You are on page 1of 171

Universidad de Concepción

Facultad de Ingeniería
Depto. de Ingeniería Eléctrica

Apuntes
Control Multivariable - 543 760

D
x&

u
B

y

x

+

+

C

A

planta

xm

AuuKo + Aum - KoAmm - KoAmuKo
Bu - KoBm

&
ψ
+

Ko

ψ

+

Auu - KoAmu
observador

xˆ u

6ta edición

 Prof. José R. Espinoza C.

Febrero 2016

Apuntes: 543 760

ii

Tabla de contenidos.
PRÓLOGO ................................................................................................................................................ IV
NOMENCLATURA .......................................................................................................................................V
ABREVIACIONES .................................................................................................................................... VIII
1

INTRODUCCIÓN. ................................................................................................................................ 1
1.1 Representación de Sistemas Tiempo Continuo. ....................................................................... 1
1.2 Representación de Sistemas Alternos Tiempo Continuo. ....................................................... 12
1.3 Representación de Sistemas Tiempo Discreto........................................................................ 16
1.4 Matriz de Transferencia. ........................................................................................................ 19
1.5 Retardo en Sistemas MIMO. .................................................................................................. 21
1.6 Valores y Vectores Propios. ................................................................................................... 26
1.7 Realizaciones de Sistemas. ..................................................................................................... 28
1.8 Alcances del Curso 547 504. .................................................................................................. 32
1.9 Ejercicios Propuestos. ............................................................................................................ 32

2

REPRESENTACIÓN EN ESPACIO DE ESTADOS. .................................................................................. 36
2.1 Introducción. .......................................................................................................................... 36
2.2 Respuesta a Entrada Cero en Sistemas Continuos. ............................................................... 36
2.3 Respuesta a Entrada Cero en Sistemas Discretos.................................................................. 40
2.4 Respuesta a c.i. Cero en Sistemas Continuos......................................................................... 42
2.5 Respuesta a c.i. Cero en Sistemas Discretos. ......................................................................... 43
2.6 Observabilidad en Sistemas Continuos. ................................................................................. 44
2.7 Observabilidad en Sistemas Discretos. .................................................................................. 49
2.8 Controlabilidad de Sistemas Continuos. ................................................................................ 52
2.9 Controlabilidad de Sistemas Discretos. ................................................................................. 56
2.10 Observabilidad y Controlabilidad en Realizaciones.............................................................. 58
2.11 Observabilidad y Controlabilidad en Sistemas Muestreados. ............................................... 62
2.12 Estabilidad.............................................................................................................................. 63
2.13 Ejercicios Propuestos. ............................................................................................................ 64

3

REPRESENTACIÓN EN MATRICES DE TRANSFERENCIA. ................................................................... 67
3.1 Introducción. .......................................................................................................................... 67
3.2 Realizaciones de Sistemas SISO. ............................................................................................ 69
3.3 Polos y Ceros de H(s). ............................................................................................................ 69
3.4 La forma Smith-McMillan. ..................................................................................................... 71
3.5 Polos y Ceros de la Forma Smith-McMillan.......................................................................... 73
3.6 Polos y Ceros de la Matriz de Transferencia. ........................................................................ 75
3.7 Realizaciones Mínimas. .......................................................................................................... 76
3.8 Ejercicios Propuestos. ............................................................................................................ 77

4

CONTROLADORES Y OBSERVADORES DE ESTADOS. ........................................................................ 79
4.1 Introducción. .......................................................................................................................... 79
4.2 Controlador de Estados SISO. ............................................................................................... 81
4.3 Controlador de Estados MIMO. ............................................................................................. 84
4.4 Controlador de Estados de Orden Reducido. ........................................................................ 87

Copyright © por Prof. José R. Espinoza C.

Apuntes: 543 760

iii

4.5 Controlador de Estados con Integradores. ............................................................................ 88
4.6 Desacoplador de Estados. ...................................................................................................... 92
4.7 Observador de Estados SISO. ................................................................................................ 96
4.8 Observador de Estados MIMO............................................................................................. 102
4.9 Controlador basado en un Observador de Estados. ............................................................ 107
4.10 Modelación, Estimación y Compensación de Perturbaciones. ............................................ 108
4.11 Ejercicios Propuestos. .......................................................................................................... 110
5

CONTROL ÓPTIMO. ....................................................................................................................... 114

6

CONTROL MONOVARIABLE DE SISTEMAS MIMO. ........................................................................ 115
6.1 Introducción. ........................................................................................................................ 115
6.2 Arreglo de Bristol. ................................................................................................................ 115
6.3 Valores Singulares. .............................................................................................................. 122
6.4 Diseño de Desacopladores. .................................................................................................. 126
6.5 Ejercicios Propuestos. .......................................................................................................... 130

7

CONTROLADORES EN EL PLANO DE LA FRECUENCIA. ................................................................... 134
7.1 Introducción. ........................................................................................................................ 134
7.2 Caso SISO............................................................................................................................. 134
7.3 Métodos de Diseño en Sistemas SISO. ................................................................................. 138
7.4 Caso MIMO. ......................................................................................................................... 139
7.5 Criterio de Nyquist Generalizado. ....................................................................................... 147
7.6 Ejercicios Propuestos. .......................................................................................................... 158

BIBLIOGRAFÍA ........................................................................................................................................ 161
ÍNDICE ALFABÉTICO............................................................................................................................... 162

Copyright © por Prof. José R. Espinoza C.

valores singulares. un reactor químico exotérmico. Adicionalmente. Espinoza C. CHILE Tel: +56 41 203512 Fax: +56 41 246999 jose. rango. El curso “Control Multivariable” es electivo para alumnos de pre-grado de la carrera de Ingeniería Civil Electrónica/Eléctrica/Telecomunicaciones/Biomédica de la Universidad de Concepción y es la extensión natural del curso “Sistemas de Control”. controladores y observadores. conocer sus propiedades tales como valores propios.espinoza Copyright © por Prof. debe estar familiarizado con la teoría elemental de matrices. un holgado dominio de programas de simulación es definitivamente necesario para seguir los ejemplos del texto. José R. y controladores multivariables. Ambos son en el Departamento de Ingeniería Eléctrica y pertenecen al plan de asignaturas orientadas al Área de Control Automático.cl/jose. José R. en esta asignatura se abordan temas como la representación en variables de estado. En este ramo se entregan herramientas de análisis y diseño para sistemas lineales dinámicos continuos y discretos invariantes en el tiempo tipo MIMO.cl www. etc. of. un accionamiento con dos motores. se tiene una incertidumbre asociada a éste. norma. específicamente. Se recomienda. determinante. Además. un compensador trifásico serie de potencia reactiva y un paciente en una unidad de cuidados intensivos. En particular. Entre los ejemplos destacados están un accionamiento con eje flexible. Correo 3 Concepción. vectores propios. MatLabTM y/o MathCad TM y/o PSimTM. en el peor de los casos.Apuntes: 543 760 iv Prólogo. matrices de transferencia.udec. El documento fue digitado enteramente en Word for Windows de MicroSoftTM y los ejemplos y ejercicios fueron desarrollados en MatLabTM y/o MathCad TM y/o PSimTM. El lector debe tener dominio de los temas entregados en el curso de Sistemas de Control para avanzar fluidamente en los tópicos de este texto. Esta versión de los apuntes incorpora y mejora ejemplos prácticos e ilustrativos de los tópicos aquí revisados. de Ingeniería Eléctrica. Espinoza C. Los tópicos revisados son necesarios para el análisis y diseño de sistemas reales como los encontrados en la industria nacional que se caracterizan por estructuras realimentadas con múltiples salidas y múltiples entradas del tipo continuo y que son controlados por un sistema digital cuya representación natural es del tipo discreta. 220 Facultad de Ingeniería Universidad de Concepción Casilla 160-C. . Para esto se asume que el modelo de la planta es siempre conocido y/o.espinoza@udec. Dr. Profesor Titular Depto.

v Apuntes: 543 760 Nomenclatura Matrices A B C D E F T AT BT CT DT ET FT Tabc-αβ0 Tαβ0-abc Tαβ0-dq0 Tdq0-αβ0 Tabc-dq0 Tdq0-abc H(s) H(s) ˆ ( s) H ˆ ( z) H : matriz de parámetros de dimensión n· n. de un sistema tiempo continuo. : matriz de transformación de ejes abc a dq0. : matriz de transición de un sistema tiempo continuo. : matriz de transformación de dimensión de n· n. CT = CT-1 : matriz de parámetros transformada mediante T de dimensión q· p. : matriz de controlabilidad. : matriz de transferencia en L. H(z)H = (H(z)*)T. : matriz de parámetros de dimensión q· p. dimensión 3·3. u = [u1 u2 ··· up]T : vector de q variables de salida. dimensión 3·3. : matriz de observabilidad. H ˆ ( z ) = H-1(z). dimensión 3·3. José R.D. ET = TE : matriz de parámetros transformada mediante T de dimensión q· m. : matriz adjunta de la matriz P.…} ℜe{X} ℑm{X} r X : matriz conjugada transpuesta de H(s) de un sistema tiempo continuo. FT = F : matriz de transformación de ejes abc a αβ0. j que son fasores. AT = TAT-1 : matriz de parámetros transformada mediante T de dimensión n· p. dimensión 3·3. : matriz diagonal compuesta por los valores x1. r : matriz compuesta por elementos xi . : matriz conjugada transpuesta de H(z) de un sistema tiempo discreto.D. p = [p1 p2 ··· pm]T Copyright © por Prof. BT = TB : matriz de parámetros transformada mediante T de dimensión q· n. …. : matriz de transferencia inversa de un sistema tiempo discreto. DT = D : matriz de parámetros transformada mediante T de dimensión n· m. de un sistema tiempo discreto. H H(s)H H(z)H C O L(s) L(z) Φ(t) Φ(t) Adj{P} diag{x1. : matriz de transformación de ejes dq0 a abc. H(s)H = (H(s)*)T. : matriz de parámetros de dimensión n· m. : matriz de transformación de ejes αβ0 a dq0. : matriz de transferencia en L. : matriz de parámetros transformada mediante T de dimensión n· n. : matriz parte imaginaria de la matriz X. dimensión 3·3.A)-1B + D. : matriz de transferencia de un sistema tiempo discreto. ˆ ( s ) = H-1(s). . y = [y1 y2 ··· yq]T : vector de m perturbaciones. H(s) = C(sI . dimensión 3·3. : matriz parte real de la matriz X. H(s) = C(sI . : matriz de parámetros de dimensión n· p. Espinoza C. Vectores x u y p : vector de n variables de estados. : matriz de transformación de ejes αβ0 a abc. : matriz de parámetros de dimensión q· m. : matriz de transferencia inversa de un sistema tiempo continuo. : matriz de transformación de ejes dq0 a αβ0. : matriz de transferencia de un sistema tiempo continuo. x = [x1 x2 ··· xn]T : vector de p variables de entrada.A)-1B + D. x2. : matriz de parámetros de dimensión q· n. : matriz de transición de un sistema tiempo discreto.

: función de transferencia en L. po = [p1o p2o ··· pqo]T : variación del vector de estados x en torno a xo. : vector de salidas para entrada cero.i. : conjugado del k-ésimo valor propio de A. yˆ = [ yˆ1 yˆ 2 ··· yˆ q ]T (estimación de y). : vector de n variables de estados. Copyright © por Prof. : vector de tres variables de estados. yo = [y1o y2o ··· yqo]T : vector deseado (referencia) de q variables de salida. ∆p = [∆p1 ∆p2 ··· ∆pm]T : Laplace de x. de un sistema tiempo discreto.i. nulas. yd = [y1d y2d ··· yqd]T : vector de perturbaciones en el punto de operación. : ganancia relativa entre la entrada i-ésima y la salida j-ésima. x(z) = [x1(z) x2(z) ··· xn(z)]T : Laplace de u. José R. u(s) = [u1(s) u2(s) ··· up(s)]T : Laplace de u.D. : k-ésimo vector propio de AT. p(z) = [p1(z) p2(z) ··· pm(z)]T : k-ésimo vector propio de A. xabc = [xa xb xc]T (ejes estacionarios abc). : vector de estados para entrada cero. : k-ésimo valor propio de A. : k-ésima fila de la matriz C. x = [ x1 x2 ··· xn ]T. : vector de salidas para c. : elemento ij de la matriz D. ∆y = [∆y1 ∆y2 ··· ∆yq]T : variación del vector de perturbaciones p en torno a po. xdq0 = [xd xq x0]T (ejes rotatorios dq0). de un sistema tiempo continuo. . xαβ0 = [xα xβ x0]T (ejes estacionarios αβ0). y(z) = [y1(z) y2(z) ··· yp(z)]T : Laplace de p. : gradiente de la función V(x). uo = [u1o u2o ··· upo]T : vector de salidas en el punto de operación. : vector de estados para c. u(z) = [u1(z) u2(z) ··· up(z)]T : Laplace de y. : k-ésima columna de la matriz B. xˆ = [ xˆ1 xˆ2 ··· xˆn ]T (estimación de x). x(s) = [x1(s) x2(s) ··· xn(s)]T : Laplace de x. ∆u = [∆u1 ∆u2 ··· ∆up]T : variación del vector de salidas y en torno a yo. ~ x = [~ x1 ~ x2 ··· ~ xn ]T (error de estimación de ~ x= x - xˆ ). p(s) = [p1(s) p2(s) ··· pm(s)]T : Laplace de p. Espinoza C. : k-ésimo coeficiente del polinomio característico de A. : condición inicial del vector de estados.D. ∆x = [∆x1 ∆x2 ··· ∆xn]T : variación del vector de entradas u en torno a uo. x0 = [x10 x20 ··· xn0]T : vector de estados en el punto de operación. r r r r : vector de fasores.vi Apuntes: 543 760 xˆ yˆ ~ x : vector de n variables de estados. : vector de q variables de estados. ∇V(x) = ∂V(x)/∂x. xo = [x1o x2o ··· xno]T : vector de entradas en el punto de operación. Escalares xk dxk/dt = x& k ak λk λk * λij l(s) l(z) dij : k-ésima variable de estado. y(s) = [y1(s) y2(s) ··· yp(s)]T : Laplace de y. nulas. : derivada de la k-ésima variable de estado. : vector de tres variables de estados. : función de transferencia en L. xabc xαβ0 xdq0 x0 xo uo yo yd po ∆x ∆u ∆y ∆p x(s) x(z) u(s) u(z) y(s) y(z) p(s) p(z) vk wk vk* xec xci yec yci ck bk ∇V(x) r x : vector de tres variables de estados. : conjugado del k-ésimo vector propio de A.

: entrada rampa continua. : ángulo del número complejo x. : norma del elemento e. : elemento ij de la matriz H ˆ ( z ) = H-1(z). : entrada escalón discreta (también escrita u(kT). Espinoza C. : rango de la matriz P(z). : determinante de la matriz P(s). José R. : máximo valor singular de A. : mínimo valor singular de A. : entrada escalón continua. con T el tiempo de muestreo). : traza de la matriz P(z). : logaritmo en base 10. : vector de error en estado estacionario. con T el tiempo de muestreo). : elemento ij de la matriz H(z). : conjunto invariante subconjunto de G. : máximo valor. : elemento ij de la matriz H rango{P(s)} rango{P(z)} det{P(s)} det{P(z)} arg{x} tr{P(s)} tr{P(z)} maxij{wij}l max{} min{} log{} : rango de la matriz P(s). : fasor. ij u(t) u(k) r(t) r(k) || e || σl(A) σ (A) σ (A) ρ(A) γ(A) V(x) Ω G R ess δ ts V f(t) f(k) f(s) f(z) f(ω) f(Ω) f(n) f(m) r x Copyright © por Prof. . con T el tiempo de muestreo).vii Apuntes: 543 760 hij(s) hij(z) hˆij ( s ) hˆ ( z ) : elemento ij de la matriz H(s). : función de Lyapunov. : mínimo valor. : máximo elemento de la matriz Wl. : banda de asentamiento. : radio espectral de A. : función en el tiempo discreto (también escrita f(kT). : función en frecuencia continua de tiempo discreta. : vecindad en el espacio de estados de x. : l-ésimo valor singular de A. : tiempo de asentamiento. : función en frecuencia discreta de tiempo continuo. : valor medio (RMS) de la señal continua (alterna) v(t). : función en frecuencia discreta de tiempo discreta. : traza de la matriz P(s). : determinante de la matriz P(z). ˆ ( s ) = H-1(s). : función en el tiempo continuo. : función en el plano Z. : número de condición de A. : función en el plano de Laplace. : función en frecuencia continua de tiempo continuo. : conjunto invariante. : entrada rampa discreta (también escrita r(kT).

: forma canónica controlable.I. : forma canónica de Jordan. T. : semi-plano derecho.c.D. l. : lineal invariante en el tiempo. B. M. de T.L.G.F.P.D. : semi-plano izquierdo. T. : ancho de banda.a.).P. : lugar geométrico de las raíces. E. T.F. : margen de ganancia. : Transformada de Fourier Discreta.R. : Diagrama de Bode Minúsculas c. S.Z.i.D.d. M. M.S. : condiciones iniciales. José R. FCD FCC FCO FCJ T. S.T. F. Copyright © por Prof. : sistema de varias entradas y varias salidas (multiple inputs multiple outputs). : corriente alterna (en inglés es a. : entrada/salida.A. c. : matriz de transferencia.G. : Transformada Z. SISO MIMO L.I.D. : forma canónica diagonal. : abscisa de convergencia absoluta. : corriente continua (en inglés es d. . Mayúsculas L. : lazo directo. L. : controlador proporcional integral derivativo. de B. P.F. D. : Transformada de Fourier.F. de T.c. F. S. : Transformada de Fourier de Frecuencia Discreta.F.c.c.D. : estado estacionario. Espinoza C.W. T.T.F.a. : linealmente independiente. : función de transferencia.D.).S. : Transformada de Fourier de Tiempo Discreta.I. : lazo abierto. S. : lazo cerrado. : función descriptora.viii Apuntes: 543 760 Abreviaciones. c. T.P. : margen de fase.i. L. a. L. : sobrepaso. l. : Transformada de Laplace. : forma canónica observable. : sistema de una entrada y una salida (single input single output). : linealmente dependiente.C.D.

Espinoza C. A. Las ecuaciones que describen al accionamiento en c. dt te (t ) = J m donde. nulas se tiene. va (t ) = Ra ia (t ) + La dia (t ) + ea (t ) . 1.L. carga . Aplicando la T.i. En este capítulo se presenta la representación en variables de estado y se compara con la representación en función de transferencia. Las expresiones anteriores son fácilmente deducibles a partir del circuito eléctrico equivalente del accionamiento en c. te ωl. Copyright © por Prof. ωl(t) = dθl(t)/dt. Modelo de Entrada/Salida. en donde las resistencias 1/bm y 1/bl representan los inversos de los coeficientes de roce bm y bl.θl(t)). 1. A partir de las ecuaciones anteriores. También se describen los ejemplos a utilizar en los apuntes. Además. José R. tr Fig.vf + ia if n:1 máquina cc ωm. ilustrado en la Fig.1 Apuntes: 543 760 1 Introducción.c. ωm(t) = dθm(t)/dt.c.c.1. éstos son: un accionamiento con eje flexible. y θm(t) = nθr(t). te(t) = kmia(t).2. Jl. Finalmente. Se considera que la velocidad de la carga ωl es la variable de interés. dt n d ωl (t ) k (θr (t ) − θl (t )) = J l + tl (t ) . ωm(t) = nωr(t). Nótese que el eje flexible desarrolla un torque dado por k(θr(t) . se indican los alcances del curso en el contexto más general de los sistemas de control. a las expresiones anteriores y considerando c. un reactor químico exotérmico. tl 1/ k ωr. 1. θ l. + va - . dt d ωm (t ) 1 + k (θr (t ) − θl (t )) . con eje flexible. θm. un compensador trifásico serie de potencia reactiva y un paciente en sala de cuidados intensivos. considerando la corriente de campo if(t) = If constante son.1 Accionamiento c.1 Representación de Sistemas Tiempo Continuo. 1. las siguientes representaciones son válidas. respectivamente. Fig. θr. Jm. con eje flexible. se define la terminología de uso común y se presentan las formas canónicas más utilizadas. ea(t) = kmωm(t). los cuales son considerados nulos en este ejemplo.

y p(t) = tl(t) por lo tanto. queda como. k m ia ( s ) = J m sωm ( s ) + 1 1 1  k  ωr ( s ) − ωl ( s )  . Copyright © por Prof.2 Apuntes: 543 760 v a ( s ) = R a i a ( s ) + La si a ( s ) + k m ω m ( s ) .c. te 1/bm ωr 1/k tr . B. n s s  1 1  k  ω r ( s ) − ω l ( s )  = J l sω l ( s ) + t l ( s ) . Modelo en Ecuaciones Dinámicas. kk m θl (s) = va ( s ) La J m J l n 1 2 m 2 Ra 4 La kJ l + k n J l + La kn J m 3  J l  Ra k 2 kk m2 s + s + s +  Jm + 2  s + s La La J m J l n La J m J l n  La J m J l  5 2 2 . x&4 (t ) = k k 1 x1 (t ) − x3 (t ) − p (t ) Jl Jl Jl x&5 (t ) = R − nkm 1 x2 (t ) − a x5 (t ) + u (t ) La La La lo que escrito en forma matricial.2 Circuito equivalente del accionamiento c. entre ωl y va . de T. x&1 (t ) = x2 (t ) x&2 (t ) = k −k k x1 (t ) + 2 x3 (t ) + m x5 (t ) 2 n Jm n Jm nJ m x&3 (t ) = x4 (t ) . En este caso se utiliza una representación en variables de estado. u(t) = va(t).considerando tl(t) = 0 la que resulta ser. n :1 ωl Jl 1/bl Fig. Para esto. se definen arbitrariamente las variables: x1(t) = θr(t). x3(t) = θl(t). x4(t) = ωl(t). Ra va ωm La + - ea ia + - tm Jm . ωl ( s ) kk m = va ( s ) La J m J l n 1 . José R. conocido como ecuaciones dinámicas. la F. entre la posición θl(t) y va(t) es. de T. s s  Las expresiones anteriores son utilizadas para obtener la F. Nótese que esta última expresión es de fácil obtención considerando la relación ωl(t) = dθl(t)/dt. tl . 1. Ra 3 La kJ l + k n J l + La kn J m 2  J l  Ra k kk m2 4 s + s + s +  Jm + 2  s+ La La J m J l n La J m J l n  La J m J l  2 m 2 2 2 Similarmente. x2(t) = ωr(t). Espinoza C. con eje flexible. y x5(t) = ia(t).

x1(t). pm(t)]T es el vector de perturbaciones. hay diferencias notorias entre ellas. Los ordenes y grados de las representaciones están relacionados y serán de análisis en los capítulos siguientes. up(t)]T es el vector de entradas.3 Diagrama en bloques de las ecuaciones dinámicas generalizadas. y A. la F. D. . y(t) = Cx(t) + Du(t) + Fp(t).. entre ωl(t) y va(t) tiene un polinomio característico de cuarto grado. entonces. De hecho. Si la variable de interés y es la velocidad de la carga ωl(t). Si hay n variables de estados. C. Expresión general para las Ecuaciones Dinámicas. yq(t)]T es el vector de salidas. No ocurre lo mismo con la F. x3(t). un aspecto interesante es que hay cinco ecuaciones dinámicas (orden 5). y(t) = [y1(t) . entre θl(t) y va(t) que tiene un polinomio característico de quinto grado. (1. Copyright © por Prof. u(t) = [u1(t) . C.  x1 (t )   x (t )   2  y (t ) = [0 0 0 1 0 ]  x3 (t )  . x2(t). p(t) = [p1(t) . x4(t) y x5(t) son las variables de estado y x(t) = [x1(t) x2(t) x3(t) x4(t) x5(t)]T es el vector de estados. y F son matrices de parámetros con dimensiones apropiadas. de T.    x4 (t )   x5 (t )  Aún cuando ambas representaciones son válidas. x& (t ) = Ax(t) + Bu(t) + Ep(t). E. B.1) en donde. se puede escribir.. de T.. sin embargo. 0 1 0       −k / J l 0 0   x4 (t )   0   −1/ J l   0  0 0 − Ra / La   x5 (t )  1/ La  donde. 1. Las ecuaciones dinámicas tienen la forma general.. entonces siempre se cumple que las p(t) E F x& (t ) u(t) B + ∫ x(t) y(t) C + A D Fig.3 Apuntes: 543 760 0 1  x&1 (t )    x& (t )   − k /(n 2 J ) 0 m  2    x&3 (t )  =  0 0    0  x&4 (t )   k / J l  x&5 (t )   0 − nkm / La 0 0 0   x1 (t )   0   0        0  2 k /(n J m ) 0 km /(nJ m )   x2 (t )   0      x3 (t )  +  0  u (t ) +  0  p (t ) .. Espinoza C. José R..

10 2000 0 0 0 2 4 6 0 0 2 4 6 100 0 2 Fig. θr(t) y θ l(t).1. nulas y por tanto. grados sex.. Espinoza C. i) El modelo E. Los sistemas con múltiples retardos quedan mejor representados por modelos E.1 considere que la salida es la velocidad angular de la carga. Nótese que a pesar de que la velocidad llega a valores constantes (estable). A= 0 0 0 1 0     0 −k / J l 0 0  0   k / Jl  1 / La   0 −nkm / La 0 0 − Ra / La     0   0    E = e =  0  . D: q·p. determine A. km = 0. Las cantidades están en V. C = c = [0 0 0 1 0 ]. José R. n = 12.2. Ejemplo 1. con eje flexible (parámetros en Ejemplo 1. Copyright © por Prof. Ra = 1.  x1 (t )   x (t )   2  C.10 4 6 4 6 ia 4000 200 100 4 5 .S.10 0 0 2 4 6 2000 0 0 2 θl 5 4 6 0 0 2 ωl 1 . Las ii) iii) va θr 5 1 .05.4 Simulación del accionamiento c.02. Adicionalmente. B = b =  0  . ωl(t). Jl = 0. ♣ D. u(t) = [u(t)] = va(t). y F: q·m.: x(t ) =  x3 (t )  . no da cuentas del comportamiento interno del sistema.i. 1.c. C: q·n. Diferencias entre Modelo Entrada/Salida y Ecuaciones Dinámicas. La simulación de este sistema para k = 500.10 ωr 4000 200 4 5 .S. y(t): q. y(t) = y(t) = [x4(t)].. B: n·p. En el sistema de la Fig. En sistemas desconocidos es preferible utilizar un modelo E.3). las variables de posición. . u(t): p. respectivamente. Jm = 8·10-4.4 Apuntes: 543 760 dimensiones de cada componente son: x(t): n. y F. R. todo análisis supone el reposo como condición inicial. D = d = [0] = 0.    x4 ( t )   x5 (t )  0 1 0 0 0  0     0   −k /(n 2 J )  2 0 k /( n J ) 0 k /( nJ ) m m m m      . 1.1). y A. Una representación en diagrama de bloques se muestra en la Fig. dado que es fácil de obtenerlo experimentalmente. 1. y tl(t) = 0 se encuentra en la Fig. La   − 1 / J l   0    = 50·10-3. supone c. y F = f = [0] = 0. va(t) = 200u(t) – 100u(t .S. B.3. rpm. A: n·n. E: n·m.4. E. D. crecen indefinidamente (inestable). 1.

AT = TAT-1.1) pueden ser re-escritas si se define un nuevo conjunto de variables de estado. CT = CT-1. Las ecuaciones dinámicas son de primer orden por lo que su resolución es simple.S. z& (t ) = TAT-1z(t) + TBu(t) + TEp(t). conocida como matriz de transformación. y la salida y(t) no son alterados.: Se definen puntos de operación a aquellos valores de u(t). se obtiene finalmente. x(t) = T-1z(t) (T no debe ser singular) y por tanto. La comparación anterior indica una serie de ventajas de la representación en variables de estado. T = 0 0 1 0 0 lo que   0 0 0 1 0  0 0 0 0 1    resultaría en un nuevo vector de variables de estado z(t) de la forma. José R.por la izquierda . . invariante en el tiempo). si por razones de diseño se necesita conocer la diferencia de posición θr(t) . R.θl(t) y no es necesaria la posición θr(t) se puede definir a z(t) = [z1(t) z2(t) z3(t) z4(t) z5(t)]T = [θr(t) . Normalmente. perturbaciones p(t).1) puede ser re-escrita como. (1. 1 0 − 1 0 0  0 1 0 0 0    Determine la transformación T necesaria. Sistemas que en S. Es decir. po.2) Nótese que en un punto de operación las cantidades toman valores constantes. En el Ejemplo 1.por T. Espinoza C. Normalmente se acostumbra a definir nuevas matrices de parámetros. Las ecuaciones dinámicas como indicadas en (1. éstas tienen significado físico. E. x(t). Infinitas Representaciones. z& (t ) = ATz(t) + BTu(t) + ETp(t). T-1 z& (t ) =AT-1z(t) + Bu(t) + Ep(t). es decir. están oscilando serán sujeto de transformaciones para su análisis con herramientas aquí expuestas. multiplicando la primera ecuación . ET = TE.: La transformación T queda definida como. y FT = F. y(t) = CT-1z(t) + Du(t) + Fp(t).2. Def. Las ecuaciones dinámicas contienen toda la información del sistema en sus variables de estado. los sistemas físicos reales son normalmente sistemas no-lineales y para estudiar su comportamiento en torno a un punto de operación se puede utilizar la linealización como una alternativa de análisis.i. Las c. Ejemplo 1. y(t) = CT-1z(t) + Du(t) + Fp(t). pueden ser fácilmente incluidas en una representación en ecuaciones dinámicas. entonces. xo.θl(t) ωr(t) θl(t) ωl(t) ia(t)]T como nuevas variables de estado. donde T es una matriz cuadrada de n·n (de coeficientes constantes. que satisfacen: 0 = Axo + Buo + Ep o . (1. Copyright © por Prof. sea el nuevo conjunto z(t) dado por z(t) = Tx(t). en general. BT = TB. Por lo que la representación alternativa quedaría. (1. e y(t). Estas características serán aprovechadas en este curso.3) Es importante destacar que los vectores de entrada u(t). y(t) = CTz(t) + DTu(t) + FTp(t). Por otro lado.5 Apuntes: 543 760 iv) v) vi) ecuaciones dinámicas. e yo. y o = Cxo + Duo + Fpo . que se identificarán por uo. DT = D. tan sólo las matrices de parámetros y las variables de estado originales (x(t) ha sido reemplazada por z(t)). Por ejemplo.1 se tienen las variables de estado x(t) = [x1(t) x2(t) x3(t) x4(t) x5(t)]T = [θr(t) ωr(t) θl(t) ωl(t) ia(t)]T. requerirían en estos casos de aproximaciones.

con eje flexible con mínimo número de variables (parámetros en Ejemplo 1.1 puede re-escribirse en ecuaciones de estado considerando como variables de estado sólo a los voltajes y corrientes en capacitores e inductores. con eje flexible (parámetros en Ejemplo 1. Copyright © por Prof. por lo tanto.6 Apuntes: 543 760  z1 (t )  1  z (t )    2  0 z (t ) =  z3 (t )  = Tx(t ) =  0     z4 (t )  0  z5 (t )   0 0 −1 1 0 0 1 0 0 0 0 0   x1 (t )   x1 (t ) − x3 (t )  θr (t ) − θl (t )  0   x2 (t )   x2 (t )   ωr (t )  0   x3 (t )  =  x3 (t )  =  θl (t )        0   x4 (t )   x4 (t )   ωl (t )   1   x5 (t )   x5 (t )   ia (t ) 0 0 0 1 0 donde claramente el nuevo conjunto de variables de estado z(t) corresponde a lo requerido. 1.5.5 Simulación opcional del accionamiento c. x3(t) = tr(t). La simulación del sistema resultante se muestra en la Fig.1) para tl = 4. se definen las variables: x1(t) = ωr(t). en donde x1(t) y x2(t) son equivalentes a voltajes y x3(t) es equivalente a una corriente. 1. Es decir.c. y x4(t) = ia(t).2 que representa al sistema físico de la Fig. Para esto. y p(t) = tl(t).10 2000 0 0 0 2 4 0 6 0 2 4 100 6 0 2 Fig. una variable de estado por cada componente que almacena energía. va θr .6 Simulación del accionamiento c. respectivamente. ♣ F. va ωr 4000 ωl 4000 200 2000 0 0 2 4 0 6 2000 0 2 tr 20 4 100 0 0 0 2 4 6 100 0 2 4 6 ia 200 10 10 0 6 0 2 4 6 Fig. 1. x2(t) = ωl(t).θl ωr 4000 2 200 1 2000 0 0 0 2 4 1 6 θl 5 1 . . u(t) = va(t). 1. 1.10 0 2 4 0 6 ωl 4000 0 2 4 6 4 6 ia 200 100 4 5 .1) para tl = 4. Espinoza C. José R.c. Mínimo Número de Variables de Estado El modelo circuital de la Fig.

b) Fig. sin embargo. θ2. se pueden calcular de las relaciones ωr(t) = dθr(t)/dt y ωl(t) = dθl(t)/dt. sin embargo. tm2 1/k2 n:1 a) Ra1 va1 ωm1 La1 + - ea1 + - te1 Jm1 1/bm1 ia1 1/k1 ωr tm1 . n :1 tr1 . el número de elementos que almacenan energía y/o una equivalencia circuital siempre debiera ayudar.6. José R. En este caso no se tienen las posiciones angulares como resultado de la simulación. tm1 n:1 1/k1 + va2 ia2 ωm2. θ1. n :1 to 1/bo tr2 . En general. Espinoza C. 1. con ejes flexibles.7 Apuntes: 543 760 x&1 (t ) = k −1 x3 (t ) + m x4 (t ) 2 n Jm nJ m x&2 (t ) = k 1 x3 (t ) − p (t ) Jl Jl . determinar el mínimo número de variables de estado que representa a un sistema físico no es directo. Jo. ωo Jo Ra2 va2 ωm2 La2 + - ea2 ia2 + - te2 Jm2 1/bm2 1/k2 ωr tm2 . Copyright © por Prof. x&3 (t ) = kx1 (t ) − kx2 (t ) x&4 (t ) = − nkm R 1 x1 (t ) − a x4 (t ) + u (t ) La La La Claramente. La simulación del sistema de ecuaciones reducido es la ilustrada en la Fig. θo. Jm2.c. b) equivalente circuital. excepto que ahora se tiene como variable de estado al torque tr(t). ωo. 1. to + va1 ia1 ωm1. a) sistema. .7 Accionamiento de dos motores de c. se necesitan sólo cuatro variables de estado para modelar el sistema y no cinco como fueron inicialmente consideradas. las cuales son idénticas a las anteriores. Jm1.

(1. Modelar y simular el accionamiento con dos motores de c. puesto que si esta última cantidad es cero. Ra1 aumenta al doble en t = 55 s.000 Nm/rad y km1 = km2 = 6 Nm/A. u(t ).000 kg·m2. xo. ∆x& (t ) = A∆x(t ) + B∆u(t ) + E∆p(t ). la perturbación p(t) = to(t) y a las salidas ωo(t) y a ia1(t) .8 para Ra1 = Ra2 = 0.4) . p(t )) . po. u(t ).c.2 Ω. u(t ). M      x&n (t )   f n (x(t ).3. como ilustrado en la Fig.7(b). 1.07. a las entradas u(t) = [u1(t) u2(t)]T = [va1(t) va2(t)]T.  x&1 (t )   f1 (x(t ).  yq (t )   hq (x(t ). Así las ecuaciones dinámicas de este sistema quedan dadas por: 0 0 −km1 / La1  x&1 (t )   − Ra1 / La1  x& (t )   0 − Ra 2 / La 2 0 0  2    x&3 (t )   0 0 0 0    & 0 0 0  x4 (t )  =  k m1 / J m1  x&5 (t )   0 km 2 / J m 2 0 0    0 0 −nk1 k1  x&6 (t )    x& (t )   0 0 −nk2 0  7   0  1/ La1  0   0   0  1/ La 2      0  −1/ J o  0     u1 (t )    0   +  0  p (t )  0 u ( t )  2    0 0  0      0   0  0   0  0  0     0 0 −km 2 / La 2 0 0 n / Jo 0 −1/ J m1 0 0 0 0 k2 0 0   x1 (t )  0   x2 (t )  n / J o   x3 (t )    0   x4 (t )  + −1/ J m 2   x5 (t )    0   x6 (t )  0   x7 (t )   x1 (t )   x (t )   2   x3 (t )  0 0 1 0 0 0 0   y (t ) =    x4 ( t )  − 1 1 0 0 0 0 0   x (t )   5   x6 (t )   x (t )   7  . y (t ) = h(x(t ). R. u(t ). Linealización de Ecuaciones Dinámicas No-Lineales. yo es. La1 = La2 = 50 mH. Las ecuaciones dinámicas de un sistema no-lineal tienen la forma general. u(t ). Jo = 10. para lo cual se corrigen las tensiones en t = 35 s para tener nuevamente 120 rpm y liberar totalmente al motor 2 de carga. La simulación se muestra en la Fig. Finalmente. para determinar el número de variables de estado necesario para representar el sistema. José R. o en sus componentes. Fig. p(t )). p(t ))      M  M = . entonces se asegura una repartición de carga simétrica. J1 = J2 = 1 kg· m2.: Sin duda que el equivalente circuital.ia2(t). 1. p(t ))   y1 (t )   h1 (x(t ). 1. En t = 20 s aparece un torque de carga. en particular.7(a) en donde se busca mover con una velocidad dada el cilindro y repartir simétricamente la carga (potencia) entre los motores. Espinoza C. Las tensiones va1(t) y va2(t) se calculan para ir de 100 rpm a 120 rpm en t = 5 s. Copyright © por Prof. k1 = k2 = 75. u(t ). x& (t ) = f (x(t ). En este sistema se consideran como variables de estado a x(t) = [x1(t) x2(t) x3(t) x4(t) x5(t) x6(t) x7(t)]T = [ia1(t) ia2(t) ωo(t) ωm1(t) ωm2(t) tm1(t) tm2(t)]T. p(t ))      Por lo tanto. ∆y (t ) = C∆x(t ) + D∆u(t ) + F∆p(t ) .8 Apuntes: 543 760 Ejemplo 1. es de ayuda inmediata para determinar las ecuaciones de estado. ♣ G. una representación lineal en torno a un punto de operación dado por uo. n = 1/0. p(t ))   M = .

son variaciones de x(t). Copyright © por Prof. T(t).c. es.4 El sistema mostrado en Fig. E= .ia2 300 40 60 40 60 Ra1 0. A= ∂f (x(t ).9 es un reactor continuamente agitado donde se realiza una reacción exotérmica irreversible. Ejemplo 1. Nótese que en el caso no-lineal uo. x = xo ∂x(t ) u =u B= o ∂f (x(t ). 1. yo = h(xo. u(t ). 60 .9 Apuntes: 543 760 donde. p(t )) . José R. p(t) e y(t). p(t )) . x = xo ∂x(t ) u =u o p = po p = po D= C= p = po ∂h(x(t ). po. en torno al punto de operación dado por uo. u(t ). p(t )) ∂h(x(t ). respectivamente. ia1 500 ia2 500 ωo (rpm) 130 120 0 0 110 500 0 20 40 60 ω1 (rpm) 1800 500 0 20 40 60 ω2 (rpm) 1800 100 0 20 40 60 tm1 4000 2000 1600 1600 0 1400 0 20 40 60 tm2 4000 1400 0 20 40 60 2000 0 20 ia1 . e yo satisfacen 0 = f(xo. x = xo ∂u(t ) u =u o ∂h(x(t ).4 2000 200 0 100 2000 0 20 40 60 va1 1200 0 0.8 Simulación del accionamiento de dos motores de c. del Ejemplo 1. 1.2 0 20 40 60 0 0 tl / 1000 va2 1200 20 20 1000 800 1000 0 20 40 60 800 0 20 40 60 0 0 20 40 Fig. u(t ). la entrada u(t) = u(t) = Tc(t) y la salida y(t) = y(t) = T(t). Espinoza C. po). ∆u(t). xo. u(t ). Es de interés la temperatura interna. xo. y ∆y(t). u(t). po). p(t )) . A → B. uo.3. u(t ). Tc(t). y la concentración de la componente A. p(t )) ∂f (x(t ). y ∆x(t). po. p(t )) . yo. para lo cual se puede manipular la temperatura del refrigerante. u(t ). F= . uo. CA(t). x = xo x = xo x = xo ∂u(t ) ∂ p ( t ) ∂ p ( t ) u =u u =u u =u o o p =p o o p = po p =p o ∆p(t). El modelo de este sistema considerando a las variables de estado x(t) = [x1(t) x2(t)]T = [CA(t) T(t)]T.

 ∂f1 (x(t ). Por otro lado.4. CA 400 1 380 0.   E   − Rx ( t )  E UA  −q (−∆H )   2 e x1 (t ) − + k0  Rx2 (t ) 2 V ρC p  x = xo V ρC p  E   −  E Rx ( t )  − k0 e 2  x1 (t ) 2 Rx2 (t ) u = uo F1 F2 Tc Fs T.4 0. u(t ))  ∂x1 (t ) A=  ∂f 2 (x(t ). por lo tanto.9 Reactor continuo exotérmico.10 muestra la gráfica de los puntos de operación.6 0. T(t) = x2(t) y Tc(t) = u(t) tal que satisfacen. R. u(t ))  (−∆H )  − Rx2 ( t )   k e ∂x2 (t )  x = xo  ρC p 0  u = uo    .  E   2   2  q (−∆H )  − Rx2 ( t )  UA T − x2 (t ) ) + k0 e x1 (t ) + ( u (t ) − x2 (t ) )  V ( f C V C ρ ρ p p   y (t ) = h(x(t ). 360 340 320 300 280 0.8 Concentración Temperatura en el Reactor Fig. u (t ))   Rx2 ( t )   − k e 0   V ∂x2 (t )  =  E   ∂f 2 (x(t ). u(t ))  =  .10 Puntos de operación del reactor del Ejemplo 1. la Fig. u(t ))     x& (t )  =  f (x(t ). determine los puntos de operación y un modelo lineal. 1.  E     − Rx ( t )  q    C Af − x1 (t ) ) − k0 e 2  x1 (t ) ( V  x&1 (t )   f1 (x(t ). 330 . los puntos de operación están dado por los valores de CA(t) = x1(t). la linealización del sistema queda dada por las matrices. u(t )) = x2 (t ) . Copyright © por Prof. 1.: El modelo puede ser escrito como. u (t ))  ∂x1 (t )   E   −q  −  ∂f1 (x(t ).10 Apuntes: 543 760  E  −  q C& A (t ) = ( C Af − C A (t ) ) − k0 e RT ( t )  C A (t ) V  E  q (−∆H )  − RT (t )  UA T& (t ) = (T f − T (t ) ) + k0 e C A (t ) + (Tc (t ) − T (t ) ) V ρC p V ρC p . ésta se obtiene solucionando la ecuación anterior  2    para valores dados de la temperatura de control Tc(t). 1.2 290 300 310 320 Temperatura de Control 330 0 280 290 300 310 320 Temperatura de Control Fig. Espinoza C. sistema no-lineal.  x&1 (t )  0   x& (t )  = 0  . José R.

Este cambio permite modificar la temperatura T de 385 K a 391 K.4).05 0. Además.11 muestra los resultados simulados para el sistema no-lineal y para el linealizado. u (t )) C= ∂x1 (t )  ∂h(x(t ).06 0.071 K a 317. Es evidente que el modelo linealizado no representa fielmente tanto el cambio dinámico. como el estático. Espinoza C. u(t ))  V ρC p    ∂u (t )   x = xo  ∂h(x(t ). .07 0. ♣ Concentración 0.11 Simulación del reactor del Ejemplo 1. líneas segmentadas son las del modelo linealizado (parámetros en Ejemplo 1.  ∂x2 (t )  x = xo u = uo u = uo D= ∂h(x(t ). 1. Los valores de las cantidades involucradas están dados en la tabla siguiente.08 0.239 J/g K 5x104 J/mol 8750 K 7. Dado que no se consideran perturbaciones no se tienen matrices E y F.09 0. José R. u(t ))   0    ∂u (t )   =  UA  . Copyright © por Prof.2x1010 min-1 5x104 J/min K La Fig.11 Apuntes: 543 760  ∂f1 (x(t ). u(t ))  = [ 0 1] . solamente A depende del punto de operación. para un cambio escalón de un 2% en la temperatura de control Tc (de 311. 1.04 0 2 4 6 8 10 8 10 Temperatura 395 393 391 389 387 385 383 381 0 2 4 6 Fig. Variable Valor Variable Valor q CAf Tf V ρ 100 L/min 1 mol/L 350 K 100 L 1000 g/L Cp (-∆H) E/R k0 UA 0. u(t )) ∂u (t ) x = xo u = uo =0.4. B=  ∂f 2 (x(t ).293 K).

Transformación abc a αβ0.  0 0 1 Nótese que Tαβ0-dq0(t) es una transformación variante en el tiempo. El vector xαβ0(t) se puede transformar a coordenadas en ejes rotatorios dq0 mediante la transformación.2 Representación de Sistemas Alternos Tiempo Continuo. Para esto se revisa primero la transformación de ejes abc a αβ0. la transformación inversa existe   x 0 (t )   0     -1 T y es Tαβ0-abc(t) = Tabc-αβ0(t) = Tabc-αβ0(t) . Tabc-αβ0(t) =  x a (t )   V sin(ωt )  − 1/ 2 − 1/ 2   1 2   0 3 / 2 − 3 / 2 . . Por ejemplo. xabc(t) = Tαβ0-abc(t)· xαβ0(t). Un vector x(t) que representa una variable trifásica cuyas componentes son cantidades sinusoidales se puede escribir como xabc(t). pero deja en forma explícita que si el vector de cantidades trifásicas suma cero (es l.12 Apuntes: 543 760 1. Copyright © por Prof. Por lo tanto. sistemas dinámicos trifásicos no pueden ser analizados directamente.). Por lo tanto. Afortunadamente. La característica fundamental de esta alternativa es la variación sinusoidal de las variables eléctricas en estado estacionario. A. entonces hay una componente (la 0) que siempre es nula y por lo tanto puede dejarse fuera de todo análisis posterior. Naturalmente. xdq0(t) = Tαβ0-dq0(t)· xαβ0(t). Esta transformación no mapea un vector de cantidades trifásicas a cantidades continuas. B.  sin(ωt ) − cos(ωt ) 0 Tαβ0-dq0(t) = cos(ωt ) sin(ωt ) 0 . Esto hace a estos sistemas diferir de la forma continua tradicional de encontrar las variables de estado en donde la teoría de control clásica es válida. Espinoza C. José R. donde el superíndice abc representa las coordenadas abc que se conocen como ejes estacionarios.d. Para el vector x abc (t ) =  xb (t )  = V sin(ωt − 120°)   3  x c (t )  V sin(ωt − 240°)  1 / 2 1 / 2 1 / 2     x α (t )   3 / 2V sin(ωt )      se encuentra que x αβ 0 (t ) =  xβ (t )  =  − 3 / 2V cos(ωt )  . xαβ0(t) = Tabc-αβ0(t)· xabc(t).  x a (t )   V sin(ωt )    x abc (t ) =  xb (t )  = V sin(ωt − 120°)  . de donde.  x c (t )  V sin(ωt − 240°)    La transformación de x(t) en ejes abc a x(t) en ejes αβ0 se logra mediante la transformación. donde. los voltajes de alimentación trifásicos pueden ser escritos como. Transformación αβ0 a dq0. La distribución de la Energía Eléctrica se realiza mayoritariamente en forma alterna y trifásica. se dispone de transformaciones que permiten mapear el problema original dado en cantidades variables sinusoidales a cantidades continuas.

la transformación inversa existe y es Tdq0-αβ0(t) = Tαβ0-dq0(t)-1 = Tαβ0-dq0(t)T. la transformación inversa existe y es Tdq0-abc(t) = Tabc-dq0(t)-1 = Tabc-dq0(t)T. vsa (t ) = Lt disa (t ) a di a (t ) di a (t ) di a (t ) + vc (t ) + R1i1a (t ) + L1 1 . i1abc(t) = [i1a(t) i1b(t) i1c(t)]T. R1i1a (t ) + L1 1 = R2 i2a (t ) + L2 2 . pero apropiado para lograr algún efecto de compensación. La Fig. Tabc-dq0(t. R. α) =  sin(ωt − α ) sin(ωt − 120° − α) sin(ωt − 240° − α)   2 cos(ωt − α) cos(ωt − 120° − α ) cos(ωt − 240° − α )  . Ejemplo 1. la transformación directa entre ejes abc y ejes dq0 puede ser obtenida como. En forma general. 1. R1i1c (t ) + L1 1 = R2 i2c (t ) + L2 2 . Modelar el sistema en coordenadas rotatorias. vsc (t ) = Lt v sabc (t ) = Lt Copyright © por Prof. dt dt dt dt vsb (t ) = Lt disb (t ) b di b (t ) di b (t ) di b (t ) + vc (t ) + R1i1b (t ) + L1 1 .   x 0 (t )    x 0 (t )   0  0         con el ω de Tαβ0-dq0(t) igual al ω de las señales alternas y con la primera componente de Tαβ0-dq0(t) sincronizada con la primera componente de xabc(t). la transformación directa entre ejes abc y ejes dq0 puede ser escrita como. xαβ0(t) = Tdq0-αβ0(t)· xdq0(t). vcabc(t) = [vca(t) vcb(t) vcc(t)]T. xabc(t) = Tdq0-abc(t)· xdq0(t). y considerando que isabc(t) = i1abc(t) + i2abc(t) se puede escribir el conjunto de ecuaciones anteriores como. dt dt dt dt Definiendo los vectores en ejes abc: vsabc(t) = [vsa(t) vsb(t) vsc(t)]T. Espinoza C. xdq0(t) = Tαβ0-dq0(t)· xαβ0(t) = Tαβ0-dq0(t)· Tabc-αβ0(t)· xabc(t) = Tabc-dq0(t)· xabc(t). Por lo tanto.12 muestra el circuito equivalente de un compensador serie en el cual la fuente trifásica serie vcabc(t) toma algún valor arbitrario.  3  1 / 2  1/ 2 1/ 2 Naturalmente.: El modelo por fase es. Naturalmente. isabc(t) = [isa(t) isb(t) isc(t)]T. Esta transformación efectivamente mapea un vector de cantidades sinusoidales a cantidades continuas. dt dt dt dt disc (t ) c di c (t ) di c (t ) di c (t ) + vc (t ) + R1i1c (t ) + L1 1 .5. de donde. Afortunadamente. Transformación abc a dq0. di sabc (t ) di abc (t ) + v cabc (t ) + R1i1abc (t ) + L1 1 .13 Apuntes: 543 760  x α (t )   3 / 2V sin(ωt )   x d (t )   3 / 2V          Para el vector x αβ 0 (t ) =  xβ (t )  =  − 3 / 2V cos(ωt )  se encuentra que x dq 0 (t ) =  x q (t )  =  0  . dt dt . e i2abc(t) = [i2a(t) i2b(t) i2c(t)]T. José R. R1i1b (t ) + L1 1 = R2 i2b (t ) + L2 2 . Tabc-dq0(t) = Tαβ0-dq0(t)· Tabc-αβ0(t) =  sin(ωt ) sin(ωt − 120°) sin(ωt − 240°)  2 cos(ωt ) cos(ωt − 120°) cos(ωt − 240°) .  3  1/ 2 1/ 2  1/ 2  donde α (arbitrario) da cuentas de la sincronización con las variables a transformar. de donde. C.

las ecuaciones anteriores quedan finalmente en ejes dq0 como. José R. Copyright © por Prof. dt dt  0 − ω 0 para ω constante. b) vcabc = 0. dTdq 0 − abc (t )i sdq 0 (t ) {− L1 R2 Tdq 0 − abc (t )i sdq 0 (t ) + ( L1 R2 − L2 R1 )Tdq 0 − abc (t )i1dq 0 (t ) = dt .12 Equivalente circuital y fasorial por fase de un compensador serie. dt dt dt lo que después de algunas manipulaciones algebraicas queda como. dt di1abc (t ) = {Lt R2 i sabc (t ) − ( Lt R2 + Lt R1 + L2 R1 )i1abc (t ) − L2 v cabc (t ) + L2 v sabc (t )}/ L2 . Considerando que xabc(t) = Tdq0-abc(t)· xdq0(t) para x(t) arbitrario. dt is a vs a Ltl + v la vca + - i1 a v sa R1 i2 L1 fuente línea de transmisión carga 1 a R2 L2 i2a i1a isa carga 2 a) b) v sa i2a jωLtisa vca jωLtisa v la i1a isa jωLtisa v la v ca v la i2a i1a v sa isa c) d) Fig. donde W = ω 0 0 . 1.14 Apuntes: 543 760 R1i1abc (t ) + L1 di1abc (t ) di abc (t ) di abc (t ) = R2 i sabc (t ) − R2 i1abc (t ) + L2 s − L2 1 . entonces. dt donde L2 = L1L2 + LtL1 + LtL2.  0 0 0 di sdq 0 (t ) = − Wi sdq 0 (t ) + {− L1 R2 i sdq 0 (t ) + ( L1 R2 − L2 R1 )i1dq 0 (t ) − ( L1 + L2 ) v cdq 0 (t ) + ( L1 + L2 ) vsdq 0 (t )}/ L2 . di sabc (t ) = {− L1 R2 i sabc (t ) + ( L1 R2 − L2 R1 )i1abc (t ) − ( L1 + L2 ) v cabc (t ) + ( L1 + L2 ) v sabc (t )}/ L2 . d) |vlabc| = |vsabc| y factor de potencia unitario en la fuente. Por lo tanto. 2 (t )}/ L Por otro lado se tiene que. . Espinoza C. a) circuito. dTdq 0 − abc (t )x dq 0 (t ) dt = dTdq 0 − abc (t ) dt x dq 0 (t ) + Tdq 0 − abc (t ) dx dq 0 (t ) dx dq 0 (t ) = Tdq 0 − abc (t ) Wx dq 0 (t ) + Tdq 0 − abc (t ) . c) |vlabc| = |vsabc| y fuente serie aportando sólo reactivos. −( L1 + L2 )Tdq 0 − abc (t ) v cdq 0 (t ) + ( L1 + L2 )Tdq 0 − abc (t ) vsdq 0 (t )}/ L2 dTdq 0 − abc (t )i1dq 0 (t ) dt = {Lt R2 Tdq 0 − abc (t )i sdq 0 (t ) − ( Lt R2 + Lt R1 + L2 R1 )Tdq 0 − abc (t )i1dq 0 (t ) − L2 Tdq 0 − abc (t ) v dq 0 c (t ) + L2 Tdq 0 − abc (t ) v dq 0 s .

si el sistema es balanceado la suma de las cantidades trifásicas es cero y por lo tanto se puede obviar la componente 0.03 0. a) tensión de red ejes abc. Un desglose en sus componentes está dado por.5.04 0. 1. dt di1q (t ) = −ωi1d (t ) + {Lt R2 isq (t ) − ( Lt R2 + Lt R1 + L2 R1 )i1q (t ) − L2 vcq (t ) + L2 vsq (t )}/ L2 .04 0. La tensión compensadora aparece en t = 0.02 s.03 0.03 c) 0.05 100 0 0. Espinoza C.03 0. . 300 200 200 0 0 100 0 200 0 0.02 0.02 d) Fig.01 0.04 0.02 0.02 0. José R.05 0. disd (t ) = ωisq (t ) + {− L1 R2 isd (t ) + ( L1 R2 − L2 R1 )i1d (t ) − ( L1 + L2 )vcd (t ) + ( L1 + L2 )vsd (t )}/ L2 .01 a) 0. dt y una representación en variables de estado es. dt Nuevamente. Copyright © por Prof.04 0.01 0.05 b) 150 50 100 0 50 0 0 50 50 100 100 150 0 0.05 150 0 0. dt disq (t ) = −ωisd (t ) + {− L1 R2 isq (t ) + ( L1 R2 − L2 R1 )i1q (t ) − ( L1 + L2 )vcq (t ) + ( L1 + L2 )vsq (t )}/ L2 .13 Simulación del Ejemplo 1.15 Apuntes: 543 760 di1dq 0 (t ) = − Wi1dq 0 (t ) + {Lt R2 i sdq 0 (t ) − ( Lt R2 + Lt R1 + L2 R1 )i1dq 0 (t ) − L2 v cdq 0 (t ) + L2 v sdq 0 (t )}/ L2 . dt di1d (t ) = ωi1q (t ) + {Lt R2 isd (t ) − ( Lt R2 + Lt R1 + L2 R1 )i1d (t ) − L2 vcd (t ) + L2 vsd (t )}/ L2 .01 0. c) tensión compensadora ejes abc. d) tensión compensadora ejes dq0. b) tensión de red ejes dq0.

