299018-Sistemas Avanzados de Control

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS

CONTENIDO DIDCTICO DEL CUSO: 299018-SISTEMAS AVANZADOS DE CONTROL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
PROGRAMA DE INGENIERA ELECTRNICA

299018-SISTEMAS AVANZADOS DE CONTROL
CARLOS ALBERTO VERA ROMERO
(Director Nacional)

JAIRO HERNAN LOPEZ B.
Acreditador

PAMPLONA
Julio de 2009


MDULO
SISTEMAS AVANZADOS DE CONTROL

Copyright
Universidad Nacional Abierta y a Distancia

ISBN

2009
Centro Nacional de Medios para el Aprendizaje


ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

El presente mdulo fue diseado en el ao 2009 por el Ingeniero Carlos
Alberto Vera Romero, docente de la UNAD, y ubicado en el CEAD de Pamplona,
el Ing. Vera naci en Gramalote, departamento Norte de Santander, el 6 de mayo
de 1977.
Estudio su bachillerato en el Colegio Sagrado Corazn de Jess de la Comunidad
de Hermanas Betlehemitas en el municipio de Gramalote, Departamento Norte de
Santander COLOMBIA. Secretariado y Comercio en 1991 y Bachiller Acadmico
en 1993.
En el ao 2000 se gradu de Ingeniero Electrnico de la Universidad de
Pamplona, con el trabajo: Diseo de una Interfaz porttil para la obtencin y
monitoreo de la actividad cardiaca humana. En el siguiente ao termino sus
estudios Tcnicos en Energa Solar. Adems tiene dos especializaciones; una en
Pedagoga Universitaria y otra en Gestin de Proyectos Informticos. En marzo
del ao 2008, recibi su ttulo de Magster (Master of Science) en Controles
Industriales de la Universidad de Pamplona, con el trabajo titulado: Obtencin y
anlisis mediante un interfaz de los procesos transitorios en un motor de induccin
tipo Jaula Ardilla.
En ao 2000 se desempeo como docente hora ctedra en la Universidad de
Pamplona, En el ao 2001 al 2008, trabajo para la misma Institucin como
docente Tiempo Completo de diversas reas de la ingeniera como la electrnica,
las telecomunicaciones y en su especialidad, el procesamiento digital de seales.
A su vez tambin se desempeo en el ao 2001 como director del Programa de
Ingeniera Electrnica y en el ao 2002 como Director de departamento del mismo
programa. Adems participo activamente como Coordinador en procesos de
registro calificado y acreditacin. Director y jurado calificador de diversos
proyectos de investigacin en los diferentes programas de la Facultad de
Ingeniera. Docente Hora ctedra de la Corporacin Tecnolgica Centrosistemas
sede Pamplona. En ao 2004 y 2005. Fue asesor e Investigador de Procesos de
Articulacin en el Instituto Superior de Educacin ISER- Pamplona- COLOMBIA.
Trabajo en el ao 2006 y 2007 como Reparador e Instalador de Tecnologa XDSL
y Redes de Banda Ancha para Telefnica - Telecom en Pamplona.

Actualmente se encuentra laborando para la Universidad Nacional Abierta a
Distancia UNAD en el Centro de Educacin A Distancia de Pamplona, como
Docente. Tiene a cargo la Direccin del Curso Acadmico; Organizaciones del
Conocimiento en la Especializacin en Direccin Prospectiva y Estratgica de las
Organizaciones Universitarias. Adems es tutor virtual del curso; Introduccin a la
Ingeniera de las Telecomunicaciones, del mismo programa que ofrece la UNAD y


es Coordinador del grupo GRINDES. Grupo de Investigacin para el Desarrollo
Econmico y Social.
A realizado diversos proyectos, ponencias y publicaciones a nivel nacional e
internacional en las reas de la electrnica, las telecomunicaciones y el control
industrial.
El presente mdulo esta basado en un trabajo preliminar de 6 captulos
compilado por el ing. JOHN JAIRO CESPEDES MURILLO, Y actualmente
actualizado por el ingeniero Carlos Alberto Vera Romero en donde ha extendido el
contenido de captulos a nueve, aplicando los lineamientos de los mdulos de los
cursos acadmicos virtuales.
Actualmente el ing. JAIRO HERNAN LOPEZ B., tutor, apoya el proceso de
revisin de estilo del mdulo y dio aportes disciplinares, didcticos y pedaggicos
en el proceso de acreditacin de material didctico desarrollado en el mes de
JULIO de 2009.


INTRODUCCIN

Cuando se menciona Sistemas de Control Avanzado se quiere indicar la
aplicacin de estrategias de control automtico que trascienden las que
usualmente se aplican en control de procesos. Ejemplos de las tcnicas de control
ms usuales de sistemas SISO (una entrada una salida) son el control PID en
sus diversas formas ajuste manual o automtico (selftunning)-, control de razn,
sistemas de Adelanto-Atraso (Lead-Lag) por reasignacin de polos y ceros,
control digital discreto (usando PLCs), etc., las mismas que pueden aplicarse
sobre sistemas MIMO (multivariables), usando el concepto de desacople de lazos
a partir del anlisis de la matriz de ganancias relativas de Bristol, quedando
limitado a sistemas con igual nmero de variables de entrada que de salida. En
general, estas estrategias pueden denominarse de parmetros ptimos ya que,
partiendo de una estructura algortmica fija, se modifican sus parmetros con el
objeto de lograr la respuesta del proceso que mejor se adecue a los
requerimientos del mismo, conforme a un criterio de optimizacin fcil de entender
y manejar por un operador de planta (Ver: ABC-Algoritmos de control PID). Esta
forma de operar tiene entre sus ventajas principales- que puede ser fcilmente
implantada con circuitos electrnicos analgicos y/o digitales, pudiendo construirse
controladores PID en gabinetes compactos y comercializarse individualmente
como tal.
Asimismo, la simpleza de la programacin de un algoritmo PID digital ha
posibilitado que la mayor parte de las empresas fabricantes de equipos del rubro
de la automatizacin (PLCs, sistemas de adquisicin de datos (DAS), o sistemas
de control distribuido (DCS)) incorporen mdulos de control PID dentro de sus
productos. Por lo general, este tipo de control presenta buenas condiciones de
desempeo para la mayora de los procesos industriales tradicionales, lo que
prcticamente asegura su permanencia en el tiempo. Sin embargo, existen
procesos que por su grado de complejidad- no pueden ser operados usando
tcnicas de control convencional de forma eficiente, y requieren aplicar tcnicas de
control avanzado para alcanzar las prestaciones deseadas. En las prximas lneas
se har referencia a la visin del autor de estas formas avanzadas de control, las
que en parte- pueden ser contrastadas y ampliadas en: (Mark J.Willis y Ming T.
Tham (1994) Advanced Process Control. Dept. of Chemical and Process
Engineering. University of Newcastle. Disponible en
http://lorien.ncl.ac.uk/ming/advcontrl/sect1.htm, consultado el 1 de julio 2009).

Los sistemas de control avanzado. Existen diferentes formas de control
automtico que responden a este tipo de denominacin. En general, todas se
basan en un conocimiento ms o menos acabado del sistema a controlar, tanto de
su fenomenologa como de sus condiciones de operacin, a travs de un modelo


matemtico que lo describa en forma bastante aproximada, en todo su rango de
operacin y para cualquier instante de tiempo (situacin relevante en procesos por
lotes o batch). Este modelo se usa tanto como parte integrante del sistema de
control como para evaluar el desempeo del sistema a travs de tcnicas de
simulacin. Por lo parmetros optimizados sino que responden mas bien a
estrategias de estructura optimizada, ya que su estructura depende del sistema
particular a controlar. El desarrollo de este tipo de algoritmos por lo general-
implica una fuerte plataforma computacional y, por tanto, difcilmente pueda
pensarse en encontrar productos comerciales que los contenga (salvo
excepciones de simple implantacin como es el caso de control por lgica difusa
(fuzzy logic), al que se har referencia en un prximo prrafo). Esto hace que
este tipo de control no pueda ofrecerse como un producto particular, disponible
en un gabinete DIN o equivalente, sino que la estrategia de control se programa
dentro de un computador, para cada caso. Por tanto, controladores con
estrategias de control avanzado no pueden comprarse en el mercado, sino que
requieren ser configuradas por un experto en control, quien deber posteriormente
capacitar al operador del proceso para hacer los ajustes que podran requerirse
durante la operacin rutinaria del sistema que est siendo controlado.

Estrategias de control avanzado ms conocidas. Sin duda, y siguiendo la
definicin dada de control avanzado, existen diversidad de estrategias de control
que responden a esta clasificacin, principalmente provenientes del mundo
acadmico-cientfico. Sin embargo, la dificultad para poder ser operadas por
personal con escaso nivel de formacin profesional as como para generalizarlas a
sistemas de diferente naturaleza, ha provocado que pocas sean las que han
trascendido del mbito acadmico al industrial. A continuacin, se hace referencia
a las ms relevantes, partiendo de aquellas que han cruzado al umbral de la
aplicacin industrial.
Control Experto control Borroso, Difuso o por Lgica Difusa (Fuzzy Logic
Control): Este tipo de control se basa en la recopilacin de conocimiento de un
sistema, a partir de operadores del mismo que pueden considerarse como
expertos en su rea de conocimiento. Este conocimiento se transforma en una
serie de reglas del tipo SI x1, x2,... xn, ENTONCES y1, y2,... ym,... (IF...,
THEN...), donde x1, x2,... xn representan los antecedentes o premisas e y1,
y2,... ym las consecuencias o acciones. La forma de procesar estas reglas,
contrastndolas con la informacin disponible del proceso controlado, da las
caractersticas de cada tipo de control en particular.
El mejor exponente de este tipo de control, por el grado de aceptacin que ha
tenido a nivel industrial es el control Borroso, Difuso o por Lgica Difusa (Fuzzy
Logic Control). Esta es quizs- el sistema de control avanzado que ha tenido
mejor aceptacin entre sus exponentes, principalmente por la industria japonesa, y
se encuentran aplicaciones de estrategias de control basadas en lgica difusa en
el ajuste automtico del foco en cmaras fotogrficas, resolucin del sistema de


frenos ABS en la industria automotriz, lavadoras automticas, etc. Inclusive, las
principales empresas fabricantes de PLCs incorporan mdulos de control de
lgica difusa, y las plataformas SCADA o DCS tambin los estn incluyendo como
herramientas de control. Este tipo de control se basa en la aplicacin de un
lgebra difusa planteada por Lofti Zadeh, al tratar de representar el pensamiento
lgico humano. Para utilizar esta lgica, las variables controladas y observadas
que provienen de los distintos sensores presentes en el proceso, cuya informacin
ser utilizada por el sistema de control, debe pasarse al mundo difuso a travs
de un procedimiento conocido como emborronado o fusificacin (fuzzification),
teniendo en cuenta el grado de pertenencia que tiene cada variable a los
conjuntos difusos en que se subdivide el rango de aplicacin de cada variable, a
travs de la definicin de funciones de membresa asignadas a las mismas.
Cuando las variables estn ya definidas en forma difusa, se contrasta la
informacin del sistema con la base de conocimiento disponible del proceso y,
mediante aplicacin de lgebra difusa, se determina la accin de control requerida
para el sistema, pero con carcter difuso. Para entregar esta informacin al
mundo real, la accin de control debe ser desemborronada o defusificada
(defuzzification), y entonces estar disponible para ser aplicada a los actuadores
del proceso. Entre las principales ventajas de esta tcnica puede destacarse la
simpleza de su implantacin, la extensin directa que tiene para aplicarse tanto a
sistemas SISO como MIMO y, en este ltimo caso, sin requerir un mismo nmero
de entradas que de salidas. Adems, como se basa en una estructura de
informacin similar a la del pensamiento humano, la forma de proceder tiene muy
buena aceptacin por parte de los operadores del sistema.
Control ptimo: Este control se basa en la definicin de una funcin o
funcional que por lo general- incluye el error de control y la accin de control y/o
sus desviaciones, con ponderaciones que permiten pesar en forma relativa cada
una de ellas, y se establece un criterio de optimizacin sobre dicho funcional que
se ajuste a los objetivos del control. Inclusive, pueden incluirse tambin las
restricciones del misma (rangos de operacin de variables, de las acciones de
control y del sistema), produciendo una accin de control ptima segn el criterio
establecido, sujeta a las restricciones presentes en el proceso. Este ltimo aspecto
es su principal fortaleza frente a controladores convencionales como el PID. El
mejor representante de este tipo de control, por la gran aceptacin que ha tenido
en el campo del control de procesos Control Predictivo por Modelo (Model
Predictive Control o MPC). El sistema utiliza un modelo matemtico del proceso
para predecir el comportamiento del sistema en el futuro frente a posibles
acciones de control a aplicar. Se define un horizonte de prediccin (tiempo sobre
el cual se evalan las posibles respuestas del sistema) y un horizonte de control
(tiempo sobre el que las acciones de control pueden variar y despus del cual se
mantienen constantes). Se determina la accin de control ptima a aplicar al
sistema para lograr la respuesta deseada del sistema dentro del horizonte de
prediccin previsto, tanto para la accin de control en el instante presente como en
los futuros instantes de muestreo. A pesar de definirse varias acciones de control
(actual y futuras) solamente se aplica la actual, ya que en el prximo intervalo de


control se vuelve a repetir el mismo clculo. El sistema ms difundido es el que
usa un modelo lineal para el sistema (LMPC), tanto por la facilidad de implantacin
como por la posibilidad de ajustar el modelo en distintos instantes del proceso
usando cualquiera de los mtodos de identificacin de sistemas conocidos.
Aplicaciones industriales de esta tcnica de control pueden encontrarse en.
Control Robusto: Consiste en definir una estructura de control que tenga un
desempeo acorde a las especificaciones del sistema, independientemente de las
perturbaciones a las que est expuesto. A nivel acadmico, los mayores
desarrollos en torno a este tema tienen relacin con el Control ptimo. Sin
embargo, otro buen ejemplo que s ha sido aplicado a nivel industrial es el Control
por Modelo Interno (Internal Model Control o IMC). Este sistema de control
tambin ha tenido buena aceptacin industrial, debido a que el controlador
resultante puede asimilarse a un control PID. Tal como en MPC, este control
incorpora un modelo matemtico de la planta, pero en este caso se usa para
compensar la dinmica modelable y no modelable de planta. Aunque las acciones
de control que pueden lograrse con sistemas de control robusto son ms
cautelosas que las que resultan de otros sistemas, con un buen ajuste del
controlador se pueden lograr sistemas que cumplan ambas prestaciones.
Control Adaptivo, Adaptativo o Adaptable (Adaptive Control): Este sistema
de control es apropiado para sistemas que sean variantes en el tiempo. Aunque
dentro de esta categora podran colocarse los PID autoajustables, el concepto
es mucho ms amplio, ya que suelen incorporar tcnicas de identificacin de
parmetros por mnimos cuadrados u otras tcnicas propias del sistema
resultante. Una de las estrategias de control ms conocidas dentro de este tipo de
control es el Control Adaptivo por Modelo de Referencia (Reference Model
Adaptive Control o RMAC).
Se define un modelo con una dinmica como la que gustara que tenga el sistema.
El objetivo del sistema de control es disponer de un sistema de lazo cerrado cuyos
parmetros puedan ajustarse para establecer el tipo deseado de respuesta del
sistema (la que se tendra si el sistema fuese igual al modelo de referencia).
Control Neuronal: Las Redes Neuronales (Neural Networks) son
estructuras matemticas que procuran representar la informacin en forma similar
a como se estructura en nuestro cerebro. El objetivo de usar redes neuronales es
disponer de un sistema que se comporte como una caja negra que pueda emular
el comportamiento de un sistema. Para ello, se requiere de una etapa de
entrenamiento (donde se ingresa informacin disponible del sistema procurando
que la red aprenda lo que se le quiere ensear) y una de validacin (donde se
contrasta el aprendizaje de la red con otros datos disponibles del sistema que no
se utilizan para el entrenamiento). Cuando la red ha aprendido, se la puede
utilizar tal como si se operara con el sistema real. En el caso de Control Neuronal
(Neural Control), se pueden generar datos que representen condiciones del
proceso y acciones de control que lleven al sistema a los valores deseados.
Incorporando esa informacin al aprendizaje de la red, podra lograrse que el


sistema emule tales condiciones. Este sistema requiere que el proceso de
entrenamiento incluya todo el espectro posible de situaciones a las que podra
estar expuesto el sistema, ya que si se llegase presentar una condicin que no fue
considerada durante la etapa de entrenamiento, no puede asegurarse que el
sistema responda en la forma esperada. Por tanto, la parte ms crtica es la
seleccin de datos adecuados para el entrenamiento de la red. En esta etapa se
puede encontrar combinado con otras tcnicas, como es el caso de sistemas
neuro-fuzzy, que emplean lgica difusa para poder establecer la seleccin de
datos a utilizar en el entrenamiento.
El presente texto pretende ser un abre bocas para las nuevas generaciones de
ingenieros cuya pasin es el control avanzado de procesos, se pretende mostrar
con referencias algunas de estas estrategias mencionadas. ..
. B i e n v e n i d @ s ! al curso sistemas avanzados de control.


INDICE DE CONTENIDO

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO.................................................... 3
INTRODUCCIN ......................................................................................................................... 5
UNIDAD 1. GENERALIDADES DEL CONTROL AVANZADO............................................................... 20
CAPITULO 1. EVOLUCIN EN LOS SISTEMAS DE CONTROL........................................................ 21
Introduccin......................................................................................................................... 21
Leccin 1. Automatizacin de plantas industriales ............................................................ 22
Leccin 2. Controlador Lgico Programable...................................................................... 30
Leccin 3. Sistema de control distribuido.......................................................................... 32
Leccin 4. Aplicaciones de control por computador ......................................................... 35
Leccin 5. Nuevas vas de comunicacin........................................................................... 39
CAPITULO 2. DISEO MEDIANTE VARIABLES DE ESTADO.......................................................... 44
Introduccin......................................................................................................................... 44
Leccin 6. Observadores de estado................................................................................. 44
Leccin 7. Observador de orden completo........................................................................ 45
Leccin 8. Diseo de observadores de orden completo.................................................... 49
Leccin 9. Observador de orden reducido......................................................................... 64
Leccin 10. Observador para sistemas MIMO.................................................................. 73
CAPITULO 3. CONTROL PTIMO............................................................................................. 80
Introduccin......................................................................................................................... 80
Leccin 11. Generalidades del control ptimo continuo y discreto.................................... 80
Leccin 12. Control LQ de Horizonte Infinito.................................................................. 100


Leccin 13. Solucin del problema de horizonte infinito............................................ 101
Leccin 14. Principio mximo de Pontryaguin................................................................. 102
Leccin 15. Estimacin de Estado con el Filtro de Kalman............................................... 107
Fuentes Documentales de la Unidad 1............................................................................ 113
UNIDAD 2. TCNICAS AVANZADAS DE CONTROL I ...................................................................... 116
CAPITULO 1. TCNICAS AVANZADAS EN LOS SISTEMAS DE CONTROL ..................................... 117
Introduccin....................................................................................................................... 117
Leccin 1. Control en adelanto (feedforward)................................................................. 118
Leccin 2. Control en cascada......................................................................................... 123
Leccin 3. Control de relacin (ratio control) .................................................................. 131
Leccin 4. Mezcla de productos (Blending) ..................................................................... 135
Leccin 5. Control selectivo............................................................................................ 139
CAPITULO 2. IDENTIFICACIN DE SISTEMAS DINMICOS........................................................ 146
Introduccin....................................................................................................................... 146
Leccin 7. Estructura y clasificacin de los modelos........................................................ 148
Leccin 8. Modelos para sistemas invariantes en el tiempo............................................ 150
Leccin 9. Mtodos de visin global ............................................................................... 155
Leccin 10. Mtodo de estimacin por mnimos cuadrados generalizado (GLS) ........... 164
CAPITULO 3. CONTROL DIFUSO.................................................................................................. 166
Introduccin....................................................................................................................... 166
Leccin 11. Historia de la lgica borrosa. ........................................................................ 167
Leccin 12. Conjunto borroso......................................................................................... 170
Leccin 13. Operaciones con conjuntos borrosos............................................................ 172
Leccin 14. El control borroso........................................................................................ 175
Leccin 15. Aplicaciones de la lgica borrosa.................................................................. 182


UNIDAD 3. TCNICAS AVANZADAS DE CONTROL II ..................................................................... 189
CAPITULO 1. CONTROL ADAPTATIVO..................................................................................... 190
Introduccin....................................................................................................................... 190
Leccin 1. Sistemas de control adaptativo ...................................................................... 190
Leccin 2. Controladores adaptativos con modelo de referencia (MRAC)........................ 194
Leccin 3. Mtodo de Lyapunov ..................................................................................... 197
Leccin 4. Mtodo de hiperestabilidad........................................................................... 200
Leccin 5. Estructura general de los sistemas adaptativos (MRAC).................................. 201
CAPITULO 2. REDES NEURONALES ARTIFICIALES..................................................................... 206
Introduccin....................................................................................................................... 206
Leccin 6. Funcionamiento de una neurona biolgica. .................................................... 207
Leccin 7. Caractersticas de una red neuronal artificial ................................................. 214
Leccin 8. Principales tipos de redes neuronales ............................................................ 227
Leccin 9. Backpropagation............................................................................................ 232
Leccin 10. Aprendizaje asociativo................................................................................. 234
CAPITULO 3. CONTROL PREDICTIVO....................................................................................... 243
Introduccin....................................................................................................................... 243
Leccin 11. Fundamentos del control predictivo............................................................. 243
Leccin 12. Ventajas e desventajas del Control Predictivo .............................................. 245
Leccin 13. Elementos del Control Predictivo: ................................................................ 246
Leccin 14. Algoritmos................................................................................................... 249
Leccin 15. Restricciones y tendencias en Control Predictivo......................................... 251


LISTADO DE TABLAS
Tabla 2 1 Tabla de reglas aplicadas............................................................................................. 177

Tabla 3 1 Funciones de Transferencia......................................................................................... 220


LISTADO DE GRFICOS Y FIGURAS

Unidad 1.
Figura 1. 1 Instrumentos instalados en campo ............................................................................. 22
Figura 1. 2 Paneles con instrumentos analgicos.......................................................................... 23
Figura 1. 3 SP modificado por el operador.................................................................................... 24
Figura 1. 4 SP modificado por el computador ............................................................................... 25
Figura 1. 5 Sustitucin de un lazo de control analgico por otro tipo DDC.................................... 26
Figura 1. 6 Diagrama en bloques de configuracin twin computer ............................................... 28
Figura 1. 7 Diagrama en bloques de Seguridad en el control por medio de back up...................... 29
Figura 1. 8 Elementos de un Sistema de Control Distribuido (SCD................................................. 33
Figura 1. 9 Consola de Operacin................................................................................................. 34
Figura 1. 10 Controladores analgicos efectuando control independiente.................................... 36
Figura 1. 11 Cierre del lazo hecha por el operador........................................................................ 37
Figura 1. 12 Sistema de control ON LINE...................................................................................... 38
Figura 1. 13 Sistema de control ON LINE en LAZO CERRADO......................................................... 39
Figura 1. 14 Sistema de control utilizando fielbus......................................................................... 42
Figura 1. 15 Diagrama en bloques de un observador del orden completo..................................... 47
Figura 1. 16 Diagrama en bloques de un observador del orden reducido...................................... 64
Figura 1. 17 Posibles trayectorias de 1 al 8................................................................................... 82
Figura 1. 18 Pndulo invertido ..................................................................................................... 91
Figura 1. 19 Esquema del lazo del sistema del pndulo invertido ................................................. 92
Figura 1. 20 Respuesta ante una entrada escaln unitario con control LQR. ................................. 97
Figura 1. 21 Respuesta corregida ante una entrada escaln unitario con control LQR................... 99
Figura 1. 22 Respuesta Ganancia del estimador versus el tiempo............................................... 111


Unidad 2.
Figura 2. 1 Diagrama en bloques del control feedforward .......................................................... 119
Figura 2. 2 Diagrama de un intercambiado de calor.................................................................... 120
Figura 2. 3 Diagrama de un intercambiado de calor con compensacin dinmica....................... 122
Figura 2. 4 Diagrama de un intercambiado de calor con compensacin dinmica....................... 123
Figura 2. 5 Diagrama tpico de nivel de un tanque para el ejemplo del control en cascada ......... 124
Figura 2. 6 Aplicando control en cascada.................................................................................... 125
Figura 2. 7 Diagrama en bloques aplicando el control en cascada en el nivel de un tanque ........ 126
Figura 2. 8 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de
destilacin ................................................................................................................................. 127
Figura 2. 9 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de
destilacin ................................................................................................................................. 127
Figura 2. 10 Diagrama de control de combustin de un horno ................................................... 129
Figura 2. 11 Diagrama de control de sistemas con tres controladores en cascada...................... 129
Figura 2. 12 Diagrama de control de sistemas con tres controladores en cascada...................... 130
Figura 2. 13 Diagrama de un absorbedor en el que se elimina SH
2
utilizando como absorbente
Mono Etanol Amina (MEA)......................................................................................................... 132
Figura 2. 14 Sistema feedforward aplicado al absorbedor ......................................................... 133
Figura 2. 15 Sistema de relacin caudal parcial a caudal total..................................................... 134
Figura 2. 16 Sistema de control para relacin de mezcla............................................................ 135
Figura 2. 17 Sistema de control para blending........................................................................... 136
Figura 2. 18 Diferentes fases que componen el desarrollo.......................................................... 138
Figura 2. 19 Control selectivo Anti reset windup......................................................................... 141
Figura 2. 20 Control selectivo override...................................................................................... 141
Figura 2. 21 Control override para medida de caudal de LPG...................................................... 143
Figura 2. 22 Comportamiento del control override para la medida del caudal de LPG ................ 143


Figura 2. 23 Sistema de control override entre presin nivel en los equipos situados en cabeza de
una columna desetanizadora ..................................................................................................... 144
Figura 2. 24. Respuesta al escaln de un sistema de primer orden con retardo.......................... 156
Figura 2. 25 Respuesta al escaln de un integrador .................................................................... 158
Figura 2. 26 Respuesta de un sistema de 2do orden................................................................... 158
Figura 2. 27 Evaluacin de la respuesta sinusoidal...................................................................... 161
Figura 2. 28 Anlisis de la respuesta frecuencial con tcnicas de correlacin.............................. 162
Figura 2. 29 Jan Likasiewicz ........................................................................................................ 168
Figura 2. 30 Lofti A. Zadeh.......................................................................................................... 168
Figura 2. 31 E.H. Mamdani ......................................................................................................... 169
Figura 2. 32 Subconjunto borroso .............................................................................................. 171
Figura 2. 33 Forma grfica del conjunto gente joven ................................................................. 172
Figura 2. 34 A Intervalo borroso entre 5 y 8............................................................................... 173
Figura 2. 35 B nmero borroso en torno a 4............................................................................... 173
Figura 2. 36 Operacin AND....................................................................................................... 174
Figura 2. 37 Operacin OR ......................................................................................................... 174
Figura 2. 38 Operacin negacin................................................................................................ 174
Figura 2. 39 Funciones pertenecientes al conjunto borroso velocidad....................................... 175
Figura 2. 40 Funciones pertenecientes al conjunto borroso ngulo ........................................... 176
Figura 2. 41Funciones pertenecientes al conjunto borroso velocidad angular ............................ 176
Figura 2. 42 Funciones pertenecientes al ngulo actual ............................................................. 177
Figura 2. 43 Funciones pertenecientes a velocidad angular actual ............................................. 178
Figura 2. 44 Conjunto cero, variable lingstica "ngulo" y ngulo actual ................................... 178
Figura 2. 45 Conjunto borroso cero ngulo de 0.75.............................................................. 178
Figura 2. 46 Funciones pertenecientes a velocidad angular actual .............................................. 179
Figura 2. 47 Valor real pertenece al conjunto borroso "cero" en un grado de 0.4 ....................... 179


Figura 2. 48 Operacin lgica AND ............................................................................................ 180
Figura 2. 49 Resultado de la regla negativa baja...................................................................... 180
Figura 2. 50 Resultado de la regla positiva baja....................................................................... 181
Figura 2. 51Resultado de la regla velocidad cero..................................................................... 181
Figura 2. 52 Resultado de las reglas solapadas ........................................................................... 181
Figura 2. 53 Conjunto borroso de velocidad............................................................................... 182
Figura 2. 54 Herramienta EDIMED............................................................................................. 186
Unidad 3.
Figura 3. 1 Sistema con control adaptativo................................................................................. 191
Figura 3. 2 Sistema con mecanismo de adaptacin..................................................................... 194
Figura 3. 3 Sistema de primer orden.......................................................................................... 199
Figura 3. 4 Simulacin proceso de primer orden 1=0.1 ............................................................. 202
Figura 3. 5 Simulacin proceso de primer orden 1=0.5 ............................................................. 203
Figura 3. 6 Representacin equivalente del modelo de error...................................................... 204
Figura 3. 7 Sistema adaptativo por modelo de referencia paralelo ............................................. 205
Figura 3. 8 Neuronas Biolgicas.................................................................................................. 208
Figura 3. 9 Cambios asociativos de las fuerzas sinpticas durante el aprendizaje........................ 209
Figura 3. 10 Comunicacin entre neuronas ................................................................................ 211
Figura 3. 11 Proceso qumico de una sinpsis............................................................................. 213
Figura 3. 12 Neurona Artificial.................................................................................................... 214
Figura 3. 13 De la neurona biolgica a la neurona artificial......................................................... 214
Figura 3. 14. Estructura de una red neuronal.............................................................................. 215
Figura 3. 15 Neurona de una sola entrada.................................................................................. 217
Figura 3. 16 Funcin de transferencia Hardlim........................................................................... 218
Figura 3. 17 Funcin de transferencia Hardlims.......................................................................... 218


Figura 3. 18 Funcin de transferencia lineal ............................................................................... 219
Figura 3. 19 Funcin de transferencia sigmoidal ......................................................................... 219
Figura 3. 20 Neurona con mltiples entradas ............................................................................. 221
Figura 3. 21 Neurona con mltiples entradas, notacin abreviada.............................................. 222
Figura 3. 22 Capa de S neuronas ................................................................................................ 223
Figura 3. 23 Capa de S neuronas con notacin abreviada ........................................................... 223
Figura 3. 24 Red de tres capas.................................................................................................... 224
Figura 3. 25 Red de tres capas con notacin abreviada............................................................... 224
Figura 3. 26 Redes Recurrentes.................................................................................................. 225
Figura 3. 27 Bloque de retardo................................................................................................... 226
Figura 3. 28 Bloque integrador................................................................................................... 226
Figura 3. 29 Clasificacin de las Redes Neuronales ..................................................................... 227
Figura 3. 30 Modelo del Fotoperceptrn de Rosenblatt.............................................................. 228
Figura 3. 31Esquema de conexiones de un Perceptrn sencillo .................................................. 229
Figura 3. 32 Perceptrn segn Minsky y Papert.......................................................................... 230
Figura 3. 33 Perceptrn.............................................................................................................. 231
Figura 3. 34 Circuito Elctrico red Hopfield................................................................................. 241


UNIDAD 1
Nombre de la
Unidad
Generalidades del control avanzado

Introduccin
El presente curso inicia con una explicacin de la
evolucin que ha tenidos los de diversos sistemas de
control. Seguido de los diferentes mtodos utilizados en el
diseo de sistemas de control mediante variables de
estado. Tambin se pretende profundizar la seleccin de
las variables de control, tales que maximizan o minimizan
un ndice de optimizacin determinado, dentro de los
enlaces, puesta sobre las variables de control que
frecuentemente no son las variables independientes y
dentro de las limitaciones propias del sistema.

Justificacin
La necesidad actual de los futuros profesionales de la
ingeniera, requiere ingenieros que conozcan y
comprendan, adems de las tcnicas de control, a su vez
los diversos procesos encaminados a una mayor
eficiencia y calidad de los sistemas y de sus procesos de
control.

Intencionalidades
Formativas
Se pretende en la siguiente unidad que los estudiantes
conozcan y comprendan cambios y evolucin que ha
tenido los sistemas de control hasta el fa de hoy.

Conocer diferentes mtodos de diseo de sistemas de
control en el espacio de estados desarrollando
competencias para el modelado de sistemas de control
usando variable de estado.

Obtener las bases necesarias para entender los
conceptos generales de optimalidad, ndice de
desempeo y control ptimo, aprehendiendo a usar
diversas tcnicas de diseo de control ptimo con la
finalidad de optimizar el desempeo de un sistema

Denominacin de
captulos
Capitulo 1.1 Evolucin en los sistemas de control

Capitulo 1.2 Diseo mediante variables de estado

Capitulo 1.3 Control ptimo


UNIDAD 1. GENERALIDADES DEL CONTROL AVANZADO


CAPITULO 1. EVOLUCIN EN LOS SISTEMAS DE CONTROL

Introduccin

En las primeras plantas de procesamiento de fluidos del siglo pasado, el control de
procesos requera frecuentemente de muchos operadores, quienes circulaban
continuamente alrededor de cada unidad de proceso observando los instrumentos
locales y manipulando las vlvulas. Las operaciones generales de la planta
requeran que los operadores realizaran un tour a la planta registrando
manualmente los parmetros de importancia. Posteriormente, y tras efectuar los
clculos matemticos apropiados, el operador hacia un segundo tour, ajustando
los controles.

Con la transmisin de las seales neumticas, nacieron las primeras salas de
control, donde se trasladaron los indicadores a un lugar central, junto con los
controladores que transmitan seales de vuelta hacia las vlvulas. En ese
entonces, las lecturas se realizaban en grandes indicadores locales y los
operadores ajustaban los controles neumticos en la sala de control.

Luego de la Segunda Guerra Mundial, los controladores electrnicos empezaron a
aplicarse industrialmente y aparecieron nuevos tipos de sensores para medir
parmetros anteriormente no medibles. Asimismo, los computadores se volvieron
ms baratos y confiables, y los controladores se hicieron ms pequeos,
permitiendo su instalacin en paneles. A su vez, las salas de control se tornaron
ms comunes y complejas.

Las tecnologas de video y su habilidad para desplegar datos y permitir al
operador iniciar acciones de control, hicieron posible las entradas del control
distribuido. Entonces, la sala de control pudo proveer informacin centralizada sin
tener que centralizar todo el procedimiento, disminuyendo as los riesgos
asociados, al reducir costos y complejidad de cableado.

De este modo, los tradicionales recorridos de los operadores dejaron de ser
necesarios, ya que con sus dedos, podan acceder a las pantallas de un
controlador (o de un grupo de ellos), hacer cambios de Set Point fcilmente desde


el teclado y si existan condiciones fuera de lo normal, responder a cualquier
alarma.

A continuacin se presenta una descripcin la evolucin en los sistemas de
control, desde la automatizacin de plantas industriales, el controlador lgico
programable, los sistemas de control distribuido, las aplicaciones de control OFF
LINE y nuevas vas de comunicacin en plantas industriales.

