You are on page 1of 9

Deteccion e identificacion de fallas para un vehculo de dos

ruedas
W. Bravo
**

Resumen
La deteccion e identificacion de fallas en sistemas
presenta un a rea de oportunidad para investigadores
hoy en da. En este trabajo se aplican conocimientos
teoricos sobre deteccion e identificacion de fallas en un
sistema real. El sistema en cuestion es un vehculo de
dos ruedas.

2. Sistema
Se elige un modelo sencillo de 3 grados de libertad.

Unicamente
nos da informacion suficiente para hablar
de estabilidad del vehculo al moverse, mas no da la
dinamica completa del movimiento real.
El modelo es de la forma
x = Ax + Bu

1. Introduccion
Para este trabajo se consideran vehculos de dos
ruedas, existen dos posibles configuraciones para ellos,
con ambas ruedas en una sola lnea y con ruedas en configuracion paralela. Se consideran u nicamente vehculos de dos ruedas en una sola lnea como son motocicletas y bicicletas.
El resto de este trabajo esta dispuesto como se describe
a continuacion. En la seccion 2 se presenta el sistema.
En la seccion 3 se describe el procedimiento para detectar e identificar una falla. En la seccion 4 se presenta
un ejemplo de aplicacion de control por reconfiguracion
en el sistema con falla. En la seccion 5 se muestran los
resultados graficamente. Finalmente en la seccion 6 se
encuentran las conclusiones del trabajo.
En la seccion de Apendices se encuentran los valores de
los parametros completos del modelo utilizado ademas
del codigo de MATLAB utilizado para la simulacion.

1.1. Objetivo
El objetivo de este trabajo es utilizar conceptos
teoricos sobre deteccion e identificacion de fallas en una
aplicacion real.
* El autor pertenece al programa de maestra en control del Instituto de Ingeniera de la Universidad Nacional Autonoma de Mexico,
Ciudad Universitaria 04510, CDMX, Mexico.
** walteraugusto@hotmail.com

= Cx + Du

Donde:

Ld 0 Lo 0
0
0
0 0

Sd Soo So 0

0
1
0 0
0
0 Ro 0

0 Ldt
0
0

B = S0t Sdt

0
0
0
0

0 1 0 0 0
C = 0 0 0 1 0
0 0 0 0 1

0 0
D = 0 0
0 0

0
1

A=
Sdd
0
0

Los estados del modelo son


x=

(1)

(2)

(3)

(4)

(5)

Y las entradas de control


 

u=

pues fsicamente le faltaran partes. El u nico elemento


que podra indicar una falla durante el funcionamiento
es la velocidad, pues al alterarse sus valores podra indicar que la motocicleta o bicicleta ha dejado de moverse
(v 0) o se mueve demasiado rapido (v ). Cabe recordar que tambien existen perturbaciones que podran
afectar el valor de la velocidad en una vecindad de su
valor inicial y e stas no se consideran fallas.

(6)

Donde
, a ngulo de giro del vehculo (Roll angle)
, a ngulo de la direccion (Steer angle)
, a ngulo de direccion de avance (Direction angle)
, par de la direccion
, cambio de peso del conductor

Antecedentes
Parametros
Variables
v (velocidad) Lo , Ro
v (velocidad) Sdd
v (velocidad) Soo

3. Deteccion e identificacion de fallas


Para establecer la forma en que se propagan las variables de manera causal en el sistema se propone construir una tabla con antecedentes y consecuencias. Para cada elemento se hace una clasificacion entre ambos
terminos, dependiendo del lado de la ecuacion que se
encuentre. Por ejemplo en x = f (y, z), x es una consecuencia de la funcion que depende de los antecedentes
(y, z). Antes de iniciar esta tabla se hace un analisis de
todos los parametros del sistema para determinar cual
podra estar sujeto a fallas.
Parametros

Descripcion

M
m
g
h
hm
Ie

v
L

Ixs
Ip
Cc
Ct
f

Masa total
Masa del condutor
Aceleracion
Altura
Altura
Momento de inercia

Angulo
de avance
Velocidad
Base de la rueda
Tasa de variacion entre masas
Radio de la llanta
Momento de incercia
Momento de inercia
Coeficiente de curva
Coeficiente de inclinacion
Desplazamiento de la rueda

