y el coeficiente de amortiguamiento de dicho circuito. L = 2 H. C = 1 F.18 Graficar la corriente i(t) que circula en un circuito serie RLC alimentado por una bater´ıa E de 12 V. y1 e y2 son las salidas y x1 . sabiendo que R = 100 Ω. la cual es igual a 1 para t ≥ 1. Problema A. para un integrador y(t) = 0 x(τ )dτ con y(0) = 0.20 Hallar la transformada inversa de: G(s) = (s3 + s2 + 2s + 1)/(s3 + 3s2 + 2s + 3). y2 = −3x1 + 7x3 + u1 − 5u2 −x1 − 8x2 + x3 + x˙ 1 = u1 . x˙ 2 − x1 + 8x2 − 2x3 = −u1 2x2 − 5x3 = −3u1 − 4u2 − x˙ 3 (b) y1 = x1 − 3x2 − u2 . 2x2 − 5x3 = −3u1 + 3u2 + x˙ 3 (c) y1 = 3x1 − x2 + u1 .

27 . Problema A. el cual se logra generando un a´ngulo de control a adecuado. la observabilidad (el primer elemento del vector de estado v es la salida) y la FT del sistema siguiente:     0 1 3 v˙ = v+ u 0 −2 −4 Problema A. Suponga que el submarino debe de navegar manteniendo una profundidad de r = −250 m.26 El siguiente diagrama de bloques corresponde al sistema de control autom´atico de la profundidad y de un submarino.21 Graficar para varios valores del cero c. determinar el valor de K usando el m´etodo de prueba y error que haga que la salida y siga a la referencia r con suficiente rapidez y con m´ınimo error e = r − y. la respuesta al escal´on del sistema: K(s + c) y(s) = 2 u(s) s + 3s + 100 Para cada c. Problema A. Problema A. donde u es el voltaje de entrada al motor que se asume constante y de magnitud A para el intervalo 2T ≤ t ≤ 3T .22 Determine la transformada inversa de: G(s) = 3s3 + 20 s2 (s + 1) Problema A. Hallar θ(t) anal´ıticamente. la estabilidad.24 Hallar varias ecuaciones de estado y de salida can´onicas para el sistema: s3 − 2s + 1 y(s) = 3 u(s) s − 2s2 + 3s − 4 Problema A.268 Sistemas Continuos Problema A. Empleando Simulink. se describe mediante la relaci´on: ω˙ = −ω + u. la ecuaci´on caracter´ıstica. seleccionar el valor de K que haga: l´ım y(t)t→∞ = 1.25 Un motor DC empleado en los sistemas de control de posici´on angular θ y de velocidad angular θ˙ = ω. la controlabilidad.23 Determine la matriz de transici´on.

19. A.18: Sistema de control de la profundidad de un submarino (problema A.7) Problema A. R = 20 Ω es la resistencia el´ectrica.5) 2e−t cos(t − 0.1 o C/J es la resistencia t´ermica.A. A.5) e−t cos(t − 1. cuyo valor inicial es 20 o C y su valor final es 15 o C.7 Problemas 269 r e a K (s − 1) 2 1 s 2 s +1 y Fig. A.28 Las ecuaciones que rigen el calentamiento de un cuarto son: qR = q a − q p qR = Ri2 qa = C t dTi dt qp = Ti − T a Rt donde Ct = 4184 J/o C es la capacitancia t´ermica. qR es el flujo de calor en J/s producido en R.7) 3e−t cos(t + 1.26). Rt = 0. N R Kc + Ki/s (s+7)(s+8)(s+9) (s+1)(s+2)(s+3)(s+4)(s+5) Fig. h At i = A. T a (t) y Ti (t). Emplear Simulink y usar el m´etodo de prueba y error para determinar los par´ametros Kc y Ki que hagan que la salida Y siga a la referencia R con suficiente rapidez.19: Sistema realimentado para el problema A.29. Considerar que la temperatura Ti (0) inicial en el integrador es 22 o C.5 A y de duraci´on 2000 s. Problema A.1R.29 En la Fig. hallar la matriz de estado A de un sistema cuya matriz Sabiendo que: dedt t=0 de transici´on es:  −t  2e cos(t + 0. cuyo valor inicial es 1 A. R es un escal´on unitario y N es un disturbio escal´on de magnitud 0. Ta es la temperatura ambiente que act´ ua como una entrada tipo escal´on de duraci´on 6000 s. i(t) es una corriente de entrada tipo escal´on de magnitud 0.30 Y . qp es el flujo de calor en J/s que va al exterior y Ti es la temperatura en o C en el interior. Problema A. Elaborar un programa en Simulink para graficar las se˜ nales i(t).

20.21: Sistema del problema A. Tambi´en.31 En la Fig. A.01 m3 /min. r1 r2 r3 K1 K2 u 1 u2 x1 1 s+1 2 s+2 x2 4 s+4 5 s+5 K3 u3 3 s+3 x3 Fig. R es un escal´on unitario y N es un disturbio escal´on de magnitud 0.21 investigar empleando Simulink si es posible hallar las ganancias K1 . A. Problema A.32 x4 y1 x5 y2 .270 Sistemas Continuos Graficar las salidas usando Simulink en el siguiente sistema de ecuaciones diferenciales acopladas: dT = A(T − To1 )Fo − B(T − Ta ) dt dTa = C(Ta − To2 )Fo + D(Ta − T ) dt donde A = C = 0.31. A.05.1R. K2 y K3 que hagan que y1 siga a r1 y que y2 siga a r3 con suficiente rapidez. To1 = 280K y To2 = 350 K son perturbaciones tipo escal´on.20: Sistema realimentado para el problema A.08.32 Para el sistema mostrado en la Fig. Fo = 0. Problema A. N R 10e−3t 4s+1 Kc + Ki/s Y 2e −2t Fig. B = D = 0. A. Emplear Simulink y usar el m´etodo de prueba y error para determinar los par´ametros Kc y Ki que hagan que la salida Y siga a la referencia R con suficiente rapidez.

(b) su respuesta yi (t) al impulso. A.22. u1 = −2. A. x˙ 1 = −2x21 + 3x1 x2 − u31 + u2 . Problema A. Problema A.36 Para el punto de operaci´on: x1 = −1. x2 = −1. P2 (t) y P3 (t).5417 = 3 u(s) s + 0.7 Problemas 271 Problema A.9167s − 0.33 La funci´on de transferencia de un sistema tiene la forma: G(s) = y(s) 5s2 − 0. P2 y P3 de tres especies en un a´rea restringida est´a gobernada por las ecuaciones: P˙1 = 2P1 + 3P2 + 6P3 + c1 u P˙2 = −3P1 + 3P2 + 8P3 + c2 u P˙3 = P1 − 3P2 + 2P3 + c3 u 0 ≤ c1 0 ≤ c2 0 ≤ c3 c < −1 + c2 + c3 Elaborar un programa en MATLAB para graficar las respuestas P 1 (t).0417s + 0. Problema A.0417 V´ıa Simulink determine: (a) su respuesta ye (t) a un escal´on unitario. u2 = −1 hallar las ecuaciones de estado y de salida lineales del siguiente sistema no lineal y determinar su estabilidad.35 Dada la siguiente ecuaci´on de estado: x(t) ˙ = −4x(t) + 2u(t) graficar x(t) sabiendo que x(0) = 1 y u(t) es la rampa mostrada en la Fig.5833s2 + 0.A. âáâáâá âáâáâá âáâáâá âáâáâá âáâáâá âááââááââááââááââááâ âáâá âáâá âáâá âáâá âáâá u(t) 1 0 1 t Fig. y (d) varias ecuaciones de estado y de salida can´onicas.34 Las poblaciones P1 . (c) la salida y(∞) para la parte (b) usando el teorema del valor final.22: Funci´on rampa.

(a) G(s) = (b) G(s) = (c) G(s) = (d) G(s) = 4(s + 1)(s + 2) e−2s (s + 3)(s + 4)(s + 5)(s + 6) 2(s + 1) e−3s (s + 3)(s + 4)(s + 5)(s + 6)(s + 8) s2 + 2s + 1 −s e (s + 3)4 8 e−4s (s + 3)(s + 4)(s + 5)(s + 6)(s + 7)2 (s + 8) . Problema A. Tambi´en debe de verificar que cuando r(t) es nulo. (c) Determinar su estabilidad. La magnitud de r(t) es 10 veces la magnitud de n(t). (f) Hallar y1 (t) e y2 (t) donde u1 (t) y u2 (t) son entrada rampa unitaria.272 Sistemas Continuos x˙ 2 = −4x31 + 6x21 x2 − 4u31 − 2u22 y1 = 3x1 − 4u1 + 6u22 y2 = −3x21 + 4x2 + 2u1 Problema A. A. (f) Graficar y1 (t) e y2 (t).23: Sistema del problema A.38 Para los sistemas de control mostrados en la Fig. la salida y(t) debe de tender a cero.24.37. Se sugiere hacer un programa. elabore los respectivos programas en Simulink. A. (b) Hallar su matriz de transferencia. A. Por tanteo. (d) Hallar la controlabilidad completa.23: (a) Determinar su ecuaci´on de estado y ecuaci´on de salida. la controlabilidad completa a la salida y la observabilidad completa. determine los valores de P.37 En el sistema de la Fig. (e) Determinar la matriz de transici´on con t0 = 0. I y D que debe de poseer el bloque PID para que la salida y(t) siga a la se˜ nal escal´on deseada r(t) en presencia de la carga (o disturbio) n(t). u1 1 s+1 u2 2 s+2 x1 x2 4 6 y1 y2 Fig.