Leccin 1. Automatizacin de plantas industriales

Seccin 1. Evolucin en los elementos de control

En los primeros tiempos de la industrializacin las plantas eran supervisadas y
controladas manualmente, basndose en las indicaciones de instrumentos
instalados en campo, como se muestra en la Figura 1.1 La supervisin requera
que el operador estuviera en la planta para llevar a cabo el control manual directo
del proceso.

Figura 1. 1 Instrumentos instalados en campo

Desarrollos posteriores en la instrumentacin, tal como sensores con posibilidad
de transmitir las principales variables de proceso (temperatura, presin, nivel,
caudal), as como controladores mecnicos, hidrulicos y neumticos, contribuyen
en loa aos cuarenta a la automatizacin gradual de las plantas. La tendencia de


automatizacin continu durante los aos cincuenta al aparecer los instrumentos
electrnicos. Todo ello condujo a la centralizacin en salas donde se ubicaron los
elementos necesarios para llevar a cabo la supervisin y control. La Figura 1.2
muestra dos paneles con instrumentos analgicos de diferentes tamaos de
acuerdo a ala evolucin en al tecnologa.

Figura 1. 2 Paneles con instrumentos analgicos

A mediados de los aos veinte se utiliz en la industria el control todo-nada, y al
final de los aos veinte el control proporcional. Los controladores con acciones
proporcional, integral y derivativa fueron de uso comn en los aos treinta. Los
valores de referencia (puntos de ajuste o SP), podran ser fijados por el operador
de planta. La necesidad de comprender los problemas inherentes al ajuste o
sintona de los controladores PID, hizo que apareciera la simulacin del lazo de
control. Este fue el principio de la teora sobre sistemas de control. Para el ajuste
de los parmetros de control se empezaron a utilizar alas reglas de Ziegler
Nichols, basadas en la sensibilidad del lazo de control.

Seccin 2. Automatizacin basado en computador (Controles SPC y DDC)

La posibilidad de utilizar computadores digitales para el control de procesos
apareci en la mitad de los aos cincuenta, aunque fue realmente a finales de esa
dcada cuando se desarroll esta alternativa de control. Desde entonces el
computador para control de procesos ha evolucionado a travs de diferentes
etapas de desarrollo que en <<Distributed Computer Control>> aparecen
identificadas como:


Etapa inicial 1958 a 1964
Computador centralizado 1965 a 1970
Minicomputador 1971 a 1975
Control distribuido Desde 1975

Durante mucho tiempo los computadores eran demasiado grandes, lentos, caros e
inseguros desde el punto de vista de funcionamiento. Debido a la falta de
seguridad solamente podan utilizarse para realizar control supervisorio, es decir,
clculo de puntos de ajuste de controladores tradicionales con tecnologa
analgico, conectados directamente al proceso. Para llevar a cabo el control
supervisorio se pueden utilizar dos procedimientos:

SP modificado por el operador. En este modo, el computador simplemente
suministra el operador de planta los datos para fijar los puntos de ajuste de
controladores analgicos, tal como aparece en la Figura 1.3.

Figura 1. 3 SP modificado por el operador


SP modificado por el computador. En este modo, el computador fija
automticamente los valores de los puntos de ajuste (control SPC o Set
Point Control) tal como aparece en la Figura 1.4.

Al tratarse de modificar puntos de ajuste de controladores analgicos, el control
supervisorio suele ejecutarse con una frecuencia comprendida entre uno y varios
minutos.

La siguiente fase consisti en la utilizacin de computadores para sustituir a los
controladores tradicionales. Con esto empez una nueva era en el control de
procesos, aunque las funciones del sistema de control seguan siendo las mismas,
basado en el comportamiento del lazo de control PID. Al sustituir al controlador
analgico, computador tena que mover directamente el elemento final de control,
por lo que se utiliz el trmino DDC (Direct Digital Control), para poner nfasis en
que el computador controla directamente el proceso.

Figura 1. 4 SP modificado por el computador

La tcnica DDC consiste esencialmente en sustituir los controladores analgicos
por un computador digital, el cual realiza las mismas funciones de control. La


Figura 5 muestra la sustitucin de un lazo de control analgico por otro tipo DDC.
La frecuencia de ejecucin de los algoritmos es similar a las utilizadas por el
control supervisorio.

Figura 1. 5 Sustitucin de un lazo de control analgico por otro tipo DDC

El valor de proceso, medido por el sensor, se muestrea cclicamente y, despus
de la conversin de seal analgica a digital, se introduce al algoritmo de control.
El valor de salida calculado se enva al elemento final de control despus de
pasar el convertidor de seal digital a analgica.

Si se compara con el control analgico convencional, el control DDC introdujo una
serie de ventajas, entre las que se pueden citar:

Fcil configuracin y reconfiguracin de los lazos de control.
Introduccin sencilla de nuevos lazos de control.
Posibilidad de realizar algoritmos de control avanzado.
Clculos basados en modelos para obtener valores ptimos en los puntos
de ajuste de los lazos existentes en el computador.


Por el contrario, las desventajas ms importantes del control digital, utilizando un
solo computador, se puede decir que son:

Baja seguridad del sistema. El fallo del computador provoca el fallo de
todos los lazos de control.
Altos costes en inversin, mantenimiento y personal, incluyendo costes de
programacin.
Sobrecarga del procesador (Central Process Unit), cuando el computador
tiene que manejar otros procesos de clculo adems del control DDC.

Las dificultades tcnicas para llevar a cabo la programacin ocasionaron serios
problemas, por lo que el nmero de instalaciones aumentaba relativamente
despacio. Estas dificultades fueron reducidas utilizando herramientas tipo fill in the
blanks (rellenar espacios en blanco) y block oriented programming (programacin
por bloques). El usuario de estas herramientas no necesita tener conocimientos de
programacin, simplemente introduce datos de entrada, salidas, tipos de
regulador, escalas, etc., en espacios previamente formateados.

Sin embargo la relativamente poca seguridad de los computadores retras su
progreso en el rea de control DDC durante muchos aos, hasta que los avances
en la tecnologa de semiconductores consiguieron hacer ms baratos, pequeos y
rpidos y seguros los computadores. Apareci el trmino minicomputador para
designar este tipo de computador, el cual hizo posible el incremento de sistemas
basados en control DDC.

Seccin 3. Seguridad en el control por medio de back up

Posteriores innovaciones en la tecnologa de computadores solucionaron muchas
de las desventajas mencionada anteriormente. Una gran innovacin fue el twin
computer concept (computador gemelo), en el que un computador de reserva
(back up), realiza las mismas funciones que le principal y en caso de fallo de ste
asume sus tareas. La Figura 1.6 representa un diagrama de bloques con la
configuracin de este tipo.


Figura 1. 6 Diagrama en bloques de configuracin twin computer

El concepto de computadores en paralelo convenci a los escpticos para utilizar
control digital como equivalente del control analgico. Posteriormente una
variedad de conceptos de seguridad adicional, como el de la Figura 1.7, hicieron
que los computadores para control DDC fueran ampliamente aceptados, antes de
llegar los sistemas de control distribuido.

En la Figura 1.7 aparece un lazo de control en el que se muestre el concepto de
seguridad con un controlador analgico de back up para sustituir el computador
ante fallo de ste. Este concepto incluye tres posibles modos de operacin.


Figura 1. 7 Diagrama en bloques de Seguridad en el control por medio de back up

Computador (C). Tambin denominado DDC. En este modo el ordenador
realiza las funciones de control.
Automtico (A). El control analgico de back up lleva a cabo todas las
funciones de control.
Manual (M). El operador acta directamente sobre el elemento final. El
sistema de control acta en lazo abierto.

Tanto el valor de la variable de proceso, medida por el sensor, como el punto de
ajuste fijado por el operador, son transferidos simultneamente al ordenador y al
controlador back up. Para un valor de punto de ajuste dado, el computador calcula
la salida hacia el elemento final de control. En caso de fallo del computador, el
controlador pasa instantneamente al modo automtico. El controlador de reserva
contina con el control a partir del ltimo valor de salida calculado por el
computador, porque el controlador estaba realizando seguimiento del valor de
salida para que el cambio se realice sin salto (bumpless) en la salida. De igual
manera, el computador est leyendo el valor de salida cuando el modo de control
es manual o automtico.


Por ltimo, en caso de fallo del computador, si el operador prefiere cambiar el
modo de operacin a manual, slo tiene que pasar el selector de modos al
correspondiente a ste y situar el elemento final en la posicin deseada. Despus
de solucionar el fallo, el ordenador toma automticamente el valor de salida para
realizar el cambio sin saltos.

Leccin 2. Controlador Lgico Programable

Seccin 1. El controlador lgico programable

La aplicacin de minicomputadores no fue una solucin econmicamente rentable
para muchos problemas de control, sobre todo si se utilizaban para realizar
secuencias lgicas que tradicionalmente se implementaban con sistemas de rels.
En los aos sesenta, General Motors realiz la especificacin apara el diseo de
un nuevo controlador programable que redujera los costes de instrumentacin y
eliminase una serie de problemas relacionados con los rels.

El nuevo controlador especificado deba estar basado en tecnologa de
computador, ser programable y reprogramable, as como fcil de mantener y
reparar. Adems deba ser robusto, seguro en su funcionamiento y ms pequeo y
barato que los sistemas equivalentes de rels. Esta especificacin se refera
solamente a problemas de control secuencial utilizado en procesos discontinuos.
En base a las razones expuestas en la especificacin, el controlador se denomin
Programable Logic Controller (PLC). El primer PLC apareci al final de los aos
sesenta con unas prestaciones limitadas, puesto que slo se trataba de sustituir a
los sistemas de rels.

Con la introduccin de los microprocesadores, a principios de los aos setenta,
cambi radicalmente la tecnologa, desarrollndose los controladores con tal
rapidez que pronto pudieron manejar un gran nmero de instrucciones. La
comunicacin o interfase con el operador tambin evolucion, apareciendo los
terminales grficos de pantalla con tubos de rayos catdicos (CRT). En la
siguiente dcada de evolucin, todos los aspectos de dise se modificaron,
fundamentalmente por el desarrollo en la tecnologa de comunicaciones.


Utilizando uniones (links), para comunicacin de datos los controladores
programables se pudieron integrar formando sistemas automticos complejos.

Seccin 2. Computador para control distribuido

A mediados de los setenta, los microprocesadores fueron incorporados a un gran
nmero de equipos de control. En muchas plantas industriales estos equipos
sustituyeron a controladores basados en hardware analgico. Como consecuencia
aparecieron los sistemas DDC basados en microprocesador, ms pequeos que
los anteriores minicomputadores y equipados con pantallas grficas (displays). Si
a esto se suma el progreso en la tecnologa de comunicaciones, se llega a la
estructura de control distribuido. El primer sistema de control distribuido fue
anunciado por Honeywell en 1975, un sistema de control jerrquico con un gran
nmero de microprocesadores con tareas especficas asignadas a cada uno de
ellos.

Durante este tiempo, especialmente a principios de los ochenta, las normas
internacionales tendieron a la compatibilidad e intercambiabilidad del hardware y
software. Los sistemas de interfase para computadores fue un elemento
fundamental de este desarrollo. Estructuras para soporte de tarjetas y buses para
corta y larga distancia (incluyendo la red de rea local), fueron normalizados y
aceptados como una solucin para el diseo de sistemas complejos de control
distribuido. Adems, el concepto de modularidad tanto en hardware como en
software disminuy los costes de desarrollo. La normalizacin de aplicaciones de
software para control de plantas y acondicionamiento de seales cre algunos
paquetes fciles de aplicar, tales como:

Acondicionamiento de seales de entrada.
Linealizacin y filtrado de seales.
Asignacin de lmites y alarmas.

Estas funciones fueron incorporndose en los equipos como <<librera de
funciones>>.


Leccin 3. Sistema de control distribuido

Seccin 1 Descripcin general

De forma simplificada, un Sistema de Control Distribuido (SCD), consta de tres
elementos fundamentales, tal como aparece en la Figura 8, y que son:

Interfase al Proceso.
Interfaz al Operador.
Va de datos.

Interfase al Proceso

Suele haber dos tipos de equipos para realizar la interfase con el Proceso. Uno de
ellos, denominado habitualmente controlador, se dedica al procesamiento de lazos
de control con entrada, procedente de elementos de medidas, y salida hacia
elementos finales, mientras que otro mdulo se dedica al procesamiento de
entradas que no necesariamente realizar funciones de control, tal como
indicaciones. Entre los ltimos suele haber equipos especializados en
determinados tipos de entradas siendo el ms habitual el que procesa
temperaturas, conocido como multiplexor.


Figura 1. 8 Elementos de un Sistema de Control Distribuido (SCD

Algunos mdulos del sistema tienen la posibilidad de programacin adicional en
lenguajes de alto nivel (Basic, Fortran o lenguajes especializados), con posibilidad
de acceso directo a los parmetros de bloques de control. Esta particularidad da
una potencia considerable a los equipos, sobre todo si se va a realizar Control
Avanzado.

Interfaz al Operador

El sistema proporciona un medio de supervisar y manipular las Unidades de
Proceso desde la Sala de Control, a travs de una Consola de Operacin similar a
la que aparece en la Figura 1.9. Esta consola hace la funcin de interfaz entre el
operador y las Unidades. Todas las pantallas se encuentran unidas con los
armarios de control a travs de la va de datos o va de comunicacin.


Figura 1. 9 Consola de Operacin

Va de datos

El sistema dispone de una va principal para comunicacin de datos y otra de
reserva. Cada va est compuesta por un cable coaxial y toda la electrnica
asociada, por donde fluye la comunicacin a lo largo de todos los elementos del
sistema de control. Ante un fallo en la va principal, automticamente entra la de
reserva, sin afectar al control de la planta.

Seccin 2. Seguridad del sistema

La medida bsica de fiabilidad de un sistema se mide por el tiempo medio entre
fallos (MTBF). Para aumentar este tiempo medio entre fallos se utilizan las
tcnicas de redundancia. Se considera que un sistema es redundante cuando,
ante un fallo en una parte del mismo sigue funcionando correctamente, ya que el
elemento que falla es sustituido por otro de reserva. Antes de continuar conviene
decir que existen dos tipos de diseo para asegurar el control:

Conexin en paralelo redundante.
Conexin de un sistema y otro de reserva.


Con el primer procedimiento existen dos sistemas que procesan simultneamente
las entradas y salidas, comparando continuamente los resultados. La salida la
proporciona uno solo de ellos, como se vio en la Figura 6. El segundo
procedimiento se comporta de forma que slo el controlador principal est
procesando las entradas y salidas. Si falla este controlador considerado principal,
automticamente asume sus funciones otro controlador considerado como
reserva, encargndose este ltimo de procesar las entradas y salidas a partir del
momento del fallo.

Leccin 4. Aplicaciones de control por computador

De la misma manera que se produjo la evolucin en la automatizacin de plantas
industriales, lo hizo el diseo y utilizacin de aplicaciones de control por
computador. Los primeros computadores se utilizaban slo apara adquisicin de
datos de planta, evolucionando hasta llevar a acabo el control del proceso.

Seccin 1. Aplicaciones de control OFF LINE

En los principios de la automatizacin basada en computador, el operador de
planta tena que tomar lectura de las indicaciones e introducir los datos obtenido
en el computador. El computador se utilizaba para adquisicin y procesamiento
de datos con objeto de realizar balances de materia y energa, control de
produccin, etc. No se calculaban puntos de ajuste para controladores analgicos
ni salidas a elementos finales.

Los controladores analgicos seguan efectuando el control independientemente
de las tareas que realizara el computador, tal como aparece en la Figura 1.10.


Figura 1. 10 Controladores analgicos efectuando control independiente

Este tipo de aplicacin se utilizaba para tareas como gestin de la produccin,
conocindose con el nombre de OFF LINE en LAZO ABIERTO, puesto que ningn
valor calculado retornaba al proceso.

En la siguiente etapa de automatizacin de procesos, la funcin del computador
fue extendida al clculo de puntos de ajuste de controladores analgicos, as
como clculo de valores de salida a actuadores o elementos finales de control. Sin
embargo, en esta etapa de desarrollo los valores calculados de puntos de ajuste o
salidas eran introducidos a mano por el operador, por lo que el cierre del lazo lo
realizaba el operador, tal como se muestra en la Figura 1.11.


Figura 1. 11 Cierre del lazo hecha por el operador

Este tipo de control se utilizaba para tareas tales como planificacin de la
produccin conocindose como OFF LINE en LAZO CERRADO, puesto que los
datos calculados se enviaban como realimentacin al proceso, modificando el
operador los puntos de consigna necesarios en funcin de los datos suministrados
por el computador.

Las aplicaciones OFF LINE introducen un gran retraso e el control debido a la
intervencin humana, tanto para la toma de datos como apara la distribucin de
valores calculados a sus destinos, por lo que su utilizaciones muy limitada.

Seccin 2. Aplicaciones de control ON LINE

Al final de los aos cincuenta, los computadores fueron provistos de sistemas de
interface para captar los datos directamente de los instrumentos conectados al
proceso.


Por consiguiente no era necesaria la intervencin del operador de planta para
transferir los datos al computador. Sin embargo, el computador no enviaba los
datos calculados a los puntos de ajuste ni a los elementos finales de control, como
puede verse en la figura 1.12. Esta aplicacin todava se utiliza para automatizar
recogida de datos, control de calidad, optimizacin, et., conocindose con el
nombre de ON LINE en LAZO ABIERTO.

Figura 1. 12 Sistema de control ON LINE

El computador toma automticamente los datos, realiza los clculos previstos
encaminados a control u optimizacin y enva los resultados a una pantalla u
otro tipo de interface para el operador si lo considera oportuno, tome la accin
de modificar los puntos de ajuste o salidas a elementos finales de acuerdo a
los datos suministrados por el computador.

El primer ensayo para conectar directamente los elementos finales de control
con el ordenador se realiz a finales de los aos cincuenta. Aqu la
transferencia automtica de datos se realiza en ambas direcciones, por lo que
el operador slo necesita supervisar el funcionamiento del proceso. Este modo
en la Figura 1.13 y se conoce como control ON LINE en LAZO CERRADO.
ste es el nivel ms alto de control por ordenador de forma automtica, es
decir, sin intervencin del operador.


Figura 1. 13 Sistema de control ON LINE en LAZO CERRADO

Las aplicaciones ON LINE tambin llevan asociado un tiempo de retardo
importante, puesto que la elaboracin de los clculos puede tardar varias horas,
sobre todo si se trata de aplicaciones de optimizacin en lnea con funciones
objetivo que han de converger antes de suministrar los resultados.

Leccin 5. Nuevas vas de comunicacin

Hasta no hace mucho tiempo, las nicas vas de datos residan fundamentalmente
en las salas de control, para efectuar la comunicacin digital a partir de los
convertidores analgicos digitales existentes en las tarjetas de entrada a los
sistemas de control distribuido.

Seccin 1. Estndar de comunicacin digital


La lgica evolucin del mundo digital ha llegado hasta elementos de campo como
transmisores y posicionadores de vlvulas automticas, apareciendo la generacin
como elementos smart o inteligentes, la cual va sustituyendo progresivamente a la
comunicacin analgica de 4 a 20 mA. Para comunicacin de los nuevos
elementos con tecnologa digital aparecen las vas de datos campo (fielbus), con
diversos protocolos diseados por los fabricantes de instrumentos y equipos de
control, algunos de cuyos protocolos han desaparecido del mercado.

Con el objeto de unificar criterios y poder llegar a la intercambiabilidad de
elementos, a mediado de los aos ochenta se inicia el desarrollo de un estndar
de comunicacin digital entre elementos de campo y sistemas de control,
emitindose en 1993 el estndar IEC-1158 (internacional Electrotechnical
Commision), que define el nivel fsico de transmisin recepcin de datos en
trminos de velocidad de comunicacin, codificacin de la seal, nmero de
unidades en el bus, alimentacin, etc. Los protocolos basados en el estndar IEC-
1158 reciben el nombre genrico de Fielbus.

Seccin 2. FOUNDATION
TM
Fielbus

Es el nombre del protocolo creado por la organizacin de los principales
proveedores de todo el mundo implicados en el desarrollo del nuevo estndar
fielbus. Sin entrar en demasiado detalles, a continuacin se describen los
aspectos bsicos acerca de la composicin y funcionamiento del protocolo.

Nivel fsico

FOUNDATION
TM
Fielbus es una red de rea local (Local Area Network), para
comunicacin digital, que interconecta elementos de campo tales como
transmisores finales, teniendo la posibilidad de distribuir el control a travs de la
red. La red puede ser de cable de cobre, fibra ptica o incluso de comunicacin
por radio. La longitud del cable (bus) depende de la calidad o caractersticas del
mismo, por ejemplo, un par de cobre trenzado y apantallado puede alcanzar hasta
1.900 metros, mientras que el mismo par no apantallado alcanza 400 metros,
dependiendo adems de la velocidad de transmisin. La seal utilizada para
comunicacin a travs del bus se codifica con la tcnica Manchester Biphase-L.


El estndar permite conectar hasta un mximo de 32 elementos en un bus,
apareciendo una serie de restricciones en funcin de caractersticas tales como
tipo de alimentacin, tipo de seguridad intrnseca de la instalacin, etc. Por tal
motivo es necesario realizar un diseo de la topologa de la red con el objeto de
conocer el nmero de elementos que es posible conectar.

Sistema de comunicacin

Su funcin es la de controlar las transmisin de mensajes desde y hacia el fielbus
a travs del nivel fsico. Se realiza por medio de un programador determinista y
centralizado denominado Link Active Schedule (LAS).

Cuando un elemento tiene que proporcionar datos, el LAS manda que los emita
hacia el bus para ser utilizados por cualquier de los dispositivos conectados al
mismo.

Este sistema tambin es responsable de mantener la hora en el bus, para que
todos los dispositivos utilicen la misma.

Nivel de aplicacin del usuario

Este nivel estn definido a su vez por varios bloques para llevar a cabo las
diferentes tareas encomendas al fielbus.
AI Entrada analgica (Analog Input)
AO Salida analgica (Analog Output)
DI Entrada digital (Digital Input)
D0 Salida Digital (Digital Output)
PID Controlador (Proportional, Integral, Derivate)
RA Relacin (RAtio)
ML Estacin manual (Manual Loader)
CS Seleccin de control (Control Selector)


Los bloques pueden ser definidos para obtener la funcionalidad deseada. Por
ejemplo, una vlvula automtica puede contener un bloque PID y la salida
analgica (AO) correspondiente. Un transmisor puede contener una entrada
analgica (AI), de forma que el lazo de control se puede cerrar utilizando un
transmisor y una vlvula conectada al fieldbus, tal como se muestra la figura
1.14.

Figura 1. 14 Sistema de control utilizando fielbus

Ventajas e inconvenientes

En la actualidad no existen datos para avalorar exactamente el
comportamiento de estas vas de datos, por lo que se mencionan solamente
los beneficios potenciales, que por otra parte quedan desfasados rpidamente
por la evolucin tecnolgica. De acuerdo a estos criterios se enumeran
beneficios tales como:

Reduccin de costes de instalacin.
Menor coste de mantenimiento.
Ahorros operativos al gestionar mejor la instalacin.

Por el contrario existen una serie de inconveniente, entre los que se pueden citar:

No existe una tecnologa unificada entre los diversos buses de campo.


Incertidumbre sobre el futuro.
Al no existir elementos prefabricados, tales como armarios cableados, etc.,
no se pueden realizar comprobaciones del sistema hasta no esta instalado
en campo.
Intereses comerciales entre fabricantes de elementos de campo y sistemas
de control distribuido.


CAPITULO 2. DISEO MEDIANTE VARIABLES DE ESTADO

Introduccin

El mtodo de asignacin de polos es algo anlogo al mtodo del lugar de las
races ya que se colocan los polos en lazo cerrado en posiciones deseadas. La
diferencia bsica es que en el diseo en lugar de las races se sitan slo los
polos en lazo cerrado dominantes, mientras que el diseo por asignacin de polos
se colocan todos los polos en lazo cerrado en las posiciones que se deseen. En
este captulo se analiza los diferentes mtodos de diseo mediante variables de
estado. A continuacin se presenta se analiza el diseos de observadores de
estado tanto definiciones como diseos de observadores de orden completo,
observadores de orden reducido y observadores para sistemas MIMO.

Leccin 6. Observadores de estado

Un dispositivo (o un programa de computadora) que estima u observa las
variables de estado se llama observador de estado, o, simplemente, observador.
Si el observador de estado capta todas las variables de estado del sistema, sin
importar si algunas estn disponibles para una medicin directa, se denomina
observador de estado de orden completo. Hay ocasiones en las que un
observador tal no es necesario, en las que se requiere de la observacin de las
variables de estado que no se miden, pero no de aquellas que tambin se miden
directamente. Por ejemplo, dado que las variables de salida son observables y se
relacionan en forma lineal con las variables de estado, no necesitamos observar
todas las variables de estado, sino las n m variables de estado en las que n es
la dimensin del vector de estado y m es la dimensin del vector de salida. Un
observador que estima menos de n variables de estado, en donde n es la
dimensin del vector de estado, se denomina observador de estado de orden
reducido o, simplemente, observador de orden reducido. Si el observador de
estado de orden reducido tiene el orden mnimo posible, se denomina observador
de estado de orden mnimo, u observador de orden mnimo. En este capitulo
analizaremos el observador de estado de orden completo y el observador de
estado de orden reducido y observadores para sistemas MIMO (multiple input,
multiple output).


Los observadores de estado, son herramientas virtuales, que permiten estimar las
variables o estados de un sistema en base a mediciones de las seales de salida
y seales de control. Estos observadores permiten enviar informacin estimada
acerca del valor que toman dichos estados, permitiendo conocer un aproximado
del valor real, adems cuentan con muy poco margen de diferencia o error.

Se le considera una herramienta virtual, puesto que se desarrolla como software o
programa dentro de una computadora.

Seccin 1. Clasificacin

Existen 2 tipos de observadores: observadores de orden completo, y observadores
de orden reducido u orden mnimo.

Los observadores de orden Completo, son aquellos utilizados para observar
o estimar todos los estados de un sistema.

Los observadores de orden Reducido, son aquellos utilizados para observar
o estimar solo algunos estados de un sistema.

Leccin 7. Observador de orden completo

Dado el sistema:

Dx Cx y
Bu Ax x
+ =
+ = &
(1.1)


donde:
x Vector de estado (n x 1)
u Seal de control (escalar)
y Seal de salida (escalar)
A Matriz (n x n)
B Matriz (n x 1)
C Matriz (1 x n)
D Matriz (escalar)

Se puede estimar sus estados mediante la siguiente expresin:

) ( y y L Bu x A x + + =
&

donde:

L Vector de ganancias que permiten la observacin de estados (1 x n)
x Vector de estados estimados
y Salida estimada


Figura 1. 15 Diagrama en bloques de un observador del orden completo

Debe notarse que las matrices A, B, C, D son las mismas tanto para un sistema
real como para el sistema estimado. Para los clculos siguientes se asume que el
valor de D es cero.

La diferencia existente entre x y x se denomina error de observacin, y el trmino
) ( y y L se denomina factor de correccin.

Para determinar el error de observacin restamos x x
&
& , as se obtiene:

) )( (
) ( ) (
) ( ) (
) (
)) ( ( ) (
x x LC A x x
x x LC x x A x x
x C Cx L x x A x x
y y L x A Ax x x
y y L Bu x A Bu Ax x x
=
=
=
=
+ + + =
&
&
&
&
&
&
&
&
&
&


Si se sabe que el error esta definido como la diferencia entre el estado real y el
estado estimado, entonces se tendr:

e LC A e
x x e
x x e
=
=
=
) ( &
&
& &

A partir de esta expresin se puede conocer el comportamiento dinmico y la
estabilidad del sistema, si la matriz |A-LC| es estable, entonces el observador har
bien su trabajo, y dada cualquier condicin inicial, el sistema tender a un error
cero.

La eleccin de correctos valores para el vector de observabilidad L, permitir que
el comportamiento dinmico del vector de error sea asintticamente estable y lo
suficientemente rpido para tender a un valor de cero.

La estabilidad asinttica y la velocidad de respuesta de la dinmica del error se
determina mediante los autovalores de la matriz |A-LC|, dados por el polinomio
caracterstico |sI-A+LC|.

Existe una condicin necesaria, la cual consiste en que el sistema obtenido sea
estable y completamente controlable y observable.

Seccin 1. Ejemplo de observador de orden completo

Determinar la ecuacin caracterstica del sistema siguiente, si se le agrega
un observador de estados L.


| |x y
u x x
1 0
1
0
4 1
2 0
=
(
+
(
= &

Solucin

Si el sistema es de orden 2, es de suponer que el observador tambin ser de
orden 2, y lo podemos definir como
(
=
2
1
L
L
L

Luego el polinomio caracterstico estar dado por:
| | | |
| |
(
+
(
= +
(
+
(
= +
2
1
2
1
0
0
4 1
2 0
0
0
1 0
4 1
2 0
1 0
0 1
L
L
s
s
LC A sI
L
L
s LC A sI

| |
| |
| | ) 2 ( ) 4 (
) 2 ( ) 4 (
4 1
2
1 2
2
1 2
2
1
L s L s LC A sI
L L s s LC A sI
L s
L s
LC A sI
+ + + + = +
+ + + + = +
(
+ +
+
= +

Leccin 8. Diseo de observadores de orden completo

Seccin 1. Mtodo de diseo abreviado

Analizando la respuesta del ejemplo anterior nos podemos dar cuenta que los
valores que toman L
1
y L
2
estn condicionadas por las races del polinomio, las
cuales a su vez estn condicionadas por las caractersticas con que se desea que


cuente el sistema, por tanto se puede elegir races de tal modo de poder controlar
la respuesta del sistema en lazo cerrado.

Por lo tanto se puede asumir valores para dichas races, a los que llamaremos
1
y

2
de modo tal que el polinomio tenga una respuesta estable. Luego por simple
equivalencia de trminos podemos hallar el valor de las incgnitas.

Ejemplo de diseo de observador de estado usando el Mtodo de diseo abreviado

Dado el polinomio caracterstico del ejemplo anterior: s
2
+(4+L
2
)s+(2+L
1
),
encontrar el valor de L
1
y L
2
si se quiere que los polos deseados del sistema
se ubiquen en -4 y -3.

Solucin

Las races del polinomio son
1
= -4

y

2
= -3
12 7 ) 3 )( 4 ( ) )( (
2
2 1
+ + = + + = s s s s s s

Luego por equivalencia |sI A + LC| = s
2
+ 7s + 12

Es decir, s
2
+ (4 + L
2
)s + (2 + L
1
) = s
2
+ 7s + 12

s
2
= s
2

donde (4 + L
2
)s = 7s L
2
= 3
(2 + L
1
) = 12 L
1
= 10


Se puede generalizar la metodologa seguida anteriormente, de la siguiente
manera:

Si tenemos que [
1
2

3

n
] son los autovalores deseados para la matriz del
observador |A-LC|, estos conforman el polinomio caracterstico:
(s-
1
) (s-
2
) (s-
3
) (s-
n
)

Este polinomio se iguala al polinomio caracterstico original |sI-A+LC|, crendose
una equivalencia entre trminos:

|sI-A+LC| = (s-
1
) (s-
2
) (s-
3
) (s-
n
)

Resolviendo la equivalencia se podr encontrar el valor del vector L.

NOTA: Este mtodo esta restringido a sistemas de hasta 3
er
orden, adems el
sistema debe estar en la forma cannica observable.

Es aconsejable que los polos del observador sean de 3 a 5 veces mayores (ms
negativos) que los polos del controlador por realimentacin de estados, pero sin
salirse de la regin de estabilidad dada por el lugar geomtrico de las races. La
eleccin de los polos deseados van a determinar las caractersticas de la
respuesta obtenida, por lo que puede existir un conjunto infinito de vectores L
como solucin, de las cuales solo un limitado nmero de soluciones cumplen con
las necesidades requeridas para el sistema (como por ejemplo: sobreimpulso,
velocidad de respuesta, etc. del sistema estimado), por lo que se aconseja probar,
mediante simulacin, la respuesta del sistema a diferentes valores de polos
escogidos.


Seccin 2. Mtodo de diseo por la formula de Ackerman

La formula de Ackerman aplicada al diseo de observadores de estado, esta dada
por:

(
(
(
(
(
(
(
(
1
0
0
) (
1
1
M M
n
CA
CA
C
A L

En donde ) ( A es equivalente a ) (s , que es el polinomio caracterstico
deseado, pero en vez de la s se coloca la matriz A.

Ejemplo aplicando el mtodo de diseo por la formula de Ackerman

Para el siguiente sistema, determinar el vector de observadores de estados
L, si se quiere que los polos deseados se ubiquen en -3+j y -3-j

| |x y
u x x
1 0
1
0
2 1
1 0
=
(
+
(
= &

Solucin

Si (s) = (s-
1
) (s-
2
) = (s+3-j) (s+3+j) = s
2
+ 6s + 10

por lo tanto (A) = A
2
+ 6A + 10I


(
=
(

=
|
|
\
|
(
|
|
\
|
(
+
(
+
(
=
(
+ + =

4
9
0
1
1 4
4 9
1
0
0 1
1 2
10 0
0 10
12 6
6 0
3 2
2 1
1
0
2 1
1 0
) 10 6 (
1
2
L
L
L
I A A L

Seccin 3. Mtodo de diseo completo

1) Determinar la controlabilidad del sistema y la observabilidad

Controlabilidad: | | B A AB B Wc
n 1
= K

Observabilidad:
(
(
(
(
=
1 n
CA
CA
C
Wo
M

2) Calcular el polinomio caracterstico original |sI-A|, el cual ser:
|sI-A| = s
n
+ a
1
s
n-1
+ a
2
s
n-2
+ + a
n-1
s + a
n
= 0

3) Es conveniente trabajar con las ecuaciones de estado en su forma cannica
observable, si no se encuentra en esta forma, se debe determinar una matriz de
transformacin para llevarla a esta forma, la cual se define como:


Q = (W x Wo)
-1

En donde Wo es la matriz de observabilidad, y W se define como:

(
(
(
(
(
(
=

0 0 0 1
0 0 1
0 1
1
1
3 2
1 2 1
L
L
M M N M M
K
K
a
a a
a a a
W
n n
n n

En donde a
1
, a
2
, a
n-2
, a
n-3
, son los coeficientes del polinomio
caracterstico original |sI-A|.

4) Se determina el polinomio caracterstico deseado a partir de (s-
1
) (s-
2
) (s-
3
)
(s-
n
), donde
i
es un polo deseado, obtenindose:
s
n
+ b
1
s
n-1
+ b
2
s
n-2
+ + b
n-1
s + b
n

5) Finalmente el vector L se encuentra a partir de la siguiente expresin:
(*)

(
(
(
(
(
(
=

1 1
2 2
1 1
a b
a b
a b
a b
Q L
n n
n n
n n
M

(*)
La deduccin de esta expresin puede encontrarse en el libro Ingeniera de Control Moderna, Katsuhiro
Ogata, 3
ra
Edicin, Cp.12, Pg. 817-820.