Consecuencias

Tabla 2. Antecedentes y consecuencias para el


sistema.
Con base en lo anterior se clasifican las fallas posibles como multiplicativas, es decir, se considera afectan de manera multiplicativa algunos de los estados del
sistema. Esto tiene consecuencias en la estabilidad del
sistema, a diferencia de las fallas clasificadas como aditivas, que si el sistema tiene senales de entrada bien acotadas y un lazo de control internamente estable no alteran la estabilidad del mismo.
Dado que se tiene informacion sobre el comportamiento del sistema nominal se puede obtener una medicion
de la salida del mismo y como se conocen tambien las
entradas un indicador sencillo de falla sera calcular el
residuo entre el modelo con falla y el modelo nominal.
A las relaciones que pueden obtenerse del modelo nominal, que dependen u nicamente de variables medibles
y cuya evaluacion genera un indicador de falla llamado
residuo se les llama relaciones redundantes analticas
(ARR). Otro camino es el de utilizar un generador de
residuos (RG). En ambos casos, en ausencia de fallas el
residuo vale cero.
El caso mas simple es considerar el residuo como
la diferencia entre la salida medida (ym ) y la salida del
modelo (y).

Sujeto
a falla
NO
NO
NO
NO
NO
NO
NO
SI
NO
NO
NO
NO
NO
NO
NO
NO

r(t) = ym (t) y(t)

(7)

En condiciones normales (sin falla) vale cero. Sin


embargo esta manera de calcular el residuo es susceptible a condiciones iniciales, desviaciones e incertidumbres. Se tendra que tener un conocimiento absoluto del
sistema para poder obtener resultados confiables.

Tabla 1. Analisis
de parametros.

La mayor parte de los parametros considerados para este sistema (recordando que se eligio un modelo sencillo) son constantes, se obtienen de manera geometrica
y no estan sujetos a fallas. Si alguno de estos elementos
fallarala motocicleta o bicicleta no podra funcionar

3.1. Modelo analtico con fallas

Dado que se cuenta con el modelo analtico, una


forma sencilla de detectar la falla es considerar cambios

en el vector de parametros. Esto se puede hacer debido a que se consideran multiplicativas las fallas. Si se
define como = 0 + , donde corresponde a la
alteracion del vector de parametros debido a la falla y
0 es el vector de parametros nominales.
Se puede ordenar el vector de parametros para separar entre las fallas de interes y las que no interesan
( = [ ] Rd+ f ). Los primeros d elementos del
vector son desviaciones despreciables y los u ltimos f
elementos corresponden a las fallas multiplicativas.
El modelo se puede expresar como

x(t)
= A(0 + )x(t) + B(0 + )u(t)
y(t) = C(0 + )x(t)
Desarrollando lo anterior para un sistema lineal en
los parametros se obtiene lo siguiente El modelo se puede expresar como

x(t)
= A(0 )x(t) + B(0 )u(t) + E1 + F1
y(t) = C(0 )x(t) + E2 + F2
Figura 1. Principio de coherencia

donde Ei , Fi dependen de (x(t), u(t)) y las matrices


de distribucion de fallas son evaluadas en x(t), u(t), y
0 .

Las fallas se definen como:


f1 es una velocidad casi nula.
f2 es una velocidad muy alta.

3.2. Generacion de residuos


Para generar el residuo en el sistema de nuestro interes, debido a su comportamiento como modelo analtico con fallas se puede utilizar el principio de
coherencia [2] que se muestra (Figura 1).
El generador de residuos se define como
xr (t) =

fr (xr (t), vk (t))

r(t) = hr (xr (t), vk (t),t)

En este ejemplo, se propone un control que reconfigure sus parametros a traves de un cambio en la estructura para cumplir con el objetivo de control, que en este
caso es mantener los valores propios de la matriz del

sistema nominal a pesar de fallas. Unicamente


se hace
para la falla 1, velocidad muy pequena.
Se considera el sistema dado por

(8)
(9)

x = Ax + Bu + Eu
y = Cx

y debe cumplir con que las mediciones vk (t) con el


modelo libre de falla tengan r(t) = 0, y las mediciones
vk (t) con el modelo con falla tengan r(t) 6= 0, al menos
en un intervalo de tiempo [t0 ,t f ].