A.24: Sistema de control con presencia de disturbio. .A.7 Problemas 273 n(t) r(t) PID G(s) y(t) Fig.

.

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

1: El entorno de trabajo de MATLAB. Ventana de figuras.1. Para obtener informaci´on detallada de cualquier t´opico relacionado con MATLAB.1. para que aparezca la ventana Help. si tipea save y hace click en Go.2. Por ejemplo. En el espacio Search for de tal ventana. B. B... Fig. El s´ımbolo >> que aparece en la ventana de comandos es el prompt de . Comandos y Funciones Generales Tener en cuenta que MATLAB NO HACE la distinci´on entre may´ usculas y min´ usculas en sus comandos. B. tipear el t´opico del que desea informaci´on.276 Fundamentos de MATLAB y Simulink Espacio de trabajo (Workspace). Se sugiere usar siempre letras min´ usculas para los comandos. Para cerrar el programa. hacer click en el icono s´ımbolo de interrogaci´on ?. seleccionar en el men´ u: File − > Exit MATLAB o tipear quit en la ventana de comandos. ubicado debajo de la l´ınea del men´ u de la Fig. entonces la informaci´on detallada y ejemplos sobre este comando aparecer´an en la parte derecha de la ventana Help.Ventana donde aparecen las variables almacenadas en memoria.Las figuras aparecen cuando el usuario las realiza.

despu´es la multiplicaci´on o divisi´on (ambos tienen igual presedencia).785)^7/(1*2*3*4*5*6*7) ans = 0. luego los exponentes. clear Limpia variables y funciones de la memoria. which Localiza funciones y archivos. MAT y MEX. la introducci´on de la tecla ENTER ser´a sobreentendida. helpwin Ayuda en l´ınea. resta a-b.. 1/3 devuelve 0. Se muestra en la ventana de ayuda. . Las operaciones fundamentales en MATLAB son suma a+b.7854-(0. 1/3. -(0. Los comandos escritos despu´es del prompt requieren de un ENTER para que MATLAB los procese. Sabemos que la divisi´on sobre cero es infinito. clc Despeja (limpia) la ventana de comandos.3333.785^5/(1*2*3*4*5).. El formato siguiente: >> help roots ENTER . umeros imaginarios.1 Fundamentos de MATLAB 277 MATLAB. Se recomienda leer el help del comando antes de usarlo. Es decir: i = √ MATLAB √ reconoce a las letras i y j como n´ −1 y j = −1. En notaci´on MATLAB >> 20/0 devuelve Inf . El resultado de la operaci´on a/b es igual al resultado de b\a.2j devuelve 0 + 2. lookfor Busca archivos m desde el teclado.7854)^3/(1*2*3)+0. A continuaci´on se describen otros comandos de utilidad general. es u ´til cuando se desea tener informaci´on de un determinado comando. demo Ejecuta un demo de MatLab. Por ejemplo. El orden de precedencia en las operaciones fundamentales es: ejecutar primero el par´entesis m´as interno. >> 4i . type Lista archivos tipo m. y finalmente la suma y resta. whos Lista las variables actuales en forma extendida. MATLAB devuelve 0. save Salvar variables del espacio de trabajo al disco. En lo que sigue. donde NaN est´a por Not a Number. load Carga variables del disco al espacio de trabajo. la VC (Ventana de Comandos) muestra la ayuda correspondiente al comando roots. mientras que >> format.B.33333333333333. escribiendo en la VC: >> format long. mientras que >> 8i-j4 devuelve Undefined function or variable ’j4’.0000i. what Lista archivos con extensi´on m. luego de presionar la tecla ENTER. multiplicaci´on a*b. El comando format long le dice a MATLAB que se quiere trabajar con 15 d´ıgitos para doble precisi´on y 5 d´ıgitos para simple precisi´on. help help Lista t´opicos de ayuda. La divisi´on izquierda se emplea m´as con matrices. mientras que >> 0/0 devuelve NaN. En este caso particular. who Lista las variables actuales. Ejemplo: >> 0.7071 Observar que los tres puntos al final de la primera fila indica que la sentencia contin´ ua en la siguiente l´ınea. divisi´on izquierda a\b y exponenciaci´on a^b. mientras que la divisi´on 0/0 es indeterminada. divisi´on derecha a/b. Por ejemplo.

computer Devuelve el tipo de computadora.0000 4. unix Ejecuta comandos del sistema operativo Unix. Un archivo m se genera como sigue: Crear un directorio de trabajo. Creaci´ on de Archivos Tipo m La forma m´as conveniente de procesar informaci´on en MATLAB es mediante los archivos m. isnan(x) Devuelve 1 si x es indeterminado y cero en otro caso.1. lasterr Devuelve el u ´ltimo mensaje de error. cd Cambiar el directorio actual de trabajo. hora. >> save -ascii mydata. fix(clock) Proporciona lo mismo que clock.7 y la u ´ltima fila corresponde al vector c=[8 6 4 2]. isinf(x) Devuelve 1 si x es ∞ o −∞. en donde deben de estar todos sus archivos de de trabajo. segundo]. tales como archivos m.7000 -5. 3)*-5. b = ones(1.0000 c = [8 6 4].dat >> clear. .0000 5. whatsnew Informa acerca de lo nuevo de MATLAB. date Proporciona la fecha. a = magic(3).0000 3.0000 -5. finite(x) Devuelve 1 si x es finito y cero en otro caso. Por ejemplo. minuto. hostid Identifica el n´ umero del servidor host.0000 2. Simulink y Toolboxes. why Devuelve respuestas breves a casi cualquier interrogante. donde las 3 primeras filas corresponden a la matriz formada por el comando a=magic(3).7000 -5.278 Fundamentos de MATLAB y Simulink pwd Muestra el directorio de trabajo actual. d´ıa. ingresando: >> clear. mes. la fila 5 se origina por el comando b = ones(1. mydata mydata = 8. diary Guarda el texto de la sesi´on de trabajo actual.0000 1.0000 6. size Muestra el tama˜ no de una matriz.7000 8. version Devuelve la versi´on actual de MATLAB. disp Muestra los valores de una matriz o texto. dir Muestra el directorio actual.0000 7. B. etc.0000 9. ver Informa sobre la versi´on de MATLAB.0000 6. exist Chequea si est´an definidas las variables o funciones.7. load mydata. archivos de datos. length N´ umero de elementos de un vector. info Da informaci´on acerca de la empresa Mathworks. 3)*-5.0000 4. calendar Proporciona el mes en curso. clock Proporciona el vector: [a˜ no. delete Borra un archivo u objeto gr´afico.dat. y cero en otro caso.3.

% APROXIMACIONES x1=5. % DATOS. Hay tres formas de ejecutar el archivo m generado: (1) presionando la tecla F5. el cual se ubica debajo de la l´ınea que contiene el men´ u del editor. m = a*b.m FUNCIONES MATEM´ ATICAS COMUNES clear all. % OPERACIONES ARITM´ ETICAS s=a+b % LA VC DEVUELVE s=3 LUEGO DE EJECUTAR miarchivom. Si el programa posee errores. El programa genera autom´aticamente la extensi´on m del archivo.m contiene informaci´on adicional. % MATLAB NO PROCESA LO QUE EST´ A A LA DERECHA DEL S´ IMBOLO: % clear all.m r=a-b. r1=ceil(x1). % close: CIERRA FIGURAS.1.m GENERACI´ ON DE UN ARCHIVO m. Esta operaci´on puede repetirse pocas o varias veces dependiendo de la magnitud del programa y experiencia del programador. La ejecuci´on de un archivo m se puede parar en cualquier momento presionando simult´aneamente las teclas Ctrl + C. % r1=6 (ceil REDONDEA HACIA INFINITO) .1. s´olo emplearemos archivos m para explicar mediante numerosos ejemplos las bondades del lenguaje MATLAB. close all. % miarchivom. DONDE EL S´ IMBOLO . Hacer click en el icono hoja de papel en blanco ubicado en el extremo superior izquierdo de la Fig. Corregir tales errores y ejecutar el programa.1 Fundamentos de MATLAB 279 Ubicarse en tal directorio de trabajo creado empleando el browser de MATLAB (el icono cuadrado con tres puntos ubicado en el extremo superior derecho de la Fig. B. Escribir el contenido usando lenguaje MATLAB y guardarlo con un nombre arbitrario.B. d = a/b. para abrir el editor de MATLAB. clc.1. IMPIDE QUE LA VC % MUESTRE a Y b LUEGO DE EJECUTAR miarchivom. Matem´ aticas Funciones Matem´ aticas Comunes % funcionesmat. % clear: LIMPIA VARIABLES Y FUNCIONES DE LA MEMORIA. B. e = a^b. El siguiente archivo de nombre miarchivom. close all. % clc: LIMPIA LA VENTANA DE COMANDOS (VC) DE MATLAB % TAMBI´ EN ES V´ ALIDO ESCRIBIR: clear all.m En lo que sigue.1. b=-4. (3) haciendo click en el icono Run and Save del editor. clc. En tales ejemplos emplearemos tanto los comandos listados en la subsecci´on B. ´estos ser´an mostrados en la ventana de comandos.92.2 as´ı como otros m´as especializados.4. B. clc a=7. close all. (2) haciendo click en Debug → Run en el men´ u del editor.