Ejemplo del mtodo de diseo completo:

Para el siguiente sistema, determinar el vector de observadores de estados L, si
se quiere que los polos deseados se ubiquen en -5, -2+j y -2-j

| |x y
u x x
0 0 1
1
0
0
2 1 2
1 0 0
0 1 0
=
(
(
(
+
(
(
(

= &

Solucin.

1)
Controlabilidad Observabilidad
(
(
(
=
3 2 1
2 1 0
1 0 0
Wc
rank(Wc) = 3
det(Wc) = -1
El sistema es controlable
(
(
(
=
1 0 0
0 1 0
0 0 1
Wo
rank(Wo) = 3
det(Wo) = 1
El sistema es observable

2)
| |
(
(
(
(
(
(
=
2 1 2
1 0 0
0 1 0
0 0
0 0
0 0
s
s
s
A sI


| |
| |
| |
2 1 2
2 2
2 ) 1 2 (
2 1 2
1 0
0 1
3 2 1
3 2
2
1
3 2 3
2
= = =
+ + + + + + =
+ + + =
(
(
(
=
a a a
a s a s a s s s s A sI
s s s A sI
s
s
s
A sI

3) Q = ( W x Wo )
-1

(
(
(
=
(
(
(
=
(
(
(
(
(
(
=
(
(
(
=
(
(
(
=
3 2 1
2 1 0
1 0 0
0 0 1
0 1 2
1 2 1
1 0 0
0 1 0
0 0 1
0 0 1
0 1 2
1 2 1
0 0 1
0 1 2
1 2 1
0 0 1
0 1
1
1
1 2
Q
Wo W
a
a a
W

4)
(s -
1
) (s -
2
) (s -
3
)
= (s + 5) (s + 2 + j) (s + 2 - j)
= (s + 5) (s
2
+ 4s + 5)
= s
3
+ 9s
2
+ 25s + 25 s
3
+ b
1
s
2
+ b
2
s + b
3

25 25 9
3 2 1
= = = b b b
5)


(
(
(
(
(
(
=
(
(
(
=
7
24
23
3 2 1
2 1 0
1 0 0
1 1
2 2
3 3
a b
a b
a b
Q L

(
(
(
=
(
(
(
=
4
10
7
3
2
1
L
L
L
L

Seccin 4. Diseo mediante el software Matlab

Se puede hacer uso del software Matlab, para lo cual se emplea el comando acker
o el comando place.

Dado el sistema
Dx Cx y
Bu Ax x
+ =
+ = &
, y un vector de polos deseados: | |
n
P L
2 1
=

Se puede obtener un observador de estados utilizando:

L = place (A,B,P) o tambin
L = acker (A,B,P)

Ejemplo_1. De diseo utilizando el software Matlab

L, si se quiere que los polos deseados se ubiquen en -2, -1+j y -1-j


| |x y
u x x
0 0 2
1
0
0
1 2 3
1 0 0
0 1 0
=
(
(
(
+
(
(
(

= &

Solucin.

>> A = [0 1 0; 0 0 1; -3 -2 -1];
>> C = [2 0 0];
>> P = [-2 -1+j -1-j];

>> L = acker(A',C',P)'
L =
1.5000
0.5000
-3.0000

>> L = place(A',C',P)'
L =
1.5000
0.5000
-3.0000


Ejemplo_2. De diseo utilizando todos los mtodos.

L aplicando los 4 mtodos antes descritos, si se quiere que los polos
deseados se ubiquen en -2, -3+0.5j y -3-0.5j

| |x y
u x x
1 0 0
1
0
0
2 1 0
1 0 1
4 0 0
=
(
(
(
+
(
(
(
= &

Solucin

1) Mtodo completo

(
(
(
=
3 2 1
2 1 0
8 4 0
Wc
rank(Wc) = 3
det(Wc) = 16

(
(
(
=
3 2 1
2 1 0
1 0 0
Wo
rank(Wo) = 3
det(Wo) = -1

Polinomio caracterstico original


| |
| |
| |
| |
4 1 2
4 2
4 ) 1 2 (
2 1 0
1 1
4 0
2 1 0
1 0 1
4 0 0
0 0
0 0
0 0
3 2 1
3 2
2
1
3 2 3
2
= = =
+ + + + + + =
+ + + =
(
(
(
+
=
(
(
(
(
(
(
=
a a a
a s a s a s s s s A sI
s s s A sI
s
s
s
A sI
s
s
s
A sI

Q = ( W x Wo )
-1
(
(
(
=
(
(
(
=
0 0 1
0 1 2
1 2 1
0 0 1
0 1
1
1
1 2
a
a a
W
(
(
(
=
(
(
(

(
(
(
=
1 0 0
0 1 0
0 0 1
3 2 1
2 1 0
1 0 0
0 0 1
0 1 2
1 2 1
Wo W
(
(
(
=
1 0 0
0 1 0
0 0 1
Q

Polinomio caracterstico deseado

(s -
1
) (s -
2
) (s -
3
)
= (s + 2) (s + 3 + 0.5j) (s + 3 0.5j)
= (s + 2) (s
2
+ 6s + 9.25)
= s
3
+ 8s
2
+ 21.25s + 18.5 s
3
+ b
1
s
2
+ b
2
s + b
3

5 . 18 25 . 21 8
3 2 1
= = = b b b


Vector Observador

(
(
(
(
(
(
=
(
(
(
=
6
25 . 20
5 . 14
1 0 0
0 1 0
0 0 1
1 1
2 2
3 3
a b
a b
a b
Q L

(
(
(
=
(
(
(
=
6
25 . 20
5 . 14
3
2
1
L
L
L
L

2) Mtodo abreviado

| | ) )( )( (
3 2 1
= + s s s LC A sI

| | | |
| |
(
(
(
+
(
(
(
+
= +
(
(
(
+
(
(
(
(
(
(
= +
3
2
1
3
2
1
0 0
0 0
0 0
2 1 0
1 1
4 0
1 0 0
2 1 0
1 0 1
4 0 0
0 0
0 0
0 0
L
L
L
s
s
s
LC A sI
L
L
L
s
s
s
LC A sI

| |
(
(
(
+ +
+
+
= +
3
2
1
2 1 0
1 1
4 0
L s
L s
L s
LC A sI
| |
| | ) 4 ( ) 1 ( ) 2 (
) 4 ( ) 1 2 (
1 2
2
3
3
1 2 3
2
L s L s L s LC A sI
L L s sL s s LC A sI
+ + + + + + = +
+ + + + + + = +


Polinomio deseado

5 . 18 25 . 21 8 ) 5 . 0 3 )( 5 . 0 3 )( 2 ( ) )( )( (
2 3
3 2 1
+ + + = + + + + = s s s j s j s s s s s

Luego por equivalencia s
3
+ (L
3
)s2

+ (1 + L
2
)s + (4 + L
1
) = s
3
+ 8s
2
+ 21.25s +
18.5

(2+L
3
)s2 = 8s
2
L
3
= 6
donde (1 + L
2
)s = 21.25s L
2
= 20.25
(4 + L
1
) = 18.5 L
1
= 14.5

3) Mtodo por formula de Ackerman

Si (s) = (s-
1
) (s-
2
) (s -
3
) = s
3
+ 8s
2
+ 21.25s + 18.5

por lo tanto (A) = A
3
+ 8A
2
+ 21.25A + 18.5I

|
|
|
\
|
(
(
(
(
(
(
|
|
|
|
\
|
(
(
(
+
(
(
(
+
(
(
(
+
(
(
(
=
(
(
(
(
(
(
+ + + =
1
0
0
0 0 1
0 1 2
1 2 1
1 0 0
0 1 0
0 0 1
51 . 18
2 1 0
1 0 1
4 0 0
25 . 21
2 1 0
1 0 1
4 0 0
8
2 1 0
1 0 1
4 0 0
1
0
0
3 2 1
2 1 0
1 0 0
) 5 . 18 25 . 21 8 (
2 3
1
2 3
L
I A A A L
(
(
(
(
(
(

=
0
0
1
8 25 . 8 6
25 . 32 5 . 8 25 . 20
33 24 5 . 14
L


(
(
(
=
(
(
(
=
6
25 . 20
5 . 14
3
2
1
L
L
L
L

4) Usando matlab

>> A = [0 0 -4; 1 0 -1; 0 1 -2];
>> C = [0 0 1];
>> P = [-2 -3+0.5j -3-0.5j];

>> L = acker(A',C',P)'
L =
14.5000
20.2500
6.0000

>> L = place(A',C',P)'
L =
14.5000
20.2500
6.0000


Leccin 9. Observador de orden reducido

En la prctica no todas las variables necesitan ser observadas, habr algunas que
se podrn medir directamente y con buena precisin, por tanto no ser necesario
un observador que estime todos los estados, sino ms bien solo algunos de ellos.

Si se cuenta con un vector de estados X de dimensin (n x 1) del cual m estados
pueden ser medibles, se tendr que el orden del observador ser (n-m x 1).

Figura 1. 16 Diagrama en bloques de un observador del orden reducido
El vector X puede ser dividido en 2 vectores:
Xa que corresponde a los estados medidos, de orden (m x 1)
Xb que corresponde a los estados observados, de orden (n-m x 1)

X
1
X
m
Estados conocidos o medibles

X
m+1
X
n
Estados no conocidos que requieren ser observados
1
2
1
2
1
+
+
(
(
(
(
(
(
(
(
(
(
(
=
n
n
m
m
m
X
X
X
X
X
X
X
M
M


Obtenindose:

| |
(
=
(
+
(
=
(
Xb
Xa
Cb Ca Y
u
Bb
Ba
Xb
Xa
Abb Aba
Aab Aaa
b X
a X
&
&

Las dimensiones de las submatrices son:

Aaa m x m
Aab m x n-m
Aba n-m x m
Abb n-m x n-m
Ba m x 1
Bb n-m x 1
Ca 1 x m
Cb 1 x n-m

El sistema queda reducido a la siguiente expresin:

u Bb Xb Abb Xa Aba b X
u Ba Xb Aab Xa Aaa a X
+ + =
+ + =
&
&

Seccin 1. Diseo de observadores de orden reducido


En el diseo de observadores de orden completo, el sistema era descrito por
Dx Cx y
Bu Ax x
+ =
+ = &

En cambio para el diseo de observadores de orden reducido el sistema es
descrito por

la ecuacin de estado: u Bb Xb Abb Xa Aba b X + + =
&

y por la ecuacin de salida: Xb Aab u Ba Xa Aaa a X =
&

De estos 2 sistemas se pueden establecer una serie de equivalencias:

Observador Orden Completo Observador Orden Reducido
X b X
A Aab
u B u Bb Xa Aba +
Y u Ba Xa Aaa a X
&

Y b X Aab
C Aab

Cabe mencionar que se busca encontrar un vector de observadores L, de orden
(n-m x 1)

En el diseo de observadores de orden completo se determino la siguiente
ecuacin:


) ( y y L Bu x A x + + =
&

La cual puede llevarse a su correspondiente equivalencia para el caso de
observadores de orden reducido, obtenindose la siguiente representacin:
(*)

) ( ) ( u Ba Xa Aaa a X L u Bb Xa Aba b X Aab L Abb b X + + + =
&
&

y la Ecuacin del Error es: e Aab L Abb e = ) ( &

La Ecuacin Caracterstica para el observador es la siguiente:

|sI Abb + L.Aab| = s
i
+ a
1
s
i-1
+ a
2
s
i-2
+ + a
i-1
s + a
i
= 0

donde i equivale al orden de L, es decir (n-m)

Seccin 2. Metodologa de diseo para el observador de orden reducido

Se pueden aplicar los mismos mtodos usados para hallar los observadores de
orden completo, pero tenemos que hacer una variacin la cual consiste en
reemplazar los ndices: en vez de considerar el ndice n, se debe considerar el
ndice i. Por ejemplo si un sistema es de orden 4 y tiene un estado medible,
entonces m=1, y por tanto el sistema observado ser de orden 3 (n m = 4 1 = 3
= i).

(*)
La deduccin de esta expresin puede encontrarse en el libro Ingeniera de Control Moderna, Katsuhiro
Ogata, 3
ra
Edicin, Cp.12, Pg. 832-833.


El otro cambio que hay que hacer es realizar una equivalencia entre las matrices,
dada de la siguiente manera:

Aaa D
Aab C
Aba B
Abb A

Lo que resta por hacer, es aplicar la misma metodologa que para los
observadores de orden completo, considerando el nuevo orden del sistema (i) y
las nuevas matrices del sistema (Abb, Aba, Aab, Aaa).

Ejemplo utilizando la metodologa de diseo para el observador de orden reducido

Para el siguiente sistema, suponga que el estado X1 se puede medir con
precisin, disee el observador de orden reducido L aplicando los 4
mtodos antes descritos, si se quiere que los polos deseados se ubiquen
en -3+0.5j y -3-0.5j

| |x y
u x x
0 0 1
1
0
0
6 11 6
1 0 1
0 1 0
=
(
(
(
+
(
(
(

= &

Solucin

Nuevo orden para el sistema observado: 3 1 i = 2


Nuevas matrices del sistema:

D Aaa
C Aab
B Aba
A Abb

| | | |
(

=
(
= = =
6 11
1 0
6
0
0 1 0 Abb Aba Aab Aaa

1) Mtodo completo


| |
(

= =
6 6
6 0
Aba Abb Aba Wcr
rank(Wc) = 2
det(Wc) = -36

(
=
(
=
1 0
0 1
Abb Aab
Aab
Wor
rank(Wo) = 2
det(Wo) = 1

| | | |
(
=
(
=
6 11
1
6 11
1 0
0
0
s
s
s
s
Abb sI A sI


| |
11 6
11 6
2 1
2 1
2 2
= =
+ + + + =
a a
a s a s s s Abb sI

Q = ( W x Wo )
-1

(
=
(
=
0 1
1 6
0 1
1
1
a
W
(
=
(
=
0 1
1 6
1 0
0 1
0 1
1 6
Wor W
(
=
6 1
1 0
Q

(s -
1
) (s -
2
)
= (s + 2 + 3.4641j) (s + 2 3.4641j)
= s
2
+ 4s + 16 s
2
+ b
1
s + b
2

16 4
2 1
= = b b

Vector Observador

(
=
(
=
2
5
6 1
1 0
1 1
2 2
a b
a b
Q L

(
=
(
=
17
2
2
1
L
L
L


2) Mtodo abreviado

| | ) )( ( ] [
2 1
= + + s s Aab L Abb sI LC A sI

| | | |
| |
| |
(
+ +
+
= +
(
+
(
= +
(
+
(
= +
6 11
1
0
0
6 11
1
0 1
6 11
1 0
1 0
0 1
2
1
2
1
2
1
s L
L s
Aab L Abb sI
L
L
s
s
Aab L Abb sI
L
L
s Aab L Abb sI

| |
| | ) 11 ( ) 6 (
) 11 ( ) 6 )( (
2 1
2
2 1
L s L s Aab L Abb sI
L s L s Aab L Abb sI
+ + + + = +
+ + + + = +

Polinomio deseado
16 4 ) )( (
2
2 1
+ + = s s s s

Luego por equivalencia

6 + L
1
= 4 L
1
= -2
6 L
1
+ 11 + L
2
= 16 L
2
= 17

3) Mtodo por formula de Ackerman


Si (s) = 16 4 ) )( (
2
2 1
+ + = s s s s

por lo tanto (A) (Abb)= Abb
2
+ 4Abb + 16I

| |
(
|
|
\
|
(
+
(

+
(

=
(
+ + =
1
0
1 0
0 1
1 0
0 1
16
6 11
1 0
4
6 11
1 0
1
0
) 16 4 (
1 2
1 2
L
Wor I Abb Abb L

(
=
(
=
(

=
17
2
1
0
17 22
2 5
2
1
L
L
L
L

4) Usando MATLAB

>> Aaa = [0];
>> Aab = [1 0];
>> Aba = [0; -6];
>> Abb = [0 1; -11 -6];
>> P = [-2 + 3.4641j -2-3.4641j];

>> L = acker(Abb', Aab',P)'
L =
-2


17

>> L = place(Abb', Aab',P)'
L =
-2
17
Leccin 10. Observador para sistemas MIMO

Hasta el momento se ha mostrado el diseo de observadores para sistemas SISO
(single input, single output), es decir, sistemas que tienen una entrada y una
salida. A continuacin vamos a estudiar el diseo de observadores para el caso de
sistemas con varias entradas y varias salidas, llamados sistemas MIMO (multiple
input, multiple output).

Un sistema MIMO puede ser descrito de la siguiente manera:

| |
| | | |
r q n q
r
u D C y
u B Ax x

+ =
+ =
1
&

donde:
x Vector de estado (n x 1)
u Seal de control (1 x r)
y Seal de salida (escalar)
A Matriz (n x n)
B Matriz (n x r)
C Matriz (q x n)
D Matriz (q x r)


n Es el orden del sistema (numero de estados)
r Es el nmero de entradas
q Es el nmero de salidas

En el diseo de observadores, se sabe que el nmero de entradas que tenga el
sistema, no afectar el diseo del observador, puesto que estos datos no
intervienen en los clculos.

En cambio, el nmero de salidas con que cuente el sistema si afecta el diseo del
observador. En este caso se aplica el Principio de Separabilidad Lineal, el cual
consiste en separar las salidas y trabajarlas como si fueran provenientes de
sistemas distintos.

Por ejemplo;
si se tiene la siguiente matriz C (matriz de salidas)
(
=
6 5 4
3 2 1
C

Esta se podr descomponer bajo el Principio de Separabilidad Lineal, en dos
submatrices: | | | | 6 5 4 3 2 1
2 1
= = C y C

Para cada una de estas nuevas matrices se requerir un observador
independiente: L
1
y L
2
, cuyo orden ser de (n x 1), en este caso ser de (3 x 1) c/u.
As mismo cada observador requiere de polos deseados, los cuales pueden ser
independientes o tambin comunes, siempre que cumplan con dar estabilidad al
sistema y dependiendo de las condiciones de respuesta que se desee obtener al
estimar cada salida.
Ejemplo de observador de estado para sistemas MIMO


Para el siguiente sistema, determinar la matriz de observadores de estados
L, si se quiere que los polos deseados se ubiquen en -1 y -2 para la primera
salida, y -1-j, y -1+j para la segunda salida.

x y
u x x
(
=
(
+
(

=
1 0
0 1
1
0
5 5
1 0
&

Solucin

C
1
= [1 0] C
2
= [0 1]

| |
(
= =
(
=
(
=
22
21
12
11
2 1
22
21
2
12
11
1
L
L
L
L
L L L
L
L
L
L
L
L

Mtodo completo


| |
(
= =
5 1
1 0
B A B Wc
rank(Wc) = 2
det(Wc) = -1

(
=
(
=
1 0
0 1
1
1
1
A C
C
Wo
rank(Wo) = 2
det(Wo) = 1


(

=
(
=
5 5
1 0
2
2
2
A C
C
Wo
rank(Wo) = 2
det(Wo) = 5

| |
(
=
(
=
5 5
1
5 5
1 0
0
0
s
s
s
s
A sI
| |
5 5
5 5
2 1
2 1
2 2
= =
+ + + + =
a a
a s a s s s A sI

Diseo del primer observador (l
1
)

Q = ( W x Wo
1
)
-1

(
=
(
=
0 1
1 5
0 1
1
1
a
W
(
=
(
=
0 1
1 5
1 0
0 1
0 1
1 5
1
Wo W
(
=
5 1
1 0
Q

(s -
1
) (s -
2
)


= (s + 1) (s + 2)
= s
2
+ 3s + 2 s
2
+ b
1
s + b
2

2 3
2 1
= = b b

Vector Observador

(
=
(
=
2
3
5 1
1 0
1 1
2 2
1
a b
a b
Q L

(
=
(
=
7
2
12
11
1
L
L
L

Diseo del segundo observador (l
2
)

Q = ( W x Wo
2
)
-1

(
=
(
=
0 1
1 5
0 1
1
1
a
W
(
=
(
=
1 0
0 5
5 5
1 0
0 1
1 5
2
Wo W
(
=
1 0
0 2 . 0
Q

(s -
1
) (s -
2
)
= (s + 1+j) (s + 1-j)
= s
2
+ 4s + 5 s
2
+ b
1
s + b
2


2 2
2 1
= = b b

Vector Observador

(
=
(
=
3
3
1 0
0 2 . 0
1 1
2 2
2
a b
a b
Q L

(
=
(
=
3
6 . 0
22
21
2
L
L
L

| |
(
=
(
= =
3
6 . 0
7
2
22
21
12
11
2 1
L
L
L
L
L L L

Se puede obtener los mismos resultados usando Matlab:

>> A = [0 1; -5 -5];
>> B = [0; 1];
>> C = [1 0; 0 1];
>> C1 = C(1,:);
>> C2 = C(2,:);
>> P1 = [-1 -2] ;
>> P2 = [-1+j -1-j]

>> L1 = acker(A,C1,P1)


L1 =
-2.0000
7.0000

>> L2 = acker(A,C2,P2)
L2 =
0.6000
-3.0000

>> L = [L1 L2];
L =
-2.0000 0.6000
7.0000 -3.0000


CAPITULO 3. CONTROL PTIMO

Introduccin

El problema de optimizacin consiste en la seleccin de las variables de control,
tales que maximizan o minimizan un ndice de optimizacin determinado, (por
ejemplo, el costo de produccin unitario) dentro de los enlaces, (por ejemplo las
ecuaciones que describen el objeto de control) puesta sobre las variables de
control que frecuentemente no son las variables independientes y dentro de las
limitaciones (por ejemplo, dentro de los rangos invisibles de los campos).

Leccin 11. Generalidades del control ptimo continuo y discreto

El mtodo de diseo combinado de observador y realimentacin de estados que
se mostr en el capitulo pasado es una herramienta fundamental en el control de
sistemas en variable de estados. Sin embargo, no es siempre el mtodo ms til
tres dificultades obvias:

1. La traduccin de especificaciones de diseo a ubicacin de polos no es directa,
especialmente en sistemas complejos; cul es la mejor configuracin de polos
para especificaciones dadas?

2. Las ganancias de realimentacin en sistemas MIMO no son nicas; cul es la
mejor ganancia para una configuracin de polos dada?

3. Los autovalores del observador deben elegirse ms rpidos que los del
controlador, pero, se tiene algn criterio adicional para preferir una configuracin
a otra?


Los mtodos que introduciremos en este capitulo dan respuestas a estas
preguntas.

Notaremos que las ganancias de realimentacin de estados y del observador
pueden elegirse de forma que minimicen un criterio de optimizacin dado. El
criterio particular que veremos es un funcional cuadrtico del estado y la entrada
de control,
(3.1)

El criterio particular que se muestra es un funcional cuadrtico del estado y la
entrada de control, donde Q y R son matrices constantes (aunque no
necesariamente) semidefnida y defnida positivas respectivamente. El control que
se obtiene de minimizar este criterio es lineal. Como el criterio se basa en
funcionales cuadrticos, el mtodo se conoce como lineal-cuadrtico (LQ: linear-
quadratic), del que se obtiene el regulador lineal cuadrtico (LQR).
Criterios similares de optimizacin se siguen para el diseo de observadores, solo
que el funcional depende del error de estimacin, y se basa en una caracterizacin
estadstica de este estimador ptimo lineal-cuadrtico se conoce como el filtro de
Kalman. Cuando se combinan la ganancia de realimentacin de estados LQ con
el filtro de Kalman, obtenemos lo que se conoce como un controlador lineal-
cuadrtico-gaussiano (LQG). (Lo de gaussiano viene de la caracterizacin
estadstica del ruido empleada.) Para entender la idea de criterio de optimizacin
en variable de estados, la introduciremos con sistemas de tiempo discreto, que
son ms simples. El estado de un sistema discreto describe una trayectoria
haciendo transiciones discretas de un estado a otro bajo el efecto de una entrada
tambin aplicada en tiempo discreto. Cuando se asocia un criterio de optimizacin
al sistema, cada transicin de estado tiene asociado un costo o penalidad.
Por ejemplo, pueden penalizarse las transiciones de estado que se alejan
demasiado del estado final deseado, o las acciones de control de valores
demasiado elevados. A medida que el sistema evoluciona de estado en estado,
los costos se suman hasta acumular un costo total asociado a la trayectoria.
Ilustramos el concepto con el grafo de la Figura (1.17), que representa 8
estados de un sistema discreto con sus transiciones posibles. El estado inicial es
el 1, y el final el 8.


Figura 1. 17 Posibles trayectorias de 1 al 8

El sistema pasa de un estado a otro en cada tiempo k determinado por la entrada
u[k] y la ecuacin:

x[k + 1] = Ax[k] + Bu[k]. (3.2)

Las transiciones posibles se representan por los arcos que conectan el estado
inicial al final a travs de los estados intermedios. El costo asociado a cada
transicin se representa con la letra J; por ejemplo, el costo de moverse del estado
3 al 5 es J
35
. Asumiendo que los costos se acumulan en forma aditiva, vemos
que la trayectoria marcada en rojo, por ejemplo, tiene un costo total J
13
+ J
35

+ J
56
+ J
68
. Como hay varias rutas alternativas del estado 1 al 8, el costo total
depender de la trayectoria elegida. La seal de control u[k] que determina la
trayectoria de menor costo es la estrategia ptima. Como ya veremos, en
sistemas de tiempo continuo, la acumulacin de costos se representa mediante
integracin, en vez de suma. La herramienta matemtica que usaremos para
determinar la estrategia ptima es el principio de optimalidad de Bellman. En
cualquier punto intermedio x
i
en una trayectoria optima entre x
0
y x
f
, la estrategia
desde x
i
al punto final x
f
debe ser en s una estrategia optima.. Este obvio
principio nos permitir resolver en forma cerrada nuestros problemas de control
optimo. Tambin se usa en el cmputo recursivo de las soluciones ptimas en un
procedimiento llamado programacin dinmica. Una ventaja de usar el esquema
de control ptimo cuadrtico es que el sistema diseado ser estable, excepto en
el caso en el que el sistema no es controlable. Al disear sistemas de control con
base en la minimizacin de los ndices de desempeo cuadrtico se necesita
resolver las ecuaciones de Riccati. MATLAB tiene un comando Lqr que


proporciona la solucin a la ecuacin de Riccati en tiempo continuo y determina la
matriz de ganancias de realimentacin ptima. En este capitulo disearemos
sistemas de control mediante los ndices de desempeo cuadrticos tanto en la
forma analtica como mediante el calculo con MATLAB.

Seccin 1. Control LQ en tiempo continuo

La deduccin del control optimo LQ para el sistema en tiempo continuo,

(3.3)
sigue los mismos pasos que el de tiempo discreto, solo que las transiciones se
reducen a incrementos infinitesimales. El costo es ahora:

(3.
4)

Haciendo tender los incrementos a cero se obtienen los equivalentes de tiempo
continuo

(3.5)

(3.6)

(3.7)


Esta ecuacin diferencial matricial es llamada:
ecuacin diferencial matricial de Riccati, debe resolverse hacia atrs en el
tiempo, con condiciones iniciales P(t
f
) = S.

El control optimo LQ es una realimentacin lineal de estados, aunque
inestacionaria.

Los transitorios en P(t) y K(t) ocurrirn sobre el final del intervalo [t
0
, t
f
]. Pero, la
ecuacin diferencial de ricatti es en general de difcil solucin. Aun, hacindolo
numricamente, cmo pueden guardarse los (infinitos) valores de P(t) calculados
en tiempo invertido para ser aplicados luego al sistema? Esta dificultad lleva a
buscar una solucin ptima estacionaria, K (t) = K , que surge de considerar el
caso de horizonte infinito t
f

Seccin 2. Control LQ en tiempo discreto

Consideremos el sistema en tiempo discreto definido por:

(3.8)

El problema de control que se desea resolver es: Encontrar la secuencia de
control u
k
que lleve al sistema expresado en la ecuacin anterior de la
condicin inicial x
i
= x
0
al estado final x
N
= x
f
, minimizando el funcional
cuadrtico
(3.9)
Este funcional puede interpretarse como el costo total de la transicin de x
i
a x
N

y, en particular, el termino x
N
Sx
N
penaliza el error en alcanzar el estado nal


deseado. Las matrices de peso S, Q y R pueden seleccionarse para penalizar
ciertos estados/entrada ms que otros. Como veremos, las matrices S y Q deben
ser semi-definidas positivas, y la R definida positiva. Aclarando que se hace la
representacin de x[k] por x
k

Transicin [N 1] [N]

Para encontrar el control a aplicar al sistema de forma que se minimice la
ecuacin anterior, supongamos que estamos en el paso N 1 de la trayectoria
ptima. As, el costo J
i,N
de la transicin de N 1 a N es

(3.10)

substituimos x
N
como una funcin de u
N 1
, lo que da:

(3.11)

(3.
12)


Como J es cuadrtico en u, podemos minimizarlo diferenciando:

(3.13)

(3.14)

(3.15)

De esta ultima ecuacin obtenemos el ultimo elemento de la secuencia de
control ptima:

(3.16)

que resulta ser un mnimo, ya que


(3.17)

Como vemos, de u
N 1
es un control lineal por realimentacin de estados de la
forma habitual:
(3.18)

donde

(3.19)

El valor del costo mnimo J*
N 1
,N obtenido con u
N 1
es:

(3.
20)

(3.21)

donde se define
(3.22)


La eleccin de la notacin S
N 1
en la ecuacin anterior surge de que si estamos
en el paso final N, no hay ninguna accin de control que tomar y
(3.23)
es decir
(2.24)
(3.25)
(3.26)

Transicin [N 2] [N]

Tomamos otro paso para atrs en el cmputo del control ptimo y consideremos
ahora que estamos en el paso N 2:

(3.27)

Por lo tanto, para calcular la estrategia ptima para ir del estado en N 2 al
estado final en N, usamos el principio de optimalidad para deducir que:

(3.28)

y as reducimos el problema al de calcular la estrategia ptima para ir de N
2 a N 1 (la de N 1 a N ya la obtuvimos). As, ahora el paso N 1 es el final,


(3.29)

Igual que antes, podemos minimizar J
N 2,N 1
sobre todos los posibles u
N 2
, y es
fcil ver que las expresiones son las mismas pero con N 1 en vez de
N, y N 2 en vez de N 1,

, (3.30)

(3.31)

Transicin [k] [N]

Retrocediendo en los pasos N-2, N-3,...,k, se generan la siguientes expresiones
recursivas para el control ptimo

, (3.32)
donde

(3.33)

(3.34)

Notar que la ecuacin en diferencias inmediatamente anterior de S
k
se resuelve
para atrs, comenzando en


S
N
= S (3.35)

El costo ptimo de k a N es:

(3.36)

El conjunto de ecuaciones anteriores de la transicin [k] [N] representa el
controlador LQ completo para el sistema discreto, que resulta, en general,
inestacionario. La ecuacin en diferencias de S
k
se conoce como la ecuacin
matricial en diferencias de Riccati. El hecho de que se resuelva para atrs en el
tiempo le da a K
k
la peculiaridad de que los transitorios aparecen al final del
intervalo [k, T], en vez de al principio.

Ejemplo:


Figura 1. 18 Pndulo invertido

Las ecuaciones en espacio de estados del sistema son:

(3.37)

(3.38)


Los criterios de diseo con para una referencia escaln de 0.2m en el carro son
los siguientes:

Tiempo de establecimiento para x y de menos de 5 segundos.
Tiempo de subida para x de menos de 1 segundo.
Sobrevalor en theta menor que 20 grados (0.35 radianes).
Error en rgimen permanente dentro del 2 por ciento.

Este sistema tiene una entrada y dos salidas. Usando los mtodos de
estado estacionario es relativamente simple disear un controlador para conseguir
seguimiento en ambas salidas, ngulo y posicin del carro. El problema puede
resolverse con realimentacin de estados. El esquema del lazo de control es el
siguiente:

Figura 1. 19 Esquema del lazo del sistema del pndulo invertido

En este problema R representa la entrada escaln al carro. Los 4 estados
representan la posicin y velocidad del carro y el ngulo y velocidad angular del
pndulo. La salida y contiene la posicin del carro y el ngulo del pndulo.
Deseamos disear un controlador tal que cuando se le d una entrada escaln al
sistema, el pndulo se desplace (no hay otra posibilidad), pero que eventualmente


vuelva a la posicin de equilibrio (la vertical), y que l carro se mueva a la nueva
posicin de referencia. Intuitivamente (o por experiencia prctica) sabemos que
el sistema es inestable a lazo abierto. El primer paso en el dise de este tipo de
controlador es determinar los polos lazo abierto: estos se pueden determinar a
travs del siguiente cdigo de programa de matlab small

>> M = 0.5; m = 0.2; b = 0.1;
i = 0.006;
g = 9.8;
l = 0.3;
p = i*(M+m)+M*m*l^2; % denominador
A = [0 1 0 0;
-(i+m*l^2)*b/p (m^2*g*l^2)/p 0;
0 0 1;
0 -(m*l*b)/p m*g*l*(M+m)/p 0];
B = [0; (i+m*l^2)/p; 0; m*l/p];
C = [1 0 0 0; 0 1 0];
D = [0;0];

p = eig(A)
p =
0
5.5651
-0.1428
-5.6041


Como se puede observar hay un polo inestable en 5.5651, lo que confirma la
hiptesis inicial de que el sistema es inestable a lazo abierto. Por lo tanto se
observa que el siguiente paso es asumir que se dispone del estado completo
para la realimentacin, y se calcula la ganancia K que determina la ley de
control u = K x. Esta ganancia puede calcularse de varias formas. Si uno ya
sabe dnde desea colocar los polos a lazo cerrado puede usar la funcin place o
acker de matlab. Otra opcin es usar la funcin lqr; sta da un controlador
ptimo (bajo ciertas condiciones que veremos en detalle ms adelante). La
funcin lqr permite elegir dos parmetros, R y Q, que balancean la
importancia relativa de la entrada y el estado en el costo que se pretende
optimizar. El caso ms simple es asumir R = 1, y Q = C * C. Notar que se
usa las dos salidas (el ngulo del pndulo y la posicin del carro). El mtodo lqr
permite manejar las dos salidas y en este caso es bastante fcil de hacerlo. El
controlador puede ajustarse cambiando los elementos distintos de cero en la
matriz Q hasta obtener una respuesta satisfactoria. Para encontrar la estructura
de Q entrar la siguiente lnea en la ventana comando de Matlab:

>> Q=C*C
Q =
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0

Los elementos en las posiciones (1,1) ser usado para pesar la posicin del carro,
y el elemento (3,3) para pesar el ngulo del pndulo. Se deja el peso en el
control R = 1. Ahora se sabe qu forma tiene Q, se puede experimentar hasta
encontrar la matriz K que da un buen controlador. Se disea un programa para
que los cambios en Q se vean automticamente en la respuesta del controlador
obtenido para cada iteracin hasta encontrar la Q y K que satisfacen los
requerimientos de diseo. anexamos el programa completo:


>> M = 0.5;
m = 0.2;
b = 0.1;
i = 0.006;
g = 9.8;
l = 0.3;
p = i*(M+m)+M*m*l^2; %denominador
A = [0 1 0 0;
0 -(i+m*l^2)*b/p (m^2*g*l^2)/p 0;
0 0 0 1;
0 -(m*l*b)/p m*g*l*(M+m)/p 0]; B = [0; (i+m*l^2)/p; 0; m*l/p];
C = [1 0 0 0;
0 0 1 0];
D = [0;0]
p = eig(A) Q=C*C
x=1;
y=1;

Q=[x 0 0 0; 0 0 0 0; 0 0 y 0; 0 0 0 0];
R = 1;
K = lqr(A,B,Q,R)
Ac = [(A-B*K)];


Bc = [B];
Cc = [C]; Dc = [D];
T=0:0.01:5; U=0.2*ones(size(T));
[Y,X]=lsim(Ac,Bc,Cc,Dc,U,T);
plot(T,Y)
grid
legend(Carro,Pendulo invertido)
D =
0
0
p =
0
5.5651
-0.1428
-5.6041
Q =
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0
K =
-1.0000 -1.6567 18.6854 3.4594
>>
La curva en verde representa el ngulo, en radianes, y la curva en azul la
posicin, en metros. Como se ve, la respuesta no es satisfactoria. El sobrevalor
en el ngulo est bien, pero los tiempos de establecimiento necesitan ajuste.