01 0.05 b) 150 100 100 50 0 0 50 0 50 100 50 0 0.01 0. L2 = 1 mH.3 Representación de Sistemas Tiempo Discreto.04 0.15. La Fig.05 100 0 0. d) corriente de carga 1 en ejes dq0. c) corriente de carga 1 en ejes abc. 1. La tensión compensadora aparece en t = 0. En la representación final se distinguen claramente las variables de estado. La salida se deberá definir de acuerdo a los objetivos de control en estudio. Copyright © por Prof.04 0. 1.15. entradas y perturbaciones. .5 (continuación). alarmas.01 a) 0.03 0. Lt = 1 mH. 1. 1.05 100 0 0. Fig. Para efectos de diseño de las estrategias de control en estos casos se optará por utilizar un equivalente discreto del sistema continuo asumiendo la existencia de un retentor de orden cero a la entrada del mismo.14 muestran las formas de onda relevantes para el paso de vc(t) = 0 a vc(t) tal que la corriente de red está en fase con la tensión de red.14 Simulación del Ejemplo 1.02 0. 1.01 0. 1. Hoy por hoy lo natural es controlar sistemas tiempo continuo con un sistema digital dada su versatilidad como se ilustra en la Fig. Los 200 200 100 100 0 0 0 100 200 0 0.04 0.05 0.02 0. se pueden implementar – en paralelo a las rutinas de control – rutinas de supervisión. comunicación. L1 = 3mH.02 0. a) corriente de red ejes abc. Se considera R1 = 2. b) corriente de red ejes dq0. R2 = 3. La Fig. En efecto. José R.02 s. Espinoza C. y una tensión de red peak igual a 200 V. despliegue.03 c) 0. etc.12 también muestra algunas condiciones de la fuente serie para lograr variados efectos de compensación. ♣ 1.04 0.03 0.13 y Fig.03 0.16 Apuntes: 543 760 i&sd (t )   − L1 R2 / L2  &q    is (t )  =  −ω i&1d (t )   Lt R2 / L2 q   0  i&1 (t )   ( L1 R2 − L2 R1 ) L2 ω 2 2 − L1 R2 / L 0 0 −( Lt R2 + Lt R1 + L2 R1 ) / L2 Lt R2 / L2 −ω  −( L1 + L2 ) / L  0   − L2 / L2  0  2  isd (t )   q  ( L1 R2 − L2 R1 ) L   is (t )  +  i1d (t )  ω   −( Lt R2 + Lt R1 + L2 R1 ) / L2   i1q (t )  0  ( L1 + L2 ) / L2   −( L1 + L2 ) / L2   vcd (t )   0 +   q   vc (t )   L2 / L2 0   − L2 / L2  0  0  2 ( L1 + L2 ) / L  vsd (t )    vsq (t )  0  L2 / L2  0 .02 d) Fig.

γ& (t ) = A st γ (t ) + Bst y (t ). ψ donde ψ(t) es el vector de estados ψ(t) = [η(t)T x(t)T γ(t)T]T y las matrices A. Ad = Φ (T ) = e AT . {∫ e T 0 A (T − σ ) } B d σ . José R. Ed = {∫ e T 0 A (T −σ ) } Ed σ . Si la planta está dada por Fig. D. donde η(t) es el vector de estados asociados al actuador y la relación en el sensor/transmisor se puede escribir como. donde se asumirá que algún elemento (actuador.15. 1. cd = C .15. y s (kT ) = Cd ψ (kT ) + Dd v (kT ) + Fdp(kT ) . Equivalente Discreto de un Sistema Tiempo Continuo con Retardo. Equivalente Discreto de un Sistema Tiempo Continuo sin Retardo.  γ (t )  El sistema anterior se puede expresar como. u(t ) = Ca η(t ) + Da v (t ) . . B. y (t ) = Cx(t ) + Du(t ) + Fp(t ) . Dd = D y Fd = F . Copyright © por Prof. entonces. y s (t ) = Cψ (t ) + Dv (t ) + Fp(t ) . si se considera al actuador con un retardo tr de lT unidades de tiempo.  η& (t )   A a  x& (t )  =  Bc a     γ& (t )  B st Dca 0   η(t )   Ba   0  A 0   x(t )  +  BDa  v (t ) +  E  p(t ) . 1. y s (t ) = [Dst DCa  η(t )  Dst C Cst ]  x(t )  + Dst DDa v (t ) + Dst Fp(t ) . A.17 Apuntes: 543 760 detalles de estas equivalencias se encuentran en el Capítulo II. Un modelo discreto equivalente de las ecuaciones anteriores para entradas constantes entre cada muestreo (uso obligatorio de un retentor de orden cero) está dado por. (1. donde γ(t) es el vector de estados asociados al sensor/transmisor entonces – luego de algo de algebra – se llega a las expresiones generales.5) donde. Este es el caso del retardo agregado por la implementación del algoritmo de control que aporta un retardo igual a una unidad de tiempo discreto. A continuación se mostrarán los resultados más relevantes. En general. se puede escribir para el actuador. planta y/o sensor/transmisor) tiene un retardo que es múltiple del tiempo de muestreo e igual para todas las entradas. “Sistemas Híbridos” del Apuntes de Sistemas de Control. Espinoza C. Bd = B. C. Bst F  Bst C A st   γ (t )  B st DDa  0 y para la salida. & (t ) = Aψ (t ) + Bv (t ) + Ep(t ). Si la planta está dada por Fig. ψ(kT + T ) = A d ψ (kT ) + Bd v (kT ) + Edp(kT ). η& (t ) = A a η(t ) + B a v (t ). E. y s (t ) = Cst γ (t ) + Dst y (t ) . y la relación en el actuador es. x& (t ) = Ax(t ) + Bu(t ) + Ep(t ). y F definidas de acuerdo a las expresiones anteriores.

18

Apuntes: 543 760

η& (t ) = A a η(t ) + B a v (t − tr ), u(t ) = Ca η(t ) + Da v (t − tr ) ,

por lo que luego de algo de algebra,

 η& (t )   A a
 x& (t )  =  Bc
a

 
 γ& (t )  B st Dca

0   η(t )   Ba 
 0 





A
0   x(t )  +  BDa  v (t − tr ) +  E  p(t ) ,
 Bst F 
Bst C A st   γ (t )  B st DDa 
0

y para la salida,

 η(t ) 
Dst C Cst ]  x(t )  + Dst DDa v (t − tr ) + Dst Fp(t ) .
 γ (t ) 

y s (t ) = [Dst DCa

El sistema anterior se puede expresar como,
& (t ) = Aψ (t ) + Bv (t − tr ) + Ep(t ), y s (t ) = Cψ (t ) + Dv (t − tr ) + Fp(t ) ,
ψ

donde ψ(t) es el vector de estados ψ(t) = [η(t)T x(t)T γ(t)T]T y las matrices A, B, C, D, E, y F definidas de
acuerdo a las expresiones anteriores, que resultan iguales al caso sin retardo. Análogamente al caso
anterior, un modelo discreto equivalente de las ecuaciones anteriores para entradas constantes entre
cada muestreo estará dado por,
ψ(kT + T ) = A d ψ (kT ) + Bd v (kT − lT ) + Edp(kT ) e y s (kT ) = Cd ψ(kT ) + Dd v(kT − lT ) + Fdp(kT )

donde, lT es el retardo total entre la señal v(t) e ys(t) y las matrices Ad, Bd, Cd, Dd, Ed y Fd, son
idénticas al caso sin retardo. La expresión anterior no está en la forma general de ecuaciones de estado
de diferencias por la presencia del retardo lT. Sin embargo, si se definen las variables de estado,
w1 (kT ) = v (kT − lT )

w1 (kT + T ) = v (kT − lT + T ) = w 2 (kT )

w 2 (kT ) = v (kT − lT + T )

w 2 (kT + T ) = v (kT − lT + 2T ) = w 3 (kT )

y por lo tanto, M

M
w l −1 (kT ) = v (kT − 2T )

w l −1 (kT + T ) = v (kT − T )

w l (kT ) = v (kT − T )

w l (kT + T ) = v (kT )

,
= w l (kT )

entonces, las ecuaciones discretas con retardo se pueden escribir como,

 ψ (kT + T )   A d
 w (kT + T )   0
 1
 
 w 2 (kT + T )   0

=
M

  M
 w l −1 (kT + T )   0

 
 w l (kT + T )   0
y para la salida,

Copyright © por Prof. José R. Espinoza C.

Bd
0
0
M
0
0

0
1
0
M
0
0

L
L
L
O
L
L

0
0
0
M
0
0

0   ψ (kT )  0 
 ed 


0
0   w1 (kT )  0 
 
0
0   w 2 (kT )  0 
 +   v (kT ) +   p(kT ) ,

M
M
 M 
M
0
1   w l −1 (kT )  0 
  

 
0   w l (kT )  1 
0

19

Apuntes: 543 760

y s (kT ) = [ Cd

Dd

 ψ(kT ) 
 w (kT ) 
 1

 w 2 (kT ) 
0 L 0 0] 
 + Fdp(kT ) .
M


 w l −1 (kT ) 


 w l (kT ) 

Nótese que ha habido un aumento en el número de variables de estado para la representación del
retardo. En particular, hay l· p (l es el retardo discreto y p el número de variables de entrada o largo del
vector v) variables de estado extras.

1.4 Matriz de Transferencia.
La M. de T. es la relación entre la entrada y la salida de un sistema lineal en el plano de la frecuencia.
Si bien para sistemas tiempo continuo y tiempo discreto se obtienen relaciones similares, los pasos
intermedios difieren entre si.

A.

M. de T. en Sistemas Tiempo Continuo.

Se obtiene de la relación entre u(t) e y(t) en el plano de Laplace (se asume p(t) = 0). Utilizando Laplace
en (1.1) se obtiene,
sx ( s ) − x(0) = Ax ( s ) + Bu( s ), y ( s ) = Cx ( s ) + Du( s ) ,

lo que puede ser re-escrito como,
( sI − A )x ( s ) = Bu( s ) + x (0), y ( s ) = Cx ( s ) + Du( s ) ,
multiplicando la primera ecuación anterior por la izquierda por el factor (sI - A)-1 se obtiene,
x ( s ) = ( sI − A ) −1 Bu( s ) + ( sI − A ) −1 x (0), y ( s ) = Cx ( s ) + Du( s ) ,

finalmente,
y ( s ) = {C( sI − A ) −1 B + D}u( s ) + C( sI − A ) −1 x (0) .

(1.6)

Def.: La Matriz de Transferencia (M. de T.) H(s) se define como la relación entre las entradas u(s) y

las salidas y(s) considerando c.i. nulas. Por lo tanto,

p(t)
y d(kT)

e(kT)

v(kT)
Controlador

+

v(t)
S/H

u(t)

y(t)
Planta

Actuador

y s(kT)

ys(t)
S

S/T

sistema digital

Fig. 1.15 Sistema tiempo continuo con un controlador tiempo discreto.
Copyright © por Prof. José R. Espinoza C.

20

Apuntes: 543 760

H( s ) = C( sI − A ) −1 B + D .

(1.7)

Así, (1.6) se puede escribir como,
y ( s ) = H ( s )u( s ) + C( sI − A) −1 x(0) .

Similarmente se podría encontrar la M. de T. entre las perturbaciones p(s) y las salidas y(s)
considerando a las c.i. y a las entradas u(s) nulas. Es importante destacar que si las c.i. son nulas no se
debe escribir H(s) = y(s)/u(s) puesto que u(s) es en general un vector y por lo tanto, tal expresión no
tiene validez matemática. Nótese que la dimensión de H(s) es q· p.
Ejemplo 1.6. Al considerar el sistema con dos entradas, tres salidas y dos variables de estado:

 y1 (t )  1 0 
 x&1 (t )   0 1   x1 (t )   2 −1  u1 (t )  
 
  x1 (t ) 
 x& (t )  =  −2 −3  x (t )  +  −3 −2  u (t )  ,  y2 (t )  = 0 2   x (t )  ,
 2  
 2  
 2  
 2 
 y3 (t )  1 −1
determine la M. de T. R.:

− s −5 
1 0 
 2s + 3
−1
 1 0  0
1    2 − 1
1




H( s ) = 0 2  s 
=
− 6 s − 8 − 4 s + 4 . ♣


 0 1  − 2 − 3   − 3 − 2 s 2 + 3s + 2 








1 − 1
 5s + 7
s − 7 

Nótese que cada elemento de H(s) en el ejemplo anterior es una F. de T. que relaciona a una entrada
con una salida en particular. Por lo tanto, éstas interactúan con dinámicas que en general son distintas;
sin embargo, hay un factor común que es el denominador s2 + 3s + 2. Este factor se desprende de,
H ( s ) = C( sI − A) −1 B + D
=C
=

Adj{sI − A}
det{sI − A}

B+D

,

CAdj{sI − A}B + Ddet{sI − A}
det{sI − A}

de donde se puede apreciar que el escalar det{sI - A} que depende de s es común a todos.
Dado que la M. de T. H(s) relaciona las entradas u(s) y las salidas y(s), la utilización de una matriz de
transformación invariante en el tiempo T no debiera afectar este resultado. En general, si se asume que
un sistema en donde se redefinen las variables de estado mediante una transformación T resulta en una
nueva M. de T. HT(s), se tiene que,
H T ( s ) = C T ( sI − A T ) −1 B T + D T
= CT −1 ( sI − TAT −1 ) −1 TB + D
= CT −1 ( T( sI − A )T −1 ) −1 TB + D
= CT −1T( sI − A ) −1 T −1TB + D
= C( sI − A ) −1 B + D
= H( s )

Copyright © por Prof. José R. Espinoza C.

A)-1 se obtiene. donde. Espinoza C. Primero. y(z) = Cx(z) + Du(z).9) Así. no obstante. de T. y ( s ) = (I + GC) −1 GCy d ( s ) . del sistema de la Fig. 1. M. 1. Único Retardo.i. x(kT+T)= Ax(kT) + Bu(kT). lo que resulta en.i.16(a) está dada por. con un único retardo dada por. y(kT) = Cx(kT) + Du(kT). Se obtiene de la relación entre la entrada u(kT) y la salida y(kT) en el plano Z (se asume p(kT) = 0) para un sistema de la forma. es importante considerar que la M. y ( z ) = H ( z )u( z ) + C( zI − A)−1 zx(0) . de T. Ge − str . en Sistemas Tiempo Discreto. La Fig. de T. entre las perturbaciones p(z) y las salidas y(z) considerando a las c. A. se mantiene al utilizar transformaciones invariantes en el tiempo T. Sea la M. Similarmente se podría encontrar la M. y se debe obtener Pm(s) y C(s). .21 Apuntes: 543 760 lo que corrobora que la M. 1. B.16. 1.8) Def. José R. Nótese que la dimensión de H(z) es q·p. (1. y(z) = (C(zI – A)-1B + D)u(z) + C(zI – A)-1zx0. y(z) = Cx(z) + Du(z). Como en sistemas SISO tiempo continuo. Al igual que en el caso SISO. finalmente. una alternativa de control es el Predictor Smith MIMO como ilustrado en la Fig. las expresiones se pueden generalizar para Hst(s) arbitraria.16(b) muestra que. en donde todas las entradas están retardadas tr unidades de tiempo. los retardos quedan mejor descritos si se utiliza el plano de Laplace. C(s) será diseñado para logra características estáticas y dinámicas dadas.: La Matriz de Transferencia (M. (1. y a las entradas u(z) nulas. Para efectos de simplicidad se considera Hst(s) = I. de T. de T.5 Retardo en Sistemas MIMO. H ( z ) = C( zI − A) −1 B + D . (zI – A)x(z) = zx0 + Bu(z). Copyright © por Prof. nulas.) H(z) se define como la relación entre las entradas u(z) y las salidas y(z) considerando c. Por lo tanto. de T.8) se puede escribir como. Los retardos son una característica propia de los sistemas en donde se encuentra transporte de material. En este caso se tiene que el retardo tr y el modelo G(s) son conocidos. x(z) = (zI – A)-1(zx0 + Bu(z)). (1. multiplicando la primera ecuación anterior por la izquierda por el factor (zI .

z-(l+1) P m(z) ys (z) ys (kT) S ys (s) ys (t) Hst(s) (c) Fig.22 Apuntes: 543 760 v ( s ) = {I + C(1 − e− str )Pm }−1 Ce( s ) . Así. José R.16 Predictor Smith MIMO. . Espinoza C. Copyright © por Prof. (a) continuo con retardo. y ( s ) = {I + Ge − str {I + C(1 − e − str )Pm }−1 C}−1 Ge − str {I + C(1 − e − str )Pm }−1 Cy d ( s ) . En la ecuación anterior se encuentra la estructura (I + X)-1X que puede ser escrita como (X-1 + I)-1. (a) continuo sin retardo.e -str Pm(s) ys(s) ys(t) Hs t(s) (b) yd(z) yd(kT) Predictor Smith + + - z-1 C(z) − v(z) v(kT) v(s) v(t) planta-ac tuador y(s) y(t) G(s)e -str S/H controlador 1 . (b) incluyendo el retardo por cálculo. por lo tanto. 1. y d(s) y d(t) v(s) v(t) C(s) + - plant a-actuador y(s) y(t) G(s) c ontrolador ys(s) ys(t) Hst (s) (a) y d(s) y d(t) Predic tor Smith + + - v(s) v(t) y(s) y(t) G(s)e-st r C(s) − plant a-actuador c ontrolador 1 .

p) sobre las salidas de un sistema esta retardado tr i unidades de tiempo. con múltiples retardos por entrada escrita en sus componentes. de T.23 Apuntes: 543 760 y ( s ) = {C −1{I + C(1 − e − str )Pm }e str G −1 + I}−1 y d ( s ) = {{C−1 + (1 − e − str )Pm }e str G −1 + I}−1 y d ( s ) = {{C−1 + Pm − e − str Pm }e str G −1 + I}−1 y d ( s ) −1 str −1 str = {{C−1G e + Pm G e − e − str .…. − st g 4 p ( s )e rp  u k ( s )   M  M   − st g qp ( s )e rp  u p ( s ) L g1 p ( s )e g12 ( s )e − str 2 M L g qk ( s )e O − strk L la que se puede escribir como.  y1 ( s )   g11 ( s ) g12 ( s )  y (s)   g ( s) g ( s) 22  2   21  M   g 31 ( s ) g 32 ( s )  =   yk ( s )   g 41 ( s ) g 42 ( s )  M   M M     y p ( s )  g q1 ( s ) g q 2 ( s ) Copyright © por Prof. y ( s ) = {C −1G −1e str + Pm G −1e str − Pm G −1 + I}−1 y d ( s ) = {C −1G −1e str + Ie str − I + I}−1 y d ( s ) = {(C −1G −1 + I )e str }−1 y d ( s ) −1 −1 −1 − str = (C G + I ) e −1 = (I + GC) GCe . −1 str Pm G e } + I}−1 y d ( s ) = {C −1G −1e str + PmG −1e str − Pm G −1 + I}−1 y d ( s ) Finalmente. de T. Por lo tanto. resultante con un único retardo como el caso estudiado anteriormente. Retardos Múltiples. El inconveniente es la necesidad de conocer G(s) y tr en forma exacta. se tiene que. José R. de T. y d (s) − str y d (s) Es decir.   −strk L g 4 k ( s) L g 4 p ( s)  e uk ( s)   O M O M  M    − strp L g qk ( s ) L g qp ( s )  e u p ( s ) . Sea la M. L g1k ( s ) L g1 p ( s )   e − str 1 u1 ( s )    L g 2 k ( s ) L g 2 p ( s ) e − str 2 u2 ( s )   L g 3k ( s ) L g 3 p ( s )   M . si se escoge Pm = G. Para esto se redefinen las entradas de manera de retardar las entradas más rápidas hasta hacerlas igual a la entrada con efecto más lento. En sistemas MIMO es común encontrar que cada entrada está retardada en una cantidad dada. Es decir. En este caso se puede recurrir a ecualizar los retardos de manera de tener una M. se logra una M. resultante cuya estructura corresponde a la de un sistema realimentado con un único retardo. B.  y1 ( s )   g11 ( s )e − str1  y (s)   − str 1  2   g 21 ( s )e  M   g 31 ( s )e −str 1  =  − str 1  yk ( s )   g 41 ( s )e  M   M    − str 1  y p ( s )  g q1 ( s )e − strp L g 2 k ( s )e − strk L − strp L g 3 k ( s )e − strk L L g 4 k ( s )e − strk L L g1k ( s )e − strk g 22 ( s )e − str 2 g 32 ( s )e − str 2 g 42 ( s )e − str 2 M g q 2 ( s )e O − str 2   u1 ( s )    g 2 p ( s )e   u 2 ( s )  − st g 3 p ( s )e rp   M   . Espinoza C. en donde en general se tiene que tr i ≠ tr j con i ≠ j. se puede diseñar C(s) de manera tradicional considerando que el resultado final es una planta con su retardo original. el efecto de una entrada ui (i = 1.

17. Espinoza C. ….7. g 4 p ( s)  vk ( s )   M  M     g qp ( s )  v p ( s ) La estructura anterior es de la forma y(s) = G(s)e-strkv(s). José R. …. i ≠ k) tal que tr i + tu i = tr k (i = 1. i ≠ k).   − strk L g 4 k ( s ) L g 4 p ( s )   e vk ( s )   O M O M  M    − strk L g qk ( s ) L g qp ( s )  e v p ( s )  y1 ( s )   g11 ( s ) g12 ( s )  y (s)   g ( s) g (s ) 22  2   21  M   g 31 ( s ) g 32 ( s )  =   yk ( s )   g 41 ( s ) g 42 ( s )  M   M M     y p ( s )  g q1 ( s ) g q 2 ( s ) lo que permite obtener un sistema de la forma. …. Copyright © por Prof.24 Apuntes: 543 760 Esta situación se ilustra en la Fig. Si la entrada uk tiene el mayor retardo que es tr k. 1. Con estas nuevas entradas se redefinen las entradas originales de manera que ui = vi(s)e-stu i (i = 1. En un centro médico se utilizan dosis de dopamine (DPM ug/kg/min) y sodium nitroprusside (SNP ug/kg/min) en pacientes para mantener su cardiac output (CO ml/min/kg) y el mean arterial pressure (MAP mmHg) v1 v2 e-tu 1 -tu 2 e e-tr 1 e e-tu p up y1 y2 -tr 2 uk vk vp u1 u2 e-tr k G e-tr p sistema con múltiples retardos sistema con retardo único Fig. Matricialmente.  y1 ( s )   g11 ( s ) g12 ( s )  y (s)   g ( s) g ( s) 22  2   21  M   g 31 ( s ) g 32 ( s )  =   yk ( s )   g 41 ( s ) g 42 ( s )  M   M M     y p ( s )  g q1 ( s ) g q 2 ( s ) L g1k ( s ) L g1 p ( s )   e − str 1 v1 ( s )e − stu1    L g 2 k ( s ) L g 2 p ( s ) e − str 2 v2 ( s )e −stu 2   L g 3k ( s ) L g 3 p ( s )   M .17 Ecualizador de retardos para sistemas MIMO. i ≠ k).   −strk L g 4 k ( s ) L g 4 p ( s )   e vk ( s )   O M O M  M    − strp − stup L g qk ( s ) L g qp ( s )  e v p ( s )e  por lo que se tiene que.  y1 ( s )   g11 ( s ) g12 ( s )  y (s)   g ( s) g ( s) 22  2   21  M   g 31 ( s ) g 32 ( s )  =   yk ( s )   g 41 ( s ) g 42 ( s )  M   M M     y p ( s )  g q1 ( s ) g q 2 ( s ) L L L L O L g1k ( s ) g 2k ( s) g 3k ( s ) g 4k ( s) M g qk ( s ) L L L L O L g1 p ( s )   v1 ( s )    v ( s)  g 2 p ( s)  2  g 3 p ( s )  − strk  M  e  . p. p. Ejemplo 1. L g1k ( s ) L g1 p ( s )   e − strk v1 ( s )    L g 2 k ( s ) L g 2 p ( s )  e − strk v2 ( s )   L g 3k ( s) L g 3 p ( s )   M . yq . la cual puede ser analizada con el Predictor Smith como revisado anteriormente. 1. p. entonces se puede definir un conjunto v(s) = [v1(s)e-stu 1 v2(s)e-stu 2 ··· vk(s) ··· vp(s)e-stu p]T de p entradas cada una retardada tu i (i = 1.

18(a) se tiene que hay un retardo común de 1 min. Este es el caso presentado en la Fig. 1.18 Resultados experimentales de respuestas a entradas escalón del sistema del Ejemplo 1. encuentre un nuevo conjunto de entradas tal que se logra un sistema con retardo único.   5 e − 2 s DPM( s )   5s + 1  Esta última expresión indica que la primera entrada tiene menos retardo y por tanto se redefinirá un nuevo conjunto de entradas v(s) = [v1(s)e-s v2(s)]T donde la primera entrada tiene un retardo de 1 min. tal que SNP(s) = v1(s)e-s y DPM(s) = v2(s). tiene retardos distintos en cada uno de sus elementos se tratarán en este curso mediante aproximaciones polinomiales de los retardos. C. José R. 1.7. Espinoza C. . se tiene que. Con estos resultados se puede inferir que la M. b) respuesta para entrada escalón en DPM. R.  − 6 −s e  G (s) =  s + 1 12 − s  e s +1 3  e −2 s  3s + 1 . ♣ Aquellos casos en donde la M.  −6 MAP( s )  s + 1  CO( s )  =  12    s +1 3   −6 −s −s     e v ( s ) e 1 3s + 1 = s +1 5   e − 2 s v ( s )   12 2    5s + 1  s +1 3   −6 −2s     e v ( s ) 1 3s + 1 = s +1 5  e − 2 s v ( s )  12 2    5s + 1  s +1 3  3s + 1  e − 2 s  v1 ( s )  . G(s) que mejor relaciona las entradas y salidas. Además. ganancias dc de 5 y 3.18(b) se tiene que hay un retardo común de 2 min.  −6 MAP( s )  s + 1  CO( s )  =  12    s +1 3  −s 3s + 1   e SNP( s )  . considerando que u = [SNP DPM]T e y = [MAP CO]T. respectivamente. Se dispone de pruebas experimentales de cambios escalón en SNP (Fig. de T.25 Apuntes: 543 760 aceptables. Se pide encontrar la M.18 (b)) (note que para SNP = DPM = 0 se obtiene CO = 130 ml/min/kg y MAP = 120 mmHg). y una constante de tiempo de 1 min para ambas respuestas. 5 e −2s  5s + 1  La matriz anterior permite escribir. Sistemas Tiempo Continuo con Retardo Único con Control Digital.16(c) donde la planta continua con retardo tr es controlada por un a) b) Fig. 1. de T.: Por inspección de la Fig. de T. Así. 1. a) respuesta para entrada escalón en SNP.18(a)) y DPM (Fig. 1. Copyright © por Prof. v ( s )  5   2   5s + 1  donde claramente las salidas MAP(s) y CO(s) están retardadas en 2 min respecto de las nuevas entradas v1(s) y v2(s). que relaciona y(s) y u(s) de la forma y(s) = G(s)u(s) está dada por. Por otro lado. 1. ganancias dc de 12 y -6. y constantes de tiempo de 5 y 3 min. de la Fig.

1. det{λI − A} = λ n + an −1λ n −1 + L + a1λ + a0 = ( s − λ1 )( s − λ 2 ) L ( s − λ n ) .894]T. Una importante propiedad de una matriz cuadrada arbitraria. por lo tanto. Espinoza C. resultante cuya estructura corresponde a la de un sistema realimentado con un único retardo. si se escoge Pm = G. se puede diseñar C(z) de manera tradicional considerando que el resultado final es una planta con su retardo original más el de cálculo. = {{C−1G −1 z l +1 + Pm G −1 z l +1 − z − (l +1) PmG −1 z l +1} + I}−1 y d ( z ) = {C−1G −1 z l +1 + PmG −1 z l +1 − PmG −1 + I}−1 y d ( z ) Finalmente. de T. Fig. R.707]T.11) 1 0 Ejemplo 1. Los valores propios (también como autovalores o valores característicos) de la matriz cuadrada A de orden n están dado por los valores de λ tal que det{λI .16(c) muestra que.447 0.. y vectores propios v1 = [0.. se tiene que. En la ecuación anterior se encuentra la estructura (I + X)-1X que puede ser escrita como (X-1 + I)-1. i = 1. Así.10) por lo que las raíces λi (i = 1. n (1. v ( z ) = {I + C(1 − z − (l +1) )Pm }−1 Cz −1e( z ) . (1. = (C−1G −1 + I ) −1 z − (l +1) y d ( z ) = (I + GC)−1 GCz − (l +1) y d ( z ) Es decir. Por lo tanto. λ i v i − Av i = 0 .707 -0. y ( s ) = {I + Gz −l {I + C(1 − z − (l +1) )Pm }−1 Cz −1}−1 Gz − l {I + C(1 − z − (l +1) )Pm }−1 Cz −1y d ( s ) . se logra una M.. y ( z ) = {zC−1{I + C(1 − z − (l +1) )Pm }z l G −1 + I}−1 y d ( z ) = {z{C−1 + (1 − z − (l +1) )Pm }z l G −1 + I}−1 y d ( s ) = {{C−1 + Pm − z − (l +1) Pm }z l +1G −1 + I}−1 y d ( s ) . . El inconveniente es la necesidad de conocer G(z) y l en forma exacta. v2 = [-0. Este polinomio se escribe como.. n) son los valores propios de A.8. determine los valores y autovectores propios. José R. En el caso anterior se tiene que A =   . Cada valor propio λi tiene asociado un vector propio vi (también conocido como autovector o vector característico). 1. .: det{sI − 2 − 3 A} = s2 + 3s + 2 cuyos valores propios son λ1 = -1 y λ2 = -2. dice relación con sus valores y vectores propios.6 Valores y Vectores Propios. ♣ Copyright © por Prof. A.26 Apuntes: 543 760 sistema digital que considera explícitamente el retardo unitario por el cálculo... en particular la matriz A. el cual debe satisfacer. Preliminares.A} = 0. . y ( z ) = {C−1G −1 z l +1 + Pm G −1 z l +1 − Pm G −1 + I}−1 y d ( z ) = {C−1G −1 z l +1 + Iz l +1 − I + I}−1 y d ( z ) = {(C−1G −1 + I ) z l +1}−1 y d ( z ) .

iv) kvi es también un vector propio de A (con k constante ≠ 0). λ i v i = Av i Tλ i v i = TAv i λ i Tv i = TAT−1Tv i . λim es un valor propio de Am (m entero > 0). kmλim + km-1λim-1 + ··· + k1λi + k0 es un valor propio de kmAm + km-1Am-1 + ··· + k1A + k0I. .. λ k v k − Av k = 0 λ k v k +1 − Av k +1 = − vk M M M λ k v k + m−1 − Av k + m−1 B. i =1 xvii) La matriz MN y la matriz NM. Espinoza C. n ∑λ i = tr{A}.kI. Esta propiedad se prueba a continuación. Copyright © por Prof. José R. Esta propiedad se prueba a continuación. eλit es un valor propio de eAt. kλi es un valor propio de kA. det{sI − A T } = det{sTT −1 − TAT−1} = det{T( sI − A )T−1} = det{T}det{sI − A}det{T−1} = det{sI − A} vi) Los vectores propios de AT = TAT-1 son Tvi.27 Apuntes: 543 760 Si un valor propio λk se repite m veces. entonces. Es decir. i) Hay n valores y vectores propios (λi.k es un valor propio de A . La suma de los valores propios es igual a la traza de A (suma de los elementos de la diagonal de A). . λ i Tv i = A T Tv i λ i (Tv i ) = A T (Tv i ) vii) viii) ix) x) xi) xii) xiii) xiv) xv) El Teorema de Cayley-Hamilton indica que A n + a n −1A n −1 + L + a1A + a 0 I = 0 . n ∏λ i = det{A}. entonces.. vi es un vector propio de eAt. Es decir. λi . v) Los valores propios de AT = TAT-1 son también λi. Específicamente. i = 1. ii) Los vectores propios de A son linealmente independientes (forman una base en Rn).. donde M es de p·q y N es de q·p tienen idénticos valores propios distintos de cero. (1. si p > q la matriz MN y NM tienen q valores propios idénticos y además la matriz MN tiene p – q valores propios idénticos a cero. n). iii) λi es un valor propio de AT. los vectores propios asociados a este valor propio se calculan como. i =1 xvi) El producto de los valores propios es igual al determinante de A. 1/λi es un valor propio de A-1.12) = − v k + m −2 Propiedades de los valores y vectores propios.. respectivamente. Se asume que λi y vi son un valor y un vector propio de la matriz A de n·n. vi.

Por lo tanto. ix) S = 1/2(M + MT ) es simétrica. xiii) (M-1)T = (MT)-1. Es decir. Para esto se utilizan transformaciones especiales T de manera que en sistemas de una entrada/una salida (SISO) se logran importantes propiedades. xi) MMT es simétrica. xii) (MN)-1 = N-1M-1.    1  0  1 − a n −1  Nótese que esta representación existe si T = (CM)-1 = M-1C-1 existe. i) (M + N)T = MT + NT. vi) Si M*T = MH = M entonces M es Hermitian. xv) det{MN} = det{NM} = det{M}det{N}. y DT = D. la forma canónica controlable existe si C es no singular. B T =  M  . . viii) Si M*T = M-1 entonces M es unitaria. M =  M  a n−1  1 [ ] a 2 L a n−1 1  a3 L 1 0 M O M M .  a1 a  2 2 n −1 C = B AB A B L A B .  1 L 0 0 0 L 0 0 por lo tanto. Encontrándose que. xiv) det{MT} = det{M}. CT = CT-1 = C(CM). En este caso se utiliza la transformación T = (CM)-1 = M-1C-1. v) Si MT = M-1 entonces M es ortogonal. A. x) R = 1/2(M . Copyright © por Prof.7 Realizaciones de Sistemas. Otras propiedades importantes de matrices son. tal que permiten un manejo más expedito de las ecuaciones dinámicas. si det{C} ≠ 0 y det{M} ≠ 0. Atendiendo a la definición de M se encuentra que det{M} es 1 ó –1. iv) Si MT = -M entonces M es skew-simétrica. Las realizaciones son representaciones alternativas de las variables de estado originales. Esta matriz se conoce como matriz de controlabilidad.Hermitian. AT = TAT-1 = (CM)-1A(CM). FCC.  0  0  AT =  M   0  − a 0 1 0 L 0 1 L M M O 0 0 L − a1 − a2 L 0  0   0  0    M . ii) (MN)T = NTMT. xvi) det{kM} = kndet{M}. de la forma z = T· x. José R. 1. Espinoza C. Propiedades adicionales.MT ) es skew-simétrica.28 Apuntes: 543 760 C. Forma Canónica Controlable. iii) Si MT = M entonces M es simétrica. BT = TB = (CM)-1B. vii) Si M*T = -M entonces M es skew. donde.

determine su FCO.  1 L 0 0 0 L 0 0 por lo tanto.  0 1 0  1 − 3 10  0 0. a1 = 44 y a0 = 48 y M = 12 1   1 0 FCC. R. ♣ B. Encontrándose que. Esta matriz se conoce como matriz de observabilidad. Ejemplo 1.: Se 1 0 . Sea el caso 0 0 que se obtiene A T = 1 0  0 1 0 1 1 26 14 22   anterior. BT = TB = (MO)B. Es decir.: O =  − 1 3 − 3 . Forma Canónica Observable. Espinoza C.A} = s + 12s + 44s + 48 por lo que a2 = 12. Donde se puede apreciar que sólo AT y BT tienen forma definida. por lo que T = 11 3 9  con lo   − 6 − 22 14   1 0 1  − 48 26  − 44 . C T = [0 0 L 0 1] . M =  M     M  an −1 CA n −1   1 a2 L an −1 1  a3 L 1 0 M O M M .9. Como en el caso anterior. y D = 0. y DT = 0. por lo que T = 0 − 2 − 0.10. CT = CT-1 = C(MO)-1. R. C T = [0 0 1] . C = [1 0 1] . José R. AT = TAT-1 = (MO)A(MO)-1. FCO. determine su      2 0 2 − 4 44 12 3 2 encuentra que det{sI . ♣ Copyright © por Prof. En este caso se utiliza la transformación T = MO. la forma canónica observable existe si O es no singular. B T = 11 . y DT = D. B = 0 . además. Donde se puede apreciar que sólo AT y CT     1  − 12  tienen forma definida.  M L M M  0 L 1 − a n −1  Nótese que esta representación existe si T-1 = (MO)-1 = O-1M-1 existe. si det{O} ≠ 0 y det{M} ≠ 0. 0 1  A T = 0  M 0 0 L 0 − a0  0 L 0 − a1   1 M 0 − a 2 . donde. Sea el caso donde A = − 1 − 5 1 . y DT = 0.  C   a1  CA  a    2 2 O =  CA . . B T = 0  .5 con lo que se obtiene A T = 0 0 1 .29 Apuntes: 543 760 1  − 3 1 1    Ejemplo 1.       0 2 − 16 1 9  − 48 − 44 − 12 1 0  C T = [26 11 1] .25   0 0        C = 0 − 1 10  .5 0.

determine su FCD..5 -0.30 Apuntes: 543 760 C. Espinoza C. Forma Canónica Diagonal. Una alternativa es re-definir T de la forma T = Ψ·[v1 v2 . pero con los elementos ψi.5 0. Por lo tanto. i = j y ψi+1. Donde se puede apreciar que sólo AT tiene forma      0 − 1 0 − 6 definida. λ n } = A [ v1 v2 L vn ] . ψi+1.. si λi y vi son complejos. T = [v 1 v2 L vn ] . Por lo tanto. λ 2 . con vectores 1 1 1  T T T propios: v1 = [0. L . La realización resultante tiene todas sus variables y matrices reales. la que se puede re-escribir como. λ 2 . Sea el caso anterior. λ 2 . . i+1 = -j. B T =  1  .5] por lo que T = 1 − 1 − 1 con lo que se obtiene   − 1 − 1 1  0 − 2 0 1 A T =  0 − 4 0  . y DT = 0. y λ3 = -6. En general. vn]-1 para dar paso a variables de estado reales. es sólo casi diagonal. λ n } . diag{λ1 . [λ1v1 λ 2 v 2 L λ n v n ] = [Av 1 Av 2 L Av n ] . Para encontrar T se recurre a (1. L .5] . FCD. i+1 = 1.5 0 0. R.5 0. Copyright © por Prof. multiplicando por la izquierda por [v1 v2 . vn]-1 se tiene. factorizando por A el miembro derecho se tiene. ♣ En el caso de que A tenga valores propios complejos y conjugados. basta tomar Ψ cómo la matriz identidad. entonces λi+1 y vi+1 son iguales a λi y vi pero conjugados. las variables de estado resultantes serían complejas. sin embargo. de donde se puede observar que. −1 Ejemplo 1. [λ1v1 λ 2 v 2 L λ n v n ] = A[v1 v2 L vn ].11.: Los valores propios son λ1 = -2. [ v1 v 2 L v n ] ⋅ diag{λ1 . O M  L λn  L la que es diagonal y por tanto está constituida por los valores propios de A.11) de la cual se puede formar la igualdad.5 0] y v3 = [0 –0. Esta realización se puede obtener si los valores propios de A son distintos entre si.. T contendrá vectores propios complejos y conjugados. L . λ2 = -4.5] .. En este caso se consigue que la matriz AT = TAT-1 resultante sea de la forma. C T = [1 0. v2 = [0. λ1 0 0 λ 2 AT =  M M  0 0 0 L 0  = diag{λ1 . λ n } = [ v1 −1 v 2 L v n ] A [ v1 v2 L vn ] . José R.

31 Apuntes: 543 760  3 1 1 Ejemplo 1. C T = [0 0. λ2 = 1.5]T.25-0.286 0. se redefine la realización T como T = j − j 0 − j j 1 =  − 2 2 0  con lo        0 0 1 0 0 1  1  1 1 − 1 1 − 1  4 2 0  0   0. ♣ Copyright © por Prof. Claramente. con   3 2 4  valores propios generalizados dados por v1 = [2 -1 –2] T. Para esto se forma T como en el caso anterior pero utilizando los valores propios generalizados según sea el caso. B T = − j . y λ3 = 4. Sea el caso anterior. y por lo que T = − j          1 − 1 0 4 1  1  0  1   DT = 0. Espinoza C.061] . La realización AT resultante es casi diagonal y luce como. 0 6 − 5 Ejemplo 1.5  pero AT es ahora sólo casi diagonal. v2 = [1 –3/7 –5/7]T y v3 = [1 –22/49 –46/49]T por lo que − 4 − 11 1   2 0 0  − 4     T= 2 −6 5 con lo que se obtiene A T = 0 1 1 . Es claro que la realización resultante es diagonal. C T T =  − 0. Los tres bloques identificados en AT se conocen como bloques de Jordan. . y λ3 = 1. y DT = 0. todos los coeficientes son reales. B T =  2  .25 j  T       j 1 con lo que se obtiene A T = 0 4 − 2 j 0 . B T = − 2 .13. y DT = 0. si  1 1 0  j − j 1   1 1 0  0 0 2       se utiliza Ψ = j − j 0 .25j 0.25j 0.5]T y v3 = [0.25 j  . Sea el caso anterior. λ2 = 4-2j.25j 0.25j 0. Forma Canónica de Jordan.25+0.        7 0 0 1  7  28 − 7 Claramente. Los valores propios son λ1 = 4+2j. Esta realización se obtiene en el caso que existan valores propios repetidos.25+0.25-0.        0 0 4  1   0. v2 = [0.5 0]T 0 0  j − j 1 4 + 2 j  j  0. Los valores propios son λ1 = 2. C T = 0. Sin embargo. pero representaría variables de estado complejas. José R. la realización resultante es casi diagonal. ♣ D.25 .75  que se obtiene A T =  − 2 4 0 . pero con A =  − 1 5 − 1 .    − 2 2 4  con vectores propios dados por v1 = [0. en donde se ha supuesto que λ1 se repite tres veces y λ2 y λ3 sólo una vez. pero con A = 1 0 2  .75 + 0. FCJ.5 0. λ 1 0  AT =  0  0  0 1 0 0 λ1 1 0 0 λ1 0 0 0 λ2 0 0 0 0 0  0  0 λ 3  .12.75 − 0.

yo y po. b =  0  . con condiciones iniciales x0. 1.S.. yo y po. y la FCJ de los siguientes sistemas.. Anote todo su trabajo. xo de un sistema descrito por x(kT + T) = Ax(kT) + Bu(kT) + Ep(kT). conociendo y(t) y p(t) en S. Copyright © por Prof.- 5.  1 1 −4  1  a) b) 2.32 Apuntes: 543 760 1. y d = 0. A. Determine una expresión generalizada para las entradas en S. uo y po. e yo. y(t) = Cx(t) + Du(t) + Fp(t). u0 e y0 y valores en estado estacionario dados por xo. Determine una expresión generalizada para las entradas en S. Espinoza C. c = [1 0 0] . Resuelva los problemas siguientes. uo y po.. FCD.S.) del tipo tiempo continuo y discreto...L. Nivel Básico 1.9 Ejercicios Propuestos. uo de un sistema descrito por x& (t ) = Ax(t) + Bu(t) + Ep(t). Serán de especial interés los sistemas con múltiples entradas y múltiples salidas (MIMO). uo. y(t) = Cx(t) + Du(t) + Fp(t). y(kT) = Cx(kT) + Du(kT) + Fp(kT).S. Establezca las restricciones para que la solución sea única. conociendo u(kT) y p(kT) en S. es decir. Establezca las restricciones para que la solución sea única. xo de un sistema descrito por x& (t ) = Ax(t) + Bu(t) + Ep(t). Determine una expresión generalizada para las variables de estado en S.  −3 −1 2  1  A =  1 −5 2  .- 4. H ( s ) = C( sI − A ) −1 B + D . Modifique la transformación si aparecen variables complejas en el sistema resultante de manera de tener sólo variables reales.S. H ( z ) = C( z I − A ) − 1 B + D . FCO. y/o M. Establezca las restricciones para que la solución sea única. es decir. b =  0  . uo de un sistema descrito por x(kT + T) = Ax(kT) + Bu(kT) + Ep(kT).- 3 −1 −2  1    A = 1 5 2  . cuya representación pueda darse de la forma de ecuaciones dinámicas. conociendo u(t) y p(t) en S.- Determine la FCC. Establezca las restricciones para que la solución sea única. es decir. En este curso se estudiarán en profundidad sólo sistemas lineales invariantes en el tiempo (S. conociendo y(kT) y p(kT) en S.S. Se asume que los sistemas pueden estar sujetos a un vector de perturbaciones p(s) o p(z) de m·1.S. de T. .S. x& (t ) = Ax(t ) + Bu(t ). y d = 0. c = [1 0 1] .I. y (kT ) = Cx(kT ) + Du(kT ) .- 3. es decir. 1 −1 4   0  Determine una expresión generalizada para las variables de estado en S. José R.S.8 Alcances del Curso 547 504. x(kT + T ) = Ax(kT ) + Bu(kT ). y (t ) = Cx(t ) + Du(t ) . y(kT) = Cx(kT) + Du(kT) + Fp(kT).

conociendo y(kT) y p(kT) en S. es decir. Espinoza C. los descritos por x& (t ) = f (x(t ).S. B.S. 1.33 Apuntes: 543 760 6. p(t )) . Establezca las restricciones para que la solución sea única.- Si se asume que λi y vi son un valor y un vector propio de la matriz A de n· n. xo de un sistema descrito por x(kT + T) = Ax(kT) + Bu(kT) + Ep(kT).. c) levitador magnético. yo y po.. uo y po. y = Cx(t) + Du(t) + Fp(t)..S. 10. yo de un sistema descrito por x(kT + T) = Ax(kT) + Bu(kT) + Ep(kT).Porqué no es posible encontrar una expresión general – como en los casos anteriores – para sistemas no-lineales. es decir. yo y po. es decir.k es un valor propio de A .Determine una expresión generalizada para las variables de estado en S. y(kT) = Cx(kT) + Du(kT) + Fp(kT). José R. conociendo u(t) y p(t) en S. u(t ).Determine una expresión generalizada para la salida en S. es decir. uo y po. λi es un valor propio de AT. Establezca las restricciones para que la solución sea única. λim es un valor propio de Am (m entero > 0).. y(t) = Cx(t) + Du(t) + Fp(t). p(t )). xo de un sistema descrito por x& (t ) = Ax(t) + Bu(t) + Ep(t). . 8. 9.. Establezca las restricciones para que la solución sea única. a) b) c) d) e) iL vc il R a) L vs b) vl C + e(t) L - i(t) + v(t) Sw(t) PCC R L i(t) a c) + e(t) R C ioabc voabc iiabc isabc - d) Ri Li vsabc y(t) Ro Lo mabc M idc l1 x(t) d vdc Rdc Cdc k fuente compensador carga Fig.kI. b) boost dc-dc.. es decir. a) carga de potencia constante. kvi es también un vector propio de A (con k constante ≠ 0). Copyright © por Prof. conociendo u(kT) y p(kT) en S. respectivamente.19 Sistemas para ejercitar. y (t ) = h(x(t ).. conociendo y(t) y p(t) en S. y(kT) = Cx(kT) + Du(kT) + Fp(kT). yo de un sistema descrito por x& (t ) = Ax(t) + Bu(t) + Ep(t). kλi es un valor propio de kA. Nivel Intermedio 1. Establezca las restricciones para que la solución sea única. u(t ). d) compensador de reactivos.S..S. entonces demuestre que.Determine una expresión generalizada para la salida en S.S. 7.S.S. λi .- Determine una expresión generalizada para las variables de estado en S.

19(b) muestra un circuito elevador de tensión como los utilizados en equipos portátiles que permite producir una tensión v(t) mayor que e(t). Nótese que la inductancia L se puede considerar constante. d = 1. B. Además. Este último es incluido por el dueño del consumo para suministrar los reactivos absorbidos por la carga y así obtener un factor de potencia dado (0. se puede modelar su lado ac como una fuente trifásica en estrella de tensiones monofásicas dadas por viabc(t) = mabc(t)vdc(t). D. u(t). el largo l1 = 50 cm. puesto que se asume al efecto de la proximidad de la “bolita” al electroimán despreciable. F} que representa el modelo linealizado en torno a xo. Los parámetros son L = 5 mH. Para los sistemas de la Fig.- (a) (b) (c) (d) ∏ n i=1 λ i = det{A}. i) El producto de los valores propios es igual al determinante de A. 1. 1. u(t ).5 kg/s y g = 9.5 kg/s2. p(t)) y encuentre una expresión para los puntos de operación xo en función de uo y po. L = 50 mH. donde mabc(t) son Copyright © por Prof. La operación del circuito está sujeta al encendido y apagado del switch. 1. y po. eλit es un valor propio de eAt. M = 250 gr. La tensión e(t) es manipulada para que la “bolita” se sitúe a 30 cm sobre el nivel del suelo para temperaturas ambiente ta entre 0 y 55°C.8 m/s2. Para esto se utiliza el electroimán que puede ser representado por el circuito RL de la figura. D. C. . Se espera operar a 12 volts en la salida.- Un tanque reactor continuamente agitado en el cual se lleva a cabo la reacción A → B se modela por las ecuaciones siguientes: 3. el largo del resorte en reposo lr = 20 cm y la posición desde el piso l0 de la “bolita” cuando el resorte está en reposo es de l0 = 30 cm.19 determine una representación del tipo x& (t ) = f (x(t ). E. β = 3. vdc(t). Considere que el vector de estados es x(t) = [x1(t) x2(t)]T = [vc(t) iL(t)] T.93) en el PCC (punto de común acoplamiento) y no pagar multa. En la Fig. La fuerza de atracción fe que ejerce el electroimán está dada por.19(c) se muestra un levitador magnético. El sistema de la Fig. José R. Encuentre un equivalente discreto y simule y compare con el modelo continuo lineal. Encuentre la realización {A. La razón entre el tiempo encendido y el tiempo de encendido más apagado es d(t). F} en torno a un punto de operación arbitrario. sea constante y mayor al máximo valor de tensión entre líneas medido en el PCC (800 V). k = 24. la entrada es u(t) = u(t) = vs(t) y la salida es x1(t) = vc(t). p(t )) . = −(1 + β) x2 (t ) + BDa (1 − x1 (t ))e x2 (t ) + β u2 (t ) dt dt donde Da = 0. y (t ) + a donde a = 2 cm y ki = 3·10-3 kg·m2/(s2A2). Encuentre un equivalente discreto y simule y compare con el modelo continuo lineal. El sistema eléctrico trifásico balanceado que se muestra en la Fig. Determine un modelo lineal {A. i (t ) 2 f e (t ) = ki . vi es un vector propio de eAt. La Fig. 1.1. donde R = 1 Ω. Es decir.19(a) representa una fuente con una carga de potencia constante por lo que vl(t)il(t) = Pl es constante.34 Apuntes: 543 760 f) g) h) 1/λi es un valor propio de A-1. uo. 1. La tensión e(t) es de 6 V pero se espera que esté entre 5 y 7 volts en condiciones de temperatura ambiente ta entre 0 y 55°C. Se sabe que el compensador requiere que la tensión en su barra dc. para la operación del circuito se compara una señal d(t) con una diente de sierra y de la comparación resulta Sw(t) de encendidoapagado del switch. dx1 (t ) dx2 (t ) = − x1 (t ) + Da (1 − x1 (t ))e x2 (t ) + u1 (t ) . en la práctica. Por otro lado.0 y B = 19.19(d) representa una alimentación trifásica balanceada vsabc(t) un consumo dado por una carga RoLo y un compensador paralelo que toma una corriente iiabc(t). 2. C. B. C = 200 µF. Espinoza C. R = 12 Ω. y(t) = h(x(t). E. Además.

5. entonces demuestre que. Se pide encontrar una transformación que logre lo indicado para lo cual asuma que la frecuencia del sistema monofásico ω es constante. José R. Hay sistemas trifásicos en donde la frecuencia ω no es constante. Considerando x(t) = [x1(t) x2(t) x3(t) x4(t) x5(t) x6(t)]T = [iia(t) iib(t) iic(t) ioa(t) iob(t) ioc(t) vdc(t)]T. C. ∑ i =1 λ i = tr{A}. Nótese que la otra salida es el factor de potencia instantáneo en el PCC (investigue una definición apropiada para el factor de potencia). Los sistemas monofásicos también se pueden abordar de manera de representarlos por variables que en S. Lo = 44. Una buena alternativa de análisis y diseño de estos sistemas es la transformación abc a dq0.586 Ω. Ri = 0. finalmente.4 kΩ. Rdc = 6.S. donde M es de p·q y N es de q·p tienen idénticos valores propios distintos de cero. La suma de los valores propios es igual a la traza de A (suma de los elementos de la diagonal de n A). . v s d .Apuntes: 543 760 35 tres señales moduladoras que suman cero (sinusoidales) y tienen máximos instantáneos entre 0. Espinoza C. si p > q la matriz MN y NM tienen q valores propios idénticos y además la matriz MN tiene p – q valores propios idénticos a cero. Considerar que Li = 5 mH. v s q ) . Cdc = 200 µF. y que la tensión de fase rms es de 220 V. reformular la transformación abc a dq0 para estos casos. En este caso el vector de estado es x(t) = [x1(t) x2(t) x3(t) x4(t) x5(t)]T = [iid(t) iiq(t) iod(t) ioq(t) vdc(t)]T y las ecuaciones de estado son x& = f (x. m d . m q . en los motores eléctricos trifásicos en donde es precisamente la velocidad ω la que es controlada.- Si se asume que λi y vi son un valor y un vector propio de la matriz A de n·n. Para esto debe encontrarse una forma de transformar la representación en ejes estacionarios (abc en sistemas trifásicos) a ejes rotatorios (dq0 en sistemas trifásicos). b) c) kmλim + km-1λim-1 + ··· + k1λi + k0 es un valor propio de kmAm + km-1Am-1 + ··· + k1A + k0I. ésta debe ser reformulada pues ahora la cantidad ω es función del tiempo. Es decir.- 3. respectivamente. sin embargo.5 Ω. Se pide. Específicamente. Ro = 18. 2. defina el vector en ejes rotatorios dq sincronizados con la tensión de red. son continuas.37 mH.- Copyright © por Prof. por ejemplo.5 y -0. Nivel Avanzado 1. el modelo del lado dc es idc(t) = iiabc(t)Tmabc(t). d) La matriz MN y la matriz NM. a) El Teorema de Cayley-Hamilton que indica A n + a n −1A n −1 + L + a1A + a 0 I = 0 .