% r7=[4 5 6] r8=A(2.[3 1]). % M´ AXIMO COM´ UN DIVISOR ENTRE 9 Y 12. A(3)=2. % r9=[6 4} r10=A([2 1]. A(6)=6 B = [1 2 3. r14=2 r15=nthroot (8. % IDEM. % r10=[5 6] (FILAS 2 y 1.m VECTORES Y MATRICES. % RA´ IZ C´ UBICA DE 8. % C´ OMO DEFINIRLOS x = [5 7 -2 4 -6]./y)=-3. % r6=-1 (´ ANGULO EN GRADOS) r7=cosd(60).[1 3]). n=floor(x.1565 0. % r3=5 (floor REDONDEA HACIA MENOS INFINITO) r4=round([19. % r3=[7 -2 4] r4=x(1:3:5). % r2=5 (fix REDONDEA HACIA CERO) r3=floor (x1). % r16=x/abs(x)=(3+4i)/5=0. % r5=^[-2. % VECTOR FILA. % VALOR ABSOLUTO.3 4. % RESTO DE LA DIVISI´ ON ENTRE 12 Y 5.5). % A(2)=4.7]. % r2=-6 r3=x(2:4).4 5 6]. -6.12).2:3). SI y~=0.3.2:3).1. r16=sign(x).5). % r1=7 r2=x(end). r4=[20 14 -2 1] (round REDONDEA HACIA EL ENTERO M´ AS PR´ OXIMO) ´ TRIGONOMETRIA r5=sin(pi/2).54646 13.8i Vectores y Matrices % vectoresymatrices. -2 y -6] r5=x([3 5 1]). % r4=[5.1. r12=50 ´ r13=mod (-12. % SIGNO. ELEM SEPARADOS POR COMAS Y ESPACIOS w = [2. r13=x-n. COLUMNAS DE 2 A LA 3) r9=A(2.78]). r15=2 CON N´ UMEROS COMPLEJOS x=3+4i. % r7=0. % r8=[5 6] (2da FILA.280 % % % % Fundamentos de MATLAB y Simulink r2=fix (x1). 1] r6=A(2. % MATRIZ DE 2 FILAS Y 3 COLUMNAS AL IGUAL QUE A % DIRECCIONAMIENTO r1=x(2).3). % M´ INIMO COM´ UN M ´ ULTIPLO ENTRE 10 Y 25. ELEM SEPARADOS POR ESPACIOS y = [2. r9=7 r10=sign(10).7].25). % MODULO. % r8=90 (´ ANGULO EN GRADOS) ALGUNAS OPERACIONES r9=abs (-7). % VECTOR COLUMNA A = [1 2 3 % A(1)=1. % r6=4 r7=A(2. close all. % r11=[4 6] % CONSTRUCCI´ ON ABREVIADA DE ALGUNOS VECTORES . % r5=1 (´ ANGULO EN RADIANES) r6=sind(-90).:). COLUMNAS DE 2 A LA 3) % [2 3] r11=A(end.1).3. r11=3 r12=lcm (10.5 (´ ANGULO EN GRADOS) r8=asind(1).6+0. r10=10/abs(10)=10/10=1 r11=gcd (9. % VECTOR FILA.656 -2.5]. ELEM = ELEMENTOS clear all. A(5)=3 4 5 6]. ELEM SEPARADOS POR COMAS z = [0 1 2.*y=3 r14=rem (12. A(4)=3. clc.

% MATRIZ CUADRADA DE 3x3 LLENA DE CEROS r23=zeros(2.2.6416 21.2).) r18=linspace(2. r20=logspace(0.5443 100]. % CONJUGADA Y TRANSPUESTA DE R Y VICIVERSA r44=R. % r16=[50 43 36 29 22 15 8 1] r17=linspace(2. DISTRIBUCI´ ON NORMAL. % MATRIZ 2 x 5 DE CEROS r24=ones(2.6]: VECTOR CON ELEMENTOS DE LA DIAGONAL . % MATRIZ 2 x 3 DE CEROS UMEROS ALEATORIOS ENTRE 1 Y 0 r25=rand(2.B. PRODUCTO VECTORIAL: cross(x. % r15=[1 5 9] (ENTRE 1 Y 10 CON INCREMENTO 4) r16=(50:-7:1).’.5). % r13=[1 2 3 4 5 6 7] r14=(1:3:10). % MATRIZ 2 x 4 DE N´ ON UNIFORME CON DISTRIBUCI´ r26=randn (2. % xcy=[-3 6 -3] PRODUCTO ESCALAR: dot(x.*Q.y1).0000 4.y)=[(x2*y3-y2*x3) -(x1*y3-y1*x3) (x1*y2-y1*x2)] x1 = [1 2 3]. % r14=[1 4 7 10] (ENTRE 1 Y 10 CON INCREMENTO 3) r15=(1:4:10). r41=P*Q. Q=[1 1. 0s EN EL RESTO r29=magic(3).0 4] (MULTIPLICACI´ ON ELEMENTO A ELEMENTO) r43=R’. CONTIENE N´ UMEROS 1 AL 3^2.1 Fundamentos de MATLAB % % % % % % % % % % % % % % % % 281 r12=(1:7). 2 Y 3 M = [1 2 3 4. >> diag (v) % CREA MATRIZ DIAGONAL CON ELEMENTOS 1.4).6). % r41=[1 3.4). xcy=cross(x1. CONSTRUCCI´ ON DE ALGUNAS MATRICES r22=zeros(3). y = [y1 y2 y3].0000] r19=linspace(2. % r17=[2. EQUIDISTANTES r21=logspace (0. % r46=[1. R=[1+i 2+2i. % xdy=32 FUNCIONES PARA EL AN´ ALISIS DE MATRICES v = [1 2 3].4). VECTOR LOGAR´ ITMICAMENTE ESPACIADO 10^0 Y 10^2 CON 4 ELEM.3+i 4+7i].6. % r42=[1 2. % r20=[1. r46=diag(M). MEDIA 0 Y DESVIACI´ ON 1: NORMAL(0. ENTRE 10^0 Y 10^2 CON 50 ELEM.5).3).1) r27=eye(2).3333 4. 2 4 6 8].8.y)=x1*y4+x2*y5+x3*y6 xdy=dot(x1. % MATRIZ IDENTIDAD 2 X 2 r28=eye(4. % r17=[2 4 6] (LINEAL ENTRE 2 Y 6. % INVERSA DE LA MATRIZ DE HILBERT 3 x 3 OPERACIONES B´ ASICAS CON MATRICES P=[1 2.0 1]. % TRANSPUESTA DE R r45=P+2.3 7] r42=P. % r12=[1 2 3 4 5 6 7] r13=[1:7]. y1 = [4 5 6]. % MATRIZ M´ AGICA 3 x 3. % MATRIZ 2 x 5 DE N´ UMEROS ALEATORIOS. % MATRIZ 4 X 2 DE 1s EN LA DIAGONAL.2).0000 3.6667 6.y1).3 4]. DONDE: SUMA ELEM FILAS = SUMA ELEM COLUMNAS = SUMA ELEM DIAGONAL: 8 1 6 3 5 7 4 9 2 r30=hilb(3). 3 ELEM. % SUMA 2 A CADA ELEMENTO DE A FUNCIONES PARA OPERAR CON VECTORES SEAN LOS VECTORES: x = [x1 x2 x3].6. 7 8 9 2.3). % MATRIZ DE HILBERT 3 x 3 r40=invhilb(3). % VECTOR LOG. % VECTOR LINEAL ENTRE 2 Y 6 CON 100 ELEM.