Puede observarse tambin que el carro no est cerca de la posicin deseada sino
que se movi para el lado opuesto. Corregiremos este error en la seccin
siguiente; por ahora nos concentramos en los tiempos de subida y
establecimiento. Volviendo al archivo-m, cambiamos las variables x e y para ver si
se puede obtener una respuesta mejor. Vemos que aumentando x reducimos
los tiempos de establecimiento y subida, y bajamos el ngulo que se mueve el
pndulo. Usando x = 7000 e y = 200, se obtienen los siguientes valores de D Q Y
K y la respuesta a lazo cerrado:

Figura 1. 20 Respuesta ante una entrada escaln unitario con control LQR.

D =
0


0
p =
0
5.5651
-0.1428
-5.6041
Q =
1 0 0 0
0 0 0 0
0 0 1 0
0 0 0 0

K =[ -83.6660 -44.0051 119.7550 23.7239]


Figura 1. 21 Respuesta corregida ante una entrada escaln unitario con control LQR.
Se puede observar que incrementando x e y an mas se podra haber mejorado la
respuesta ms todava. Se eligen estos valores porque satisfacen las
especificaciones y mantienen x e y relativamente pequeos. Cuando mayores
sean x e y, mayor ser el esfuerzo de control usado, y mayor el ancho de banda
del sistema al lazo cerrado. El sistema tiene ahora un tiempo de establecimiento
menor de 2 segundos que cumple el requisito inicial de ser menor de 5 segundos.
Ver grfica(1.21).


Leccin 12. Control LQ de Horizonte Infinito

Ecuacin Algebraica de riccati para sistemas continuos

PA + A
T
P + Q PBR
1
B
T
P = 0, (3.39)

con el correspondiente control optimo LQ (ahora estacionario)

u(t) = K x(t) = R
1
B
T
P x(t) (3.40)

En el caso discreto tenemos S
k
= S

S = A
T
SA A
T
SB(R + B
T
SB)
1
B
T
SA + Q (3.41)

ecuacin algebraica discreta de Riccati.

K = (R + B
T
SB)
1
B
T
SA. (3.42)

En rigor, sin embargo, no sabemos aun si estas soluciones constantes de rgimen
permanente resuelven los correspondientes problemas ptimos de horizonte
infinito. Analizamos este punto a continuacin.


Leccin 13. Solucin del problema de horizonte infinito

Se desea controlar el sistema:

(3.43)

con una realimentacin esttica de estados u(t) = K x(t) tal que se minimice el
funcional de costo

(3.44)

Con la realimentacin, el sistema a lazo cerrado queda

x(t) = (A BK )x(t) (3.45)
incurriendo en un costo

(3.46)

Como sabemos que la solucin de la ecuacin anterior es x(t) = e
(ABK )t
x
0
se
reemplaza en la expresin del costo, y se obtiene:


(3.47)

(3.48)

(3.49)

Leccin 14. Principio mximo de Pontryaguin

Supngase que un sistema tiene una variable de estado nica x
1
con x
1
= 0 en
equilibrio si u
1
es el control una ecuacin de estado que tipifica un comportamiento
inestable es:
(3.50)

sin un control x
1
se incrementara en forma exponencial desde un valor inicial X
0
.
El objetivo principal es alcanzar el estado de equilibrio en un tiempo t
1
.por lo tanto
las condiciones inicial y final son:

se selecciona como funcin costo que penaliza el uso de un control con una gran
magnitud como:


(3.51)

el control u
1
es una funcin continua de, t que no fija limites a su magnitud, el
problema esta ahora completamente definido es unidimensional autnomo y lineal
con un control variable sin limites y con un objetivo fijo en un tiempo t
1
. Ahora se
aplica el principio mximo de pontryaguin: el primer paso es reemplazar la integral
de costo introduciendo una nueva variable de estado x0 que satisface la ecuacin
(3.52)

Con condiciones de frontera

El segundo paso es introducir dos variables de co-estado z
0
y z
1
y una cantidad
de la forma H (x
0
, x
1
, z
0
, z
1
) y definida como sigue:
(3.53)
Expresin llamada como el hamiltoniano (H) del sistema. De esta expresin la
rata de cambio de las variables son prescritas en la ecuacin de hamilton as que
de una manera similar se establece que z
0
y z
1
satisfacen la ecuacin de
hamilton y se definen:


el otro par de hamilton son las ecuaciones:

El tercer paso es resolver las ecuaciones de co-estado el cual introducira
algunas constantes cuyos valores se deben determinar, la ecuacin de de z
0

muestra que z
0
= constante y el principio mximo de pontryaguin requiere que
esta constante debe ser de tipo negativo sin perder generalidad se puede
seleccionar a z
0
= 1 por la tanto la ecuacin de z
1
tiene como solucin:

donde A es una constante que en este estado no podemos determinar.

El cuarto paso es aplicar el principio mximo de pontryaguin se selecciona el
control u
1
(t) para dar un posible valor del hamiltoniano H, considerado como una
funcin de u.


se puede observar que:

ahora se procede a determinar la funcin de control que hemos usado aparte de la
constante A. pero se debe estar seguros que x
1
desde su valor inicial hasta su
valor final bajo la aplicacin de este control, inicialmente se procede a resolver la
ecuacin de estado:

la ecuacin que satisface la condicin inicial es:

El objetivo es x
2
= 0 que es alcanzado en un tiempo t
1
as que:

De donde:


Con este resultado procederemos a determinar el control ptimo y la trayectoria
ptima

Esta solucin completa proporciona una solucin ptima y nica del
problema.

Se simula el siguiente sistema:

(3.54)

(3.55)

con el controlador LQ optimo que minimiza el costo :

(3.56)


Ejercicio propuesto: Realizar un programa de cdigo MATLAB que compute K
k
y x
k

en lazo cerrado

Leccin 15. Estimacin de Estado con el Filtro de Kalman

Se muestra la solucin ptima a la estimacin de estado conocida desde hace
unos cuarenta aos como el filtro de Kalman, que consiste de un filtro variante en
el tiempo, tanto para el caso de sistemas en tiempo continuo como el caso
discreto en tiempo para sistemas aleatorios. Considere una planta discreta

x(k + 1) = A(k)x(k) + B(k)u(k) + G(k)w(k) (3.57)

donde x es el vector de estado a estimar, u es el vector de control y con
mediciones:

y(k) = C(k)x(k) + v(k) (3.58)

donde el ruido del proceso w(k) y el ruido de medicin v(k) son secuencias
aleatorias de media cero, esto es:

{w(k) = {v(k)} = 0 (3.59)


ni presentan correlacin en el tiempo, es decir son ruido blanco, ello es:

{w(i)w
T
(j)} = {v(i)v
T
(j)} = 0 (3.60)

si i j y tienen covariancias o niveles de ruido iguales a

{w(k)w
T
(k)} = Q(k){v(k)v
T
(k)} = R(k) (2.61)

donde las matrices de covariancia Q y R son simtricas y positivas semidefinidas.
Las matrices A, B, G, C, Q y R son conocidas en todo momento.

As mismo, el vector u de control es conocido. Se va a suponer por el momento
que sin usar la medicin actual y(k), ya se tiene un estimado del estado al
momento de la medicin, al cual se denota mediante x
p
(k), El problema que
resuelve el filtro de Kalman es cmo actualizar dicho estimado basados en las
mediciones actuales.

Se demuestra que la solucin viene dada en forma recursiva mediante la frmula:

x
e
(k) = x
p
(k) + L(k)[y(k) C(k)x
p
(k)] (3.62)

donde la matriz L(k) es conocida como la ganancia de Kalman y vara en cada
periodo de muestreo mediante la siguiente frmula:

L(k) = P(k)C
T
(k)R
1
(3.63)


donde P(k) es la matriz de covariancia del error del estimado tras las mediciones,
es decir del error de x
e
(k). Viene dada por la frmula:

P(k) = M(k) M(k)C
T
(k)[C(k) M(k)C
T
(k) + R]
1
C(k)M(k) (3.64)

Donde la matriz M(k) es la matriz de covarianza del error del vector x
p
(k) y se
calcula de manera recurrente mediante:

M(k + 1) = A(k)P(k)A
T
(k) + G(k)Q(k)G
T
(k) (3.65)

El vector x
p
tambin se calcula de manera recurrente mediante la frmula:

x
p
(k + 1) = A(k)x
e
(k) + B(k)u(k) (3.66)

De tal modo que el filtro de Kalman se calcula para cada periodo de
muestreo evaluando las frmulas anteriores, donde se deben asumir valores
iniciales para x
p
(0) y para M(0). Las frmulas que constituyen el filtro minimizan el
error de estimacin y se obtienen haciendo una optimizacin por cuadrados
mnimos del criterio siguiente:

J = [x(k) x
e
(k)]P
-1
(k)[x(k) x
e
(k)]
T
+ [C(k)x(k) y(k)]R
-1
[C(k)x(k) y(k)]
T
(3.67)

Las frmulas anteriores constituyen lo que se denomina como actualizacin
en tiempo o la propagacin en el tiempo y se pueden calcular antes del muestreo
siguiente. Las frmulas previas se conocen como la actualizacin por la medicin
y se realiza inmediatamente despus de tomar las observaciones y(k). se debe
notar que no es condicin necesaria que las matrices del sistema y del ruido sean


constantes pues lo nico que se requiere es que sean de valor conocido y que la
ganancia de Kalman se puede calcular de antemano pues no depende del valor
que tomen las variables ni sus estimados, evaluando recursivamente todas las
ecuaciones anteriores.

Ejercicio realizado.

Consideremos que el modelo del sistema viene dado por:

Donde

(3.68)

con Q = 0.2 , R = 0.1


(3.69)

Es decir, tenemos un sistema invariante en el tiempo sujeto a ruido
gaussiano estacionario. Al resolver recursivamente encontramos la evolucin de
la matriz L en el tiempo, misma que se muestra en la figura (2.6)

Figura 1. 22 Respuesta Ganancia del estimador versus el tiempo

El valor de estado permanente de la matriz L calculado de manera recursiva,
mediante las ecuaciones planteadas para el estimador de kalman, y tambin
usando el comando kalman de MATLAB resulta ser:

(2.70)


Los primeros valores para L son:

L
1
= (0.4444 1.7778)
T
(3.71)

L
2
= (0.41861 1.783)
T
(3.72)

Etcetera. . .

L2 = 0.41861.1783

(3.72)


Fuentes Documentales de la Unidad 1

Anlisis de sistemas dinmicos, Curso virtual. Universidad Nacional de
Colombia. http://www.virtual.unal.edu.co/cursos/ingenieria/2001619/, pgina
web consultada el 1 de Julio de 2009
Acedo S, de Jos, Snchez A. Instrumentacin y control avanzado de
procesos. Ediciones Daz Santos 2006.
B. Anderson and J. Moore Optimal Control: Linear Quadratic Methods, ,
Prentice-Hall, 1989.
Chi Tsong Chen, Linear System. Theory and Design Oxford University
Press. 3
ra
Edicin. USA. 1998.
David Bardey y Hle Bonnet, Donal E. Kira Teora del control ptimo Una
gua para principiantes! - Universidad del Rosario
http://www.urosario.edu.co/economia/documentos/pdf/bi87.pdf, pagina web
consultada el 15 de julio de 2009.
Desineni Subbaram Naidu., Optimal Control Systems. Desineni Subbaram
Naidu CRC PRESS. Optimal Control Theory an introduction
Donald M. Wiberg, Espacio de Estado y Sistemas Lineales, Mc.Graw-Hill.
Mxico. 1971.
Dover, Donald Kirk Optimal Control Theory: An Introduction, , 2004.
Frank l. Lewis and Vassilis L. Syrmos, Optimal Control. Second Edition
Feedback control modes. Lewis M. Gordon. Chemical Engineering,
Septiembre 19, 1983.
H. Kwakernaak and R. Sivan Linear Optimal Control Systems, , 1969.
Instrumentacin y Control de Plantas Qumicas. Facultad de Ingenieras.
Universidad de Buenos Aires. Argentibna . http://materias.fi.uba.ar/7609/-
Pagina web consultada el 3 de Julio de 2009.
Katsuhiko Ogata, Ingeniera de Control Moderna.Prentice Hall. 3
ra
Edicin.
Mxico. 1998.


MathWorks Inc. MATLAB Users Guide, Toolbox de Control. Versin 5.3.
USA. 1998.
Michael OFlynn., Linear Systems. Time Domain and Transform Analysis
Wiley. Singapore. 1987.
Michael OFlynn. Linear Systems. Time Domain and Transform Analysis.
Wiley. Singapore. 1987.
Modelos expresados en variables de estado.
http://materias.fi.uba.ar/7609/material/Clase%2002/02%2003%20Modelo%2
0en%20Variables%20de%20Estado.pdf. Pagina web consultada el 3 de
julio de 2009.
Process control in practice. Tore H. Agglund. Chartwell/Bratt, 1991
Stochastic Optimal Control: The Discrete-Time Case, Dimitir P. Bertsekas
and Steven E. Shreve, Athena Scientific, 1996.
Vera. R, C. A. Apuntes de clases de Tpicos Avanzados de Control.
Maestra en Control Industriales. Universidad de Pamplona COLOMBIA,
2007
Vera. R, C. A. Apuntes de clases de Instrumentacin Industrial. Maestra en
Control Industriales. Universidad de Pamplona COLOMBIA, 2007
Video (Controlador lgico programable), Tomado de:
http://www.youtube.com/watch?v=fKfKLzMYvtk.Pgina consultada el 1 de
julio de 2009


UNIDAD 2
Nombre de la
Unidad
Tcnicas avanzadas de control I.

Introduccin
La siguiente unidad trata de las diferentes tcnicas de
control avanzando utilizados actualmente en la industria y
de los cules an se siguen investigando. Se profundiza
en algunas estrategias de control avanzado, e
identificacin paramtricas de los sistemas, que a partir de
data se obtiene una funcin que modela el sistema, o se
construir modelos a partir de la observacin. La lgica
borrosa o difusa juega tambin un papel importante en los
procesos de control, la lgica difusa permite plantear el
problema en los mismos trminos en los que lo hara un
experto humano.

Justificacin
El futuro profesional de la ingeniera debe comprender
que adems de las tcnicas avanzadas de control e
identificacin de sistemas, desde las primeras ideas
formalizadas de la lgica difusa en los aos 60, se han
venido intentando cada vez con ms xito la aplicacin de
esta rama de la lgica al control automtico , incluyendo el
de procesos , es sta la razn por la que se incluyen el
control difuso, dentro de la presente unidad para hacer
ms amplio los conceptos de sistemas avanzados de
control. La presente unidad es en realidad introductoria,
tratan de explicar sus fundamentos y principios de
aplicacin de forma simple sentando las bases para que
aquellos estudiantes que deseen seguir profundizando en
los temas cuenten ya con un primer paso hecho.

Intencionalidades
Formativas
Conocer diferentes tcnicas avanzadas de control y
mtodos de identificacin de sistemas. Adems de
obtener las bases necesarias para entender la lgica
difusa aplicada al control de procesos.

Denominacin de
captulos
Capitulo 2.1 Tcnicas avanzadas en los sistemas
de control

Capitulo 2.2 Identificacin de sistemas dinmicos

Capitulo 2.3 Control borroso


UNIDAD 2. TCNICAS AVANZADAS DE CONTROL I


CAPITULO 1. TCNICAS AVANZADAS EN LOS SISTEMAS DE
CONTROL

Introduccin

La importancia del control de realimentacin (feedback), tiene una serie de
ventajas como:

No es necesario tener conocimiento a priori de la dinmica del proceso.
Se produce accin correctora ante cualquier perturbacin que afecte a la
variable controlada.
El control PID es un sistema muy robusto. Para que aparezcan
inestabilidades han de producirse cambios importantes en la dinmica del
proceso.

El control feedback tambin tiene una serie de desventajas, entre las que se
pueden citar:

Slo se produce cuando la variable controlada se ha desviado de su punto
de ajuste. Por tanto, es imposible evitar el error en la variable controlada.
El controlador no puede adelantarse a las perturbaciones aunque stas
puedan ser conocidas y medidas.
El comportamiento no suele ser aceptable en proceso con grandes retardos
puros.
Por todo ello, existen una serie de tcnicas de control avanzado que mejoran el
comportamiento del control bsico. En realidad, el trmino control avanzado no
tiene una demarcacin clara. Se puede definir como un conjunto de tcnicas y
herramientas que permiten adaptarse a las condiciones cambiantes del proceso.

Entre las tcnicas para realizar control avanzado se pueden encontrar las
siguientes:


Control feedforward.
Control en cascada.
Control de relacin.
Control selectivo.

Cada una de estas tcnicas puede apoyarse en diversos clculos matemticos
para complementar el efecto sobre el elemento final de control, siempre con el
objetivo de producir estabilidad en la operacin. En necesario hacer hincapi en
que el objeto principal del control avanzado es producir estabilidad en la
operacin. Como consecuencia de la estabilidad de las unidades de proceso,
obteniendo:

Mejora de rendimiento en productos de mayor valor aadido.
Ahorro de energa.
Incremento de la capacidad de produccin.

Leccin 1. Control en adelanto (feedforward)

Los controladores con realimentacin del proceso no tienen en cuenta la influencia
de las perturbaciones que se producen y que afectan al lazo de control. Debe
existir un error para que se inicie la accin correctiva. Un medio para corregir el
efecto de las perturbaciones es el control feedforward, el cual compensa el efecto
de las mismas antes que produzcan error en la variable controlada. Este sistema
est limitado por la exactitud de las medidas, los clculos efectuados y las
perturbaciones no medidas.

Seccin 1. Teora del control feedforward

Cualquier proceso se puede describir en funcin de las relaciones existentes entre
las salidas y dos grupos de entradas: la salida del proceso que es la variable
controlada (Vc) o dependiente, y la entrada, conocida a su vez como variable


manipulada (Vm) o independiente. Las variables asociadas a la carga son el otro
tipo de independientes, conocidas como variables de perturbacin (Vp). La figura
2.1 muestra un diagrama de bloques como variables en el que aparecen las tres
variables descritas.

Como puede verse, cada una de las entradas llega al proceso pon un lugar
diferente, por lo que afectan de distinta forma a la variable controlada. La ecuacin
que describe al proceso es:

Vc=Vm*Gm-Vp*Gp

Donde Gm y Gp son las funciones de transferencia.

Figura 2. 1 Diagrama en bloques del control feedforward
El objeto del sistema de control feedforward es mantener la variable controlada en
un valor de referencia <<R>> que debe ser igual al valor deseado para la variable
controlada. Con estos datos se puede obtener el valor de la variable manipulada a
partir de la ecuacin anterior.

Vm=(R+Vp*Gp)/Gm


Si el clculo de la variable manipulada es correcto, para cualquier valor de la
variable de perturbacin se mantendr constante el valor de referencia, es decir, el
valor de la variable controlada.

Seccin 2 Aplicacin a un intercambiado de calor

En el cambiador de la Figura 2.2, la temperatura de salida es la variable
controlada, el caudal de producto y su temperatura de entrada son variable de
perturbacin, mientras que el caudal de vapor es la variable manipulada.

Figura 2. 2 Diagrama de un intercambiado de calor
Aplicando un balance de energa se obtiene el modelo en estado estacionario del
proceso de intercambio de calor.

Hs*Fs=Fp*Cp*(Ts-Te)

Donde: Hs = Entalpa del vapor (kcal/kg)
Fs = Caudal de vapor (kg/h)


Fp = Caudal de producto (Kg/h)
Cp = Calor especfico del producto (kcal/kg C)
Ts = Temperatura de salida (C)
Te = Temperatura de entrada (C)

En este ejemplo la regencia es la temperatura de salida deseada. Si no existieran
otras perturbaciones se podra fijar el caudal de vapor necesario para mantener
esta temperatura.

Fs=Fp*(Cp/Hs)*(R - Te)

El clculo anterior se basa en el modelo en estado estacionario, en el cual no se
contemplan las diferentes dinmicas que afectan a las variables en funcin de su
propia naturaleza y el lugar donde se encuentran situadas en el proceso. Para
llevar a cabo la compensacin dinmica es necesario introducir una funcin de
tiempo lead/lag en las variables de perturbacin, de forma que el sistema de
control pasa a ser el de la Figura 2.3.

La compensacin dinmica hace coincidir en el tiempo las variables para que nos
e produzca desviacin entre el valor real de la variable controlada y el valor
deseado como referencia.


Figura 2. 3 Diagrama de un intercambiado de calor con compensacin dinmica

Seccin 3. Reajuste por medio de feedback

Existen influencias externas que producen errores en el clculo. Como
consecuencia la temperatura de salida puede sufrir deriva, produciendo un error
permanente. Entre las influencias externas se pueden citar:

Cambio en la presin del vapor, haciendo que se modifique su entalpa.
Cambio en las condiciones ambientales noche y da invierno y verano, etc.
Ensuciamiento en los tubos del cambiador.

Todo esto hace que sea necesario recurrir a un procedimiento que sea capaz de
mantener la variable controlada en su valor de referencia. Este procedimiento es el
control feedback.

La Figura 2.4, muestra el sistema de control anterior incluyendo un controlador
temperatura en la lnea de salida de producto, el cual acta como reajuste o
feedback. Este controlador mantendr la temperatura en el valor de referencia


deseado, corrigiendo los desequilibrios producido por la perturbaciones no
medidas y lo errores de clculo.

Figura 2. 4 Diagrama de un intercambiado de calor con compensacin dinmica

Leccin 2. Control en cascada

En la prctica existe gran cantidad de proceso con lazos simples de control
feedback entre los que se produce interaccin. Para eliminarla es necesario
medirla y controlarla por medio de un sistema de control denominado cascada. La
figura 2.5 muestra un ejemplo tpico a partir del cual se va a contemplar el
funcionamiento del sistema.


Figura 2. 5 Diagrama tpico de nivel de un tanque para el ejemplo del control en cascada

Para controlar el nivel en el fondo de un recipiente se utiliza, en principio, un
controlador que acta directamente sobre la vlvula. Mientras aguas debajo de la
vlvula automtica no se produzca ninguna perturbacin se efectuar un control
de nivel aceptable. Si por alguna causa disminuye la presin aguas abajo, la
vlvula dejar pasar ms caudal para la misma apertura al haber aumentado la
diferencia de presin a travs de ella. La posicin de vlvula se corregir cuando
disminuya el nivel y su controlador disminuya la salida en cantidad suficiente para
buscar un nuevo equilibrio.

Tomando la vlvula como un orificio de restriccin en el que antes y despus
existen las presiones
1
P y
2
P respectivamente, se puede aplicar la ecuacin de
clculo de caudal, la cual de forma simplificada es la siguiente:
2 1
* P P K Q =

Esto hace que al disminuir
2
P aumente el caudal de paso para la misma apertura
de vlvula. Se puede observar, por tanto, que un cambio en la diferencia de
presin ocasiona un cambio en el paso por la vlvula, que a su vez modifica el
nivel en el recipiente. En otra palabras, existe interaccin entre caudal y nivel, la
cual se puede de amortiguar efectuando control en cascada, tal como aparece en
la Figura 2.6. Con esta tcnica, tan pronto se modifique el caudal se llevar a cabo


la correccin necesaria sobre la vlvula antes que se vea afectado el nivel del
recipiente.

Figura 2. 6 Aplicando control en cascada

Llegados a este punto se puede ver que un sistema de control en cascada utiliza
dos controladores feedback. Solamente uno de ellos, denominado esclavo o
secundario, tiene salida al proceso, en este ejemplo el controlador de caudal. El
controlador de nivel, denominado mster o primario, se utiliza para fijar el punto de
ajuste del secundario. La variable a controlar es la medida del controlador
primario, mientras que la medida de caudal del secundario es una variable
intermedia.

En un sistema de control en cascada, la dinmica del lazo secundario deber ser
siempre ms rpida que la del primario. En caso contrario no es posible que
funcione correctamente.

La Figura 2.7, muestra un diagrama de bloques del ejemplo mostrado en al Figura
2. 6, a partir del cual se pueden deducir dos comportamientos.


Figura 2. 7 Diagrama en bloques aplicando el control en cascada en el nivel de un tanque

Si la perturbacin ocurre en el lazo de control interior (caudal), el
controlador secundario inicia la accin correctiva antes que se traslade al
lazo de control exterior (nivel).
Si la perturbacin ocurre en el lazo exterior (nivel), el comportamiento de la
cascada hace que se modifique el punto de ajuste del lazo interior. En este
caso el conjunto se comporta prcticamente como si fuera un solo control
feedback.

Seccin 1. Algunos ejemplos de control en cascada.

Adems del ejemplo mostrado en la Figura 2.6, se muestran a continuacin otros
ejemplos tpicos de control en cascada. La figura 2.8, muestra el control entre nivel
y caudal de salida del acumulador de una columna de destilacin. Este sistemas
se utiliza parra cerrar el balance de materia en cabeza de la columna. Tambin
aparece el control en cascada entre temperatura y caudal de reflujo.


Figura 2. 8 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de destilacin

En este ejemplo se trata de una columna de destilacin a condensacin total, es
decir, todo el producto que sale por cabeza se condensa y llega al acumulador en
fase lquida, de donde se reparte en dos corrientes, una de ellas retorna como
reflujo y la otra abandona el proceso como destilado. Al mantener el reflujo
constante, este sistema hace que las variaciones de nivel ocasionada por la mayor
o menor acumulacin de producto hagan que la salida de destilado sea variable
para cerrar el balance de materia.
La Figura 2.9, muestra el caso de un intercambiador de calor en el que se debe
controlar la temperatura de salida de uno de los productos manipulando el caudal
de entrada del otro producto.

Figura 2. 9 Diagrama de control entre nivel y caudal de salida del acumulador de una columna de destilacin


Este caso se puede hacer extensivo a todos los intercambios de calor utilizados en
proceso unitarios. Por ejemplo, en una columna de destilacin se pueden
presentar dos casos tpicos, como son:

Control temperatura de fondo. La temperatura de producto puede estar
situada en el plato sensible de fondo de la columna, mientras el caudal
corresponde al fluido calefactor del reboiler, representado por el cambiador
de calor, como muestra la Figura 2.11.

Control temperatura de cabeza. La temperatura de producto corresponde
al plato sensible situado en la pare superior de la columna, mientras que el
caudal corresponde al reflujo como muestra la Figura 2.8.

Tanto en el caso de fondo como en el de cabeza, las temperaturas podran ser
sustituidas por cromatgrafos para controlar la composicin de los productos de
ambos extremos de la columna.

Otro caso tpico es el correspondiente al control de combustin de un horno,
representado en la Figura 2.10.

El control en cascada controla la temperatura de salida del producto manipulando
la presin del combustible. En lugar de la presin se podra utilizar como
secundario el caudal, en cuyo caso la vlvula automtica debera estar situada
despus de la medida e caudal, para evitar la perturbacin que se produce al
variar la presin posterior a la vlvula.


Figura 2. 10 Diagrama de control de combustin de un horno

Queda, por ltimo, comentar que a veces se utilizan sistemas con tres
controladores en cascada, como queda representado en la Figura 2.11.

Figura 2. 11 Diagrama de control de sistemas con tres controladores en cascada
En realidad estos casos suelen ser ms tericos que prcticos, por la dificultad
que existe para sintonizar tres lazos de control en serie. En cualquier caso, si se


utiliza este sistema de control, los parmetros de ajuste del lazo de composicin
del producto deben ser lo suficientemente relajados para no producir oscilacin en
el conjunto.

Con alternativa a los tres controladores en serie se puede utilizar alguno de los
sistemas siguientes:

Control incremental de composicin. Dado que la composicin del
producto cambia de manera lenta, en lugar del AC se puede utilizar un
controlador incremental que modifique el punto de ajuste del controlador de
temperatura peridicamente, no de forma continua como lo hace un
controlador PID normal. En realidad es un controlador integral con
incrementos constantes.

Control de composicin alternativo al control de temperatura. Con el
fin de eliminar uno de los controladores, puesto que tanto la temperatura
como la composicin estn asociados a la calidad del producto, se puede
configura el sistema que aparee en la Figura 2.12.

Figura 2. 12 Diagrama de control de sistemas con tres controladores en cascada

Con este sistema se puede utilizar, por ejemplo, como controlador primario
principal el correspondiente a la composicin, y slo en caso de fallo de ste, o a


voluntad de operador, pasar a controlar con el correspondiente a al temperatura,
accionando el conmutador manual HS. En este caso el TC ser un controlador
primario de reserva.

Leccin 3. Control de relacin (ratio control)

Seccin 1. Relacin de caudales

Es un sistema en donde se va a controlar una variable secundaria en relacin
directa a otra variable denominada primaria. Un ejemplo tpico es la relacin
lquido/vapor en un proceso de absorcin.- En este proceso se capturan o
condensan ciertos componentes de una corriente de gas por medio de un
absorbente lquido. La figura 2.13, muestra un absorbedor en el que se elimina
2
SH utilizando como absorbente Mono Etanol Amina (MEA). El caudal de
alimentacin contiene el gas a absorber. La variable a manipular es el caudal de
absorbente. Sin intentar realizar aqu un balance de materia exhaustivo entre las
cuatro corrientes que intervienen en el absorbedor, es importante resaltar que la
variable a manipular es la relacin L/V, sujeta a reajustes debidos a variaciones en
la composicin de la alimentacin

Para mantener la relacin L/V es necesario utilizar un sistema feedforward como el
que aparece en la Figura 2.14. Por medio de este sistema, para mantener
constante la relacin L/V se modifica el caudal de absorbente en funcin del
caudal de alimentacin.


Figura 2. 13 Diagrama de un absorbedor en el que se elimina SH
2
utilizando como absorbente Mono Etanol
Amina (MEA)

Esta relacin mantiene a su vez la concentracin de la corriente de fondo, o bien
de cabeza, dependiendo de la calidad del producto que se desea controlar.

La relacin se puede ajustar manualmente o de forma automtica. Un ejemplo
tpico de ajuste automtico es el control de relacin aire combustible en el proceso
de combustin de una caldera.

En este caso la relacin se puede ajustar manualmente o de forma automtica. Un
ejemplo tpico de ajuste automtico es el control de relacin aire combustible en el
proceso de combustin de una caldera. En este caso la relacin se reajusta por
medio de un analizador de oxgeno situado en la salida de gases efluentes de la
combustin.


Figura 2. 14 Sistema feedforward aplicado al absorbedor

Seccin 2.Relacin caudal parcial a caudal total

Este sistema se representa en la Figura 2.15, y es una variante del anterior. Se
utiliza fundamentalmente por las siguientes razones:

Donde es imposible medir el caudal (A) o no controlado antes de realizar la
mezcla, bien por estar inaccesible, por su alta viscosidad, o cualquier otra
causa. (despus de la dilucin disminuye la viscosidad y puede ser
medido.)

Donde se desea aadir el lquido en relacin al total y saber que este total
contiene un porcentaje del componente deseado (B). se utiliza para mezclar
las componentes, como se ver en el sistema de blending.


Figura 2. 15 Sistema de relacin caudal parcial a caudal total

Seccin 3.Relacin de cantidades

En este sistema se controla la cantidad total de la variable secundaria en relacin
directa a ala cantidad total (acumulada) de la variable primaria no controlada. Se
obtiene una dosificacin ms precisa que cuando se controlan caudales
instantneos, sobre todo cuento se trata de cantidades pequeas. Al comparar
caudales totalizados este sistema mantiene el porcentaje de los componentes de
la mezcla de forma ms precisa.

La ventaja de este control es que permite que existan desviaciones temporales de
una de las variables, ya que el sistema es que permite que existan desviaciones
temporales de una de las variables, ya que el sistema las compensa
automticamente con posterioridad.

Este sistema tiene gran utilidad en mezcla de grandes cantidades de producto, en
la cual es necesario aadir componente de forma exacta como ocurre en el
blendig de gasolina o gasleo. La figura 2.16 muestra un sistema de control de
este tipo en el que el sumador va acumulando el valor de la ejecucin anterior ms
el de la actual, dando como resultado un caudal acumulado que es el que se
utiliza para llevar a acabo el control de relacin.


Figura 2. 16 Sistema de control para relacin de mezcla

Leccin 4. Mezcla de productos (Blending)

El blending, o mezcla de productos, es una aplicacin de control que utiliza las
tcnicas de control de relacin de forma mltiple para realizar una mezcla con
varios componentes, tal como muestra de forma simplificada la Figura 2.17, dos
casos tpicos de blending son los correspondientes a la formulacin de gasolina y
gasleo a partir de varios componentes.


Figura 2. 17 Sistema de control para blending

Solo se va a mencionar el comportamiento del sistema tratado como control de
relacin. Por tanto, lo puntos de ajuste de cada componente se fijan en funcin de
valores obtenidos por simulacin u optimizacin OFF LINE. Existen sistemas en
los que se puede realizar optimizacin ON LINE, en cuyo caso los puntos de
ajuste se van adaptando a valores calculados en funcin de las composiciones
deseadas por ejemplo Presin de Vapor Reid, ndice de Octano, etc. Dada la
problemtica asociada ala factor de servicio de los analizadores en lnea, este
sistema tiene una utilizacin limitada. De forma simple, factor de servicio es el
tanto por ciento del tiempo que el analizador se encuentra funcionando y
disponible para efectuar control automtico.

Sin entrar en detalle sobre la forma de realizar el control del blending, a
continuaciones relacionan algunas de sus particularidades:

Velocidad de mezcla. Corresponde al punto de ajuste fijado en el
controlador mster de caudal situado en lnea comn (Blender), donde se


unen todos los componentes. Se fija en unidades de caudal, por ejemplo,
500 h m /
3
. A veces se conoce como demanda mster.

Volumen de mezcla. Es la cantidad total de producto que se desea obtener
en la mezcla. Se fija en unidades de volumen, por ejemplo, 10.000
3
m .

Relaciones parciales de componentes. La suma de puntos de ajuste de
las relaciones correspondiente a todos lo componentes ha de ser igual al
100%.