4) con xci(0) = 0. (2. la solución total es la suma de ambas respuestas. Su utilización cubre también a los sistema no-lineales que permiten una linealización en torno al punto de operación de interés. Ambas respuestas cumplen con el principio de linealidad al igual que con el de aditividad. y (t ) = Cx(t ) + Du(t ) . La teoría de sistemas lineales es quizás la más completa y la más desarrollada al momento de ser aplicada al problema de control. se divide en la respuesta a entrada cero (con u = 0). (2. xci (kT + T ) = Ax ci (kT ) + Bu(kT ). Por estas razones. x& (t ) = Ax(t ) + Bu(t ). Ambas respuestas cumplen con el principio de linealidad al igual que con el de aditividad.i.i. 2. La solución de las ecuaciones de estado del sistema continuo. y ec (kT ) = Cxec (kT ) .1) con xec(0) = x0 y la respuesta a c. cero. Se destacan las propiedades de observabilidad y controlabilidad como características básicas para la propuesta de estrategias de control. José R.2 Respuesta a Entrada Cero en Sistemas Continuos. 2. x(kT + T ) = Ax(kT ) + Bu(kT ). Es decir. y ci (kT ) = Cx ci (kT ) + Du(kT ) . x& (t ) = Ax(t ). (2. (2. cero. En este capítulo se revisan variadas propiedades de los sistemas MIMO que son fácilmente analizadas si la representación del sistema está en ecuaciones dinámicas. xec (kT + T ) = Axec (kT ). la cual satisface. y ec (t ) = Cxec (t ) . la solución total es la suma de ambas respuestas. se divide en la respuesta a entrada cero (con u = 0). Copyright © por Prof. x& ci (t ) = Axci (t ) + Bu(t ). es importante tener un buen dominio de esta teoría.3) con xec(0) = x0 y la respuesta a c. La ecuación (2. la cual satisface. La revisión se hace para sistemas continuos y discretos. Es decir. y (kT ) = Cx(kT ) + Du(kT ) . Similarmente.1) se re-escribe como. Espinoza C. . la solución de las ecuaciones de estado del sistema discreto. x& ec (t ) = Axec (t ). la cual satisface. y (t ) = Cx(t ) . la cual satisface.36 Apuntes: 543 760 2 Representación en Espacio de Estados.2) con xci(0) = 0.1 Introducción. y ci (t ) = Cxci (t ) + Du(t ) .

k! 2! 1 1   =  I + At + A 2 t 2 + L + A k t k + L  x 0 k! 2!   x(t ) = x(0) + x& (t ) t = 0 t + el término en paréntesis siempre converge y por su similitud con la serie de Taylor de una exponencial se denota como eAt. x(t) se puede se puede expresar utilizando Taylor como. x ( k ) (t ) = A k x(t ) de donde se puede observar que x(k)(0) = Akx(0) = Akx0. Como Ak existe para todo k finito. x (t ) = Φ(t )x 0 = e At x 0 . Copyright © por Prof. 1 1 && x(t ) t =0 t 2 + L + x ( k ) (t ) t k + L t =0 2! k! 1 1 = x 0 + Ax 0t + A 2 x 0t 2 + L + A k x 0t k + L . Def. x& (t ) = Ax(t ) && x(t ) = Ax& (t ) = AAx(t ) = A 2 x(t ) M . José R. por lo que se puede escribir. Ae At = e At A d At e = Ae At dt Finalmente. la respuesta a entrada cero es. Se deriva la ecuación dx(t)/dt = Ax(t) sucesivamente.37 Apuntes: 543 760 con x(0) = x0.6) . es más. se le conoce como matriz de transición de estados. e A0 = I e A ( t1 + t2 ) = e At1 e At2 ( e At ) −1 = e − At T e A t = ( e At ) T . en donde el subíndice ha sido suprimido. A.5) Si bien la expresión como serie infinita para la matriz de transición es generalizada. (2. usando series y usando Laplace. Φ(t ) = e At = I + At + 1 2 2 1 A t +L+ Akt k +L. su utilización se da sólo por algoritmos numéricos. Utilizando Series. Para solucionar esta ecuación hay dos alternativas.: La matriz de transición de estados Φ (t) se define por. Algunas propiedades de Φ(t) = eAt son. 2! k! (2. Espinoza C.

1 Representación gráfica de la respuesta a entrada cero del Ejemplo 2. Estas raíces son a su vez los valores propios de A. 2. Φ(t ) = e At = L−1{( sI − A ) −1 } .: En este caso: sI − A =   . donde A =  . C = [1 0] y  − 2 − 3 1  s −1  −1 D = [0] .7) Contrariamente a la serie infinita (2. Nótese que la representación es en un plano dado que hay dos variables de estado. ( sI − A ) = 2 s + 3  s + 3 1   . Φ(t ) = 2 s + 3s + 2  − 2 s  1 L −1  2e − t − e −2t {( sI − A ) −1 } =  −t − 2t  − 2e + 2e e − t − e −2t   . x (t ) = L−1{( sI − A ) −1}x 0 . este último resultado (2. 2. Copyright © por Prof.7) es de gran utilidad para el cálculo manual de Φ(t). Se aplica Laplace a dx(t)/dt = Ax(t). Utilizando Laplace.0 0 -1. La Fig. Dado el sistema descrito por x& = Ax + Bu . xec2(t) xec(0) = x0 1.0 xec(t) 1 0 xec1(t) Fig. la respuesta a entrada cero es.1. (2. −1 x ( s ) = ( sI − A ) x 0 por lo tanto. por lo que. Al comparar este resultado con el obtenido mediante series de Taylor se puede concluir que. los argumentos de las exponenciales en las expresiones de cada elemento de la matriz Φ(t) son las raíces del polinomio s2 + 3s + 2. ♣ En el ejemplo anterior. por lo que se obtiene. y (t ) = Cx (t ) = Ce At x 0 = CL−1{( sI − A ) −1}x 0 .1 muestra gráficamente cómo evoluciona el vector −t − 2t −t − 2t   − 2e + 2e − e + 2e  xec(t) a partir de su condición inicial x0.1. utilizando (2.38 Apuntes: 543 760 B. Determine Φ(t) y xec(t) con x0 = [1 1]T. José R. es decir. R. Así. A continuación se comentan algunos resultados de estas relaciones.8) 1 0 0 Ejemplo 2. La respuesta a entrada − e − t + 2e − 2 t   2e − t − e −2t + e − t − e −2t  cero es x ec (t ) = Φ(t )x 0 =  .5). (2. sx( s ) − x(0) = Ax( s ) ( sI − A ) x ( s ) = x 0 . . finalmente. B =   . Espinoza C. n = 2. y = Cx + Du .6).

Por lo tanto.A}. cada elemento de esta matriz puede escribirse. dado que un valor propio λi y su respectivo vector propio vi de A están relacionados por Avi = λivi.39 Apuntes: 543 760 C. Modos de Oscilación en Sistemas Continuos. Como estas raíces si son también por definición los valores propios λi de A. 2 s − s1 ( s − s1 ) s − s2 ( s − s 2 ) 2 donde s1. s2. La matriz de transición utiliza la matriz ( sI − A) −1 = Adj{sI − A} det{sI − A} . Copyright © por Prof. 1 2 2 1 A t vi + L + Akt k vi + L 2! k! 1 1 = v i + λ i v i t + λ2i v i t 2 + L + λki v i t k + L 2! k! 1 1 = v i + λ i tv i + λ2i t 2 v i + L + λki t k v i + L .A} es de orden menor o igual a n-1 y el escalar det{sI A} es de orden n. éstos toman la forma. sn son las raíces de det{sI . Estos son también conocidos como los modos de oscilación de A. en donde cada elemento de la matriz Adj{sI ... en donde claramente se observa que cada elemento se formará a partir de las raíces del escalar det{sI A}. a11e s1t + a12 te s2t + L + a 21e s2t + a 22 te s2t + L . al multiplicar la expresión de la matriz de transición por la derecha por el vector vi se tiene.. x (t ) = Φ(t )x 0 = e At v i = e λ i t v i . Por otro lado. 2! k! 1 1   = 1 + λ i t + λ2i t 2 + L + λki t k + L v i 2! k!   λit = e vi e At v i = Iv i + Atv i + Esta última expresión indica que la matriz de transición eAt tiene por valores propios a eλit y por vectores propios a vi. a11 a12 a a 22 + + L + 21 + +L . José R. . Un importante y práctico resultado de esto es que la respuesta a entrada cero para una condición inicial x0 correspondiente a un vector propio vi se simplifica a. Al tomar Laplace inverso para obtener los elementos de Φ(t). M A k v i = λki v i de esta manera. Av i = λ i v i A 2 v i = AAv i = Aλ i v i = λ i Av i = λ i λ i v i = λ2i v i A 3 v i = AA 2 v i = Aλ2i v i = λ2i Av i = λ2i λ i v i = λ3i v i . Espinoza C. . se puede escribir. se puede concluir que la matriz de transición de A tiene exponenciales cuyos exponentes están formados por los valores propios de A.

x (t ) = e At ( v i + v *i ) = e At v i + e At v *i * = e λ it v i + e λ it v *i .2.: En este caso  2e − t − e −2t e − t − e −2t  x ec (t ) = Φ(t ) v i =   v i . 2.2 muestra gráficamente cómo evoluciona el vector xec(t) a partir de su condición inicial v1 y v2.447 0. ambas trayectorias terminan en el origen del plano para t → ∞. 2. 1    0.0 xec(0) = v1 0 xec(0) = v2 -1. José R.40 Apuntes: 543 760 es decir. sólo el modo λi es excitado y la respuesta tiene la dirección de vi y con una magnitud dada por eλit. Espinoza C. en donde el subíndice ha sido suprimido.3) se re-escribe como. La Fig. Para solucionar esta ecuación hay dos alternativas. la condición inicial deberá tomarse como x0 = vi + vi* (donde vi* es el conjugado de vi). x(kT + T ) = Ax(kT ). Nótese que las gráficas son líneas rectas. Utilizando Series. De la expresión x(kT + T) = Ax(kT) se puede escribir. Copyright © por Prof.2 Representación gráfica de la respuesta a entrada cero del Ejemplo 2.447 1]T y v2 = [-0. con x(0) = x0. La ecuación (2.2. es decir.894  respectivamente.3 Respuesta a Entrada Cero en Sistemas Discretos. Dado el ejemplo anterior determine xec(t) con x0 igual a sus vectores propios. xec2(t) 1. usando series y usando la Transformada Z.894]T.0 1 0 xec1(t) Fig. R. A. y (kT ) = Cx(kT ) . ♣ Si los valores propios son complejos y conjugados. . Así. éstos tendrán asociados vectores propios complejos y conjugados. Dado que los valores propios son negativos. En este caso. 2. las trayectorias son en la dirección del vector propio correspondiente. Ejemplo 2. por lo tanto. las respuestas a entrada cero son: x ec (t ) = e −t   y x ec (t ) = e −2t  . = 2ℜ{e λi t v i } donde λi* es el valor propio λi conjugado. Donde los vectores propios de A pueden tomar los valores: v1 = [-1 −t − 2t − e − t + 2e − 2 t   − 2e + 2e − 1 − 0.

y consecuentemente la matriz de transición de estados es. R.12) y (kT ) = Cx(kT ) + Du(kT ) . por lo que se obtiene.10) Finalmente. Dado el sistema descrito por x(kT + T ) = Ax(kT ) + Bu(kT ) . la respuesta a entrada cero es. Determine Φ(kT) y xec(kT) con x0 = [1 1]T. x( z ) = ( zI − A) −1 zx 0 por lo tanto.9) x(kT ) = Φ(kT )x 0 = A k x 0 . y (kT ) = Cx(kT ) = CA k x 0 = CZ −1{( zI − A) −1 z}x 0 . B.10). Φ(kT ) = −1{( zI − A) −1 z}  0   z − λ2  z − λ1  ( z − λ1 )( z − λ 2 )  0  Z Copyright © por Prof.3. utilizando (2.11) Contrariamente a la serie infinita (2. x(kT ) = Z −1{( zI − A) −1 z}x 0 . Φ(kT ) = A k . este último resultado (2. (2. José R. Espinoza C.: En este caso: zI – A =  1  0 λ2  0  0   z − λ1  z − λ2 1 . x(kT ) = A k x(0) . Def. (2. (2. zx( z ) − zx(0) = Ax( z ) ( zI − A ) x ( z ) = zx 0 . Se aplica la Transformada Z a x(kT + T) = Ax(kT).11) es de gran utilidad para el cálculo manual de Φ(kT). la respuesta a entrada cero es. por lo que. (2.: La matriz de transición de estados Φ (kT) se define por. x(kT ) = A k x(0) Por lo tanto. Φ(kT ) = Z −1{( zI − A) −1 z} . ( zI − A) −1 = . C = [1 0] y D = [0] . donde 0 λ  −1 A= 1 . Así. Ejemplo 2.41 Apuntes: 543 760 x(T ) = Ax(0) x(2T ) = Ax(T ) = AAx(0) = A 2 x(0) M . Utilizando la Transformada Z. B =   . finalmente. .9). Al comparar este resultado con el obtenido mediante series se puede concluir que.

A}. Espinoza C. Estos son también conocidos como los modos de oscilación de A. se puede concluir que la matriz de transición de A tiene potencias cuyos exponentes están formados por los valores propios de A.A)-1 se obtiene. Akvi = λikvi. lo que puede ser re-escrito como. y (t ) = Cx(t ) + Du(t ) . x(kT ) = Φ(kT )x 0 = A k v i = λ ik v i .. sólo el modo λi es excitado y la respuesta tiene la dirección de vi y con una magnitud dada por λi k. x ( s ) = ( sI − A ) −1 Bu( s ) . Aplicando Laplace a ambos miembros se tiene. z2. dado que un valor propio λi y su respectivo vector propio vi de A están relacionados por Avi = λivi.42 Apuntes: 543 760 λ k 0  λ k  = 1 . Por lo tanto. x& (t ) = Ax(t ) + Bu(t ).4 Respuesta a c. José R. 2 z − z1 ( z − z1 ) z − z 2 ( z − z2 ) 2 donde z1. es decir. La solución de (2. sx ( s ) = Ax ( s ) + Bu( s ). éstos toman la forma.i. en donde el subíndice ha sido suprimido.. y ( s ) = Cx ( s ) + Du( s ) . Cero en Sistemas Continuos.. Copyright © por Prof. Para solucionar esta ecuación se puede utilizar Laplace. a11 z1k + a12 kTz1k + L + a21 z2k + a22 kTz2k + L . 2. La matriz de transición utiliza la matriz ( zI − A ) − 1 z = Adj{zI − A}z det{zI − A} . . La respuesta a entrada cero es xec (kT ) = Φ(kT )x 0 =  1k  . zn son las raíces de det{zI . en donde claramente se observa que cada elemento se formará a partir de las raíces del escalar det{zI A}. con x(0) = 0. se puede escribir. a11 z a12 z a z za22 + + L + 21 + + L. ( sI − A )x ( s ) = Bu( s ). Nótese que la convergencia está asegurada si los k  0 λ2  λ 2  valores propios de la matriz A están al interior del círculo unitario. en donde cada elemento de la matriz Adj{zI . multiplicando la primera ecuación anterior por la izquierda por el factor (sI . Al tomar Laplace inverso para obtener los elementos de Φ(kT). Similarmente. .A} es de orden menor o igual a n-1 y el escalar det{zI A} es de orden n. ♣ C. Como estas raíces zi son también por definición los valores propios λi de A. Un importante y práctico resultado de esto es que la respuesta a entrada cero para una condición inicial x0 correspondiente a un vector propio vi se simplifica a. cada elemento de esta matriz puede escribirse. y ( s ) = Cx ( s ) + Du( s ) .2) se re-escribe como la ecuación. Modos de Oscilación en Sistemas Discretos.

i.A)-1 se obtiene. con x(0) = 0.16) 2. y ( s ) = H( s )u( s ) + Du( s ) . x(kT + t ) = Ax(kT ) + Bu(kT ). y ( s ) = C( sI − A ) −1 Bu( s ) + Du( s ) = {C( sI − A ) −1 B + D}u( s ) . por lo que la respuesta en el tiempo sería. La solución de (2. Espinoza C.14). Copyright © por Prof. 0 (2.15) y la salida por la suma de (2. x( z ) = ( zI − A)−1 Bu( z ) .i. nulas son. lo que puede ser re-escrito como. y (kT ) = Cx(kT ) + Du(kT ) .4) se re-escribe como la ecuación.i. t x (t ) = e At x 0 + ∫ e A ( t −τ ) Bu( τ)dτ . Para solucionar esta ecuación se puede utilizar la Transformada Z. Así los estados estarían dados por la suma de (2. por lo que los estados x(kT) para c. y ( z ) = Cx( z ) + Du( z ) . multiplicando la primera ecuación anterior por la izquierda por el factor (zI . 0 (2. y (t ) = L−1{H( s )u( s )} + Du(t ) . por lo que la respuesta en el tiempo es. la salida en Laplace se puede expresar como.6) y (2. o también. 0 (2. José R.43 Apuntes: 543 760 por lo que los estados x(t) para c.13). t y (t ) = Ce At x 0 + ∫ Ce A ( t −τ ) Bu( τ)dτ + Du(t ) . t y (t ) = ∫ Ce A ( t −τ ) Bu( τ)dτ + Du(t ) . Aplicando Z a ambos miembros se tiene. t x (t ) = ∫ e A ( t − τ ) Bu( τ)dτ .13) Por otro lado. y ( z ) = Cx( z ) + Du( z ) . nulas son. ( zI − A)x( z ) = Bu( z ). Cero en Sistemas Discretos. 0 (2. nulas.14) Alternativamente. la salida queda como. la respuesta total de estos sistemas puede ser escrita como la suma de la respuesta a entrada cero y la respuesta a c.8) y (2. y ( s ) = CL{e At }Bu( s ) + Du( s ) .i. Dado que el sistema es lineal. . zx( z ) = Ax( z ) + Bu( z ). en donde el subíndice ha sido suprimido.5 Respuesta a c.

44

Apuntes: 543 760
k −1

x(kT ) = ∑ Φ(kT − T − iT )Bu(iT ) .

(2.17)

i=0

Por otro lado, la salida queda como,
y ( z ) = C( zI − A ) −1 Bu( z ) + Du( z ) = {C( zI − A ) −1 B + D}u( z ) .
por lo que la respuesta en el tiempo es,

y (kT ) = C ∑ Φ(kT − T − iT )Bu(iT ) + Du(kT ) .

(2.18)

i =−∞

Alternativamente, la salida en Z se puede expresar como,
y ( z ) = H ( z )u( z ) + Du( z ) .
por lo que la respuesta en el tiempo sería,
y (kT ) = Z −1{H ( z )u( z )} + Du(kT ) .
o también,
y ( z ) = CZ {A k }Bu( z ) + Du( z ) ,
Dado que el sistema es lineal, la respuesta total de estos sistemas puede ser escrita como la suma de la
respuesta a entrada cero y la respuesta a c.i. nulas. Así los estados estarían dados por la suma de (2.10)
y (2.17),
k −1

x(kT ) = A k x 0 + ∑ Φ(kT − T − iT )Bu(iT ) ,

(2.19)

i=0

y la salida por la suma de (2.12) y (2.18),
k −1

y (kT ) = CA k x 0 + C∑ Φ(kT − T − iT )Bu(iT ) + Du(kT ) .

(2.20)

i =0

2.6 Observabilidad en Sistemas Continuos.
El circuito eléctrico de la Fig. 2.3 tiene por entrada a la corriente is y por variables de estado a los
voltajes en los capacitores vc1 y vc2, y a la corriente del inductor iL. Si sólo se pudiera medir el voltaje
en el capacitor C1, ¿ podría deducirse las restantes variables de estado a partir de esta variable ?.
¿ Cómo cambiaría esta respuesta si se miden otras variables ?. El concepto de observabilidad ayudará a
responder estas interrogantes y dará paso a otras alternativas de análisis y diseño de estrategias de
control.

vc2

iL

vc1
L

C2

is

C1

Ro

Fig. 2.3 Circuito eléctrico.
Copyright © por Prof. José R. Espinoza C.

45

Apuntes: 543 760

Def.: Un sistema L.I.T. es observable si el estado inicial x(0) = x0 puede ser deducido en forma única a

partir del conocimiento de la entrada u(t) y la salida y(t) para todo tiempo t entre 0 y T > 0.

Es importante destacar que si x0 puede ser deducido, entonces también se puede deducir x(t) para
0 ≤ t ≤ T. Esto porque sólo x0 es desconocido en la expresión de los estados (2.15). Es decir,
observabilidad indica que podemos deducir los estados para 0 ≤ t ≤ T.

A.

Estados no observables y observabilidad.

Def.: Un estado x ≠ 0 es no observable si la solución a entrada cero y(t) con x(0) = x es cero para

todo t ≥ 0.
Dado que la respuesta a entrada cero en este caso es y(t) = CeAtx , entonces x es no observable si se
cumple que CeAtx = 0 para todo t ≥ 0. Geométricamente en un sistema con una salida, dado que y(t) =
Cx(t), entonces x es no observable si se cumple que el vector de estados de la solución a entrada cero
es ortogonal al vector C. Es importante destacar que en la característica de observabilidad sólo están
involucradas las matrices A y C; por esta razón, normalmente se habla de si el par {A, C} es o no
observable.
Teorema: Un sistema L.I.T. es observable (o también el par {A, C}) si y sólo si no tiene estados no

observables.
El teorema anterior es del tipo p (L.I.T. es observable) ⇔ q (no hay estados no observables), o p ⇒ q y
q ⇒ p o del tipo q/ ⇒ p/ y q ⇒ p. Por lo tanto, el teorema se prueba si se demuestra esto último; es
decir, (a) si hay un estado no observable entonces el sistema es no observable y (b) si no hay estados no
observables entonces el sistema es observable.
(a) Sea x ≠ 0 un estado no observable y x1 ≠ 0 un estado arbitrario que al ser considerado condición
inicial generará una salida para entrada cero y1(t) = CeAtx1. Sea ahora x2 = x1 + αx , con α ≠ 0, que
al ser considerado condición inicial generará una salida para entrada cero y2(t) = CeAtx1 + αCeAtx
= CeAtx1 = y1(t). Se observa que dos condiciones iniciales distintas generan igual salida, por lo que
sería imposible discriminar entre éstas a partir de la salida y1(t).
(b) Se debe probar que al no haber estados no observables entonces el sistema es observable. Sea el
estado inicial x0 ≠ 0 por lo que la salida a entrada cero es y(t) = CeAtx0. Si se multiplican ambos
lados por la izquierda por (CeAt)T se tiene,
(Ce At )T y (t ) = (Ce At )T Ce At x 0 ,
si ahora se integra se tiene,

T

0

(Ce At ) T y (t )dt = M(T )x 0 ,

donde M(T) esta dado por,
T

M(T ) = ∫ (Ce At ) T Ce At dt ,
0

por lo que x0 puede ser deducido como,
Copyright © por Prof. José R. Espinoza C.

46

Apuntes: 543 760
T

M(T ) −1 ∫ (Ce At )T y (t )dt = x 0 ,
0

lo cual es válido si M(T) es no singular, lo que se puede concluir si M(T) es una matriz definida
positiva; es decir, si x0TM(T)x0 > 0, para todo x0 ≠ 0. A partir de la expresión de M(T) se puede
escribir que,
T

x T0 M(T )x 0 = x T0 ∫ (Ce At )T Ce At dtx 0
0

T

= ∫ (Ce At x 0 )T (Ce At x 0 )dt ,
0

T

2

= ∫ Ce At x 0 dt
0

dado que no hay estados no observables, el argumento de la integral es siempre un número
positivo, por ende su integral también lo es. En definitiva, la matriz M(T) es definida positiva y su
inversa siempre existe.

B.

Tests de observabilidad.

Hay dos tests de observabilidad que son prácticos para encontrar los x0 que satisfacen CeAtx0 = 0. Estos
tests están fundamentados en teoremas a saber.
Teorema: El vector x es no observable si y sólo si,

 C 
 CA 


 CA 2  x = 0 .


 M 
CA n−1 

(2.21)

El teorema anterior es del tipo p (x es no observable) ⇔ q (se cumple (2.21)), o p ⇒ q y q ⇒ p. Por
lo tanto, el teorema se prueba si se demuestra esto último; es decir, (a) si hay un estado x no
observable entonces se cumple (2.21) y (b) si se cumple (2.21) entonces hay estados no observables.
(a) Sea x ≠ 0 un estado no observable entonces se cumple que al ser considerado condición inicial
generará una salida para entrada cero CeAtx = 0, ∀t ≥ 0. Por lo que sus derivadas para t = 0
también son cero; es decir,
Ce At x

t =0

= Cx = 0

d
Ce A t x
= CAe At x
= CAx = 0
t
=
0
t =0
dt
d2
Ce At x
= CA 2 e At x
= CA 2 x = 0 ,
2
t
=
0
t
=
0
dt
M
dk
Ce At x
dt k

t =0

= CA k e At x

t =0

= CA k x = 0

que corresponde a la ecuación (2.21) desarrollada en sus componentes.
Copyright © por Prof. José R. Espinoza C.

De la misma manera se puede generalizar que CAkx = 0 ∀k ≥ n. por lo que O = − 3 1   10 − 6 si es 0 1  − 6 1 0  0  que tiene det{O} = 0.21). el rango de O es menor a n. un sistema L. R. y al medir x1 y x2.an-2CAn-2x . la salida se puede expresar como. Es decir. por lo que O = − 1 − 5 1  que   10 26 − 10 0 1  0 tiene det{O} = 0.21) indica que CAkx = 0 ∀k ≥ 0.I. por lo que al multiplicar esta expresión por la izquierda por C y por la derecha por x se tiene.··· . De hecho su dimensión es de (q·n)·n (q: número de salidas). Es decir. Dado el sistema descrito por x& = Ax + Bu . Determinar    2 2 − 4 0 1  observable al medir x1. en el segundo caso C = [0 1 0] .21) es la matriz de observabilidad O. José R.an-2An-2 .a0I. por lo que no es observable.21) entonces hay estados no observables. CAnx = -an-1CAn-1x . La ecuación (2.21) para algún x . es decir. 2! k! CA 2 x t 2 CA k x t k = Cx + CAx t + +L + +L 2! k! la cual se reduce a cero utilizando el hecho de que CAkx = 0 ∀k ≥ 0. x es no observable. las filas de la matriz O no son una base en el espacio ndimensional que puedan generar x . El teorema de Cayley-Hamilton indica que An = -an-1An-1 .··· . por lo que O =  2 2 − 4 que tiene    − 16 − 16 20  − 1 0 1  det{O} = 0. x2.a0Cx que es igual a cero de acuerdo a la descomposición de (2. y = Cx + Du . Espinoza C. Considerando que la matriz involucrada en (2. rango{O} = n es equivalente a det{O} ≠ 0.4. Este resultado en combinación con (2.a1CAx .x2.a1A . en el tercer caso C = [0 0 1] . CAnx = 0.21) se puede descomponer en Cx = CAx = CA2x = ··· = CAn-1x = 0. x3. por lo que no es observable.   A 2t 2 Ak t k Ce A t x = C  I + At + +L + + L x 2! k!   2 2 CA t x CA k t k x = Cx + CAtx + +L + +L. no hay estados no observables y el sistema es observable si y sólo si el rango de O es n. la expresión derivada del Teorema de Cayley-Hamilton se multiplica por A y luego se multiplica por la izquierda por C y por la derecha por x . si x es ortogonal a cada fila de O. Nótese que es importante definir la observabilidad en función del rango dado que O no necesariamente es cuadrada. En otras palabras. Por otro lado. con A = − 1 − 5 1  . por lo que no es observable. Por lo tanto. por lo que O = − 2 6 0 que tiene    0 − 32 4 Copyright © por Prof. o también. es observable si det{O} ≠ 0. x1 . Es decir. En el caso de ser cuadrada (una salida).T.: En el primer caso C = [1 0 0] . en el cuarto caso C = [1 − 1 0] . el teorema anterior indica que existe un vector no observable si O cumple con (2. con lo que se deduce que CAn+1x = 0. De la misma manera.47 Apuntes: 543 760 (b) Se debe probar que al cumplirse (2. con q = 1. 1  − 3 1  Ejemplo 2. .

Estos corresponden a los valores propios λk para los cuales su vector propio asociado vk cumple con Cvk = 0. por lo que O =  − 1 − 5 1  que tiene un 0 1 0     10 − 6 − 6     10 26 − 10 rango{O} = 3. Por lo que Cv1 = 1. ♣ Copyright © por Prof. R. C} no es observable entonces hay un vector propio vk que cumple con Cvk = 0. (2. (a) Sea vk un vector propio que cumple Cvk = 0.48 Apuntes: 543 760 0 0  1 0 1 0    − 3 1 1  1 0 0  det{O} = 16. por lo que es observable. En el caso de sistemas no observables. o q ⇒ p y p ⇒ q. Por lo que la salida es y(t) = Cx(t) = Ceλktvk = eλktCvk.4 muestra gráficamente esta situación. C} no es observable y (b) si el par {A. C es perpendicular a v3. respectivamente. Estas consideraciones serán de utilidad al diseñar esquemas de control que requieran las variables de estado como información. entonces hay al menos un ak ≠ 0 y por ende el correspondiente Cvk = 0 para cumplir con la expresión anterior. La medición de x1 . C} no es observable si y sólo si para algún vector propio v k de A se cumple. Espinoza C.5. C} no es observable) ⇔ q (se cumple que Cvk = 0). ♣ Teorema: El par {A. Como Cvk = 0. λ2 = -4 y λ3    2 2 − 4 = -6. . estas dinámicas no se reflejan en la salida y(t). Nótese que la representación es en un espacio tridimensonal dado que hay tres variables de estado. v2 = [1 –1 0]T. Ejemplo 2. Por lo tanto. el teorema se prueba si se demuestra esto último. Por lo que salida sería y(t) = Cx(t) = a1Cv1eλ1t + a2Cv2eλ2t + ··· + anCvneλnt. si se utiliza vk como condición inicial entonces el vector de estados es x(t) = eAtvk = eλktvk (con λk el valor propio asociado al vector vk). Medir x1 y x2 permite obtener x3. Si x0 se usa como condición inicial.x2 permite derivar la tercera variable de estado. n = 3. En conclusión. La Fig. la medición de una variable no permite obtener las restantes. Como x0 ≠ 0. v1 = [1 0 1]T . Cvk = 0. (b) Los vectores propios forman un base por lo tanto cualesquier vector x0 ≠ 0 (en particular si x0 es no observable) puede ser generado a partir de la combinación lineal x0 = a1v1 + a2v2 + ··· +anvn (con ak coeficientes a encontrar para cada x0). por lo que es observable. y en el quinto caso C =   . Determine el o los modos no 1  − 3 1  observables. Cv2 = 1. el vector de estados queda x(t) = eAtx0 = eAt(a1v1 + a2v2 + ··· + anvn) = a1eAtv1 + a2eAtv2 + ··· + aneAtvn = a1eλ1tv1 + a2eλ2tv2 + ··· + aneλntvn = a1v1eλ1t + a2v2eλ2t + ··· + anvneλnt. José R. Dado que x0 es no observable entonces y(t) = 0 ∀t y por lo tanto deberá cumplirse que a1Cv1 = a2Cv2 = ··· = anCvn = 0. Por lo tanto.: En este caso A = − 1 − 5 1  y C = [1 0 0] por lo que los valores propios son λ1 = -2. y Cv3 = 0. es decir.22) El teorema anterior es del tipo p (par {A. 2. el modo no observable es λ3 = -6. (a) si hay un vector propio vk que cumple Cvk = 0 entonces el par {A. y v3 = [0 –1 1]T. entonces y(t) = 0 y por lo tanto el sistema no es observable. claramente. y los vectores propios son. En otras palabras. este teorema permite encontrar los modos no observables. En el ejemplo anterior se encontró que el sistema es no observable al medir x1. es decir.

6. se tiene que C = [1 0] y por lo tanto el determinante de la matriz de observabilidad es distinto y toma valores como ilustrado en la Fig. entonces x es no observable si se cumple que CAkx = 0 para todo kT ≥ 0. Es importante destacar que en la característica de observabilidad sólo están involucradas las matrices A y C. . ♣ 2. Es importante destacar que si x0 puede ser deducido.: En este caso se tienen las matrices  E   −   − q − k e  Rx2  0  V A=  E   −     (−∆H ) k 0 e  Rx2   ρC p   − k0   ∂h(x. u) Rx 22  y C=  E      ∂x1 − q ( − ∆H ) E  − Rx2  UA  + k0 e x − 1 V ρC p VρC p  x = xo Rx 22 E  E −  Rx e 2    x 1 ∂h(x. entonces también se puede deducir x(kT) para 0 ≤ kT ≤ lT. Espinoza C. por esta razón.: Un sistema L. En ambos casos se tiene que el determinante es distinto de nulo para valores prácticos de la temperatura T. Esto porque sólo x0 es desconocido en la expresión de los estados (2. Si en cambio se considera a la concentración CA como salida del sistema.5(b). Dado que la respuesta a entrada cero en este caso es y(kT) = CAkx . normalmente se habla de si el par {A.49 Apuntes: 543 760 Ejemplo 2.19). entonces x es no observable si se cumple que el vector de estados de la solución a entrada cero es ortogonal al vector C. Copyright © por Prof. dado que y(kT) = Cx(kT). se puede determinar la otra numéricamente.T. Esto implica que si se tiene disponible una variable de estado. 2. 2.5. Determine la observabilidad del ejemplo del reactor exotérmico.I. es observable si el estado inicial x(0) = x0 puede ser deducido en forma única a partir del conocimiento de la entrada u(kT) y la salida y(kT) para todo tiempo t entre 0 y lT > 0. C} es v3 v1 v2 C Fig. Similarmente al caso continuo es extienden los conceptos de observabilidad a sistemas discretos. Estados no observables y observabilidad. Es decir. La Fig.: Un estado x ≠ 0 es no observable si la solución a entrada cero y(kT) con x(0) = x es cero para todo kT ≥ 0.7 Observabilidad en Sistemas Discretos. Geométricamente en un sistema con una salida. observabilidad indica que podemos deducir los estados para 0 ≤ kT ≤ lT. u)   ∂x 2  x= xo = [0 1] por lo u =uo u =u o que la matriz de observabilidad depende del punto de operación. Def.5(a) muestra el determinante de esta matriz para diferentes puntos de operación. R. Def. A.4 Representación gráfica de los vectores propios y el vector C del Ejemplo 2. 2. José R.

por lo que sería imposible discriminar entre éstas a partir de la salida y1(kT). que al ser considerado condición inicial generará una salida para entrada cero y2(kT) = CAkx1 + αCAkx = CAkx1 = y1(kT). Sea ahora x2 = x1 + αx . 2. José R. a) temperatura. El teorema anterior es del tipo p (L. i =0 0 0 1000 |O | |O | 0. C}) si y sólo si no tiene estados no observables. Sea el estado inicial x0 ≠ 0 por lo que la salida a entrada cero es y(kT) = CAkx0. l −1 ∑ (CA ) y (kT ) = M (lT )x 0 .I. si ahora se suman l componentes se tiene. con α ≠ 0. o p ⇒ q y q ⇒ p o del tipo q/ ⇒ p/ y q ⇒ p. b) concentración.04 3000 4000 300 320 340 360 380 Temperatura en el Reactor a) 400 0.T. (b) Se debe probar que al no haber estados no observables entonces el sistema es observable.50 Apuntes: 543 760 o no observable. Se observa que dos condiciones iniciales distintas generan igual salida. l −1 M (lT ) = ∑ (CA k )T CA k . i =0 por lo que x0 puede ser deducido como. CA. el teorema se prueba si se demuestra esto último.06 300 320 340 360 380 400 Temperatura en el Reactor b) Fig. es observable (o también el par {A.5 Determinante de la matriz de observabilidad considerando como salida a. (a) Sea x ≠ 0 un estado no observable y x1 ≠ 0 un estado arbitrario que al ser considerado condición inicial generará una salida para entrada cero y1(kT) = CAkx1. es observable) ⇔ q (no hay estados no observables). Copyright © por Prof. k T i =0 donde M(lT) esta dado por.I. Espinoza C. Teorema: Un sistema L. es decir. (a) si hay un estado no observable entonces el sistema es no observable y (b) si no hay estados no observables entonces el sistema es observable. l −1 M (lT )−1 ∑ (CA k )T y (kT ) = x 0 . Si se multiplican ambos lados por la izquierda por (CAk)T se tiene. . T.T. (CA k )T y (kT ) = (CA k )T CA k x 0 .02 2000 0. Por lo tanto.

Teorema: El vector x es no observable si y sólo si. Teorema: El par {A. La ecuación (2. rango{O} = n es equivalente a det{O} ≠ 0. o q ⇒ p y p ⇒ q. Espinoza C. Tests de observabilidad. el teorema se prueba si se demuestra esto último. o p ⇒ q y q ⇒ p. M CA k x  k = n −1 = CA n −1x  = 0 que corresponde a la ecuación (2.23) es la matriz de observabilidad O y que el sistema es observable si y sólo si el rango de O es n.23)).24) El teorema anterior es del tipo p (par {A. En el caso de ser cuadrada (una salida). (a) Sea x ≠ 0 un estado no observable entonces se cumple que al ser considerado condición inicial generará una salida para entrada cero CAkx = 0. C} no es observable) ⇔ q (se cumple que Cvk = 0). ∀kT ≥ 0. (2.    M  CA n−1  (2.23) desarrollada en sus componentes. es decir. con q = 1. . C} no es observable si y sólo si para algún vector propio vl de A se cumple.51 Apuntes: 543 760 lo cual es válido dado que M(lT) es no singular y que se demuestra como en los casos continuos. CA k x  CA k x  CA k x  k =0 k =1 k =2 = Cx  = 0 = CAx  = 0 = CA 2 x  = 0 . De hecho su dimensión es de (q·n)·n (q: número de salidas).  C   CA     CA 2  x = 0 . un sistema L. (a) si hay un vector Copyright © por Prof. Por lo tanto. Por lo que x es no observable. Es decir. es decir. (b) Se debe probar que al cumplirse (2.23) indica que CAkx = 0 ∀k ≥ 0.I. Por lo tanto.23) entonces hay estados no observables. Nótese que es importante definir la observabilidad en función del rango dado que O no necesariamente es cuadrada. Hay dos tests de observabilidad que son prácticos para encontrar los x0 que satisfacen CAkx0 = 0.23) El teorema anterior es del tipo p (x es no observable) ⇔ q (se cumple (2. B. es observable si det{O} ≠ 0.23) y (b) si se cumple (2. Cvl = 0. José R. es decir. (a) si hay un estado x no observable entonces se cumple (2. Considerando que la matriz involucrada en (2.T. Estos tests están fundamentados en teoremas a saber. el teorema se prueba si se demuestra esto último.23) entonces hay estados no observables.

Si x0 se usa como condición inicial. Es decir. En el caso de sistemas no observables. el vector de estados queda x(kT) = Akx0 = Ak(a1v1 + a2v2 + ··· + anvn) = a1Akv1 + a2Akv2 + ··· + anAkvn = a1λ1kv1 + a2λ2kv2 + ··· + anλnkvn = a1v1λ1k + a2v2λ2k + ··· + anvnλnk. entonces y(kT) = 0 y por lo tanto el sistema no es observable. Nótese que la definición asegura que es posible llevar el sistema a cualesquier estado x1 en un tiempo finito T.i. las cuales a su vez permitirán desarrollar nuevas estrategias de control.3 surge otra importante pregunta.la que define si es controlable o no un determinado sistema. En otras palabras.: Un estado x ≠ 0 es no controlable si la respuesta a c. Def. C} no es observable y (b) si el par {A. 2. 2.i. Por lo que salida sería y(kT) = Cx(kT) = a1Cv1λ1k + a2Cv2λ2k + ··· + anCvnλnk. ¿ Si se considera que la corriente is es la entrada. este teorema permite encontrar los modos no observables. Espinoza C. Como x0 ≠ 0.L. 0 Dado que x1 es un valor deseado de alcanzar. C} no es observable entonces hay un vector propio vl que cumple con Cvl = 0. T x (T ) = x 1 = e AT x 0 + ∫ e A ( T − τ ) Bu( τ)dτ .8 Controlabilidad de Sistemas Continuos. José R.los voltajes en los capacitores vc1 y vc2.52 Apuntes: 543 760 propio vl que cumple Cvl = 0 entonces el par {A.respuesta a c. es el valor de la integral . Como Cvl = 0. En forma más restrictiva se podría preguntar: ¿ es posible llevar las variables de estado . Dado que x0 es no observable entonces y(kT) = 0 ∀kT y por lo tanto deberá cumplirse que a1Cv1 = a2Cv2 = ··· = anCvn = 0.: Un S. . si se utiliza vl como condición inicial entonces el vector de estados es x(kT) = Akvl = λlkvl (con λl el valor propio asociado al vector vl). Es decir. A. Por lo que la salida es y(kT) = Cx(kT) = Cλlkvl = λlkCvl. que no necesariamente es parte de un punto de operación del sistema. (b) Los vectores propios forman un base por lo tanto cualesquier vector x0 ≠ 0 (en particular si x0 es no observable) puede ser generado a partir de la combinación lineal x0 = a1v1 + a2v2 + ··· +anvn (con al coeficientes a encontrar para cada x0).15) se puede deducir que ésta tiene por valor en t = T a. Estados no controlables y controlabilidad. nulas x(t) es ortogonal a x para todo t ≥ 0 y para todas las funciones de entrada u(t).I. Def. (a) Sea vl un vector propio que cumple Cvl = 0. y a la corriente del inductor iL .a valores arbitrarios en un tiempo finito ?. es posible llevar el voltaje del capacitor C1 a un valor arbitrario en un tiempo finito ?. es controlable si para cada x1 y T > 0 existe una función de entrada u(t) tal que el sistema es llevado del estado inicial x0 en t = 0 al estado final x1 en t = T. El concepto de controlabilidad ayudará a responder las interrogantes anteriores. esta característica asegura que el sistema puede estar a lo menos para un instante dado en el estado x1. la expresión anterior indica que u(τ) puede ser escogida de manera de dar el valor requerido a la integral y así obtener dicho valor. De la expresión de los estados (2. entonces hay al menos un al ≠ 0 y por ende el correspondiente Cvl = 0 para cumplir con la expresión anterior. estas dinámicas no se reflejan en la salida y(kT). Copyright © por Prof. Al retomar el circuito eléctrico de la Fig. nulas . Estos corresponden a los valores propios λl para los cuales su vector propio asociado vl cumple con Cvl = 0.

♣ Copyright © por Prof. 2.L. es controlable) ⇔ q (no hay estados no controlables). 2. −8T f −6T − 1) (1 − (e f ) 2 ) / 3 0. la solución para v existe y es única. de hecho.5(e tiempo se muestran en la Fig.5(e f − 1)  N (T f ) =  .: De la definición de punto de operación se tiene que xo = -A-1Buo = -A-1Buo = [1 -0. nulas evaluada en t = Tf se define la entrada u(Tf . (a) si hay un estado no controlable entonces el sistema es no controlable y (b) si no hay estados no controlables entonces el sistema es controlable. José R. . Se destaca la familia de puntos de operación que no contienen el vector x(Tf) = [1 -2]T.5 como requerido.  2 − 2 0  Ejemplo 2.5(e f − 1)   1  u (t ) = [2 − 2]    .333]T. Los resultados de simulación en función del − 6 ( T f −t )   −8T f −6T f 2 − 1) (1 − (e e ) ) / 3 − 2  0  0. y = Cx + Du . Determine 0 − 6     los puntos de operación para el vector de estados xo para una entrada arbitraria uo = uo (dado que uo es un escalar) y la entrada u(t) = u(t) para llevar el sistema a x(Tf) = [1 -2]T en un tiempo Tf = 0. R. los valores alcanzables como puntos de operación están en la dirección dada por el vector -A-1B = [1 -0. (a) Sea x ≠ 0 un estado no controlable. se tiene.T.25) como N(Tf) es definida positiva (debido a similares razones utilizadas para M(Tf) en el caso de la observabilidad). x(T f ) = Tf ∫ 0 e Aτ Bu(T f − τ)dτ = Tf ∫ 0 T e Aτ BB T e A τ vdτ = Tf ∫ 0 T T (B T e A τ )T (B T e A τ )dτv = N(T f ) v . (2. Al revisar la definición de estado no observable se aprecia una gran similitud con esta última expresión. con A =   y B = b = − 2 .333]Tuo. al tomar la transpuesta de la condición de controlabilidad. x T t ∫e A ( t −τ) 0 Bu( τ)dτ = x T t ∫e 0 Aτ t T Bu(t − τ)dτ = ∫ x e Aτ Bu(t − τ)dτ = 0 .25) se tiene que e −2 t 0  T u(t) = BTeA (T f. nulas son ortogonales a x por lo que ningún estado x(Tf) que no sea ortogonal a x es alcanzable.6(a) y en forma paramétrica en Fig.I. es decir. Por lo tanto.i. Espinoza C. o p ⇒ q y q ⇒ p o del tipo q/ ⇒ p/ y q ⇒ p.7. es decir. Si en la T expresión de la respuesta a c. con v un vector constante a encontrar. Se observa que el sistema pasa por el x(Tf) = [1 2]T en Tf = 0. Dado el sistema descrito por x& = Ax + Bu .i. el teorema se prueba si se demuestra esto último. Como A es diagonal A = AT. (b) Se debe probar que al no haber estados no controlables entonces el sistema es controlable.t)N(Tf)-1x(Tf). 0 T la cual debe cumplirse para ∀t ≥ 0.5. Por lo que no hay otra opción que x eAtB = 0 ∀t ≥ 0. por lo tanto todas las respuestas a c.τ) = BTeA τv.6(b). se obtiene la condición de observabilidad pero considerando BT como C y AT como A. es controlable (o también el par {A.I.53 Apuntes: 543 760 Esta definición se puede expresar como. Se asume que el sistema es controlable. por lo tanto eAt =  y − 6t  e   0 −8T  1 − (e −2T f ) 2 0. de (2. B}) si y sólo si no tiene estados no controlables.5(e Por lo que la expresión −1 para la entrada está dada por −2T −8T e −2(T f −t ) 0   1 − (e f ) 2 0. El teorema anterior es del tipo p (L. Teorema: Un S.

multiplicando por la izquierda por wkT y considerando que wkTA = (ATwk)T = (λkwk)T = λkwkT (donde λk es el valor propio asociado a wk) se tiene. En este caso se utiliza la dualidad entre observabilidad y controlabilidad para determinar los tests. BTwk = 0. Es decir. Así. Tests de controlabilidad. Copyright © por Prof. El test de los vectores propios también se aplica en este caso.54 Apuntes: 543 760 B. Espinoza C. un sistema es controlable si no existen x que satisfacen la expresión anterior.6 Representación gráfica de la respuesta a entrada cero del Ejemplo 2. . se puede utilizar el test basado en el determinante de C. Por lo que probar la controlabilidad es idéntico a probar la observabilidad del sistema ficticio dado por. entonces BTwk = wkTB = 0. dt dt si el modo λk es no controlable. y = BT x . B} no es controlable si y sólo si para algún vector propio wk de AT se cumple. Para esto se escribe la condición de controlabilidad como. Un análisis interesante es el siguiente.  BT   T T   B A2   BT AT x = x   M   B T A T n −1    T [B ] AB A 2 B L A n −1B = 0 . AB A 2B L A n −1B ]} = rango{C} = n . x2(t) 4 x2(t) 2 -A-1B xo 0 x(Tf) 0 u(t)/10 -2 -2 x1(t) -4 -4 0 0. Por lo tanto. Así. a) Respuesta en el tiempo. el par {A. un estado no controlado x satisface.7. rango{[ B Nótese que si C es cuadrada. x& = Ax + Bu . T T x e Aτ B = B T e A τ x = 0 . condición que luce idéntica a la de observabilidad pero considerando C = BT y A = AT.4 0. b) paramétrica.2 (a) 0. 2. por lo que finalmente. un sistema es controlable si det{C} ≠ 0. para lo cual. El modo wk se denomina modo no controlable. x& = A T x. w Tk x& = w Tk dx d ( w Tk x ) = = w Tk Ax + w Tk Bu = λ k w Tk x + w Tk Bu .5 t 4 2 0 2 x1(t) (b) Fig. José R.

En el ejemplo del eje flexible . x2 = ωr.3 |C | 0.1 .55 Apuntes: 543 760 d ( w Tk x ) = λ k w Tk x . Por lo tanto. R. 2. Los valores propios de AT son λ1 = -2. por lo que no es controlable.como indicado en el Ejemplo 1. w2 = [1 -1 -1]T.1 0 300 320 340 360 380 400 Temperatura en el Reactor Fig. y w3 = [-1 -1 1]T. Se anticipa que la región alcanzable es un plano dado que hay sólo un modo no controlable. ♣ Ejemplo 2. BTw2 = 0. Dado el sistema descrito por x = Ax + Bu .10.8. y C están dadas en el Ejemplo 1. determine si es controlable y/o observable. u)   0    ∂u  Rx 22  UA  por lo que la  = = y B    E  ∂f 2 (x. La Fig. B. 2. p = Tl e y = x4 = ωl. Esto implica que es posible llevar la temperatura T y la concentración CA a valores arbitrarios que no necesariamente son los puntos reoperación mediante la manipulación de la temperatura Tc. y los vectores propios de AT son. respectivamente.1 por lo que se 4 2 1 kmk encuentra que la matriz de controlabilidad C = [B AB A2B A3B A4B] tiene un determinante det{C} = 5 4 4 2 = La n J m J l 0. λ2 = -4 y 0 4 − 32 λ3 = -6.: En este caso. ♣ Ejemplo 2. . x3 = θl. w1 = [1 1 1]T . Determine      2 0 2 − 4 si es controlable. la matriz de controlabilidad es 4  1 − 2 C = 1 − 6 36  que tiene un det{C} = 0. José R. además de: u = va. y BTw3 = -2. el modo no controlable es λ2 = -4. Si no lo es. Por lo que BTw1 = 2. Copyright © por Prof.7 muestra el determinante de esta matriz para diferentes puntos de operación. Determine la controlabilidad del ejemplo del reactor exotérmico. con A = − 1 − 5 1 y B = 1 .: En este caso se tiene que las matrices  E   −   − q − k e  Rx2  0  V son A =   E   −     (−∆H ) k 0 e  Rx2   ρC p    ∂f1 (x. dt de donde claramente se ve que el modo λk no es afectado por la entrada y por tanto no es controlable. R. u)  Vρ C   −    p − q ( − ∆H ) E  Rx2  UA   x = xo ∂ u + k0 e x −   1 2 V ρC p VρC p  x = xo u =u o Rx 2 E − k0  E −  Rx e 2    x 1 u =u o matriz de controlabilidad depende del punto de operación.9. Espinoza C.: Para este caso las matrices A.que considera una representación con 5 variables de estado dadas por: x1 = θr. determine el o los modos no controlables. Se puede observar que el determinante es distinto de nulo para valores prácticos de la temperatura T. y = Cx + Du . R.2 0. x4 = ωl. 1  − 3 1 1    & Ejemplo 2.7 Determinante de la matriz de controlabilidad. y x5 = ia.

x2 = ωl. Por lo tanto. nulas .: Un S.2 donde hay sólo cuatro elementos almacenadores de energía y por tanto se tienen cuatro ecuaciones dinámicas para su representación. i=0 Dado que x1 es un valor deseado de alcanzar. De la expresión de los estados (2.56 Apuntes: 543 760 1. B = b =  0  . Como anteriormente. k −1 x T k −1 ∑ Φ(kT − T − iT )Bu(iT ) = x ∑ A T i=0 Copyright © por Prof.472·1018 y la matriz de observabilidad OT = [CT (CA)T (CA2)T (CA3)T] tiene un determinante det{O} = 0. esta última representación es controlable y J l3 nJ m observable. l −1 x(lT ) = A l x 0 + ∑ Φ(lT − T − iT )Bu(iT ) .19) se puede deducir que ésta tiene por valor en kT = lT a. nulas x(kT) es ortogonal a x para todo kT ≥ 0 y para todas las funciones de entrada u(kT). Es decir. Esta definición se puede expresar como. i =0 k −1−i k −1 Bu(iT ) = x T k −1 ∑ A Bu(kT − iT ) = ∑ x i i =0 i =0 T A i Bu(kT − iT ) . si se utiliza el equivalente circuital del sistema como ilustrado en la Fig. A. es controlable si para cada x1 y lT > 0 existe una función de entrada u(kT) tal que el sistema es llevado del estado inicial x0 en kT = 0 al estado final x1 en kT = lT. y x4 = ia. Estados no controlables y controlabilidad.i. el concepto de controlabilidad se extiende a sistemas discretos. que no necesariamente es parte de un punto de operación del sistema.i. e y = x2 = ωl.9 Controlabilidad de Sistemas Discretos. ♣ 2. además de. C = c = [0 1 0 0 ]. x3 = tr. la representación es controlable. Por lo tanto. p = tl. Def. Def. José R.la que define si es controlable o no un determinado sistema. km  −1  0  0  2  0  n J m J mn    0  1  0    0 0 A=  . Así. se encuentra que la matriz de Jl  k 1  −k 0 0   − nk   − R m a    La  0 0  La La  controlabilidad C = [B AB A2B A3B] tiene un determinante det{C} = [CT (CA)T (CA2)T] tiene un determinante det{O} = 1 k m3 k 2 L4a n 3 J m3 J l ≠ 0 y la matriz de observabilidad OT = 1 2 km k ≠ 0. la expresión anterior indica que u(i) puede ser escogida de manera de dar el valor requerido a la sumatoria y así obtener dicho valor.L. 1. se tiene que x1 = ωr. . pero no observable. Espinoza C. es el valor de la sumatoria . esta característica asegura que el sistema puede estar a lo menos para un instante dado en el estado x1. Sin embargo. Nótese que la definición asegura que es posible llevar el sistema a cualesquier estado x1 en un tiempo finito lT. Por lo tanto.I.respuesta a c.: Un estado x ≠ 0 es no controlable si la respuesta a c. u = va. Es decir.