Las matrices A,B,C se consideran constantes en ausencia de fallas.


Una falla se considera como un cambio en los parametros de la matriz A que lleve fuera de los lmites de tolerancia establecidos. Para evitar confusiones se utilizara
el subndice n para el sistema nominal y el subndice f
para el sistema con falla. La matriz E es la matriz de
perturbaciones que afectan directamente a las entradas
del sistema.
Considerando dos conjuntos R y T y una senal de
referencia r(t) cualquier solucion del sistema (10) sera
admisible si (M, N) R T.

4. Reconfiguracion de control
Se considera la siguiente matriz de firma de fallas.
f1
r0
r1
r2

f2

Tabla 3. Firma de fallas.


3

x = Mx(t) + Nr(t)

(10)

Los conjuntos R y T definen una familia de comportamientos en lazo cerrado que son aceptables.
Tambien se considera una falla como admisible si
existe una ley de control u(t) = K f x(t) + G f r(t) tal que
A f + B f K f R y B f G f T.
Para una falla admisible el concepto de reconfiguracion implica que el control representado por las matrices K f y G f pueda ser disenado para atender la situacion
de falla produciendo un desempeno admisible.
Se partira de un control de retroalimentacion en el
sistema nominal, para despues hacer el control de reconfiguracion. Un esquema general [1] puede verse en
(Figura 2). Se hace de esta forma para poder aplicar el
control en caso de falla al control nominal sin necesidad
de modificar el control nominal.

474,75 + 474,07i
474,75 474,07i
148,90 + 149,55i
148,90 149,55i
008,94 + 000,00i
Y del sistema con fallas:
482,02

+ 474,23i

482,02

474,23i

714,33

+ 000,00i

064,56

+ 000,00i

000,00

+ 000,00i

Utilizando asignacion de polos en la matriz con fallas se obtiene la siguiente matriz de retroalimentacion
K f , misma que ayudara a recuperar la estabilidad del
sistema.


1773400
2915,9
(14)
Ademas para cumplir con el esquema propuesto
(Figura 1) se calcula una matriz de ganancias KR como
sigue

Kf =
Figura 2. Esquema general
Para el sistema nominal se utiliza un controlador
LQR. La matriz A nominal y la matriz A con fallas,
ademas de la matriz de retroalimentacion Kn se presenta
a continuacion.

0
1

An =
14,5
0
0

0
1

Af =
0,0018
0
0

0,0221
Kn =
0,0679

4813,7 0
0
0

45,6
0

0
0
5,7
0

0
0
5,7
1
0

521,3
0
0,2445
0
0

0
0,0001 0
0
0
0

492,4086 45,6318 0

1,0000
0
0
0
0,0007
0
(12)

0,0602
31,6595

0,3006
0,0122

46,9994
0,0958

(11)

70,7103
0,2173
(13)
Se obtienen los siguientes valores propios del sistema nominal:
4

9,1774
0,1096 145,5973
10,1089 0,0240 0,2353

KR = K f Kn


0,3327 9,2376
0,0234 21,5506

0,1909
0,0361

(15)

173300
2916,1
(16)
Los polos del sistema con falla utilizando la matriz
de ganancia (KR + Kn ) quedan como sigue:
KR =

521,3
0
0,2445
0
0

0,3547
0,0445

98,5979
0,1395

474,75 + 474,07i
474,75 474,07i
148,90 + 149,55i
148,90 149,55i
008,94 + 000,00i

5. Graficas
Se hicieron simulaciones del sistema perturbado
ante un escalon, siguiendo una senal de referencia tambien de escalon. Se puede ver que el control nominal
mantiene estabilidad ademas de proporcionar valores de
las variables de interes en magnitudes fsicamente posibles (Figura 3). Cuando el sistema falla el control nominal no puede estabilizarlo (Figura 4). En (Figura 5) se
ve la respuesta deseada del sistema con falla pero utilizando un controlador que para implementarse requerira
alterar el controlador nominal. Finalmente en (Figura 6)
se presenta la respuesta del sistema perturbado ante una
falla siendo controlado a traves de una reconfiguracion
del controlador nominal, lo que es perfectamente realizable.