% r65=32. AA = ’CASA’. % r49=2 (2 ES EL RANGO DE M. REPRESENTACI´ ON ASCII DE a r62=abs(a). % CADENAS DE CARACTERES r60=a + b.282 % % % % % % % % % % % % % % % % Fundamentos de MATLAB y Simulink r47=size(M). % DEVUELVE 5 EN LA VC disp(’escribe esto’). RESTA MIN´ r66=setstr (a-32).@sin). % DEVUELVE 4 (LA DIMENSI´ ON MAYOR DE LA MATRIZ M) r49=rank(M).6). % r61=[99 97 115 97]. % r64=casa USCULAS USCULAS MENOS MAY´ r65=abs(’a’)-abs(’A’).5. REPRESENTACI´ ON ASCII DE a ON ASCII DE a r63=double(a). r57=funm(A2.3). % DEVUELVE << escribe esto >> EN LA VC Polinomios % polinomios.6. % r60=[202 194 231 208].m POLINOMIOS . INDICES [1.3.2. % r62=[99 97 115 97]. REPRESENTACI ´ r64=setstr([99 97 115 97]). VER help rank) r50=rref(M). % r63=[99 97 115 97]. ON C\D RESUELVE EL SISTEMA xD=C Y ES EQUIVALENTE A C*inv(D). r55 TOMA LA FORMA: 2 0 0 0 5 0 0 4 4 1 3 2 r56=rot90(A1.8. % A1 gira 270o ( 90o x 3 = 270o ) FORMEMOS LA MATRIA A2: A2=[A1 2 4 6 3].6667 0 1 2 4.2. % DEVUELVE VECTOR COLUMNA DE ´ r54=reshape(A1. % r66=CASA (LA DIFERENCIA) d=5.3333 0 0 0 0 % rank(M)=2 PORQUE EXISTEN DOS FILAS NULAS r51=tril(M).10] r52=find(A1). % r54: MATRIZ 2 X 6 A PARTIR DE COLUMNAS DE A1 r54= 1 2 4 0 0 0 3 0 4 5 2 0 r55=rot90(A1). % A1 GIRA 90o . b = ’gato’. disp(d). SUMA ASCII ELEM POR ELEM r61=a + 0. % CREA MATRIZ TRIANGULAR SUPERIOR r52=triu(M). % CALCULA SENO DE CADA ELEMENTO DE A2 r58=expm(A2). % CREA MATRIZ TRIANGULAR INFERIOR OTRAS OPERACIONES CON MATRICES A1=[1 0 0 2 3 4 5 0 2 4 0 0]. % CALCULA MATRIZ EXPONENCIAL DE A2 ´ DIVISION C/D RESUELVE EL SISTEMA Cx=D Y ES EQUIVALENTE A inv(C)*D. % r47=[3 4]: DIMENSIONES DE M (3 FILAS Y 4 COLUMNAS) r48=length(M). DIVISI´ TEXTO a = ’casa’. % REDUCCI´ ON MEDIANTE GAUSS r50 = 1 0 -1 -4.

0 SI ES FALSO c = [Inf 0 5 -8 NaN 94]. c = conv(p.[0 1 2. x=1 y x=5 em=polyval(p.q).14 ==> [1 -9 13 9 -14] x = [1 -9 13 9 -14]. % DEVUELVE xx GENERADO POR RA´ ICES DE rx (xx=x) p = [1 2 7]. % COCIENTE DE DIVIDIR c ENTRE q dp = polyder(p).b].q). b=[4 3 2 1 0 -1 -2 -3 -4] r1=a<6. clc.9x^3 + 13x^2 + 9x . q = [1 3 6].m y el archivo usacalculo. % OPERADORES RELACIONALES: < <= > >= == ~= % OPERADORES L´ OGICOS: & (AND) | (OR) ~ (NOT) % ORDEN DE PRECEDENCIA: ~= == <= >= < > a =1:9. vectores o matrices (x. % EVAL´ UA p PARA CADA FILA em= 7 10 15 6 7 10 31 7 70 Operaciones Relacionales y L´ ogicas % operaclogicas.-1 -2 -3. % DERIVADA DEL PRODUCTO p*q ep=polyval(p. % a=[1 2 3 4 5 6 7 8 9]. % DERIVADA DE POLINOMIO p dpq = polyder(p. r(i)=1 SI a<6. % calculos. % >> exist(’c’) % DEVUELVE 1 PORQUE c EXISTE % >> isnan(c) % DEVUELVE 1 SI c(i) ES NaN Y 0 SI NO ES NaN % >> isinf(c) % DEVUELVE 1 SI c(i) ES Inf Y 0 SI NO ES Inf % >> isfinite(c) % DEVUELVE 1 SI c(i) ES FINITO Y 0 SI NO LO ES Creaci´ on de Funciones La forma general de una funci´on de dos variables es: function[a. close all.m para obtener los resultados.m FUNCI´ ON calculos . clc. 0 SI ES FALSO r3=a~=b.m se muestran a continuaci´on. Los listados del archivo calculos.y) Por ejemplo. % r2(i)=1 SI a(i)==b(i) ES VERDADERO. 0 si a >= 6 r2=a==b.4 0 7]).[0 1 5]).m para usar calculos. % EVAL´ UA p=x^2+2x+7 PARA x=0. close all. % r1=[1 1 1 1 1 0 0 0 0]. Los resultados los devuelve en [a. % rx CONTIENE RA´ ICES DE x xx = poly(rx).q). 0 SI ES FALSO r4=(a>b)&(b>-3). b=5-a. rx=roots(x). % r4(i)=1 SI (a(i)>b(i))&(b(i)>-3).m OPERACIONES RELACIONALES Y L´ OGICAS clear all.1 Fundamentos de MATLAB % % % % % % 283 clear all. se desea crear la funci´on de nombre calculos para calcular la suma y la resta de dos n´ umeros. % c=(z^2+2z+7)(z^2+3z+6)=z^4+5z^3+19z^2+33z+42 =[1 5 19 33 42] d = deconv(c. NOTACI´ ON: 5x^4 .b]=nombre_funci´ on(x. S´olo es necesario ejecutar el archivo usacalculos.B. % r3(i)=1 SI a(i)~=b(i) ES VERDADERO.y).

284 Fundamentos de MATLAB y Simulink clear all. end % SENTENCIA IF b = 5.n)==0 n=i. % usacalculos. while a < 5 disp(’a es menor que 5 porque su valor es:’) disp(a) a = a + 1. close all. b = x-y Programaci´ on % programacion. 0 2]. 4 -1. y = [16 -1. -1 0. % SENTENCIA FOR for x = 1:5 disp(’x toma el valor’) % DEVUELVE x toma el valor PARA CADA x disp(x) % DEVUELVE EL VALOR DE x end % SENTENCIA WHILE a=3. function[suma. .m PROGRAMACI´ ON EN MATLAB clear all. resta = x . [a. a. 1 5.m USA FUNCI´ ON CONTENIDA EN calculos. b % LA VENTANA DE COMANDO VC DEVUELVE a = x+y. clc. 3 -2. while n <= sqrt(i) if rem(i. if b == 0 % SE USA == PORQUE ES UNA EXPRESI´ ON L ´ OGICA disp (’el valor de b es 0’) elseif b == 1 disp (’el valor de b es 1’) elseif b == 2 disp (’el valor de b es 2’) elseif b == 3 disp (’el valor de b es 3’) else disp (’b no es ni 0 ni 1 ni 2 ni 3’) end % GENERACI´ ON DE N´ UMEROS PRIMOS MENORES DE 100 disp(’Estos son los n´ umeros primos menores de 100’) disp(2) for i=2:100 n=2. 0 4.resta] = calculos(x.y). x = [1 5.m clear all. clc.y) suma = x + y.y.b] = calculos(x. 3 7. clc. close all. -1 3]. close all.