Es decir. por lo tanto todas las respuestas a c. En este caso se utiliza la dualidad entre observabilidad y controlabilidad para determinar los tests. l −1 l −1 l −1 i =0 i =0 i =0 x(lT ) = ∑ A i Bu(lT f − iT ) = ∑ A i BBT ( A i )T v = ∑ (BT ( A i )T )T BT ( A i )T v = N (lT f ) v .L. la solución para v existe y es única. Copyright © por Prof. x  T A k B = BT ATk x  = 0 . un sistema es controlable si no existen x que satisfacen la expresión anterior. con v un vector constante a encontrar. es controlable (o también el par {A. (b) Se debe probar que al no haber estados no controlables entonces el sistema es controlable.I.I. Por lo tanto. Por lo tanto.  BT   T T   B A2   BT AT x = x   M   B T A T n −1    T [B ] AB A 2 B L A n −1B = 0 .iT) = i BT(A )Tv.T. es decir. (2.i. se tiene. se puede utilizar el test basado en el determinante de C. Nótese que si C es cuadrada. el teorema se prueba si se demuestra esto último. Si en la expresión de la respuesta a c. se obtiene la condición de observabilidad pero considerando BT como C y AT como A. (a) si hay un estado no controlable entonces el sistema es no controlable y (b) si no hay estados no controlables entonces el sistema es controlable.26) como N(Tf) es definida positiva (debido a similares razones utilizadas para M(Tf) en el caso de la observabilidad). al tomar la transpuesta de la condición de controlabilidad. . Por lo que no hay otra opción que x AkB = 0 ∀kT ≥ 0. nulas son ortogonales a x por lo que ningún estado x(Tf) que no sea ortogonal a x es alcanzable. José R. El teorema anterior es del tipo p (L. Tests de controlabilidad. para lo cual. (a) Sea x ≠ 0 un estado no controlable. B}) si y sólo si no tiene estados no controlables. y ( k ) = B T x( k ) . un sistema es controlable si det{C} ≠ 0. de hecho. rango{[ B AB A 2B L A n −1B ]} = rango{C} = n . nulas evaluada en kT = lTf se define la entrada u(lTf . un estado no controlado x satisface. Para esto se escribe la condición de controlabilidad como. Espinoza C. condición que luce idéntica a la de observabilidad pero considerando C = BT y A = AT. Así.i. B. es controlable) ⇔ q (no hay estados no controlables). Teorema: Un S. x(k + 1) = AT x(k ).57 Apuntes: 543 760 T la cual debe cumplirse para ∀kT ≥ 0. Al revisar la definición de estado no observable se aprecia una gran similitud con esta última expresión. o p ⇒ q y q ⇒ p o del tipo q/ ⇒ p/ y q ⇒ p. Por lo que probar la controlabilidad es idéntico a probar la observabilidad del sistema ficticio dado por.

Copyright © por Prof. BT. AT = TAT-1. si el modo λk es no controlable. y DT = D. Es decir. es importante estudiar cómo se alteran estas propiedades. Dada la realización. La utilización de realizaciones modifica las matrices A. BT = TB.   CT−1   C  CT−1  CT      C A     −1 −1 −1    CAT   CA   T T   CT TAT O T =  CT A T 2  =  CT−1 (TAT −1 )2  =  CA 2 T−1  =  CA 2  T −1 = OT−1 . y D y dado que las características de observabilidad y controlabilidad dependen de éstas. entonces BTwk = wkTB = 0. x(k + 1) = Ax(k ) + Bu(k ) . si una realización {A. el par {A. Observabilidad en Sistemas Continuos. w Tk x(k + 1) = λ k w Tk x(k ) . Así. z& = A T z + B T u . DT}z. y = Cx + Du . y = C T z + D T u . José R. y (k ) = CT z (k ) + DTu(k ) . donde. si se define z = Tx. B. A. CT = CT-1. B. del resultado anterior se deriva que det{OT} = det{O}det{T-1}. . Por lo que la matriz de observabilidad de la nueva representación es. Por lo que el mismo análisis anterior es válido y por tanto las conclusiones. entonces. puesto que los vectores propios de AT son Tvk (con vk vector propio de A).         M M M     M     CT A T n−1  CT −1 (TAT−1 ) n −1  CA n−1T −1  CA n −1  Claramente. de donde claramente se ve que el modo λk no es afectado por la entrada y por tanto no es controlable. Por otro lado. C. BTwk = 0. si la realización original es observable. entonces lo es la nueva realización. CT = CT-1. y (k ) = Cx(k ) + Du(k ) . las propiedades de observabilidad se mantienen. Esta condición por tanto podría escribirse como 0 = CT-1(Tvk ) = Cvk que corresponde a la condición original. Observabilidad en Sistemas Discretos. B} no es controlable si y sólo si para algún vector propio wk de AT se cumple. Por ejemplo. D}x es controlable/observable y se define la realización {AT. la condición de modos observables para la nueva realización sería CT(Tvk ) = 0. ¿ es la nueva realización siempre controlable/observable ?. z (k ) = A T z (k ) + B Tu(k ) . B. CT. por lo que finalmente. BT = TB.58 Apuntes: 543 760 El test de los vectores propios también se aplica en este caso. entonces. si se define z(k) = Tx(k). C. 2. w Tk x(k + 1) = w Tk Ax(k ) + w Tk Bu(k ) = λ k w Tk x(k ) + w Tk Bu(k ) . x& = Ax + Bu . puesto que si O es cuadrada. x(k + 1) = Ax(k ) + Bu(k ) . como el sistema original es observable entonces det{O} ≠ 0 y dado que T y T-1 existen entonces det{T-1} ≠ 0 por lo que det{OT} ≠ 0 y por tanto la nueva realización es observable. multiplicando por la izquierda por wkT y considerando que wkTA = (ATwk)T = (λkwk)T = λkwkT (donde λk es el valor propio asociado a wk) se tiene.10 Observabilidad y Controlabilidad en Realizaciones. Un análisis interesante es el siguiente. donde z(t) = Tx(t) con T una transformación invariante tal que T-1 existe. Espinoza C. El modo wk se denomina modo no controlable. AT = TAT-1. y DT = D. donde. Dada la realización.

Controlabilidad en Sistemas Discretos. Espinoza C. Por otro lado. wn  M   T w n  T los vectores propios de A . . como el sistema original es controlable. Controlabilidad en Sistemas Continuos. los tests se pueden utilizar igualmente en este caso. ···. también se puede escribir PATP-1 = diag{λ1. puesto que los vectores propios de ATT son [TT]-1wk (con wk vector propio de AT). y = Cx + Du . D. puesto que si C es cuadrada. José R. wn se puede escribir que ATwk = λkwk. ···. vn]-1. C[v1 v2 vn] = [Cv1 Cv2 Cvn] y DT = D. Por tanto. ···. ···.. CT = CT-1.. Nótese que se utiliza la relación T =   con w1. =  M   M   T  T  w n   w n B  w1T   T w2 . Para probar que T está efectivamente compuesto de tales vectores propios se debe considerar que los valores propios de AT (que son λ1. ···. C T = B T A T B T A T 2B T L ( A T )n −1 B T  = TB TAT−1TB (TAT −1 )2 TB L (TAT −1 )n −1 TB  = TB TAB TA 2 B L TA n −1B  .. = T  B AB A 2B L A n −1B  = TC Así. donde vk corresponde a los vectores propios de A. Es decir. la transformación T = [v1 v2 . BT = TB =   B =  (con w1. las conclusiones para la controlabilidad se pueden extrapolar al caso discreto. ···. wn los vectores propios de AT). la condición de modos controlables para la nueva realización sería BTT([TT]-1wk ) = 0. Al igualar esta última expresión con la de AT se puede concluir que Copyright © por Prof. . ···. wn]1 .. λn) son también los de A y si los vectores propios de AT son w1. Un análisis similar al anterior muestra que la matriz de controlabilidad de la nueva representación es.. tomando la transpuesta de esta expresión se tiene (P-1)TAPT = diag{λ1. entonces det{C} ≠ 0 y dado que T y T-1 existen entonces det{T} ≠ 0 por lo que det{CT} ≠ 0 y por tanto la nueva realización es controlable. λn los valores  w1T B   w1T   T  T  w2 w 2 B propios de A). λn}. λn} (con λ1. Similarmente al caso de la observabilidad... λn}. si la realización original es controlable. definiendo P = [w1 w2 .59 Apuntes: 543 760 C. permite una mejor comprensión de estas características. del resultado anterior se deriva que det{CT} = det{T}det{C}. Esta condición por tanto podría escribirse como 0 = (TB)T([TT]-1wk ) = BTTT[TT]-1wk = BTwk que corresponde a la condición original. Diagrama para la Controlabilidad y Observabilidad. entonces lo es la nueva realización.. Una representación en diagrama de bloques de la forma canónica diagonal del sistema x& = Ax + Bu . donde AT = TAT-1 = diag{λ1. E. En este caso. permite obtener la realización: z& = A T z + B T u . ···. las propiedades de controlabilidad se mantienen. y = C T z + D T u .

2. Copyright © por Prof. z& =   M  M M O M  T     0 0 L λn   w n B la expresión previa se puede expresar en sus componentes como.  z&1  λ1 0  z&   0 λ 2  2 =  M M M &    zn   0 0 L 0   z1   w1T B  u1  L 0   z 2   w T2 B  u2   .8. Cvn]z + Du. + .   + O M  M   M  M       L λ n   z n   w Tn B u p   y1   z1   d 11 y   z  d  2  = [Cv 1 Cv 2 L Cv n ] 2  +  21 M M  M       yq   z n  d q1 d 12 d 22 M d q2 L d 1 p   u1  L d 2 p   u2    . entonces la entrada u no tiene forma de modificar el modo λk (el modo λk no es D T w1 B z&1 + ∫ z1 Cv1 + λ1 u T w2 B z&2 + ∫ y z2 Cv2 λ2 wnTB z&n + ∫ zn Cvn λn Fig.8 Diagrama en bloques de la FCD. Espinoza C. José R. estas expresiones se pueden mostrar como ilustrado en la Fig. Claramente. Finalmente.. y = [Cv1 Cv2 . si algún factor wkTB = 0.60 Apuntes: 543 760  w1T   T w2 -1 T T = P y por lo tanto T =   . la nueva realización se puede escribir como.. 2.  M   T w n  T  w1 B λ 1 0 L 0   T  0 λ L 0 2  z +  w 2 B u . Si se considera que z = [z1 z2 ··· zn]T. O M  M    L d qp  u p  Gráficamente.

Controlable y observable (wiTB ≠ 0. el La Descomposición Canónica. con A = − 1 − 5 1 y B = 1 tiene valores      2 0 2 − 4 T T propios λ1 = -2. Copyright © por Prof. El sistema descrito por x = Ax + Bu .7. Cvi ≠ 0). .9(b). x3. x2. Para encontrar los valores logrables  z& 3   0 − 6  z 3  − 2 de x se debe considerar que x = T-1z. respectivamente. cuyo vector perpendicular es n2 = [-1 1 1]T.5. z2. λ2 = -4 y λ3 = -6.61 Apuntes: 543 760 controlable y por tanto el sistema es no controlable). Cvi ≠ 0). w2 = [1 -1 -1]T. Es importante destacar que si un sistema es no controlable porque un modo es no controlable.5z 3  al plano descrito por -x1 + x2 + x3 = 0. si se desea alcanzar los valores z1 = 1. entonces los restantes modos son controlables. las variables de estado restantes que están asociadas con estos modos pueden tomar cualesquier valor arbitrario en un tiempo finito si se escoge la entrada apropiada. z3. cuyo vector perpendicular es n1 = [0 1 0]T . Es decir. Por ejemplo. y w3 = [ w 1T  0   z1   2   z&1   − 2 0   1 -1 1]T. si el factor Cvk = 0. entonces el modo λk no se refleja en la salida y (el modo λk no es observable y por tanto el sistema es no observable). y z3 son los encontrados en el plano como se muestra en la Fig. Espinoza C. 1  − 3 1 1    & Ejemplo 2. 2.5z1    − 0. Como z1 y z3 son alcanzables en forma arbitraria.11. 0.x son 3 3 1 2   0.11. Al tener una realización FCD . y los vectores propios de A son. por otro lado. Por lo que su FCD queda  z& 2  =  0 − 4 0   z 2  +  0 u donde la transformación es T =  w T2  de donde         w T3  0 − 6  z 3  − 2  z& 3   0   se observa que z2 arbitrario no puede ser alcanzable. a) coordenadas z1. ♣ F. Es decir. 2.5z  .5z1 + 0. x2. y = Cx + Du . se redefine  z&1  − 2 0   z1   2  el sistema como   =     +  u y se procede como en el Ejemplo 2.9(a) los cuales se pueden generalizar por la ecuación del plano z2 = 0. los valores alcanzables de x1. z2 = 0 y z3 = -2 para T = 0. los valores logrables para z1. los cuales corresponden que se ilustra en la Fig. las variables de estado se pueden clasificar en cuatro categorías. de donde se puede deducir que los valores dados por x = x . w1 = [1 1 1] . x3 z3 n2 n1 x2 z2 x1 z1 (a) (b) Fig. y x3 −1 1 1   z1   x1   1    son x 2 = 1 − 1 − 1  0  =        x 3  − 1 − 1 1   z 3  alcanzables. José R. No controlable y observable (wiTB = 0. z2. 2.9 Representación gráfica de los planos alcanzables por el sistema del Ejemplo 2. b) coordenadas x1.

Cvi = 0).10 Representación gráfica de la descomposición canónica para sistemas con distintos valores propios. Dc} que es controlable y observable es muestreado con un retentor de orden cero y da origen al sistema {Ad. Recordar que. esto es. Bc.27) El teorema anterior indica una mínima frecuencia de muestreo que coincide con la frecuencia de muestreo de Nyquist. 2T 2 2π (2. de T. c d = C . si el sistema no tiene raíces complejas.62 Apuntes: 543 760 Controlable y no observable (wiTB ≠ 0. el muestreo ante raíces reales se restringe para que el resultado sea representativo. Esta clasificación da lugar a una importante representación que si bien es válida sólo para los casos en que se dan valores propios distintos. Dc} con polos pi = αi + jωi = αi + j2πfi.… n y sea ωmax = 2πfmax = maxi |2πfi |. A d = Φ (T ) = e AT . el teorema indica que no hay una frecuencia mínima para garantizar que la característica de controlabilidad se mantenga. de un sistema. Una interrogante importante es qué pasa si un sistema continuo dado por {Ac. Entonces elmodelo discreto con retención de orden cero obtenido con un muestreo T = 1/f será controlable si T = 1/f satisface. . las conclusiones son generales. Cd. Controlables No observables u Controlables Observables + y No controlables Observables No controlables No observables Fig. Copyright © por Prof. Naturalmente. 1 f ω = > max = f max .11 Observabilidad y Controlabilidad en Sistemas Muestreados. 2. Teorema: Dado un sistema continuo controlable {Ac. No controlable y no observable (wiTB = 0. José R. Cc. la relación entrada/salida queda inalterada. que el muestreo sea a lo menos 5 veces más rápido que la más rápida constante de tiempo del sistema. La representación está dada en la Fig. Bd. Dd} en términos de controlabilidad y observabilidad. Además. 2. Para esto se tiene el siguiente teorema. En otras palabras. sólo los estados controlables y observables definen la M. Cc. 2. i = 1. y D d = D . Cvi = 0). Bc.10 y de ésta se desprende que si las variables no observables y/o no controlables son retiradas de la representación. Bd = {∫ e T 0 A (T − σ ) } Bd σ . 2. Espinoza C.

y que pueden tener dinámicas inestables.P.P. Para determinar si un sistema es internamente estable o no.. 2. Def.T.T.12 Estabilidad. SISO es estable entrada/salida si y sólo si su M. Copyright © por Prof.i. 2.: Un L.I. SISO es estable entrada/salida si y sólo si su respuesta a impulso satisface... En éste se puede apreciar fácilmente que la vi vo L iL Ro Fig. En forma adicional. estable (e. Teorema: Un sistema L. de T. José R. es estable internamente si la solución a entrada cero xec converge a cero para cualesquier condición inicial x0. Es importante destacar que si un sistema es estable internamente.T. ∞ ∫ | h(t ) | dt < ∞ .I. Def. Espinoza C. es estable entrada/salida si la solución a c. de T. todos sus polos son estables) pueden existir estados que no se reflejan en ésta (los no controlables y/o no observables). 0 Teorema: Un sistema L.T.11 Circuito eléctrico para mostrar el concepto de estabilidad interna.: Un L.I.P. entonces es estable entrada/salida. de T. (que son F.11 ilustra los conceptos anteriores. Para determinar si un sistema es estable entrada/salida o no se tienen los siguientes teoremas.T. es estable internamente si y sólo si todos los valores propios de A están en el S. Por esto. .I. de T. tiene todos sus polos en el S.) tengan sus polos en el S. En una M. nulas xci es acotada para cualesquier entrada acotada u. Teorema: Un sistema L. En un sistema MIMO la condición necesaria y suficiente es que todos los coeficientes de la M. se tiene el siguiente teorema. El circuito de la Fig. se definen dos tipos de estabilidades.d. de T..I.I.I.I. se puede definir la estabilidad desde el punto de la M. Lo inverso no es necesariamente verdadero.63 Apuntes: 543 760 2..

.i. A.12 determine sus valores propios. 2. caso contrario es inestable internamente. 2. de T. Utilice un nuevo vector de estados χ = [ xT xT]T constituido por los vectores de estado de cada sistema por separado.4. controlable y no observable. no controlable y observable. Por último. Determine la F. entonces éste es siempre controlable. c = [1 0 0] .5. Si x1 y x2 son los vectores de estado de cada sub-sistema. Para los sistemas de la Fig. ó M. . Dé ejemplos de sistemas.i. Espinoza C.  1 1 −4  1  a) b) 2. Demuestre que si un sistema tiene n salidas l. Nivel Intermedio 1. Por otro lado. Esta dinámica es una dinámica interna y si Ro > 0 entonces el sistema es estable internamente. 1 −1 4   0  Pruebe todas las propiedades de la matriz de transición Φ (t) = eAt revisadas en estas notas. se puede identificar la dinámica asociada con la corriente del inductor iL que no se refleja en la F. José R. Los sub-sistemas de la Fig.a) b) c) d) 6. c = [1 0 1] . controlable y observable. no controlable y no observable. es h(s) = 1.2. Nivel Básico 1. identifiquen los estados que son no controlables y/o no observables.- Determine si los siguientes sistemas son controlables y/o observables. entonces éste es siempre observable. de T.13 Ejercicios Propuestos.3. según corresponda. por lo tanto es estable entrada/salida. Los que no lo sean. por tanto es no observable y por consiguiente el sistema es no observable. y d = 0. Resuelva los problemas siguientes. para los sistemas de la Fig.. 2. por lo que esta dinámica es controlable y por tanto el sistema es controlable. Anote todo su trabajo.  −3 −1 2  1    A =  1 −5 2  . determine una representación de estados entre la entrada u y la salida y. b =  0  . Los sub-sistemas de la Fig. 2.64 Apuntes: 543 760 F. determine una representación de estados entre la entrada u y la salida y.13(a) son idénticos y tienen c/u por vector de estado a x.7. b =  0  . 2.- Demuestre que si un sistema tiene n entradas l.12. de T.3. de T. Esto último es verdad aún cuando la dinámica sea inestable. Para el reactor continuamente agitado modelado por: Copyright © por Prof.- 3 −1 −2  1  A = 1 5 2  .13(b) están dados por 1 2( s − 1) y h2 ( s ) = 2 ( s − 1)( s + 1) s + s +1 obtenga realizaciones en variables de estado para ambos sistemas por separado. y d = 0. se puede identificar que la entrada vi afecta directamente a iL. Utilice el nuevo vector de estados dado por χ = [ x1T x2T]T. h1 ( s ) = B.

E.12 determine si son controlables y/o observables. Si no lo es. 11. = −(1 + β) x2 + BDa (1 − x1 )e x2 + βu 2 dt dt donde Da = 0. B. 8. B. d) compensador de reactivos. BT. entonces el sistema {AT. C. BT. DT} es observable.Demostrar que los vectores propios asociados a los modos no controlables generan una base para los estados no controlables del sistema. C. D} es observable. F} en torno al punto de operación es controlable y/o observable.Demostrar que los vectores propios asociados a los modos no observables generan una base para los estados no observables del sistema. 2.13(b) estable internamente ?.12 determine su FCC.. 10. .2. entonces el sistema {AT.. C... a) carga de potencia constante.65 Apuntes: 543 760 dx1 dx2 = − x1 + Da (1 − x1 )e x2 + u1 .. D. β = 3.Para los sistemas de la Fig. 2.13(b) estable entrada/salida ? ¿ Es el sistema resultante de la Fig.12 Sistemas para ejercitar. FCD y FCJ.1.Si los sub-sistemas de la Fig.. 9. determine los estados no controlables y/o no observables. 4. determine el rango para las entradas tal que el modelo lineal {A. Espinoza C. determine los estados no controlables y/o no observables. 5. CT. 7.. 2. D} es controlable..Demostrar que los vectores propios asociados a los modos no controlables generan una base para los estados no controlables del sistema. C.Demuestre que si {A. Nivel Avanzado 1. DT} es controlable. 2. B. c) levitador magnético. CT. 2. Enuncie qué sucede con las características de controlabilidad y observabilidad de un sistema con iL vc il R a) L vs b) vl C + e(t) L - i(t) + v(t) Sw(t) PCC R L i(t) a c) + e(t) R C ioabc voabc iiabc isabc - d) Ri Li vsabc y(t) Ro Lo mabc M idc l1 x(t) d vdc Rdc Cdc k fuente compensador carga Fig. FCO. 2.0 y B = 19. En el caso de no serlo.- Para los sistemas de la Fig. b) boost dc-dc. Copyright © por Prof.Demuestre que si {A. ¿ es el sistema resultante controlable y/o observable ?. 6.13(a) son controlables y observables. José R.¿ Es el sistema resultante de la Fig.

B. A = diag{λ1. C..13 Sistemas para ejercitar. C. Si la realización {A. ∞ Ak I A A2 Ak ( sI − A) −1 = ∑ k +1 = + 2 + 3 + . B. C. s s s s k =0 s 3.. D} de un sistema SISO se caracteriza por tener una matriz A diagonal (es decir..5.. José R.- u {A. h2(s) .. λ2. B.. D} + a) u y b) y h1(s) {A. Repita 3 para un sistema MIMO arbitrario.- 4. a) sistema paralelo. C y D tal que el sistema sea controlable. Demuestre la siguiente identidad. determine y fundamente matemáticamente una condición necesaria para los vectores B. 2...66 Apuntes: 543 760 más de una entrada y más de una salida si se utiliza un transformación invariante en el tiempo T para redefinir sus variables de estado. Repita para que sea observable. Espinoza C. Copyright © por Prof. + k +1 + . b) sistema serie. D} Fig. λn}) y los elementos de A son diferentes entre si y distintos de cero.

se detallan las propiedades que son de fácil manejo en este dominio. de T. de T. y = Cx + Du . definitivamente. s( s + 2) en donde se puede distinguir un cero en –1 y dos polos. con especial énfasis en los conceptos de realizaciones mínimas. Este sistema es de orden n = 2 y tiene una F. los ceros no son de fácil visualización. por x& = Ax + Bu . A diferencia del capítulo anterior.  s 2 + 3s + 2  s 2 + 3s + 2  2 2 s 2 − 8  2s − 4   s − 4 s + 1  2 en donde los polos parecieran estar dados por las raíces del polinomio s2 + 3s + 2 = 0 y. Por otro lado. d ( s ) s + a n −1 s n −1 + a n −2 s n −2 + L + a1 s + a 0 en donde n(s) y d(s) son coprimos. a. C = c = [1] y D = d = [ 0] se tiene un sistema de orden n = 1 y éste también tiene una F. H(s) es una realización mínima si no existe una realización de menor orden cuya M. 1   s 2 + 3s + 2  s2 + s − 4 H( s ) =  2  s + 3s + 2  s−2  s +1  −1  s + 3s + 2  1 −1   2s 2 − s − 8  1 2 2  = s + s − 4 2 s − s − 8 . existirá una realización de orden mínimo. de T. puede se representada por realizaciones de distinto orden.67 Apuntes: 543 760 3 Representación en Matrices de Transferencia. B =   1 . de T. dada por h(s) = 1/(s + 1). Se puede intuir que dada una F. de T. Si.: Una realización de una M. un sistema MIMO podría ser. En particular. en éste se revisan variadas propiedades pero en el plano de la frecuencia (Laplace o Z). En general. Espinoza C. B = b = [1] . h( s ) = s +1 . . los polos están dados por las raíces de d(s) y los ceros por las raíces de n(s). de T. Sea por ejemplo un sistema SISO que tiene por F. h( s ) = n( s ) bn −1 s n −1 + bn −2 s n −2 + L + b1 s + b0 = n . Copyright © por Prof. José R. polos y ceros de sistemas MIMO. dada por h(s) = 1/(s + 1). sea H(s). Para estos efectos se utiliza la M.  − 1 0 − 2 Otro ejemplo es el sistema dado por. de los sistemas. de T. una F. de T. por otro lado. un sistema SISO definido por.  1 1   C = c = [ 0 1] y D = d = [ 0] . uno en 0 y uno en –2. donde A =  . se considera A = a = [ −1] . Por lo tanto. 3. Def.1 Introducción.

015j -2. 1. el resultar no cuadradas sólo deja la operación de rango de matrices para determinar la característica de realización mínima. la perturbación p = to y a la salida y = [ωo ia1 . e y = x2 = ωl.262·10-3+3.308j].488·10-4j 0]. además. esta última representación es mínima. B =   . v5TCT = [0 2.03j]. Espinoza C.228·10-5j]. R. De ésta se desprende que si el sistema sólo tiene estados observables y controlables. x4 = ωl. y x5 = ia. p = tl.459·10-4-0. w5TB = [14. ♣ J l3 nJ m Ejemplo 3. la representación no es mínima. x1 = ωr. por lo que no hay estados no controlables y.16·10-4-0. v7TCT = [-1.1. v6TCT = [-1. se encuentra que la matriz de controlabilidad C = [B AB A2B A3B] tiene un 1     La  determinante det{C} = det{O} = 1 k m3 k 2 L4a n 3 J m3 J l ≠ 0 y la matriz de observabilidad OT = [CT (CA)T (CA2)T (CA3)T] tiene un determinante 1 2 km k ≠ 0.: Para este caso las matrices A. En el ejemplo del accionamiento con dos motores .012-0. Así.como indicado en el Ejemplo 1. v1TCT = [-4.509·10-10+7. Por lo tanto. D = [0] no es mínima. y C están dadas en el Ejemplo 1.03j 0. p = Tl e y = x4 = ωl. C = [0 1] . v2TCT = [-4.41·10-4-3.015j]. Por lo tanto. w6TB = [0. w2TB = [-2. w3TB = [-4.488·10-4j 0]. por lo que no hay estados no observables.que considera una representación con 5 variables de estado dadas por: x1 = θr. v4TCT = [0 -2.012+0. Por lo tanto. w4TB = [-4.03j].472·1018 y la matriz de La n J m J l observabilidad OT = [CT (CA)T (CA2)T (CA3)T (CA4)T] tiene un determinante det{O} = 0. entonces la M. En el ejemplo del eje flexible . A =  0  Jl  k  − k 0 0  − nk − Ra  m  0 0  La La   0   0    B = b =  0  .228·10-5j]. Ejemplo 3.2 donde hay sólo cuatro elementos almacenadores de energía y por tanto se tienen cuatro ecuaciones dinámicas para su representación.68 Apuntes: 543 760  − 1 0 − 2 En el último ejemplo.03j 0. x2 = ωl.308j 4.459·10-4+0. la realización es mínima.308j 4. u = va.199·10-6j 0].33].142 -14. Sin embargo.459·10-4+0. a las entradas u = [u1 u2]T = [va1 va2]T.16·10-4+0.012-0.199·10-6j 0]. x3 = θl. determine si es mínima. si se utiliza el equivalente circuital del sistema como ilustrado en la Fig.como indicado en el Ejemplo 1. Por lo tanto. .015j -2. x3 = tr. además de: u = va. B. Así: w1TB = [-2.3 . Una alternativa para probar este teorema es utilizando la representación gráfica de la descomposición canónica (capítulo anterior). B. José R. además de. x2 = ωr. R.2.   1 1 1 Teorema: Una realización es mínima si y sólo si ésta es controlable y observable.16·104 +0. C = c = [0 1 0 0 ]. y x4 = ia.3. de T.1 por lo que se encuentra que la matriz de 4 2 1 kmk controlabilidad C = [B AB A2B A3B A4B] tiene un determinante det{C} = 5 4 4 2 = 1.308j].459·10-40. la realización A =  . y C están dadas en el Ejemplo 1. v3TCT = [0 -2.ia2]T.012+0. Se opta entonces por encontrar los estados controlables y observables. se tiene que km  −1  0  0  2 n J m J mn   1  0 0 . incluye todos los estados del sistema y por tanto es mínima.: Para este caso las matrices A. w7TB = [0. estudie si es mínima.262·10-3-3.1 .16·10-4-0.509·10-10-7.que considera como variables de estado a x = [x1 x2 x3 x4 x5 x6 x7]T = [ia1 ia2 ωo ωm1 ωm2 tm1 tm2]T. Utilizar la matriz de controlabilidad y observabilidad se torna impracticable dado el tamaño de éstas.41·10-4+3. ♣ Copyright © por Prof.015j].142].

x2 = z& . z( s) = n s + a n −1 s n −1 u( s ) .. Por lo que una realización para h(s) sería. h(s) representa a un sistema observable. entonces. de T.a1x2 . x& 3 = x 4 . x& 2 = x 3 .  0  0  x& =  M   0  − a 0 1 0 L 0 1 L M M O 0 0 L − a1 − a2 L 0   0 0   0    M  x +  M  u . Por otro lado.··· . Para estos efectos se necesita estudiar la forma Smith-McMillan de una M. El tratamiento en un sistema MIMO es distinto y se orienta para responder las preguntas tales cómo encontrar una realización mínima y determinar el número de polos y ceros a partir de una M. la que corresponde a la FCO. . puede ser escrita como.. x&1 = x 2 ..A)1 T T } c + dT = bT(sI . de un sistema SISO del tipo. . y = bn-1z(n-1) + bn-2z(n-2) + ··· + b1 z& + b0z. h( s ) = y( s) bn −1 s n −1 + bn −2 s n −2 + L + b1 s + b0 . Dado que la realización es controlable y observable. Por lo que otra realización para h(s) es..a1 z& . En el caso de tener disponible la F.an-1z(n-1) . por lo que.a0z + u. de T. x& n = .    1   0 − a n −1  1 la que corresponde a la FCC. xn = z(n-1).a0x1 + u e y = bn-1xn + bn-2xn-1 + ··· + b1x2 + b0x1.2 Realizaciones de Sistemas SISO. de T. Si consideramos que estamos en presencia de un sistema SISO. x3 = &z& .AT)-1cT + d.A)-1b + d}T = bT{(sI .an-2z(n-2) . y = [b0 b1 ··· bn-2 bn-1]x. por lo tanto. la realización es mínima.··· .69 Apuntes: 543 760 3. = n u ( s ) s + a n −1 s n −1 + a n −2 s n −2 + L + a1 s + a 0 se puede definir z(s) como. Copyright © por Prof. Atendiendo a que la M.    M L M M   M  0 L 1 − a n −1  bn −1  y = [0 0 ··· 0 1]x. 0 1  x& = 0  M 0 0 L 0 − a 0   b0  0 L 0 − a1   b1     1 M 0 − a 2  x +  b2  u . . + a n − 2 s n − 2 + L + a1 s + a 0 por lo que z(n) = . si se definen las variables de estado como: x1 = z. por lo tanto. de T. José R.an1xn .an-2 xn-1 . Finalmente. Espinoza C..3 Polos y Ceros de H(s). 3. h(s) representa a un sistema controlable.. h(s) = h(s)T = {c(sI . entonces. y(s) = (bn-1sn-1 + bn-2sn-2 + ··· + b1s + b0)z(s).

Esto porque un factor (s .1) se puede re-ordenar como Copyright © por Prof.A)bj es a lo más n .λi) que esté contenido en det{sI .A} podría repetirse en los numeradores de hij(s) por lo que podría cancelarse. Sin embargo. el orden del denominador es siempre mayor que el orden del numerador. hij ( s ) = ci ( sI − A) −1 b j + dij = ci Adj{sI − A}b j + d ij det{sI − A} . (b) el orden de ciAdj(sI . se define. {C( s0 I − A ) −1 B + D}w = 0 . no necesariamente todos los valores propios de A son polos de un hij(s). en este caso. s0 y w se pueden obtener de. se puede escribir como. H(s) se dice matriz propia.  − s0 I + A B   θ  = 0. y D no condicionan la ubicación de los polos. H( s0 ) w = 0 . equivalentemente. entonces todos los polos de un hij(s) son los valores propios de A. soluciones no triviales se encuentran si pierde su rango o. (c) el orden del numerador es igual a n si dij es distinto de cero.   − s0I + A B     −I 0   A B   = det s0    +  = 0 . Para simplificar los cálculos. donde los ci son vectores filas. debido al término dijdet{sI . y (d) si todos los dij son iguales a cero. definen a los ceros del sistema. donde w tiene dimensión p·1. Espinoza C. Los parámetros involucrados en B. H(s) se dice matriz estrictamente propia.1) es de orden (n + q)·(n + p). José R. para algún vector w ≠ 0. θ = (s0I . Si ésta es cuadrada (lo que implica igual número de entradas y salidas).1) La matriz resultante en (3. Dado que las raíces del denominador det{sI . En el caso SISO un escalar s0 es un cero si h(s0) = 0. su determinante es cero. se define al cero de transmisión como un número complejo que satisface. la ecuación anterior se puede re-escribir como.A)-1Bw (que tiene dimensión n·1) por lo que la expresión anterior se puede escribir como Cθ θ + Dw = 0. de T. Finalmente.70 Apuntes: 543 760 H ( s ) = C( sI − A) −1 B + D c1    c2 =   ( sI − A) −1 b1 M   c q  [ ] b2 L b p + D . entonces.A} son también los valores propios de A.A}.  C D  w   (3. si ambas expresiones se ordenan matricialmente. La expresión anterior permite encontrar s0 y w. D   C   0 0  C D  det   En forma generalizada. . Sin embargo. cada coeficiente hij(s) de la M. C. es decir. (3. det{sI − A} Algunas observaciones importantes respecto de cada hij(s) son: (a) el orden del denominador es n. En sistemas MIMO.1.

Dado el sistema descrito por x& = Ax + Bu .: El rango normal de P(ϕ) es igual a r si rango{P(ϕ)} = r para casi todos los valores de ϕ. B =   .4 La forma Smith-McMillan. La   w   w  1 0 0 0   0 0   solución de este problema de valores propios generalizados arroja: s0 = -4. d (ϕ) Notar que se utiliza ϕ para representar al complejo s o z según sea una M.       lo que corresponde al problema generalizado de valores propios. . Def. y = Cx + Du . Espinoza C. de un sistema continuo o discreto. la ecuación − 2 − 3 1   = s 0 0 1 0   .: Una matriz polinomial P(ϕ) es una matriz no singular si su determinante det{P(ϕ)} ≠ 0 para casi todos los valores de ϕ.: En este caso: det{λI − A} = λ + 3λ + 2 .   −1 0 0   0 1 1     −I 0   A B        det  s0   +  C D   = det  s0  0 −1 0  +  −2 −3 1   = 4 + s0 . indica que el vector w es de dimensión 1.707]T. H (ϕ) = 1 P (ϕ) . θ = [0 -0. R. Copyright © por Prof. Adicionalmente. ♣ 3. donde dadas las matrices M y N se debe encontrar el escalar λ (valor propio) y el vector v (vector propio) que satisfacen la expresión. Una matriz racional H(ϕ) siempre puede ser escrita como una matriz polinomial P(ϕ) dividida por un polinomio d(ϕ). y w = 0.: Una matriz polinomial no singular U(ϕ) es una matriz unimodular si tiene una inversa que también es una matriz polinomial. Por otro lado. ambos a encontrar. Es decir.3. 1 0 1 Ejemplo 3. con [θ θ w]T el vector propio asociado (de dimensión (n + p)·1) con el valor propio s0. Def. Def. por lo tanto el único cero de transmisión es s0 = 0 0           0 0 0   1 0 0   1 1 0 1 0 0  θ θ   -4.71 Apuntes: 543 760  A B  θ   I 0  θ   C D  w  = s0 0 0  w  . José R. C = [1 0] y  − 2 − 3 1 2 D = [0] . donde A =  . Estos serán los polos si la realización es mínima (éste es el caso). por lo que los valores propios son λ1 = -1 y λ2 = -2. respectivamente. de T. Determine los polos y ceros de transmisión. El caso del valor propio generalizado se puede escribir como Mv = λNv. Teorema: La matriz U(ϕ) es una matriz unimodular si y sólo si el determinante det{U(ϕ)} es una constante independiente de ϕ.707.

Di −1 (ϕ) i = 1.. Dada la M.. Nótese que el rango se puede obtener igualmente para una matriz racional. Ll(ϕ)} y matrices elementales derechas {R1(ϕ).1. Por otro lado. r) es un polinomio mónico (coeficiente mayor igual a 1) que satisfacen la propiedad de divisibilidad. Más aún si se definen los divisores determinentales como D0(ϕ) = 1. Escriba H(s) como una matriz polinomial P(s) sobre un polinomio Ejemplo 3. Di(ϕ) = M. P(s) no es unimodular y como det{P(s)} ≠ 0 ∀s ≠ -1/2 el rango normal de P(s) es 2. P(s) =  y d(s) = s(s + 1).4. Copyright © por Prof..: Es fácil identificar que H(s) se puede escribir como H(s) = s + 1 s + 1  s 1  s .. entonces.D. R.. 0. i = 1. H( s ) =  1 1    s + 1  s d(s).. por lo tanto.. εi (ϕ) = Di (ϕ) .D. . 0. Entonces P(ϕ) puede ser transformada por una secuencia de operaciones elementales sobre su columnas y filas en una matriz polinomial pseudo-diagonal S(ϕ) que tiene la forma.. Cada una de estas operaciones puede ser representada por la multiplicación de la matriz polinomial por una matriz adecuada llamada matriz elemental.. esto es.72 Apuntes: 543 760 1   1 s +1 s  . en donde cada εi(ϕ) (i = 1. y (c) suma de una fila o columna a otra pre-multiplicada por un polinomio. . . Determine si P(s) es unimodular y su rango normal. Def: Se dice que dos matrices P(ϕ) y Q(ϕ) (polinomiales o racionales) son equivalentes (P(ϕ) ∼ Q(ϕ)) si hay secuencias de matrices elementales izquierdas {L1(ϕ). de T. 0}. (b) multiplicar una fila o columna por una constante.C. las cuales son unimodales. ♣ Hay tres operaciones elementales que se pueden realizar en matrices polinomiales. . entonces. ... εi(ϕ) divide a εi+1(ϕ) sin resto. . r – 1.. José R. Teorema: Sea P(ϕ) una matriz polinomial de rango normal r.   s  s  s ( s + 1)  s + 1 s + 1 lo cual depende de s... r – 1.. det{P(s)} = s2 – (s + 1)2 = -2s .. . La matriz S(ϕ) es la forma Smith de P(ϕ) y los εi(ϕ) se conocen como factores invariantes de P(ϕ). S(ϕ) = diag{ε1(ϕ).. ε2(ϕ). (mayor común divisor) de todos los menores de orden i·i de P(ϕ). donde cada M... . Estas son: (a) intercambiar dos filas o columnas. Espinoza C... Rr(ϕ)} tal que. εi(ϕ) | εi+1(ϕ). εr(ϕ). P (ϕ) = L1 (ϕ)L Ll (ϕ)Q(ϕ)R1 (ϕ)L R r (ϕ) . es normalizado para ser un polinomio mónico.C.

ε1(s) = 1 y ε2(s) = (s + 2)(s . Dada la matriz racional H( s ) =  2  s + 3s + 2  s−2   s + 1 H(s) = P(s)/(s2 + 3s + 2) con P(s) como 1   ( s + 1)( s + 2) 0 1   1 0 ( s + 2)( s − 2) =  0   ( s + 1)( s + 2)  0   0 0   en −1  s + 3s + 2  2s 2 − s − 8  ..4. 1   ( s + 1)( s + 2)   0   0    0   s − 2 . 1   s 2 + 3s + 2  2 s +s−4 Ejemplo 3. La matriz M(ϕ) es la forma Smith-McMillan de H(ϕ). . Por lo tanto M( s ) = s +1 0    3.D.2). -1. R. Entonces H(ϕ) puede ser transformada por una secuencia de operaciones elementales sobre sus columnas y filas en una matriz racional pseudo-diagonal M(ϕ) que tiene la forma.4. 0}.. 2s2 . s2 − 4 2 s 2 − 8  0  0 Se puede intuir que la matriz S(s) resultante es equivalente a infinitas matrices polinomiales.5.: Como D0(s) = 1. εi(ϕ) | εi+1(ϕ).5 Polos y Ceros de la Forma Smith-McMillan. ♣ Teorema: Sea H(ϕ) una matriz racional de rango normal r. Por esto se dice que la forma Smith es una forma canónica para un conjunto de matrices polinomiales equivalentes. 2s2 . P( s ) ∼ S( s ) = 0 ( s + 2)( s − 2) . r – 1. entonces H( s ) ∼ S( s ) = d (s) 2  0   s − 2 .s .. ψi+1 (ϕ) | ψi (ϕ).. s2 .6.8} = 1.D.C.: Como s 2 + 3s + 2  2s − 4   s + 1  1 el ejemplo anterior.. s2 + s . M(ϕ) = diag{ε1(ϕ)/ψ1(ϕ).C. .. entonces. . 2 2  s + s − 4 2s − s − 8 s − 4 2s − 8 0 1  s 2 + s − 4 2 s 2 − s − 8     = (s + 2)(s .2). R..♣ s +1 0    .{1.  2 . ψi(ϕ)} (i = 1. Dada la matriz polinomial P( s ) = s + s − 4 2 s − s − 8 .. José R.. ε2(ϕ)/ψ2(ϕ). 0. r) son coprimos (no tienen factores comunes) y satisfacen la propiedad de divisibilidad.. . en donde los polinomios mónicos {εi(ϕ). D2(s) = M. 0. 2 . La forma Smith-McMillan se utiliza para estos efectos. Así..    s 2 − 4 2 s 2 − 8   1 −1 1 −1 D1(s) = M. encuentre su forma Smith-McMillan.. Copyright © por Prof. Espinoza C.8.73 Apuntes: 543 760 1 −1    2 2 Ejemplo 3. encuentre su forma Smith. i = 1. εr(ϕ) /ψr(ϕ).

0. .  s +1 0 0       1. 1.7. H (ϕ) = L1 (ϕ)L L l (ϕ)M (ϕ)R1 (ϕ)L R r (ϕ) = L(ϕ)M (ϕ)R (ϕ) .  ε (ϕ)  ε (ϕ) = L(ϕ)  1 . 0  R (ϕ) ψ r (ϕ)  ψ1 (ϕ)  considerando que H(ϕ) tiene dimensión q·p (q salidas y p entradas) y M(ϕ) conserva las dimensiones q·p. Por lo tanto.. . entonces. respectivamente. .74 Apuntes: 543 760 Def..... 0} y D´(ϕ) = diag{ψ1(ϕ). donde N´(ϕ) y D´(ϕ) son matrices polinomiales de la forma N´(ϕ) = diag{ε1(ϕ). encuentre sus polos y ceros. Dada la matriz racional H( s ) =  2  s + 3s + 2  s−2   s + 1 −1  s + 3s + 2  2s 2 − s − 8  .. En sistemas MIMO un ϕ = ϕ0 que cumple con H(ϕ0)u(ϕ) = 0 para cualesquier vector de entradas u(ϕ) es un cero. Por lo tanto. Copyright © por Prof.       Los valores ϕ0 se conocen también como ceros de transmisión. ♣ Def. 0.. H(s) tiene polos en {-1. .2). ψr(ϕ).: Sea H(ϕ) una M. r . En el caso de sistemas SISO. R. en el sentido Smith-McMillan. Por lo tanto. L . Este problema se abordó en el capítulo anterior.. de T. entonces L(ϕ) tiene dimensiones q·q y R(ϕ) tiene dimensiones p·p. La M.. . A B   θ   I 0  θ   C D   w  = ϕ0  0 0   w  . M(ϕ) se puede escribir como M(ϕ) = N´(ϕ)· D´(ϕ)-1. -2} y un cero en {2}.. las raíces de p(ϕ) y de z(ϕ) son los polos y ceros de H(ϕ). εr(ϕ). H(ϕ) se puede expresar como. con D´(ϕ) una matriz cuadrada de orden p·p. los ceros son los valores de ϕ = ϕ0 que cumplen con h(ϕ0)u(ϕ) = 0 para cualesquier entrada u(ϕ).: Como s 2 + 3s + 2  2s − 4   s + 1  2 1   0   ( s + 1)( s + 2)   s − 2 M( s ) =  0 ..L . los ceros satisfacen h(ϕ0) = 0. racional con una forma Smith-McMillan M(ϕ) que tiene el polinomio de polos p(ϕ) = ψ1(ϕ)···ψr(ϕ) y el polinomio de ceros z(ϕ) = ε1(ϕ)···εr(ϕ). 1   s 2 + 3s + 2  2 s +s−4 Ejemplo 3.. Nótese que todos los polos son simples. José R. entonces p(s) = (s + 1)(s + 2)(s + 1) y z(s) = (s . de T.: El grado del polinomio de polos p(ϕ) = ψ1(ϕ)···ψr(ϕ) es el grado Smith-McMillan de H(ϕ). Espinoza C. 1}. el cual se reduce a solucionar el problema de los vectores propios generalizado dado por.

. de T. por lo tanto. El rango normal de H(s) es r = 2. ♣ Copyright © por Prof.6 Polos y Ceros de la Matriz de Transferencia. considerando que estos menores han sido ajustados de manera de tener el polinomio de polos p(ϕ) como su denominador. H(ϕ) es el mayor común divisor de todos los numeradores de todos los menores de orden r de H(ϕ). Teorema: El polinomio de ceros z(ϕ) correspondiente a una realización mínima de un sistema con M. .1. Los siguientes teoremas de MacFarlane y Karcanias ayudan a obtener los polos y ceros directamente desde la M.: Los menores de orden 1 son  s +1 s −1 ( s + 1)( s + 2) −1 s −1 1 s+2 1   y los menores de orden 2 son s + 2  − ( s − 1)  2 1 2   . por lo tanto. H(s) tiene un cero en {1}. Dado que R(ϕ) es unimodal. donde r es el rango normal de H(ϕ). donde N(ϕ) es conocida como la matriz numerador y D(ϕ) la matriz denominador. = N(ϕ)D(ϕ) −1 donde.z es un cero (de transmisión) de H(ϕ) si y sólo si N(ϕ) pierde rango en ϕ = z. .1) 2 ( s + 1 )( s + 2 ) ( s + 1 )( s + 2 ) ( s + 1 )( s + 2 )   y por consiguiente los polos están en –1.p es un polo de H(ϕ) si y sólo si D(p) es singular. de T. Teorema: El polinomio de polos p(ϕ) correspondiente a una realización mínima de un sistema con M. entonces R(ϕ)-1 es polinomial y por tanto lo son N(ϕ) y D(ϕ). H( s ) =  ( s − 1)( s + 2) 1 0 ( s − 1) 2    . 3. José R. . -1 Teorema: Si H(ϕ) = N(ϕ)D(ϕ) (con N(ϕ) y D(ϕ) coprimas) entonces. Ejemplo 3. el mayor común divisor p( s ) p( s )  p( s )  de los numeradores es z(s) = s . H(ϕ) se ha expresado como el cuociente de dos matrices polinomiales. R. N(ϕ) = L(ϕ)N´(ϕ) y D(ϕ) = R(ϕ)-1D´(ϕ). por lo tanto. Dada la M. Por lo tanto.75 Apuntes: 543 760 H (ϕ) = L(ϕ)N´(ϕ)D´( s )−1 R (ϕ) = {L(ϕ)N´(ϕ)}{R (ϕ)−1 D´(ϕ)}−1 . H(ϕ) es el mínimo común denominador de todos los menores distintos de cero de todos los ordenes de H(ϕ). de T. 1 y uno doble en –2. el menor común denominador es p(s) = (s + 1)(s + 2) (s . Espinoza C. los menores  − ( s − 1) 2 2( s − 1)( s + 2) ( s − 1)( s + 2)  con sus denominadores ajustados son   . de T. encuentre sus ( s + 1)( s + 2)( s − 1)  − ( s + 1)( s + 2) ( s − 1)( s + 1) ( s − 1)( s + 1)  1 polos y ceros.8. Es decir. Los polos y ceros obtenidos son los correspondientes a una realización mínima.

Si rango{A} = n y rango{O} = no < n entonces se consideran las primeras no filas de la matriz O para formar la matriz S. de T.. José R.76 Apuntes: 543 760 3. una posible realización es A =  0 0 0 0 1    0 0 − 2 − 3   0 estado n = 4 con una matriz de controlabilidad con rango{C = [B Copyright © por Prof.. .  0  0  Ai =  M   0 − α i 0 1 0 L 0 1 L M M O 0 0 L − α i1 − α2 L 0   0 β1i 0 β1i1   0 0 β    β 2 i1 2i 0 M  . di = δi. Con estas definiciones se encuentra que la realización mínima es Am = SAU.7 Realizaciones Mínimas. C =    que tiene cuatro variables de 0  4 2 4 2  1 AB A2B A3B]} = 4. Se define U de manera que SU = Io (con Io la matriz identidad de no·no). C2 =        . La realización resultante es controlable dado que se deriva de formas controlables.  n1i ( s )  1  hi ( s) = M  +δ i .. A2 =  . H( s ) =   . Para esto hay variadas alternativas.. y = Cx + Du tal que sea mínima. Cm = CU y Dm = D. Por lo ( s + 1)( s + 2) 2s + 4  − 2 − 3 1   4 2  − 2 − 3 1  4 2  1 0 0 0 0 − 2 − 3 0  1 0 . sin embargo.. Si S es cuadrada entonces U = S-1. . H(s) del tipo H(s) = [h1(s) h2(s) ··· hp(s)] (p entradas) y se asume que cada vector columna hi(s) se puede escribir como. encuentre una realización mínima. Ci =  M  M    1  0    β qi 0 β qi1 1 − α ini −1  L β1ini −1  L β 2ini −1   . sin embargo tiene una matriz de . bi =  M  . Espinoza C. Se supone la M. C = [C1. O M   L β qini −1  por lo tanto. Una interrogante al tener disponible una M.   d i ( s) n qi ( s ) donde di(s) = sni + αini-1sni-1 + ··· + αi1s + αi0 es el polinomio común denominador al vector columna hi(s). Se transforma cada hi(s) a una FCC al considerar la realización. A1 =  .. Así. δp]. C2. C1 =  . 2 2   s +1 s +1    2s + 3 3s + 4   2 s + 3 1 1 se puede escribir como H( s ) = . por lo que h1 ( s ) = y h 2 ( s) =   2 s + 4 2 s + 4 ( s + 1)( s + 2)  ( s + 1)( s + 2) 2 s + 4  1 1  3s + 4  0 0  3 2 0 0  4 3 1 . B = diag{b1. δ2. A2. Una alternativa es eliminar los estados no observables como se muestra a continuación. 0 0 3 2 4 3 . b2.9. En el caso de que estas filas no sean linealmente independientes.. de T. La matriz resultante U es la pseudo-inversa por la derecha de S. de T.. una realización para H(s) es A = diag{A1. b1 =   .: La M... Dada la M. B=  tanto. Bm = SB. R. . es cómo obtener una realización del tipo x& = Ax + Bu. 3s + 4   2s + 3  ( s + 1)( s + 2) ( s + 1)( s + 2)  Ejemplo 3. de lo contrario S tiene menos filas que columnas y por lo tanto U = ST(SST)-1. Cp]. bp}.. . de T. b2 =   . Ap}. y D = [δ δ1. nji(s) = βjini-1sni-1 + βjini-2sni-2 + ··· + βji1s + βji0 es un polinomio de orden a lo más ni-1 y δi es un vector de constantes.. puede ser no observable y por ende no sería mínima. se puede reordenar el vector de variables de estado hasta conseguirlo. aquí se revisa la más utilizada.

José R. de Ts.- 2. de Ts. A.- Copyright © por Prof.053 0. de Ts. de T. de H(s). Espinoza C. de T. de la parte 1.0   3 2 4 3 T T −1   . ♣ 2  0 − 2 2 2  0 1  3. Encuentre los polos y ceros a partir de la forma H ( s ) = N( s )D( s ) −1 de las M.579 − 0.- a) c) 2.- Encuentre realizaciones mínimas de las M. Determine el polinomio característico de las realizaciones obtenidas en la parte 1. Bm = SB =  y Cm = CU =     .6. por  − 0. Finalmente. Por inspección.0  4 2 4 2     0. de la parte 1. éstas se utilizan para formar S =  = =   0.- Encuentre la forma Smith-McMillan de 0  1 1 b) ( s + 1)( s + 3)  −1 2( s + 1)2  4. Determine la forma H ( s ) = N( s )D( s ) −1 de las M.421 0. de T. C. Nivel Avanzado 1. respectivamente. Nivel Básico 1. . es H(s).-  s2 2  1   s 2 + 2 s + 2  −2 s 2  1  1   s+5  s+5  s2 + 2s + 3 s + 1   s 2 + 3s + 2 s + 1  d)     1 1  1 1    s + 2  s + 2   s + 4  s + 4 Encuentre los polos y ceros de la forma Smith-McMillan de las M. de Ts. Determine las raíces del polinomio característico obtenidos en la parte 3. en L.8 Ejercicios Propuestos. Resuelva los problemas siguientes. a) c) 2. de la parte 1. las dos primeras filas de O son L.3.3. Anote todo su trabajo. son ceros también de la M.5  2 3 1 0 1 − 4 1  =  .Apuntes: 543 760 77 observabilidad con rango{OT = [CT (CA)T (CA2)T (CA3)T]} = 2 = no.105 0.4. 0   s2 2  1 1 1 b)   ( s + 1)( s + 3)  −1 2( s + 1)2  s 2 + 2 s + 2  −2 s 2  1  1   s+5  s+5  s2 + 2s + 3 s + 1   s 2 + 3s + 2 s + 1  d)     1 1 1 1      s + 4  s + 4 s + 2  s + 2  Determine los ceros de transmisión de las realizaciones obtenidas en la parte 1.5.I. de L. Am = SAU . Muestre que los ceros de la F. B.C.5   0. Nivel Intermedio 1.- Pruebe que para H(s) cuadrada.. Muestre que los polos de det{I + kH(s)} son los polos de H(s) si k es un escalar constante. cuya M. los ceros y polos de H(s)-1 son los polos y ceros. Compare todos los tipos de polos y ceros obtenidos en los ejercicios anteriores.D.. Así. U S ( SS ) lo tanto.