Figura 5. Respuesta del sistema en falla con


control de falla

Figura 3. Respuesta del sistema con control


nominal

Figura 6. Respuesta del sistema en falla con


control reconfigurado

6. Conclusiones
El diagnostico de fallas en un sistema no tiene una
metodologa aplicable para todo sistema arbitrariamente. Debe hacerse con cuidado y verificar las condiciones de cada uno de los sistemas. Para el caso en estudio
fue un modelo nominal linealizado sencillo donde dadas las condiciones fsicas reales del sistema se pudo
identificar la u nica falla posible. Existen otros modelos
con mas grados de libertad que pueden dar mas informacion y por lo mismo permitir mas grados de libertad
en la deteccion de las fallas. Dada la simplicidad del
modelo se pudo identificar el parametro a fallar, habra
sistemas donde u nicamente sea posible la deteccion de
falla en alguna vecindad, localidad, o algun punto de
operacion y no se pueda hacer identificacion. Se utilizaron esquemas de control lineales para hacer el ejemplo

Figura 4. Respuesta del sistema con control


nominal en caso de falla
5

practico, demostrando la eficacia de controladores reconfigurados, pues permiten una implementacion mas
limpia.

Referencias
[1] Cepeda, C. & Alcorta, E. Control de sistemas LTI con
Tolerancia a Fallas Admisibles. Congreso anual 2010 de
la Asociacion de Mexico de Control Automatico, Puerto
Vallarta, Jalisco, Mexico, 2010.
[2] Verde, C. Monitoreo y diagnostico automatico de fallas en sistemas dinamicos. Trillas, Ciudad de Mexico,
Mexico, 2013.
[3] Ooms, W., Literature Review, in Motorcycle Modeling and Control. Eindhoven, Neatherlands: Technische
Universiteit Eindhoven, 2011, pp. 4-30.
[4] Schmitt, T., Zimmer, D. & Cellier F., A Virtual Motorcycle Rider Based on Automatic Control Design. in Proceedings 7th Modelica Conference, The Modelica Association, Como, Italy, 2009, pp. 19-28.
[5] Inoue, G. & Yasunobu, S., An Intelligent MIMO Control
for Two-Wheeled Vehicle. en Fuzzy Systems Conference, IEEE. London, England, 2007, pp. 1-6.
[6] Schmitt, T., Eigenvalue Analysis. en Modeling of a Motorcycle in Dymola/Modelica, Dornbirn, Austria: Vorarlberg University of Applied Sciences, 2009, pp. 5969.
[7] Ctms.engin.umich.edu Control Tutorials for MATLAB
and Simulink - Home).
Disponible en lnea:
http://ctms.engin.umich.edu/CTMS/index.php?aux=Home

[Ultimo
acceso: 27-04-16].
[8] Prado, A. Diagnostico de fallas con modelos de Bond
Graph. Tesis, Instituto de Ingeniera UNAM, Ciudad de
Mexico, Mexico, 2010.

Apendices
Apendice A. Parametros.

= 150;

= 70 0,55;

= 9,8;

= 0,461;

hm

= 0,54;

Ie

= 1,3;

= 8;

pi/2;

= 1,414;

= 30,7/150;

= 0,305;

Ixs

= 1,3063;

Ip

= 0,72;

Cc

= 11,2;

Ct

= 0,94;

= 0,116;