Volmenes parciales. Se deben calcular dos volmenes, correspondientes
a los puntos de ajuste de cada componente (terico), y a las medidas de
caudal de paso (real). Cuando se produce desviacin entre ellos se deben
corregir los caudales correspondientes por medio del bas asociado a cada
lazo. Realmente la salida del controlador de relacin corresponde al valor
terico de punto de ajuste que corresponde a cada componente, mientras
que el pinto de ajuste real de de controlador de caudal es la suma del
terico ms del bas aadido, si se produce desviacin el volumen de paso
real con respecto al terico. Si no existe desviacin, el valor del bas ser
cero.

Arranque y para de bombas. Se realiza automtica la puesta en marcha
de las bombas situadas en las lneas de producto al mismo tiempo que se
inicia la mezcla. Asimismo se efecta la parada automtica al final de la
mezcla.

Capacidad de los tanques. La mezcla se inicia slo si el volumen
existente en los tanques origen es suficiente para suministrar el
correspondiente a la demanda de cada componente. Asimismo el tanque
destino debe tener capacidad suficiente para el volumen de mezcla fijado.

Seccin 1.Funcionamiento del sistema de mezcla

En la figura 2.18, aparecen las diferentes fases que componen el desarrollo de
una mezcla de productos.


Figura 2. 18 Diferentes fases que componen el desarrollo

Inicio. La velocidad de mezcla se inicia en cero y va aumentando hasta
alcanzar su valor de referencia fijado en el punto de ajuste del controlador
mster de caudal el tiempo hasta alcanzar el punto de ajuste est destinado
ala sistema de rampa ascendente de caudal.

Funcionamiento normal. Una vez alcanzada la velocidad de mezcla, o
demanda del mster, el caudal permanece en ese valor mientras no ocurra
ninguna incidencia.

Pacing. Durante el tiempo que permanece la velocidad de mezcla en su
valor de referencia se puede presentar una condicin de pacing.
Generalmente esta condicin se asocia a la posicin de vlvula de los
diferentes componentes, de forma que si alguna de ellas alcanza un valor
prximo al 100% es necesario reducir la velocidad de mezcla. Si no se
realiza la reduccin nos e alcanzar la mezcla deseada porque el
componente cuya vlvula ha alcanzado el 100% est fuera de control y el
caudal de paso no corresponder al fijado en su punto de ajuste. Cuando
desaparece la condicin de pacing se puede volver el valor anterior de
velocidad de mezcla bien de forma manual o automtica. El pacing se trata
en realidad de acompaar la velocidad de mezcla a las restricciones
producidas por la apertura de vlvula de los componentes.

Pre-parada. A un cierto valor de volumen de mezcla, por ejemplo 95%, se
llega a la condicin conocida como pre-parada. En este momento se inicia
un sistema de rampa descendente hasta alcanzar una velocidad de mezcla
denominada valor de retencin, en el cual permanecen todos los
componentes hasta finalizar la mezcla. Realmente se trata de frenar la


velocidad para poder realizar el ajuste final de cada uno de los
componentes de la mezcla.

Parada. La parada de la mezcla se realiza cuando todos los componentes
han alcanzado su volumen prefijado. Dado que se conoce el volumen total
de mezcla y la relacin de cada componente tambin se conocen los
volmenes parciales, de forma que cuando cada componente alcanza su
volumen prefijado se cierra automticamente la vlvula automtica. De esta
forma el volumen total corresponde exactamente con el prefijado.
Lgicamente todas las vlvulas no se cierran al mismo tiempo, sino que lo
hacen en funcin de cuando se alcance el volumen de cada componente.

Leccin 5. Control selectivo

Existen muchas ocasiones en las que entre varias medidas o salida de
controladores se debe seleccionar una de ellas, bien por razones de seguridad,
eficacia, etc. En el caso de medidas, el sistema slo realiza la funcin de selector
puro, puesto que se trata de variables cuyo valor es fijo. Como ejemplo tpico se
tiene la seleccin de la temperatura ms alta en un reactor, la cual va a ser
utilizada como variable de proceso para un controlador. Se trata de seleccionar
entre los milivoltios generados por cada uno de los termopares implicados.

Cuando se trata de seleccionar entre los milivoltios generados por cada uno de los
termopares implicados.

Cuando se trata de seleccionar una salida entren la de varios controladores, la
variable a seleccionar no es fija, sino flotante. Las salidas de los controlador son
seleccionados tienden a desplazar de hacia un externo u otro del rango. Estro se
debe a que las salidas son el resultado de aplicar la ecuacin del controlador PID
que, como se sabe, tiene una componente debida a la accin integral que lleva a
saturar su salida en alguno de los extremos cuando existe error entre medida y
punto de ajuste. El fenmeno de saturacin debida a la accin integral se conoce
como reset windup, y el tipo de control selectivo se conoce como override.


Seccin 1. Antisaturacin (Anti reset windup)

En el control selectivo override siempre existe uno o ms controladores cuya
salidas no est seleccionada, dada la propia naturaleza a de este tipo de control.
Con objeto de simplificar, a partir de aqu se supone que slo existen dos
controladores cuya salda reenva a un selector. El controlador no seleccionado
tendr un error permanente entre la variable proceso (PV) y punto de ajuste (SP),
por lo que su salida (OP) ser inferior a la seleccionada dependiendo si el selector
es de mxima o mnima respectivamente.

Si los controladores slo disponen de accin proporcional, la salida no
seleccionada tendr un valor fijo proporcional al error. Si adems disponen de
accin integral, la salida no seleccionada llegar a saturarse con el tiempo debido
a la integracin del error, por lo que si no existe ningn sistema que evite esta
saturacin la salida se ir a un valor por encima del mximo o por debajo del
mnimo, aunque el indicador de salida ste en 100 o 0% respectivamente. Esta
particularidad hace que el cambio de variable controlada no se haga justo en el
momento en que la no seleccionada cambie el signo del error, sino que hace falta
adems que elimine la saturacin debida a ala accin integral (reset windup), para
que pase a se la variable controlada principal.

Para evitar la saturacin, los sistemas de control distribuido disponen de
limitadores de accin integral, de forma que se evite la saturacin del controlador
no seleccionado. A modo de ejemplo se describen a continuacin dos sistemas
para evitar la saturacin.

Limitar la accin integral de los controladores en un valor de salida
determinado, Por ejemplo, 90 y 10%. A partir de estos valores de salida del
controlador se elimina el efecto de la accin integral, reduciendo la
saturacin E la Figura 2.19, las salidas no seleccionadas permanecera en
el 90%. Para llevar a cabo el cambio de variable, el controlador nos
seleccionado tuene que aproximar su salida desde 90 a 60%.


Figura 2. 19 Control selectivo Anti reset windup
Algunos sistemas de control distribuido disponen de ajuste de banda de
seguimiento de la salida no seleccionada con respecto a la seleccionada,
por ejemplo, 5%. En la Figura 19, la salida no seleccionada estara en el
65%. De esta forma el cambio entre variables controladas se hace
rpidamente (65 a 60%) evitando perturbaciones en le proceso.
Algunos sistemas disponen de controladores con external feedback. A esta
entrada se conecta la salida del selector, de forma que la salida del
controlador no seleccionado se encontrar muy cerca de la salida del
selector, evitando la saturacin del controlador.

Seccin 2. Control override en estacin de bombeo

Existen ocasiones en las que es necesario limitar una variable de proceso en un
valor determinado, alto o bajo, para evitar daos en equipos o al proceso. Un
ejemplo tpico lo constituyen las estaciones de bombeo en las que existen dos
variables controladas y una sola manipulada, tal como se muestra la Figura 2.20.

Figura 2. 20 Control selectivo override


Las variables controladas son las presiones de aspiracin e impulsin o descarga,
mientras que la manipulada es la vlvula automtica situada en la lnea de
impulsin. En condiciones normales deber ser controlada la presin de impulsin.
Solamente se limitar este control si la presin de aspiracin disminuye de u cierto
valor, en cuyo caso pasar a ser la variable controlada.

La salida de los controladores se conecta a un selector override de mnima seal.
El punto de ajuste del controlador de presin de aspiracin est situado por
debajo de la presin normal de operacin. Debido al error entre PV y SP, su salida
se encontrar al mximo debido a la componente integral y tener configura accin
inversa. El controlador de impulsin tambin tiene accin inversa y mantiene la
presin en el punto de ajuste deseado. Por tanto, su salida ser menor que la del
consolador de presin de aspiracin.

En condiciones normales de operacin, el selector de mnima seal tendr
seleccionada la del controlador de impulsin para enviarla a al vlvula automtica.
Cunado, por haber aumentado el caudal de paso, la presin de aspiracin
disminuya por debajo de su punto de ajuste la salida del controlador disminuir,
hacindose menor que la correspondiente al controlador de impulsin. Como
consecuencia el selector dejar pasar la salid del controlador de aspiracin hacia
la vlvula automtica, protegiendo de esta forma la bomba. E este momento se
producir un error permanente en el controlador de descarga, siendo su PV menor
que el SP, por lo que la salida de este controlador aumentar dejando de ser
seleccionada.

Seccin 3. Control override para medida de caudal de LPG

Como su nombre indica, el Gas Licuado de Petrleo (Liquefied Petroleum Gas), se
encuentra en fase gas a presin atmosfrica y temperatura ambiente. Con objeto
de mantenerlo en fase lquida debe estar sometido a una cierta presin por encima
de la presin de vapor del butano, propano y etano contenidos en la mezcla.

En la Figura 2.21, la salida de los controladores de caudal y presin se envan a
un selector de mxima seal. En condiciones normales la salida del controlador de


presin estar por encima de la correspondiente al controlador de caudal, estando
por tanto controlando el caudal da su valor deseado. Si por alguna circunstancia
disminuye la presin, disminuir tambin la salida de su controlador, pasando ste
a controlar al alcanzar la medida el punto de ajuste, el cual estar fijado a la
mnima presin para que el GLP permanezca en fase lquida.

Figura 2. 21 Control override para medida de caudal de LPG

El comportamiento aparece en la Figura 2.22, mientras la presin est situada por
encima de su punto de ajuste, el caudal se mantendr en el valor deseado.
Cuando la presin alcanza su punto de ajuste, el controlador hace que ste se
mantenga constante, disminuyendo el paso de caudal para evitar que se gasifique
el GLP, lo cual producira errores en la medida.

Figura 2. 22 Comportamiento del control override para la medida del caudal de LPG


Seccin 4. Control override en un intercambiado tipo Kettle

Por ltimo se describe el funcionamiento de un control override entre presin nivel
en los equipos situados en cabeza de una columna desetanizadora, como aparece
en la Figura 2.23.

Figura 2. 23 Sistema de control override entre presin nivel en los equipos situados en cabeza de una
columna desetanizadora

La refrigeracin se realiza con fraccin C3 que entra al condensador en fase
lquida y lo abandona en fase gas. En el condensador se realiza el cambio de fase,
en el cual el calor latente de vaporizacin hace que se condense el vapor
procedente de cabeza de la columna.

La presin se controla en el acumulador, de forma que si sta aumenta abrir la
vlvula automtica inundando tubos con lquido refrigerante. El gas producido en
el cambio de fase se acumula en la parte superior del condensador tipo Kettle, de
donde pasa a la aspiracin de un compresor para volver a condensarlo y repetir el
ciclo al tratarse de un circuito cerrado.

Al abrir la vlvula automtica aumentar el nivel en el condensador, hasta el
extremo de inundar totalmente los tubos. En este momento se tiene la mxima


capacidad de refrigeracin posible, por lo que no es necesario dejar pasar ms
lquido por la vlvula. Pa evitar que siga aumentando la apertura de vlvula,
pasar a controlar el nivel a travs del selector override de mnima seal.

El controlador de presin tiene configurada accin directa, por lo que al aumentar
la presin aumenta la salida, mientras que el controlador de nivel tiene configurada
accin inversa, de forma que al aumentar el nivel disminuye su salida. Como
consecuencia de este comportamiento, el selector override deber ser de mnima
seal. Este sistema de control protege el circuito de aspiracin del compresor de la
posible entrada de lquido con los consiguientes daos que esto producir en la
mquina.


CAPITULO 2. IDENTIFICACIN DE SISTEMAS DINMICOS

Introduccin

El avance alcanzado por los sistemas computacionales, tanto en Hardware como en
Software, ha permitido el desarrollo de sistemas de control de procesos muy eficientes. La
implementacin de algoritmos fcilmente manejables por computadores o procesadores
dedicados al control ha dejado atrs a los controladores tradicionales. La continua
aparicin de nuevos controladores algebraicos y formulaciones de algoritmos de control
han impulsado el estudio y la teorizacin sobre mltiples tpicos y herramientas
matemticas relacionadas.
Esta ciencia trata de inferir modelos a partir de observaciones y estudiar sus propiedades.
Los modelos (hiptesis, leyes de la naturaleza, paradigmas, etc.) pueden tener un
carcter ms o menos formal, pero con la caracterstica bsica de enlazar observaciones
bajo algunos patrones. La identificacin de sistemas trata el problema de construir
modelos matemticos de sistemas dinmicos a partir de datos obtenidos del propio
sistema. La leccin se basa en metodologas tericamente bien sustentadas y, debidas a
la abundancia de sistemas dinmicos que existen a nuestro alrededor, las tcnicas de
identificacin de sistemas encuentran un extenso campo de aplicacin.
En trminos generales, un sistema es un objeto en el cual variables de diferente tipo
interactan y producen seales observables. Las seales observables que nos interesan
son llamadas salidas. El sistema es afectado por estmulos externos; algunos de los
cuales son manipulables por el observador, las entradas y por otras, las perturbaciones.
Estas perturbaciones pueden ser de dos tipos: las medibles directamente y aquellas de
las cuales slo pueden observarse sus efectos en la salida. Para el modelado de sistemas
no es muy importante la distincin entre perturbaciones y entradas.
La nocin de sistema es, obviamente, muy amplia, por cuanto este concepto representa
un papel muy importante en la ciencia moderna. Muchos problemas de diferente ndole
son solucionados con estructuras orientadas a sistemas. En trminos muy generales,
hablar de sistemas dinmicos implica que el valor presente en la salida de un sistema en
un instante depende no solamente de los valores de las entradas en ese instante sino
tambin de sus valores previos.
La identificacin pretende estudiar modelos inferidos a partir de observaciones. Obtener
las relaciones matemticas que ligan las variables de un proceso fsico no siempre es
posible de forma directa. La identificacin permite, mediante un conjunto de experiencias
sobre el sistema, la determinacin indirecta de estas ecuaciones.


Leccin 6. Generalidades

El funcionamiento de los procesos industriales ha cambiado drsticamente en las
ltimas dcadas. Este cambio es debido principalmente a la evolucin de la
tecnologa del computador. La automatizacin de los procesos ha
comportado un aumento de la productividad de algunos sectores industriales,
obligando a la industria a adaptarse a las demandas de mercado y
aumentar su competitividad [Backx, 1993].
Para aumentar la competitividad ha sido necesario desarrollar nuevas
tcnicas: mtodos y herramientas que permitan maximizar la eficiencia de los
procesos, desarrollando controladores de gran calidad, y maximizar la flexibilidad
de los procesos con el menor ajuste de la maquina. Para ello es imprescindible
conocer el comportamiento dinmico del proceso, principalmente de las
partes crticas. En la actualidad, cada vez ms, el trabajo de un ingeniero consiste
en la realizacin de modelos matemticos de los procesos estudiados [Ljung
1994]. Los modelos son utilizados en reas tan distintas como: bioingeniera,
construccin, economa, meteorologa, procesos qumicos,. . . .,etc. El campo de
utilizacin de dichos modelos es muy amplio, destacar aplicaciones como:
control, supervisin, prediccin, simulacin, optimizacin,....

A continuacin se comenta un poco ms las dos primeras ya que las tcnicas de
identificacin y el diseo de controladores han seguido un camino paralelo Segn
[Seborg, 1994], las estrategias actuales de diseo de controladores pueden
clasificarse en dos grupos: control convencional y control avanzado. El
control convencional consistente en el control: manual, PID, de relacin, en
cascada, en avance o retardo de fase. Segn dicho autor el 90 por ciento de los
controladores de procesos industriales son actualmente controladores
convencionales. Las estrategias de control avanzado se subdividen en tres
grupos: tcnicas de control convencionales (control desacoplado, control
selectivo, control con compensacin de retardo puro), tcnicas de control basadas
en modelos numricos (control predictivo, control adaptativo, control robusto,
control con modelo interno) y tcnicas de control basadas en conocimiento
(sistemas expertos, control neuronal, control fuzzy). Tanto para la utilizacin de
tcnicas de diseo convencionales como tcnicas avanzadas y especialmente las
basadas en modelos, es necesario un modelo numrico preciso del proceso


estudiado. Comentar tambin que los procesos industriales estn sujetos a
severos requerimientos de eficacia, disponibilidad y seguridad. La complejidad de
los mismos crece constantemente y esto hace necesario el desarrollo de
herramientas automticas de ayuda al operador humano: los sistemas de
supervisin. Entre las tareas de este tipo es necesario destacar las tareas
destinadas a la deteccin y diagnostico de fallos. Con una rpida deteccin de
los fallos se puede evitar desde una prdida de prestaciones hasta un deterioro
del sistema con consecuencias que pueden ser catastrficas para el propio
sistema e incluso para el personal de la planta. Los sistemas de deteccin de
fallos se basan en la obtencin de sntomas, de seales indicadoras de fallos, y su
anlisis para indicar la posible existencia y localizacin de dicho fallo. Uno de los
mtodos utilizados para ello es la comparacin del proceso con un modelo de
simulacin, son los mtodos denominados diagnostico basado en modelos
como en [Iserman84], [Gertler98]. Principalmente, por las dos razones expuestas
anteriormente diseo de controladores y mtodos de deteccin de fallos, es
necesario disponer de un modelo matemtico que se ajuste al comportamiento del
sistema estudiado.

El desarrollo de las tcnicas de diseo de controladores utilizando mtodos
numricos y las tcnicas de identificacin, se originaron simultneamente
[Backx93].

El inici de las tcnicas de identificacin, aplicadas a procesos con una
entrada y una salida, tienen su origen a principios de los aos 70 [strm70].

No sera hasta finales de la dcada de los 90 que empiezan aplicarse a procesos
industriales [Ljung87; Sderstrm89], algunas de ellas tiles para el estudio de
sistemas mltiple entrada mltiple (MIMO).

Leccin 7. Estructura y clasificacin de los modelos

Se denomina identificacin a la tcnica de construir un modelo a partir de las
variables medidas del proceso: entradas o variables de control, salidas o variables
controladas y, posiblemente, perturbaciones. En principio y con el objetivo


de modelizar se pueden proponer tres formas distintas de utilizar los
mtodos de identificacin:

1. Hacer distintas aproximaciones para estructurar el problema: seleccionar
las seales de inters, observar la dependencia entre ellas, estudiar el grado de
linealidad del proceso,

2. Construir un modelo que describa el comportamiento entre las entradas y las
salidas, prescindiendo del comportamiento fsico. Hay distintas formas de abordar
el problema, segn se consideren modelos no paramtricos o modelos
paramtricos.

3. Utilizar los datos para determinar los parmetros no conocidos del modelo fsico
obtenido a base del estudio de propiedades y leyes fsicas del proceso estudiado.
En este caso se habla de modelos tailor-made de los cuales se debe estimar
solamente los valores de los parmetros no conocidos. Para ello se recurre a
ensayos de comportamiento o pruebas fsicas y/o a la utilizacin de tcnicas de
optimizacin.
.
El curso propuesto se centra en las dos primeras. Otro aspecto a tener en cuenta
ser el tipo de modelo matemtico que se pretende identificar. Hay varias
formas de catalogar los modelos matemticos [Ljung94]: deterministas o
estocsticos, dinmicos o estticos, de parmetros distribuidos o concentrados,
lineales o no lineales, y de tiempo continuo o tiempo discreto. Los tipos de
modelos que se pretende analizar en este curso sern:

* Deterministas, ya que se quiere estudiar la relacin entre la entrada y la salida
con una parte no modelizable o no conocida (estocstica);

* Dinmicos, porqu el objetivo es conocer el comportamiento dinmico de
un proceso;


* De parmetros concentrados, no se considera la variacin en funcin del
espacio;

* Lineales o no lineales, se hara mayor nfasis a las tcnicas de identificacin de
modelos lineales, comentado algunas tcnicas para ser utilizadas en el caso de
sistemas no lineales;

* Tiempo continuo o tiempo discreto, se propone describir tcnicas para la
identificacin de modelos en tiempo discreto y continuo.

Se debe dejar claros varios aspectos en cuanto a la construccin de un modelo:
Un modelo se desarrolla siempre a partir de una serie de aproximaciones e
hiptesis y, por lo tanto, es una representacin parcial de la realidad; Un modelo
se construye para una finalidad especifica y debe ser formulado para que sea til a
dicho fin; Un modelo tiene que ser por necesidad un compromiso entre la
simplicidad y la necesidad de recoger los aspectos esenciales del sistema en
estudio

Leccin 8. Modelos para sistemas invariantes en el tiempo

Un modelo completo para un sistema invariante en el tiempo es:

y(k) = G(q
1
)u(k) + H (q
1
)e(k) (2.1)

El mtodo ms fcil para parmetrizar G(q
1
) y H (q
1
) es tomar funciones
racionales en las cuales el numerador y el denominador son polinomios y los
coeficientes de estos polinomios son los parmetros. Estos parmetros son los
que se van a identificar. Si se asigna a estos parmetros como entonces la
descripcin del sistema es la siguiente:


y(k) = G(q, )u(k) + H (q, )e(k) (2.2)

Seccin 1. Ecuacin de error modelo ARX (Autoregresive eXogenous)

La relacin entrada-salida esta descrita por una ecuacin diferencial de la forma
siguiente:

y(k) + a
1
y(k 1) + + a
n
(y n) = b
1
u(k) + + b
m
u(k m) + e(k) (2.3)

el termino
e(k)
es llamado RUIDO BLANCO y es un error directo en la ecuacin
diferencial. El vector de parmetros en este caso es:

= (a1 a2 . . . an b1 b2 . . . bm)
T
(2.4)

Considerando la notacin siguiente:

A(q
1
) = 1 + a q
1
+ a q
2
+ + a
n
q
n
(2.5)

B(q
1
) = b
1
+ b
2
q
1
+ + b
m
q
m+1
(2.6)
Entonces la relacin de entrada-salida es:
A(q
1
)y(k) = B(q
1
)u(k) + e(k) (2.7)


o tambin
(2.8)
y entonces
(2.9)
(2.10)
Estos modelos tambin se llaman modelos ARX AR porque de refiere a la parte
autoregresiva y A(q
1
)y(k) y X es la entrada B(q
1
)u(k). Fsicamente no son los
mas sencillos por su evidencia en el procedimiento debido a que la entrada de
ruido blanco esta filtrada por la dinmica de A(q
1
). Este modelo es la eleccin
inicial en todo proceso de identificacin sin embargo tiene una gran desventaja
frente a otros modelos que consiste en una descripcin defectuosa de las
influencias de las perturbaciones

Seccin 2. Ecuacin de error modelo ARMAX

y(k) + a
1
y(k 1) + + a
n
a(y n
a
) = b
1
u(k) + + b
n
bu(k
n
b) (2.11)
+1 + e(k) + c
1
e(k 1) + + cn
c
e(k n
c
) (2.12)

Para el vector de parmetros en este caso tenemos

= (a
1
. . . an
a
b
1
. . . bn
b
c1 . . . cn
c
)
T
(2.13)


Con

C (q
1
) = 1 + c
1
q
1
+ c
2
q
2
+ + c
n
q
n
(2.14)

La relacin de entrada-salida es:

A(q
1
)y(k) = B(q
1
)u(k) + C (q
1
)e(k) (2.15)

o tambin

(2.16)
y entonces
(2.17)

(2.18)

Seccin 3. Ecuacin de error modelo output (OE)


Los modelos de ecuacin de error descritos tiene una funcin de transferencia
que contienen un polinomio en comn A(q
1
) desde el punto de vista fsico es mas
razonable realizar la parametrizacin de H(q
1
) y G(q
1
) de manera diferente, por
ejemplo la relacin entre entrada y salida sin perturbacin puede ser dada por una
ecuacin diferencial lineal y(k), la perturbacin existe de un ruido blanco aditivo a
la salida y se encuentra el siguiente modelo:

(2.19)

Este es un modelo armax con A(q
1
= C (q
1
) = F(q
1
)

Modelo Box Jenkins: Una generalizacin evidente del modelo output error se
puede obtener modelando ms el error. Como descripcin ARMA para estos se
tiene la siguiente:
(2.20)
Seccin 4. Modelo General PEM

todos los modelos anteriores se obtienen como caso especial de el modelo
general cuya estructura es la siguiente:

(2.21)

En la mayora de los casos la bsqueda del modelo adecuado se limita a un
proceso de tipo iterativo, donde el conocimiento del sistema anterior es
fundamental para hallar el modelo nuevo, una vez se hayan encontrado un


conjunto de modelos tiles se debe elegir el modelo ptimo que consiga
aproximarse al conjunto de datos.

Leccin 9. Mtodos de visin global

Son aquellos mtodos con los cuales se obtienen modelos a partir de
mediciones. Estos modelos son generalmente grficas (modelos no
paramtricos) pero que a partir de estas curvas se pueden encontrar algunos
parmetros que determinan las dinmicas del proceso .por ejemplo: el tiempo
muerto
d
, la constante de tiempo ,coeficiente de amortiguacin y las diferentes
frecuencias tales como la de corte, resonancia, etc.

Seccin 1. Respuesta paso

Una forma de obtener empricamente las caractersticas dinmicas de un proceso
es a travs de una respuesta paso, al enviar una seal de paso u(t) como entrada
a un proceso se obtiene como salida paso y(t). En cuanto al modelo en s se
puede decir que la mayora de los procesos industriales responden a los
siguientes casos:

sistema de primer orden con un retardo puro ver figura (2.1)

(3.22)

sistema de primer orden con integradores ver figura (2.2)


(2.23)

sistema de 2do orden ver figura (2.3)

Figura 2. 24. Respuesta al escaln de un sistema de primer orden con retardo

(3.24)


Esta representacin, como se muestra, responde a ecuaciones diferenciales que
vinculan entrada y salida. Si se desea usar la representacin equivalente en
ecuaciones en diferencias, como se mostr anteriormente, se obtendra:

sistema de primer orden con un retardo puro

(3.25)

sistema de primer orden con integrador

(3.26)
sistema de 2do orden


Figura 2. 25 Respuesta al escaln de un integrador

Figura 2. 26 Respuesta de un sistema de 2do orden

(3.27)


Esta forma es ms conveniente para representar un proceso cuando usamos un
computador como elemento de clculo. Con otra percepcin tambin podemos
utilizar la expresin heredada del mtodo de smith que es totalmente
equivalente.

(3.28)

La ganancia en estado estacionario K
p
se puede obtener facilmente de la razn
del valor final en estado estacionario y sobre la amplitud de la entrada u, el
tiempo muerto
d
puede ser ledo de la curva y(t). La constante de tiempo
puede ser estimada del tiempo que toma la salida y(t) en alcanzar el 63.2 por
ciento del valor final del estado estacionario
Seccin 2. Tcnicas frecuenciales

Los sistemas lineales pueden tambin definirse a partir de la respuesta frecuencial
G(j). Mientras que las respuestas transitorias y el anlisis de correlacin
tienen por objetivo estimar la respuesta impulsional, las tcnicas frecuenciales
tienen por objetivo la estimacin directa de la respuesta frecuencial, el cambio a
partir de ella se estiman los parmetros de la funcin de transferencia se abordar
en otro tema. Las tcnicas que se presentan en este apartado son el anlisis de
Fourier y el anlisis espectral.

Anlisis de la respuesta frecuencial

El anlisis de la respuesta frecuencial es un mtodo simple para obtener
informacin acerca de un sistema lineal. Consiste simplemente en describir
como se comporta el sistema cuando esta sometido a una entrada senoidal. Al
aplicar una seal de entrada definida por:


u(t) = sen(t) (3.29)

la respuesta del sistema puede describirse como:

y(t) = |G(j)|sen(t + ) + v(t) + transitorio (3.30)

Donde () = argG(j) Asumiendo que se puede ignorar el transitorio y considerar
solo la respuesta estacionaria, la salida del sistema puede utilizarse directa-
mente para determinar G(j). Observando simplemente la seal de entrada y de
salida, se puede calcular la ganancia y el desfase entre ambas seales. La figura
(3.4) muestra como evaluar la respuesta a una entrada senoidal.


Figura 2. 27 Evaluacin de la respuesta sinusoidal.

La ganancia y la fase se obtienen: G(j) =

Cuando el experimento se repite con distintas frecuencias pertenecientes al
ancho de banda del sistema, el resultado puede dibujarse en forma de diagrama
de Bode. Las ventajas de este mtodo son: Es fcil de utilizar y no se requiere un
procesado difcil de los datos. No es necesario hacer ninguna suposicin sobre la
estructura del modelo, solo considerar que se trata de un modelo lineal. Es fcil
concentrar el estudio del proceso en un rango de frecuencias determinado.
Los inconvenientes que presenta este mtodo son: Dan como resultado una tabla
de datos o un grfico que no puede ser utilizado directamente en
simulacin. Son necesario largos periodos de pruebas si se quiere evaluar el
valor de G(j) para un gran nmero de frecuencias. Es muy sensible al ruido
presente en el sistema y no da ningn valor medio estadstico. En la mayora
de las veces resulta difcil determinar el valor de desfase entre las seales.
Para evitar el problema de las perturbaciones, se puede utilizar el
denominado mtodo de correlacin para el anlisis de la respuesta frecuencial.
Tal como se muestra en la figura 2.28, consiste en multiplicar la salida del sistema
por una seal seno y una seal coseno de la misma frecuencia que la entrada del
sistema y a continuacin integrar las seales obtenidas considerando un intervalo
especifico de medida T
m
:

(2.31)
(2.32)
La estimacin de la amplitud y de la fase se calcula mediante:
(2.33)


(2.34)

Figura 2. 28 Anlisis de la respuesta frecuencial con tcnicas de correlacin

Para minimizar el efecto de las perturbaciones, la duracin de las medidas T
m
debe ser siempre un mltiplo del periodo de la seal de test. En el mercado hay
equipos que utilizan este mtodo para realizar el anlisis frecuencial. El principal
inconveniente de este mtodo radica en el hecho de que en la mayora de
procesos industriales no es posible aplicar una seal senos como entrada en
operacin normal y, al igual que el mtodo anterior, requiere repetir los
experimentos para muchas frecuencias, hecho que en muchos casos lo hace
inviable.

Seccin 3. Anlisis de Fourier
Se dice que una seal, u(t), es de energa finita s: Caso continuo
(2.35)
(2.36)


Si la entrada tiene energa finita, es posible determinar la funcin de transferencia
frecuencial utilizando la transformada de Fourier de las seales de entrada y
salida:
(2.37)
En el caso de tener acceso a datos en un intervalo de tiempo finito 0 < t < s , la
transformada de Fourier de las seales se determina mediante:
(2.38)
(2.39)

por lo tanto, la estimacin de la funcin de transferencia emprica (ETFE)
se determina con la ecuacin:
(2.40)

n el caso en que se disponga de datos muestreados: u(kT ), y(kT ) para k
=1 . . . , N se puede utilizar para el clculo de la transformada de Fourier discreta:

(2.41)
(2.42)
siendo T el periodo de muestreo y N=s/T.


Cuando la frecuencia tiende por valor , para r = 0, . . . N 1, y N se
ajusta a una potencia de dos, es posible utilizar la FFT para estimar los valores de
Ys() yUs() .

Leccin 10. Mtodo de estimacin por mnimos cuadrados generalizado
(GLS)

El mtodo de mnimos cuadrados presenta como principal inconveniente la
no- convergencia del algoritmo cuando el ruido presente en el proceso no es
blanco. Una posible forma de solucionar el problema es utilizando el mtodo de
mnimos cuadrados generalizado el cual es una extensin del mtodo LS [strm
71], [Zhu93].
Al considerar un modelo de tipo:
A(q
1
)y(t) = B(q
1
)u(t nk) + H (q
1
)e(t) (2.43)
S la funcin de transferencia discreta del ruido, H(q
1
), es conocida, el modelo
puede transformarse de la forma:
(2.44)
donde:
(2.45)
(2.46)

Con estas nuevas seales filtradas de la entrada y la salida, el problema
podra ser resuelto aplicando el mtodo clsico de LS. Por lo tanto el mtodo GLS
puede interpretarse como un problema de estimacin de LS aplicando como
criterio la generalizacin del error. El problema que se plantea en la
utilizacin de este mtodo es que la funcin de transferencia H (q1) no es


conocida. Para solucionar este problema se requiere un proceso iterativo en
cuatro etapas el cual consiste en que con el mtodo LS, hacer una primera
estimacin de los polinomios A(q1 ) y B(q1):

A(q
1
)y(t) = B(q
1
)u(tnk) + v(t) (2.47)

y despus analizar el residuo, (t), y determinar por ejemplo un modelo AR para
aproximar H(q
1
). En este caso se tiene un modelo denominado ARARX
( )
( )
1
1
1
=
q D
q G
(2.48)
(2.49)

La estimacin de D(q
1
)requiere otra vez la utilizacin del mtodo LS
Filtrar(blanquear) la entrada y la salida usando el modelo obtenido en la etapa
anterior
(2.50)
(2.51)

Hacer una nueva estimacin por mnimos cuadrados utilizando las seales
filtradas. Este proceso debe repetirse, a partir de la segunda etapa, tantas veces
como sea necesario hasta conseguir la convergencia. La convergencia del
mtodo se evala comprobando que los residuos definidos obtenidos sean
blancos. Para ello puede utilizarse el test de auto correlacin. Para utilizarse este
mtodo deben definirse tanto el orden de la parte determinista como el orden de la
parte estocstica. Para simplificar el problema, la mayora de las veces se
considera que son del mismo orden.


CAPITULO 3. CONTROL DIFUSO
Introduccin
La lgica borrosa es una rama de la inteligencia artificial que se funda en el
concepto "Todo es cuestin de grado", lo cual permite manejar informacin vaga o
de difcil especificacin si quisiramos hacer cambiar con esta informacin el
funcionamiento o el estado de un sistema especifico. Es entonces posible con la
lgica borrosa gobernar un sistema por medio de reglas de 'sentido comn' las
cuales se refieren a cantidades indefinidas.
Las reglas involucradas en un sistema borroso, pueden ser aprendidas con
sistemas adaptativos que aprenden al ' observar ' como operan las personas los
dispositivos reales, o estas reglas pueden tambin ser formuladas por un experto
humano.
En general la lgica borrosa se aplica tanto a sistemas de control como para
modelar cualquier sistema continuo de ingeniera, fsica, biologa o economa
La lgica borrosa es entonces definida como un sistema matemtico que modela
funciones no lineales, que convierte unas entradas en salidas acordes con los
planteamientos lgicos que usan el razonamiento aproximado.
Se fundamenta en los denominados conjuntos borrosos y un sistema de
inferencia borroso basado en reglas de la forma " SI....... ENTONCES...... ", donde
los valores lingsticos de la premisa y el consecuente estn definidos por
conjuntos borrosos, es as como las reglas siempre convierten un conjunto borroso
en otro.