B. de T. y C.Apuntes: 543 760 3. José R. C.- 78 Suponer una M. . estrictamente propia H(s) con p = q con realización mínima {A. Copyright © por Prof. D = 0} y que B-1 y C-1 existen. donde A0 y A1 son matrices constantes. Espinoza C. Muestre que H(s)-1 = sA0 + A1. B. Encuentre A0 y A1 en función de A.

y (t ) = (C − DK c )x(t ) + Du ex (t ) . La técnica más difundida está basada en la retroalimentación de las variables de estado.A} = 0. que la matriz  D  C Un controlador de estados es básicamente una re-definición de u tal que la “dinámica” del sistema es alterada. lo que se simplifica a. por simetría. y cuya representación en diagrama de bloques está dada en la Fig. en el caso de no estarlos. Se puede apreciar que la elección de las ganancias involucradas en la matriz Kc definirá la localización de éstos para el nuevo sistema. Copyright © por Prof. queda definido por.C. Para esto se tiene el siguiente teorema. José R. x& (t ) = Ax(t ) + B(−K c x(t ) + u ex (t )). Lo que se puede ordenar matricialmente como. Los valores propios del sistema sin el controlador están dados por las raíces del polinomio característico det{sI . 4. excepto que una o varias columnas de Kc sean nulas. . A B   x o   0   C D  u  =  y  .1 Introducción. Este  C D resultado es importante dado que condiciona los valores alcanzable de la salida en estado estacionario. Su principal restricción es disponer de los estados del sistema. Este capítulo detalla los alcances teóricos y matemáticos de estas técnicas y sus versiones en sistemas SISO para luego extenderlos a sistemas MIMO. Si se define la entrada como u(t) = -Kcx(t) + uex(t) (con Kc una matriz de ganancias de dimensión p·n) se tiene que el sistema en L.A.1. Nótese que para la implementación práctica de este controlador se requiere tener disponible todas las variables de estado. Otro aspecto importante es saber qué sucede con los valores alcanzables por el sistema al incluir un controlador de estados.A + BKc} = 0.   o   o  A B  Si la matriz   es invertible. y tiene por puntos de operación a los valores de xo. x& (t ) = ( A − BK c )x(t ) + Bu ex (t ). uo e yo que satisfacen 0 = Ax o + Bu o . decir. y (t ) = Cx(t ) + D(−K c x(t ) + u ex (t )) . se puede recurrir a técnicas basadas en observadores de estados. y (t ) = Cx(t ) + Du(t ) se considera en L. Nótese también que esta restricción es equivalente a no tener ceros de transmisión en el origen. entonces existe una entrada uo que lleva el sistema a yo. y o = Cx o + Du o . Uno de los objetivos más importantes de este curso es estudiar el control de sistemas. 4. Espinoza C. Es − s0 I + A B  sea invertible en s0 = 0. El sistema dado por x& (t ) = Ax(t ) + Bu(t ).79 Apuntes: 543 760 4 Controladores y Observadores de Estados. los valores propios del sistema incluyendo el controlador están dados por las raíces del polinomio característico det{sI .

los valores alcanzables del sistema con el controlador de estado están sujeto a que el D uex x& u + + B - x ∫ y C A + planta Kc (a) D x& uex B + ∫ A .1 Representación gráfica del controlador de estados.1) se puede concluir que s0LA = s0LC. − s0 LA I + A B   θ  = 0. Copyright © por Prof. Un cero de transmisión en L. . al comparar esta última expresión con (4. 4.  C D  w   (4. Por lo tanto. b) implícita. s0LA cumple con.80 Apuntes: 543 760 Teorema: Los ceros de transmisión del sistema en L. son iguales a los ceros de transmisión del sistema en L.A. w ≠ 0. B   θ`  = 0. w` ≠ 0.1) para algún θ ≠ 0. a) explícita.  − s0LC I + A − BK c  C − DK c  B   θ  (− s0LC I + A − BK c )θ + B(w + K cθ)  =  D   w + K cθ   (C − DK c )θ + D(w + K c θ)  (− s I + A)θ − BK c θ + Bw + BK cθ  =  0LC  Cθ − DK cθ + Dw + DK cθ   (− s I + A)θ + Bw  =  0LC  Cθ + Dw   − s I + A B   θ  =  0LC =0 C D  w   .C.BKc x y C . Si se escoge θ` = θ y w` = w + Kcθ se tiene. Espinoza C. y un cero de transmisión en L. D  w` − s0 LC I + A − BK c  C − DK c  para algún θ` ≠ 0. s0LC cumple con.A.C.DKc + planta y controlador (b) Fig. José R.

.. no tenga cero de transmisión en el origen... se puede determinar kc. de T. de T. dco}... la F. Esta afirmación queda refrendada por el siguiente teorema.A. en que Sco está en la FCC..C. 4. de T.. bn-1]x(t). bn-1]x(t). ésta debe ser posible de escribir en su FCC. Teorema: Un sistema realimentado por estados es controlable con uex si y sólo si el sistema en L. se puede transformar en un sistema equivalente Sco: {Aco. n-1). en L. s n + a n −1 s n −1 + a n −2 s n − 2 + L + a 1 s + a 0 Es decir.kcx(t).     0  1  L − an −1  L L O L y(t) = [b0 b1 . cco. . Teorema: Si un sistema S: {A. la entrada necesaria es u (t) para llevar a x(t) al estado final x f a través de la trayectoria x (t). en L.a0 a1 .A. b. basta tomar uex(t) = u (t) + Kcx (t) para llevar a x(t) al estado final x f. d}. es controlable. Espinoza C.    1  L 0   1  L − a n −1  L L O y(t) = [b0 b1 . d} es controlable.A. i = 0. c. si se tiene la realización {A. Un último resultado importante es que si un sistema es controlable en L. Por lo tanto. h ( s ) LC = bn −1 s n −1 + bn −2 s n − 2 + L + b1 s + b0 . (por tanto se conoce ai...an-1] (donde ai.2 Controlador de Estados SISO. queda. n-1) y se conoce la ubicación de los polos en L.A.  0  0  x& (t ) =  M   0  − a 0 1 0 M 0 1 M 0 − a1 0 −a2 0 0 M  0   0      x(t ) +  M  uex (t ) . (por tanto se conoce ai..C.A. i = 0.81 Apuntes: 543 760 sistema en L.C.. José R. h(s)LA con la forma. sin embargo.C. s n + a n −1s n −1 + a n −2 s n −2 + L + a1 s + a 0 a la cual se le puede asignar la representación FCC. entonces lo es en L. Si en L. c. .a1 ··· an-1 . si se conoce la ubicación deseada de los polos en L. Se asume que se tiene disponible la representación en F.C.  0  0  x& (t ) =  M   0  − a0 1 0 M 0 0 1 M 0 − a1 − a2 0 0 M 1  0  0     x(t ) +  M  u (t ) . . n-1 son ganancias arbitrarias) se tiene que la representación en L... con kc = [a0 . Copyright © por Prof. b. bco.. queda. Al utilizar el controlador de estados (considerando que la matriz Kc en el caso SISO es un vector kc) del tipo u(t) = uex(t) . h ( s ) LA = bn −1 s n −1 + bn −2 s n −2 + L + b1 s + b0 . El procedimiento anterior es directo si se tiene la F. i = 0. .

a0) b1 . d} los coeficientes ai. como (s . resultante SLC: {ALC = A . dco = d}.Darse los valores propios deseados λi. cco = cT-1. dLC = d} pueden asignarse arbitrariamente.C. c. Copyright © por Prof. 2. n. d} es controlable.. . i = 0. d} es controlable y se utiliza u(t) = uex(t) .λn) = s n + a n −1s n −1 + a n −2 s n −2 + L + a 1s + a 0 .λ1)( s .  0  0  z& (t ) =  M   0  − a 0 1 0 M 0 1 M 0 − a1 0 −a 2 0 0 M  0  0     z (t ) +  M  uex (t ) . entonces existe T tal que z(t) = T· x(t) con. c. La realización resultante es Sco = {Aco = TAT-1.kcz(t) (se define kc = kcT-1).. Teorema: Si un sistema S: {A. Si se toma u(t) = uex(t) .bkc. . del cual se obtienen los coeficientes ai.     0  1  L − an −1  L L O L y(t) = [b0 b1 .d(an-1 . se define kc = [a0 . Si se desea un polinomio característico s n + a n −1s n −1 + a n −2 s n −2 + L + a 1s + a 0 . José R. lo cual corresponde a la condición de controlabilidad que se cumple por hipótesis. en donde las nuevas variables de estado   a n −1 1 L 0 0  1 0 L 0 0 están dadas por z(t) = T· x(t).  0  0  z& (t ) =  M   0  − a0 1 0 M 0 0 1 M 0 − a1 − a2 0 0 M 1  0   0      z (t ) +  M  u (t ) . por lo que el sistema resultante es.kcx(t).Obtener del sistema original S: {A... ... n-1. M siempre lo es y C lo es si det{C} ≠ 0. b. [ ] Nótese que x(t) = T-1· z(t). Si S: {A.d(a0 ... con T −1 = a1b + a 2 Ab + L + a n −1 A n −2 b + A n −1b L a n −1b + Ab b .a0 a1 .82 Apuntes: 543 760 En el Capítulo I se encontró que al tomar T = (CCM)-1 = M-1C-1 con C = b Ab A 2b L A n−1b  . i = 1.. c.    L 1  0  1  L − a n −1  L L O y = [b0 . i = 0. 1. .a1 ··· an1 .. b. n-1 a partir del polinomio característico det{sI .kcx(t) = uex(t) . bLC = b.d(a1 . Para esto M y C deben ser invertibles. bco = Tb.kcT-1z(t) = uex(t) ..dkc.. cLC = c . b.. los autovalores del sistema en L.  a1 a 2 L a n−1 1 a a 3 L 1 0  2  M= M M O M M  se lleva el sistema a una FCC. Para simplificar el uso de los teoremas anteriores se recurre al siguiente algoritmo de diseño del controlador de estados para sistemas SISO.a1) ··· bn-1 . bn-1]z(t) + du(t).λ2)···( s .A} = s n + an −1s n −1 + a n−2 s n −2 + L + a1 s + a0 .an-1]. Espinoza C.an-1)]z + duex.

2 Representación gráfica del controlador de estados SISO del Ejemplo 4.707 y un tiempo de asentamiento de 2 s para una banda del 2%.j)( s .-2] = [64 48 16]. (4) la matriz T = −7  0  3. Ejemplo 4.672 -30. y a2 = 14.Determinar kc como kc = kc· T. por lo que se puede escribir (s .1.a0 a1 .1 se   0  0 0 − 1 /(n 2 J m ) k m /(nJ m )     0 0 1/ J l 0  y b =  0  . (5) finalmente.83 Apuntes: 543 760 3. a1 = 48.1 Dado el sistema con M. ♣ [64 48 16]. (5) finalmente.0096 0 0    0 − 0. por lo que a0 = 5000.16 1 0 0 2 −1 48 . a1 = 704167.-2 + j )( s ..3. inicialmente. a2 = 833 y a3 = 54.Obtener kc = [a0 . (c) el sistema tiene una dinámica más suave permitiendo limitar las variables internas (corriente).Calcular T a partir de A y b. R. 4. José R. (4) la matriz T = [a1b + a 2 Ab + A b a 2 b + Ab b] = 0 1 0 .0 14 . que verifica la reu ex ( s ) s + 14 s 2 + 48s + 80 ubicación de los valores propios del sistema. (3) kc = [80 . 4.: al aplicar el algoritmo anterior se tiene: (1) en este caso se puede obtener directamente a0 = 16.24] = [-1557500 -701267 -28570 30]. Nótese que: (a) el sistema está en S.. = 3 u( s ) s − 2 s 2 + 16 diseñar un controlador de estados para que el sistema resultante tenga una respuesta a escalón con un ξ = 0.2 Diseñe un controlador de estados para el caso del accionamiento con eje flexible. (1) el polinomio característico determinó que A =     0  k 0 0 −k     0 − Ra / La  − nk m / La 0 1 / La  es s4 + 24s3 + 29403s2 + 704167s + 1562500.. Copyright © por Prof. Una representación gráfica de esta aplicación es dada en la Fig.0096 − 0.: En el Ejemplo 3.-2 + j )( s . Espinoza C. y (d) se necesita tener la d uex x& u + - b + ∫ A y x c + planta kc Fig. . donde se ha considerado la presencia de un torque de carga de tl = 4. kc =   0 0 1 y(s) s 2 + 4s + 3 = 3 .-2 .2. a2 = 29403 y a3 = 24.S. (2) los polos deseados están en -2 ± 2j (el tercer polo se ubica en -10). 5.-25) = s4 + 54s3 + 833s 2 + 2900s + 5000. 00002 0   . por lo tanto.. a1 = 2900. kc = [-274. Los resultados simulados se 0.a1 ··· an-1 .27 273.-25)( s . (2) los polos deseados se escogen en -2 ± 2j (el tercero y cuarto polo se ubican en -25). Para verificar los resultados se obtiene h(s)LC como h( s ) LC = Ejemplo 4.5]. 4.-2 .05  0 muestran en la Fig.84·10 0 0   0 0 0 . R. por lo que se puede escribir (s . (3) kc = [5000 1562500 2900 – 704167 833 – 29403 54 .56333 0.j)( s . (b) la entrada externa debe tener valores muy pequeños comparada con la entrada al sistema va. por lo que a0 = 1562500. h( s ) LA = y( s) s 2 + 4s + 3 .364 1.-10) = s3 + 14s 2 + 48s + 80. y a2 = -2. 4. de T.an-1]. a1 = 0. por lo que a0 = 80.

por lo que deberían ser descartadas. y (t ) = (C − DK c )x(t ) + Du ex (t ) . si existe algún bi tal que rango{[bi Abi ···An-1bi]} = n. Copyright © por Prof.A + BKc} = 0. El siguiente teorema muestra que.Kcx(t).2 con tl = 4. podría necesitarse sólo una entrada para estos efectos.BKc1)n-1b1] tiene rango n. el cual podría no estar disponible para su medición. B} es controlable con B = [b1 b2 ··· bp].. B} es controlable. entonces el sistema es controlable. sin embargo. De esto se puede concluir que si hay p = n entradas. 2. b1} es controlable.3 Simulación del accionamiento c. o como. entonces. si rango{C} = n. Por simplicidad se demostrará para i = 1. se puede alterar la ubicación de éstos. C se puede escribir como.BKc1)b1 (A . como Kc se puede escoger arbitrariamente. Al igual que en el caso SISO. Nótese que los vectores b1 b2 ··· bp son L. aún bajo estas condiciones. puesto que de otra forma implicaría que hay entradas que producen el mismo efecto en el sistema. Como es sabido. La matriz de controlabilidad es C = [B AB ···An-1B] y si se considera que B se puede expresar en sus componentes columnas como B = [b1 b2 ··· bp].BKc1)2b1 ··· (A . con eje flexible y con controlador de variables de estado como indicado en el Ejemplo 4. Es decir. C = [b1 Ab1 ··· An-1b1 b2 Ab2 ··· An-1b2 ··· bp Abp ··· An-1bp]. el control se puede realizar sólo con bi. la cual tiene sus valores propios dados por det{sI .. Si no existe este bi.3 Controlador de Estados MIMO.006 4 -10 0 4 8 12 100 3. ♣ 4. p existe una matriz Kci de p·n tal que el par {A ... Espinoza C. entonces existe una matriz Kc1 de dimensión p·n tal que el par {A .BKc1. Si esto es factible. entonces para cualesquier i = 1.BKci. Es decir.994 0 4 8 12 0 4 Fig. 4. se necesitará más de una entrada para lograrlo. C = [b1 b2 ··· bp Ab1 Ab2 ··· Abp ···An-1b1 An-1b2 ··· An-1bp]. uex 0 ωr 4000 ωl 4000 -50 2000 2000 -100 0 4 8 12 0 0 4 Tr 8 12 0 0 4 200 10 100 0 0 12 8 12 p ia 20 8 4. la matriz Kc es de dimensión p·n. José R. . Por otro lado. entonces.84 Apuntes: 543 760 variable tr que corresponde al torque en el eje. Dado que {A. la entrada se define como u(t) = uex(t) . B} es controlable. Teorema: Si el par {A. Así la nueva representación es x& (t ) = ( A − BK c ) x(t ) + Bu ex (t ) . que la matriz [b1 (A . entonces el sistema es siempre controlable. . bi} es controlable. si el par {A.c. entonces podría utilizarse posteriormente un controlador de estados como el utilizado en sistemas SISO para ubicar arbitrariamente los valores propios del sistema.I.

BKc1Ar1-1b1 = Ar1b1 + Be2 = Ar1b1 + b2 = b2 + ··· (A .Mcx(t) con Mc de dimensión p·n tal que Mc =   M     0  Copyright © por Prof. entonces un controlador de estados en que u(t) = uex(t) .Kcx(t).BKc1) b1 = (A .I.. se define S de dimensión p·n como. lo que da lugar finalmente a definir Kc1 = SQ-1.BKc1)(b2 + Ar1b1) = Ab2 + ··· M = M n-1 rp-2 (A . Se  m c1   0  . introduce ahora otra realimentación v(t) = uex(t) .BKc1)r1+1b1 = (A . Ahora se mostrará que la matriz [b1 (A . y utilizando la relación columna a columna obtenida de la igualdad Kc1Q = S. entonces las columnas anteriores son L. Un resultado intermedio es que Kc1Q = S.BKc1Ab1 = A2 b 1 M = M (A .BKc1)r1-2b1 = (A .BKc1)(A . donde ei es la columna i-ésima de una matriz identidad de p·p.Kc1x(t) con Kc1 de dimensión p·n tal que el par {A .BKc1b1 = Ab1 2 2 (A .BKc1.BKc1)b1 = Ab1.BKc1)b1 (A BKc1)2b1 ··· (A . Dado que Q es de rango n.BKc1)Ab1 = A b1 . B.BKc1)Ar1-1b1 = Ar1b1 . de C).BKc1)r1b1 = (A .BKc1)(A bp + ···) = Arp-1bp + ··· las cuales corresponden a las columnas de la matriz Q más una matriz de coeficientes no relevantes.BKc1) b1 = (A .BKc1)n-1b1] se puede escribir como. S=[ 0 0 ··· -e2 0 0 ··· -e3 ··· 0 0 ··· 0 ]. donde Kc es una matriz de dimensión p·n puede asignar los autovalores arbitrariamente al sistema resultante {A .BKc1)b1 = (A .I. cada columna de la matriz [b1 (A . donde r1 + r2 + ··· + rp = n.BKc1)r1b1 = (A . y por tanto el par {A . b1} es controlable (con Kc1 = SQ-1 como definidas por el teorema anterior). D}.BKc1)r1-1b1 = (A . Teorema: Si el sistema {A.DKc. . es igual a. B. definida como. por lo tanto.BKc1. S = [0 0 ··· -e2 0 ··· 0 -e3 ··· 0 0 ··· 0 ].BKc1)2b1 ··· (A . El resultado anterior indica que el sistema puede hacerse controlable sólo a través de la primera entrada. José R. es decir. Dado que el par {A. C . C.BKc1)Ar1-2b1 = Ar1-1b1 . D} es controlable. Además. Q = [b1 Ab1 ··· Ar1-1b1 b2 Ab2 ··· Ar2-1b2 ··· bp Abp ··· Arp-1bp].BKc. b1} es controlable. se puede escoger u(t) = v(t) . 1 Kc1Q = [Kc1b1 Kc1Ab1 ··· Kc1Ar1-1b1 Kc1b2 Kc1Ab2 ··· Kc1Ar2-1b2 ··· Kc1bp Kc1Abp ··· Kc1Arpbp].BKc1)(A .BKc1Ar1-2b1 = Ar1-1b1 (A .BKc1)b1 (A . Espinoza C. B} es controlable.I. en un segundo paso puede utilizarse un controlador de estados como el utilizado en sistemas SISO para ubicar arbitrariamente los valores propios del sistema.85 Apuntes: 543 760 entonces existe una matriz Q (que se forma tomando las columnas L. b1 = b1 (A .BKc1)n-1b1] tiene rango n o que los vectores columna que forman dicha matriz son L. para esto.BKc1)(A .

por lo que a0 = 80.Mcx(t) se puede escribir u(t) = uex(t) – (Kc1 + Mc)x(t). entonces la realimentación v(t) = uex(t) . mc1 = kcT = [-49 − 49 10 25  − 1 0 0  . están en det{sI . el sistema es controlable pero se necesitan las dos entradas para tales efectos. El sistema resultante tiene un polinomio característico dado por det{sI – A + BKc1} = s3 + 4s2 + 7s + 4 = (s + 1)( s + 1. 1 1 − 2  A =  2 0 − 2 . rango{B AB A2B} = 3. José R. el sistema resultante es x& (t ) = ( A − BK c1 − BM c )x(t ) + Bu ex (t ) = ( A − BK c1 − b1m c1 )x(t ) + Bu ex (t ) . Espinoza C. b1} es controlable.7 14 .: Los valores propios del sistema en L. Ejemplo 4. a1 = 7. finalmente. Afortunadamente. a1 = 48.j)( s + 10) = s3 + 14s 2 + 48s + 80.A.Kc1x. B =   4 2 − 5  0 0 1 0  . Es decir. Kc = Kc1 + Mc.4 Representación gráfica del controlador de estados para sistemas MIMO. Así Kc = Kc1 + Mc = b 1 ] −1 a 2 b1 + ( A − BK c1 )b1 1 1 0 = 5 4 1   3 2 0 −1 .323j)( s + 1.5 + 1. y = (C − DK c1 )x + Dv que es controlable mediante v1. Finalmente.b1mc1} mediante la apropiada selección de mc1. por lo tanto. y (t ) = (C − DK c1 − DM c )x(t ) + Duex (t ) . combinando u(t) = v(t) . kc = [80 . 4. Para verificar los resultados se obtiene H(s)LC como   D uex v + - x& u + B - + ∫ A x y C + planta Kc1 Mc Fig. rango{b1 Ab1 A2b1} = 2 y 2 rango{b2 Ab2 A b2} = 2.4] = [76 41 10] y la matriz T = [a1b1 + a 2 ( A − BK c1 )b1 + ( A − BK c1 ) 2 b1 10 25]. -2 ± 2j. es decir. y a2 = 4 y que el sistema deseado debe tener un polinomio característico dado por det{ sI – A + BKc} = det{ sI – A + BKc1 + BMc} = (s + 2 + j )( s + 2 .Kc1x(t) con v(t) = uex(t) . x& = ( A − BK c1 )x + Bv .4.3 Dado el sistema descrito por. R. Una representación gráfica del procedimiento anterior está dado en la Fig. y a2 = 14. así. pero es controlable a través de v1. . Por lo tanto. Copyright © por Prof. y como el par {A .BKc1.5 -1. y C =  1 0 0   − 1 0 1     0 1 diseñar un controlador de estados para que el sistema resultante tenga valores propios en -10. mc1 un vector de dimensión 1·n. 4. se encuentra Kc1 como Kc1 = SQ = [0 -e2 0][ b1 Ab1 b2] =  1 0 0 =    por lo que   0 − 1 0 0 2 1 − 1 0 0   el sistema resultante está dado por u = v .A} = s3 + 4s2 + 5s + 2 = (s + 1)(s + 1)(s + 2) por lo que se necesita de un controlador de estados. desafortunadamente.323j) que no cumple con la ubicación deseada.86 Apuntes: 543 760 con Por lo tanto. −1 0 1 0  0 0 0   0 0 0 -1 -1 Primero.Mcx(t) puede fijar arbitrariamente los valores propios de la matriz (A BKc1 .4 48 . se puede diseñar Mc considerando que el sistema resultante tiene a0 = 4.

con z = [zcT zncT]T.…. v2.Bc K 'c )}det{λI . Bc} es controlable. El procedimiento para encontrar K 'c es el utilizado para sistemas MIMO o SISO según corresponda. CT = CT-1. entonces u(t) = v(t) – [ K 'c 0]z(t) = v(t) – [ K 'c 0]Tx(t). . y (t ) = [ Cc Anc   z nc (t )   0   z (t )  Cnc ]  c  + DTu(t ) + FTp(t ) . Los asociados a det{λI . y (t ) = Cx(t ) + Du(t ) + Fp(t ) . y (t ) = CT z (t ) + DTu(t ) + FTp(t ) . las primeras columnas de T son los vectores propios asociados a las nc variables controlables zc de las n . BT = TB.(Ac . donde z(t) = Tx(t). Un procedimiento para lograrlo se presenta a continuación. ET = TE y FT = F.87 Apuntes: 543 760 H( s ) LC = − 2 s − 47  s +1  s + 2 s 2 + 11s − 14 lo que verifica la re-ubicación de los valores propios del sistema. lo que se reduce a.  z nc (t )  Si se define la entrada como u(t) = v(t) – [ K 'c 0]z(t) = v(t) – [ K 'c 0][zcT(t) zncT(t)]T = v(t) – K 'c zc(t). la representación queda. Un caso especial es cuando el sistema no es controlable y la matriz de controlabilidad resulta tener un rango nc < n. Finalmente. vn) de A.  z& c (t )   A c  z& (t )  =  0  nc   y (t ) = [Cc 0   z c (t )   Bc  +   ( v (t ) − K 'c z c (t )) + ETp(t )    Anc   z nc (t )   0   z (t )  Cnc ]  c  + DT ( v (t ) − K 'c z c (t )) + FTp(t )  z nc (t )  .(Ac . A nc   z nc (t )   0   z (t )  Cnc   c  + DT v (t ) + FTp(t )  z nc (t )  . por lo que si se define a Kc = [ K 'c 0]T. DT = D. En este caso hay nc estados controlables y.  z& (t )   A z& (t ) =  c  =  c  z& nc (t )   0 0   z c (t )   Bc  + u(t ) + ETp(t ). AT = TAT-1. Copyright © por Prof. Así T = [v1 v2 … vn]-1 lo que resulta en una nueva representación dada por z& (t ) = A T z (t ) + B Tu(t ) + ETp(t ) . dado que z(t) = Tx(t).Bc K 'c )} pueden ser ubicados arbitrariamente dado que por hipótesis se tiene que el par {Ac. ♣ s + 14s + 48s + 80   1 3 2 4. Espinoza C. José R. La operatoria de matrices asegura que los valores propios de la representación anterior son los valores de λ tal que det{λI . Si además.4 Controlador de Estados de Orden Reducido.  z& c (t )   A c − B c K 'c  z& (t )  =  0  nc   y (t ) = Cc − DT K ' c 0   z c (t )  Bc    +   v (t ) + ETp(t ). nc de los n valores propios de la representación pueden ser ubicados arbitrariamente. entonces u(t) = v(t) – Kcx. con K 'c de dimensión p·nc entonces.nc no controlables znc.Anc } = 0. El sistema dado por x& (t ) = Ax(t ) + Bu(t ) + Ep(t ). puede ser escrito en forma diagonal si se utiliza una transformación de similitud T dada por los vectores propios (v1. por lo tanto.

Como revisado hasta ahora. B. Para esto existe una solución a la implementación de controladores de estado al costo de introducir tantos integradores como salidas estén definidas.   .5 en donde se ha obviado la perturbación p. como ilustrado en la Fig. B. . Para  A 0  B   . 4. Nótese que el nuevo vector de estado z(t) está definido de manera de asegurar en el punto de operación que y(t) = yd(t) dado que en éste se cumple que z& (t ) = 0.5 Controlador de Estados con Integradores. Esto no es siempre factible debido principalmente a tres razones. x& (t ) = Ax(t) + Bu(t) + Ep(t). A  x& (t )   z& (t )  =    C 0 0 E B  x(t )   z (t )  +   u(t) +   p(t)   F  D  0   x(t )   I  yd(t). D} controlable. la existencia de perturbaciones. primero. El sistema   C D uex x& u + - + B ∫ x y C A + planta [x T z T]T Kc z& yd - + z ∫ Fig. 4. lograr esto. C. los parámetros normalmente se alteran con el tiempo y tercero. Espinoza C. donde yd(t) es el vector de salidas deseadas o referencias de dimensión q·1.     A 0 Nótese que la matriz   tiene los valores propios originales de A más q valores propios en el  C 0 origen. D} no tiene ceros de transmisión en el origen. una representación de este sistema completo es. C.yd(t) = Cx(t) + Du(t) + Fp(t) . Lo interesante es mover la localización de estos valores propios a un lugar arbitrario mediante un controlador de estados. los controladores de estado requieren para su implementación el modelo exacto del sistema.yd(t). . es decir. [C 0].5 Representación gráfica del controlador de estados con integradores para sistemas MIMO. Teorema: Sea el sistema {A. y(t) = Cx(t) + Du(t) + Fp(t).88 Apuntes: 543 760 4. D  debería ser controlable. segundo. el modelo en la práctica siempre es aproximado. Por lo tanto. D. B. al cual se le agregan los integradores del tipo z& (t ) = y(t) . Es decir. el sistema     C 0 D    A 0  B   [ ] . el sistema original puede ser escrito como. Copyright © por Prof. D  es 0 D  controlable si y sólo si el sistema original {A. C. C 0 . las matrices A. José R. y(t) = [C 0]  z (t )  + Du(t) + Fp(t).

o q ⇒ p y p ⇒ q o del tipo p/ ⇒ q/ y q/ ⇒ p/ . Por lo tanto. José R. En estado estacionario se tiene que. Espinoza C. n por lo tanto se puede escribir. para implementar un lazo pre-alimentado para eliminar el efecto de p(t). donde uex(t) es una   z (t )   z (t )  mediante la ley de control u(t) = uex(t) . el teorema se prueba si se demuestra esto último. Por lo tanto.. es decir.. . entonces este modo es D  no controlable y por tanto el sistema resultante es no controlable.Kc   . sean wiT = [wi1T wi2T] (i = n + 1.. n + q).   .  K cz ]  x o  B = z  D  uex  o   E   F  po +   0   I  ydo. C.. i = n + 1. Por otro lado.  A 0 T T T [wiT 0]   = [wi A 0] = [λiwi 0] = λi[wi 0]. B. i = 1. D} no    C 0 D   tiene ceros de transmisión en el origen). i = n + 1. se puede escribir que  A 0 T T A  [wi1T wi2T]  = 0 ó también [ w w ]   = 0 y si se asume que un modo λi = 0 es no i 1 i 2   C 0 C controlable para cumplir con la hipótesis de tener un sistema resultante no controlable. . Al utilizar el test de los vectores propios se tiene B que [wiT 0]   = wiTB ≠ 0 dado que el sistema original es controlable.. n son todos controlables. . (a) si el sistema resultante es no controlable entonces el sistema original tiene ceros de transmisión en el origen y (b) si hay un cero de transmisión en el origen entonces el sistema es no controlable.. por lo tanto los modos λi. el vector propio en el sistema C 0   resultante asociado al valor propio λi es [wiT 0]... entonces podemos reubicar los valores propios  x(t )   x(t )  = uex(t) . n + q) los vectores propios asociados a los q valores propios en el origen. n + q) del B sistema resultante. por ejemplo.89 Apuntes: 543 760  A 0  B   El teorema anterior es del tipo p (  . . D  es controlable) ⇔ q ({A. entonces alguno de sus vectores propios deben arrojar negativo el test de los vectores propios..... por tanto. i D  = 1. combinando ambas ecuaciones se puede escribir que. como este vector también satisface [wi1T wi2T]   = 0. es decir...[Kcx Kcz]  entrada que puede utilizarse. n) más q valores propios en el origen (λi = 0.   . Los valores propios del sistema resultante son los valores propios originales de A (λi. Sean los vectores propios de AT dados por wi. . D   C D A B  como [wi1T wi2T] ≠ 0 sólo queda que la matriz   tenga deficiencia de rango lo que equivale  C D a la condición de tener un cero de transmisión en el origen... . entonces B A B  [wi1T wi2T]   = 0. A B  (b) Si hay un cero de transmisión se cumple entonces que [wi1T wi2T]   = 0 para algún valor de  C D A  [wi1T wi2T] ≠ 0. (a) Si el sistema resultante es no controlable. este vector también cumplirá con [wi1T wi2T]   = 0 lo que lo hace ser C un vector propio asociado a uno de los valores propios en el origen (λi = 0. [C 0]... [wi1T wi2T]   = 0. i = 1. En el caso de tener un sistema extendido controlable.  A 0  B    −  [K cx   C 0 D  Copyright © por Prof.

j)( s + 10)3 = s5 + 34s4 + 428s3 + 2440s2 + 6400s + 8000.4] = [8000 6328 2436 423 30] y la matriz T = 8 8 y1(t) 6 4 4 2 2 0 0 yd1(t) 2 yd2(t) 2 4 6 y2(t) 6 4 0 5 (a) 10 6 0 5 (b) Fig. 10 . rango{Bp ApBp Ap Bp Ap Bp Ap Bp} = 5. a) salida y1 y referencia yd1. Los valores propios de este sistema en L.6 Controlador del Ejemplo 4. desafortunadamente. a1 = 2. b) salida y2 y referencia yd2. a1 = 6400.239 . a2 = 2440. Cp = [C 0] . así.2 2440 .A. y = (C p − D p K c1 )x + D p v que es controlable mediante v1.4 428 .Kc1x. a3 = 5.858j) que no cumple con la ubicación deseada. Dp = D}. Bp =   . -2 ± 2j y que las salidas sigan referencias dadas por yd.521) (s + 1) ( s + 0. se puede diseñar Mc considerando que el sistema resultante tiene a0 = 0. a3 = 428. R.4 Dado el sistema descrito por. el sistema es controlable pero se necesitan las dos entradas para tales efectos. están en   C 0 D  5 4 3 2 2 det{sI . 1 1 − 2  A =  2 0 − 2 .858j)( s + 0. por lo que a0 = 8000.4. y C =  1 0 0   − 1 0 1     0 1 diseñar un controlador de estados para que el sistema resultante tenga valores propios en -10. B =   4 2 − 5  0 0 1 0  . Por lo tanto.239 + 0. es decir. Esto justifica su utilización para fines tales como lazos pre-alimentados. pero es controlable a través de v1.90 Apuntes: 543 760 dado que el sistema resultante tendrá sólo valores propios estables (no tiene valores propios en el  A 0  B   − [ K K ] origen) el término  cx cz  es invertible y por tanto existe solución única para xo.0. Ejemplo 4. 2 − 6 1 − 5 =  0 0 0 − 1 0   0 1 0 0  0 1 0 1  x& = ( A p − B p K c 1 )x + B p v . 2 3 4 Afortunadamente. 4.: Se agregan dos integradores al sistema puesto que hay dos salidas por lo que el sistema  A 0 B extendido es {Ap =  . Copyright © por Prof.5 34 . y a4 = 4 y que el sistema deseado debe tener un polinomio característico dado por det{sI – Ap + BpKc} = det{ sI – Ap + BpKc1 + BpMc} = (s + 2 + j )( s + 2 .      C 0 D   zo independiente de uex. kc = [8000 . a2 = 4. José R. por lo tanto.0 6400 . 0 0 0 0 0  Primero. a4 = 34. rango{bp1 Apbp1 Ap2bp1 Ap3bp1 Ap4bp1} = 3 y rango{bp2 Apbp2 Ap2bp2 Ap3bp2 Ap4bp2} = 3.Ap} = s + 4s + 5s + 2s = (s + 1)(s + 1)(s + 2)s por lo que se necesita de un controlador de estados. Espinoza C. se encuentra Kc1 como Kc1 = SQ-1 = [0 0 -e2 0 0][ bp1 Apbp1 Ap2bp1 bp2 Apbp2]-1 =   0 0 − 1 0 0  −1 0 1  0  0 0 1 − 3 0 − 2 0 − 2 0 − 2  0 0 0 0 0  por lo que el sistema resultante está dado por u = v . El sistema resultante tiene un polinomio característico dado por det{sI – Ap + BKc1} = s5 + 4s4 + 5s3 + 4s2 + 2s = s(s + 2.

7 muestra la simulación de este caso en donde la salida y1 = ωr cambia de 3000 a 1400 rpm mediante la referencia z1 yd.5185j)(s + 2. a1 = 77500. por lo que a0 = 125000.j)( s . por lo que a0 = 0.-2 + j )( s .84·10 −7    −7 3.6·10  0  0 − 0. La Fig. -2 ± 2j y que la salida siga una referencia dada por yd = yd.84·10 0 0 0   0  0  . por lo 5 4 3 2 ⋅ + 77500⋅ s + 125000 s5 + 79s4 + que se puede escribir (s .0037-171. Afortunadamente. a3 = 2183 y a4 = 79. mc1 = kcT = [-8287 30 4295 -5957 8000]. ♣ Ejemplo 4. Espinoza C. R. Para verificar los resultados se obtiene el polinomio característico del sistema  0 0 0 −1 0   resultante que es det{sI . dp = d}.05 0   La Fig.: Se agrega un integrador al  A 0 b  sistema puesto que hay una salida por lo que el sistema extendido es {Ap =   . .-2 .3166j)(s + 0. el sistema es controlable. ωr 4000 ωl 4000 3000 2000 2000 2950 0 4 8 12 0 0 4 Tr 8 12 0 0 4 200 10 100 0 0 12 8 12 p ia 20 8 4. Copyright © por Prof.c.5 Dado el sistema del motor con eje flexible.97 0 4 8 12 0 4 Fig.3099 260.78s + 704166.-25)3 = s + 79⋅ s + 2183⋅ s + 23725s 3 2 2183s + 23725s + 77500s + 125000.00 3. José R.98 -10 0 4 8 12 100 3. cp = [c 0] . (2) los polos deseados se escogen en -2 ± 2j (el tercero.7396 -44.5633 0.3166j)(s + 2. kc = [-261.0478 2. bp =   . finalmente.5 con tl = 4.5185j)s por lo que se necesita de un controlador de estados. (4) la matriz T =  0 0 0 0 3.91 Apuntes: 543 760 0 0  0  0 1 0 2 1 1 1 1 3 2 1 1 1 4 2 0 0 −1 0 1  0 .6 muestra la simulación de este caso en donde la salida y1 cambia de 1 a –2 mediante la referencia yd1 mientras la salida y2 es mantenida por el controlador en -1. 4.7500 0. a2 = 23725. 0 1. diseñar un controlador de estados para que el sistema resultante tenga valores propios en -10. cuarto y quinto polo se ubican en -25). (5) finalmente. Así Kc = Kc1 + Mc =  0 0 − 8287 30 4295 − 5957 8000 .4741-21. por lo tanto.Ap + BpKc} = s5 + 34s4 + 428s3 + 2440s2 + 6400s + 8000 lo que verifica la ubicación de los valores propios del sistema incluyendo el controlador de estados en conjunto con los integradores.67s2 + 1562500s = (s + 0.6·10 −3 0 0 0  9. (1) el polinomio característico es s5 + 24s4 + 29403s3 + 704167s2 + 1562500s.7 Simulación del accionamiento c. a1 = 1562500.A.0037+171. están en det{sI . (3) kc = [125000-0 77500-1562500 23725-704167 2183-29403 79-24] = [125000 -1485000 -680442 -27220 55]. 4. a3 = 29403 y a4 = 24. a2 = 704167. con eje flexible y con controlador de variables de estado con integrador como indicado en el Ejemplo 4. 4.92·10 −5 0 0   −3 − 9. Los c 0   d  5 4 3 valores propios de este sistema en L. rango{bp Apbp Ap2bp Ap3bp Ap4bp} = 5.Ap} = s + 24s + 29402.4741+21.0480].

Teorema: El sistema x& (t ) = Ax(t) + Bu(t). En el sistema en L. O 0   L h pp ( s ) L En una M.6 Desacoplador de Estados. la M. + . debe ser cuadrada. 0 h11 ( s )  0 h22 ( s ) H( s ) =  M  M  0  0 0  L 0  .BF)(sI – A + BF)-1BG D x& u uex + G - B + ∫ x y C A F planta planta desacoplada Fig. En estos casos. Nótese que el cambio en el torque perturbador p no saca al sistema del punto de operación. y(t) = Cx(t) + Du(t) tiene por M. ♣ 4. Para demostrar el teorema se procede a escribir HLC(s) como = C(sI – A + BF)-1BG = C(sI – A)-1(sI – A)(sI – A + BF)-1BG = C(sI – A)-1(sI – A + BF . arbitraria interesaría manipular separadamente cada salida. José R. no es desacoplada y se representa por x& = Ax + Bu. la M.BF)(sI – A + BF)-1BG = C(sI – A)-1((sI – A + BF) .Fx que permita alcanzar esta propiedad. de T. para los cuales hay suficiente teoría para su análisis y diseño. HLC(s) = HLA(s)(I – F(sI – A + BF)-1B)G = HLA(s)(I + F(sI – A)1 B)-1G. HLC(s) = C(sI – A + BF)-1BG. de T. a HLA(s) y al utilizar la realimentación u(t) = Guex(t) . es diagonal y no singular. se tiene una M.8 Representación gráfica del desacoplador de estados.92 Apuntes: 543 760 yd.Fx(t) queda descrito por la M. Por tanto. En un sistema desacoplado se tiene la gran ventaja de que cada entrada afecta sólo a una salida.8 se puede observar este caso en donde se espera obtener que las p = q salidas del vector y sean desacopladas respecto de las p = q nuevas entradas uex. En la Fig. de T. y = Cx + Du. es del tipo. se pueden implementar fácilmente controladores monovariables. de T. de T. puede diseñarse un controlador de estados del tipo u = Guex . de T. 4. de T. Copyright © por Prof. p = q. HLC(s) y cumple con la igualdad. En estos casos. es decir. dada por HLA(s) = C(sI – A)-1B (con D = 0) y con la realimentación se tiene una M.A. 4. Espinoza C. de T. Si la M. de T. Def.: Un sistema MIMO se dice sistema desacoplado si su M.

puede escribirse como  s − v1  0 HLA(s) =   M   0 Copyright © por Prof.F(sI – A + BF)-1BF(sI – A)-1B = I – F(sI – A)-1B + F(sI – A + BF)-1BF(sI – A)-1B + F(sI – A)-1B . de T.F(sI – A + BF)-1BF(sI – A)-1B = I – F(sI – A + BF)-1(sI – A)(sI – A)-1B + F(sI – A)-1B . HLA(s) tiene filas hi(s) dadas por. La existencia de las matrices F y G en la realimentación u(t) = Guex(t) – Fx(t) está condicionada por el siguiente teorema.F(sI – A + BF)-1BF(sI – A)-1B = I – F(sI – A + BF)-1(sI – A + BF .BF)(sI – A)-1B + F(sI – A)-1B . y(t) = Cx(t) + Du(t).F(sI – A + BF)-1BF(sI – A)-1B = I – F(sI – A + BF)-1(sI – A + BF .F(sI – A + BF)-1BF(sI – A)-1B = I – F(sI – A + BF)-1(sI – A)(sI – A)-1B + F(sI – A)-1B . hi(s) = ciAvi-1s-viB + ciAvis-vi-1B + ciAvi+1s-vi-2B + ··· + = s-vi(ciAvi-1B + ciAvis-1B + ciAvi+1s-2B + ··· + ) = s-vi(ciAvi-1B + ciAvi(A0s-1)B + ciAvi(A1s-2)B + ··· + ) = s-vi(ciAvi-1B + ciAvi(sI – A)-1B) Por lo tanto...A.BF)(sI – A)-1B + F(sI – A)-1B .A. q son enteros dados por. la M.  min{j / ci A j −1B ≠ 0} vi =  . i = 1. entonces. de T. E = . 0 s − v2 M 0 v −1 v  0    c1 A 1 B   c1 A 1       v2 −1  v2  L 0   c 2 A B  c 2 A  −1  + ( sI − A ) B  . (I – F(sI – A + BF)-1B)(I + F(sI – A)-1B) = I – F(sI – A + BF)-1B + F(sI – A)-1B . Teorema: Existe una realimentación de estados u(t) = Guex(t) . si y sólo si la matriz. en L. en L.. . hi(s) = ci(sI – A)-1B = ciA0s-1B + ciA1s-2B + ··· + ciAvi-2s-vi+1B + ciAvi-1s-viB + ciAvis-vi-1B + ciAvi+1s-vi-2B + ··· + si se considera que ciA0B = ciA1B = ··· = ciAvi-2B = 0 y por tanto ciAvi-1B ≠ 0. j −1 n − 1 si ci A B = 0 ∀j Para demostrar el teorema se considera que la M.   M  M O 0      v −1  v  −v   L s q   c q A q B  c q A q   L .F(sI – A + BF)-1BF(sI – A)-1B =I Por lo tanto se puede escribir (I – F(sI – A + BF)-1B) = (I + F(sI – A)-1B)-1 y por ende HLC(s) = HLA(s)(I + F(sI – A)-1B)-1G.   M  vq −1  c q A B  donde CT = [c1T c2T ··· cqT] y vi. Espinoza C. José R.Fx(t) que desacopla el sistema x& (t ) =  c1 A v1 −1B    c 2 A v2 −1B   Ax(t) + Bu(t). es no singular.93 Apuntes: 543 760 = C(sI – A)-1(I – BF(sI – A + BF)-1)BG = C(sI – A)-1(BG – BF(sI – A + BF)-1BG) = C(sI – A)-1B(G – F(sI – A + BF)-1BG) = HLA(s)(I – F(sI – A + BF)-1B)G Por otro lado.

A)-1B)(G-1 + G-1F(sI .C. s-v2. R. s-vq }(B + C(sI . s-v2. HLC(s) puede escribirse como. G =  v2  1 − 3 3 c 2 A  1 − 1 0  =   . B = E debe ser invertible. En resumen. si se escoge G = B-1 y F = B-1C se obtiene un sistema en L.    M  M   vq −1  vq  c q A B  c q A  entonces la M. Estos   0 1  c A v1 −1B  1 − 2 resultados permiten generar B =  1 v −1  =   yC= 2 0 1  c 2 A B  c1 A v1  − 5 − 3 6  =  . Ejemplo 4. de donde se puede concluir que si B = G-1 y C = G-1F. ♣ Ejemplo 4. de T. Por lo tanto. y C =  1 0 0   − 1 0 1     0 1 para que el sistema resultante sea desacoplado. 1 2  0 1  y F   x& = Ax + Bu. 1 1 − 2  A =  2 0 − 2 . HLC(s) = diag{s-v1. s-vq }(B + C(sI . en L.A)-1B)-1. de T.: El modelo se encuentra en el desarrollo del Ejemplo 1.BF)x + BGuex. como el resultado es el vector nulo se continúa con j = 2 lo que resulta en  1 0 0 = [1 -2] como el resultado es no nulo se tiene que v1 = 2. ···. ···. y = (C . diagonal y por tanto desacoplada. entonces HLC(s) = diag{s-v1.DF)x + DGuex que resulta ser H( s ) LC 1  2 = s 0   0 1  s lo que verifica el desacoplo entrada-salida. de T. Para encontrar v1 se determina para j = 1 el vector c1A0B = [0 0].c. . R.7. como el resultado es el Copyright © por Prof. Para comprobar los resultados se obtiene la M. B =   4 2 − 5 diseñar un controlador de estados 0 j = 1 el vector c1A0B = [1 0 0] 1  0  1 1 − 2  0 1 c1A B = [1 0 0] 2 0 − 2 1    4 2 − 5 0  0 0 1 0  .Fx.6 Dado el sistema descrito por.A.C. Para esto. HLC(s) = diag{s-v1. s-vq } que corresponde a una M. Espinoza C. ···. s-vq }(B + C(sI . Al emplear la relación del teorema (considerando que u(t) = Guex(t) .A)-1B)(I + F(sI .7 Diseñar un desacoplador de estados para el accionamiento con dos motores de c. desacoplado. la M. s-v2. y = x& = (A .3.94 Apuntes: 543 760  c1 A v1 −1B   c1 A v1      c 2 A v2 −1B  c 2 A v2    si se define la matriz B = (que corresponde a la matriz E) y la matriz C = .A)-1B).: para encontrar v1 se determina para 0 0 = [0 0]. de T. 1.Fx(t)). José R. con u = Guex . Para encontrar v2 se  1 0 0  0 determina para j = 1 el vector c2A B = [-1 0 1] 1 0 = [0 1]. como el resultado es no nulo se tiene que v2 = 1. es decir. ···.A)-1B)-1G. del sistema en L. del sistema resultante descrito por 3 1 − 3 Cx + Du. la que puede formularse como. s-v2. como ilustrado en la Fig. puede escribirse como HLA(s) = diag{s-v1. como el resultado es el vector nulo se continúa con j = 2 lo que resulta en c1A1B = [0 0].

como el resultado es no nulo se tiene que v1 = 4. Copyright © por Prof. Sin embargo.22 ( s ) = . esta es la necesidad de contar con todos los estados (el vector x) para su implementación.  yC=  v2 −1  v2  − 20  4 0 − 120 120 0 0  20 c 2 A B c 2 A   − 4 38.025 38. Para tales efectos. ♣ s s Los controladores de estado pueden combinarse para lograr resultados óptimos. Espinoza C.826 − 143.1 1 10 600 0.025 − 0. Este requerimiento puede resultar casi imposible de lograr ya sea por razones técnicas (no se puede medir) como económicas (sensores de elevado precio).01 0. Para encontrar v2 se determina para j = 1 el vector c2A0B = [20 -20]. h12 200 0 200 400 0.9 Bode de los coeficientes de H(s)LC del accionamiento de dos motores de c.Fx.c. 4. y = Cx + Du. es decir. del sistema resultante descrito por x& = Ax + Bu.1 1 10 Fig. deben medirse todos los estados.DF)x + DGuex que resulta ser H ( s ) LC =  11  . como el resultado es el vector nulo se continúa con j = 4 lo que resulta en c1A3B = [12857 12857]. Para comprobar los resultados se obtiene −6 −6 − 0.89·10 −6 0 0 0 0 G=  y F =    . Ejemplo 4.025 0 0 0 0 38.796 − 35. es decir. y = (C . .BF)x + 0  h. con u = Guex .9. 4. De 1 1 estos también se desprende que h. tienen un requerimiento que los hace poco prácticos.025   0. de acuerdo a características transitorias). Es decir. como corroborado por el Bode de los h.11 ( s ) = 4 y h.89·10 − 0.01 10 200 200 0 0 Magnitud.025 38. Por lo tanto.89·10 −6 0. 200 200 95.4·10 6 0 0 12857 12857 =  =    .1 1 10 23.01 0. 22 ( s )  0 coeficiente de H(s)LC ilustrados en la Fig.1 1 600 0. para lograr ubicar exactamente los valores propios del sistema en una localización deseada (por ejemplo. José R. de T. h11 0 200 400 600 0. Estos resultados permiten generar B =  c1 A v1 −1B   c1 A v1  − 2571 − 2571 239·10 6 − 8.854 400 600 0.7. h21 Magnitud.89·10 la M. Nótese que los elementos de la diagonal debieran ser idealmente cero.95 Apuntes: 543 760 vector nulo se continúa con j = 3 lo que resulta en c1A2B = [0 0].025 − 0.4·10 6 − 8. como el resultado es no nulo se tiene que v2 = 1.964 200 400 0. h22 Magnitud. x& = (A .01 Magnitud. se han desarrollado técnicas indirectas de medición como son los observadores de estado. ( s ) BGuex.

Espinoza C. Para remediar estos problemas. Se puede apreciar que el observador necesita los parámetros A. Para analizar esta propiedad se estudia la derivada del error que es x&% (t ) = x& (t ) − x&ˆ (t ) = Ax(t ) + bu (t ) − Axˆ (t ) − bu (t ) = Ax(t ) − Axˆ (t ) = A(x(t ) − xˆ (t )) = Ax% (t ) . Por lo tanto. Este set debe tener variables de estado xˆ (t ) que se aproximen tanto dinámica como estáticamente a las variables de estado reales x. la ecuación del error está dada por ~ x ( t ) = e At ~ x (0) = eAt ~ x 0 . Para esto. entonces el error tiende a cero para t → ∝ y será siempre cero si la c. 4. Bajo estas condiciones se tienen dos inconvenientes. en la práctica se debe asumir que nunca se da.10. cuya condición no es siempre el caso y.i.10 Representación gráfica del observador SISO en L. B. De esta expresión se puede concluir que si los valores propios de A son estables. yˆ(t ) = c xˆ (t ) + du(t). interesa que éste sea cero para todo instante de tiempo para que el vector de estados estimado xˆ (t ) sea efectivamente x(t) y así yˆ(t ) sea efectivamente y(t). C. 4. José R. lo hace con la dinámica fijada por A y por ende no hay manipulación de ésta.7 Observador de Estados SISO. se considera que se tiene un nuevo vector de estados compuesto por las  x(t )  variables de estados originales y el vector de estados de los errores de estimación   y se mantienen  x% (t )  d x& u b + ∫ y x c A x&ˆ b + d ∫ + planta yˆ xˆ c A + observador xˆ Fig. Es importante destacar que el sistema {A. las variables de estado generadas por el observador xˆ (t ) generarán una salida yˆ (t ) que se aproximará a la salida real y. D} en conjunto con el observador se puede agrupar en sólo un sistema. c y d y la entrada u. Una representación gráfica del observador y el sistema están dadas en la Fig. Primero. si el error converge a cero. Observador en L. el error convergerá a cero si y sólo si los valores propio de A son estables. se estudia un observador en L.96 Apuntes: 543 760 4.C. en la medida que xˆ (t ) se aproxime a x(t). A su vez.A. es decir. segundo. En este caso las ecuaciones dinámicas del observador son x&ˆ (t ) = A xˆ (t ) + bu(t). lo es. . A. La idea básica es disponer de un set de ecuaciones de estado similares a las del sistema en estudio.A. Para tales efectos hay varias opciones que se estudian a continuación. Si bien esta condición es teóricamente factible. si ~ x 0 = 0. Copyright © por Prof. b. Si se define el error de estimación x% (t ) = x(t ) − xˆ (t ) .

x&% (t ) = x& (t ) − x&ˆ (t ) = Ax(t ) + bu (t ) − Axˆ (t ) − bu (t ) − k o ( y (t ) − yˆ (t )) = Ax(t ) − Axˆ (t ) − k o (cx(t ) − cxˆ (t )) .11. En este caso.yˆ(t ) ). b. entonces el error tiende a cero para t → ∝ y será siempre cero si la c.   0  x(t )  y(t) = [C 0]   +du(t).  x% (t )  Observador en L. Para analizar esta propiedad se estudia la derivada del error que es. c y d del sistema real.11 Representación gráfica del observador SISO en L. Una representación gráfica del observador y el sistema están dadas en la Fig. Espinoza C.97 Apuntes: 543 760 la entrada y la salida. 4.C. el sistema total se puede representar por. la ecuación del error está dada por ~ x ( t ) = e(A . es posible modificar los valores propios de (A . Por lo tanto. En este caso las ecuaciones dinámicas del observador son x&ˆ (t ) = A xˆ (t ) + bu(t) + ko(y(t) . Dado que ko se puede escoger arbitrariamente. se puede concluir que si los valores propios de la matriz (A . si se define el error de estimación x% (t ) = x(t ) − xˆ (t ) . donde ko es un vector de dimensión n·1 de valores arbitrarios. es decir. x&% (t ) = x& (t ) − x&ˆ (t ) = A(x(t ) − xˆ (t )) − k o c(x(t ) − xˆ (t )) = Ax% (t ) − k o cx% (t ) = ( A − k o c)x% (t ) . lo es.koc).koc)t ~ x 0 . En este caso también se puede apreciar que el observador necesita los parámetros A. y además asume que y está disponible.koc) son estables. Copyright © por Prof. . Los teoremas siguientes (que son generalizados para p entradas y q salidas) permiten establecer las condiciones bajo las cuales todos los valores propios de esta matriz (A . d x& u b + ∫ y x c A x&ˆ b + d ∫ + planta yˆ xˆ c + y + yˆ ko A observador xˆ Fig.i. si ~ x 0 = 0.koc) son arbitrariamente posicionables. la entrada u. interesa que éste sea cero para todo instante de tiempo para que el vector de estados estimado xˆ (t ) sea efectivamente x(t) y así yˆ(t ) sea efectivamente y(t).C de orden completo. lo que finalmente se reduce a. yˆ(t ) = c xˆ (t ) + du(t). A  x& (t )   x&% (t )  =    0 B. 0 A   x(t )  B   x% (t )  +   u(t). José R. Similarmente. 4.koc)t ~ x (0) = e(A . Por lo tanto.

el procedimiento para encontrar el vector de ganancias ko en un sistema SISO se reduce a encontrar el vector de ganancias koT para un controlador de estados de manera que posiciona los valores propios del sistema en L. D} es observable. D} en conjunto con el observador se puede agrupar en sólo un sistema.: para  − 1 2 − 4 1    T T aplicar el algoritmo anterior se debe reformular el sistema a: A = − 1 − 2 2 . BT. Para esto.CTKoT) arbitrariamente. por lo que se puede escribir el polinomio característico deseado como (s + 2 + j )( s + 2 . -2 ± 2j. a1 = 31. (2) los polos deseados están en -5. A  x& (t )   x&% (t )  =    0   x(t )  B  x(t )   x% (t )  +   u(t).j)( s + 5) = s3 + 9s 2 + 28s + 40. ahora      2 − 2 − 5 0 se aplica el procedimiento utilizado en los controladores de estados: (1) en este caso el polinomio característico es det{sI AT} = s3 + 8s 2 + 31s + 40 de donde se puede obtener a0 = 40. si y sólo si el sistema dado por {AT.C. Similarmente al caso anterior. R. B. y b T = [1 − 2 0] . b =  − 2 .0 xˆ1 (t ) 0. y a2 = 8. entonces existe una matriz KoT de dimensión p·n tal que permite posicionar los valores propios de la matriz (AT . cT.  A − k oc    0    0 − 1 −1 2   1  Ejemplo 4. bT. C. si éstos se eligen estables. A =  2 − 2 − 2 .5 0 2 4 t Fig. El Capítulo II muestra que el sistema {A.cTkoT. BT. dado por {AT . -2 ± 2j. Espinoza C. 4. CT.  x% (t )  el sistema total se puede representar por.C. B. CT. y c = [1 0 0] diseñar un observador de      − 4 2 − 5  0  estados completo en L. por 1. C} es observable. C. DT} es controlable. entonces ~ x (t ) → 0 ó xˆ (t ) → x(t) asintóticamente.CTKoT)T = (A . entonces Ko permite escoger siempre los valores propios de la matriz (A KoC). José R. Si el sistema {AT. DT} es controlable. Dado que los valores propios de la matriz (AT . Se debe tener en cuenta que estos valores propios fijan la dinámica del error de estimación. En particular. .12 Simulación del observador del Ejemplo 4.5 x1(t) 0 ~ x1 (t ) -0. En resumen. c = 0 . el sistema {A.98 Apuntes: 543 760 Teorema: Si el par {A.8 Dado el sistema descrito por. por lo tanto. se considera que se tiene un nuevo vector de estados compuesto por las  x(t )  variables de estados originales y el vector de estados de los errores de estimación   . tal que el error tienda cero con una dinámica dada por los valores propios en -5.cTkoT. Copyright © por Prof. dT} en una localización dada. entonces existe un vector de ganancias Ko tal que los valores propios de (A .CTKoT) y su transpuesta (AT .8. y = [C 0]  x% (t )  +du(t).KoC) se pueden asignar a voluntad.KoC) son los mismos.