Ld

= 521,2846

Lo

= 4813,7

Sdd

= 14,4571

Sd

= 0,2445

Soo

= 5,7193

So

= 45,6318

Ro

= 5,6577

Ldt
S0t

= 15163
= 0,7655

S0t

= 0,7655 1013

Sdt

= 0,2848 1013

Apendice B. MATLAB

64
65
66
67

%Codigo utilizado para el proyecto

68

%%Seccion 1. Sistema nominal


%1.1 Parametros
M=150; %Masa total [Kg]
m=70*0.55; %Masa del conductor
%(parte superior) [Kg]
g=9.8; %Aceleracion [N/Kg]
h=0.461; %Altura al CM (Centro de masa)
% desde el suelo [m]
h_m=0.54; %Altura al CM del conductor
%desde el CM [m]
I_e=1.3; % Momento de inercia alrededor
%del punto C [kg*m2]
eta=pi/2; %pi/2 Angulo de avance
v=8; %Velocidad [m/s]
L=1.414; %Base de la rueda [m]
alpha=30.7/150; %Tasa de variacion entre la masa
% de la llanta frontal a la masa total [Kg]
Rho=0.305; %Radio de la llanta frontal [m]
I_xs=1.3063; %(1.23, 0.44, 0)Momento de inercia
%alrededor del eje de direccion [kg*m2]
I_p=0.72; %Momento de inercia de la
%llanta frontal [kg*m2]
C_c=11.2; %Coeficiente de curva
C_t=0.94; %Coeficiente de inclinacion
f=0.116; %Desplazamiento de la rueda [m]

70

69

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

%1.2 Ecuaciones
Mu=I_p/I_xs;
Lambda=sqrt((M*g*alpha*sin(eta))/I_xs);
Tau=f/2*Rho;
L_d=(M*g*h)/I_e;
L_dt=(m*g/I_e)*(1-(M*h*(h+h_m)/I_e));
L_o=-(M*h/I_e*L)*v2*sin(eta);
R_o=(v/L)*sin(eta);
S_dd=(Mu/Rho)*v*sin(eta);
S_oo=-((sin(eta)2)/L)*v-2*Rho*Lambda2*
C_c*(sin(eta)/v)*Tau2;
S_d=-cos(eta)*L_d+Lambda2*(1-C_t)*Tau;
S_o=(sin(eta)*cos(eta)*(1+(2*I_p/M*h*Rho)
*(L_d/g)
-(Mu/Rho))*v2)/L-(L_d*alpha*
sin(eta)*cos(eta)*(2*Rho/h)
+Lambda2*(C_c*sin(eta)-(1-C_t)*cos(eta)))*Tau;
S_ot=1/I_xs;
S_dt=-cos(eta)*L_dt;

49

51
52
53
54
55
56

%1.3 Representacion de espacio de estados


An=[0 L_d 0 L_o 0; 1 0 0 0 0 ;
S_dd S_d S_oo S_o 0;
0 0 1 0 0; 0 0 0 R_o 0];
Bn=[0 L_dt; 0 0; S_ot S_dt; 0 0; 0 0];
Cn=[0 1 0 0 0; 0 0 0 1 0; 0 0 0 0 1];
Dn=[0 0; 0 0; 0 0];
En=[0 1000; 0 0; 1000 1000; 0 0; 0 0];

59
60
61
62
63

74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94

96
97
98
99
100
101
102
103

%%Seccion 2. Sistema con fallas


%2.1 Fallas
M=150; %Masa total [Kg]
m=70*0.55; %Masa del conductor
%(parte superior) [Kg]
g=9.8; %Aceleracion [N/Kg]

%2.2 Ecuaciones
Mu=I_p/I_xs;
Lambda=sqrt((M*g*alpha*sin(eta))/I_xs);
Tau=f/2*Rho;
L_d=(M*g*h)/I_e;
L_dt=(m*g/I_e)*(1-(M*h*(h+h_m)/I_e));
L_o=-(M*h/I_e*L)*v2*sin(eta);
R_o=(v/L)*sin(eta);
S_dd=(Mu/Rho)*v*sin(eta);
S_oo=-((sin(eta)2)/L)*v-2*Rho*Lambda
2*C_c*(sin(eta)/v)*Tau2;
S_d=-cos(eta)*L_d+Lambda2*(1-C_t)*Tau;
S_o=(sin(eta)*cos(eta)*(1+(2*I_p/M*h*Rho)
*(L_d/g)-(Mu/Rho))
*v2)/L-(L_d*alpha*sin(eta)*cos(eta)*
(2*Rho/h)+Lambda2*
(C_c*sin(eta)-(1-C_t)*cos(eta)))*Tau;
S_ot=1/I_xs;
S_dt=-cos(eta)*L_dt;