Leccin 11. Historia de la lgica borrosa.

La lgica borrosa (Fuzzy Logic) ha surgido como una herramienta lucrativa para el
control de subsistemas y procesos industriales complejos, as como tambin para
la electrnica de entretenimiento y hogar, sistemas de diagnstico y otros sistemas
expertos. Aunque la lgica borrosa se invent en Estados Unidos el crecimiento
rpido de esta tecnologa ha comenzado desde Japn y ahora nuevamente ha
alcanzado USA y tambin Europa. La lgica borrosa es todava un boom en
Japn, el nmero de cartas patentando aplicaciones aumenta exponencialmente.
Principalmente se trata de aplicaciones ms bien simples de lgica borrosa.
Lo borroso ha llegado a ser una palabra clave para vender. Los artculos
electrnicos sin componentes borrosos se estn quedando gradualmente
desfasados. Como una mordaza, que muestra la popularidad de la lgica borrosa,
cada vez es ms frecuente un sello con "fuzzy logic" impreso sobre el producto.
En Japn la investigacin sobre lgica borrosa es apoyada ampliamente con un
presupuesto enorme. En Europa y USA se estn realizando esfuerzos para
alcanzar al tremendo xito japons. Por ejemplo, la NASA emplea lgica borrosa
para el complejo proceso de maniobras de acoplamiento.
La lgica borrosa es bsicamente una lgica multievaluada que permite valores
intermedios para poder definir evaluaciones convencionales como s/no,
verdadero/falso, negro/blanco, etc. Las nociones como "ms bien caliente" o "poco
fro" pueden formularse matemticamente y ser procesados por computadoras. De
esta forma se ha realizado un intento de aplicar una forma ms humana de pensar
en la programacin de computadoras. La lgica borrosa se inici en 1965 por Lotfi
A. Zadeh, profesor de ciencia de computadoras en la Universidad de California en
Berkeley.
Parece que la Lgica Borrosa es algo reciente y en lo que se lleva trabajando poco
tiempo pero sus orgenes se remontan a los tiempos de los filsofos Aristteles y
Platn. Ellos son los primeros en considerar que las cosas no tienen porqu ser de
un cierto tipo o dejar de serlo, sino que hay una escala intermedia enre los dos
extremos. Es ms son los pioneros en considerar que existan diferentes grados
de verdad y falsedad. Por ejemplo, en el caso de los colores, entre el blanco y el
negro hay una escala de tonalidades grises.
Despus de stos, en el siglo XVIII, David Hume e Immanuel Kant continuaron
pensando estas ideas. Ambos concluyeron en que el razonamiento se adquiere
gracias a las vivencias a lo largo de nuestra vida. Hume crea en la lgica del
sentido comn y Kant pensaba que slo los matemticos podan proveer


definiciones claras y que por lo tanto haba principios contradictorios que no tenan solucin. Uno
de los ejemplos dados por Kant es que, la materia poda ser dividida infinitamente, pero al mismo
tiempo no poda ser dividida infinitamente. En conclusin, ambos detectaron algunos principios
contradictorios en la Lgica Clsica.
A principios del siglo XX, el filsofo y matemtico britnico Bertrand Russell
divulg la idea de que la lgica produce contradicciones. Realiz un estudio sobre
las vaguedades del lenguaje, concluyendo con precisin que la vaguedad es un
grado. Tambin en este tiempo Ludwing Wittgenstein, estudi las diferentes
acepciones que tiene una misma palabra. ste lleg a la conclusin de que en el
lenguaje una misma palabra expresa modos y maneras diferentes.

Figura 2. 29 Jan Likasiewicz
En 1920 Jan Lukasiewicz, figura 2.29, desarroll la primera lgica de vaguedades.
Para l los conjuntos tienen un posible grado de pertenencia con valores que
oscilan entre 0 y 1, y en este intervalo existen un nmero infinito de valores.
El padre del trmino "borroso" fue Lofti Asier Zadeh, figura 2.30 cuando en 1965
public "Fuzzy Sets" (Conjuntos Difusos).

Figura 2. 30 Lofti A. Zadeh
Las tesis que propone surgen del estudio de pensadores de distintas disciplinas
que como l, tenan una visin de los problemas diferente de la lgica tradicional.
La paradoja del conjunto de Bertrand Russell, el principio de incertidumbre de la
fsica cuntica de Werner Heisenberg, la teora de los conjuntos vagos de Max
Black y la aportacin de Jan Lukasiewiz, influyeron para que Zadeh publicase el


ensayo "Fuzzy Sets" en la revista "Information and Control" y tres aos despus
en 1968, "Fuzzy Algorithm".
Al comienzo las ideas publicadas por Zadeh no fueron seguidas por la comunidad
cientfica del momento, pero con el tiempo comenz a tener seguidores lo que
produjo que sus teoras fuesen ampliadas y se asentaran sus conocimientos.
La intencin de Zadeh era la creacin de un formalismo para manejar de forma
ms eficiente la imprecisin del razonamiento humano. Es en 1971, cuando realiza
la publicacin de "Quantitative Fuzzy Semantics" en donde aparecen los
elementos formales que dan lugar a la metodologa de la Lgica Borrosa y de sus
aplicaciones tal y como se conocen en la actualidad.
A partir de 1973, con la teora bsica de los controladores borrosos de Zadeh,
otros investigadores comenzaron a aplicar la Lgica Borrosa a diversos procesos.
Se establecen varios grupos de investigacin en lgica difusa en algunas
pequeas universidades japonesas; los profesores Terano y Shibata en Tokio y
los profesores Tanaka y Asai en Osaka hacen grandes aportaciones tanto al
desarrollo de la teora de la Lgica Borrosa como al estudio de sus aplicaciones.

Figura 2. 31 E.H. Mamdani
En 1974 Assilian y Mamdani en el Reino Unido desarrollaron el primer controlador
difuso diseado para la mquina de vapor. La implantacin real de un controlador
de este tipo no fue realizada hasta 1980 por F.L. Smidth & Co. en una planta
cementera en Dinamarca.

En 1987 Hitachi usa un controlador fuzzy para el control del tren de Sendai, el cual
usa uno de los sistemas ms novedosos creados por el hombre. Desde entonces,
el controlador ha realizado su trabajo correctamente con la consiguiente
satisfaccin por parte de los usuarios de dicho tren.
Es tambin en este ao cuando la empresa Omron desarrolla los primeros


controladores difusos comerciales y es que 1987 es considerado como el "fuzzy
boom" debido a la gran cantidad de productos basados en Lgica Borrosa que se
comercializan.
En 1993, Fuji aplica la Lgica Borrosa para el control de inyeccin qumica en
plantas depuradoras de agua por primera vez en Japn. Ha sido precisamente
aqu, en donde ms apogeo ha tenido la Lgica Borrosa, crendose estrechas
colaboraciones entre el gobierno, las universidades y las industrias, estableciendo
proyectos llevados a cabo por el Ministerio de Industria y Comercio (MITI) y la
Agencia de Ciencia y Tecnologa (STA) en consorcio con el Laboratory for
International Fuzzy Engineering Research (LIFE).
De forma paralela al desarrollo de las aplicaciones de la lgica difusa, Takagi y
Sugeno desarrollan la primera aproximacin para construir reglas fuzzy a partir de
datos de entrenamiento.
Otro factor decisivo para continuar con la investigacin de este campo es el inters
en las redes neuronales y su semejanza con los sistemas fuzzy. Se buscan
relaciones entre las dos tcnicas obtenindose como resultado los sistemas
neuro-fuzzy, que usan mtodos de aprendizaje basados en redes neuronales para
identificar y optimizar sus parmetros. Para finalizar, aparecen los algoritmos
genticos que sumados a las redes neuronales y los sistemas fuzzy son
herramientas de trabajo muy potentes en el campo de los sistemas de control.

Leccin 12. Conjunto borroso
La nocin ms bsica de sistemas borrosos es un subconjunto borroso.
Ejemplo:
En primer lugar consideramos un conjunto X con todos los nmeros reales entre 0
y 10 que nosotros llamado el universo de discurso. Ahora, definimos un
subconjunto A de X con todos nmeros reales en el rango entre 5 y 8. A = [5,8]
Ahora mostramos el conjunto A por su funcin caracterstica, es decir esta funcin
asigna un nmero 1 o 0 al elemento en X, dependiendo de si el elemento est en
el subconjunto A o no. Esto conlleva a la figura 2.31.


Figura 2. 32 Subconjunto borroso
Se puede interpretar los elementos que han asignado el nmero 1 como los
elementos que estn en el conjunto A y los elementos que han asignado el
nmero 0 como los elementos que no estn en el conjunto A.
Este concepto es suficiente para muchas reas de aplicacin. Pero nosotros
podemos encontrar fcilmente situaciones donde carece de flexibilidad. Para
comprender este concepto veamos un ejemplo:
Se desea describir el conjunto de gente joven. Ms formalmente se puede
denotar:
B = {conjunto de gente joven}
Como - en general - la edad comienza en 0, el rango ms inferior de este conjunto
est claro. El rango superior, por otra parte, es ms bien complicado de definir.
Como un primer intento colocamos el rango superiora en, digamos, 20 aos. Por
lo tanto nosotros definimos B como un intervalo denominado:
B = [0,20]
Ahora la pregunta es: por qu alguien es en su 20 cumpleaos joven y al da
siguiente no? Obviamente, este es un problema estructural, porque si movemos el
lmite superior del rango desde 20 a un punto arbitrario podemos plantear la
misma pregunta.
Una manera ms natural de construir el conjunto B estara en suavizar la
separacin estricta entre el joven y el no joven. Nosotros haremos esto para
permitir no solamente la (crispada) decisin "l/ella SI est en el conjunto de gente
joven" o "l/ella NO est en el conjunto de gente joven", sino tambin las frases
ms flexibles como "l/ella SI pertenece un poquito ms al conjunto de gente
joven" o "l/ella NO pertenece aproximadamente al conjunto de gente joven".


Pasamos a continuacin a mostrar como un conjunto borroso nos permite definir
una nocin como "l/ella es un poco joven".
Tal y como constatamos en la introduccin podemos usar conjuntos borrosos para
hacer computadoras ms sabias, y ahora tenemos que codificar la idea ms
formalmente. En nuestro ejemplo primero codificamos todos los elementos del
Universo de Discurso con 0 o 1. Una manera de generalizar este concepto est en
permitir ms valores entre 0 y 1. De hecho, nosotros permitimos infinitas
alternativas entre 0 y 1, denominando el intervalo de unidad Yo = [0, 1].
La interpretacin de los nmeros ahora asignados a todos los elementos del
Universo de Discurso es algo ms difcil. Por supuesto, el nmero 1 asignado a un
elemento significa que el elemento est en el conjunto B y 0 significa que el
elemento no est definitivamente en el conjunto el B. El resto de valores significan
una pertenencia gradual al conjunto B.
Para ser ms concretos mostramos ahora grficamente el conjunto de gente joven
de forma similar a nuestro primer ejemplo por su funcin caracterstica.

Figura 2. 33 Forma grfica del conjunto gente joven
De esta forma unos 25 aos de edad todava sera joven al grado de 50 por ciento.
Ahora sabemos qu es un conjunto borroso. Pero qu se puede hacer con l?.
Leccin 13. Operaciones con conjuntos borrosos
Ahora que se tiene una idea de lo que son conjuntos borrosos, se puede introducir
las operaciones bsicas sobre conjuntos borrosos. Parecido a las operaciones
sobre conjuntos booleanos nosotros tambin se puede interseccionar, unificar y
negar conjuntos borrosos. En su primersimo artculo sobre conjuntos borrosos, L.
A. Zadeh sugiri el operador mnimo para la interseccin y el operador mximo
para la unin de dos conjuntos borrosos. Es fcil ver que estos operadores


coinciden con la unificacin booleana, e interseccin si nicamente se consideran
los grados miembros 0 y 1.
A fin de aclarar esto, se muestra varios ejemplos. Sea A un intervalo borroso entre
5 y 8, y B un nmero borroso entorno a 4. Las figuras correspondientes se
muestran a continuacin:

Figura 2. 34 A Intervalo borroso entre 5 y 8

Figura 2. 35 B nmero borroso en torno a 4

La figura 2.36 siguiente muestra la operacin AND (Y) del conjunto borroso A y el
nmero borroso B (el resultado es la lnea azul).


Figura 2. 36 Operacin AND
La operacin OR (O) del conjunto borroso A con el nmero borroso B se muestra
en la figura 2.37 (nuevamente, es la lnea azul).

Figura 2. 37 Operacin OR

La figura 2.38 da un ejemplo para una negacin. La lnea azul es la NEGACIN
del conjunto borroso A.

Figura 2. 38 Operacin negacin


Leccin 14. El control borroso
Los controladores borrosos son las aplicaciones ms importantes de la teora
borrosa. Ellos trabajan de una forma bastante diferente a los controladores
convencionales; el conocimiento experto se usa en vez de ecuaciones
diferenciales para describir un sistema. Este conocimiento puede expresarse de
una manera muy natural, empleando las variables lingsticas que son descritas
mediante conjuntos borrosos.
Seccin 1. El pndulo invertido
El problema est en equilibrar una prtiga sobre una plataforma mvil que puede
moverse en dos nicas direcciones, a la izquierda o a la derecha. Ante todo,
nosotros tenemos que definir (subjetivamente) cual es la velocidad del anden: alta,
baja, etc. Esto se hace para especificar las funciones pertenecientes al conjunto
borroso:
negativo alto (celeste)
negativo bajo (verde)
cero (rojo)
positivo bajo (azul)
positivo alto (morado)

Figura 2. 39 Funciones pertenecientes al conjunto borroso velocidad

Lo mismo se hace para el ngulo entre la plataforma y la prtiga, adems de para
la velocidad angular de este ngulo:


Figura 2. 40 Funciones pertenecientes al conjunto borroso ngulo

Figura 2. 41Funciones pertenecientes al conjunto borroso velocidad angular

Aprciese que, para hacerlo ms fcil, suponemos que al principio la prtiga est
en una posicin cercana a la central para que un ngulo mayor de, digamos, 45
grados en cualquier direccin no pueda - por definicin - ocurrir.
Ahora se da varias reglas que dicen qu hacer en situaciones concretas:
Considere por ejemplo que la prtiga est en la posicin central (el ngulo es cero)
y no se mueve (la velocidad angular es cero). Obviamente esta es la situacin
deseada, y por lo tanto no tenemos que hacer nada (la velocidad es cero).
Consideremos otro caso: el polo est en la posicin central como antes, pero est
en movimiento a baja velocidad en la direccin positiva. Naturalmente nosotros
tendramos que compensar el movimiento de la prtiga moviendo la plataforma en
la misma direccin a baja velocidad.
De esta forma hemos constituido dos reglas que pueden ponerse en una forma
ms formalizada como esta:


Si el ngulo es cero y la velocidad angular es cero entonces la velocidad ser
cero.
Si el ngulo es cero y la velocidad angular es positiva baja entonces la
velocidad ser positiva baja.
Podemos resumir todas las reglas aplicables en una tabla:
ngulo
velocidad NA NB C PB PA
NA NA
NB NB C
C NA NB C PB PA
PB C PB
velocidad angular
PA PA
Tabla 2 1 Tabla de reglas aplicadas
donde NA es una (usual) abreviatura para negativa alta, NB para negativa baja,
etc.
A continuacin mostraremos como estas reglas pueden aplicarse con valores
concretos para el ngulo y velocidad angular. Para ello vamos a definir dos valores
explcitos para el ngulo y la velocidad angular para operar con ellos.

Considrese la situacin siguiente:
Un valor actual para el ngulo:

Figura 2. 42 Funciones pertenecientes al ngulo actual

Un valor actual para la velocidad angular:


Figura 2. 43 Funciones pertenecientes a velocidad angular actual

Ahora se muestra como aplicar nuestras reglas a esta situacin real. Observe
como aplicar la regla
Si el ngulo es cero y la velocidad angular es cero entonces la velocidad ser cero
a los valores que hemos definido.
Esta es la variable lingstica "ngulo" donde nos centramos en el conjunto "cero"
y el ngulo actual:

Figura 2. 44 Conjunto cero, variable lingstica "ngulo" y ngulo actual
Nos damos cuenta que nuestro valor real pertenece al conjunto borroso "cero" en
un grado de 0.75:

Figura 2. 45 Conjunto borroso cero ngulo de 0.75


Ahora mostramos la variable lingstica "velocidad angular" donde nos centramos
en el conjunto borroso "cero" y el valor actual de velocidad angular:

Figura 2. 46 Funciones pertenecientes a velocidad angular actual
Nos damos cuenta que nuestro valor real pertenece al conjunto borroso "cero" en
un grado de 0.4:

Figura 2. 47 Valor real pertenece al conjunto borroso "cero" en un grado de 0.4
Como las dos partes de la condicin de nuestra regla estn unidas por una Y
(operacin lgica AND) calculamos el mn(0.75,0.4)=0.4 y cortamos el conjunto
borroso "cero" de la variable "velocidad" a este nivel (segn nuestra regla):


Figura 2. 48 Operacin lgica AND
Por su parte, el resultado de la regla.
Si el ngulo es cero y la velocidad angular es negativa baja entonces la velocidad
ser negativa baja es:

Figura 2. 49 Resultado de la regla negativa baja

El resultado de la regla.
Si el ngulo es cero y la velocidad angular es positiva baja entonces la velocidad
ser positiva baja es:


Figura 2. 50 Resultado de la regla positiva baja

El resultado de la regla.
Si el ngulo es positivo bajo y la velocidad angular es negativa baja entonces la
velocidad ser cero es:

Figura 2. 51Resultado de la regla velocidad cero

Estas cuatro reglas solapadas desembocan en un resultado nico:

Figura 2. 52 Resultado de las reglas solapadas


El resultado del controlador borroso es un conjunto borroso (de velocidad), as que
tenemos que escoger un valor representativo como salida final. Hay varios
mtodos heursticos (mtodos de claridad o defuzzification), uno de ellos es tomar
el centro de gravedad del conjunto borroso:

Figura 2. 53 Conjunto borroso de velocidad
El procedimiento completo se denomina controlador de Mamdani.

Leccin 15. Aplicaciones de la lgica borrosa
Principalmente, se observar la aptitud del control borroso en trminos generales.
El empleo del control borroso es recomendable:
Para procesos muy complejos, cuando no hay un modelo matemtico
simple.
Para procesos altamente no lineales.
Si el procesamiento del (lingsticamente formulado) conocimiento experto
puede ser desempeado.
El empleo del control borroso no es una buena idea si:
El control convencional tericamente rinde un resultado satisfactorio.
Existe un modelo matemtico fcilmente soluble y adecuado.
El problema no es soluble.


Seccin 1. Definiciones
Interseccin de conjuntos
Nosotros llamamos un nuevo conjunto generado desde dos conjuntos
determinados A y B, interseccin de A y B, si el nuevo conjunto contiene
exactamente esos elementos que estn contenidos en A y en B.
Unificacin de conjuntos
Nosotros llamamos un nuevo conjunto generado desde dos conjuntos
determinados A y B, unificacin de A y B, si el nuevo conjunto contiene todos los
elementos que se contienen en A o en B o en ambos.
Negacin de conjuntos
Nosotros denominamos al nuevo conjunto que conteniendo todos los elementos
que estn en el universo de discurso pero no en el conjunto A la negacin de A.
Variables lingsticas
Un variable lingstica es un quntuple (X,T(X),U,G,M,), donde X es el nombre de
la variable, T(X) es el trmino conjunto (es decir, el conjunto de nombres de
valores lingsticos de X), U es el universo de discurso, G es la gramtica para
generar los nombres y M es un conjunto de reglas semnticas para asociar cada X
con su significado.
Seccin 2. Otras aplicaciones de la Lgica Borrosa
La Lgica Borrosa tiene gran utilidad ya que ella nos permite tratar problemas
demasiado complejos, mal definidos o para los cuales no existen modelos
matemticos precisos.
Gracias a este tipo de lgica se ha permitido modelizar y resolver situaciones
consideradas intratables desde el punto de vista de la Lgica Clsica.
En los ltimos aos la Lgica Borrosa se ha utilizado en distintos tipos de
instrumentos, mquinas y en diversos mbitos de la vida cotidiana. Algunos casos
por ejemplo son los estabilizadores de imgenes en grabadoras de vdeo,
controladores de ascensores e ingeniera de terremotos.
Tambin se ha usado esta tcnica en la industria, obtenindose excelentes
resultados como en el caso del metro de Sendai en Japn, ya que permita que el
metro arrancara y frenara con gran suavidad, sin producir alteraciones entre los
pasajeros.


Realizando una divisin de los ejemplos en tres grandes grupos tenemos:
Productos creados para el consumidor: Lavadoras difusas (Matsuhita
Electronic Industrial), hornos microondas, sistemas trmicos, traductores
lingsticos, cmaras de vdeo, televisores, estabilizadores de imgenes
digitales (Matsuhita) y sistemas de foco automtico en cmaras
fotogrficas.
Sistemas: Elevadores, trenes, automviles (caso de los sistemas de
transmisiones, de frenos y mejora de la eficiencia del uso de combustible en
motores), controles de trfico, sistemas de control de acondicionadores de
aire que evitan las oscilaciones de temperatura y sistemas de
reconocimiento de escritura.
Software: Diagnstico mdico, seguridad, comprensin de datos, tecnologa
informtica y bases de datos difusas para almacenar y consultar
informacin imprecisa (uso del lenguaje FSQL).
A continuacin se muestran aplicaciones en las que se pueden consultar a travs
de la pgina web algunas de las caractersticas, uso y una informacin ms
detallada:
1. Gestin de recursos humanos mediante Lgica Borrosa.
http://www.uv.es/asepuma/recta/ordinarios/6/6-2.pdf
2. Mdulo hardware mediante lgica difusa.
http://www.tq.com/product/cart/pdfs_spanish/CE124%20Spanish.PDF
3. Algoritmo de control borroso usando el dispositivo MSP430x14x.
http://focus.ti.com/lit/an/slaa235/slaa235.pdf
4. Sistema experto para evaluar daos postssmicos en edificios.
http://dspace.uniandes.edu.co:5050/dspace/bitstream/1992/413/1/mi_798.p
df
5. Determinacin de las IBNR mediante lgica difusa.
http://www.actuarios.org/espa/anales/2003/De%20Andres%202003.pdf
6. Evaluacin de lgica difusa en el control de mquinas elctricas.
http://dei-s1.dei.uminho.pt/pessoas/jaime/Documentos/CIT.pdf
7. Control de un generador de induccin como un freno elctrico.
http://www.ijesp.com/Vol2No1/IJESP2-8Hosseinzadeh.pdf
8. Modelizacin de magulladuras por disparos en armaduras con un sistema
adaptativo de sistema difuso.
http://sipi.usc.edu/~kosko/SMCFinal.D05.pdf
9. Razonamiento para el estudio de la probabilidad de eventos borrosos
http://delivery.acm.org
10. Diseo de bases de datos difusa modelada con UML.
http://www.inf.udec.cl/~mvaras/papers/2003/fuzzy-IDEAS-2003.pdf
11. Xfuzzy 3.0, entorno de desarrollo para sistemas de Lgica Borrosa.
http://www.imse.cnm.es/Xfuzzy/Xfuzzy_3.0/index.html


12. Software para diagnstico mdico.
http://espejos.unesco.org.uy/simplac2002/Ponencias/Inforedu

Seccin 3. Ejemplo
A continuacin se muestra una interfaz que est en desarrollo realizada mediante
Lgica Borrosa, EDIMED.

EDIMED es una herramienta software para la realizacin de diagnsticos mdicos,
el cual puede formar parte del aprendizaje y evaluacin de los estudiantes de
Medicina.
El estudiante selecciona el tipo de enfermedad y dependiendo de los sntomas que
el sistema tenga registrados ms los sntomas que el paciente de dicho alumno le
exponga, el sistema debera dar un diagnstico apropiado segn el tipo de
enfermedad del paciente.


Figura 2. 54 Herramienta EDIMED


Snchez Instrumentacin y control avanzado de procesos Ediciones Daz
Santos 2006.
D.C. Evans, D. Rees, D.L. Jones. Design of test signals for identification of
linear systems with nonlinear distortion. IEEE Trans. on Instrumentation and
Measurement, 16, 6, p. 768-774, 1992.
dgar Manuel Robayo Espinel. Control difuso. Fundamentos y aplicaciones.
Universidad del Norte (Ediciones Uninorte). 2007.
Freeman James, David M Skapura , Redes Neuronales - Algoritmos,
aplicaciones y Tcnicas Addison -Wesley 1993


Golberg David Genetic Algorithms in search, optimization and machine
learning.Addison-Wesley 1989
H.Rake. Step response and frequency response methods, Academic Press,
1994.
Haupt Randy and Haupt Sue , Practical Genetic Algorithms John Wiley and
Son 1998.
Haykin Simon, , Neural Networks a Comprehensive Foundation. Prentice
Hall 1999
Hilera J, Martnez V. , Redes Neuronales. Fundamentos, Modelos y
Aplicaciones. Addison-Wesley 1995
Jang R, Sun C, Mizutani E. , Neuro-Fuzzu and Soft Computing. Prentice
Hall 1997
K.J. strm and P. Eykhoff. System Identification A Survey. Automatica,
Vol. 7 pp. 123-162. Pergamon Press, 1971. Great Britain.
Kosko, Bart , Neural Networks and Fuzzy Systems. Prentice-Hall
International Editions, 1992.
K.H. Fasol, H.P. Jorgl. Principles of models building and identification,
Automatica, 16, p.501-518, 1980
K.R. Godfrey. Correlation methods. Automatic, 16, p. 527-534, 1980
K. Ogata. Discrete-time Control Systems. Prentice-Hall International
Editions, United States.
I.D. Landau. System identification and control design, Prentice Hall, 1990.
L.Ljung. System identification Theory for the user, Prentice Hall, 1987.
L.Ljung and T.Glad. Modelling of dynamic system, Prentice Hall, 1994.
Lewis M. Gordon., Feedback control modes. Chemical Engineering,
Septiembre 19, 1983
Mquinas con rostro humano Los hombres estn enseando a los robots a
pensar. Cmo? Con la lgica borrosa.
http://www.elpais.com/articulo/sociedad/Maquinas/rostro/humano/elpepusoc
/20080921elpepisoc_1/Tes Pgina Web consultada el 15 de julio de 2009


Norgard M., Ravn O., Pulsen N., Hansen L. , Neural Networks for Modelling
and Control of Dynamic Systems Springer 2000.
R. Iserman. Practical aspects of process identification, Automatica, 16,
p.575-587, 1980
R. Johansson. System modeling and identification. Prentice Hall, 1993
Passino Kevin , Fuzzy control. Addison-Wesley 1998.
T. Sderstrm, P. Stoica. System identification, Prentice Hall, 1989.
Tore H. Agglund. Process control in practice Chartwell/Bratt, 1991
Tutorial de lgica borrosa. Universidad Politcnica de Madrid.
http://www.dma.fi.upm.es/java/fuzzy/tutfuzzy/, Pgina Web consultada el 13
de julio de 2009.
Y. Zhu, T. Backx. Identification of multivariable industrial processes for
simulation, diagnosis and control, Springer-Verlag, 1993.

UNIDAD 3
Nombre de la
Unidad
Tcnicas avanzadas de control II

Introduccin
Se finaliza el curso con algunas tcnicas consideras
avanzadas como el control adaptativo, las redes
neuronales ratifcales y el control predictivo,
comprendiendo que es un abre bocas para los futuros
ingenieros que desean profundizar en el campo del
control inteligente, creando expectativas futuras
inmediatas para incursionar en este campo del control
inteligente.

Relacionar los mtodos de aprendizaje conexionista con
la teora existente es muy importante para aquellos


Justificacin interesados en elementos de control con aprendizaje y
adaptivos, ya que la teora de control es un campo
ampliamente desarrollado con mucha literatura, donde
muchos de los mtodos de aprendizaje estn muy
relacionados con mtodos clsicos bien estructurados por
los tericos del control adaptivo y predictivo. Por otro lado,
dada la tendencia que los futuros profesionales de la
ingeniera estn tomando para el desarrollo ya aplicacin
de estos mtodos de control avanzado por lo que se
desarrollarn estas lneas con un enfoque basado en el
estudio de un caso, junto con el cual se presentarn la
mayora de las funciones de los temas, evitando toda vez
que sea posible la rigurosidad de planteos de la lgica
formal en su concepcin genrica.

Intencionalidades
Formativas
Se busca que los estudiantes comprendan algunas
tcnicas avanzados de control inteligente, como el control
basado en redes neuronales ratifcales, entre otras.

Denominacin de
captulos
Capitulo 3.1 Control adaptivo

Capitulo 3.2 Redes neuronales artificiales

Capitulo 3.3 Control predictivo

UNIDAD 3. TCNICAS AVANZADAS DE CONTROL II


CAPITULO 1. CONTROL ADAPTATIVO

Introduccin

Las primeras aproximaciones al control adaptivo llegaron a mediados del
siglo pasado sin embargo el grado de complejidad y el nivel de organizacin
interno requeridos no se podran conseguir con las herramientas del momento y
fue necesario esperar al desarrollo computacional para poder realizar modelos y
formular teoras acerca del mismo. Fundamentalmente el control adaptivo se
entiende como un sistema que pretende obtener las caractersticas deseadas de
un sistema de referencia dado. Tambin se puede visualizar como un regulador
no-lineal de naturaleza autosintonizable.

Leccin 1. Sistemas de control adaptativo

Un sistema de control adaptivo es aquel que continua y automticamente mide las
caractersticas dinmicas de la planta, las compara con las caractersticas
deseadas y usa la diferencia para variar parmetros ajustables del sistema o para
generar una seal de accionamiento de modo que se pueda mantener el
funcionamiento ptimo con independencia de las variaciones ambientales;
alternativamente este sistema puede medir su propio funcionamiento de acuerdo
con un ndice de comportamiento dado y modificar de ser necesario sus propios
parmetros para mantener el funcionamiento ptimo con independencia de los
cambios ambientales.

El comportamiento ptimo de un sistema se logra encontrando la condicin para la
cual un sistema determinado funciona de la mejor forma posible, en control
adaptivo esto se define por medio del ndice de comportamiento que justamente
es el que da al sistema, el comportamiento ptimo. El ndice de comportamiento
indica el mximo o el mnimo del comportamiento ptimo del sistema por lo que s
su valor es cero se puede utilizar como una seal de error del adaptivo.


La reduccin de costos de funcionamiento es un parmetro muy utilizado a la hora
de la determinacin del ndice de comportamiento, sin embargo tambin se toman
en cuenta otras condiciones como la confiabilidad, la aplicabilidad y la selectividad.
Como ya se ha mencionado el control adaptivo pretende dar un funcionamiento
ptimo a la planta, sin embargo, en muchas ocasiones el conocimiento que se
tiene de las caractersticas de la misma es muy escaso, por lo que realizar
solamente una identificacin inicial puede no ser suficiente. En estos casos la
determinacin del mximo o mnimo del ndice de comportamiento se debe
realizar peridicamente con un intervalo de tiempo que tome en cuenta la
velocidad con que se modifican los parmetros del sistema.

Figura 3. 1 Sistema con control adaptativo

En la figura 3.1 se puede identificar la planta y se observa como el ndice de
comportamiento es medido varias veces y su valor es comparado con el
que se obtiene del controlador para finalmente tomar la decisin de cambiar o no
la seal accionadora. Con fines explicativos, el proceso de un controlador
adaptativo puede verse separando dos escalas de tiempo que evolucionan a
diferente velocidad. Los cambios en los parmetros del controlador ocurren
segn la escala lenta. A su vez, la dinmica del lazo ordinario de
realimentacin transcurre segn la escala rpida.


Existen dos grandes grupos de controladores adaptivos, los Controladores
Adaptivos con Modelo de Referencia (MRAC) y los Reguladores Autoajustables
(STR). Estos ltimos son sistemas de lazo abierto y modifican los parmetros del
sistema a partir de una tabla previamente calculada para distintos puntos de
funcionamiento, en funcin de una variable auxiliar. Los MRAC por su parte,
logran un comportamiento de lazo cerrado dado por un modelo de referencia
ante una entrada dada. Son tres las partes principales que se distinguen en
sistema de control adaptivo:

Seccin 1. Identificacin de las caractersticas dinmicas de la planta

La identificacin de las caractersticas dinmicas de la planta se debe realizar
sin afectar el funcionamiento normal de la planta, en forma peridica y con el fin de
analizar en cada resultado la respuesta del sistema. Una forma de realizar esta
identificacin es aplicando una seal a la planta, la cual puede ser sus entradas
normales ya que estas no pueden producir salidas no deseadas o resultados
confusos, pero hay que tener en cuenta que esta seal debe contar con
caractersticas adecuadas de ancho de banda, amplitud, etc., para obtener una
correcta identificacin. El tiempo en que tarda la identificacin no debe ser muy
grande ya que pueden cambiar los parmetros de la planta en el transcurso de
una identificacin por lo que se hace imposible conocer totalmente el
comportamiento de la planta.

Si ya son conocidos los parmetros de la planta, solamente es necesario
obtener el ndice de comportamiento, que indica que parmetros deben ser
variados, para tener la identificacin completa. Existen sistemas en los que la
adaptividad depende nicamente del ndice de comportamiento a estos
sistemas se les conoce como optimizantes.

Seccin 2. Toma de decisin basada en la identificacin de la planta

Luego de haber realizado la identificacin completa de la planta se debe comparar
los resultados obtenidos con los ptimos, que indican el comportamiento que debe


seguir la planta, para tomar la decisin de cuales parmetros deben modificarse y
la forma en que se deben cambiar.

Seccin 3. Modificacin basada en la decisin hecha

Con la toma de la decisin se deben cambiar algunos parmetros para modificar el
funcionamiento de la planta entre ellos se encuentra la seal de entrada
que puede ser cambiada ajustando los parmetros del controlador para as
compensar las variaciones de la planta (modificacin de parmetro del control), o
bien, sintetizando la seal de control ptima que se basa en la funcin de
transferencia, el ndice de comportamiento y la respuesta transitoria deseada
(sntesis de la seal de control)

Dada la complejidad en el desarrollo matemtico de este tipo de controladores es
indispensable analizar cada proceso detalladamente antes de decidir si es
necesario implementar un controlador adaptativo. Debe aplicarse el control
adaptivo solamente cuando resulta ineficiente un controlador fijo. Este caso
generalmente se presenta cuando se trabaja con sistemas no lineales en los que
es necesario ajustar varios parmetros. Cuando se tratan sistemas lineales que
tienen parmetros constantes, es comnmente cuando resulta eficiente un
controlador convencional. Se tienen un buen control cuando se regulan procesos
en un punto fijo de operacin y con perturbaciones pequeas. Por lo tanto, si se
quiere regular un sistema con un punto de funcionamiento cambiante, resulta
prctica la aplicacin de un controlador adaptativo. No es inmediato que se logra
ver cul es el tipo de controlador que se requiere, comnmente, esta decisin
se toma estudiando cada aplicacin especfica. La ventaja que se tiene esta
tcnica es que, a pesar de que es bastante compleja, un mismo diseo puede ser
utilizado en diferentes aplicaciones. Entonces el costo en el desarrollo del
controlador se divide entre las bastas aplicaciones que puede llegar a tener. Un
ejemplo en el que resulta til la aplicacin del controlador adaptivo es cuando se
trabaja con actuadores no lineales que generalmente se linealizan en torno a
un punto de operacin estacionario. En estos casos se observa mediante
simulaciones que el sistema funciona bien solo en un punto de funcionamiento y
que opera pobremente en los dems. Una vez tomada la decisin de que debe
usarse un controlador adaptativo se decide entre utilizar, el controlador ajustable


por tabla o el controlador auto-ajustable. El primero se emplea si la variacin de
los parmetros es conocida, el auto-ajustable se aplica en sistemas que presentan
partes con variaciones que no se conocen o que no se pueden medir.