♣ C. Resultados simulados se muestran en la Fig. el cual corresponde al polinomio característico deseado.m). éste se mantiene aún ante cambios de las variables de estados del sistema x(t).10 se determinó que el sistema de 4 variables de estado es observable.5 0 0]T y para las variables del observador xˆ (t ) dadas por xˆ 0 = 0. Utilizando la metodología del ejemplo anterior y forzando los valores propios del observador a ser: -10. R.c.A + koC} = s + 220s + 241000s + 420000s + 2000000.9 Diseñe un observador de estados para el caso del accionamiento con eje flexible. 4. Se puede apreciar que una vez que el observador logra error en estado estacionario nulo ~ x (t ) = 0.A + koC} = s3 + 9s 2 + 28s + 40. (3) así kc = [40 . éste se mantiene aún ante cambios de las variables de estados del sistema x(t).koC) que es 4 3 2 det{sI .13. por lo tanto. 4. Por lo    6 2 0 1 T tanto. con eje flexible y con un observador de estado de orden completo donde las líneas segmentadas son los valores observados. el cual corresponde al polinomio característico deseado para el error de aproximación. Se puede apreciar que una vez que el observador logra error en estado x (t ) = 0. nótese además que se asume que se puede medir la perturbación p(t). -10. y a2 = 9.13 Simulación del accionamiento c. sólo debería implementarse un observador para las variables no medibles y utilizar .todas las variables (entrada y variables de estado medibles) para mejorar el desempeño del observador.i.532]T.31 9 .8] = [0 -3 1].40 28 .12 para una entrada u(t) = u(t) + u(t-3). con c. .C de orden reducido.278 196 -200. Para este análisis se asume que el vector de variables de estado se puede dividir en variables de estado medibles  x (t )  xm (de dimensión m) y en no medibles xu (de dimensión n . Espinoza C. En este caso. (5) con lo que finalmente. Resultados simulados se muestran en la Fig. José R. Copyright © por Prof. -100 ± 100j y -100 ± 100j se encuentra que el vector ko es koT = [-36. el vector de ganancias del observador es ko = kc =  8  . kc = [1 8 -1].: En el Ejemplo 2.136 18.99 Apuntes: 543 760 lo que a0 = 40. para x(t) dadas por x0 = [-0. ♣ estacionario nulo ~ Ejemplo 4. Un caso interesante es cuando algunas de las variables de estado están disponibles. 4. Observador en L.en lo posible . (4) y la matriz T = −1 14 5 1 [a1c + a 2 A c + ( A ) c a2c + A c c ] = − 1 − 1 0 . a1 = 28. Para verificar los resultados se obtiene el polinomio característico de la matriz (A .koC) que es det{sI . x(t) =  m  y  xu (t )  va ωr 4000 ωl 4000 200 2000 2000 0 0 2 4 6 0 0 2 tr 50 5 0 0 -50 0 2 6 0 0 2 ia 10 -5 4 4 6 -100 4 6 4 6 p 5 0 2 4 6 0 0 2 Fig.   − 1 T T T T 2 T T T −1 T T Para verificar los resultados se obtiene el polinomio característico de la matriz (A .

por lo que una ecuación para un observador puede ser.buu(t) .1).bmu(t) . Para esto se define la variable auxiliar. x&% u (t ) = Auuxu(t) + Aumxm(t) + buu(t) . y Amu de 1·(n .1 salidas (las n . pues son tratables como sistemas de varias salidas.1 y por tanto se puede utilizar ese procedimiento para encontrar Ko = ko. Dado que el observador resultante es de primer orden. x&% u (t ) = (Auu . Copyright © por Prof.Amu xˆ u (t ) ). y Amu de (n . Espinoza C. si m = n .1)·1. Ambos casos extremos son también de interés y se revisan por separado. entonces Auu es de dimensión 1·1. José R.1 variables de estado medibles) y por tanto no necesariamente son todas requeridas para determinar la variable de estado no medible. hay una variable de estado no medible). Valores de 1 < m < n -1 se analizan posteriormente. lo que debe ser evitado considerando el ruido presente en éstas.1 (es decir. Este caso corresponde a un problema de diseñar un observador de orden completo en L. El número de variables medibles m debe estar entre m = 1 y m = n . x& m (t ) .Ammxm(t) .KoAmuKo)xm(t) + (bu . que correspondería a las ecuaciones de estado de las variables no medibles.Auu xˆ u (t ) . ψ = xˆ u (t ) .100 Apuntes: 543 760 consecuentemente se puede escribir el sistema x& (t ) = Ax(t) + bu(t) como. Ko = ko de (n . y la relación. La dinámica del error x&% u (t ) = x& u (t ) − x&ˆ u (t ) queda dada por. Lamentablemente.KoAmu)ψ(t) + (AuuKo + Aum . la que al ser utilizada en la ecuación del observador se obtiene.bmu(t) = Amuxu(t). en donde Ko de dimensión (n-m)·m se escoge para obtener valores propios dados de la respuesta del error de estimación. x& u (t ) = Auuxu(t) + Aumxm(t) + buu(t). Este caso es equivalente a tener n .KoAmm . la ecuación del observador necesita x& m (t ) .Ammxm(t) .1)·(n -1). que es la derivada de las variables de estado medibles.Kobm)u(t).Ko(Amuxu(t) . A mm  x& m (t )   x& (t )  =   u   A um A mu  A uu   xm (t )  b m   x (t )  +   u(t).1)·1.KoAmu) x% u (t ) . Ko = ko de 1·(n . . de orden n .1).Amu xˆ u (t ) ).Koxm(t). Si m = 1 entonces Auu es de dimensión (n .  u   bu  de donde se puede extraer la relación. es fácil determinar por inspección las salidas requeridas mediante la selección apropiada de Ko = ko.Aumxm(t) . ψ& (t ) = (Auu .C.1. x&ˆ u (t ) = Auu xˆ u (t ) + Aumxm(t) + buu(t) + Ko( x& m (t ) . Por otro lado.

Por otro lado. xm = [x1 x2]T. De ésta se obtiene ψ(t) y por tanto las variables de estado no medibles xˆ u (t ) como xˆ u (t ) = ψ(t) + Koxm(t). 4.KoAmm . y por tanto xˆ 3 = ψ + [-1. Similarmente al caso anterior.KoAmuKo & ψ bu .: En la representación original se tiene que el torque tr no es la última variable de estado. R. José R. Auu = [-5].2. por lo que primero se redefine la d x& u b y x ∫ + + c A planta xm AuuKo + Aum . el único valor propio de la ecuación del observador está  2 − 2 & dado por Auu . por lo tanto. Una representación gráfica de este observador es dada en la Fig. el sistema {A. A = 2 − 2 − 2 . B. 0  x& (t )  A   x&% (t )  =  0 A − K A  uu o mu      x(t )  B  x(t )   x% (t )  +   u(t). Espinoza C.2ko1 + 2ko2. ♣ Ejemplo 4.14. 4.101 Apuntes: 543 760 que corresponde finalmente a la ecuación implementable en la práctica del observador.5.KoAmu = -5 .  x% (t )  el sistema total se puede representar por. . R. entonces ko1 = -1. Si se escoge ko2 = 0. y c = [1 0 0] con x = [x1 x2 x3]T diseñar      − 4 2 − 5  0  un observador de estados para x3 en L. = -2.   0   − 1 −1 2   1    Ejemplo 4.5 0. Diseñe un observador de estados para esta variable asumiendo que las otras están disponibles. C. y(t) = [C 0]  x% (t )  +du(t).  − 2 − 1 − 1 Aum = [-4 2].5 0]xm = ψ + -1.5]xm + 1. Amm =   . y Ko = ko = [ko1 ko2].KoAmu observador xˆ u Fig. Así la ecuación del observador es ψ = -2ψ + [-2. se considera que se tiene un nuevo vector de estados compuesto por las  x(t )  variables de estados originales y el vector de estados de los errores de estimación   . tal que el error de estimación tienda cero con una dinámica dada por el valor 2 propio -2. Copyright © por Prof.10 Dado el sistema descrito por.5x1. Amu =   . Para esto.Kobm + ∫ Ko ψ + Auu .: se asume que x1 y x2 son medibles y están disponibles. b =  − 2 .14 Representación gráfica del observador de orden reducido.C.5u. D} en conjunto con el observador se puede agrupar en sólo un sistema. por lo tanto.11 En el motor con eje flexible se debe conocer el torque tr para implementar un controlador de estados como indicado en el Ejemplo 4.

. O = [c1T c2T ··· cqT ATc1T ATc2T ··· ATcqT ··· (An-1)Tc1T (An-1)Tc2T ··· (An-1)TcqT]T. q). y K = k = [k k k ]. Amu = [-1/(n2Jm) 1/Jl 0]T. Observador en L.. Espinoza C. ♣ 4. entonces el sistema es siempre D x& u B + ∫ y x C A x&ˆ B y + yˆ Ko + D ∫ + planta yˆ xˆ C A + observador xˆ Fig. Como se sabe.C. Así la & = -2ψ ψ + [500 -500.C de orden completo. b =   y e = − 1 / J l  . Por lo tanto..08 0]xm + 0u + 2p. entonces el sistema es observable.I. 4. entonces ko2 = 0. De esto se puede concluir que si hay q = n entradas. Nótese que los vectores filas c1 c2 ··· cq son L. Copyright © por Prof. Dualmente a los controladores de estado MIMO. por lo que deberían ser descartadas. si rango{O} = n. o como. . Auu = [0]. xm = [x1 x2 x3]T. el único valor propio de la ecuación del observador =  0 0 0 o o o1 o2 o3  − nk m / La 0 − Ra / La  está dado por Auu .15 Representación gráfica del observador MIMO en L. la matriz de observabilidad es O = [CT ATCT ··· (An-1)TCT]T y si se considera que C tiene filas ci (i = 1. Si se escoge ko1 = ko3 = 0. 4. Por otro lado. Amm 0 0 k m /( nJ m )   . Aum = [k -k 0]. Específicamente. puesto que de otra forma implicaría que hay salidas idénticas. en los observadores MIMO se tienen q salidas y podría darse el caso de que se necesite sólo una.1/Jlko2 = -2 (se asume -2)..KoAmu = -1/(n2Jm)ko1 .  1 / La   0  − R a / La 0      0 0  0   0   donde x = [x1 x2 x3 x4]T = [ωr ωl ia tr]T. algunas o todas las salidas para determinar todos los estados del sistema. José R.102 Apuntes: 543 760  0  0 representación en variables de estado con A =  − nk / L m a  k  0 0 0 −k  0   0  k m /(nJ m ) − 1 /(n 2 J m )   0    0 1/ J l .04x2. A. y por tanto xˆ 4 = ψ + [0 0.8 Observador de Estados MIMO. O = [c1T ATc1T ··· (An-1)Tc1T c2T ATc2T ··· (An-1)Tc2T cqT ATcqT ··· (An-1)TcqT]T.04. La ecuación del observador es ψ Fig. entonces CT = [c1T c2T ··· cqT] y O se puede escribir como. .16 muestra los resultados simulados.04 0]xm = ψ + 0.

se define S de dimensión q·n como. El observador resultante tiene la forma x&ˆ (t ) = (A . se define un observador basado en el anterior de la forma x&ˆ (t ) = (A .Ko1C)n-1)Tc1T]} = n. Espinoza C. entonces. yˆ (t ) = C xˆ (t ) + Du(t). Estas ecuaciones son consideradas como un sistema independiente y por tanto para que sea observable sólo a través de y1 debe cumplirse que rango{[c1T (A . de la matriz de observabilidad transpuesta OT. y (t ) = C x (t ) + Du(t). 4. que también puede ser escrita como. Así. en donde al diseñar Mo de dimensión p·n se considera que es observable a través m o1   0  T  .11.Ko1C)n-1)Tc1T]} = n se puede proceder como indicado en el diseño de controladores MIMO.Ko1C) x (t ) + (B . se necesitará más de una salida para lograrlo. utilizando el principio de dualidad se puede diseñar el observador en sistemas MIMO.y (t ) ). La cual es la matriz formada por las columnas L.Ko1D .Ko1C)Tc1T ··· ((A . S = [0 ··· 0 -e2 0 ··· 0 -e3 ··· 0 ··· 0 0 ]. para esto se escoge Ko1T = SQ-1. Para probar que al escoger Ko1 como indicado se logra obtener que rango{[c1T (A . con mo1 un vector de dimensión 1·n que se de y1.KoD)u(t) + Koy(t). yˆ (t ) va ωr 4000 ωl 4000 200 2000 2000 0 0 2 4 6 0 0 2 tr 50 5 0 0 -50 0 2 6 0 0 2 ia 10 -5 4 4 6 -100 4 6 4 6 p 5 0 2 4 6 0 0 2 Fig. donde Q = [c1T ATc1T ··· (AT)r1-1c1T c2T ATc2T ··· (AT)r2-1c2T ··· cqT ATcqT ··· (AT)rq-1cqT]. las líneas segmentadas son los valores observados.Ko1D)u(t) + Ko1y(t) + Mo(y(t) . Por lo tanto. . Por otro lado. Como se puede intuir. Finalmente. yˆ (t ) = C xˆ (t ) + Du(t). José R. y (t ) = C x (t ) + Du(t). Copyright © por Prof. estas ecuaciones se simplifican a x&ˆ (t ) = (A .Ko1D)u(t) + Ko1y(t).c.Ko1C) xˆ (t ) + (B .KoC) xˆ (t ) + (B . por lo tanto puede tener la forma Mo =   M     0  diseña siguiendo las reglas de observadores en SISO. el diseño se hace en dos etapas. primero se encuentra un observador descrito por una ganancia Ko1 de dimensión q·n tal que éste resulta ser observable sólo por y1.Ko1C)Tc1T ··· ((A .103 Apuntes: 543 760 observable. con eje flexible y con un observador de estado de orden reducido como indicado en el Ejemplo 4. entonces.MoC) xˆ (t ) + (B . donde ei es la columna i-ésima de una matriz identidad de q·q. Considerando que Ko = Ko1 + Mo. La ecuación de este observador es. Si no existe este ci.Ko1C . el observador puede utilizar sólo la salida i. x& (t ) = (A . x& (t ) = A x (t ) + Bu(t) + Ko1(y(t) . estas condiciones son idénticas a las utilizadas en el diseño de controladores MIMO.yˆ (t ) ).I.MoD)u(t) + (Ko1 + Mo)y(t). si existe algún ci tal que rango{[ciT ATciT ··· (An-1)TciT]} = n.16 Simulación del accionamiento c. donde r1 + r2 + ··· + rq = n. Además.

por lo tanto. pero es observable a través de y1. por lo que a0 = 80. ko = [80 . Así Ko = Ko1 + Mo =  10 0  . Por lo tanto. R.C. 4.15.xˆ (t ) ) = (A . Nótese que este procedimiento es válido de utilizar en sistemas SISO donde se tienen disponibles algunas variables de estado y por tanto se recomienda utilizar un observador de orden reducido.KoC)(x(t) . Una representación gráfica de este observador está dada en la Fig. se puede diseñar Mo considerando que el observador resultante tiene a0 = 4. están en det{sI . Para verificar los resultados se obtienen las raíces de det{sI –    25 0  A + KoC} = s3 + 14s 2 + 48s + 80 lo que verifica la ubicación apropiada de los valores propios del observador.323j) que no cumple con la ubicación deseada.7 14 . 2 4 1 1 − 1 0 1 0 A= 1 0 2  .4] = [76 41 10] y la matriz T = [a1c1T + a 2 ( A T − C T K o1T )c1T + ( A T − C T K o1T ) 2 c1T a 2 c1T + ( A T − C T K o1T )c1T c 1 T ] −1 1 1 0 = 5 4 1   3 2 0 −1 . Este observador tiene un polinomio   característico dado por det{sI – A + Ko1C} = s3 + 4s2 + 7s + 4 = (s + 1)( s + 1. − 49 − 1 mo1 = koT = [-49 10 25].323j)( s + 1. y a2 = 14. se encuentra Ko1T como Ko1T = SQ-1 = [0 -e2 0][c1T ATc1T c2T]-1 =   0 − 1 0 0 1 0  1 0 0  =   0 2 1  0 0 0 − 1 0 0 por lo que el observador resultante es observable mediante y1.C de orden reducido. sólo debería implementarse un observador para las variables no medibles. finalmente. Por lo tanto. José R. y a2 = 4 y que el deseado debe tener un polinomio característico dado por det{sI – A + KoC} = det{ sI – A + Ko1C + MoC} = (s + 2 + j )( s + 2 . a1 = 48. el sistema total se puede representar por. C. Para esto. rango{c1T ATc1T (AT)2c1T} = 2 y rango{c2T ATc2T (AT)2c2T } = 2. así.xˆ (t ) se encuentra que x&% (t ) = x& (t ) − x&ˆ (t ) = (A . B.   0  x& (t )  A   x&% (t )  =  0 A − K C  o     B   x(t )   x(t )   x% (t )  +   u. Al evaluar el error de estimación x% (t ) = x(t) .: Los valores propios del observador en L. Primero.KoC) x% (t ) .A. si se considera que se tiene un nuevo vector de estados compuesto por las variables de estados originales y el vector de estados de los errores de estimación  x(t )   x% (t )  y se mantienen la entrada y la salida. y C =        0 0 1  − 2 − 2 − 5 0 1  diseñar un observador de estados para que el sistema resultante tenga valores propios en -10.5 -1. a1 = 7.12 Dado el sistema descrito por. .j)( s + 10) = s3 + 14s 2 + 48s + 80.A} = s3 + 4s2 + 5s + 2 = (s + 1)(s + 1)(s + 2) por lo que se necesita de un observador de estados en L. Observador en L. y = [C 0]  x% (t )  + Du.104 Apuntes: 543 760 = C xˆ (t ) + Du(t). rango{CT ATCT (AT)2CT} = 3. Para este análisis se asume que el vector de variables de estado se puede Copyright © por Prof. el sistema es observable pero se necesitan las dos salidas para −1 0 0 0 tales efectos. -2 ± 2j. ♣ B.4 48 . Similarmente a los casos anteriores. En el caso de tener disponibles algunas variables de estado. Espinoza C.5 + 1. el sistema {A.     0 Ejemplo 4.. D} en conjunto con el observador se puede agrupar en sólo un sistema. desafortunadamente. B = 0 0  . Afortunadamente.

y también se puede escribir. x(t) =  m  y por tanto se puede escribir el sistema x& (t ) = Ax(t) + Bu(t) como.Ammxm(t) . Espinoza C.Amu xˆ u (t ) ) = (Auu .1.KoAmu observador xˆ u Fig.17 Representación gráfica del observador MIMO de orden reducido. que correspondería a las ecuaciones de estado de las variables no medibles.Bmu(t) = Amuxu(t). hay varias salidas xm se analizan como un diseño de un sistema MIMO con varias salidas en donde A = Auu y C = Amu. José R. es decir. Ambos casos extremos son idénticos al caso SISO y su análisis se revisó anteriormente.KoAmm .Bmu(t) . 4.KoAmuKo Bu .Ko(Amuxu(t) . la que al ser utilizada en la D x& u B ∫ + y x + C A planta xm AuuKo + Aum . x& u (t ) = Auuxu(t) + Aumxm(t) + Buu(t).KoAmu) x% u (t ) . ψ(t) = xˆ u (t ) . x& m (t ) . . Valores de 1 < m < n -1. en donde Ko de dimensión (n-m)·m se escoge para obtener valores propios dados de la respuesta del error de estimación.Koxm(t).  + A uu   xu (t )   B u  de donde se pueden extraer la relación.Amu xˆ u (t ) ).Ammxm(t) . El número de variables medibles m debe estar entre m = 1 y m = n .Auu xˆ u (t ) . x&ˆ u (t ) = Auu xˆ u (t ) + Aumxm(t) + Buu(t) + Ko( x& m (t ) .Aumxm(t) .Buu(t) . x&% u (t ) = Auuxu(t) + Aumxm(t) + Buu(t) . por lo que una ecuación para un observador puede ser.105 Apuntes: 543 760 dividir en variables de estado medibles xm(t) (de dimensión m) y en no medibles xu(t) (de dimensión n  x (t )  m). También se recurre a definir la variable auxiliar.  xu (t )  A mm  x& m (t )   x& (t )  =   u   A um A mu   xm (t )  B m  u(t).KoBm & ψ + ∫ Ko ψ + Auu . por lo tanto. La cual genera una ecuación para la dinámica del error x&% u (t ) = x& u (t ) − x&ˆ u (t ) dada por. Copyright © por Prof.

106

Apuntes: 543 760

ecuación del observador se obtiene,
ψ& (t ) = (Auu - KoAmu)ψ(t) + (AuuKo + Aum - KoAmm - KoAmuKo)xm(t) + (Bu - KoBm)u(t),

que corresponde finalmente a la ecuación implementable en la práctica del observador. De ésta se
obtiene ψ(t) y por tanto las variables de estado no medibles xˆ u (t ) como xˆ u (t ) = ψ(t) + Koxm(t). Una
representación gráfica de este observador es dada en la Fig. 4.17.
Similarmente al caso anterior, el sistema {A, B, C, D} en conjunto con el observador se puede agrupar
en sólo un sistema. Para esto, se considera que se tiene un nuevo vector de estados compuesto por las
 x(t ) 

variables de estados originales y el vector de estados de los errores de estimación   y se mantienen
 x% (t ) 
la entrada y la salida. Por lo tanto, el sistema total se puede representar por,

0

 x& (t )   A
 x&% (t )  =  0 A − K A 

 
uu
o mu 

B 
 x(t ) 
 x% (t )  +   u,


0

 x(t ) 

y = [C 0]   + Du.
 x% (t ) 

Ejemplo 4.13 Dado el sistema descrito por

 1 1 − 2
A = 2 0 − 2 , B =
4 2 − 5

 0 0
1 0  , y C =  1 0 0 
 − 1 0 1




0 1

donde ambas salidas están disponibles, diseñar un observador de orden reducido para determinar las variables de estado del
sistema. R.: Las salidas y1 e y2 corresponden a x1 y -x1 + x3, por lo tanto, sólo se debe estimar x2, dado que x1 y x3 son
deducibles de las salidas. Se escoge un valor propio en -2 para el observador de orden reducido. El sistema se escribe como
 x1 
 x&1  1 − 2 1  x1  0 0
 x&  = 4 − 5 2  x  + 0 1  u1  ,  y1  =  1 0 0  x  , por lo que, A = 1 − 2 , A = 1 , A = [2 mm
mu


2 um
  3 
 3 
 u 2   y 2   − 1 1 0   3 
 x 
 
 4 − 5
 x& 2  2 − 2 0  x 2  1 0     
 2

0 0 
2], Auu = 0, Bm = 
 , Bu = [1 0]. La ecuación del error entonces queda,
0 1 
lo que se escoge ko2 = 1 y ko1 = 0. Así, la ecuación del observador es
observada es

~
x& u = (Auu - KoAmu) ~
x u = (-ko1 - 2ko2) ~
x u , por

 x1 
 u1 
& = -2ψ
ψ
ψ + [-2 1]   + [1 -1]   y la variable
 x3 

x 

xˆ u = xˆ 2 = ψ + [0 1]  1  = ψ + x3. Resultados simulados se presentan en la Fig. 4.18. ♣
x

3

6

x2(t)
4

xˆ 2 ( t )

2
~
x2 ( t )
0

0

2

4

t

Fig. 4.18 Simulación del observador MIMO de orden reducido del Ejemplo 4.13.
Copyright © por Prof. José R. Espinoza C.

u 2 

107

Apuntes: 543 760

4.9 Controlador basado en un Observador de Estados.
Una de las aplicaciones directas de un observador de estados es su utilización en un controlador de
estados como ilustrado en la Fig. 4.19. El principio es utilizar los estados estimados por el observador
en la implementación del controlador. Hay dos interrogantes ante esta alternativa; la primera se refiere
a cómo diseñar el observador y el controlador y, segundo, respecto del comportamiento global, en
particular la ubicación resultante de los valores propios.
Al tener el sistema x& (t ) = Ax(t ) + Bu(t ), y (t ) = Cx(t ) + Du(t ) se puede implementar el controlador u(t) =
uex(t) - Kc xˆ (t ) , en donde claramente se aprecia la utilización de los estados estimados por el observador
definido por x&ˆ (t ) = A xˆ (t ) + Bu(t) + Ko(y(t) - C xˆ (t ) - Du(t)), yˆ (t ) = C xˆ (t ) + Du(t). Al considerar el
error de estimación como x% (t ) = x(t) - xˆ (t ) se encuentra que x&% (t ) = x& (t ) − x&ˆ (t ) = (A - KoC)(x(t) - xˆ (t ) ) =
(A - KoC) x% (t ) . Por otro lado, la ecuación del controlador queda definida por x& (t ) = Ax(t) + B(uex(t) Kc xˆ (t ) ) = Ax(t) + Buex(t) - BKc xˆ (t ) = Ax(t) + Buex(t) - BKc(x(t) - x% (t ) ) = Ax(t) + Buex(t) - BKcx(t) +
BKc x% (t ) = (A - BKc)x(t) + BKc x% (t ) + Buex(t). Por lo tanto, una representación del sistema y el
controlador en combinación con el observador es,

A − BK c
 x& (t ) 
 x&% (t )  = 
0


BK c   x(t )  B
+
uex(t),
A − K o C  x% (t )   0 

 x(t ) 

y = [C − DK c DK c ]   + Duex(t)
 x% (t ) 

 A − BK c
BK c  
Al obtener det 
 = det{A - BKc}det{A - KoC}, se puede observar que los
0
A − K o C 

valores propios del sistema resultante son los del controlador de estados en conjunto con los del
observador. Además, como los valores propios del observador están dados por la matriz A - KoC, éstos
se pueden diseñar independiente de los valores propios deseados para el controlador. La M. de T.
resultante entre la salida y y la nueva entrada uex resulta ser (C - DKc)(sI – A + BKc)-1B + D. Es decir,
los polos del sistema están definidos sólo por los valores propios dados por el controlador de estados.

D
uex

x&

u
+

B

-

+

y

x
C

A

x&ˆ
B
y
+

Ko

Kc

+

D

+
planta


C

A

+

observador

Fig. 4.19 Representación gráfica del controlador de estados basado en un observador de estados.
Copyright © por Prof. José R. Espinoza C.

108

Apuntes: 543 760

Similares resultados y conclusiones se obtienen en la utilización de un controlador que utiliza las
variables de estado desde un observador de orden reducido.
Ejemplo 4.14 En el Ejemplo 4.4 se diseño un controlador para el sistema descrito por

1 1 − 2 
A =  2 0 − 2 , B =


4 2 − 5

 0 0
1 0  , y C =  1 0 0 
 − 1 0 1




0 1

− 49 10 25
el cual arrojó una matriz de ganancia Kc = 
 . Determine el comportamiento utilizando un observador. R.: La
 −1 0 0 
simulación de este caso para uex1(t) = 80u(t-5), uex2(t) = 0 considerando que todos los estados están disponibles está dada en
Fig. 4.20(a). Si se considera ahora que sólo las salidas están disponibles, entonces se puede implementar el observador
obtenido en el Ejemplo 4.13 para obtener una aproximación de x2. Así, el vector de variables de estado a utilizar por el
controlador sería [x1 xˆ 2 x3]. La simulación de este caso para uex1(t) = 80u(t-5), uex2(t) = 0 se muestra en Fig. 4.20(b). ♣

4.10 Modelación, Estimación y Compensación de Perturbaciones.
Las perturbaciones se caracterizan por modificar las salidas del sistema y no ser manipulables. En
muchos casos son medibles y por tanto se pueden compensar utilizando técnicas de pre-alimentación.
En los casos en que éstas no son medibles, se puede recurrir a su estimación como se muestra a
continuación.
En general, las ecuaciones que describen el comportamiento de las perturbaciones puede ser escrito
como, r& (t ) = Arr(t), p(t) = Crr(t), donde, r(t) es el vector de variables de estado del ruido y p(t) las
perturbaciones. Si consideramos que la perturbación se suma a la entrada de un sistema descrito por x&
= Ax(t) + Bu(t), y(t) = Cx(t) + Du(t), entonces se puede escribir que x& = Ax(t) + Bu(t) + BCrr(t), y(t)
= Cx(t) + Du(t). En forma matricial queda,

A
 x& (t ) 
=
 r& (t ) 
0


BC r   x(t )  B
u(t),
+
A r   r (t )   0 

 x(t ) 

y = [C 0]   + Du(t).
 r (t ) 

Nótese que la definición anterior implica valores propios dados por la matriz A y tantos valores propios
adicionales en el origen como sea la dimensión del vector r(t). Si se conoce Ar y Cr, y el sistema
anterior es observable, se puede implementar un observador para éste y así estimar r(t) y con ello
obtener p(t) y por tanto compensar su efecto nocivo mediante un esquema pre-alimentado. Una
4

4

y2(t)
y1(t)

2

0

-2

y2(t)

y1(t)

2

0

0

3

6

(a)

t

-2

0

3

6

t

(b)

Fig. 4.20 Controlador de estados basado en un observador reducido de estados; a) sin observador, b) con
observador.
Copyright © por Prof. José R. Espinoza C.

B.5. [C 0].pˆ . La Fig. C. pˆ (t )  en donde Ko = [Kox Kor]T.  x&ˆ (t )  A − BK c − K ox C   =  & − K or C  pˆ (t )  0 0 B   xˆ (t )  pˆ (t )  +   uex(t) +   0 K ox  K  y(t). Teorema: Sea el sistema {A. D} observable. A  x& (t )   r& (t )  =    0 B 0  B   x(t )   r (t )  +   u(t). C. D = 0. D = 0 planta A.21 Representación gráfica del compensador de perturbaciones. B. Considerando la ley de control dada por u(t) = uex(t) . D} no tiene ceros de transmisión en el origen. Espinoza C. B. El sistema   0 El teorema anterior es el dual del teorema revisado en 4.   .  r (t )  el cual es cubierto por el siguiente teorema. Se tiene que las ecuaciones del observador quedan dadas por. Estos se deben al control pre-alimentado.21 muestra una representación gráfica de este caso.Kc xˆ .   A B  B   . Ko pˆ observador xˆ Kc Fig.yˆ ).   0  x(t )  y(t) = [C 0]   + Du(t). Este caso resulta en. p uex u + - + y + - A. Para lo cual se utiliza un observador de orden completo de la forma. C.Kc xˆ . 4. . Revisemos el caso anterior que es implementado con un controlador de estados y una esquema prealimentado tal que u(t) = uex(t) .  x&ˆ (t )  A   =  & 0 pˆ (t )  B 0  B   xˆ (t )  pˆ (t )  +   u(t) +   0 K ox  K  (y(t) . B .  or  Las ecuaciones resultantes indican la aparición de valores propios en el origen. por lo tanto p(t) = r(t). D  es  0 0  observable si y sólo si el sistema original {A. José R. 4. C. Copyright © por Prof.109 Apuntes: 543 760 alternativa más simplificada del caso general anterior es asumir que Ar = 0 y Cr = I. Nótese que el vector de ganancias Kc se calcula en forma independiente y de manera de obtener la localización de polos del sistema original en el lugar deseado.  or   xˆ (t )  yˆ = [C 0]   + Du(t).pˆ .

 0 0 −4  1  Un sistema SISO de segundo orden puede ser representado por la F.C. en L. Anote todo su trabajo. hLC(0) = 1) y que el factor de amortiguamiento sea ξ. c = [1 2 0] .- a) 4. y d = 0. Nivel Básico 1. Los que no lo sean.A. José R. b =  0  . en L. Copyright © por Prof. c = [1 0 1] .11 Ejercicios Propuestos. Se s (τ s + 1) pide diseñar un controlador basado en realimentación de las variables de estado de manera que la ganancia dc de la F. Para esto. A. y d = 0. y d = 0. hLC(s) sea unitaria (es decir. de T. 1 −1 4   0  Para el sistema siguiente diseñe un controlador de estados tal que las dinámicas controlables se hacen 10 veces más rápida. k y ξ. c = [1 0 0] . de T.  0 0 −4  1  Para el sistema siguiente diseñe un observador de estados para las dinámicas observables con una dinámica 10 veces más rápida.  −3 0 0  1  A =  0 −5 0  .  1 1 −4  1  a) b) 2. b =  0  .  −3 0 0  1    A =  0 −5 0  . identifiquen los estados que son no controlables y/o no observables. dada por k hLA ( s ) = .- 3 −1 −2  1    A = 1 5 2  . determine las ganancias k1 y k2 del controlador en función de τ.  −3 −1 2  1    A =  1 −5 2  . . b =  0  .- Determine si los siguientes sistemas son controlables y/o observables.- a) 3.Apuntes: 543 760 110 4. Resuelva los problemas siguientes. c = [1 2 0] . en donde la salida y su derivada son consideradas las variables de estado. b =  0  . Espinoza C. y d = 0.

Copyright © por Prof. de T. con kc = [kc1 kc2] tal que los polos de la nueva realización estén ubicados en -1 ± j. José R. Espinoza C. b. Determine la expresión para k1. en donde el vector de variables de s + 2s − 3 u (s) 2 h) estados es x = [y dy/dt]T. do} de manera que el vector de variables de estado sea ξ = [x x% ]. 4. Determine los polos y ceros de la realización encontrada en (a). – al utilizar un controlador basado en realimentación de variables de estado – una 1 F. . Se pide. el vector de variables de estado es x = [x1 x2]T = [iL vC]T. bc. c) levitador magnético.- 1 τ0 s + 1 tenga en L. 4. Determine la función de transferencia ho(s) = y(s)/u(s) de la realización obtenida en (g).- 2. Determine un observador de estados con salida xˆ como el vector x observado y caracterizado por ko = [ko1 ko2] tal que los polos del error de estimación sean -10 ± 10j. bo. Determine la F.kcx.C. c. Determine un controlador de estados u = v . sólo se puede medir iL y se desea controlar vo. con x% = x − xˆ el error de estimación. d) compensador de reactivos. Nivel Intermedio a) b) c) d) e) f) g) 1.23 se tiene que la entrada es u. d}.111 Apuntes: 543 760 5. cc.- Dada la función de transferencia h( s ) = 2 y(s) = . co. b) boost dc-dc. a) carga de potencia constante.22 Sistemas para ejercitar. dada por h1(s) = k1 . dc} de manera que incluya el sistema y el controlador diseñado en (c). Determinar la realización en variables de estado {A. Determine la realización en variables de estado {Ao. Se pide diseñar un controlador Deduzca una fórmula generalizada para kc tal que el sistema caracterizado por h0(s) = k0 iL vc il R a) L vs b) vl C + e(t) L - i(t) + v(t) Sw(t) PCC R L i(t) a c) + e(t) R C ioabc voabc iiabc isabc - d) Ri Li vsabc y(t) Ro Lo mabc M idc l1 x(t) d vdc Rdc Cdc k fuente compensador carga Fig. τ1s + 1 Para el circuito de la Fig. Determine la realización en variables de estado {Ac. B. hc(s) = y(s)/v(s) de la realización obtenida en (d). de T.

22 determine si son controlables y/o observables en el punto de operación de interés. 7. iL r u + - kc L + - u + vC - Ro C iL Observador de orden reducido v^ C Fig. de T..22.. José R. L = 25.¿ Porqué a utilización de un controlador basado en realimentación de variables de estado no aumenta el orden del sistema ?. d) Considere el error de observación ~ η = η − ηˆ . c) Si Ro = 10 Ω. 10. entre la salida vo y la entrada r. 9. 3. 4.2 s (b = 2%) y un ξ = 0. y d para una representación x& = Ax + bu. obtenida en e) asegure un tiempo de asentamiento de 0. e) Al definir u = r – kc[iL vˆC ]T con kc = [kc1 kc2] como se muestra en la Fig.5.22 que así lo admitan. determine la representación x& = Ax + br. de T.¿ Pueden darse las condiciones para que un sistema MIMO controlable tenga un solo controlador de estado Kc posible ?. Ubique estos valores propios junto con los valores propios más lentos del sistema.¿ Porqué se argumenta que un sistema MIMO controlable tiene infinitos controladores de estado Kc que llevan los valores propios a una localización dada ?.. 4.Diseñe un desacoplador de estados basado en realimentación de los estados para los sistemas de la Fig. g) Determine el valor de kc = [kc1 kc2] tal que la dinámica de la F.. 4.... 4.El compensador ilustrado en la Fig.¿Es restrictiva la estabilidad entrada/salida y/o interna para la controlabilidad y/o observabilidad de un sistema ?. como una variable de estado η ]T. y = cx + du para el circuito. y = cx + du del sistema resultante. f) Determine del sistema resultante la F. Encuentre las parámetros a. Explique con fundamentos circuitales el origen de estos estados. En particular. con vˆC como vC observado y ko constante a determinar.23.33 mH y C = 10 mF determine ko tal que la constante de tiempo del observador sea 10 veces más rápida que el período de resonancia del filtro LC.. a) b) Encontrar A. y = cx + dr del sistema resultante y los modos de éste. donde ηˆ = vˆC − ko iL . y p de la ecuación del observador de orden reducido dada por η&ˆ = aηˆ + bu + piL .Para los sistemas de la Fig. b. 6.22 diseñe controlables de estado de orden completo o reducido – según sea el caso – de manera de que el estado más lento sea 10 veces más lento y los restantes 10 veces más rápidos.22(d) pareciera tener estados no controlable y no observables. Encuentre la adicional y redefina el vector de estados x inicial como x = [x1 x2 x3]T = [iL vC ~ nueva representación tipo x& = Ax + bu.Utilice integradores en los sistemas ilustrados en la Fig. 11. + vo - vo . 4. 4.112 Apuntes: 543 760 de estados basado en un observador de orden reducido. b. Copyright © por Prof. Espinoza C.23 Circuito RLC para ejercitar. 5. c.Para los sistemas de la Fig. con η = vC − ko iL . 8. 4.. 4.

dada por h1(s) = k1 2. h0(s) = k0 2 tenga en L. Demuestre que si un valor propio complejo es observable.3. Copyright © por Prof. Demuestre que si un valor propio complejo es controlable.4. . Nivel Avanzado 1. s 2 + 2ξ1ωn1s + ωn21 Determine k1. entonces su conjugado también lo es. Puede aplicarse el procedimiento de ubicación de raíces a sistemas con retardo. José R.- ω2n1 . Espinoza C. de T.- Deduzca una fórmula generalizada para kc = [kc1 kc2]T tal que el sistema caracterizado por la F.Apuntes: 543 760 113 C.C. entonces su conjugado también lo es. – al utilizar un controlador basado en s + 2ξ0 ωn 0 s + ωn2 0 realimentación de variables de estado – una F. de ω2n 0 T.

Apuntes: 543 760 5 Control Óptimo. Espinoza C. José R. 114 . Copyright © por Prof.

Estos sistemas pueden representarse en sus componentes. La discusión anterior permite intuir que una medida del grado de acoplamiento debiera indicar la efectividad de utilizar controladores monovariables.  y1 ( s )   h11 ( s ) h12 ( s )   y ( s ) = h ( s ) h ( s )  22  2   21   u1 ( s )  u ( s )  . 6. para controlar la salida yk ( k = 1. q). Estos índices debieran dar la pauta de qué pares de variables deberían ser considerados. Los controladores multivariables utilizados en sistemas MIMO y revisados anteriormente podrían simplificarse (en su diseño e implementación) si se pudiera utilizar controladores monovariables.  2  lo que también se puede escribir matricialmente como y(s) = H(s)· u(s). En general. 6. si H-1(s) existe. Para tales efectos existen los métodos matemáticos conocidos como el Arreglo de Bristol y el de los Valores Singulares. Es decir. yq .2 Arreglo de Bristol. …. 6. Espinoza C. Si se adopta la u1 u2 - y1d Controlador Monovariable ( SISO ) + ? y1 y2 Sistema MIMO up Fig. José R. una realimentación y generan una variable manipulada.1 Introducción. Esta situación es esquematizada en la Fig. una entrada afecta a varias salidas o una salida es manipulada por varias entradas. podría implementarse controladores monovariables sin mayores dificultades utilizando la teoría de control revisada en cursos anteriores. ¿ cuál de las p entradas debería utilizarse ?. por two inputs two outputs). La mayor dificultad de esta alternativa es determinar cuáles pares de variables se deben utilizar para su implementación. también conocido como Arreglo de Ganancias Relativas (AGR) puede explicarse sistemáticamente al aplicarlo en los sistemas de dos entradas y dos salidas (también conocidos como sistemas TITO. En este capítulo revisan dos métodos de diseño. 6. Copyright © por Prof. El Arreglo de Bristol.1. Si un sistema MIMO fuese desacoplado. Existen dos alternativas ampliamente difundidas para determinar cuál par de variables se deben utilizar en la implementación de controladores monovariables en sistemas MIMO. si hay igual número de entradas y salidas entonces se puede escribir que u(s) = H-1(s)· y(s). es decir. controladores que requieren una referencia.1 Sistema MIMO a controlar por controladores monovariables.115 Apuntes: 543 760 6 Control Monovariable de Sistemas MIMO. cómo asegurar la estabilidad del sistema resultante. es decir. Esta problemática nace del simple hecho de que un sistema MIMO es normalmente acoplado.

  1 + h22 ( s )hc 2 ( s )  u1 ( s ) LC22  u1 ( s )  y2 d = 0 en donde el subíndice LC22 es para indicar el L.  y1 ( s )   y ( s)  h ( s )h12 ( s )h21 ( s ) = 1  = h11 ( s ) − c 2 . entonces. Si además se asume – en donde la matriz H arbitrariamente por ahora – que la salida y2 se controla mediante la entrada u2 a través de un controlador monovariable como ilustrado en la Fig.C. Una simplificación en el análisis es considerar que el controlador monovariable incluye por lo menos un integrador.2. por lo tanto..  2  ˆ ( s ) se asume compuesta por los elementos hˆij ( s ) .A. la ganancia en L. Así. de T.  y1 ( s )  1 = h11 ( s ) . Copyright © por Prof. de la salida y2 con la entrada u2.    u1 ( s )  LC 22 µ11 ( s ) Es decir. Si se define una medida de cuánto cambió la ganancia entre una y otra condición como..  y1 ( s )   y ( s)  = h11 ( s ) .2. si se evalúa µ11(s) para s → 0 se tiene que. Sistema de dos entradas/dos salidas y un controlador monovariable. 6. José R. Espinoza C. la F. se altera en el factor 1/µ11(s). u1 h11(s) + y1 + y2 h12(s) h21(s) y2d hc2(s) + - u2 h22(s) sistema Fig.  u1 ( s )   hˆ11 ( s ) hˆ12 ( s )   u ( s )  =  ˆ  2  h21 ( s ) hˆ22 ( s )  y1 ( s )   y ( s ) . considerando y2d = 0 está dada por.C. h11 ( s ) + hc 2 ( s )(h11 ( s )h22 ( s ) − h12 ( s )h21 ( s ) ) entonces.   =  1   u1 ( s )  LA  u1 ( s )  u2 =0 y la ganancia en L. ( y1 ( s ) u1 ( s ) )LA ( y1 ( s ) u1 ( s ) )LC 22 = h11 ( s ) + hc 2 ( s )h11 ( s )h22 ( s ) = µ11 ( s ) . lo que en sus componentes se puede escribir notación H-1(s) = H como. . está dada por. hc2(s) → ∞ para s → 0. entonces. u(s) = H ˆ ( s ) · y(s). 6.116 Apuntes: 543 760 ˆ ( s ) .

Def. es decir.1u2 determine el AGR y de éste el par de variables a considerar en un esquema de control monovariable.075 0.273  . si el sistema tuviera una de las salidas desacopladas. Nótese que λ11 sería igual a 0 si el sistema cumpliera con h11(s = 0) = 0 ó h22(s = 0) = 0. donde x denota el producto elemento a elemento de dos matrices. si se define a Λ como la matriz cuyos elementos son los λij(H). por lo que H(0) =  1 dada por. (vi) La matriz Λ(H) es una medida de la sensibilidad a cambios de parámetros. ˆ 1 / h ji (0) Por lo tanto. En particular. Propiedades del Arreglo de Ganancias Relativas.1.075u1 + 0. x( s ) =   − 0.: La ganancia relativa λij entre la entrada uj y la salida yi es el cuociente entre dos ganancias. si alguna de las salidas no dependiera de su respectiva entrada. Λ(P1HP2) = P1Λ(H)P2. (ii) Permutaciones en las filas y/o columnas de la matriz H(s) resulta en las mismas permutaciones en la matriz Λ(H).075 0. es decir.1        s + 1  s +1 Copyright © por Prof. Λ = H(0) x ˆ (0)T .117 Apuntes: 543 760 λ 11 = µ11 ( s ) s =0 = h11 ( s )h22 ( s ) . la matriz H(0) se hace singular si un elemento de ésta es perturbado de hij(0) a hij(0)(1 .636 -1 s + 1 u( s ) . Es decir. Ejemplo 6. (vii) Λ(H) siempre tiene al menos un valor propio y un valor singular igual a 1. donde P1 y P2 son matrices de permutación.. La ganancia en S.S.. Esto es.5  s +1 0.S. por lo que Λ(H) = − 0. con l ≠ i) en su valor nominal. q. l ≠i = hij (0) = hij (0)hˆ ji (0) . 2. se tiene que. Se asume que H(s) es una matriz cuadrada de p·q (con p = q) e invertible y que tiene por arreglo de ganancias relativas a Λ(H). (v) La matriz Λ(H) es invariante ante escalamientos de la entrada y/o salida. dx2/dt = -x2 – 0. Es decir. Espinoza C. entonces. Es decir. (iv) La matriz Λ(H) es la matriz identidad si H(s) es triangular superior o inferior (en particular si es diagonal).5   1 0. R. (iii) La suma de los elementos en cada fila (y cada columna) de la matriz Λ(H) es 1. λ ij = (∂yi (∂yi ∂u j )uk =0. h11 ( s )h22 ( s ) − h12 ( s )h21 ( s ) s =0 Nótese que λ11 sería igual a 1 si el sistema cumpliera con h12(s = 0) = 0 ó h21(s = 0) = 0. La matriz Λ = Λ(H) se H conoce como el Arreglo de Ganancias Relativas de H(s) y también se escribe como Λ(H) = AGR(H). k ≠ j ∂u j ) yl =0.545 7. . . A . q ∑λ j =1 i =1 ∑ λ ij (H) = 1 y p ij (H) = 1 . En el sistema dado por las ecuaciones dx1/dt = -x1 + u1 + u2/2. Λ(D1HD2) = Λ(H). entre uj e yi sin control y la ganancia en S. entre uj e yi cuando los lazos de control restantes mantienen todas las variables de salida yl (l = 1. (i) Λ(H-1) = Λ(HT) = Λ(H)T.727 − 3.1/λij(H)). José R.1 y H (0) = 0..: La representación matricial está 0. donde D1 y D2 son matrices diagonales.

S. En el caso del paciente con suministro de drogas se encontró una M.2. dada por 3 3   − 6 −s   −6 e −2 s  s +1e  s + 1 3s + 1  s 3 + 1 G (s) =  dado que se presume la utilización  . b) fase. Estudiar de la M.4 en donde el controlador está compuesto por la matriz diagonal de integradores k/sI (k una constante e I la matriz identidad) y una matriz compensadora C(s). de T. de T. el sistema es inestable para todo k > 0 si.273 0. ♣ B . Esta indica que en el caso de utilizar controladores monovariables deberían emplearse los pares u1 con y2 y u2 con y1.50 λ11 0.4 es estable y tiene cero error en S. Se asume el esquema ilustrado en la Fig.118 Apuntes: 543 760 0. de T. Espinoza C. 6. Def.3.4 en donde la matriz compensadora C(s) es diagonal y que: (a) G(s) es estable.2.25 0. en función de ω mediante el reemplazo s = jω. Elementos del AGR del Caso Paciente como indicado en el Ejemplo 6. José R.00 0. para entradas constantes.: El sistema G(s)C(s) se llama estabilizable integral si existe un k > 0 tal que el sistema en L.0001 λ11 0.5 para bajas frecuencias indica un fuerte acoplamiento.727 .75 5 λ12 λ12 0 0. 6. R. a) módulo.1 lazos). La gráfica de los elementos de Λ se muestran en la fácilmente obtenible Λ = G(jω) x G Fig. racional propia.C. por lo que los elementos de la matriz Λ resultan ser números complejos y por tanto su gráfica se puede realizar utilizando módulo y fase en función de la frecuencia. Copyright © por Prof.01 b) Fig.01 a) 0. 1. De aquí se puede visualizar que los pares a utilizar son u1 con y1 y u2 con y2. 6.00 10 0. Ejemplo 6.1 .3. ♣   El AGR también se puede definir en función de la frecuencia. G(s)C(s) es estabilizable integral sólo si det{G(0)C(0)} > 0. Para esto se deja la M.1 10 0.0001 5 0. entonces. Estabilidad y Control Integral basado en el AGR.: En este caso es ˆ ( jω) T dado que G(s) es cuadrada. la proximidad de los módulos a 0. 6. de la cual sólo interesa estudiar G ( s ) =  12 12 − s 5 5     e e −2 s  5s + 1 s +1   s + 1 5s + 1  de un ecualizador de retardos y un Predicotr Smith.273 0. 0.727 0. Teorema: Considerar el sistema mostrado en la Fig.001 0. de T. entonces. mostrado en la Fig. resultante su AGR. Por otro lado. (b) G(s)C(s) es racional y propia y (c) cada lazo es estable (obtenido al abrir p . 6.001 0. Teorema: Asumir que G(s)C(s) es una M.

Es de mayor utilidad encontrar un rango de ganancias que comience en 0 puesto que permitiría la implementación del controlador con ganancias muy pequeñas y aumentarlas hasta obtener un desempeño satisfactorio. El teorema anterior implica que si un sistema se puede dejar en una forma triangular. tiene alguna de las siguientes propiedades: (a) el sistema en L. 6. 6. Este teorema se puede relajar exigiendo que el AGR de G(s)C(s) sea cercano a la matriz I para frecuencias cercanas a la frecuencia de corte de los lazos.4 Configuración de control integral en sistemas MIMO. del plano complejo. Teorema: El sistema racional G(s)C(s) es controlable integral si todos los valores propios de G(0)C(0) están en el S. yd k s I + y u C(s) G(s) Fig. de T. (b) C(s) diagonal y (c) cualesquier k > 0 para el sistema ilustrado en la Fig.S. Así. es inestable al remover el lazo j. El sistema racional G(s)C(s) no es controlable integral si cualesquiera de los valores propios de G(0)C(0) está en el S.P. La definición y teoremas anteriores permiten aclarar la existencia de una ganancia en particular que hacen el sistema de la Fig.D.4 están dados por los siguientes teoremas. (b) el lazo j es inestable por si solo. Def.119 Apuntes: 543 760 det{G ( s )} p ∏g ii <0.: El sistema G(s)C(s) se llama controlable integral si existe un k > 0 tal que el sistema en L. Algunos importantes resultados que se obtienen para el caso de la Fig.4 estable.P. (c) el sistema en L. mostrado en la Fig. para entradas constantes. 6. Teorema: Se asume G(s)C(s) estable. Espinoza C. una regla para seleccionar los pares de variables es asegurar una M. es inestable. la estabilidad de cada lazo implica la estabilidad del sistema total.C. sería posible asegurar la estabilidad total asegurando la estabilidad de cada lazo individual. José R. resultante G(s)C(s) cercana a una triangular (o que su AGR sea cercana a la matriz I) para frecuencias cercanas a la de cruce. Copyright © por Prof. Si el AGR de G(s)C(s) es la matriz I ∀ω. (0) i =1 La condición anterior es necesaria y suficiente para sistemas menores e iguales a 2. del plano complejo.4.4 es estable para valores de k en el rango 0 < k < k y tiene cero error en S.C. Teorema: Si λjj(G) < 0 entonces para cualesquier compensador C(s) con las propiedades: (a) G(s)C(s) propia.C. 6. . entonces.I. 6.