% VALOR MAS PROXIMO A 100 DONDE sind=0 fq=quad(’sin’. %DEVUELVE DERIVADA PARCIAL EN y dd=diff(’(sin (x^2))’.100). % DEVUELVE DERIVADA RESPECTO A x dp=diff(’(exp(x)*cos(3*x*y))’.00% (EL N´ UMERO 1 APARECE 4 VECES) % 2 2 10.0. clc.00% % 7 3 15.00% (EL N´ UMERO 2 APARECE 2 VECES) % 3 2 10. RECT. close all. X = [5 7 9 2 9.00% % 8 1 5. % EVAL´ UA EL COSENO EN VARIOS PUNTOS em=feval(@cos.360). % VALOR ENTRE 0. 3 9 2 7 5.1 Fundamentos de MATLAB 285 else n=n+1.360. close all. % DEVUELVE SEGUNDA DERIVADA RESPECTO A x ec=feval(’cos’. % EVAL´ UA EL COSENO EN VARIOS PUNTOS INIMO fm=fminbnd(@sind.[0 pi/3 pi] ).00% % 5 5 25.2).00% % 4 0 0. clc.pi). % >> cumprod(X) % DEVUELVE MATRIZ DE PRODUCTOS ACUMULADOS % >> cumsum(X) % DEVUELVE MATRIA DE SUMAS ACUMULADAS % >> mean(X) % DEVUELVE LA MEDIA DE CADA COLUMNA % >> sort(X) % ORDENA LOS VALORES DE CADA COLUMNA % >> sum(X) % DEVUELVE SUMA DE LOS ELEMENTOS DE CADA COLUMNA % >> var(X) % DEVUELVE VARIANZA DE LOS ELEMENTOS DE C/COLUMNA AXIMO DE CADA COLUMNA % >> max (X) % DEVUELVE VALOR M´ INIMO DE CADA COLUMNA % >> min (X) % DEVUELVE VALOR M´ % >> iqr (X) % DEVUELVE RANGO intercuart´ ılico DE CADA COLUMNA % >> range(X) % DEVUELVE RANGO DE CADA COLUMNA: DIFERENCIA ENTRE % EL M´ AXIMO Y EL M´ INIMO Y = [5 7 9 2 9 3 1 7 5 1 3 9 2 7 5 1 5 5 1 8].pi). end end if n~=i disp(i) end end An´ alisis Num´ erico y de Datos % analisisnumerico. sind TOMA EL M ´ ´ ´ fz=fzero(’sind’.m AN´ clear all.00% % 6 0 0. % EVAL´ UA EL COSENO EN pi ep=feval(’cos’. [0 pi/3 pi] ).0.00% % 9 3 15.m AN´ ALISIS NUM´ ERICO clear all. ds=diff(’sin(7*x) ’). % INTEGRAL DEL SENO DE 0 A pi. % >> tabulate(Y) % DEVUELVE: % Value Count Percent % 1 4 20.’y’). 1 5 5 1 8]. ALISIS DE DATOS % analisisdatos. APROX.B.00% . 3 1 7 5 1.

mesh (X.y^2 . plot (x1.z. y3=[4 8 4 0 4]. y3=[4 8 4 0 4].y. title (’x1*seno(x1)*’). z4=cosd(x4).’-’). close all.05 0. grid. hold on plot (x1.^ 2 + 0. y = -10:0. plot3(x4.01:1).1. title (’cos(x1)’).’HOLA>&$’).y4).’cos(t)’. subplot(2.1).4.2).y4. clc. ezsurf(’sin(x*y)’. plot(x. title (’cos(x1)’) subplot(2.y2).Y. b=blue subplot(312).1. subplot(2. [X.m GR´ AFICAS EN 2 DIMENSIONES clear all. plot(x1.05]).2.*sind(x1). mesh(X. hold off figure(4) subplot(221).’r’) % r=RED % graficas3D. title (’sen(x1)*exp(x1)’) subplot(2.Y] = meshgrid (-10:0. % CREA MATRICES PARA LA MALLA Z=sin(sqrt(X . xlabel(’eje x’). figure(1) % CREA figure(1) x=[-2 -1 0 1 2 3]. fplot(’sind(x)’.m GR´ AFICAS EN 3 DIMENSIONES clear all. title(’x^2 * sin(1/x)’) subplot(223). plot(X1.y2). fill(x3.y3.y3). z3=[3 5 10 5 3]. z=[6 5 3 7 5 2]. text(1. ylabel(’eje y’).*exp(x1). plot(x1. gtext(’AQU´ I COLOCO TEXTO’) figure(2) x1 = pi*(-1:0.y3.^2)).Y1).x.z4) figure(7) x = -10:0.3).^ 2 + Y . subplot(311).1). Z=sin(sqrt(X .2). title(’sen(x) de 0 a 360 grados’) subplot(222). y3=sin(x1).5:10). y1=x1. fill3(x3.2).2.4).Z) . plot(x1.2.5:10.[0 180]).1).[-0.1. y2=cosd(x1).y). ezplot(’x^2 . fplot(’x^2*sin(1/x)’. ezplot(’sin(t)’.286 B. ezplot(’exp(x)’) % EASY PLOT DE exp(x) subplot(224).2.1. figure(6) x3=[-2 0 2 0 -2].Y]=meshgrid(x.y3).^2 + Y .5:10.1.’b’) % plot en 3D.y3).^2)).1’) x3=[-2 0 2 0 -2].’*’.5. Fundamentos de MATLAB y Simulink Gr´ aficos % graficas2D. title (’sen(x1)*exp(x1)’).^ 2 + Y .^2 + 0. subplot(3. axis([-3 3 -1 10]). close all. title (’x1*seno(x1)*’) subplot(2.[-2 2 -2 2]) subplot(313).1).y1).^2 + Y .5 1. y=[4 1 0 1 4 9]. w=[-2 -1 0 0. plot(x3./ sqrt (X .[0 pi]) figure(5) subplot(2. y4=sind(x4).z3. title (’-exp(x1)’) figure(3) plot(x1. [X.Z) % DIBUJA LA GR´ AFICA subplot(3. title(’x vs y’). clc.1).5 2. y4=exp(-x1).5]. x4=-720:720.Y./sqrt(X .

0 0 1.^ 2 + 0. % r1=x^n*n/x=n*x^(n . colorbar % colorbar A~ NADE BARRA DE COLOR % >> surf (X.Y] = meshgrid(x. INTEGRAL INDEFINIDA EN x f5=y^(-1).3).^2). VERDE. % FIJA MODO shading (SOMBRA) CON INTERPOLACI ´ ON colormap(pink).Z) % TRANSFORMA ALTURA EN COLORES ON 70 subplot(2. % r3=exp(th*i)*i.Z).1. pcolor(X. % CREA MATRICES PARA HACER LA MALLA Z = sin(sqrt(X .h) % A~ NADE ALTURAS A CONTORNOS subplot(2. clc % DERIVADAS E INTEGRALES syms x n a b t theta y u./aux2.^2.Z). 1 0 0. r1=diff(f1).1). 0 1 0.^2).Y. y = -10:0. INTEGRAL INDEFINIDA EN y f6=n^x.2.2).*((V-918).1).5:10. 1 1 0]. DERIVADA EN x f2=sin(a*t + b).-12. surf (X. z=35000000*w. % FIJA EN pink (ROSADO) EL COLOR DE LA FIGURA rotate3d. close all.2). ROJO. f1=x^n. Matem´ atica Simb´ olica % simbolica. r2=diff(f2).h]=contour(X. view(10. subplot(2.y).^2). % CREA MATRICES PARA HACER LA MALLA Z=sin(sqrt(X .001:0. AZUL.1. subplot(2. r6=int(f6).2.5:10.v). w=T. INTEGRAL INDEFINIDA EN n .^ 2 + Y .el]=view % DEVUELVE AZIMUT=-37.2).2. r5=int(f5). aux2=aux1+(2*V-1929).6. surfl(t. % r2=a*cos(b + a*t). aux1=16*pi^2*(T.B.^2)).009. [C.Y. AMARILLO colormap(M). clabel(C.*((V-1011).^2)).Z) figure(12) t=0:0. r3=diff(f3). [X. view(10.1.Z).Z) figure(8) x = -10:0./ sqrt (X .Z).5.Y. DERIVADA EN t f3=exp(i*th).Y.5:10.1).Y] = meshgrid(x. % r5=1/y.4).Y. % GIRA LA FIGURA USANDO EL MAUSE print -f -depsc ultimo % GENERA ultimo. [az.Z) % DIBUJA L´ INEAS DEL CONTORNO subplot(2. [X. [T V]=meshgrid(t.1). contour (X.2.70) % AZIMUT 10. DERIVADA EN th r4=int(f1).1 Fundamentos de MATLAB 287 subplot(3.^ 2 + Y .eps EN COLOR B.y). surf (X. % SUPERFICIE SOMBREADA 3D CON RAYOS shading interp. ELEVAC=30 figure(11) x=-10:0.m MATEM´ ATICA SIMB´ OLICA clear all.Y.^ 2 + 0./ sqrt (X . y = -10:0.3). surf(X.v.^2 + Y .Y. % r4=x^(n+1)/(n+1).5:10. M = [0 0 0.1. % r6=n^x/log(n). surf(X.^2 + Y . % MATRIZ DE COLORES NEGRO.Y. v=900:1025.z). ELEVACI ´ subplot(2.1).