Leccin 2. Controladores adaptativos con modelo de referencia (MRAC)

Los sistemas adaptativos con modelo de referencia fueron diseados
primeramente para sistemas continuos por minimizacin de un ndice de
actuacin, siendo dicho ndice la integral del error al cuadrado (Hang 1973).
Esta regla de diseo fue propuesta por Whitaker del MIT (1958),
Instrumentation Laboratory, denominndose por ello como la regla del MIT. En
cuanto a las configuraciones posibles con modelo de referencia, la ms usual es
utilizar un modelo paralelo ver figura aunque son posibles otras configuraciones
(Landau 1974, 1981), como modelo serie, serie-paralelo, etc.

Figura 3. 2 Sistema con mecanismo de adaptacin


En la figura 3.2 puede verse un controlador primario que se utiliza para
obtener el comportamiento en bucle cerrado (como en cualquier esquema de
control convencional). Por otro lado como los parmetros del proceso
pueden ser desconocidos y variables, es difcil encontrar un controlador que
responda en todas las situaciones. En la tcnica (MRAC), la respuesta deseada a
una seal de entrada del proceso se especifica como un modelo de
referencia. El mecanismo de adaptacin mira la salida y
p
del proceso y la salida
y
m
del modelo de referencia y calcula los parmetros adecuados de forma que
la diferencia tienda a cero.

El mecanismo de adaptacin puede utilizar, si estn disponibles, adems de
las seales de salida del proceso y del modelo de referencia (y
p
, y
m
), las seales
de entrada, de referencia y las variables de estado del proceso. Una de las partes
ms importantes en control adaptativo es el diseo de la ley de control. La
primera ley de control adaptativo hace a uso de los modelos de sensibilidad y ms
tarde de la teora de estabilidad de Lyapunov y de la teora de hiperestabilidad de
Popov. Estas ltimas garantizan la estabilidad del conjunto del sistema, lo que las
hace particularmente interesantes, convirtindose en mtodos de diseo estndar.

Diseo de controladores adaptativos: Como se ha visto en la seccin
anterior, un sistema de control adaptativo bsicamente esta formado por tres
partes: un controlador primario, un modelo de referencia y la ley de adaptacin.
Por lo tanto para el diseo de un sistema de control adaptativo, ser necesario
definir las tres partes. Dado que la parte que caracteriza al control adaptativo es la
ley de adaptacin, en lo que sigue, nos centraremos fundamentalmente en esta
parte.

-Controlador Primario: El controlador primario puede tener en principio
cualquiera de las configuraciones conocidas para el diseo de controladores
lineales. Sin embargo, debe cumplir la condicin de que sea posible que el
conjunto del proceso y el controlador puedan reproducir al modelo de referencia.
Este requisito, supone restricciones sobre el orden y la estructura del controlador.
Por otro lado para que pueda aplicarse una adaptacin directa, la seal de control
debe ser una funcin lineal de los parmetros.


-Modelo de referencia: El modelo de referencia, que especifica el
comportamiento deseado en lazo cerrado, se da usualmente en forma
paramtrica. La condicin mencionada anteriormente para el seguimiento del
modelo de referencia, tambin condiciona en ciertos aspectos el modelo de
referencia posible, en cuanto al orden relativo del proceso (exceso de polos). Por
otro lado el modelo elegido debe ser sensible a la dinmica del proceso, ya que si
por ejemplo se elige un modelo con una dinmica muy rpida, la seal de control
ser muy grande causando saturaciones y no pudiendo el sistema responder
a dicha dinmica. Por ello la eleccin del modelo de referencia no es fcil,
eligindose normalmente un modelo conservador.

Enfoque de sensibilidad: Este mtodo esta basado en el uso de los modelos de
sensibilidad para adaptar los parmetros en la direccin correcta. La deduccin
de este mtodo comienza con el planteamiento de un ndice de actuacin,
normalmente cuadrtico:

(1.1)
En esta ecuacin e
1
= y
p
y
m
y el ndice J se evala sobre el periodo T fijo, en el
cual los parmetros permanecen constantes. En el instante (t+T) los parmetros
son ajustados en la direccin decreciente de J.
(1.2)
debe ser una matriz cuadrada definida positiva, que representa la ganancia de
adaptacion. Usualmente es diagonal. Teniendo en cuenta que:
(1.3)
Sustituyendo tenemos:
(1.4)


Que en el lmite para T 0 da la ley de adaptacin:
(1.5)

El factor y
p
/ representa la sensibilidad de la salida del proceso a las variaciones
en, y puede ser generado por un modelo de sensibilidad. Como puede observarse
esta ley de adaptacin es denominada como la regla del MIT. El modelo de
sensibilidad anterior se sustituye por la sensibilidad del modelo de referencia,
dado que normalmente el modelo del proceso se desconoce. Esta suposicin se
hace en base a que pasado un tiempo la respuesta del sistema converge a la
respuesta del modelo de referencia. La principal desventaja de este mtodo, es
la ausencia de un criterio que garantice la estabilidad del sistema de control. El
sistema puede hacerse inestable si el modelo de referencia no se escoge
adecuadamente o si la ganancia de adaptacin se elige demasiado grande.
Leccin 3. Mtodo de Lyapunov

Dado el carcter no lineal y variable en el tiempo de los sistemas adaptativos por
modelo de referencia MRAC, no son validos los criterios de estabilidad de
sistemas lineales. Un mtodo bien conocido es el mtodo directo de Lyapunov.
Este mtodo establece que un sistema tiene un equilibrio x = 0, asintticamente
estable, si existe una funcin, llamada de Lyapunov, V (x) que satisface:

V (x) > 0 para x 0 definida positiva
V (x) < 0 para x 0 definida negativa
V (x) para x
V (0) = 0

Como la funcin de Lyapunov es similar a una funcin de energa, esta debe
decrecer con el tiempo. Utilizando este mtodo en el diseo de sistemas
adaptativos, se trasladan las especificaciones de estabilidad directamente en la ley
de adaptacin, siguiendo los pasos:


1. El primer paso es encontrar la ecuacin de error, bien en la salida (yp ym)
o en las variables de estado (x
p
x
m
).

2. Encontrar una funcin de Lyapunov como una funcin del error entre las
seales y del error en los parmetros . En su forma mas simple esta
funcin toma la forma:

(1.6)

Donde las matrices P y 1 deben ser definidas positivas.

3. Calcular la derivada de la funcin de Lyapunov. La derivada debe ser
definida negativa. Generalmente toma la forma:
(1.7)
El primer trmino garantiza que la derivada es definida negativa, por lo que,
haciendo el resto igual a cero se tiene una posible solucin. La matriz Q es
definida positiva. Las matrices P y Q, para un sistema gobernado por una matriz
A, estn relacionadas por la ecuacin de Lyapunov:
Q = A
T
P + P A (1.8)
4. Haciendo el termino extra igual a cero se obtiene la ley de adaptacin.
Normalmente tiene la forma:
(1.9)

esta directamente relacionado con el error e y es una versin modificada del
vector de seales (referencia, salida, etc).
Ejemplo realizado de un sistema de primer orden


Figura 3. 3 Sistema de primer orden

Considerando el sistema de la figura 3.3, donde la seal de control esta dada por:
u = Kr (1.10)
siendo K, la ganancia ajustable que hay que calcular, la deduccin de la ley de
adaptacin es como sigue:
(1.11)
(5.12)
(1.13)
Teniendo en cuenta que el trmino (bK 1) es proporcional al error en el
parmetro, a funcin de Lyapunov en este caso puede elegirse como:
(1.14)
Su derivada resulta ser:
(1.15)


(1.16)
(1.17)
El primer trmino es negativo. As que haciendo el resto igual a cero se obtiene la
ley de adaptacin:
(1.18)

(1.19)

En esta ley de adaptacin el parmetro libre es , siendo necesario conocer el
signo de b para fijar el de .
En las figuras (1.4) y (1.5) se representa una simulacin del ejemplo descrito
cuando el parmetro b vale inicialmente 4 y en el instante 20 pasa a valer 2.
Puede observarse como la adaptacin es buena en ambos casos, siendo ms
rpida en el caso de la figura (1.4), dado que la ganancia de adaptacin es
superior. En lnea a trazos se representa la salida del modelo de referencia y en
lnea continua la salida del modelo ajustable. La principal desventaja del mtodo
de Lyapunov es que no es un mtodo sistemtico, dado que hay que encontrar la
funcin de Lyapunov V adecuada en cada caso.

Leccin 4. Mtodo de hiperestabilidad


Con este mtodo tambin se consigue una ley de adaptacin estable. Como en el
mtodo de Lyapunov, en primer lugar se formulan las ecuaciones de error. Estas
ecuaciones se dividen en una parte lineal invariable con el tiempo y otra no lineal y
variable con el tiempo. La primera parte contiene usualmente al modelo de
referencia y su salida es la seal de error que es utilizada para la ley de
adaptacin.

La segunda parte contiene la ley de adaptacin y su salida negada es la entrada a
la parte lineal. La teora de hiperestabilidad garantiza la estabilidad asinttica si
ambas partes (lineal y no lineal), satisfacen las condiciones de pasividad (Landau
1979):

1. La parte lineal (llmese G(s)), debe ser estrictamente positiva. Ello significa
que:

(a) G(s) debe ser real si s es real. (b) los polos de G(s) deben tener parte real
negativa, y (c) la parte real de G(j) de ser mayor que cero para 1 < < 1.

2. La parte no lineal debe cumplir la desigualdad de Popov.
(1.20)
Siendo v el vector de entrada y el vector de salida de la parte no lineal, y
una constante finita positiva que no depende de t.

Leccin 5. Estructura general de los sistemas adaptativos (MRAC)

Considerando de nuevo el esquema paralelo , pueden considerarse dos
posibles formas de descripcin: mediante variables de estado o bien


entrada-salida. Considerando la primera de ellas, puede escogerse el modelo de
referencia como el conjunto de ecuaciones lineales:
(1.21)
donde x es el vector de estado y u es el vector de entrada. Este modelo se
supone estable y completamente controlable. En cuanto al modelo ajustable
(planta ms controlador), puede utilizarse la siguiente representacin:

Figura 3. 4 Simulacin proceso de primer orden 1=0.1
(1.22)
El vector de error generalizado viene dado por:
e = x y (1.23)
El objetivo de diseo, en el caso parmetrico, es encontrar la ley de adaptacin


tal que las matrices de parmetros A
S
(e, t) y B
S
(e, t) sean modificadas de forma
que el error tienda a cero para cualquier entrada u. La derivada del error puede
obtenerse restando las ecuaciones anteriores, donde adems se suma y
resta el termino A
My
:
(1.24)
pudindose expresar como:

Figura 3. 5 Simulacin proceso de primer orden 1=0.5

(1.25)
Si se desea que el mecanismo de adaptacin tenga memoria (lo cual es lo ms
habitual), debe considerarse la inclusin de un integrador en el mecanismo
de adaptacin. Esto tendr el efecto de que los parmetros ajustables
dependern no solo del error en un instante sino tambin de los valores pasados.
Por ello la ley de adaptacin se define como:


(1.26)
(1.27)
Las ecuaciones anteriores pueden representarse segn la figura 3.4, sistema que
se puede descomponer en un sistema lineal y otro no lineal, al cual se le pueden
aplicar el criterio de Popov de estabilidad (o criterio de hiperestabilidad).

Figura 3. 6 Representacin equivalente del modelo de error
Para conseguir cumplir dicho criterio, por un lado la parte lineal se modifica
aadindole un termino D en serie. En cuanto a las funciones F y G, caben
muchas posibilidades de eleccin, pero teniendo en cuenta que deseamos que el
error en rgimen permanente sea cero, pueden elegirse de la forma:
(1.28)


(1.29)

La estructura final del sistema ser a la representada en la figura (3.6) donde los
parmetros de diseo seran las funciones D,1 ,2 ,1 y 2. La resolucin se
realiza para cada caso concreto y no de forma general, ya que el caso general
resulta bastante complicado.

Figura 3. 7 Sistema adaptativo por modelo de referencia paralelo


CAPITULO 2. REDES NEURONALES ARTIFICIALES

Introduccin

Resulta irnico pensar que mquinas de cmputo capaces de realizar 100
millones de operaciones en coma flotante por segundo, no sean capaces de
entender el significado de las formas visuales o de distinguir entre distintas clases
de objetos. Los sistemas de computacin secuencial, son exitosos en la resolucin
de problemas matemticos o cientficos, en la creacin, manipulacin y
mantenimiento de bases de datos, en comunicaciones electrnicas, en el
procesamiento de textos, grficos y auto edicin, incluso en funciones de control
de electrodomsticos, hacindolos ms eficientes y fciles de usar, pero
definitivamente tienen una gran incapacidad para interpretar el mundo.

Esta dificultad de los sistemas de computo que trabajan bajo la filosofa de los
sistemas secuenciales, desarrollados por Von Neuman, ha hecho que un gran
nmero de investigadores centre su atencin en el desarrollo de nuevos sistemas
de tratamiento de la informacin, que permitan solucionar problemas cotidianos,
tal como lo hace el cerebro humano; este rgano biolgico cuenta con varias
caractersticas deseables para cualquier sistema de procesamiento digital, tales
como:

1. Es robusto y tolerante a fallas, diariamente mueren neuronas sin afectar su
desempeo.
2. Es flexible, se ajusta a nuevos ambientes por aprendizaje, no hay que
programarlo.
3. Puede manejar informacin difusa, con ruido o inconsistente.
4. Es altamente paralelo
5. Es pequeo, compacto y consume poca energa.


Leccin 6. Funcionamiento de una neurona biolgica.

El cerebro humano constituye una computadora muy notable, es capaz de
interpretar informacin imprecisa suministrada por los sentidos a un ritmo
increblemente veloz. Logra discernir un susurro en una sala ruidosa, un rostro en
un callejon mal iluminado y leer entre lneas un discurso; lo ms impresionante de
todo, es que el cerebro aprende sin instrucciones explcitas de ninguna clase, a
crear las representaciones internas que hacen posibles estas habilidades.
Basados en la eficiencia de los procesos llevados a cabo por el cerebro, e
inspirados en su funcionamiento, varios investigadores han desarrollado desde
hace ms de 30 aos la teora de las Redes Neuronales Artificiales (RNA), las
cuales emulan las redes neuronales biolgicas, y que se han utilizado para
aprender estrategias de solucin basadas en ejemplos de comportamiento tpico
de patrones; estos sistemas no requieren que la tarea a ejecutar se programe,
ellos generalizan y aprenden de la experiencia.
Seccin 1. Teora de las RNAs
La teora de las RNA ha brindado una alternativa a la computacin clsica, para
aquellos problemas, en los cuales los mtodos tradicionales no han entregado
resultados muy convincentes, o poco convenientes. Las aplicaciones ms exitosas
de las RNA son:
Procesamiento de imgenes y de voz
Reconocimiento de patrones
Planeamiento
Interfaces adaptivas para sistemas Hombre/mquina
Prediccin
Control y optimizacin
Filtrado de seales
Los sistemas de computo tradicional procesan la informacin en forma secuencial;
un computador serial consiste por lo general de un solo procesador que puede
manipular instrucciones y datos que se localizan en la memoria, el procesador lee,
y ejecuta una a una las instrucciones en la memoria; este sistema serial es
secuencial, todo sucede en una sola secuencia determinstica de operaciones. Las
RNA no ejecutan instrucciones, responden en paralelo a las entradas que se les
presenta. El resultado no se almacena en una posicin de memoria, este es el
estado de la red para el cual se logra equilibrio. El conocimiento de una red
neuronal no se almacena en instrucciones, el poder de la red est en su topologa
y en los valores de las conexiones (pesos) entre neuronas.


Las RNA son una teora que an esta en proceso de desarrollo, su verdadera
potencialidad no se ha alcanzado todava; aunque los investigadores han
desarrollado potentes algoritmos de aprendizaje de gran valor prctico, las
representaciones y procedimientos de que se sirve el cerebro, son an
desconocidas. Tarde o temprano los estudios computacionales del aprendizaje
con RNA acabarn por converger a los mtodos descubiertos por evolucin,
cuando eso suceda, muchos datos empricos concernientes al cerebro
comenzarn sbitamente a adquirir sentido y se tornarn factibles muchas
aplicaciones desconocidas de las redes neuronales.
Seccin 2. Neurona biolgica
El cerebro consta de un gran nmero (aproximadamente 10
11
) de elementos
altamente interconectados (aproximadamente 10
4
conexiones por elemento),
llamados neuronas. Estas neuronas tienen tres componentes principales, las
dendritas, el cuerpo de la clula o soma, y el axn. Las dendritas, son el rbol
receptor de la red, son como fibras nerviosas que cargan de seales elctricas el
cuerpo de la clula. El cuerpo de la clula, realiza la suma de esas seales de
entrada. El axn es una fibra larga que lleva la seal desde el cuerpo de la clula
hacia otras neuronas. El punto de contacto entre un axn de una clula y una
dendrita de otra clula es llamado sinpsis, la longitud de la sinpsis es
determinada por la complejidad del proceso qumico que estabiliza la funcin de la
red neuronal. Un esquema simplificado de la interconexin de dos neuronas
biolgicas se observa en la figura 3.7

Figura 3. 8 Neuronas Biolgicas


Algunas de las estructuras neuronales son determinadas en el nacimiento, otra
parte es desarrollada a travs del aprendizaje, proceso en que nuevas conexiones
neuronales son realizadas y otras se pierden por completo. El desarrollo
neurolgico se hace crtico durante los primeros aos de vida, por ejemplo est
demostrado que si a un cachorro de gato, se le impide usar uno de sus ojos
durante un periodo corto de tiempo, el nunca desarrollara una visin normal en
ese ojo.
Las estructuras neuronales continan cambiando durante toda la vida, estos
cambios consisten en el refuerzo o debilitamiento de las uniones sinpticas; por
ejemplo se cree que nuevas memorias son formadas por la modificacin de esta
intensidad entre sinpsis, as el proceso de recordar el rostro de un nuevo amigo,
consiste en alterar varias sinpsis.
Como consecuencia de los primeros estudios sobre la base neural de los sistemas
mnmicos (relacionados con la memoria), se crea que el almacenamiento de la
memoria asociativa, tanto implcita como explcita, requeran de un circuito
neuronal muy complejo. Entre quienes comenzaron a oponerse a este enfoque se
hallaba Donald O. Hebb, profesor de la universidad de Milner; Hebb sugiri que el
aprendizaje asociativo podra ser producido por un mecanismo celular sencillo y
propuso que las asociaciones podran formarse por una actividad neuronal
coincidente: "Cuando un axn de la clula A excita la clula B y participa en su
activacin, se produce algn proceso de desarrollo o cambio metablico en una o
en ambas clulas, de suerte que la eficacia de A, como clula excitadora de B, se
intensifica". Segn la regla Hebbiana de aprendizaje, el que coincida la actividad
de las neuronas presinpticas (suministran el impulso de entrada) con la de las
postsinpticas (reciben el impulso) es muy importante para que se refuerce la
conexin entre ellas, este mecanismo es llamado pre-postasociativo, del cual
puede observarse un ejemplo en la figura 3.8.

Figura 3. 9 Cambios asociativos de las fuerzas sinpticas durante el aprendizaje


Todas las neuronas conducen la informacin de forma similar, esta viaja a lo largo
de axones en breves impulsos elctricos, denominados potenciales de accin; los
potenciales de accin que alcanzan una amplitud mxima de unos 100 mV y duran
1 ms, son resultado del desplazamiento a travs de la membrana celular de iones
de sodio dotados de carga positiva, que pasan desde el fluido extracelular hasta el
citoplasma intracelular; la concentracin extracelular de sodio supera
enormemente la concentracin intracelular.
La membrana en reposo mantiene un gradiente de potencial elctrico de -70mv, el
signo negativo se debe a que el citoplasma intracelular est cargado
negativamente con respecto al exterior; los iones de sodio no atraviesan con
facilidad la membrana en reposo, los estmulos fsicos o qumicos que reducen el
gradiente de potencial, o que despolaricen la membrana, aumentan su
permeabilidad al sodio y el flujo de este ion hacia el exterior acenta la
despolarizacin de la membrana, con lo que la permeabilidad al sodio se
incrementa ms an.
Alcanzado un potencial crtico denominado "umbral", la realimentacin positiva
produce un efecto regenerativo que obliga al potencial de membrana a cambiar de
signo. Es decir, el interior de la clula se torna positivo con respecto al exterior, al
cabo de 1 ms, la permeabilidad del sodio decae y el potencial de membrana
retorna a -70mv, su valor de reposo. Tras cada explosin de actividad inica, el
mecanismo de permeabilidad del sodio se mantiene refractario durante algunos
milisegundos; la tasa de generacin de potenciales de accin queda as limitada a
unos 200 impulsos por segundo, o menos.
Aunque los axones puedan parecer hilos conductores aislados, no conducen los
impulsos elctricos de igual forma, como hilos elctricos no seran muy valiosos,
pues su resistencia a lo largo del eje es demasiado grande y a resistencia de la
membrana demasiado baja; la carga positiva inyectada en el axn durante el
potencial de accin queda disipada uno o dos milmetros ms adelante, para que
la seal recorra varios centmetros es preciso regenerar frecuentemente el
potencial de accin a lo largo del camino la necesidad de reforzar repetidamente
esta corriente elctrica limita a unos 100 metros por segundo la velocidad mxima
de viaje de los impulsos, tal velocidad es inferior a la millonsima de la velocidad
de una seal elctrica por un hilo de cobre.
Los potenciales de accin, son seales de baja frecuencia conducidas en forma
muy lenta, estos no pueden saltar de una clula a otra, la comunicacin entre
neuronas viene siempre mediada por transmisores qumicos que son liberados en
las sinpsis. Un ejemplo de comunicacin entre neuronas y del proceso qumico
de la liberacin de neurotransmisores se ilustra en la figura 3.9


Figura 3. 10 Comunicacin entre neuronas
Cuando un potencial de accin llega al terminal de un axn son liberados
transmisores alojados en diminutas vesculas, que despus son vertidos en una
hendidura de unos 20 nanmetros de anchura que separa la membrana
presinptica de la postsinptica; durante el apogeo del potencial de accin,
penetran iones de calcio en el terminal nervioso, su movimiento constituye la seal
determinante de la exocitosis sincronizada, esto es la liberacin coordinada de
molculas neurotransmisoras. En cuanto son liberados, los neurotransmisores se
enlazan con receptores postsinpticos, instando el cambio de la permeabilidad de
la membrana.
Cuando el desplazamiento de carga hace que la membrana se aproxime al umbral
de generacin de potenciales de accin, se produce un efecto excitador y cuando
la membrana resulta estabilizada en la vecindad el valor de reposo se produce un
efecto inhibidor. Cada sinpsis produce slo un pequeo efecto, para determinar
la intensidad (frecuencia de los potenciales de accin) de la respuesta cada


neurona ha de integrar continuamente hasta unas 1000 seales sinpticas, que se
suman en el soma o cuerpo de la clula.
En algunas neuronas los impulsos se inician en la unin entre el axn y el soma, y
luego se transmiten a lo largo del axn a otras clulas nerviosas. Cuando el axn
est cerca de sus clulas destino, se divide en muchas ramificaciones que forman
sinpsis con el soma o axones de otras clulas. Las sinpsis pueden ser
excitatorias o inhibitorias segn el neurotransmisor que se libere, cada neurona
recibe de 10.000 a 100.000 sinpsis y su axn realiza una cantidad similar de
sinpsis.
Las sinpsis se clasifican segn su posicin en la superficie de la neurona
receptora en tres tipos: axo-somtica, axo-dendrtica, axo-axnica. Los fenmenos
que ocurren en la sinpsis son de naturaleza qumica, pero tienen efectos
elctricos laterales que se pueden medir.
En la figura 3.11 se visualiza el proceso qumico de una sinpsis y los diferentes
elementos que hacen parte del proceso tanto en la neurona presinptica, como en
la postsinptica.


Figura 3. 11 Proceso qumico de una sinpsis
Las RNA no alcanzan la complejidad del cerebro, sin embargo hay dos aspectos
similares entre redes biolgicas y artificiales, primero los bloques de construccin
de ambas redes son sencillos elementos computacionales (aunque las RNA son
mucho ms simples que las biolgicas) altamente interconectados; segundo, las
conexiones entre neuronas determinan la funcin de la red.


Leccin 7. Caractersticas de una red neuronal artificial
El modelo de una neurona artificial es una imitacin del proceso de una neurona
biolgica, puede tambin asemejarse a un sumador hecho con un amplificador
operacional tal como se ve en la figura 3.12.

Figura 3. 12 Neurona Artificial
Existen varias formas de nombrar una neurona artificial, es conocida como nodo,
neuronodo, celda, unidad o elemento de procesamiento (PE); En la figura 3.11 se
observa un PE en forma general y su similitud con una neurona biolgica

Figura 3. 13 De la neurona biolgica a la neurona artificial
De la observacin detallada del proceso biolgico se han hallado los siguientes
anlogos con el sistema artificial:


Las entradas X
i
representan las seales que provienen de otras neuronas y
que son capturadas por las dendritas.
Los pesos W
i
son la intensidad de la sinpsis que conecta dos neuronas;
tanto X
i
como W
i
son valores reales.
es la funcin umbral que la neurona debe sobrepasar para activarse; este
proceso ocurre biolgicamente en el cuerpo de la clula.
Las seales de entrada a una neurona artificial X
1
, X
2
,.., X
n
son variables
continuas en lugar de pulsos discretos, como se presentan en una neurona
biolgica. Cada seal de entrada pasa a travs de una ganancia o peso, llamado
peso sinptico o fortaleza de la conexin cuya funcin es anloga a la de la
funcin sinptica de la neurona biolgica. Los pesos pueden ser positivos
(excitatorios), o negativos (inhibitorios), el nodo sumatorio acumula todas las
seales de entradas multiplicadas por los pesos o ponderadas y las pasa a la
salida a travs de una funcin umbral o funcin de transferencia. La entrada neta a
cada unidad puede escribirse de la siguiente manera
(2.1)
Una idea clara de este proceso se muestra en la figura 3.13, en donde puede
observarse el recorrido de un conjunto de seales que entran a la red.

Figura 3. 14. Estructura de una red neuronal
Una vez que se ha calculado la activacin del nodo, el valor de salida equivale a


(2.2)
Donde representa la funcin de activacin para esa unidad, que corresponde a
la funcin escogida para transformar la entrada neta
i
en el valor de salida y que
depende de las caractersticas especficas de cada red.

Seccin 1. Notacin matemtica estndar
Una notacin matemtica estndar no ha sido an establecida para las redes
neuronales, ya que sus aplicaciones son tiles en muchos campos, Ingeniera,
Fsica, Psicologa y Matemticas. En este trabajo se adopt la siguiente
convencin para identificar las variables, de manera que fuera compatibles con las
diferentes reas, siendo lo ms sencilla posible:
Valores escalares: se representarn por medio de letra minscula itlica
Vectores: se representarn con letra itlica minscula en negrilla.
Matrices: se representarn con letra mayscula itlica en negrilla.
Para redes multicapa, los parmetros adoptaran la siguiente forma:

Donde c, es el nmero de la capa a la que corresponde dicho peso, y s representa
las neuronas que participan en proceso.
As representa el peso de la segunda capa que comunica la primera neurona
de dicha capa con la primera neurona de la primera capa. De igual manera el peso
que representa la conexin desde la ltima neurona de la capa dos a la ltima
neurona de la capa uno estar representado por:

Esta convencin es adoptada para todos los parmetros de la red.

Seccin 2. Funciones de Transferencia
Un modelo ms acadmico que facilita el estudio de una neurona, puede
visualizarse en la figura 3.15


Figura 3. 15 Neurona de una sola entrada
Las entradas a la red sern ahora presentadas en el vector p, que para el caso de
una sola neurona contiene solo un elemento, w sigue representando los pesos y la
nueva entrada b es una ganancia que refuerza la salida del sumador n, la cual es
la salida neta de la red; la salida total est determinada por la funcin de
transferencia , la cual puede ser una funcin lineal o no lineal de n, y que es
escogida dependiendo de las especificaciones del problema que la neurona tenga
que resolver; aunque las RNA se inspiren en modelos biolgicos no existe ninguna
limitacin para realizar modificaciones en las funciones de salida, as que se
encontrarn modelos artificiales que nada tienen que ver con las caractersticas
del sistema biolgico.

Limitador fuerte (Hardlim): La figura 3.16, muestra como esta funcin de
transferencia acerca la salida de la red a cero, si el argumento de la funcin es
menor que cero y la lleva a uno si este argumento es mayor que uno. Esta funcin
crea neuronas que clasifican las entradas en dos categoras diferentes,
caracterstica que le permite ser empleada en la red tipo Perceptrn
(2.3)


Figura 3. 16 Funcin de transferencia Hardlim
El icono para la funcin Hardlim reemplazara a la letra f en la expresin general,
cuando se utilice la funcin Hardlim.
Una modificacin de esta funcin puede verse en la figura 3.16, la que representa
la funcin de transferencia Hardlims que restringe el espacio de salida a valores
entre 1 y 1.
(2.4)

Figura 3. 17 Funcin de transferencia Hardlims
Funcin de transferencia lineal (purelin): La salida de una funcin de
transferencia lineal es igual a su entrada,
(2.5)


Figura 3. 18 Funcin de transferencia lineal
En la grfica del lado derecho de la figura 3.18, puede verse la caracterstica de la
salida a de la red, comparada con la entrada p, ms un valor de ganancia b,
neuronas que emplean esta funcin de transferencia son utilizadas en la red tipo
Adaline.
Funcin de transferencia sigmoidal (logsig): Esta funcin toma los valores de
entrada, los cuales pueden oscilar entre mas y menos infinito, y restringe la salida
a valores entre cero y uno, de acuerdo a la expresin
(2.6)
Esta funcin es comnmente usada en redes multicapa, como la Backpropagation,
en parte porque la funcin logsig es diferenciable.

Figura 3. 19 Funcin de transferencia sigmoidal


La tabla 3.1 hace una relacin de las principales funciones de transferencia
empleadas en el entrenamiento de redes neuronales.
Nombre
Relacin
Entrada /Salida
Icono Funcin
Limitador Fuerte

hardlim
Limitador Fuerte
Simtrico

hardlims
Lineal Positiva

poslin
Lineal

purelin
Lineal Saturado

satlin
Lineal Saturado
Simtrico

satlins
Sigmoidal Logartmico

logsig
Tangente Sigmoidal
Hiperblica

tansig
Competitiva

compet
Tabla 3 1 Funciones de Transferencia
Seccin 3. Topologa de una Red
Tpicamente una neurona tiene ms de una entrada; en la figura 3.19 se observa
una neurona con R entradas; las entradas individuales p
1
,p
2
,...,p
R
son
multiplicadas por los pesos correspondientes w
1,1
, w
1,2
,...w
1,R
pertenecientes a la
matriz de pesos W.


Figura 3. 20 Neurona con mltiples entradas
La neurona tiene una ganancia b, la cual llega al mismo sumador al que llegan las
entradas multiplicadas por los pesos, para formar la salida n,
(2.7)
Esta expresin puede ser escrita en forma matricial
(2.8)
Los subndices de la matriz de pesos representan los trminos involucrados en la
conexin, el primer subndice representa la neurona destino y el segundo,
representa la fuente de la seal que alimenta a la neurona. Por ejemplo, los
ndices de w
1,2
indican que este peso es la conexin desde la segunda entrada a
la primera neurona. Esta convencin se hace ms til cuando hay ms de una
neurona, o cuando se tiene una neurona con demasiados parmetros; en este
caso la notacin de la figura 3.20, puede resultar inapropiada y se prefiere emplear
la notacin abreviada representada en la figura 3.21


Figura 3. 21 Neurona con mltiples entradas, notacin abreviada
El vector de entrada p es representado por la barra slida vertical a la izquierda.
Las dimensiones de p son mostradas en la parte inferior de la variable como Rx1,
indicando que el vector de entrada es un vector fila de R elementos. Las entradas
van a la matriz de pesos W, la cual tiene R columnas y solo una fila para el caso
de una sola neurona. Una constante 1 entra a la neurona multiplicada por la
ganancia escalar b. La salida de la red a, es en este caso un escalar, si la red
tuviera ms de una neurona a sera un vector.
Dentro de una red neuronal, los elementos de procesamiento se encuentran
agrupados por capas, una capa es una coleccin de neuronas; de acuerdo a la
ubicacin de la capa en la RNA, esta recibe diferentes nombres
Capa de entrada: Recibe las seales de la entrada de la red, algunos autores no
consideran el vector de entrada como una capa pues all no se lleva a cabo ningn
proceso.
Capas ocultas: Estas capas son aquellas que no tienen contacto con el medio
exterior, sus elementos pueden tener diferentes conexiones y son estas las que
determinan las diferentes topologas de la red.
Capa de salida: Recibe la informacin de la capa oculta y transmite la respuesta al
medio externo.
Una red de una sola capa con un nmero S de neuronas, se observa en la figura
3.21 en la cual, cada una de las R entradas es conectada a cada una de las
neuronas, la matriz de pesos tiene ahora S filas.


Figura 3. 22 Capa de S neuronas
La capa incluye la matriz de pesos, los sumadores, el vector de ganancias, la
funcin de transferencia y el vector de salida. Esta misma capa se observa en
notacin abreviada en la figura 3.23.

Figura 3. 23 Capa de S neuronas con notacin abreviada
En la figura 3.23 se han dispuesto los smbolos de las variables de tal manera que
describan las caractersticas de cada una de ellas, por ejemplo la entrada a la red
es el vector p cuya longitud R aparece en su parte inferior, W es la matriz de
pesos con dimensiones SxR expresadas debajo del smbolo que la representa
dentro de la red, a y b son vectores de longitud S el cual, como se ha dicho
anteriormente representa el nmero de neuronas de la red.
Ahora, si se considera una red con varias capas, o red multicapa, cada capa
tendr su propia matriz de peso W, su propio vector de ganancias b, un vector de
entradas netas n, y un vector de salida a. La versin completa y la versin en
notacin abreviada de una red de tres capas, pueden ser visualizadas en las
figuras 3.23 y 3.24, respectivamente.