Ejemplo 6.1951 0. José R. conocida como inversa derecha.2565  1. De éstas hay que escoger las 5 mejores utilizando el AGR.P.0323 − 0.D. Matemáticamente.0000 0.0928 − 0.5653 6.3279 8.3769 − 0. Un proceso químico tiene 5 salidas y 13 entradas. en el caso de tener más salidas que entradas. H(0) = H(0)T   0.7272 − 0.0551  2.1489 2. entonces. Asumir que λij(∞) es finito y diferente de cero. De esta definición se procede a definir el AGR como en el caso de M. El AGR para Sistemas No-Cuadrados. es decir. se introduce la pseudo-inversa de H(s) como H(s) .2574  0. En estos casos se tiene distinto número de entradas y salidas.0002 − 0.0164 0. (b) la planta G(s) tiene un cero en el S.120 Apuntes: 543 760 Teorema: Considerar la M. sería de interés eliminar salidas hasta tener un número igual al de entradas. H ˆ (0) = H(0) . En el caso de tener más entradas que salidas. habrían salidas no controladas.0000 0. H(s) = H(s)H ·(H(s)·H(s)H)-1.0540   1.6640 − 3. Def. entonces. p}.5899 − 0.5170 8. H(s) = H(s)-1. de T. entonces.0212 Copyright © por Prof.0000  .2178 0. en el caso de tener más salidas que entradas.4459 H(0)T =  0. donde UrH es la conjugada transpuesta de Ur y Vr· Σ r-1·UrH es su descomposición en valores singulares.: La pseudo-inversa H(s) de una matriz H(s) de q·p cuyo rango es rango{H(s)} = r está dada por.0054  − 0.9909 − 0.1351 0. 1.9647 − 0. podría dejarse de considerar aquellas entradas correspondientes a las columnas en el AGR donde la suma de sus elementos es mucho menor que 1.D.1824     − 1.0041    0. En este último caso. de T. (b) si r = p ≤ q. Con esta definición en el caso de tener más entradas que H(0) x H salidas.1514 − 8. no se puede determinar H-1(s) y por tanto no se puede determinar Λ(H). en donde. entonces.0000   − 0.0703  0. (c) si r = q ≤ p.1083 − 0.8814 − 0.0000 0. conocida como inversa izquierda. . Sin embargo. Similarmente. sería de interés eliminar entradas hasta tener un número igual al de salidas.P. En cambio.1451 0.3648 1.8609 0.D.1797 − 0. G(s) con elementos estables y sin ceros en s = 0.1097 − 0.0217   0.7539 − 0.2032 − 1. (d) si r < min{q. R.9433 2.5477 − 0.0025 − 1.8223 5.4722 − 5.1079 − 2. Si λij(j∞) y λij(0) tienen signos diferentes.5365  0.0872 0.0443 − 0. al menos una de las siguientes condiciones se cumple: (a) el elemento gij(s) tiene un cero en S.6959 − 0.1859 0.7714    7. Λ = ˆ (0)T . Espinoza C. donde.5397 − 0.P. o (c) el subsistema con la entrada j y la salida i removidas tiene un cero en el S.0853     − 1.0000 0.0000 0. entonces. H(s) = (H(s)H·H(s))-1·H(s)H. Para solucionar el problema se cuenta con H(0). H(s) = Vr· Σ r-1·UrH. cuadradas. C . no se controlarían aquellas salidas correspondientes a las filas en el AGR donde la suma de sus coeficientes es mucho menor que 1.1991 1.9927 − 8.7878  0.6055 0.3485 − 2. la matriz H(s) no es cuadrada y por lo tanto.3. (a) si r = p = q.0001 0.: Dado que rango{H(0)} = 5.

4055 − 0.01 0.00.0030 0. entonces. Sensibilidad y el AGR. R.95 0.15 0. y 10 tiene asociados los mayores coeficientes y por tanto deberían ser consideradas las entradas del sistema.  1 1.0002 − 0.0013 0.0000 0.1459 0.95 1   400 − 420  400 − 399 aumentar h21(0) de 0.1215 0.0443   0.95 a 1.2780   0. por lo que Λ(H) =    .00].0000   0. Los cambios relativos entre hij(0).0014  0.94 0. dλ ij ( H ) dhij (0) = (1 − λ ij ( H)) .0001 0.0463 0.40 0.03 0. De este resultado se  − 0.0000 0.0002 0. real del sistema. 6.0009 0. ♣ D .0656   0.0005  − 0.0000   0.0060  − 0.4.0081 0.121 Apuntes: 543 760  0.73 0.0000  − 0.00 0.0001   0.85 0.1359 0. Con estas nuevas entradas se confecciona una nueva matriz Λ con la que se determinan los pares de variables definitivos para utilizar controladores monovariables.1163 0.05 − 20 21  se puede considerar en H1(0) =  que tiene un Λ(H1) =    .0034  − 0.0374  0. . con lo que Λ resulta ser.0000 0.0000   0.00 0. Un sistema tiene una matriz dada por H(0) =   .05 Ejemplo 6.1294 0.0044 0.0018 0.18 0.: H-1(0) =  .1683 T -1 T ·(H(0)·H(0) ) .4042 0.0755 0.1873 − 0.0451 0. pequeños errores en H(0) inducen a 1 1   21 − 20 grandes errores en Λ(H) debido a la elevada magnitud de Λ(H).77 0.5907 0. Es decir. hij (0) λ ij (H ) y dλ ij ( H) λ ij ( H ) − 1 dhˆ ji (0) = .3684 − 0.0599   0.0129   0.0000 0. Teorema: Considerar una matriz H(0) de p·p con su inversa H-1(0) y su matriz Λ(H).0000 0. de donde se puede ver que las entradas 1. pequeños cambios de sus elementos se reflejarán notoriamente en su AGR. Espinoza C.0000  . 5. El cambio de parámetro  − 380 400  − 399 400  1 1. Su relación con el AGR está dada por el siguiente teorema.0230 0.0000  0.1275  0.0002  0. El cambio de parámetros en H(s) es esperable puesto que ésta corresponde a un aproximación de la M.0523 0.0001 0.0000  genera un vector con las sumas de cada columna de Λ el que resulta ser [0.0001 0. de T.1376 0.2079 − 0.0383 − 0. λ ij ( H ) λ ij ( H) hˆ ji (0) El teorema anterior indica que si una matriz tiene grandes valores de λ. Λ =  0.0359 0.0001 0. 3.1277 − 0.9017 0.0268 0. José R. ♣ Copyright © por Prof. Determine su AGR y qué sucede con éste al 0. hˆ ji (0) .0000 0.0089  0.9516  0. y λjj(H) están dados por.0017 0.0099 0.

A. José R. entonces se puede eliminar esa entrada. (v) Si el signo de los elementos del AGR cambia desde s = 0 a s = ∞. Espinoza C.P. entonces no hay interacción (o el sistema es triangular).C. Se asume que H(s) tiene por arreglo de ganancias relativas a Λ(H). Valores Singulares de la M. A . q} y está compuesta por los valores singulares de H(s).  Σ 1 ( s ) 0 L 0  0 0 L 0 . Selección de pares de variables utilizando el AGR. Se recomienda controladores cruzados. . (i) Si Λ(H) es diagonal. entonces hay un cero en el S. Éstos también permiten discriminar los pares de variables a utilizar y también permiten cuantificar el grado de acoplamiento y por consiguiente establecer el potencial desempeño de controladores monovariables.D. 6. Los valores singulares se calculan como la raíz cuadrada positiva de los k mayores valores propios de la matriz H(s)·H(s)H o H(s)H·H(s). a L.: La matriz U(s) es unitaria si U(s) ·U(s) = U(s)·U(s) = I.. Es decir. Otra alternativa de análisis es la utilización de los valores singulares. Σ1(s) = {σ1(s). σk(s)} tal que σ1(s) ≥ σ2(s) ≥ ··· ≥ σk(s) ≥ 0. (viii) Preferir parear entradas y salidas de manera que el AGR sea cercano a la matriz identidad a la frecuencia de corte. σ2(s). σ l ( s ) = λ l (H( s )H( s ) H ) = λ l ( H( s ) H H( s )) . de T.122 Apuntes: 543 760 E .. donde las matrices U(s) de dimensión q·q y V(s) de dimensión p·p son unitarias. H H Def. entonces. y viceversa para ese lazo. (vi) Cuando hay entradas extras y la suma de los elementos en una columna del AGR es pequeña.3 Valores Singulares. en H(s) o en algún subsistema de H(s). La matriz Σ(s) de dimensión q·p esta dada por. Cuando hay salidas extras y la suma de los elementos en una fila del AGR es pequeña. se selecciona el par más dominante. Σ( s ) =  M O M  M   0 L 0  0 donde Σ1(s) es una matriz diagonal de dimensión k·k con k = min{p.. (vii) Evitar en plantas estables parear entradas y salidas que corresponden a elementos negativos de su AGR. Esta interpretación asume que se desea utilizar controladores monovariables y por tanto se requiere encontrar pares de variables. entonces se puede dejar esa salida sin control. (iii) Si algún valor de Λ(H) es negativo significa que hay problemas de estabilidad al pasar de L. El superíndice H (Hermitian) es para denotar su conjugada y transpuesta. Para la introducción de los valores singulares se define primero matriz unitaria. (iv) Valores de los elementos de Λ(H) fuera del rango [0 1] evidencian un sistema altamente sensible a cambios de parámetros. Copyright © por Prof. Toda matriz arbitraria H(s) de dimensión q·p se puede escribir como H(s) = U(s)· Σ (s)·V(s)H. es decir.. (ii) Si todos los elementos de Λ(H) son positivos.

803. 0. para l = 1. (iii) Si rango{H(s)} = r entonces. b) salidas.5.961  1. . Copyright © por Prof. a) entradas. para la entrada ub = [0. σr(s)}. respectivamente. Vr(s) = [v1(s) v2(s) ··· vr(s)] y Σ r(s) = l =1 diag{σ1(s).588 -0. entonces. .809 . El vector unitario u = [u1 u2]T  1    1 0. (ii) H(s)· vl(s) = ul(s)σl(s). H(s) = U(s)· Σ (s)· V(s)H = Ur(s)· Σ r(s)· Vr(s)H r = ∑ σ l ( s )u l ( s ) v l ( s ) H . los vectores ul(s) se conocen como vectores singulares de salida o izquierdos y resultan ser los vectores propios unitarios de la matriz H(s)· H(s)H. Por otro lado.809]T = v2 se obtiene la menor salida yb = [0.. entonces.809 0.772 -0. Esta combinación entrada/salida corresponde al menor valor singular σ2 = 0.809    − 0.778 − 0.588 − 0.123 Apuntes: 543 760 El mayor valor singular σ1(s) se representa por σ(s ) y el menor valor singular σk(s) se representa por σ( s ) . rango{H(s)} = r.5 Descomposición UV del Ejemplo 6..276 0.397]T = u1σ1. los vectores vl(s) se conocen como vectores singulares de entrada o derechos y resultan ser los vectores propios unitarios de la matriz H(s)H· H(s).5. l =1 σ l ( s ) (v) Si H(s) tiene dimensión q·p y tiene rango rango{H(s)} = r ≤ min{p. Determine su representación UV y 1  1  grafique las salidas para todas las combinaciones unitarias posibles en la entrada. H-1(s) = V(s)· Σ -1(s)· U(s)H = ∑ 1 u2 1 0 ua y2 0 ub yb -1 ya -1 u1 -1 1 (a) y1 -1 1 (b) Fig.809 -0.. Nótese que para la entrada ua = [-0. .778 − 0. R. Propiedades de los Valores Singulares.276 0.222]T = u2σ2.588  = 1.453. la pseudoinversa de H(s) es H (s) = Vr(s)· Σ r-1(s)· Ur(s)H. 1 v l ( s )u l ( s) H . ♣ B .3889 − 0.. Un sistema tiene una matriz dada por H(0) =   . José R. 6.453 y σ2 = 0. Otras propiedades de los valores singulares extremos si consideramos la matriz E y F con valores singulares σ(E) y σ(F). Por lo que H(0) = − 0 . (i) Si σ1(s) ≥ σ2(s) ≥ ··· ≥ σr(s) ≥ σr+1(s) = ··· = σk(s) = 0. 961 − 0 . Esta combinación entrada/salida corresponde al mayor valor singular σ1 = 1. 6.803. 276     T 0   − 0. donde Ur(s) = [u1(s) u2(s) ··· ur(s)].588]T = v1 se obtiene la mayor salida ya = [-0. Espinoza C..588  0. Las matrices son U =   y V =  − 0.3889 Ejemplo 6.961  − 0.276  0 posible es aquel que cumple con u12 + u22 = 1.809 0.803  − 0. Si se asume que V(s) = [v1(s) v2(s) ··· vk(s) ··· vp(s)].401 -1. r.588 − 0. q} entonces.: Los valores singulares de H(0) son σ1 − 0. Una representación gráfica está dada en la Fig.. son: r (iv) Si H(s) es de r·r e invertible. Si se asume que U(s) = [u1(s) u2(s) ··· uk(s) ··· uq(s)].5.453 =  = U· Σ·VH.961 − 0.

162 0.: Se encuentra que H(0) = 5   + 2 1 0 .124 Apuntes: 543 760 (vi) Si E-1 existe entonces.803 − 0. Un sistema tiene una matriz dada por H(0) =   . Copyright © por Prof. 223 0 . Pares de entrada/salida y grado de interacción.588   − 0. El espacio considera un producto punto <X.961  1.162  0. max{0.  2 0 0 1  0 0  R. . y quedan definidas por Wl(s) = ul(s)vl(s)H. (b) aquellas entradas y/o salidas que no se presenten del análisis anterior deben eliminarse. 162   T T W1 = u1v1 = [-0.276 0. H(0) indica que el pareamiento ideal está dado por y2 – u1 y y1 – u2.809 0.588] =   y W2 = u2v2 = 0 .276]T[0. (viii) (ix) (x) (xi) σ ( E H ) = σ ( E) y σ ( ET ) = σ ( E) . excepto uno que es igual a 1. 565   H T  − 0. Para cuantificar el grado de interacción se define un espacio con matrices posiblemente complejas de dimensión q·p como elementos. 778 0 .3889 Ejemplo 6. Un sistema tiene una matriz dada por H(0) =   .565 − 0.809 -0.223  .565 − 0. 0. Determine su representación en matrices de rotación. 0 0     notándose que en W1 el elemento mayor es w12 y que en W2 el elemento mayor es w21.276 -0. Espinoza C.809] =  0. σi(E) . 276 0 . Este proceso se repite para las l matrices de rotación. y (c) una medida de la interacción deberá considerar la diferencia entre las matrices rotacionales y las matrices rotacionales ideales. a la siguiente forma. si el maxij{wij}l = (wmñ)l entonces el par a considerar es la salida ym y la entrada uñ.961]T[-0. σ(EF) ≥ σ( E)·σ(F) .σ( F) } ≤ σi(E + F) ≤ σi(E) + σ( F) . C .162 0. l l l =1 en donde las matrices Wl se denominan matrices de rotación. −1 σ( E ) σ( E −1 ) (vii) σ( E) ≤ | λ i ( E) | ≤ σ( E) . ♣ De estos ejemplos se puede concluir que: (a) el máximo elemento de la matriz Wl define un par de entrada/salida. σ( E) = 1 1 y σ ( E) = .588 − 0. Determine su representación en matrices 1  1  0  − 0.565 + 0.778 − 0. 803    0 . José R. σ( EF) ≤ σ( E)·σ( F) . H(0) = σ1W1 + σ2W2 = 1. R. Así. se extiende la definición de la M.453 0.778 − 0.6.223 0. Y> y una norma ||X|| a definir.778 0. ♣       Nótese que en un sistema desacoplado. Para tener una forma sistemática de obtener los pares de variables. Por lo que   [0.  0 5 Ejemplo 6. H(s) = r ∑ σ ( s )u ( s ) v ( s ) l l l =1 l H = r ∑ σ ( s)W ( s) . 961 − 0 .: Se encontró que H(0) = U· Σ· V =   0  − 0 . las matrices de rotación tienen todos sus elementos iguales a cero.778 0.223  .7.453 de rotación.961 -0. de T.588 -0.809 . Es decir.

Wl = D mñ < Wl . r ∑σ cos(θ) = 2 l cos 2 ( θl ) l =1 r ∑σ .778 por lo que θ1 = 38. La proyección de Wl en el espacio no-acoplado es. por lo tanto cos(θl) = 1 y θl = 0°. .162 0. por lo tanto. R. José R.223  . Determine los pares de variables y el 1  1  0.3889 Ejemplo 6.803 − 0. Una medida de la interacción o acoplamiento total está dado por. Por 0 . X > . Nótese que hay l matrices rotacionales desacopladas y cada una tiene el elemento dmñ = 1 y cero para los restantes. Similarmente. Valores Singulares en función de la frecuencia.778 y cos(θ2) = 0.778 lo que implica que el primer par es y2 con u1. Este es el caso de H(s) con s = jω. una medida del ángulo entre la matriz rotacional Wl y su proyección ortogonal (matriz rotacional desacoplada) está dada por.125 Apuntes: 543 760 p q < X .945° y θ2 = 38.: Se encontró que H(0) = σ1W1 + σ2W2 = 1.162  0. Dado que los resultados son números complejos. Wl = Wl + Wl (desacoplada y acoplada). máximo acoplo implica (wmñ)l = 0. (w12)2 = -0. || Wl || dado que ||Wl|| = 1. D mñ 0 M  0  >= 0 0  M 0 L 0 0 O M M L 0 0 L 0 ( wmñ ) l L 0 0 N M M L 0 0 0 L 0 M N M  0 L 0  0 L 0 . cos(θl ) = || Wl || . (w21)1 = 0. 778 0 . θ = 38.778 lo que implica que el segundo par es y1 con u2. Por otro lado. Nótese que un desacoplo total implica (wmñ)l = 1. Todas las conclusiones y observaciones derivadas para ω = 0 Copyright © por Prof. cos(θ1) = 0.778 − 0. La definición de valores singulares es también válida para funciones dependientes de la frecuencia. (b) si θl > 15° se recomienda utilizar desacopladores. 2 l l =1 Como recomendaciones generales se indica que: (a) si θl ≤ 15° la interacción es moderada y se puede utilizar controladores monovariables.8.778 grado de acoplamiento. ♣ D . cos(θl) = || Wl || = ( wmñ ) l ( wmñ )*l . 0. Y > = ∑∑ xij y ij* y || X || = < X .945°. Estos resultados aconsejan la utilización de desacopladores. Un sistema tiene una matriz dada por H(0) =   . j =1 i =1 Sea un espacio de matrices rotacionales desacopladas identificadas por Dmñ . Cada matriz ~ rotacional Wl se puede escribir como la suma de dos matrices ortogonales.565 − 0. Finalmente.453   + 0. 0 L 0  M O M 0 L 0 Así. Espinoza C.223 0. 565     lo tanto.945°. entonces. por lo tanto cos(θl) = 0 y θl = 90°. éstos son mejores visualizados en diagramas de frecuencia. Así.

que corresponde a las ganancias dc de la planta. Esta condición tiene variados inconvenientes teóricos y prácticos. Una alternativa más simple es la estructura ilustrada en la Fig. H(s) = diag{g11(s).001 (a) 0.7 en donde G(s) se asume cuadrada de p· p. ♣ 6. de T. a) valores singulares. entonces D(s) es una matriz de coeficientes D y está dada por D = G-1(0).0001 0. (ii) Si en G-1(s) hay retardos entonces G-1(s) sería predictiva.6 Gráfica de los valores singulares y grado de acoplamiento del Caso Paciente como indicado en el Ejemplo 6. José R. Estudiar de la M.S. entre éstos. b) grado de acoplamiento. Afortunadamente. donde b( ω) = tr{G(j ω)HG(j ω)} y c( ω)     H = det{G(j ω) G(j ω)}. resultante está dada por H(s) = G(s)D(s) la cual se desea tenga forma diagonal. (iii) Si G(s) es no propia entonces G-1(s) tendrá componentes con más ceros que polos. R. resultante los valores singulares y su grado de acoplamiento. Esta alternativa es más factible por cuanto G(0). de la cual sólo interesa estudiar G ( s ) =  12 5  5 −2 s   12 e − s   e  s + 1   s + 1 5s + 1  5s + 1 de un ecualizador de retardos y un Predicotr Smith. de T.4 Diseño de Desacopladores. gpp(s)}. cuando se desea sólo desacoplo en S.01 0. g22(s). Sin embargo. se puede escribir como G(j ω) = σ1(j ω)W1(j ω) + σ2(jω)W2(j ω). 6.9. Copyright © por Prof.1 (b) Fig. en sistemas cuadrados de dimensión 2 se tiene que los valores singulares están dados por σ1 (ω) =  b(ω) + b 2 ( ω) − 4c(ω)  2 y σ 2 ( ω) =  b( ω) − b 2 ( ω) − 4c( ω)  2 . Nótese que en el caso de valores singulares en función de la frecuencia.1 0 0. el desacoplador debiera tener la forma D(s) = G-1(s)H(s). El grado de acoplamiento es mayor a 15° lo que justifica la utilización de desacopladores. de T. En este caso la M. es de fácil obtención. H(s) podría tener los elementos diagonales de la matriz G(s). Con estos resultados se encuentran los diagramas ilustrados en la Fig. es decir. 100 45 σ1(ω) 10 30 θ1(ω) = θ2(ω) = θ(ω) 1 15 σ2(ω) 0. Diseño directo.. . dada por 3 −2 s   −6 − s 3   −6 e   s +1 e  s + 1 3s + 1  3s + 1 G (s) =  dado que se presume la utilización  ..9. A . Por lo tanto.0001 0. (i) Si el menor valor singular (o propio) es muy pequeño la obtención de G-1(s) es deficiente.. 6. éstos también se conocen como ganancias principales.01 0. de T.6.001 0.: La M. 6. (iv) Si G(s) tiene ceros no mínimos de fase entonces G-1(s) requiere ser inestable.1 0. Ejemplo 6. Espinoza C.126 Apuntes: 543 760 son extrapolables a cualesquier frecuencia. En el capítulo anterior se revisaron los desacopladores basados en realimentación de estados. En el caso del paciente con suministro de drogas se encontró una M. para lo cual se necesita que exista G-1(s). .

j = 1. Espinoza C. 6. los índices se pueden escribir como. Esto puede estar respaldado por restricciones transientes. B . cada elemento hij(jω0) de H(jω0) puede ser escrito como hij(jω0) = giT(jω0)kj. Si los p índices anteriores se minimizan entonces se asegura que los numeradores son mínimos y por consiguiente se minimizan los elementos que están fuera de la diagonal principal. José R. p ∑| h ij Ij = ( jω0 ) |2 i =1 i≠ j | h jj ( jω0 ) |2 . Para asegurar que la matriz resultante es diagonal se pueden definir p índices. Por lo tanto. Se desea encontrar una matriz K de coeficientes reales tal que H(s) = G(s)K sea lo más diagonal posible para una frecuencia dada ω0. k Tj X j ( ω0 )k j u uex D(s) y G(s) Fig. Copyright © por Prof. De la minimización del índice anterior se obtiene kj que es la columna j-ésima de K.127 Apuntes: 543 760 En otros casos se puede desear obtener un desacoplo para una o un rango de frecuencias.. el índice se escribe como. p.. Diseño mediante pseudo-diagonalización. p ∑| g Ij = T i ( jω0 )k j | i =1 i≠ j | g Tj ( jω0 )k j |2 p ∑k 2 = T j g *i ( jω0 )g Ti ( jω0 )k j i =1 i≠ j k Tj g *j ( jω0 )g Tj ( jω0 )k j  p   p  . Si la matriz GT(jω0) = [g1(jω0) g2(jω0) ··· gp(jω0)] y K = [k1 k2 ··· kp] donde gi(jω0) y ki son vectores columna. k j G Xj (ω0 )k j Dado que GYj(ω0) = GHYj(ω0) y GXj(ω0) = GHXj(ω0). respectivamente. . T     k Tj ∑ g *i ( jω0 )g Ti ( jω0 ) k j k Tj ∑ g i ( jω0 )g *i ( jω0 ) k j  ii =≠1j   ii =≠1j      = = T * T T T * k j {g j ( jω0 )g j ( jω0 )}k j k j {g j ( jω0 )g j ( jω0 )}k j p Los elementos ∑ g ( jω )g i 0 *T i T ( jω0 ) y g j ( jω0 )g *j ( jω0 ) son matrices que se denominan GYj(ω0) y i =1 i≠ j GXj(ω0). Para solucionar este problema. k Tj G Yj (ω0 )k j Ij = T . La técnica de desacoplo para un rango de frecuencias se analiza a continuación.7 Desacoplador en sistemas MIMO. Ij = k Tj Y j ( ω0 )k j .. entonces. los índices quedan como. El rango de frecuencias factible de considerar puede ser obtenido a partir del grado de desacoplo utilizando los valores singulares.

5 θ1(ω) = θ2(ω) = θ(ω) λ11 1.. José R. 718    55. p. Con estos resultados se forma la nueva M.37 -0.1 (b) Fig.8. R.6 sugieren una frecuencia ω0 = 10-3. 45 1. Ejemplo 6. ω1. 6. e I1 = 0..: La Fig.0001 0. Copyright © por Prof. la primera ecuación (j = 1)  35. ψN} es un conjunto de coeficientes de peso que permitirían ponderar una o algunas frecuencias por sobre otras. los kj que satisfacen la ecuación anterior minimizan los índices Ij.. Similarmente.0 30 0. . de T.. a) elementos del AGR.442 0.10. Así.0001 0. 6.10.001 0. ψ2. N p k =0 i =1 i≠ j ∑ ψ k ∑ | hij ( jωk ) |2 Ij = .8 Gráfica de los elementos del AGR y grado de acoplamiento del Caso Paciente con desacoplador como indicado en el Ejemplo 6.442 -0. ∂k j por lo que tomando ∂I j ∂k j = 0 se obtiene la ecuación.929]T.. los valores que satisfacen la ecuación anterior son I1 = − 17 .836 22.483 55. ψ1. b) grado de acoplamiento.37 0. Un mínimo de los índices se encuentra al tomar el diferencial quedando. La ecuación anterior corresponde al problema de los valores y vectores propios generalizados. 6. 2 k =0 donde {ψ0.5 15 λ12 0 0. Como se busca el menor índice.836 resulta ser.871 − 17.. 56 8 . ωN en cuyo caso se redefinen los índices como. ∂I j T k j X j ( ω0 )k j + 2 I j X j ( ω0 )k j = 2Y j (ω0 )k j .043 con k1 = [0. 6. Es decir. I j X j ( ω0 )k j = Y j ( ω0 )k j .56 143.286 con k1 = [0... donde Ij corresponde al valor propio y kj al vector propio. Al igual que el caso anterior.897]T. del sistema como G(s)K con K = [k1 k2] cuyos elementos del AGR y grado de acoplamiento resultante se muestra en la Fig. para (j = 2) se obtiene k2 = [-0. se retiene k1 = [0. I 1  k 1 =  k 1 .001 (a) 0.. En el caso del paciente con suministro de drogas se encontró un alto grado de acoplamiento por lo que se pide diseñar un desacoplador.. los índices se pueden escribir como. ♣ El problema se puede generalizar si se desea obtener una pseudo-diagonalización válida para varias frecuencias ω0. N ∑ψ k | h jj ( jωk ) | j = 1.929]T.01 0.128 Apuntes: 543 760 donde Yj(ω0) = ℜe{GYj(ω0)} y Xj(ω0) = ℜe{GXj(ω0)}.01 0.1 0 0.. Claramente el sistema está desacoplado para ω ≤ ω0 = 10-3 y los elementos de del AGR indican que en el caso de utilizar controladores monovariables deberían implementarse los pares u1 con y1 y u2 con y2.936 928.897]T.3 y la Fig. Espinoza C.

respectivamente. Para encontrar K(s).129 Apuntes: 543 760 N  p   *T k ∑ ψ k ∑ g i ( jωk )g i ( jωk ) k j  k =0 ii =≠1j    . Por simetría... 2 | g ( jωk )k j ( jωk ) | T j k =1 Si se define el vector fila γiT(jωk) = [giT(jωk) jωkgiT(jωk) ··· (jωk)βjgiT(jωk)] y el vector columna ηj = [k0jT k1jT ··· kβjjT]T. En muchos casos. la matriz K obtenida mediante el método anterior no entrega resultados satisfactorios.. C . N p k =1 i =1 i≠ j ∑ ψ k ∑ | γ Ti ( jωk )η j |2 Ij = N ∑ ψ k | γ Tj ( jωk )η j |2 . p. que deben estar por debajo de valores esperados. Pseudo-diagonalización generalizada. j = 1. la solución al problema de los valores propios generalizados. Una alternativa de mejorar tales índices es encontrar una matriz K(s) cuyos coeficientes dependen de s tal que H(s) = G(s)K(s) sea lo más diagonal posible... ésta se asume de la forma K(s) = [k1(s) k2(s) ··· kp(s)] en que cada kj(s) es una columna de la forma kj(s) = k0j + k1js + ··· + kβjjsβj.... entonces los índices pueden escribirse como. p. k =1 Por simetría. p)... Es decir. p.. T j ( jωk )g *j ( jωk ) son matrices que se denominan G Yj y G Xj.. entrega los valores numéricos de los vectores kj (j = 1. p. Ij = N T   k Tj ∑ ψ k g j ( jωk )g *j ( jωk ) k j  k =0  T j p N donde los elementos N ∑ ψ k ∑ g i ( jωk )g *i ( jωk ) y ∑ψ g k =0 k =0 T k i =1 i≠ j j = 1.. . entonces. Si se utiliza el índice anterior para ser minimizado. donde Y j = ℜe{ G Yj} y X j = ℜe{ G Xj}. por lo que cada kij es una columna de coeficientes constantes a encontrar. Espinoza C. la solución al problema de los valores propios generalizados. | h jj ( jω) |2 j = 1. p ∑ | h ( jω) | 2 ij I j ( ω) = i =1 i≠ j . I j X j k j = Yj k j ... la gráfica de los índices Ij(ω) en función de la frecuencia no es menor que valores pre-determinados. N p k =1 i =1 i≠ j ∑ ψ k ∑| hij ( jωk ) |2 Ij = ∑ψ 2 k p k =1 i =1 i≠ j ∑ ψ k ∑| gTi ( jωk )k j ( jωk ) |2 = N N | h jj ( jωk ) | k =1 . N ∑ψ k j = 1.. Copyright © por Prof. José R. por lo menos para el ancho de banda requerido. Para cuantificar el resultado se pueden evaluar los índices Ij(ω).

. Si hay suficiente dominio diagonal no es necesario el desacoplo pseudo-diagonal.5 Ejercicios Propuestos. C=     0 −4  50 2  3 4  Determine.. Copyright © por Prof. ψN} tentativos y volver a (iii). (v) Si no se obtiene el desacoplo esperado para elevados valores de βj (> 2) se puede aumentar el número de frecuencias a considerar con valores de ponderación {ψ1.1s + 1 5s + 1  . caso contrario continuar. entonces dicha columna se deberá dividir por un polinomio de orden igual o superior a βj para que sea realizable. (iv) Para cada j = 1. B= .. a)  −2 0  A=   0 −4  d) 10 2 30  A =  40 5 60   70 8 90  2... Espinoza C. José R.- Para los sistemas dados por. El procedimiento de diseño es. A . evaluar Ij en función de la frecuencia ω. Anote todo su trabajo. Normalmente se comienza con el ancho de banda. p). aumentar βj sucesivamente hasta lograrlo. Resuelva los problemas siguientes. En el caso de que la matriz K(s) resultante contenga vectores con elementos función de s (lo que sucede cuando se recurre a βj ≠ 0). a) b)  −2 1  A=   1 −4  e)  1  s +1 H( s) =   0   −2 0  10 5  1 2  A= .130 Apuntes: 543 760 I j X gj η j = Ygj η j .. ψ2. continuar. Si el desacoplo es suficiente se termina el proceso. (iii) Obtener K sólo compuesta de coeficientes numéricos.- Determine el AGR y valores singulares de las matrices. (ii) Definir las frecuencias a las cuales se desea desacoplo. entrega los  k =0   k =0 ii =≠1j    valores numéricos de los vectores ηj (j = 1. c)  0   1  s − 1  f) b) 1 2 3 A =  4 5 6  7 8 9   1  5   s +1 H( s) =   1   0  s − 1  1   10  5s + 1 s +1  H( s) =   2   3  0. (i) Graficar los índices Ij en función de la frecuencia ω. si el desacoplo es insuficiente.... En forma general se puede multiplicar K(s) por una matriz diagonal cuyos vectores j consideran denominadores del tipo polinomial de orden a lo menos βj. puesto que el sistema ya es desacoplado y por tanto se pueden tratar los lazos como lazos monofásicos. Nivel Básico 1. 6. N  p T N    *T donde Ygj = ℜe ∑ ψ k ∑ γ i ( jωk ) γ i ( jωk )  y X gj = ℜe ∑ ψ k γ j ( jωk ) γ *j ( jωk )  . caso contrario. Graficar nuevamente los índices Ij en función de la frecuencia ω... Para seleccionar estos polinomios se recurre a consideraciones de control.. p: obtener kj(s) para βj = 1.

Copyright © por Prof.Determine el AGR para frecuencia cero. de T.. Incluya un tercer eje. Determine la descomposición UV de la M.5.Grafique el grado de acoplamiento en función de la frecuencia para el sistema resultante.. vi).5s + 1  T a) A= .Utilizando los resultados anteriores descarte la entrada o salida extra..Repita el Ejemplo 6.v).Bosqueje un diagrama en bloques del sistema resultante incluyendo el desacoplador. B .iii)..5. Grafique el grado de acoplamiento de los sistemas en función de la frecuencia.131 Apuntes: 543 760 i). i). de T.Grafique el Bode de los elementos del AGR del sistema resultante. Indique una ventaja del método del AGR por sobre el método de los valores singulares. ¿ Cómo se evidencia un sistema desacoplado en su AGR y en sus matrices de rotación ?. del sistema resultante. Nivel Intermedio 1.5 para el sistema resultante.3. .. José R. x)..1s + 1 5s + 1 0. ii).. vii)..vii).Bosqueje un diagrama en bloques del sistema resultante incluyendo el desacoplador..ii)..Indique la representación resultante. 1 0.6. de T. Obtenga un desacoplador mediante pseudo-diagonalización.Dibuje el Bode de los valores singulares de la M. Indique dos ventajas y dos desventajas del uso de los valores singulares. v). viii).. iii).. ¿ Cómo se evidencia una matriz cuadrada no invertible en sus valores singulares ?.Determine la descomposición UV de la M.2. ix). del sistema resultante. Repita el Ejemplo 6. Dibuje el Bode de los valores singulares de la M..iv). Espinoza C. 3. iv).7. B = .. Incluya un tercer eje correspondiente a la frecuencia.- Demuestre que los elementos de una fila del AGR de un sistema TITO suman 1.Obtenga un desacoplador para frecuencia cero para el sistema resultante.Para los sistemas dados por. Determine la frecuencia de diseño mediante inspección de la grafica del grado de acoplamiento del sistemas resultante en función de la frecuencia.3s + 1  c) 2   s 2 + 2s + 1 H( s ) =  2   s+8 2s + 3 s +s+4 6 s+3 2 s+5  s + 10  s   s+4  2 d) 2   s 2 + 2s + 1  2 H( s) =   s+8  s e −s  s + 4 2s + 3 −3s  e  s +s+4 6 −4s   e s+3  s+5  2 s + 10  2 Determine. viii). de T.. de T. Determine la frecuencia de diseño mediante inspección de la grafica del grado de acoplamiento del sistemas resultante en función de la frecuencia. Indique dos ventajas y dos desventajas del uso del AGR. C = b) H ( s ) =    50 2  4 5 6 2 1   0 −4       3  0.Obtenga un desacoplador mediante pseudo-diagonalización para el sistema resultante. xi). Obtenga un desacoplador para frecuencia cero.4.vi).- Dibuje el Bode de los elementos de la matriz AGR obtenida de la M.2   10  − 2 0 10 5 1 2 3       5s + 1 s + 1 0. Indique una ventaja del método de los valores singulares por sobre el método del AGR..

6. Obtenga un desacoplador para frecuencia cero para los sistemas mostrados en la Fig. Grafique el grado de acoplamiento de los sistemas mostrados en la Fig. . 6. Incluya un tercer eje correspondiente a la frecuencia. tm1 n:1 1/k1 + va2 ia2 ωm2. José R. tm2 1/k2 n:1 PCC ioabc voabc iiabc isabc b) Ri Li vsabc Ro Lo mabc idc vdc Rdc fuente Cdc compensador carga Fig. Copyright © por Prof. de T. Determine la frecuencia de diseño mediante inspección de la grafica del grado de acoplamiento del sistemas resultante en función de la frecuencia. 6. Dibuje el Bode de los elementos de la matriz AGR de los sistemas mostrados en la Fig.11.9.14. Jm2. θo. G(s) y el AGR de la M.132 Apuntes: 543 760 8. Repita el Ejemplo 6.9 en función de la frecuencia.9.9 Sistemas para ejercitar.9.- 0 b  Utilizando el concepto del AGR determine la inversa de la matriz A =  0  0  0 0 0  0 c 0 0 .12.5 para los sistemas mostrados en la Fig. a) molino con doble accionamiento.- 9. θ1. 6. Jm1. 6. Dibuje el Bode de los valores singulares de la M. 6. Determine la descomposición UV de la M. θ2. Grafique el grado de acoplamiento de los sistemas mostrados en la Fig. Obtenga un desacoplador mediante pseudo-diagonalización para los sistemas mostrados en la Fig.16. 6. Espinoza C.9 incluyendo el desacoplador diseñado para frecuencia cero en función de la frecuencia.13. de T.9.10.9. de T. de T. to + va1 ia1 a) a 0 0 0 0 0 ωm1.  0 0 0 d 0 0 e 0  Demuestre que el AGR de la M. de los sistemas mostrados en la Fig.15. 6.9. b) compensador de reactivos. kG(s) son idénticos. 6. ωo. de los sistemas mostrados en la Fig. Jo.

donde D1 y D2 son matrices diagonales. donde P1 y P2 son matrices de permutación. Incluya ahora controladores tipo I monovariables. Demuestre que la matriz Λ(H) es invariante ante escalamientos de la entrada y/o salida. Espinoza C. C . Demuestre que Λ(H) siempre tiene al menos un valor propio y un valor singular igual a 1. −1 σ( E ) σ( E −1 ) Demuestre que max{0..- Demuestre que permutaciones en las filas y/o columnas de la matriz H(s) resulta en las mismas permutaciones en la matriz Λ(H). Λ(P1HP2) = P1Λ(H)P2.3. 1 1 Demuestre que si E-1 existe entonces. . σ( E) = y σ ( E) = .Apuntes: 543 760 133 17. Λ(D1HD2) = Λ(H). 6. Copyright © por Prof.4.Asuma que los sistemas mostrados en la Fig.5.- 2. Nivel Avanzado 1. Es decir. σi(E) . Ajuste la ganancia de los controladores de manera que el ancho de banda resultante sea la mitad del ancho de banda proporcionado por el grado de acoplamiento del sistema. Es decir. José R.σ(F) } ≤ σi(E + F) ≤ σi(E) + σ(F) .9 están desacoplados gracias al uso del desacoplador para frecuencia cero.

Una de las herramientas disponibles es el Teorema de Nyquist. La pregunta más básica a responder es respecto de la estabilidad del sistema resultante. La utilización intensiva de los valores singulares y normas requieren primero de la revisión de las técnicas de diseño de controladores SISO en el plano de la frecuencia. Copyright © por Prof. por lo tanto. 1 + g ( s ) c( s ) 1 + g ( s )c ( s ) 1 + g ( s ) c( s ) (7. ayuda a determinar la ganancia k de un controlador descentralizado tal que se asegura la estabilidad en L. 7. Para tales efectos. 1 + g ( s ) c( s ) d(s) yd(s) u(s) v(s) c(s) + g(s) + + m(s) Fig. de T.1. puede utilizarse un controlador que puede ser considerado una M. el Teorema de Nyquist extendido al caso MIMO permite abordarla. y(s) . tanto de vectores como de matrices.y(s)]. que se caracterizan por presencias a bajas y altas frecuencias.1) Al evaluar la sensibilidad S(s) de la F. 7.. y(s)/yd(s) respecto de variaciones en g(s) se obtiene.C. En aquellos casos donde no es posible utilizar controladores monovariables. El diagrama de la Fig. S ( s) = 1 .1 Sistema realimentado SISO generalizado. respectivamente. 7. de T. Análogamente. 7. 7. se utiliza los valores singulares y se introduce el concepto de norma.134 Apuntes: 543 760 7 Controladores en el Plano de la Frecuencia.2 Caso SISO. José R. En este capítulo se revisa una extensión de dicho teorema a sistemas MIMO. En este caso se asumen dos señales indeseadas que son una perturbación d(s) y el ruido de medición m(s). La utilización de respuestas en frecuencia permiten diseños simples en sistemas SISO. Un enfoque diferente al diseño de controladores se logra al utilizar el diagrama mostrado en la Fig. y(s) = d(s) + g(s)c(s)[v(s)yd(s) . Espinoza C. y ( s) = g ( s )c ( s ) 1 g ( s )c ( s ) v ( s ) yd ( s ) + d ( s) − m( s ) . Afortunadamente..m(s) .1 Introducción.1 muestra que.

Reconociendo que en sistemas SISO ambas sensibilidades son idénticas. Esta es. Si se define la razón de retorno de entrada como Fi(s) = 1 + c(s)g(s).d(s)]. dado que el ruido m(s) tiene valores relevantes a altas frecuencias. que |1 + g(jω)c(j ω)| ≤ 10 para ω ≤ ωα y que |g(j ω)c(j ω)| → 0 para ω ≥ ωβ. 1 S(jω) T(jω) 0 ω ωα ωβ Fig. S(s) tienda a 1. u(s) = Fi-1(s)c(s)[v(s)yd(s) . .: Para eliminar el efecto estacionario del escalón de entrada.2 muestra la forma que debe de tener S(s) en función de la frecuencia ω. T(s) se denomina sensibilidad complementaria de salida y por tanto Fi-1(s) se denomina sensibilidad de entrada. Por otro lado. dado que g(s) es conocido. La Fig. 7.135 Apuntes: 543 760 que corresponde al inverso de la razón de retorno F(s) = 1 + g(s)c(s) = S(s)-1. 7. A partir de estos resultados y considerando que S-1(s) = 1 + g(s)c(s). se definen la sensibilidad complementaria T(s) como T(s) = S(s)g(s)c(s) y gc(s) = T(s)v(s). entonces. Nótese que S(s) = F-1(s) se denomina sensibilidad de salida. En este caso es conveniente obtener la expresión de la variable manipulada. Finalmente. {1 + c(s)g(s)}u(s) = c(s)[v(s)yd(s) . Utilizando las definiciones anteriores. S(s) debe ser 0 para frecuencia cero. A. En particular. Por otro lado. Nótese que T(s) se define como tal puesto que así se cumple que T(s) + S(s) = 1. y(s) = T(s)v(s)yd(s) + S(s)d(s) .g(s)u(s)]. José R. Si se tiene una perturbación descrita por d(t) = A·sin(ωαt) + B·u(t). Requerimientos en cuanto a las señales externas. u(s) = c(s)[v(s)yd(s) .1.m(s) . Para frecuencias altas se deseará que S(s) tienda a 1 para eliminar los posibles ruidos. (7. Requerimientos en cuanto a las señales de control. entonces se puede derivar el perfil para c(s). se puede imponer que S(s) debe ser menor a 1/10 para frecuencias menores a ωα.2 Respuesta en frecuencia de S(s) y T(s) para el Ejemplo 7. ♣ B. Además. entonces. S(s) debiera ser cercana a cero a bajas frecuencias.T(s)m(s).m(s) . R.d(s) .d(s)]. determine la forma que debe de tener S(s) para que la salida en lazo cerrado no contenga oscilaciones con amplitudes mayores a ±A/10. la expresión anterior se puede escribir como.1. ó.m(s) .1) se puede escribir como. Ejemplo 7. Copyright © por Prof. Espinoza C. se puede concluir que g(s)c(s) → ∞ para ω → 0. De la ecuación anterior es fácil concluir que dado que la perturbación d(s) tiene valores relevantes a bajas frecuencias. podría requerirse que para frecuencias mayores a ωβ. para atenuar la oscilación que se presenta a la frecuencia ωα. T(s) debiera ser cercana a cero a altas frecuencias.

Requerimientos en cuanto a robustez. go(s) es el modelo nominal en un conjunto g de plantas posibles y la(s). Copyright © por Prof. b) Multiplicativa en la salida. como g(s) es fija sólo queda tener c(s) pequeña. c) Multiplicativa en la entrada. T(s) debe ser pequeña. (ii) multiplicativa en la entrada: g(s) = go(s)[1 + li(s)].3. donde se requiere S(s) muy pequeño (c(s) muy grande). Éstas pueden ser: (i) aditiva: g(s) = go(s) + la(s). 1 + c( s ) g ( s ) debe ser pequeña. C. Espinoza C. g(s) la(s) go(s) c(s) + + (a) g(s) lo(s) go(s) c(s) + + (b) g(s) li(s) c(s) + + go(s) (c) Fig. c( s ) . . 7. Es decir.136 Apuntes: 543 760 La energía asociada a la señal de control es. en donde.3 Diagramas de incertidumbre SISO. a) Aditiva. Es por esto que se considera una incertidumbre al modelo como ilustrado en la Fig. Es decir la cantidad. li(s) y lo(s) son las variaciones conocidas de go(s). y (iii) multiplicativa en la salida: g(s) = [1 + lo(s)]go(s). ∫ ∞ 0 u 2 (t )dt = 1 ∞ 1 ∞ −1 | Fi ( jω)c( jω){v( jω) y d ( jω) − m( jω) − d ( jω)} |2 dω . José R. Esto porque normalmente los modelos son una versión simplificada de la realidad y los costos y complejidad de un análisis más completo no justifica los resultados. Los modelos normalmente no incluyen la totalidad de los fenómenos físicos. lo que se contrapone con la atenuación de perturbaciones. | u ( jω) |2 dω = ∫ ∫ 0 0 2π 2π de donde claramente se aprecia que esta cantidad es mínima si Fi-1(jω)c(jω) es mínima. 7.

Se asume que la variación lo(s) cumple con | lo(jω) | ≤ l(jω). entre y e yd esta dada por. es estable con go(s) y que la incertidumbre es tal que todas las plantas resultantes g(s) tienen el mismo número de polos en el S. José R. Considerando que se desea tener |To(jω)| → 1.D. 7. mientras más pequeña sea l(jω). en L. si l(jω) es mayor que 1 para algunas frecuencias. entonces. ésta corresponde a k la de un sistema de segundo orden de la forma . se tendrá para esas frecuencias que |To(jω)| < 1. Teorema: Asumir que el sistema en L. Espinoza C.: Si ( s / ωo ) 2 + 2ζ( s / ωo ) + 1 σ -1 1+go(jω)c(jω) go(jω)c(jω) |go(jω)c(jω)|l(jω) jω Fig. más fácil es lograr este objetivo. y que la variación lo(jω) puede tener cualesquier fase entre 0° y 360°.P. entonces el sistema posee estabilidad robusta con respecto a g(s) si y sólo si. l ( jω) donde To(jω) es la sensibilidad complementaria considerando a go(jω). en L.C. Por el contrario. sin embargo. 7. La F. en particular en el ancho de banda deseado. de T. La Fig.D. [1 + lo(s)]go(s)c(s) no encierra el (-1. de T. donde l(jω) es un número real no negativo.. y d ( s ) 1 + [1 + l o ( s )]g o ( s )c( s ) por lo que la F.2.D.137 Apuntes: 543 760 En este capítulo se tratará en detalle sólo las incertidumbres multiplicativas en la salida. Copyright © por Prof. | 1 + g o ( jω)c( jω) | l ( jω) ∀ω. 7.4 Estabilidad robusta en sistemas SISO. |go(jω)c(jω)|l(jω) < |1 + go(jω)c(jω)| para todo ω. La dinámica de un actuador es modelada nominalmente por una ganancia k. | To ( jω) | < 1 .4 muestra que el locus de [1 + lo(jω)]go(jω)c(jω) para una frecuencia ω dada es un circulo de radio |go(jω)c(jω)|l(jω) centrado en go(jω)c(jω). o bien | g o ( jω)c( jω) | 1 = | To ( jω) | < . la incertidumbre del modelo debe ser minimizada. R.4 también muestra que la F. es [1 + lo(s)]go(s)c(s). . La Fig. Calcular l(jω) y un ancho de banda posible. Ejemplo 7. de T. El siguiente teorema relaciona la incertidumbre con las expresiones de sensibilidad. y( s) [1 + l o ( s )]g o ( s )c( s ) = v( s) . Es decir. 0) si y sólo si.

Hay dos alternativas de diseño para los controladores c(s) en sistemas SISO. S ( s) Los problemas que se pueden tener son: (i) la estabilidad no está asegurada.W. Por otro lado. por lo que lo(s) = .P. En este caso se asumen conocidas la sensibilidad de salida S(s) y la sensibilidad complementaria T(s) y se determina el controlador de la expresión S(s) = 1/[1 + go(s)c(s)]. Se desea una ganancia para go(jω)c(j ω) mayor a 33 para ω ≤ 1 y menor a 1/33 para ω ≥ 10. Método 2. por lo que por cada –20 dB/dec de caída se tienen -π/2° de fase. En general. Espinoza C. Si se permite un máximo valor de l(j ω) = 1 entonces el B. se tiene que. c( s ) = g o−1 1 − S ( s) . En general si las frecuencias ωα y ωβ no están muy cercanas. C.138 Apuntes: 543 760 el modelo de la planta es p(s).W. para ∀ ω < ωo / 2 se cumple que | lo(j ω) | < 1 y para ∀ ω > ωo / 2 se cumple que | lo(j ω) | > 1. para asegurar estabilidad. por lo que se obtiene. | lo(j ω) | = k 2 ( s / ωo ) + 2ζ( s / ωo ) + 1 ( ω / ωo ) 4 + 4ζ 2 ( ω / ωo ) 2 [1 − ( ω / ωo ) 2 ]2 + 4ζ 2 (ω / ωo ) 2 p(s). Esto implica que en la frecuencia de cruce de ganancia se tendrá una elevada pendiente de caída de la ganancia..3 Métodos de Diseño en Sistemas SISO. = ωo / 2 .D.D. Finalmente. ♣ 7. deberían tenerse a lo más –π° lo que implica una caída de a lo más –40 dB/dec. de T. Esto puede implicar que la fase sea superior a –180° y por tanto el diseño sería inestable de acuerdo a Nyquist. en L. Verifique la Copyright © por Prof. El método anterior implica una ganancia muy elevada a bajas frecuencias y una muy pequeña a altas frecuencias. 2 dλ ζ=ω donde λ = log{ζ/ω}. siempre se puede contornear el Bode de go(jω)c(jω) de manera de obtener a lo más –40 dB/dec. [1 + lo(s)]kp(s) = − ( s / ωo ) 2 − 2 ζ ( s / ωo ) ( s / ω o ) 2 + 2 ζ ( s / ωo ) + 1 y por tanto. ó (iii) complicado si hay polos y/o ceros en el S. José R. φ(ω) ≈ π d {log{| g o ( jζ )c( jζ |}} . entonces. Método 1. Ejemplo 7. . A. Limitaciones al diseño. g(s)c(s). habría que chequearla en forma paralela. (ii) se debe invertir go(s) lo que puede ser irrealizable si hay retardos. se estudia la estabilidad resultante utilizando Nyquist y la F. sería de B. La función | lo(j ω) | es igual a 1 cuando se cumple que (ω / ωo ) 4 = [1 − (ω / ωo ) 2 ]2 o cuando ω = ωo / 2 (lo que es independiente de ζ). Dadas las condiciones límites para la sensibilidad de salida S(s) se pueden asumir rangos para go(s)c(s) del tipo: (i) |go(jω)c(jω)| > 1 para frecuencias inferiores a ωα y (ii) |go(jω)c(jω)| < ε < 1 para frecuencias mayores a ωβ. Por lo tanto.3. B.

En el caso de sistemas MIMO la representación de los ruidos y perturbaciones queda dada por vectores como ilustrado en la Fig. Para obtener resultados precisos. sin embargo. señales y sistemas. En particular. 7.4 Caso MIMO. R. matrices. i =1 Las normas p que se utilizan con mayor frecuencia son la norma-1. y las propiedades anteriores deben satisfacerse ∀ e. que de acuerdo a la definición anterior quedan dadas por. e2 ∈ V y ∀ α ∈ ℂ. (ii) polos inestables. norma-2 y norma-∞. Espinoza C. ♣ Además de la condición de pendiente. hay otros factores que aceleran la caída de ésta. A. Def: La norma del vector e de dimensión n es un número real. denotado por || e || y conocido por norma vectorial. dado que están basados en una aproximación. se consideran las normas p. 7. que satisface las siguientes propiedades: (i) no-negativa: || e || ≥ 0 (ii) positiva: || e || = 0 ⇔ e = 0 (iii) homogénea: || α· e || = |α|· || e || para todo escalar complejo α (iv) desigualdad triangular: || e1 + e2 || ≤ || e1 || + || e2 || en forma más precisa. En estos apuntes se revisan las normas de vectores y matrices. que están definidas por. n || e || p = p ∑| e i |p . Entre estos están los: (i) retardos. Esta herramienta permite además diseñar sistemáticamente el controlador que en este caso corresponde a la matriz C(s). dan una clara estimación de la complejidad de la solución (de existir). Esto implica un sistema inestable en L. 7. Estos resultados no son definitivos.5 Sistema realimentado MIMO generalizado.139 Apuntes: 543 760 factibilidad.C. Copyright © por Prof.. El efecto de estas cantidades en la variable controlada se cuantifica por medio del uso de normas de vectores y matrices como se verá a continuación. y(s) . la cual en general puede ser aplicada a vectores. e1. d(s) yd(s) u(s) V(s) C(s) + G(s) + + m(s) Fig. Ahora se revisa la operatoria relacionada con normas. se deberá estudiar cada caso en profundidad. y (iii) ceros de fase no mínima.5. Normas de Vectores. José R. e es un elemento en un espacio vectorial V que opera sobre el campo ℂ de números complejos.: Se requiere una caída de –60 dB/dec lo que implica una fase promedio en esa década de –270°.

la norma inducida da una medida de la amplificación máxima posible de obtener de la matriz E. Normas de Matrices. es decir. i. Así. Espinoza C. Se define la norma inducida p de E denotada por || E ||ip como. Se puede observar que esta definición busca la dirección x tal que la razón || y ||p / || x ||p es maximizada. entonces la norma se conoce como norma matricial generalizada. j || E ||∞ =|| E ||max = max{| ei . 2 e ∞ como. Nótese que esta última norma (la norma máximo elemento) no es una norma matricial dado que no cumple con la condición (v) de la definición anterior. j |2 = tr{E H E} (norma Frobenius o Euclideana). José R. j | (norma suma). Adicionalmente se pueden definir normas matriciales inducidas al considerar que un vector puede ser el resultado del producto de una matriz por un vector. y = E·x. se pueden definir la normas inducidas 1. Las normas-p de vectores se pueden extrapolar a matrices dando como resultado. i. j |} i.140 Apuntes: 543 760 || e ||1 = ∑ | ei | (norma suma).   || E ||i1 = max ∑ | ei . j | j  i  || E ||i 2 = σ( E) = ρ{E H E} Copyright © por Prof. j (norma máximo elemento o infinito). y i || e ||∞ = || e ||max = max{| ei |} i B. (norma infinito). || E ||1 =|| E ||sum = ∑ | ei . Def: La norma de la matriz E de dimensión q·p es un número real. denotado por || E || y conocido por norma matricial. j || E ||2 =|| E ||F = ∑| e i. Similarmente. || E ||ip =∆ max x ≠0 || Ex || p || x || p donde || x ||p denota la norma vectorial p. i || e ||2 = ∑| e i |2 (norma Euclideana). . (norma valor singular o espectral). que satisface las propiedades anteriores y además cumple con: (v) multiplicativa: || A· B || ≤ || A ||·|| B || En el caso de una norma que no satisface la propiedad anterior. (máximo suma de columna).

j | i  j  (máximo suma de fila). λivi = Evi. Espinoza C. Sin embargo. = || u ( s ) || || v ( s ) ||  2  1 2 max  u ≠0 y.  || G ( s )u( s ) ||2  . por lo que la ganancia desde el punto de vista de norma Euclideana se puede considerar como ||y(s)||2/||u(s)||2 = ||G(s)· u(s)||2/||u(s)||2. Así. Debe observarse que ρ(E) no es una norma por cuanto no satisface las propiedades 2 y 4. entonces. Teorema: Para cualesquier norma matricial (en particular las inducidas).  || u( s ) ||2  max  u ≠0 y el menor valor por. Para esto se asume que el sistema está definido por y(s) = G(s)· u(s). donde vi es el vector propio de E correspondiente a λi. se cumple que. el máximo valor está dado por. || E ||i 2 = σ( E) = ρ{E H E} . el siguiente teorema le asocia una importante propiedad. q} que es σk(s) (el menor valor singular de G(s)). Copyright © por Prof. Nótese que σ( E) corresponde al máximo valor singular de E y por tanto es σ(E) = max{λ i (E H E)} . José R. se tiene que el radio espectral de E es ρ(E) = max{| λ i (E) |} que corresponde al máximo i valor propio de E. Por lo tanto.141 Apuntes: 543 760   || E ||i∞ = max ∑ | ei . . El resultado más importante que se obtiene al utilizar el concepto de norma es la ganancia del sistema mutivariable. Por lo tanto.  || u( s ) ||2  min  u ≠0 De la descomposición en valores singulares de G(s) se encuentra que la máxima ganancia se obtiene para u(s) = v1(s) que es σ1(s) (el mayor valor singular de G(s)) y que la menor ganancia se obtiene para u(s) = vk(s). por lo que en particular. ρ(E) ≤ ||E||. se cumple que λivi = Evi.  || G ( s )u( s ) ||2  . ||λivi|| = ||Evi||. con k = min{p. i Por otro lado. para el mayor valor propio que es el radio espectral se cumple que ρ(E) ≤ ||E||.  || G ( s )u( s ) ||2  || G ( s ) v1 ( s ) ||2 =|| G ( s ) v1 ( s ) ||2 = σ1 ( s ) = σ( s ) . |λi| ≤ ||E||. Dado que λi es un valor propio de E. |λi|·||vi|| = ||Evi|| ≤ ||E||·||vi||.