r37=simple(f37). r19=expand(f19). r10=int(f10. r32=simplify(f32).x^2 + 1) simplify: HERRAMIENTA PODEROSA PARA SIMPLIFICAR f29 = x*(x*(x-6)+11)-6. r26=factor(f26). d=2. r11=int(f11. r9=int(f9).288 % % % % % % % % % % % % % Fundamentos de MATLAB y Simulink r7=int(f2). r24=horner(f24). r36=simplify(f36). d=1. r34= (8*a^3 + 12*a^2 + 6*a + 1)^(1/3)/a f35 = (1/a^3+6/a^2+12/a+8)^(1/3).3*x^2. c. % r35=1/a+2 f36 = cos(x) + i*sin(x). r30=simplify(f30). r25=horner(f25). % r33=1 simple: ENCUENTRA UNA EXPRESI´ ON CON M´ INIMA CANTIDAD DE CARACTERES syms a positive x.3*x OLICAS AS VISIBLE LAS EXPRESIONES SIMB´ pretty: HACE M´ . % r22=4*x^3 . f11 = 1/x. erf=funci´ on error c=0. d=1. % r14=x^3-6*x^2+11*x-6 f15=x*(x*(x-6)+11)-6. INTEGRAL DEFIN. % r36=cos(x) + sin(x)*i f37 = cos(x) + i*sin(x). r28=factor(f28). r12=int(f12. d). r18=expand(f18).x^2)/(1 .c. % r21=cos(x)*cos(y)-sin(x)*sin(y) f22 = cos(3*acos(x)). % r17=a*x + a*y f18 = (x-1)*(x-2)*(x-3).2*x+3. f12 = log(x)*sqrt(x). d=inf. r27=factor(f27). % r20=exp(a)*exp(b) f21 = cos(x + y). r39=simple(f39). % r40=4*x^3 . % r27=x^3-6*x^2+11*x-5 f28 = x^6 + 1. % r16=(2*t)*x+t expand: DISTRIBUYE PRODUCTOS EN SUMAS Y APLICA IDENTIDADES DE SUMAS f17 = a*(x+y). r16=collect(f16). % r14=x^3-6*x^2+11*x-6 f16=(1+x)*t + x*t. r29=simplify(f29). % r24=x*(x*(x-6)+11)-6 f25 = 1. r22=expand(f22). % r8=atan(u). INTEGRAL INDEFINIDA EN n f9=exp(-x^2). % r32=exp(x + y) f33 = cos(x)^2 + sin(x)^2. % r10=1/8. r20=expand(f20). % r28=(x^2 + 1)*(x^4 . f34 = (1/a^3 + 6/a^2 +12/a + 8)^(1/3). % r39=exp(x*i) f40 = cos(3*acos(x)). r13=int(f13. INTEGRAL DEFINIDA c=1. r40=simple(f40). c. % r19=x^3-6*x^2+11*x-6 f20 = exp(a + b). r21=expand(f21).x). INTEGRAL EN theta f8=1/(1+u^2). f13 = exp(-x^2). % r38=cos(2*x) f39 = cos(x) + i*sin(x). r34=simplify(f34). % r37=exp(x*i) f38 = cos(x)^2 -sin(x)^2. r25=x*((33*x)/10+11/5)+11/10 factor: EXPRESA f COMO UN PRODUCTO DE POLINOMIOS DE GRADO BAJO f26 = x^3-6*x^2+11*x-6. r15=collect(f15).d). % r12=-4/9 c=0. % r30=x + 1 f31 = (1/a^3+6/a^2+12/a+8)^(1/3). f10 = x^7. % r26=(x-3)*(x-1)*(x-2) f27 = x^3-6*x^2+11*x-5. % r23=4*x^3 . r38=simple(f38). r35=simple(f35). % r18=x^3-6*x^2+11*x-6 f19 = x*(x*(x-6)+ 11)-6. r33=simplify(f33).c. r23=expand(f23). d).d). r31=((2*a+1)^3/a^3)^(1/3) f32 = exp(x)*exp(y).1+2. r14=collect(f14). c=0. r8=int(f8). % r7=-cos(b + a*theta)/a. r31=simplify(f31). % r11=log(2). r17=expand(f17). % r29=(x-1)*(x-2)*(x-3) f30 = (1 . % r13=pi^(1/2)/2 SIMPLIFICACIONES Y SUSTITUCIONES collect: COLECTA TODOS LOS COEFICIENTES CON LA MISMA POTENCIA DE x f14=(x-1)*(x-2)*(x-3).3*x f23 = 3*x*(x^2-1)+x^3.3*x horner: TRANSFORMA UN POLINOMIO SIMB´ OLICO EN SU FORMA ENCADENADA f24 = x^3-6*x^2+11*x-6. % r9=(pi^(1/2)*erf(x))/2.

posee la forma:     u1 q1 u= M(q)¨ q + P(q. El observador se expresa como: b˙ = q˙ d + Ld (q − q b) q . (2) Determinar la ley de control backstepping dada en (??). q) ˙ q˙ + d(q) = u q= u2 q2 donde: M=  M11 0 0 M22 M11 = M22 = P11 = P12 = P21 = P22 = d21 =  Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA Ra nKm KA P=   P11 P12 P21 P22  d= 1 J1 + Jeq + m2 L2 sen2 q2 4   1 J2 + Jeq + m2 L2 4   2 n Km Kb Beq + Ra   1 m2 L2 q˙1 senq2 cos q2 2   1 − m2 L2 q˙1 senq2 cos q2 4   n2 K m K b Beq + Ra   1 − m2 L2 gsenq2 2  0 d21   El dise˜ no de un controlador backstepping emplea el procedimiento descrito en la secci´on ??. que en forma breve establece hasta el nivel de simulaci´on: (1) Definir las especificaciones de dise˜ no y determinar el modelo no lineal del sistema a controlar en la forma dada en (??). Simulaci´ on de un Sistema de Control El siguiente programa simula el sistema de control de posici´on backstepping del prototipo MRE (Manipulador Rob´otico Esf´erico).1. ecuaci´on (??). definir el vector de referencias deseadas qd .B. formular el vector de error e y el vector q˙ r : e = z1 = q − q d q˙ r = q˙ d − Kz1 donde K es una matriz diagonal con elementos k positivos. Para ello.7.1 Fundamentos de MATLAB 289 % >> pretty(f34) El comando pretty(f34) devuelve: 1/3  1 6 12 + + +8 a3 a2 a B. El modelo din´amico de Lagrange del MRE deducido en la subsecci´on ??.

B. (3) Simular el sistema de control backstepping empleando los par´ametros de sintonizaci´on kd . B. La Fig.m muestra el programa en c´odigo MATLAB para simular el el control simult´aneo de las posiciones de los brazos del MRE empleando un controlador backstepping.3. B.2: Diagrama de flujo para la simulaci´on de un sistema de control.m CONTROL BACKSTEPPING DEL MANIPULADOR MRE.2 muestra el diagrama de flujo empleado en esta publicaci´on para simular los sistemas de control. % bscmrer. El vector q ˙ b. Inicio Parámetros del sistema Parámetros de sintonización Condiciones iniciales Lazo de control k=1 Señales de referencia Algoritmo de control Almacenamiento de datos ¿k < N? SI NO Gráficos de resultados Fig. B. que es autoexplicativo.2. respectivamente. . emplea el diagrama de flujos de la Fig. % CASO: REGULACI´ ON (REFERENCIA CONSTANTE EN EL TIEMPO) clear all. k1 y `d . El archivo bscmrer. El resultado de la simulaci´on se muestran en la Fig. clc. La ley de control backstepping posee la forma: calcular integrando q b˙ )q˙ r + d(q) − Kd (q b˙ − q˙ r ) − K1 z1 u = M(q)¨ q + P(q. q en donde Kd y K1 son matrices diagonales con elementos kd y k1 positivos.290 Fundamentos de MATLAB y Simulink b se puede donde Ld es una matriz diagonal con elemento ` positivos. Este archivo. close all.