104
105
106
107
108
109
110
111
112

%2.3 Representacion de espacio de estados


Af=[0 L_d 0 L_o 0; 1 0 0 0 0 ;
S_dd S_d S_oo S_o 0;
0 0 1 0 0; 0 0 0 R_o 0];
Bf=[0 L_dt; 0 0; S_ot S_dt; 0 0; 0 0];
Cf=[0 1 0 0 0; 0 0 0 1 0; 0 0 0 0 1];
Df=[0 0; 0 0; 0 0];
Ef=[0 1000; 0 0; 1000 1000; 0 0; 0 0];

113
114

116
117
118
119
120
121
122
123
124

57
58

73

115

48

50

72

95

28
29

71

h=0.461; %Altura al CM (Centro de masa)


%desde el suelo [m]
h_m=0.54; %Altura al CM del conductor
%desde el CM [m]
I_e=1.3; % Momento de inercia alrededor
%del punto C [kg*m2]
eta=pi/2; %pi/2 Angulo de avance
v=0.001; %Velocidad [m/s]
L=1.414; %Base de la rueda [m]
alpha=30.7/150; %Tasa de variacion
% entre la masa de
%la llanta frontal a la masa total [Kg]
Rho=0.305; %Radio de la llanta frontal [m]
I_xs=1.3063; %(1.23, 0.44, 0)Momento de inercia
%alrededor del eje de direccion [kg*m2]
I_p=0.72; %Momento de inercia de la
%llanta frontal [kg*m2]
C_c=11.2; %Coeficiente de curva
C_t=0.94; %Coeficiente de inclinacion
f=0.116; %Desplazamiento de la rueda [m]

125
126

%%Seccion 3. Controlador
%3.1 LQR
Q = Cn'*Cn;
Q(2,2) = 1000; %Delta (Roll angle)
Q(4,4) = 2000; %Omega (Steer angle)
Q(5,5) = 5000; %Theta (Direction angle)
R = [1 0; 0 1];
Kn = lqr(An,(Bn+En),Q,R);
Dc = [Dn];
Cc = [Cn];
Bc = [Bn+En];
Ac = [(An-Bc*Kn)];
polesn=eig(Ac);

127
128
129
130

%3.2 Asignacion de polos


P=polesn;
Kf = place(Af,(Bf+Ef),P);

131

KR=Kf-Kn;

132
133
134
135
136
137

199

%3.3 Declaracion de sistemas


Dcc = [Df];
Ccc = [Cf];
Bcc = [Bf+Ef];
Acc = [(Af-Bcc*Kf)];

138
139
140
141
142

145
146
147

=
=
=
=

[Df];
[Cf];
[Bf+Ef];
[Af-Bccc*(Kn+KR)];

Dl
Cl
Bl
Al

[Df];
[Cf];
[Bf+Ef];
[(Af-Bl*Kn)];

150
151
152

155
156
157

160
161
162
163
164

167
168
169

172
173
174

177
178
179

182
183
184
185

188
189
190
191
192
193
194
195
196
197

209

211

%del punto C [kg*m2]


eta=pi/2; %pi/2 Angulo de avance
v=1000; %Velocidad [m/s]
L=1.414; %Base de la rueda [m]
alpha=30.7/150; %Tasa de variacion entre
%la masa de la llanta frontal a la masa total [Kg]
Rho=0.305; %Radio de la llanta frontal [m]
I_xs=1.3063; %(1.23, 0.44, 0)Momento de inercia
%alrededor del eje de direccion [kg*m2]
I_p=0.72; %Momento de inercia de la llanta
%frontal [kg*m2]
C_c=11.2; %Coeficiente de curva
C_t=0.94; %Coeficiente de inclinacion
f=0.116; %Desplazamiento de la rueda [m]

212
213
214

216
217
218
219

221
222
223
224

226
227
228
229
230

%4.2 Ecuaciones
Mu=I_p/I_xs;
Lambda=sqrt((M*g*alpha*sin(eta))/I_xs);
Tau=f/2*Rho;
L_d=(M*g*h)/I_e;
L_dt=(m*g/I_e)*(1-(M*h*(h+h_m)/I_e));
L_o=-(M*h/I_e*L)*v2*sin(eta);
R_o=(v/L)*sin(eta);
S_dd=(Mu/Rho)*v*sin(eta);
S_oo=-((sin(eta)2)/L)*v-2*Rho*Lambda2*
C_c*(sin(eta)/v)*Tau2;
S_d=-cos(eta)*L_d+Lambda2*(1-C_t)*Tau;
S_o=(sin(eta)*cos(eta)*(1+(2*I_p/M*h*Rho)*
(L_d/g)-(Mu/Rho))*v2)/L-(L_d*alpha*sin(eta)
*cos(eta)*(2*Rho/h)+Lambda2*(C_c*sin(eta)
-(1-C_t)*cos(eta)))*Tau;
S_ot=1/I_xs;
S_dt=-cos(eta)*L_dt;