G(jω) que relaciona u(jω) e y(jω). y(s) = T(s)V(s)yd(s) + S(s)d(s) .142 Apuntes: 543 760  || G ( s )u( s ) ||2  || G ( s ) v k ( s ) ||2 =|| G ( s ) v k ( s ) ||2 = σk ( s ) = σ(s). Teorema: Dados los valores singulares extremos de la sensibilidad S(s): σ(S) y σ(S) y de la sensibilidad complementaria T(s): σ(T) y σ( T) . entonces satisface la desigualdad triangular. σ(s) ≤ || G( s )u( s ) ||2 ≤ σ( s ) . donde por analogía se tienen la sensibilidad de salida como S(s) = (I + G(s)C(s))-1 y la sensibilidad complementaria de salida como T(s) = S(s)G(s)C(s) de manera que T(s) + S(s) = I. para acotar su efecto se puede pensar en acotar sus valores singulares. C. Por lo tanto.σ( T ) | ≤ σ(S) ≤ 1 + σ( T ) . José R. | 1 . Nótese que no se hace diferencia entre valores y ganancias principales. Lamentablemente. || u( s ) ||2 o equivalentemente en el plano de la frecuencia. respectivamente. Valores Singulares en el Diseño de Sistemas MIMO.m(s) .σ(S) | ≤ σ( T ) ≤ 1 + σ(S) . mantener simultáneamente ambos valores pequeños para una misma frecuencia no es posible. por lo que para sistemas de igual número de salidas y entradas se tiene que. x ≠0 x ≠0 x ≠0 x ≠0 || x ||  || x ||   || x ||   || x ||    por lo tanto. Copyright © por Prof. Espinoza C. y(s) = d(s) + G(s)C(s)[V(s)yd(s) . el aporte de la perturbación y ruido son S(s)d(s) y T(s)m(s). 7.  || Tx ||   || (I − S)x ||   || x − Sx ||   || x || + || Sx ||  σ( T) = max  = max  = max  ≤ max      = 1 + σ(S) . Claramente. . σ(jω) ≤ || G( jω)u( jω) ||2 ≤ σ( jω) . = || v k ( s ) ||2  || u( s ) ||2  min  u ≠0 Finalmente.5 se tiene que. de T. Esto se aprecia del teorema siguiente. Se puede observar de las ecuaciones anteriores que si se mantiene σ(S) y σ( T) pequeños. respectivamente.T(s)m(s). Similarmente. Éstos se conocerán de aquí en adelante como σ(S) y σ(S) para el menor y mayor valor singular de la sensibilidad S.y(s)]. σ(T) y σ( T) para el menor y mayor valor singular de la sensibilidad complementaria T. Dado que σ es la norma espectral. y. respectivamente. || u( jω) ||2 De esta expresión se puede visualizar que para limitar el efecto de u(jω) sobre la salida y(jω) se puede restringir el valor del máximo y mínimo valor singular de la M. | 1 . la ganancia de un sistema (para una entrada arbitraria u(s)) está limitada por. entonces siempre se cumple que. Por lo tanto. entonces el efecto amplificador será atenuado. En atención a la Fig.

se desea que ésta afecte directamente a la salida. se deberá considerar un compromiso entre los valores singulares considerando que los ruidos son de alta frecuencia y las perturbaciones son de baja frecuencia. Lo que confirma la contraposición si se considera que también es deseable σ( T) → 0. El teorema anterior muestra que si se diseña σ(S) → 0. Por otro lado. Por consiguiente. Considerando que se desea σ( Fi ) >> σ(C) . σ(Fi−1C) debe ser mínimo. Dado que σ(Fi−1C) ≤ σ( Fi−1 ) · σ(C) = σ(C) / σ( Fi ) . No habrá conflicto con las condiciones anteriores. Adicionalmente. atendiendo a la Fig.  || Tx ||   || (I − S)x ||   || x − Sx ||   | || x || − || Sx || |  σ( T) = max   = max   = max   ≥ max   = | 1 . lo que demuestra que | 1 . entonces se debe tener que σ( Fi ) >> σ(C) . Espinoza C. 7. entonces se debe minimizar u(s). entonces σ( T) → 1. Por otro lado. 1 σ(T) σ(T) σ (S ) σ(S) 0 ωα ω ωβ Fig. si se desea mantener mínima la energía asociada a la entrada. La ganancia está dada por T(s)v(s). u(s) = Fi-1(s)C(s)[V(s)yd(s) .σ(S) | ≤ σ( T) ≤ 1 + σ(S) . si se desea mantener el esfuerzo de control mínimo. si se asegura que σ(S) es menor que un valor dado para bajas frecuencias. en donde Fi-1(s) = (I + C(s)G(s))-1 es la sensibilidad de entrada.d(s)]. Copyright © por Prof.6 Respuesta en frecuencia de los valores singulares de S(s) y T(s). La otra igualdad es similarmente demostrada.6 se puede concluir que si se asegura que σ( T) es menor que un valor dado para altas frecuencias. es decir. σ( T) ≥ | 1 .σ(S) |. Por otro lado. x ≠0 x ≠ 0 x ≠ 0 x ≠ 0 || x ||  || x ||   || x ||   || x ||    por lo tanto. Como es obvio. se puede analizar el caso del efecto de la referencia en la salida. 7.143 Apuntes: 543 760 σ( T ) ≤ 1 + σ(S) . . Finalmente. es decir. entonces se asegura que la norma Euclideana del vector perturbación d(s) es atenuada a un valor dado. σ( Fi ) = σ(I + CG) ≤ σ( I + CG ) ≤ 1 + σ(CG ) ≤ 1 + σ(C) · σ(G) . se deberá mantener acotado el máximo valor singular de la combinación Fi-1(s)C(s). Claramente. entonces deberá cumplirse que σ(C) << 1 + σ(C) · σ(G) .m(s) . José R. Así.σ(S) |. lo que implica que. si consideramos a v(s) = 1. en tanto el rango de frecuencias sea desde 0 a algún valor dado. será requisito que σ( T) ≈ 1 y σ(T) ≈ 1 para las frecuencias de interés. La cual está dada por. entonces. entonces se asegura que la norma Euclideana del vector ruido m(s) es atenuado a un valor dado. σ( Fi ) ≤ 1 + σ(C) · σ(G) .

a) sin controlador. Lema 7.479 0  200 / s desacoplado dado por C(s) =   . ♣ D. en Sistemas MIMO.1} ≤ σ ( E + I) ≤ σ( E) + 1.5 σ(T) 0. de T. se deberá imponer que σ(C) << 1. y L.1: max{0. σ ( C) Esto es posible sólo si σ(G) >> 1 ó si σ(C) << 1. el controlador permite obtener estructuras como las recomendadas. Claramente. Ejemplo 7. En sistemas SISO es fácil interpretar los requerimientos en términos de la respuesta en frecuencia de g(s)c(s) y a partir de éstos estimar la respuesta que debiera tener c(s).0 1. B y C de acuerdo al Ejemplo 1. (ii) Ruido: mantener σ( T) = σ( I − (I + GC) −1 ) pequeño. Para probar el 1. Los requerimientos anteriores son: (i) Sensibilidad: mantener σ(S) = σ(( I + GC) −1 ) pequeño. 7.7 muestra los valores máximos y mínimos de los valores singulares de S(s) y T(s) sin y con controlador.144 Apuntes: 543 760 1 + σ(G ) >> 1 .5 σ(T) σ(T) 0 101 102 a) σ(T) 0 103 104 101 102 103 104 b) Fig. Para encontrar las relaciones se utilizarán los lemas siguientes. Espinoza C. (iii) Seguimiento de la referencia: mantener σ(T) = σ(I − (I + GC) −1 ) ≈ 1 y σ( T) = σ( I − (I + GC) −1 ) ≈ 1 pequeño. Para esto asuma el desacoplador K =   lo que permite utilizar un controlador − 0. Realizar un análisis de los valores singulares de las sensibilidades para el caso del compensador serie 3-φ de  0.595 − 0.5 σ(S) σ(S) 1.D.878 potencia reactiva. Copyright © por Prof. R.5 1.5 y considerando como salidas a la corriente de red en cuadratura y la corriente de carga 1 directa. Relación entre los Valores Singulares en L.4. Esto se contrapone con (b) pero no con (a). (iv) Energía de control: mantener σ(C) pequeño. José R. en L. 7. donde G(s) 200 / s   0 = C(sI – A)-1B con A. Esto se contrapone con (a). está dada por G(s)KC(s). Por lo tanto.7 Respuesta en frecuencia de los valores singulares de S(s) y T(s) del ejemplo del compensador como indicado en el Ejemplo 7. Podría contraponerse con (a) y (b). Por la propiedad de desigualdad triangular es directo probar el lado derecho del lema.C.A. σ( E) . en aquellas frecuencias en que σ(G) no es mayor que 1. La Fig.4. En sistemas MIMO esto no es directo y por tanto se analiza separadamente.: En este caso la M. . b) con controlador.0 σ(S) σ(S) 0.803 − 0.

x ≠0 x ≠0 x ≠0  || x ||   || x ||   || x ||  por lo tanto. Espinoza C. José R.2: Se probará el lado derecho del lema.1. Lq L σ(GC) |det{GC}| 1 σ(GC) ε εq 0 ω ωα ωβ Fig. max{0. 7. por lo que σ( E) ≤ σ(I + E) + 1 ó σ( E) .145 Apuntes: 543 760 lado izquierdo se considera que E = I + E – I. pero dado que σ(E + I) ≥ 0.  || (E + I )x ||   || Ex + x ||   || Ex − x ||   || Ex ||  σ(E + I) = min  = min  ≥ min  = min      − 1 = σ(E) .2. se debe hacer σ(GC) grande. Es decir. Lema 7. Esto se puede lograr ciertamente a bajas frecuencias como ilustrado en la Fig.1 ≤ σ(I + E) . entonces σ(E + I) ≥ max{0.1. Ruido: σ( T) = σ( I − (I + GC) −1 ) = σ(( I + (GC) −1 ) −1 ) = = 1 1 σ(GC) 1 σ( I + (GC) −1 ) σ(GC) − 1 1 − σ(GC) = σ ( GC )<<1 ≈ Lema 6. para mantener el ruido limitado.  || (E + I )x ||   || Ex + x ||   || Ex ||  σ(E + I) = min  = min  ≤ min     + 1 = σ(E) + 1. . 7.1} ≤ σ(E + I) ≤ σ(E) + 1. 7. si σ (( GC ) −1 )>1 ≤ 1 = σ((GC) −1 ) − 1 σ(GC) . Esto se puede lograr a altas frecuencias (donde aparece el ruido) como ilustrado en la Fig.1}. si σ ( GC )>1 ≤ σ ( GC )>>1 1 1 ≈ . Sensibilidad: σ(S) = σ(( I + GC) −1 ) = 1 σ( I + GC) Lema 6. σ(GC) − 1 σ(GC) Es decir.1}. se debe tener σ(GC) pequeño. σ(E) .8. Por otro lado. Dado que σ(I + E) ≥ 0. σ(E + I) ≥ σ(E) . σ(E + I) ≤ σ(E) + 1. Copyright © por Prof.8. para mantener la sensibilidad en un mínimo.8 Respuesta en frecuencia esperada de los valores singulares de G(s)C(s). σ(E) . x ≠0 x ≠0 x ≠0 x ≠0  || x ||   || x ||   || x ||   || x ||  por lo tanto.2. σ( E) . σ(E + I) ≥ max{0. entonces.

del ejemplo del compensador como indicado en el Ejemplo 7. y L.0 σ(T) 0. R.9(a) también muestra que el menor valor singular del GKC es >>> 1 lo que asegura buen seguimiento de la referencia. La Fig.803 − 0. consecuentemente. en L. y (4) σ(C) << 1.8 resume las características deseadas para los valores singulares. la gráfica tipo Bode de |det{GC}| pasaría de Lq a εq desde ωα a ωβ.9 Respuesta en frecuencia de los valores singulares en L. 7. Para esto asuma el desacoplador K =   y el controlador C(s) =   . Copyright © por Prof. Espinoza C. Resumiendo las condiciones anteriores se tiene que cumplir: (1) σ(GC) grande. entonces Lq ≤ |det{GC}| para ω i i =1 ≤ ωα. (2) σ(GC) pequeño.2 se reduce a imponer σ(GC) >> 1 .5 0 0. . Se sabe que L ≤ σ(GC) ≤ q |λi(GC)| para frecuencias ω ≤ ωα. Es decir.A.5 101 102 a) 0 103 104 101 102 103 104 b) Fig.D. Limitaciones al Diseño. Ejemplo 7. 7. |λi(GC)| ≤ σ(C) ≤ ε para ω ≥ ωβ.5. 7.: En este 200 / s  − 0. por lo que εq ≥ |det{GC}| para ω ≤ ωβ. Esto se logra a bajas frecuencias como ilustrado en la Fig. Las condiciones (1) y (3) son idénticas y se debieran respetar para bajas frecuencias. de T.878 200 / s reactiva. b) ruido.9(a).9(b). José R. El mayor valor singular de S y el inverso del menor valor singular de GKC están ilustrados en la Fig.146 Apuntes: 543 760 Seguimiento de la referencia: Para esto se requiere que T(s) = I – (I + GC)-1 ≈ I o que (I + GC)-1 ≈ 0. Un alternativa más relajada sería considerar que σ(( I + GC) −1 ) << 1 ó que σ(I + GC) >> 1 lo que finalmente por Lema 7. La Fig. y L.595 − 0.0 1. a) sensibilidad y referencia. ♣ E.C.8. Realizar un análisis de valores singulares en L. 7.C. Estas condiciones de diseño son similares a las deducidas para sistemas SISO y por tanto se procederá a cumplir (1) y (3) para frecuencias desde 0 a ωα y la condición (2) para frecuencias a partir de ωβ.479  0 caso la M.5. (3) σ(GC) >> 1. la fase 1. Es claro que a bajas frecuencias son iguales y de valor reducido lo que asegura mínima sensibilidad.5 σ(S) σ (GKC) 1 / σ(GKC) 1. El mayor valor singular de T y el mayor valor singular de GKC están ilustrados en la Fig. Es claro que a altas frecuencias son iguales y de valor reducido lo que asegura máxima atenuación del ruido. 7. está dada por G(s)KC(s). como |det{GC}| = ∏ | λ (GC) | . donde el ruido está presente.A. La condición (2) se contrapone con (1) y (3) y por tanto se puede cumplir para altas frecuencias. Similarmente. donde G(s) = C(sI – A)-1B. 7.5 1. para el caso del compensador serie 3-φ de potencia 0   0.

También 2 log{ωα / ωβ } 2 log{ωα / ωβ } q se tiene que arg{det{GC}} = ∑ q arg{λ i (GC)} . b) diagrama MIMO. Por otro lado. la función 1 + k·l(s) no deberá contener ceros en el S. es estable yd(s) u(s) k·c(s) + g(s) y(s) G(s) y(s) (a) yd(s) u(s) k·C(s) + - (b) Fig. es decir. -π ≤ − 20 log{L / ε} log{ωα / ωβ } π log{L / ε} .147 Apuntes: 543 760 en este tramo de frecuencia es de arg{det{GC}} ≤ − π log{Lq / ε q } π log{L / ε} =− q . entonces no deben haber encierros. entonces el contorno transformado 1 + k·l(s) encierra N = ηz . es un escalar racional que depende de s.P. . y que los polos de 1 + k·l(s) son también los polos de l(s). Por lo tanto. y ωβ.10(a) se tiene una F.C. José R. cuya condición límite para 2 log{ωα / ωβ } asegurar la estabilidad es un aporte de -π.5 Criterio de Nyquist Generalizado.ηp veces. a) diagrama SISO. Criterio de Nyquist en Sistemas SISO. Para el sistema SISO ilustrado en la Fig. La condición más favorable para los aporte de fase de cada valor propio es cuando todos aportan igual cantidad. Para una mejor comprensión se revisa primero el Criterio de Nyquist para sistemas SISO. 7. de donde se puede ver que los ceros de 1 + k·g(s)c(s) = 1 + k·l(s) son los polos de 1 + k · g ( s )c ( s ) h(s). el criterio de Nyquist indica que si el contorno γ encierra ηp polos y ηz ceros de la función 1 + k·l(s). si GC es estable. si se desea tener un sistema estable. por lo que i=1 ∑ arg{λ (GC)} ≤ i i=1 π log{L / ε} − q . 2 log{ωα / ωβ } La estabilidad es determinada por el número de encierros realizados por los λi al punto (-1. Así se puede establecer el Teorema de Nyquist como: Teorema: Si el contorno γ encierra ηp polos de la función l(s). j0).D.C. Espinoza C. se debe tener que ηz = 0 y por tanto el contorno transformado deberá encerrar el origen N = . de T. En este caso la F. Copyright © por Prof. de T. A.10 Estabilidad en SISO. Por lo tanto. por lo tanto se tiene un aporte de π log{L / ε} fase de cada uno de ellos dado por arg{λ i (GC)} ≤ − . 7. si se desea tener un sistema estable. entonces el sistema en L. dada por la expresión: k · g ( s )c ( s ) h(s) = . Por lo tanto. ε ωα. en L. 40 dB ≥ 2 log{ωα / ωβ } dB es la condición límite para relacionar los parámetros L. 7.ηp veces al origen. En efecto.

P. se puede escribir que det{I + k· L(s)} = ∏ (1 + kλ i ) . Lo que es equivalente a tener k en los rangos: 0 < k < 1/0.35. se puede i obtener la estabilidad contando los encierros realizados por las gráficas de 1 + kλi del origen. ó ]0. Estas gráficas se conocen como el lugar característico de la matriz L(s). entonces kλi es un valor propio de kL(s). Determine los valores de k que hacen el esquema en L.64s2 .C. ♣ A partir del teorema anterior se obtiene otro que relaciona el radio espectral de la matriz L(s) – denotado por ρ(L(jω)) – con la estabilidad en L. está dada por la expresión: k Adj{I + k ·L( s )}G ( s )C( s ) H(s) = k[I + k· G(s)C(s)]-1G(s)C(s) = de donde se puede ver que los ceros det{I + k ·L( s )} de det{I + k· L(s)} son los polos de H(s). La solución simbólica de esta ecuación arroja el polinomio (s4 + 6s3 + 13s2 + 12s + 4)λ2 +(-1. El contorno deberá dibujarse para cada valor de k.1. Criterio de Nyquist en Sistemas MIMO. dado que si λi es un valor propio de L(s).ηp veces al origen. Dado que L(s) no tiene polos inestables. así. por lo que los valores propios λ1(s) y λ2(s) de L(s) están dados por det{λI – L(s)} = 0.8[. L(s). Es decir.10(b) se tiene que la M. José R. Espinoza C.ηp veces. Por lo tanto. una de las ventajas de este teorema es que permite deducir la estabilidad para valores arbitrarios de la ganancia k. entonces el contorno transformado det{I + k· L(s)} encierra N = ηz .ηp veces al punto (-1/k.8)λ +(0. 1. -0. el criterio de Nyquist indica que si el contorno γ encierra ηp polos y ηz ceros de la función det{I + k· L(s)}. es estable si el lugar característico de L(s) encierra N = . R.C. cuyas soluciones son λ1(s) y λ2(s) y están graficadas para s = j ω según el contorno de Nyquist en la Fig.D. entonces la región posible para –1/k es ]-∞.ηp veces al punto (-1/k. k ∈ ]-2.2. 7. al dibujar un único contorno transformado. si se desea tener un sistema estable.25( s + 1)( s + 2)  − 0.5 s − 2 G(s)C(s). y demostrar que los polos de det{I + k· L(s)} son también los polos de L(s).86.6s + 1. Por lo tanto. o equivalentemente contando los encierros realizados por las gráficas de λi del punto (-1/k. se debe tener que ηz = 0 y por tanto el contorno transformado deberá encerrar el origen N = . Similarmente. lo que es una desventaja respecto del caso SISO en donde se dibuja para k = 1 y se deducen los valores de k que hacen el sistema estable.: En este caso L(s) =  1.D.6s3 . 7. Por otro lado. al dibujar un único lugar característico.86 < k < 0.6. B. 0). 7. ó –1/0.28) = 0.35 = –2. Análogamente al caso SISO. estable. y 1 + kλi es un valor propio de I + kL(s). entonces el sistema en L.4s2 + 4s + 4.8 = 1.148 Apuntes: 543 760 si el contorno transformado l(s) encierra N = . Ejemplo 7.D. . Por lo tanto. A partir del diagrama de la Fig. ∞[.C.25[.C. si se desea tener un sistema estable. 0). 0). Así se puede establecer el Teorema de Nyquist Generalizado como: Teorema: Si el contorno γ encierra ηp polos (en el sentido Smith-McMillan) de la matriz en L. la función det{I + k· L(s)} no deberá contener ceros en el S. permite analizar sistemas con retardos sin necesidad de utilizar aproximaciones. Para el diagrama de la Fig. Sin embargo.25.10(b) se tiene que la matriz en L. en L. Una de las ventajas de este teorema es que permite deducir la estabilidad para valores arbitrarios de la ganancia k. Copyright © por Prof. G(s)C(s) = s   s −1 1 . de T.11(a).

. por lo que el radio espectral de L(jω) es mayor que 1 por lo menos para la frecuencia ωc. donde G(s) = C(sI – A)1 B. finalmente se puede escribir que |λi{L(jωc)| ≥ 1.5 0.0 -0. de T. Esta consiste en obtener una gráfica aproximada de los valores propios. entonces existirá un ε ∈ (0. en L.878 25 / s   y el controlador C(s) =   .: En este caso la M.5 b) Fig. está dada por L(s) = G(s)KC(s). la región posible para –1/k es]-∞.C. Existe una alternativa para deducir la estabilidad de sistemas MIMO en base al lugar característico de L(s). 7. Ejemplo 7.) ⇒ p/ (ρ(L(jω)) > 1 por lo menos para alguna frecuencia). ∀ ω.0 0.C.595 − 0.D. con ε → 0.02 las referencias son tales que el compensador no jv jv λ2(jω) 0. Lo que es equivalente a tener k en el rango k > 0. 1]. 479 0 25 / s    0  k / s cumplen satisfactoriamente. dada por L(s) determina un sistema estable en L. det{I + ε· L(jωc)} = ∏ λ i (I + εL( jωc )) . de T. En el caso del compensador serie 3-φ de potencia reactiva se asumió un desacoplador K = 0   0. determinar los valores de k tal que  0 k / s aseguran un sistema estable.D.5 0. por lo que para algún i se cumple que 1 + = c i i c i ελi{L(jωc) = 0. 0[. b) caso del compensador. donde λi{I + εL(jωc)} es el i-ésimo valor propio de la matriz dada por I + εL(jωc). de esta manera L(s) no tiene polos en el 0 k /( s + ε)  origen y se busca la región no encerrada por el lugar característico.0 a) ε→0 1·106 0. Dado que el sistema es inestable en lazo cerrado. ∏ λ (I + εL( jω )) i ∏ (1 + ελ (L( jω ))) = 0. Como.) o del tipo q/ (inestable en L.5 5·105 λ1(jω) u 0. 7. Para evitar problemas numéricos 0 k /( s + ε)  y de gráfico se utiliza el controlador C(s) =   . Copyright © por Prof.7. 7.6 y. Es decir. Ejemplo 7.13 ilustran la operación dinámica del compensador utilizando el desacoplador y compensador (con k = 400) en L.149 Apuntes: 543 760 Teorema: El sistema con una M. Las salidas son escogidas como la corriente de red en cuadratura y la corriente de la carga 1 directa. entonces el contorno transformado det{I + L(s)} encierra el origen.12 y Fig. estable en L. Este teorema es del tipo p (ρ(L(jω)) < 1) ⇒ q (estable en L. que se conoce como el Arreglo de Nyquist. el lugar característico es numéricamente encontrado y graficado para s = j ω según el contorno de Nyquist en la Fig. Como ε ∈ (0. Es decir hay un valor propio mayor que uno. R. 803 − 0 . 7.11 Lugar característico de la matriz L(s) del. dado que det{I} = 1. Así. por lo que los valores propios λ1(s) y λ2(s) de L(s) están dados por det{λI – L(s)} = 0.8 λ2(jω) ε→0 u 0. a) Ejemplo 7. La Fig. Si el controlador se generaliza al caso C(s) =   . José R. 1] y una frecuencia ωc tal que det{I + εL(jωc)} = 0. i entonces.11(b). Finalmente.C.C.35 λ1(jω) -5·105 -0. Espinoza C. si ρ(L(jω)) < 1. Hasta t = 0. para algún i se tiene que λi{L(jωc) = -1/ε. Esta estructura asegura que los índices de sensibilidad se − 0 .7.

mientras se mantiene la referencia de corriente de carga 1 directa. en t = 0. q. lii(jω) se superpone en cada punto un círculo de radio 300 200 200 0 0 100 0 200 0 0. Teorema: Sea L una matriz de número complejos de dimensión q·q. Fig.05 150 0 0.04 0.03 c) 0. de T. lij(jω). b) tensión de red ejes dq0.12 Simulación del Ejemplo 7. entonces los valores propios de L están en la unión de q círculos con centro en lii y radio.13(b). q.. 7.05 b) 150 100 100 50 50 0 0 0 -50 50 -100 100 150 0 0. i = 1.01 0. .. 7. José R.02 d) Fig. de T. q ∑| l ij |.05 0. ♣ C. j =1 j ≠i Los valores propios están también en la unión de los círculos con centro en lii y radio q ∑| l ji |.02 0.03 0. 7.04 0.05 100 0 0. j es el Nyquist de la F.. La tensión compensadora aparece en t = 0.. j =1 j ≠i El arreglo de Nyquist de L(s) es un arreglo de gráficos donde el gráfico i. d) tensión compensadora ejes dq0.13(d).. Copyright © por Prof. i = 1..01 0. Fig.02 s. c) tensión compensadora ejes abc. Espinoza C.02 se lleva la referencia de corriente de red en cuadratura a 0.04 0.01 0.01 a) 0. Este arreglo es una aplicación directa del teorema de Gershgorin que se indica a continuación.150 Apuntes: 543 760 provee tensión. a) tensión de red ejes abc. Arreglo de Nyquist. para cada Nyquist de la F..02 0.7.04 0.. Además.03 0.03 0.02 0.

7. d) corriente de carga 1 en ejes dq0.02 0.01 0.04 0.01 a) 0.C. las bandas de Gershgorin en el Arreglo de Nyquist también permiten obtener un rango de círculos sobre l22(jω) está dado para cada valor de ω por 200 200 100 100 0 0 0 100 200 0 0. 0). cuya M.05 100 0 0. de T. l21(s).25( s + 1)( s + 2)  − 0.5 s − 2 la Fig. (ii) si L(s) tiene ηp polos inestables. entonces se puede decir que el sistema en L.02 0. Las bandas obtenidas de esta forma se conocen como Bandas de j =1 j ≠i Gershgorin. las bandas de Gershgorin en el Arreglo de Nyquist deben rodear en -ηp veces al punto (-1. el radio de los − 0 . si las bandas no encierran ni contienen al punto (-1. a) corriente de red ejes abc. sea estable es que las bandas de Gershgorin en el Arreglo de Nyquist no encierren el punto (-1. Nótese que el arreglo de Nyquist es también válido para sistemas con retardo. se puede establecer que: (i) si L(s) es estable entonces una condición suficiente para que el sistema en L. José R.04 0.02 0. (iii) si alguna banda de Gershgorin en el Arreglo de Nyquist pasa por sobre el punto (-1.6 donde L(s) = jω . 0) entonces nada se puede decir respecto de la estabilidad en L. b) corriente de red ejes dq0.04 0.03 c) 0. y l22(s).25( jω + 1)( jω + 2) El Arreglo de Nyquist para el Ejemplo 7. 7. está dada por L(s) es estable.05 b) 150 100 100 50 0 0 50 0 50 100 50 0 0. 0).01 0. s   s −1 1 se muestra en  1.01 0.03 0. En general. 0).03 0.02 s.25( jω + 1)( jω + 2) círculos genera las bandas de Gershgorin las cuales al ser superpuestas generan una región que contiene a los valores propios de L(jω).05 0.05 100 0 0. l12(s).14. La tensión compensadora aparece en t = 0. . Por otro lado.C. c) corriente de carga 1 en ejes abc.03 0.02 d) Fig.5 círculos sobre l11(jω) está dado para cada valor de ω por y el radio de los 1. Espinoza C. Las líneas continuas muestran los Nyquist de l11(s). Por lo tanto.C.151 Apuntes: 543 760 q ∑| l q ij ( jω) | ó j =1 j ≠i ∑| l ji ( jω) | . La unión de todos los 1.04 0. Copyright © por Prof.13 Simulación del Ejemplo 7.7 (continuación).

Copyright © por Prof..0 Fig.5 jv 0.D..5 . kq que garantizan la estabilidad del sistema en L. Para esto deberá determinarse los rangos de -1/k tal que estos rangos son rodeados por las bandas de Gershgorin un número -ηp de veces con ηp el número de polos inestables de L(s).5 0..5 |l12(jω)| 0. es estable si y sólo si q ∑η pi = ηp ..0 l22(jω) 0. entonces más desacoplado es el sistema..5 l11(jω) 0.5 -0. j =1 j ≠i para cada valor de i y para todo s en el contorno de Nyquist.5 u 0. es L(s) = G(s)C(s)K y la problemática es encontrar los valores de k1.. K = diag{k1..0 -0. 0. i =1 jv jv 0. de T. k2. k2.5 l21(jω) 0.5 0.. José R.5 0.5 u 0. 7. 0) una cantidad -ηpi de veces.0 0.5 -0.C.5 0. donde la i-ésima banda de Gershgorin de L(s) encierra el punto (-1/ki. entonces el sistema en L.. Los casos revisados consideran un controlador del tipo k· C(s) en donde el escalar k se obtiene de acuerdo al criterio de Nyquist para obtener un sistema estable. Un último caso a revisar es el que considera un controlador del tipo K· C(s) en donde la matriz de ganancias K es del tipo K = diag{k1. En este caso la M. lij ( s ) + 1 > ki q ∑| l ij ( s ) | . en L. Nótese que mientras más angostas sean las bandas de Gershgorin..6.10(b) de manera que el sistema resultante sea estable.14 Arreglo de Nyquist para la matriz L(s) del Ejemplo 7..152 Apuntes: 543 760 valores para k en un esquema como el ilustrado en Fig.. k2.0 -0. Teorema: Sea L una matriz cuadrada. 7.C. Espinoza C.5 l12(jω) 0.5 |l21(jω)| 0.5 u 0..0 0.0 0. kq}.0 u 0. para tales efectos se tiene el teorema siguiente. kq} y que se cumple.

153

Apuntes: 543 760

donde ηp es el número de polos inestables de L(s).
El teorema anterior se puede escribir también cambiando la condición de las ganancias por,
lij ( s ) +

1
>
ki

q

∑| l

ji ( s ) |

,

j =1
j ≠i

la cual corresponde a tener dominio por columnas.

 0.3698 − 0.4428
Ejemplo 7.8. En el caso del paciente se determinó que el desacoplador dado por K = 
 ayuda al
− 0.9291 − 0.8966
control monovariable. Utilice estos resultados para proponer controladores monovariables basados sólo en integradores. R.:
0 
k / s
La matriz K se niega para tener ganancias dc positivas. El controlador propuesto es C(s) = 
 que resulta en un
 0 k / s
lugar característico como el ilustrado en la Fig. 7.15(a) y (b), por lo que la máxima ganancia k es 1/650 = 1.54·10-3. Por
otro lado, si se ecualizan los retardos y se considera un Predictor Smith, entonces, para efectos de estabilidad sólo interesa
3 
 −6
 s + 1 3s + 1 
analizar la M. de T. dada por G ( s ) = 
. Para esta M. de T., la matriz desacopladora (similar a la anterior) es
12
5 


 s + 1 5s + 1 
12

2 .10

2000

12

1 .10

0

0
-650

12

1 .10

2000
12

2 .10

3000

2500

2000

1500

1000

500

0

500

2000

1500

a)

1000

500

0

500

500

0

500

b)

12

2 .10

2000

12

1 .10

0

0

12

1 .10

2000
12

2 .10

3000

2500

2000

1500

c)

1000

500

0

500

2000

1500

1000

d)

Fig. 7.15 Lugar característico de la matriz L(s) del Ejemplo 7.8; a) sistema con desacoplador y controlador,
b) zoom de a), c) sistema con ecualizador, desacoplador y controlador; d) zoom de c).
Copyright © por Prof. José R. Espinoza C.

154

Apuntes: 543 760

 0.3703 − 0.4424
K= 
 , la cual se niega para tener ganancias dc positivas. El controlador resulta en un lugar
− 0.9289 − 0.8968
característico como el ilustrado en la Fig. 7.15(c) y (d), por lo que la máxima ganancia k es infinito. La Fig. 7.16 muestra el
arreglo de Nyquist para este caso con k = 6·10-3. Se puede apreciar que una de las bandas encierra el -1 y podría
interpretarse como un sistema inestable; sin embargo, debe considerarse que las bandas dan una región posible en donde
estarían los valores propios. En este caso, los valores propios son siempre estables ∀ k positivo. Finalmente, la Fig. 7.17
muestra la simulación de este caso considerando un Predictor Smith y para k = 6·10-3 y para k = 60·10-3. En ambos casos se
tiene un sistema estable como confirmado por el lugar característico. ♣

D.

Robustez en Sistemas MIMO.

Al igual que el caso SISO, los modelos normalmente no incluyen la totalidad de los fenómenos
involucrados en la realidad física, por lo que se considera una incertidumbre al modelo. Ésta puede ser
(Fig. 7.18): (i) aditiva: G(s) = Go(s) + La(s); (ii) multiplicativa en la entrada: G(s) = Go(s)[I + Li(s)]; y
(iii) multiplicativa en la salida: G(s) = [I + Lo(s)]Go(s); en donde, Go(s) es el modelo nominal en un
conjunto G de plantas posibles y La(s), Li(s) y Lo(s) son las variaciones conocidas de Go(s).
En cada caso, la magnitud de la perturbación L se puede medir en términos de σ(L ) como,
σ(L ) ≤ l (ω)

∀ω,

donde l (ω) es un número real no negativo que cumple,
l (ω) = max{σ(L)} .
G ∈G

El límite l (ω) puede ser interpretado como un peso escalar sobre una perturbación normalizada ∆(s) tal
que,
2

2

0

0

2

2

4

4

3

2

1

0

1

4

2

2

0

0

2

2

4

4

3

2

1

0

1

4

4

3

2

1

0

1

4

3

2

1

0

1

Fig. 7.16 Arreglo de Nyquist para la matriz L(s) del Ejemplo 7.8 con ecualizador.
Copyright © por Prof. José R. Espinoza C.

155

Apuntes: 543 760

L(s) = l ( s )∆ ( s ) ,

σ(∆ ( jω)) ≤ 1

∀ω.

Para efectos de lograr un análisis generalizado se considera que los diagramas mostrados en la Fig. 7.18
pueden ser considerados como diagramas M-∆ como se muestra en Fig. 7.19, donde por definición se
tiene que σ(∆ ( jω)) ≤ 1 . Si el sistema original Go(s) es estable, entonces M(s) lo es, por lo que la
perturbación ∆(s) podría desestabilizar el sistema. El siguiente teorema establece las condiciones sobre
M(s) de manera que esto no ocurra.
Teorema: Asumir que M(s) es estable y que la perturbación ∆(s) es tal que el sistema perturbado en
L.C. es estable si y sólo si el contorno transformado de det{I - M∆} no encierra el origen.

Entonces, el sistema en L.C. mostrado en la Fig. 7.19 es estable para todas las
perturbaciones ∆(s) (que cumplen con σ(∆ ( jω)) ≤ 1 ) si y sólo si una de las siguientes
condiciones equivalentes se cumple,
det{I − M ( jω)∆( jω)} ≠ 0

∀ω, ∀∆ ∋ σ(∆ ( jω)) ≤ 1 .

ρ(M ( jω)∆ ( jω)) < 1

∀ω, ∀∆ ∋ σ(∆ ( jω)) ≤ 1 .

σ( M ( jω)) < 1 , ∀ω

con

||M||∞ < 1.

150
4

32

140

CO
130

MAP

120

110

0

10

20

30

40

50

60

50

60

a)
150
4

32

140

CO
130

MAP

120

110

0

10

20

30

40

b)
Fig. 7.17 Simulación del Ejemplo 7.8 considerando un Predictor Smith; a) k = 6·10-3, b) k = 60·10-3.
Copyright © por Prof. José R. Espinoza C.

Copyright © por Prof. 7.18 Diagramas de incertidumbre MIMO. Lo que también se puede escribir como p/ (el contorno transformado de det{I . ∀ω. 1] y una frecuencia ω+ asociada con una perturbación ∆+(jω+) que cumple con σ(∆ + ( jω+ )) ≤ 1 tal que det{I – εM(jω+)∆+(jω+)} = det{I – M(jω+)ε∆ ∆+(jω+)} = 0. b) multiplicativa en la salida. Dado que σ( ε∆ + ( jω+ )) = εσ (∆ + ( jω+ )) ≤ 1 se ve que ω' = ω+ y que ∆'(jω') = ε∆ ∆+(jω+). Ahora se derivarán las condiciones para la estabilidad robusta ante condiciones de incertidumbre multiplicativa a la entrada y salida.M∆ ∆} encierra el origen. Si el det{I . 7.156 Apuntes: 543 760 Este teorema es del tipo p (el contorno transformado de det{I . para algún ω' y para alguna ∆'(jω') que cumpla con σ( ∆' ( jω' )) ≤ 1 ). entonces siempre existe un ε ∈ [0. .M∆ ∆} no encierra el origen) ⇔ q (det{I – M(jω)∆ ∆(jω)} ≠ 0. ∆(s) M(s) Fig. Las otras igualdades se prueban análogamente.19 Diagrama de incertidumbre general en MIMO. José R. ∀∆ ∋ σ(∆ ( jω)) ≤ 1 ). a) aditiva. c) multiplicativa en la entrada.M∆ ∆} si encierra el origen) ⇔ q/ (det{I – M(jω)∆(jω)} = 0. G(s) La(s) Go(s) C(s) + + (a) G(s) Lo(s) Go(s) C(s) + + (b) G(s) Li(s) C(s) + + Go(s) (c) Fig. Espinoza C.

se deberá tener l o < 1 para asegurar la estabilidad del sistema. Por lo tanto. para atenuar el ruido se diseña σ( To ) << 1.157 Apuntes: 543 760 Incertidumbre multiplicativa en la salida. Por otro lado. Dado que el seguimiento a bajas frecuencias requiere que se diseñe To ≈ I. σ( − Ti l i ) = σ( Ti )l i < 1. En este caso la relación está dada por G(s) = [1 + Lo(s)]Go(s). σ(L i ( s )) ≤ l i si y sólo si. Lo anterior se puede verificar como en el caso previo. lo ∀ω > ωβ. o equivalentemente. se puede escribir en forma muy conservativa que. Espinoza C. en cuyo caso σ( To ) ≈ σ(G o C) por lo que se deberá mantener la relación.20 Diagrama M-∆ extendido para la incertidumbre multiplicativa en la salida. σ(L o ( s )) ≤ l o si y sólo si. Afortunadamente. 7. M(s) l o (s ) C(s) + Go(s) ∆(s) + - Fig. Lo anterior se puede verificar de acuerdo al diagrama mostrado en la Fig. . Considerando la tercera igualdad del teorema anterior se puede concluir que el sistema será estable para todas las perturbaciones Lo(s) que cumplen σ( ∆( s )) ≤ 1 . o equivalentemente. En donde se define Li(s) = l i ( s ) ∆( s ) tal que σ(∆ ( s )) ≤ 1 . σ ( − To l o ) = σ( To )lo < 1. En este caso la relación está dada por G(s) = Go(s)[1 + Li(s)]. donde Ti(s) se conoce como la sensibilidad complementaria de entrada. −1 −1 σ( Ti ) = σ(Go ToG o ) ≤ σ(Go ) σ( To ) σ(G o ) = σ( To ) γ (G o ) . Incertidumbre multiplicativa en la entrada. ∀ω donde γ (G o ) = σ(G o ) / σ(G o ) y corresponde al número de condición de Go (Nótese que γ (G o ) → ∞ para Go no invertible). Esta expresión es análoga al caso SISO. ∀ω en tanto se cumpla que ||To lo ||∞ < 1. para frecuencias ω > ωβ. Ti = Go-1ToGo por lo que de la expresión anterior se tiene que. por lo que se obtiene para la matriz M(s) la expresión M(s) = -Go(s)C(s)[I + Go(s)C(s)]-1 l o (s ) = -[I + Go(s)C(s)]-1Go(s)C(s) l o (s ) = -To(s) l o (s ) . Considerando la tercera igualdad del teorema anterior se puede concluir que el sistema será estable para todas las perturbaciones Li(s) que cumplen σ( ∆( s )) ≤ 1 . por lo que se obtiene para la matriz M(s) la expresión M(s) = -[I + C(s)Go(s)]-1C(s)Go(s) l i (s ) = -C(s)Go(s)[I + C(s)Go(s)]-1 l i (s ) = -Ti(s) l i (s ) . Copyright © por Prof. σ(G o C) < 1 .20. En donde se define Lo(s) = l o ( s ) ∆ ( s ) tal que σ(∆ ( s )) ≤ 1 . José R. ∀ω en tanto se cumpla que ||Ti lo ||∞ < 1. 7. o equivalentemente que σ( To ) ≈ 1. para asegurar la estabilidad del sistema.

se pide encontrar el rango de la ganancia k tal que el sistema en L.4. B= . C. Por lo que la condición del teorema anterior se reduce a.21. de T. 7. que es el caso en altas frecuencias. B= . 7. Determine matemáticamente los −1 5 − 5 j   3 2.- Para un sistema SISO con g(s) = kp/s se desea diseñar el controlador c(s) tal que la función de sensibilidad complementaria T(s) asegure que ruidos m(s) a frecuencias superiores a 100 Hz sean atenuados en un factor de 100 y que perturbaciones d(s) a frecuencias inferiores a 0. con realimentación negativa sea estable. Si T(s) tiene la forma T(s) = kT/(τTs + 1).a) c) valores y compare con las regiones anteriores. li para asegurar la estabilidad del sistema.1 Hz sean atenuadas en un factor de 20.6 Ejercicios Propuestos. para asegurar la estabilidad. José R. σ(CGo ) < 1 . de un sistema MIMO en lazo directo G(s) posee un lugar característico como se muestra en la Fig.- 3. A. γ (G o ) ∀ω. Sin embargo. Anote todo su trabajo. encontrar los parámetros kT y τΤ tal que se logran las condiciones de diseño. C=     0 −4  50 2  3 4  . Resuelva los problemas siguientes. Encuentre los valores de la ganancia de la planta kp tal que la salida y(t) es estable respecto de la referencia yd(t).1   4  s + 2  Copyright © por Prof. Espinoza C. Determine y dibuje a escala la región en donde se ubican los valores propios de la matriz 1 −1  1  A = 2 5 + 5 j 0  de acuerdo al Teorema de Gershgorin.158 Apuntes: 543 760 σ( To )li < 1 .  1  0    −2 0  1 0  1 0  s +1 A= . C= b) G ( s ) =      1   0 −4  0 2 0 4   0 s − 1    1  s +1 G (s) =   0. la expresión anterior es muy rigurosa y se puede obtener una mejor aproximación al considerar que. Una M. d)  −2 0  10 5  1 2  A= . Para los siguientes sistemas.2   0. Nivel Básico 1. σ( Ti ) = σ(( I + CG o ) −1 CG o ) ≈ σ(CG o ) lo cual ocurre para CGo muy pequeño. Si se utiliza un controlador de la forma kI.

v).45 4 3 0. B.15 1 0 0 1 -0.21 Lugar característico de. Dibuje en función de la frecuencia el mayor valor singular de S(s) y de T(s).i).ii). 7. a) G ( s ) = Copyright © por Prof.. 7.2.. go(s).6 0.. La dinámica de una planta es modelada nominalmente por una F.. b) G ( s ) =   .4 0.15 2 3 -0. pero ahora considere – de ser posible – la inserción de un desacoplador estático.Dibuje el Arreglo de Nyquist de L(s) y concluya el rango de k estable si C(s) = kI .25( s − 1)( s − 2)  −6 s − 0.- Para los sistemas mostrados en la Fig. Dibuje en función de la frecuencia el menor valor singular de S(s) y de T(s). Dibuje el lugar característico de L(s) y concluya el rango de k estable si C(s) = kI . éstas normalmente contienen un retardo tr que no es considerado en el análisis. calculado para frecuencia cero.45 5 -0.60 6 5 0. 6. Dibuje el Arreglo de Nyquist de L(s) y concluya el rango de k estable si C(s) = kI .Dibuje en función de la frecuencia el mayor valor singular de S(s) y de T(s). de T. 0. Dibuje en función de la frecuencia el |det{GC}|. José R.4. Calcular l(jω) a partir 3.1s + 1 5s + 1   0.Dibuje en función de la frecuencia el |det{GC}|.30 4 -0.60 1.30 2 0.25( s + 1)  −6 s − 1 4 . pero ahora considere la inserción de un controlador C(s) = k/sI.- 0.1s + 1  Si se considera al controlador C(s) = I. Repita 1. 5.. Repita 2.vi).22 se pide.. La matriz de sensibilidad S(s) y sensibilidad complementaria T(s).iii).. iii). iv).2 0 a) Fig. sin embargo. pero ahora considere – de ser posible – la inserción de un desacoplador estático. 2  1.0 0. ii). Nivel Intermedio 1.5 1.Dibuje en función de la frecuencia el menor valor singular de S(s) y de T(s)..2 6 4 3 2 1 0 1 2 3 b) s  s −1 s −1 6  1 1 .La matriz de sensibilidad S(s) y sensibilidad complementaria T(s). calculado para frecuencia cero.159 Apuntes: 543 760 1  1 −2 s   10  10 − s e e   5s + 1   s +1 5s + 1 s +1 e) G (s) =  f) G ( s ) =    2 −2 s  2   3  3 e− s e 5s + 1  0. pero ahora considere la inserción de un controlador C(s) = k/sI.8 0. Espinoza C.iv). vi).Repita 5.Repita 4. v). i). determine.Dibuje el lugar característico de L(s) y concluya el rango de k estable si C(s) = kI .

22 Sistemas para ejercitar. θ1. . i i =1 4. Asuma si es necesario un controlador c(s). C. Jm1. 7. tm2 1/k2 n:1 PCC ioabc voabc iiabc isabc b) Ri Li vsabc Ro Lo mabc idc vdc Rdc fuente Cdc compensador carga Fig. aun cuando no se considere el retardo. θ2. Copyright © por Prof. José R. Jo. to + va1 ia1 a) ωm1. Nivel Avanzado 1. θo.- Demostrar que los polos de det{I + k·L(s)} son también los polos de L(s).C.160 Apuntes: 543 760 de la mejor forma de representar esta condición y los requisitos para asegurar la estabilidad del sistema en L.- Deduzca las condiciones para la estabilidad robusta ante condiciones de incertidumbre aditiva.- Demuestre que la norma || e || p = n p ∑| e i | p es || e ||∞ = || e ||max = max{| ei |} si p → ∞.2. b) compensador de reactivos. a) molino con doble accionamiento. 3. Espinoza C. Jm2. ωo. tm1 n:1 1/k1 + va2 ia2 ωm2. Caracterice un sistema desacoplado en su Arreglo de Nyquist y su lugar característico.

“Robust Process Control”. Copyright © por Prof. - M. “Multivaraible feedback control”.. Glad and L. Postlethwaite. Furuta. 1995. Wiley 1996. - J. “Advanced Engineering Mathematics”. Atherton. “State Variable Methods in Automatic . Prentice-Hall 1996. - R. “Linear Systems”. 2nd edition.. Rugh. A. - W. Prentice Hall 1980. 4ta edición. Prentice-Hall 2003. “Linear System Theory”. “Sistemas de Control Automático”. Skogestad and I. Kuo. Zafiriou. and D. 1989. Morari and E. 1996. Multivariable and Nonlinear Me. Kreyszig. Maciejowsky. Prentice-Hall. José R. “Control Theory. - K. Inc. - K. 7th edition. - T. 2000.. Taylor&Francis. Prentice-Hall International. - B. Addison-Wesley Publishing Comp. Dorf. Ljung. Espinoza C.. - E. 1990. - T. Addison-Wesley Publishing Comp.”. Sano. “Ingeniería de Control Moderna”.Apuntes: 543 760 161 Bibliografía. 7ma edición. Wiley 1988. John Wiley & Sons 1993.”. “Multivariable Feedback Design”. Kailath. - S. 7th edition. . Ogata. “Modern Control Systems”.

.......................................................107 de estados ........... 115.......................................................... 59 en sistemas continuos .......................................................115 de ganancias relativas ......................126 divisores determinentales ...................................................87 de estados MIMO............ 80 compensación de perturbaciones ..........................................72 E ecuaciones dinámicas ....................... 124 elementales derechas...........88 de estados de orden reducido ............................................. 72 matriz de controlabilidad ............................ 139 número de condición ....26 G B L Bandas de Gershgorin ........................72 Forma Canónica Controlable.................28 de Jordan ...... 102 ..................... 8 lugar característico ............................ ganancias principales ............... 117 de Nyquist .......... 72 equivalentes ..........119 controlador basado en un observador .......... 128........................................................................................ 1........................71 Copyright © por Prof.............72 forma Smith-McMillan ...................................................................................63 estable internamente ............. 71 modos de oscilación en sistemas continuos ... José R............................................................. 91................................................84 de estados SISO .....96 estabilizable integral ............................... 70 no singular .........................................................................................81 matrices de rotación .. 144... 72 estrictamente propia ............ 48................... 44 en sistemas discretos ........................................................... 71 propia............................................................ 154 N normas matricial ........................................................................52 en sistemas discretos ........................................................118 estable entrada/salida ...........................79 de estados con integradores.......................................................................................... 70.............................. A frecuencia de cruce de ganancia ........................... 58 no observables ... 42 no controlable .......................................29 forma Smith ................... 138 arreglo de Bristol .......................63 F factores invariantes ....................... 140 vectorial ....................... 62 observador de estados MIMO........................... 70 racional ..........................................................................................................................................................................................31 Diagonal ............................................. 13............. 94 accionamiento con eje flexible ............ 83........................................ 68.................................................................. 30........................... 136......... Espinoza C................................................ 55.......................... 24...............................150 autovalores .................................................................................. 58 en sistemas continuos...26 autovector .......... 49................................................................... 149 drogas a paciente .................... 37..........................................108 controlabilidad en realizaciones ........................................................................ 75 elemental .................................................................................................................. 49 en sistemas muestreados ...............................................................................................162 Apuntes: 543 760 Índice Alfabético................................. 147 O observabilidad en realizaciones .. 5 de transición de estados ..........................56 en sistemas muestreados .............................. 153 reactor exotérmico ............................................................................................................ 58.............................. 54................... 140 matriciales inducidas............................................................................... 157 Nyquist Generalizado ............................ 146.......... 52 D desacoplador de estados ......................................................... 46 denominador ................................... 71 unimodular ..... 59 Observable ........................................ 99 compensador serie de reactivos............................................... 9........................................................... 126 grado Smith-McMillan ..........151 bloques de Jordan .................. 19 de transformación ...................................................2 ejemplo accionamiento con dos motores .............. 39 de oscilación en sistemas discretos ................................... 148 C M ceros de transmisión .......... 28 de observabilidad .................................................. 41 definida positiva ......................... 71 numerador .............. 118......................................................................................................... 126.................................................................................................................................................................. 72 elementales izquierdas ..........................................................92 desacopladores .......................... 29 de transferencia .............62 controlable integral ....................... 75 polinomial ............................................................ 55 error de estimación .... 8................................ 74 I incertidumbre ....................................................................................................................31 linealización ............................. 68........................

................. 25 robustez MIMO ...................................................... 135.................................................................................................................... 25 T tests de controlabilidad ....................... 135........................141 rango normal ...................104 SISO en L............................................................................................................................................................................................................ S sensibilidad complementaria ................. 142 sistema desacoplado.....................................................................................................................................................................23 único .....21 múltiples............................ 123 ...99 P polinomio de ceros ................................... ....................................................................................... 142 de entrada ........................ 26 propios ....... 157 complementaria de salida ....C de orden reducido.........................................43 respuesta a entrada cero ........127 pseudo-diagonalización generalizada ................................... 120... 19 sistemas discretos ...................................................129 pseudo-inversa ............................................................................36 respuesta a entrada cero en sistemas discretos ............................................74 mónico ...............36 respuesta a entrada cero en sistemas contiuos ...................... 3 de salidas .............74 de polos ................................................................................................. 21 sistemas eléctricos trifásicos .....................136 Copyright © por Prof........................................................................................................................................71 razón de retorno .......i........................ 123 de salida ..............................................67 respuesta a c..................... cero en sistemas discretos............................ 115 sistemas continuos ..70 pseudo-diagonalización ............ 135 complementaria de entrada ......................................... 21..................i...........................................97 SISO en L....36 respuesta a c..............................................................................................................C de orden reducido ....................................96 SISO en L. cero ........135 realización mínima................................ 16......72 polos de H(s) ................................................................................................ Espinoza C...................... 123 puntos de operación. 26 vectores singulares de entrada ...................... 143 de salida ............................. 92 TITO . cero en sistemas continuos .............154 robustez SISO .......................... 46....42 respuesta a c................. 16............................................................. 54............... 3 vector característico ...................................................163 Apuntes: 543 760 de estados SISO .. 122 variables de estado .............................................. 26 singulares ...........................C de orden completo .......................................40 retardo en sistemas MIMO ..................5 R radio espectral ...............................................C de orden completo ..................................................................................... José R.............................................. 3 propio..................................... 17................... 12 sistemas híbridos................................................... 26 de entradas ......... 57 tests de observabilidad ...............................................................................A...................................... 3 de estados........96 MIMO en L...i..........102 MIMO en L...................... 51 V valores característicos ................ 135..........................