qd2 = 0.3*A. L2=La+Lh. dq1 = 0. qd1 = 0. dqd2 = 0. qe2 = qe2 + T*(dqe2).5*A. % ERROR DE SEGUIMIENTO e1 = q1 . qd2 = 0.B. % OBSERVADOR dqe1 = dqd1 + Ld*(q1 . z11 = e1.053.15.qd1.5. P12 = Ra*m2*L2*sin(q2)*cos(q2)*dq1/(2*n*Km*KA). m2 = ma + mh. % REFERENCIAS DESEADAS qd1 Y qd2 if(k >= 0 && k <= N/4). UMERO DE ITERACIONES N % TIEMPO DE MUESTREO T (segundos) Y N´ T= 0. mb = 0. Ld=10. Jb = mb*a^2/6. d21e = -Ra*m2*L2*g*sin(qe2)/(2*n*Km*KA). ECTRICO % DATOS DEL SUB-SISTEMA EL´ Km = 0. Ra = 5. qe2 = 0. u1 = M11e*ddqd1+P11*dqr1+P12e*dqr2+d11. rd = 0. % VALORES INICIALES q1 = 0. e2 = q2 . P11 = Ra*(Beq + n^2*Km*Kb/Ra)/(n*Km*KA). d11 = 0. Jd = md*rd^2/2.55. g =9. M22 = Ra*(J2 + Jeq+m2*L2/4)/(n*Km*KA). L1=(mb*b+md*d)/(mb+md). ddqd2 = 0.0001. % CONTROL M11e = Ra*(J1 + Jeq + m2*L2*sin(qe2)^2/4)/(n*Km*KA). qe1 = qe1 + T*(dqe1).qe1). P12e = Ra*m2*L2*dqe1*sin(q2)*cos(q2)/(2*n*Km*KA). .7*A. a = 0. N=4000. b = 0.3. q2 = 0. qd1 = 0.01. mh = 0. ma = 0.3. Jeq = n^2*Jm+Jg. elseif(k >= N/4 && k <= N/2). qd2 = 0. La = 0.K1*z22. Beq = n^2*Bm+Bg. % MODELO DEL SISTEMA CONTROLADO M11 = Ra*(J1 + Jeq + m2*L2*sin(q2)^2/4)/(n*Km*KA). u2 = M22*ddqd2+P21e*dqr1+P22*dqr2+d21e-Kd*(dqe2-dqr2) . md = 0.K*z22.2*A.qe2). A = 1. dq2 = 0.0421.0003.01.K1*z11. % A: MAGNITUD DE LAS REFERENCIAS DESEADAS % LAZO DE CONTROL for k=1:N.9. elseif(k >= N/2 && k <= 3*N/4). J2 = m2*L2/3. Jm = 0.81. Kb=0. Lh = 0. Bg = 0. J1 = Jd+Jb. U1(k) = u1. qd2 = 0.3*A.5*A.Kd*(dqe1-dqr1) . P21e = -Ra*m2*L2*dqe1*sin(q2)*cos(q2)/(4*n*Km*KA).01. Larm = 0.06. n = 12.1*A. Bm = 0. qd1 = 0. dqe2 = dqd2 + Ld*(q2 .044.1 Fundamentos de MATLAB 291 % DATOS DEL SUB-SISTEMA MEC´ ANICO d = 0. KA = 12. dqr1 = dqd1 . P22 = Ra*Beq + n^2*Km*Kb/Ra/(n*Km*KA). ddqd1 = 0. z22 = e2. dqr2 = dqd2 .0564. U2(k) = u2. qe1 = 0. m1 = md + mb. elseif(k >= 3*N/4 && k <= N).qd2.05. dqd1 = 0. K1=8. Kd=8.25. Jg = 0. Qd2(k) = qd2.8.5.8*A.K*z11. end Qd1(k) = qd1. qd1 = 0. % PAR´ AMETROS DE CONTROL K = 5.

q2 = q2 + T*dq2. d21 = -Ra*m2*L2*g*sin(q2)/(2*n*Km*KA).2. 2.292 Fundamentos de MATLAB y Simulink P21 = -Ra*m2*L2*dq1*sin(q2)*cos(q2)/(4*n*Km*KA).d21)/M22. tales como: definici´on de las entradas del modelo.U1(1:N)). Fundamentos de Simulink Simulink se ejecuta dentro del entorno de MATLAB y depende de este programa para definir y evaluar el modelo a simular y los bloques de par´ametros. % EJE DE TIEMPO subplot(411) plot(ejex. q1 = q1 + T*dq1. Fig. Fundamentos del Software Simulink Para mostrar la biblioteca de bloques (Simulink Library Browser.eps B.1.Q1(1:N)).Qd1(1:N). dq2 = dq2 + T*(u2 . Click el bot´on Start (extremo inferior izquierdo de la ventana MATLAB) y luego seleccionar: Simulink > Library Browser. dq1 = dq1 + T*(u1 . grid on ylabel(’POSICI´ ON q1 [rad]’) subplot(412) plot(ejex. (2) identificar los componenetes del sistema. Simulink tambi´en usa algunas caracter´ısticas de MATLAB. 3. B.Q2(1:N)). (4) elaborar el diagrama de bloques en Simulink. grid on xlabel(’TIEMPO [S]’) ylabel(’CONTROL u2 [v]’) print -f -deps dfsimr % GENERA FIGURA dfsimr.P22*dq2. . (3) modelar el sistema con ecuaciones.P21*dq1 . y realizar operaciones y funciones propias de MATLAB dentro del modelo.P12*dq2. end % FINALIZA EL LAZO DE CONTROL % GR´ AFICOS ejex=linspace(0. Click en el icono Simulink: ubicado en la barra de menus de MATLAB.N).4): 1.Qd2(1:N). Q2(k) = q2. Se recomienda los siguientes 6 pasos para modelar un sistema: (1) definir el sistema. B. correr la simulaci´on. luego tipear simulink en el prompt.2. grid on ylabel(’POSICI´ ON q2 [rad]’) subplot(414) plot(ejex.N*T. Abrir MATLAB.U2(1:N)).P11*dq1 .ejex.grid on xlabel(’TIEMPO [S]’) ylabel(’CONTROL u1 [v]’) subplot(413) plot(ejex. y (6) validar los resultados de la simulaci´on. Q1(k) = q1. almacenamiento de las salidas del modelo para an´alisis y visualizaci´on.ejex.d11)/M11.

En la ventana Open buscar el archivo con extensi´on .5 0 0 5 10 15 20 0 5 10 15 20 TIEMPO 0 5 10 15 20 0 5 10 15 20 TIEMPO 25 30 35 40 25 30 35 40 25 30 35 40 25 30 35 40 50 0 −50 [S] 1 0.mdl. seleccionar en el men´ u de la ventana Simulink Library Browser (SLB): File > New > Model.CONTROL u2 [v] POSICIÓN q2 [rad] CONTROL u1 [v] POSICIÓN q1 [rad] B.5) en donde construir el modelo. seleccionarlo y click Abrir. en el prompt de MATLAB. Para abrir un modelo existente: 1. Fig. Ubicado el archivo.5 0 50 0 −50 [S] Fig. La ventana SLB. El software abre una ventana vac´ıa (Fig. En el men´ u de la ventana SLB. En esta ventana ubicarse en el directorio donde est´a el archivo . para que aparezca la ventana Buscar carpeta.3: Resultado de la simulaci´on del sistema de control backstepping del MRE: las posiciones de los brazos del manipulador siguen las se˜ nales de referencia deseada.6. B.] (tres puntos seguidos) ubicado en la parte superior derecha. Para crear un nuevo modelo. notar lo siguiente: Los bloques de una biblioteca se pueden ver seleccionando el nombre de la . El software abre el archivo buscado en una ventana que tiene como etiqueta el nombre del archivo. hacer click en el icono [.. En la VC (ventana de comandos) de MATLAB.2 Fundamentos de Simulink 293 1 0. B. seleccionar File > Open. escribir el nombre del archivo sin extensi´on. para que aparezca el modelo buscado. muestra la biblioteca de bloques de Simulink instaladas en su sistema. Los bloques se pueden copiar o arrastrar desde esta ventana a una ventana vac´ıa. B. Cuando use la ventana SLB. 2.. Luego.mdl a abrir.

5: Nueva ventana para construir un modelo. . B.4: Librer´ıa de bloques (Simulink Library Browser).294 Fundamentos de MATLAB y Simulink Fig. Fig. B.

y en su men´ u ir hacia Help > Help on the Selected Block. Fig. o haciendo doble click en el bloque seleccionado. La forma m´as r´apida de obtener ayuda en un bloque de una biblioteca. hacer click sobre tal icono. Para ingresar a los demos.B. . Se puede buscar un determinado block en la ventana SLB. Cuando se selecciona un bloque. seleccionar el bloque en la ventana SLB. su descripci´on aparece en la parte inferior de la ventana SLB. Los par´ametros de un bloque se pueden visualizar y cambiar haciendo click derecha sobre el bloque. es hacer click derecho y luego seleccionar Help. Para obtener mayor informaci´on de un bloque. B. Simulink proporciona una gran variedad de demos para ilustrar las bondades de este software.6: Biblioteca de bloques en la ventana Simulink Library Browser (SLB). insertando el nombre del block en el campo de b´ usqueda ubicado a la derecha del icono Luego.2 Fundamentos de Simulink 295 biblioteca en la parte izquierda de la ventana SLB. hacer click en el bot´on Start ubicado en el extremo inferior izquierdo de la ventana MATLAB y luego ir a Start > Simulink > Demos. .