231

233
234
235
236

238

%4.3 Representacion de espacio de estados


Af2=[0 L_d 0 L_o 0; 1 0 0 0 0 ;
S_dd S_d S_oo S_o 0; 0 0 1 0 0; 0 0 0 R_o 0];
Bf2=[0 L_dt; 0 0; S_ot S_dt; 0 0; 0 0];
Cf2=[0 1 0 0 0; 0 0 0 1 0; 0 0 0 0 1];
Df2=[0 0; 0 0; 0 0];
Ef2=[0 1000; 0 0; 1000 1000; 0 0; 0 0];

239
240
241

243
244
245
246

%4.4 Nuevo sistema


Kf2 = place(Af2,(Bf2+Ef2),P);
Dcc2 = [Df2];
Ccc2 = [Cf2];
Bcc2 = [Bf2+Ef2];
Acc2 = [(Af2-Bcc2*Kf2)];
sys_lqq2=ss(Acc2,Bcc2,Ccc2,Dcc2);

247

[y4,t,x4]=lsim(sys_lqqq,r,t);
[ax4,hlines4] = plotyyy(t,y(:,1),t,y(:,2),t,
y(:,3),ylabels);
title('Step Response
with A_f-(B_f+E_f)*(K_n+K_R)');

186
187

208

242

[y3,t,x3]=lsim(sys_lqq,r,t);
[ax3,hlines3] = plotyyy(t,y(:,1),t,y(:,2),
t,y(:,3),ylabels);
title('Step Response with A_f-(B_f+E_f)*K_f');

180
181

207

237

[y2,t,x2]=lsim(sys_l,r,t);
[ax2,hlines2] = plotyyy(t,y(:,1),t,y(:,2),
t,y(:,3),ylabels);
title('Step Response with A_f-(B_f+E_f)*K_n');

175
176

206

232

[y1,t,x1]=lsim(sys_lq,r,t);
[ax1,hlines1] = plotyyy(t,y(:,1),t,y(:,2),
t,y(:,3),ylabels);
title('Step Response with A_n-(B_n+E_n)*K_n');

170
171

204

225

%3.5 Graficas
t = 0:0.5:120;
r =[0.9*ones(size(t)) ; 0.9*ones(size(t))];
ylabels{1}='Roll Angle';
ylabels{2}='Steering Angle';
ylabels{3}='Direction Angle';

165
166

203

220

%3.4 Polos
polesl=eig(Al);
polesnn=eig(Acc);
polesnnn=eig(Accc);

158
159

202

215

sys_lq = ss(Ac,Bc,Cc,Dc);
sys_l = ss(Al,Bl,Cl,Dl);
sys_lqq = ss(Acc,Bcc,Ccc,Dcc);
sys_lqqq = ss(Accc,Bccc,Cccc,Dccc);

153
154

201

210

=
=
=
=

148
149

200

205

Dccc
Cccc
Bccc
Accc

143
144

198

248
249
250
251
252
253

%%Seccion 4. Residuos
%4.1 Falla (v->inf)
M=150; %Masa total [Kg]
m=70*0.55; %Masa del conductor
%(parte superior) [Kg]
g=9.8; %Aceleracion [N/Kg]
h=0.461; %Altura al CM (Centro de masa)
%desde el suelo [m]
h_m=0.54; %Altura al CM del conductor
%desde el CM [m]
I_e=1.3; % Momento de inercia alrededor

254

%4.5 Residuos
[ynom,t,xnom]=lsim(sys_lq,r,t);
[ymin,t,xmin]=lsim(sys_lqq,r,t);
[ymax,t,xmax]=lsim(sys_lqq2,r,t);
r0=ynom-ynom;
r1=ynom-ymin;
r2=ynom-ymax;