B. aparece una ventana con el contenido del mismo. que los c´ırculos x1. Observador no lineal. Fundamentos de MATLAB y Simulink Creaci´ on de un Modelo Simulink El problema a resolver v´ıa Simulink.m para introducir datos al sistema.m.9 y luego tipeando Ctr + G o seleccionando en el men´ u de MATLAB: Edit > Create Subsystem. B. x2 y x3 son las variables de salida del sistema. cada uno. Primero.mdl y MATLAB disnl2p. Por ejemplo. que sirven para almacenar datos. seleccionar un directorio de trabajo para alojar los archivos Simulink disnl2. El subsistema Proceso no lineal se crea seleccionando con el click derecho todo el contenido de la Fig. disnl2_u u Mux Señal u Señal v Proceso no lineal gráfico Mux disnl2_x1 x1 Referencia r disnl2_r Conversión Observador de x a z no lineal r Fig. Conversi´on de x a z. mientras que el c´ırculo u es la entrada.7: Diagrama de bloques del archivo Simulink disnl2.8). es el siguiente: 1. son en realidad subsistemas que alojan. Observar que los bloques Proceso no lineal.296 B. B. La entrada u se genera arrastrando la elipse In1 ubicada en la ventana SLB: Simulink > Commonly Used Blocks > In1. B. Por otro lado. una porci´on del programa de control. la Fig. Se˜ nal u y Se˜ nal v. Los rect´angulos u.7. B. B. El archivo no se . Observar en dicha Fig. hacia la ventana de trabajo. La Fig. Haciendo doble click en cualquier subsistema. Ejecutar el archivo disnl2p.7. En la Fig.mdl. se introduce un nombre a elecci´on por ejemplo. Sus componentes se arrastran desde la ventana SLB a la ventana de la Fig. B. Scope es un graficador que se obtiene de la ventana SLB: Simulink > Sinks > Scope.9 muestra el contenido del subsistema Proceso no lineal. mientras que para las tres salidas se requiere arrastrar tres veces la elipse Out1 ubicada en la ventana SLB: Simulink > Commonly Used Blocks > Out1. disnl2_u.2.2. es controlar la posici´on angular de un brazo rob´otico de 1GDL empleando un controlador por linealizaci´on de la realimentaci´on y un observador de estados. x1 y r mostrados en la Fig.9. Haciendo doble click en cada rect´angulo. el bloque Referencia r es una se˜ nal sinusoide que se arrastra desde su ubicaci´on en la ventana SLB: Simulink > Sources > Sine Wave (Fig.7 muestra el diagrama de bloques Simulink que se obtiene tipeando disnl2 en el prompt de MATLAB. se crean arrastrando tres veces el rect´angulo To File ubicado en la ventana SLB: Simulik > Sinks > To File. B. El procedimiento para obtener el resultado de este programa: los gr´aficos de la salida x1 controlada u la fuerza de control u. disnl2_x1 y disnl2_r.

8: Ubicaci´on del bloque Sin Wave. 1 x1 .s+R sum1 subsistema eléctrico 3 2 x3 x2 n*K 1 1 s M. 1 u Kact 1 gan 5 L.B.s+B gan 6 subsistema mecánico sum2 Integrador n*E gan 2 N gan 3 MATLAB Function seno Fig.9: Contenido del subsistema Proceso no lineal. B.2 Fundamentos de Simulink 297 Fig. B.

10 Posición (radianes) 1 0. save disnl2_u en el el prompt de MATLAB. Ejecutar nuevamente el archivo disnl2p.mdl haciendo click en el tri´angulo negro ubicado en la parte superior de la Fig.298 Fundamentos de MATLAB y Simulink ejecuta completamente porque reci´en se van a crear los archivos de datos. correr el programa Simulink disnl2. 3. B.5 0 −0. B.7.5 2 1.5 Fig.5 0 −0.5 −1 0 2 4 6 8 10 12 Tiempo en segundos 14 16 18 20 0 2 4 6 8 10 12 Tiempo en segundos 14 16 18 20 Señal de control (voltios) 2.m para obtener la Fig. 2. 4.mat. disnl2_r.mat y disnl2_u.mat: disnl2_x1. Estos comandos almacenan los datos en los archivos tipo *. save disnl2_r.5 1 0.10: Salida controlada y fuerza de control correspondiente. Tipear: save disnl2_x1. . B.

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

[19] K. Instruments and Control Systems. Coon. Zhuang y D. User Guide. 1996. [16] Richard C. ASME. 395-400 and part 2. pp. (1958) [26] M. Pearson Prentice Hall. Vol 64. B. Dorf y Robert H. 132. Vol.B. Handbook of PI and PID Controller Tuning Rules. “Automatic tuning of optimum PID controllers”.J. J. vol. [17] K. No.. Atherton. 1993. 216–224.300 BIBLIOGRAF´ IA [14] TecQuipment Ltd. P.11. 75. IEE Proceedings–Part D: Control Theory and Applications. pp 15–34.G.” Instrumentation Technology. Limusa Noriega Editores. Design. W. 77. 140. “Das symmetrische Optimum”.. 57–62.S. [30] E. Sistemas de Control Moderno (10ma Edici´ on). part 1. A. Bishop. 2007. pp. 3rd edition. McGrawHill Book Co. W. ASME. V. [21] Erwin Samal. [23] A.A. [28] C.12. 2009. P. Atherton. Oldenbourg Verlag Muenchen Wien 1980. Rovira. 2005. [27] D. C. Nichols. 1995. Chan. Ziegler y N. Control Autom´ atico de Procesos.T. rt. 1967. “On the automatic control of generalized passive systems”. [15] J. Q. Xue. Hrones. vol. 759768. H. B. Chemical Engineering Communications. 14. . [20] G. “Optimum Setting for Automatic Controllers”. Wang. Smith. 1964. 432-436. Kessler. M.” Instruments and Control Systems. ˚ Astr¨om y T. O’Dwyer. TE37 Control and Instrumentation Study Station. [24] F. Reswick. Corripio. pp. and P. 1942.“Optimal tuning of PID controllers for single and cascade control loops”. Smith y A. 3. 74. C. R. durchsehene Auflage. Y.B. P.L. 1953. Murrill y C. 175-185. pp. [18] P. pp.” Trans. A. [29] A. Chen y D. 827-834. “Tuning controllers with error-integral criteria. “Tuning controllers for setpoint changes”. L.S. 1995. 2009. Miller. Smith. Instrument Society of America. Grundriss der Praktischen Regelungstechnik (11. Juang y C. Process Control. Dahlin. Chien. and Tuning”. J. Murrill. 1952. [22] A. p. SIAM. “PID Controllers: Theory. “Designing and Tuning Digital Controllers. Imperial College Press. 41 (June 1968). No. Linear Feedback Control: Analysis and Design with Matlab. No. Transactions of the American Society Mechanical Engineering. Trans. pp. H¨agglund. A. Cohen and G. and J. diciembre de 1969. vol. rt. Harriot. Lopez. Vol. “Theoretical consideration of retarded control. pp. 42(12): 67–69. [25] C.

[36] M.5 and Device Drivers. Automatica Volume 37. 1995. BanksLocalizaci´on. [34] A. and E. S. [35] S. 2004. Fundamentos de Rob´ otica. 2001. “Natural Motion for Robot Arms´´Proc. England. [33] Alberto Isidori. London.BIBLIOGRAF´ IA 301 [31] National Instruments. ISBN:0898715261. July 2004. . 3ed. 928-935. Pages 1971-1978 . 6.D. 1961. New Jersey 07632. Barrientos. Camacho y Carlos Bordons. 1987. [44] Fang-Shiung Chen and Jung-Shan Lin. G. 1998.”5th Asian Control Conference. 1989. Prentice Hall.E. Nonlinear Systems Analysis (Second Edition). Ali Jadbabaie. Third Quarter 2008. Lin. Vol. 733. 1984. [32] Eduardo F. PA. and E. Stability by Liapunov’s Direct Method With Applications. 1197–1209. Vidyasagar. USA . July 1990. [47] National Instruments.5 and Device Drivers. Sontag. Prentice Hall. Report 90-10. Caracas. 1. and R. [42] Lin. Academic Press new York.” Int. on Decision and Control. Arapostathis. Nonlinear Control Systems. No. [39] Jean-Jacques E. 2009. Linear Optimal Control. S. Y. ISBN: 0130408905. The Institution of Engineering and Technology. Applied Nonlinear Control. SpringerVerlag London Limited. 23rd I. [41] E. [40] Asif Sabanovic. [45] M. Springer-Verlag Berlin. Society for Industrial and Applied Mathematics Philadelphia. pp 351–356. 978-0130408907. NI Developer Suite: NI LabVIEW 8. ISBN-13: 9780130408907. Koditschek. Bailey and A. 2nd Edition.. NI Developer Suite: NI LabVIEW 8. [38] D. and others. and London. “A separation theorem for nonlinear systems”. Balaguer. 45. 2006. 1980. James Primbs and Yun Huang. [37] Jeffrey B.D. Issue 12. F. 45. Control. J. illustrated edition. December 2001. 4.E. L. Sofonov. McGraw-Hill/Interamericana de Espa˜ na. Conf. Pe˜ nin. 2004. SYCON-Rutgers Center for Systems and Control. Aracil. A. Madrid. ISSN 0005-1098. C. E. MA. A journal of IFAC. Model Predictive Control. p. Slotine and Weiping Li. “Simple sliding mode control scheme applied to robot manipulators. [43] Jie Yu. “Nonlinear backstepping design of robot manipulators with velocity estimation feedback. Stability and Robustness of Multivariable Feedback Systems. Y. Variable Structure Systems: From Principles to Implementation. pags. “Comparison of nonlinear control design techniques on a model of the Caltech ducted fan”. Sontag.P. vol. Las Vegas. 4.E. Burl . The MIT Press Cambridge. Kilicaslan. vol. Buenos aires. 2007. Third Quarter 2008. no. “A universal formula for stabilization with bounded controls”. p. [46] Joseph La Salle and Solomon Lefschetz. No .

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