Figura 3. 24 Red de tres capas
Para esta red se tienen R entradas, S
1
neuronas en la primera capa, S
2
neuronas
en la segunda capa, las cuales pueden ser diferentes; las salidas de las capas 1 y
2 son las entradas a las capas 2 y 3 respectivamente, as la capa 2 puede ser
vista como una red de una capa con R=S
1
entradas, S
1
=S
2
neuronas y una matriz
de pesos W
2
de dimensiones S
1
xS
2

Figura 3. 25 Red de tres capas con notacin abreviada
Las redes multicapa son ms poderosas que las redes de una sola capa, por
ejemplo, una red de dos capas que tenga una funcin sigmoidal en la primera
capa y una funcin lineal en la segunda, puede ser entrenada para aproximar


muchas funciones de forma aceptable, una red de una sola capa no podra hacer
esto como se ver en captulos posteriores.
Un tipo de redes, un poco diferente a las que se han estudiado hasta el momento,
son las redes recurrentes, estas contienen una realimentacin hacia atrs o
retroalimentacin, es decir algunas de sus salidas son conectadas a sus entradas.
Un tipo de red recurrente de tiempo discreto es mostrado en la figura 3.25.

Figura 3. 26 Redes Recurrentes
Para este tipo particular de red el vector p suple las condiciones iniciales (a(0)= p),
y la salida est determinada por:
(2.9)
Donde a(1) y a(2), corresponden a la salida de la red para el primer y segundo
intervalo de tiempo, respectivamente. La red alcanzar su estado estable cuando
la salida para un instante de tiempo sea la misma salida del instante de tiempo
anterior.
Las redes recurrentes son potencialmente ms poderosas que las redes con
realimentacin hacia delante. En este tipo de redes se introducen tambin dos
nuevos conceptos, el bloque de retardo de la figura 3.27 y el bloque integrador de
la figura 3.28
Retardo


Figura 3. 27 Bloque de retardo
(2.10)
La salida del bloque de retardo es el valor de entrada retrasado en un paso de
tiempo, este bloque requiere que la salida sea inicializada con el valor a(0) para el
tiempo t=0; a(0) se convierte en la salida de la red para el instante de tiempo
inicial.
Integrador

Figura 3. 28 Bloque integrador
La salida del integrador es calculada de acuerdo a la expresin
(2.11)
Una red recurrente cuya implementacin necesita un bloque integrador se ilustra
en la figura 3.28.
En general las redes neuronales se pueden clasificar de diversas maneras, segn
su topologa, forma de aprendizaje (supervisado o no supervisado), tipos de
funciones de activacin, valores de entrada (binarios o continuos); un resumen de
esta clasificacin se observa en la figura 3.29


Figura 3. 29 Clasificacin de las Redes Neuronales

Leccin 8. Principales tipos de redes neuronales

Seccin 1. Antecedentes
La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch
y Walter Pitts; esta consista en una suma de las seales de entrada, multiplicadas
por unos valores de pesos escogidos aleatoriamente. La entrada es comparada
con un patrn preestablecido para determinar la salida de la red. Si en la
comparacin, la suma de las entradas multiplicadas por los pesos es mayor o igual
que el patrn preestablecido la salida de la red es uno (1), en caso contrario la
salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial,
se encontr gran similitud entre su comportamiento y el de los sistemas biolgicos
y en principio se crey que este modelo poda computar cualquier funcin
aritmtica o lgica.
La red tipo Perceptrn fue inventada por el psiclogo Frank Rosenblatt en el ao
1957. Su intencin era ilustrar algunas propiedades fundamentales de los
sistemas inteligentes en general, sin entrar en mayores detalles con respecto a
condiciones especficas y desconocidas para organismos biolgicos concretos.
Rosenblatt crea que la conectividad existente en las redes biolgicas tiene un
elevado porcentaje de aleatoriedad, por lo que se opona al anlisis de McCulloch
Pitts en el cual se empleaba lgica simblica para analizar estructuras bastante
idealizadas. Rosenblatt opinaba que la herramienta de anlisis ms apropiada era
la teora de probabilidades, y esto lo llev a una teora de separabilidad estadstica
que utilizaba para caracterizar las propiedades ms visibles de estas redes de
interconexin ligeramente aleatorias.


El primer modelo de Perceptrn fue desarrollado en un ambiente biolgico
imitando el funcionamiento del ojo humano, el fotoperceptrn como se le llamo era
un dispositivo que responda a seales pticas; como se muestra en el figura 3.29
la luz incide en los puntos sensibles (S) de la estructura de la retina, cada punto S
responde en forma todo-nada a la luz entrante, los impulsos generados por los
puntos S se transmiten a las unidades de asociacin (A) de la capa de asociacin;
cada unidad A est conectada a un conjunto aleatorio de puntos S, denominados
conjunto fuente de la unidad A, y las conexiones pueden ser tanto excitatorias
como inhibitorias. Las conexiones tienen los valores posibles +1, -1 y 0, cuando
aparece un conjunto de estmulos en la retina, una unidad A se activa si la suma
de sus entradas sobrepasa algn valor umbral; si la unidad esta activada, A
produce una salida que se enva a la siguiente capa de unidades.

Figura 3. 30 Modelo del Fotoperceptrn de Rosenblatt
De forma similar, las unidades A estn conectadas a unidades de respuesta (R)
dentro de la capa de respuesta y la conectividad vuelve a ser aleatorio entre
capas, pero se aaden conexiones inhibitorias de realimentacin procedentes de
la capa de respuesta y que llegan a la capa de asociacin, tambin hay
conexiones inhibitorias entre las unidades R. Todo el esquema de conexiones se
describe en forma general en un diagrama de Venn, para un Perceptrn sencillo
con dos unidades de respuesta como el de la figura 3.30


Figura 3. 31Esquema de conexiones de un Perceptrn sencillo
El Perceptrn era inicialmente un dispositivo de aprendizaje, en su configuracin
inicial no estaba en capacidad de distinguir patrones de entrada muy complejos,
sin embargo mediante un proceso de aprendizaje era capaz de adquirir esta
capacidad. En esencia, el entrenamiento implicaba un proceso de refuerzo
mediante el cual la salida de las unidades A se incrementaba o se decrementaba
dependiendo de si las unidades A contribuan o no a las respuestas correctas del
Perceptrn para una entrada dada. Se aplicaba una entrada a la retina, y el
estmulo se propagaba a travs de las capas hasta que se activase una unidad de
respuesta. Si se haba activado la unidad de respuesta correcta, se incrementaba
la salida de las unidades A que hubieran contribuido. Si se activaba una unidad R
incorrecta, se haca disminuir la salida de las unidades A que hubiesen
contribuido.
Mediante estas investigaciones se pudo demostrar que el Perceptrn era capaz de
clasificar patrones correctamente, en lo que Rosenblatt denominaba un entorno
diferenciado, en el cual cada clase estaba formada por patrones similares. El
Perceptrn tambin era capaz de responder de manera congruente frente a
patrones aleatorios, pero su precisin iba disminuyendo a medida que aumentaba
el nmero de patrones que intentaba aprender.
En 1969 Marvin Minsky y Seymour Papert publicaron su libro: "Perceptrons: An
introduction to Computational Geometry"[], el cual para muchos signific el final de
las redes neuronales. En el se presentaba un anlisis detallado del Perceptrn, en
trminos de sus capacidades y limitaciones, en especial en cuanto a las
restricciones que existen para los problemas que una red tipo Perceptrn puede
resolver; la mayor desventaja de este tipo de redes es su incapacidad para
solucionar problemas que no sean linealmente separables.
Minsky y Papert se apartaban de la aproximacin probabilstica de Rosenblatt y
volvan a las ideas de clculo de predicados en el anlisis del Perceptrn. Su idea
de Perceptrn aparece en la figura 2.32


Figura 3. 32 Perceptrn segn Minsky y Papert
La estructura de un Perceptrn sencillo es similar a la del elemento general de
procesamiento que se muestra en la figura 3.32; en la que se observa la adicin
de una condicin umbral en la salida. Si la entrada neta, a esta condicin es mayor
que el valor umbral, la salida de la red es 1, en caso contrario es 0.
La funcin de salida de la red en la figura 3.32 es llamada funcin umbral o funcin
de transferencia
(2.13)
A pesar de esta limitacin, el Perceptrn es an hoy una red de gran importancia,
pues con base en su estructura se han desarrollado otros modelos de red
neuronal como la red Adaline y las redes multicapa.
Seccin 2. Estructura de la red:


Figura 3. 33 Perceptrn
La nica neurona de salida del Perceptrn realiza la suma ponderada de las
entradas, resta el umbral y pasa el resultado a una funcin de transferencia de tipo
escaln. La regla e decisin es responder +1 si el patrn presentado pertenece a
la clase A, o 1 si el patrn pertenece a la clase B (figura 3.32), la salida depende
de la entrada neta (n = suma de las entradas p
i
ponderadas).
La red tipo Perceptrn emplea principalmente dos funciones de transferencia,
hardlim con salidas 1, 0 o hardlims con salidas 1, -1; su uso depende del valor de
salida que se espera para la red, es decir si la salida de la red es unipolar o
bipolar; sin embargo la funcin hardlims es preferida sobre la hardlim, ya que el
tener un cero multiplicando algunas de los valores resultantes del producto de las
entradas por el vector de pesos, ocasiona que estos no se actualicen y que el
aprendizaje sea ms lento.
Una tcnica utilizada para analizar el comportamiento de redes como el
Perceptrn es presentar en un mapa las regiones de decisin creadas en el
espacio multidimensional de entradas de la red, en estas regiones se visualiza qu
patrones pertenecen a una clase y cules a otra, el Perceptrn separa las
regiones por un hiperplano cuya ecuacin queda determinada por los pesos de las
conexiones y el valor umbral de la funcin de activacin de la neurona, en este
caso los valores de los pesos pueden fijarse o adaptarse empleando diferentes
algoritmos de entrenamiento.
Para ilustrar el proceso computacional del Perceptrn consideremos la matriz de
pesos en forma general.
(2.14)


Los pesos para una neurona estn representados por un vector compuesto de los
elementos de la i-sima fila de W
(2.15)
De esta forma y empleando la funcin de transferencia hardlim la salida de la
neurona i de la capa de salida
(2.16)
El Perceptrn, al constar de una sola capa de entrada y otra de salida con una
nica neurona, tiene una capacidad de representacin bastante limitada, este
modelo slo es capaz de discriminar patrones muy sencillos, patrones linealmente
separables (concepto que se estudiar en la seccin 2.1.4), el caso ms conocido
es la imposibilidad del Perceptrn de representar la funcin OR EXCLUSIVA.
Leccin 9. Backpropagation
Seccin 1. Antecedentes
La regla de aprendizaje del Perceptrn de Rosenblatt y el algoritmo LMS de
Widrow y Hoff fueron diseados para entrenar redes de una sola capa. Como se
discuti anteriormente, estas redes tienen la desventaja que solo pueden resolver
problemas linealmente separables, fue esto lo que llevo al surgimiento de las
redes multicapa para sobrepasar esta dificultad en las redes hasta entonces
conocidas.
El primer algoritmo de entrenamiento para redes multicapa fue desarrollado por
Paul Werbos en 1974, este se desarroll en un contexto general, para cualquier
tipo de redes, siendo las redes neuronales una aplicacin especial, razn por la
cual el algoritmo no fue aceptado dentro de la comunidad de desarrolladores de
redes neuronales. Fue solo hasta mediados de los aos 80 cuando el algoritmo
Backpropagation o algoritmo de propagacin inversa fue redescubierto al mismo
tiempo por varios investigadores, David Rumelhart, Geoffrey Hinton y Ronal
Williams, David Parker y Yann Le Cun. El algoritmo se populariz cuando fue
incluido en el libro "Parallel Distributed Processing Group" por los siclogos David
Rumelhart y James McClelland. La publicacin de este libro trajo consigo un auge
en las investigaciones con redes neuronales, siendo la Backpropagation una de
las redes ms ampliamente empleadas, aun en nuestros das.


Uno de los grandes avances logrados con la Backpropagation es que esta red
aprovecha la naturaleza paralela de las redes neuronales para reducir el tiempo
requerido por un procesador secuencial para determinar la correspondencia entre
unos patrones dados. Adems el tiempo de desarrollo de cualquier sistema que se
este tratando de analizar se puede reducir como consecuencia de que la red
puede aprender el algoritmo correcto sin que alguien tenga que deducir por
anticipado el algoritmo en cuestin.
La mayora de los sistemas actuales de computo se han diseado para llevar a
cabo funciones matemticas y lgicas a una velocidad que resulta
asombrosamente alta para el ser humano. Sin embargo la destreza matemtica no
es lo que se necesita para solucionar problemas de reconocimiento de patrones
en entornos ruidosos, caracterstica que incluso dentro de un espacio de entrada
relativamente pequeo, puede llegar a consumir mucho tiempo. El problema es la
naturaleza secuencial del propio computador; el ciclo tomar ejecutar de la
naturaleza Von Neumann solo permite que la mquina realice una operacin a la
vez. En la mayora de los casos, el tiempo que necesita la mquina para llevar a
cabo cada instruccin es tan breve (tpicamente una millonsima de segundo) que
el tiempo necesario para un programa, as sea muy grande, es insignificante para
los usuarios. Sin embargo, para aquellas aplicaciones que deban explorar un gran
espacio de entrada o que intentan correlacionar todas las permutaciones posibles
de un conjunto de patrones muy complejo, el tiempo de computacin necesario se
hace bastante grande.
Lo que se necesita es un nuevo sistema de procesamiento que sea capaz de
examinar todos los patrones en paralelo. Idealmente ese sistema no tendra que
ser programado explcitamente, lo que hara es adaptarse a s mismo para
aprender la relacin entre un conjunto de patrones dado como ejemplo y ser capaz
de aplicar la misma relacin a nuevos patrones de entrada. Este sistema debe
estar en capacidad de concentrarse en las caractersticas de una entrada arbitraria
que se asemeje a otros patrones vistos previamente, sin que ninguna seal de
ruido lo afecte. Este sistema fue el gran aporte de la red de propagacin inversa,
Backpropagation.
La Backpropagation es un tipo de red de aprendizaje supervisado, que emplea un
ciclo propagacin adaptacin de dos fases. Una vez que se ha aplicado un
patrn a la entrada de la red como estmulo, este se propaga desde la primera
capa a travs de las capas superiores de la red, hasta generar una salida. La
seal de salida se compara con la salida deseada y se calcula una seal de error
para cada una de las salidas.
Las salidas de error se propagan hacia atrs, partiendo de la capa de salida, hacia
todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin
embargo las neuronas de la capa oculta solo reciben una fraccin de la seal total
del error, basndose aproximadamente en la contribucin relativa que haya
aportado cada neurona a la salida original. Este proceso se repite, capa por capa,


hasta que todas las neuronas de la red hayan recibido una seal de error que
describa su contribucin relativa al error total. Basndose en la seal de error
percibida, se actualizan los pesos de conexin de cada neurona, para hacer que la
red converja hacia un estado que permita clasificar correctamente todos los
patrones de entrenamiento.
La importancia de este proceso consiste en que, a medida que se entrena la red,
las neuronas de las capas intermedias se organizan a s mismas de tal modo que
las distintas neuronas aprenden a reconocer distintas caractersticas del espacio
total de entrada. Despus del entrenamiento, cuando se les presente un patrn
arbitrario de entrada que contenga ruido o que est incompleto, las neuronas de la
capa oculta de la red respondern con una salida activa si la nueva entrada
contiene un patrn que se asemeje a aquella caracterstica que las neuronas
individuales hayan aprendido a reconocer durante su entrenamiento. Y a la
inversa, las unidades de las capas ocultas tienen una tendencia a inhibir su salida
si el patrn de entrada no contiene la caracterstica para reconocer, para la cual
han sido entrenadas.
Varias investigaciones han demostrado que, durante el proceso de entrenamiento,
la red Backpropagation tiende a desarrollar relaciones internas entre neuronas con
el fin de organizar los datos de entrenamiento en clases. Esta tendencia se puede
extrapolar, para llegar a la hiptesis consistente en que todas las unidades de la
capa oculta de una Backpropagation son asociadas de alguna manera a
caractersticas especficas del patrn de entrada como consecuencia del
entrenamiento. Lo que sea o no exactamente la asociacin puede no resultar
evidente para el observador humano, lo importante es que la red ha encontrado
una representacin interna que le permite generar las salidas deseadas cuando se
le dan las entradas, en el proceso de entrenamiento. Esta misma representacin
interna se puede aplicar a entradas que la red no haya visto antes, y la red
clasificar estas entradas segn las caractersticas que compartan con los
ejemplos de entrenamiento.
Leccin 10. Aprendizaje asociativo
Las redes con aprendizaje no supervisado (tambin conocido como auto-
supervisado) no requieren influencia externa para ajustar los pesos de las
conexiones entre sus neuronas, la red no recibe ninguna informacin por parte del
entorno que le indique si la salida generada en respuesta a una determinada
entrada es o no correcta, por ello suele decirse que estas redes son capaces de
autoorganizarse.
Estas redes deben encontrar las caractersticas, regularidades, correlaciones o
categoras que se puedan establecer entre los datos que se presenten en su
entrada; puesto que no hay supervisor que indique a la red la respuesta que debe
generar ante una entrada concreta, cabra preguntarse precisamente por lo que la
red genera en estos casos, existen varias posibilidades en cuanto a la


interpretacin de la salida de estas redes que dependen de su estructura y del
algoritmo de aprendizaje empleado.
En algunos casos, la salida representa el grado de familiaridad o similitud entre la
informacin que se le est presentando en la entrada de la red y las informaciones
que se le han mostrado hasta entonces, en otro caso la red podra realizar una
clusterizacin (clustering) o establecimiento de categoras, indicando la salida de
la red a que categora pertenece la informacin presentada a la entrada, siendo la
propia red quien deba encontrar las categoras apropiadas a partir de
correlaciones entre las informaciones presentadas. Una variacin de esta
categorizacin es el prototipado, en este caso la red obtiene ejemplares o
prototipos representantes de las clases a las que pertenecen las informaciones de
entrada.
El aprendizaje sin supervisin permite tambin realizar una codificacin de los
datos de entrada, generando a la salida una versin codificada de la entrada con
menos bits, pero manteniendo la informacin relevante de los datos.
Algunas redes con aprendizaje no supervisado generan un mapeo de
caractersticas (featuring mapping), obtenindose en las neuronas de salida una
disposicin geomtrica que representa un mapa fotogrfico de las caractersticas
de los datos de entrada, de tal forma que si se presentan a la red informaciones
similares siempre sean afectadas neuronas de salida prximas entre s, en la
misma zona del mapa.
En cuanto a los algoritmos de aprendizaje no supervisado, en general se
consideran dos tipos, que dan lugar a los siguientes aprendizajes:
1. Aprendizaje asociativo
2. Aprendizaje competitivo
En el primer caso normalmente se pretende medir la familiaridad o extraer
caractersticas de los datos de entrada, mientras que el segundo suele orientarse
hacia la clusterizacin o clasificacin de dichos datos. En esta seccin se
profundizar en el estudio del primero de estos algoritmos, el correspondiente al
aprendizaje asociativo.
Una asociacin es cualquier vnculo entre la entrada de un sistema y su
correspondiente salida. Cuando dos patrones son vinculados por una asociacin,
el patrn de entrada es a menudo referido como el estmulo, y la salida es referida
como la respuesta.
El aprendizaje asociativo fue inicialmente estudiado por escuelas de Sicologa, las
cuales se dedicaron a estudiar las relaciones entre el comportamiento humano y el
comportamiento animal. Una de las primeras influencias en este campo fue el
experimento clsico de Pavlov, en el cual se entren a un perro para salivar al


escuchar el sonido de una campana si le era presentado un plato de comida, este
es un ejemplo del llamado Condicionamiento Clsico. Otro de los principales
exponentes de esta escuela fue B.F. Skinner, su experimento involucr el
entrenamiento de ratas, las cuales deban presionar un botn para obtener
comida, a este tipo de entrenamiento se le llamo Condicionamiento Instrumental.
Basado en este tipo de comportamiento, Donald Hebb postul el siguiente
principio conocido como la regla de Hebb:
" Cuando un axn de una celda A est lo suficientemente cerca de otra celda B
como para excitarla y repetidamente ocasiona su activacin, un cambio metablico
se presenta en una o ambas celdas, tal que la eficiencia de A, como celda
excitadora de B, se incrementa". Con el trmino celda, Hebb se refera a un
conjunto de neuronas fuertemente conexionadas a travs de una estructura
compleja, la eficiencia podra identificarse con la intensidad o magnitud de la
conexin, es decir el peso.
Este postulado aplicado a redes asociativas, marc el inicio del aprendizaje no
supervisado. Un gran nmero de investigadores ha contribuido al aprendizaje
asociativo, en particular Tuevo Kohonen, James Anderson y Stephen Grossberg.
Anderson y Kohonen desarrollaron independientemente el asociador lineal a
finales de los aos 60's y Grossberg introdujo la red asociativa no lineal durante
este mismo periodo.
Segn la regla de aprendizaje de Hebb, la actividad coincidente en las neuronas
prsinptica y postsinptica es crtica para fortalecer la conexin entre ellas, a esto
se denomina mecanismo asociativo pre-post.
Seccin 1.Redes competitivas
En las redes con aprendizaje competitivo (y cooperativo), suele decirse que las
neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una
tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la
red cierta informacin de entrada, slo una de las neuronas de salida de la red, o
una por cierto grupo de neuronas, se active (alcance su valor de respuesta
mximo). Por tanto las neuronas compiten para activarse quedando finalmente
una, o una por grupo, como neurona vencedora y el resto quedan anuladas y
siendo forzadas a sus valores de respuesta mnimos.
La competicin entre neuronas se realiza en todas las capas de la red, existiendo
en estas redes neuronas con conexiones de autoexitacin (signo positivo) y
conexiones de inhibicin (signo negativo) por parte de neuronas vecinas.
El objetivo de este aprendizaje es categorizar (clusterizar) los datos que se
introducen en la red, de esta forma las informaciones similares son clasificadas
formando parte de la misma categora y por tanto deben activar la misma neurona


de salida. Las clases o categoras deben ser creadas por la propia red, puesto que
se trata de un aprendizaje no supervisado a travs de las correlaciones entre los
datos de entrada.
A principios de 1959, Frank Rosenblatt cre su simple clasificador espontneo,
una red de aprendizaje no supervisado basado en el Perceptrn, el cual aprenda
a clasificar vectores de entrada en dos clases con igual nmero de trminos.
A finales de los aos 60s y principios de los 70s, Stephen Grossberg introdujo
muchas redes competitivas que usaban inhibicin lateral obteniendo buenos
resultados. Algunos de los comportamientos tiles obtenidos por l, fueron la
supresin del ruido, aumento del contraste y normalizacin de vectores.
En 1973, Christoph Von Der Malsburg introduce la regla del mapa de organizacin
propia, que permita a la red clasificar entradas en las cuales las neuronas que
estuviesen en un vecindario cercano a la neurona ganadora, respondieran a
entradas similares. La topologa de esta red imitaba de alguna forma las
estructuras encontradas en la corteza visual de los gatos, estudiada por David
Hubel y Torten Wiesel. Su regla de aprendizaje gener gran inters, pero esta
utilizaba un clculo no local para garantizar que los pesos fueran normalizados,
este hecho haca este modelo biolgicamente poco posible.
Grossberg extendi el trabajo de Von Der Malsburg, redescubriendo la regla
Instar. Grossberg mostr que la regla Instar removi la necesidad de renormalizar
los pesos, porque los vectores de pesos que aprendan a reconocer vectores de
entrada normalizados, automticamente se normalizarn ellos mismos.
El trabajo de Grossberg y Von Der Malsburg enfatiz la posibilidad biolgica de
sus redes. Otro exitoso investigador, Tuevo Kohonen ha sido tambin un fuerte
proponente de las redes competitivas; sin embargo, su nfasis ha sido en
aplicaciones para ingeniera y en descripciones de eficiencia matemtica de las
redes. Durante la dcada de los 70 Kohonen desarroll una versin simplificada
de la regla Instar, inspirada tambin en la red de Von Der Malsburg y Grossberg,
de esta forma encontr una manera muy eficiente de incorporar topologa a una
red competitiva.
Otra forma de aplicar este tipo de aprendizaje fue propuesta por Rumelhart y
Zisper [32] en 1985, quienes utilizaban redes multicapa dividiendo cada capa en
grupos de neuronas, de tal forma que stas disponan de conexiones inhibitorias
con otras neuronas de su mismo grupo y conexiones excitadoras con las neuronas
de la siguiente capa; en una red de este tipo, despus de recibir diferentes
informaciones de entrada, cada neurona en cada grupo se especializa en la
respuesta a determinadas caractersticas de los datos de entrada.
En este tipo de redes cada neurona tiene asignado un peso total (suma de todos
los pesos de las conexiones que tiene a su entrada), el aprendizaje afecta slo a


las neuronas ganadoras (activas), en las que se redistribuye el peso total entre sus
conexiones y se sustrae una porcin de los pesos de todas las conexiones que
llegan a la neurona vencedora, repartiendo esta cantidad por igual entre todas las
conexiones procedentes de unidades activas, por tanto la variacin del peso de
una conexin entre una unidad i y otra j ser nula si la neurona j no recibe
excitacin por parte de la neurona i (no vence en presencia de un estmulo por
parte de i) y se modificar (se reforzar) si es excitada por dicha neurona.
Una variacin del aprendizaje supervisado aplicado a redes multicapa consiste en
imponer una inhibicin mutua entre neuronas nicamente cuando estn a cierta
distancia unas de otras (suponiendo que las neuronas se han dispuesto
geomtricamente, por ejemplo formando capas bidimendisionales), existe
entonces un rea o regin de vecindad alrededor de las neuronas que constituye
un grupo local.
Fukushima emple esta idea en 1975 para una red multicapa llamada Cognitron,
fuertemente inspirada en la anatoma y fisiologa del sistema visual humano y en
1980 el mismo Fukushima en una versin mejorada de la anterior a la que llam
Necognitron, present una variacin de esta red utilizando aprendizaje
supervisado. El Necognitrron dispona de un gran nmero de capas con
arquitectura muy especfica de interconexiones entre ellas y era capaz de
aprender a diferenciar caracteres, aunque estos se presentasen a diferente
escala, en diferente posicin o distorsionados.
El aspecto geomtrico de la disposicin de neuronas de una red, es la base de un
caso particular de aprendizaje competitivo introducido por Kohonen en 1982
conocido como feature mapping (mapas de caractersticas), aplicado en redes con
una disposicin bidimensional de las neuronas de salida, que permiten obtener
mapas topolgicos o topogrficos (topology preserving maps, topographics maps,
self organization maps) en los que de algn modo estaran representadas las
caractersticas principales de las informaciones presentadas a la red. De esta
forma, si la red recibe informaciones con caractersticas similares, se generaran
mapas parecidos, puesto que seran afectadas neuronas de salidas prximas
entre s.
Red de Kohonen
Existen evidencias que demuestran que en el cerebro hay neuronas que se
organizan en muchas zonas, de forma que las informaciones captadas del entorno
a travs de los rganos sensoriales se representan internamente en forma de
mapas bidimensionales. Por ejemplo, en el sistema visual se han detectado
mapas del espacio visual en zonas del crtex (capa externa del cerebro), tambin
en el sistema auditivo se detecta una organizacin segn la frecuencia a la que
cada neurona alcanza mayor repuesta (organizacin tonotpica).


Aunque en gran medida esta organizacin neuronal est predeterminada
genticamente, es probable que parte de ella se origine mediante el aprendizaje,
esto sugiere que el cerebro podra poseer la capacidad inherente de formar mapas
topolgicos de las informaciones recibidas del exterior, de hecho esta teora podra
explicar su poder de operar con elementos semnticos: algunas reas del cerebro
simplemente podran crear y ordenar neuronas especializadas o grupos con
caractersticas de alto nivel y sus combinaciones, en definitiva se construiran
mapas especiales para atributos y caractersticas.
A partir de estas ideas Tuevo Kohonen present en 1982 un sistema con un
comportamiento semejante, se trataba de un modelo de red neuronal con
capacidad para formar mapas de caractersticas de manera similar a como ocurre
en el cerebro; el objetivo de Kohonen era demostrar que un estmulo externo
(informacin de entrada) por s solo, suponiendo una estructura propia y una
descripcin funcional del comportamiento de la red, era suficiente para forzar la
formacin de los mapas.
Este modelo tiene dos variantes denominadas LVQ (Learning Vector Quantization)
y TPM (Topology Preserving Map) o SOM (Self Organizing Map), ambas se basan
en el principio de formacin de mapas topolgicos para establecer caractersticas
comunes entre las informaciones (vectores) de entrada a la red, aunque difieren
en las dimensiones de stos, siendo de una sola dimensin en el caso de LVQ y
bidimensional o tridimensional en la red SOM. Estas redes se tratarn con mayor
profundidad en secciones posteriores.
El aprendizaje en el modelo de Kohonen es de tipo Off-line, por lo que se distingue
una etapa de aprendizaje y otra de funcionamiento. En la etapa de aprendizaje se
fijan los valores de las conexiones (feedforward) entre la capa de entrada y la
salida. Esta red utiliza un aprendizaje no supervisado de tipo competitivo, las
neuronas de la capa de salida compiten por activarse y slo una de ellas
permanece activa ante una determinada informacin de entrada a la red, los pesos
de las conexiones se ajustan en funcin de la neurona que haya resultado
vencedora.
Durante la etapa de entrenamiento, se presenta a la red un conjunto de
informaciones de entrada (vectores de entrenamiento) para que sta establezca
en funcin de la semejanza entre los datos las diferentes categoras (una por
neurona de salida), que serviran durante la fase de funcionamiento para realizar
clasificaciones de nuevos datos que se presenten a la red. Los valores finales de
los pesos de las conexiones entre cada neurona de la capa de salida con las de
entrada se correspondern con los valores de los componentes del vector de
aprendizaje que consigue activar la neurona correspondiente. En el caso de existir
ms patrones de entrenamiento que neuronas de salida, ms de uno deber
asociarse con la misma neurona, es decir pertenecern a la misma clase.


En este modelo el aprendizaje no concluye despus de presentarle una vez todos
los patrones de entrada, sino que habr que repetir el proceso varas veces para
refinar el mapa topolgico de salida, de tal forma que cuantas ms veces se
presenten los datos, tanto ms se reducirn las zonas de neuronas que se deben
activar ante entradas parecidas, consiguiendo que la red pueda realizar una
clasificacin mas selectiva.

Red de Hamming
La red de Hamming ilustrada es uno de los ejemplos ms simples de aprendizaje
competitivo, a pesar de ello su estructura es un poco compleja ya que emplea el
concepto de capas recurrentes en su segunda capa y aunque hoy en da en redes
de aprendizaje competitivo se ha simplificado este concepto con el uso de
funciones de activacin ms sencillas, la red de Hamming representa uno de los
primeros avances en este tipo de aprendizaje, convirtindola en un modelo
obligado de referencia dentro de las redes de aprendizaje competitivo. Las
neuronas en la capa de salida de esta red compiten unas con otras para
determinar la ganadora, la cual ndica el patrn prototipo ms representativo en la
entrada de la red, la competicin es implementada por inhibicin lateral (un
conjunto de conexiones negativas entre las neuronas en la capa de salida).
Esta red consiste en dos capas; la primera capa, la cual es una red Instar, realiza
la correlacin entre el vector de entrada y los vectores prototipo, la segunda capa
realiza la competicin para determinar cual de los vectores prototipo est ms
cercano al vector de entrada.

Seccin 2. Redes recurrentes
En el contexto de las redes recurrentes existen redes dinmicas por naturaleza
como lo son la red de Hopfield, la red de Jordan y la red de Elman y redes
dinmicas que siendo de naturaleza esttica como lo son las redes multicapa
logran el comportamiento dinmico realimentando sus entradas con muestras
anteriores de las salidas, el comportamiento dinmico de las redes recurrentes
hace que sean una poderosa herramienta para simular e identificar sistemas
dinmicos no lineales.

Red de Hopfield
En la dcada de los 80s con el fin de estudiar procesos que involucran sistemas
gobernados por ecuaciones diferenciales no lineales surge la teora clsica de


control geomtrico basada en la geometra diferencial; simultneamente renace el
estudio de las Redes Neuronales debido al redescubrimiento del algoritmo
Backpropagation, este hecho sumado al fracaso de las metodologas tradicionales
aplicadas a la inteligencia artificial y a la disponibilidad de herramientas
computacionales de bajo costo permitieron el desarrollo las redes neuronales
recurrentes cuya principal aplicacin es el control e identificacin de sistemas no
lineales. Este desarrollo es posible debido a que las propiedades matemticas de
las redes recurrentes estn enmarcadas en las mismas propiedades que
fundamentan el control geomtrico, la primera red neuronal recurrente de
naturaleza dinmica fue propuesta por Hopfield en 1984 bajo el contexto de las
memorias asociativas.
En bsqueda de una implementacin practica, Hopfield present su modelo bsico
como un circuito elctrico, el cual se muestra en la figura 2.6.1, donde cada
neurona se representa por un amplificador operacional y una red asociada
formada por una capacitancia y una resistencia, la entrada a cada amplificador es
la suma de las corrientes I
i
mas las realimentaciones provenientes de otros
amplificadores, por ejemplo el segundo amplificador realimenta al amplificador S a
travs de la resistencia R
S2
, en caso de necesitarse realimentaciones con signo
negativo, estas se hacen por medio de la salida inversora de cada amplificador; la
ecuacin para el modelo de Hopfield basado en las leyes de Kirchhoff se muestra
en la ecuacin (2.12).

Figura 3. 34 Circuito Elctrico red Hopfield
(2.12)


Donde n
i
es el voltaje de entrada a cada amplificador y a
i
=f(n
i
) su salida, con
caracterstica de amplificacin f la cual es generalmente de tipo sigmoidal,
.
Seccin 3. Redes Multicapa
Las redes multicapa son de naturaleza esttica, o sea su salida no evoluciona con
el tiempo (para un patrn de entrada existe una salida asociada), pero pueden
adquirir un comportamiento dinmico (para un patrn entrada la salida posee un
estado transitorio y converge a un valor en el estado estacionario) realimentando
sus entradas con estados anteriores de sus salidas.
La red esta compuesta de una capa esttica la cual generalmente posee un
nmero de neuronas superior al nmero de variables de estado del sistema a
identificar, la salida de la capa esttica va a un sumador donde se le resta el valor
anterior de la variable de estado Z
i
identificada por el sistema, de esta operacin
se genera la derivada de cada una de las i variables de estado identificadas por el
sistema.
Red de Elman
La red de Elman tpicamente posee dos capas, cada una compuesta de una red
tipo Backpropagation, con la adicin de una conexin de realimentacin desde la
salida de la capa oculta hacia la entrada de la misma capa oculta, esta
realimentacin permite a la red de Elman aprender a reconocer y generar patrones
temporales o variantes con el tiempo.


CAPITULO 3. CONTROL PREDICTIVO

Introduccin

El control predictivo tiene como objetivo resolver de forma efectiva, problemas de
control y automatizacin de procesos industriales que se caractericen por
presentar un comportamiento dinmico complicado, multivariable, y/o inestable. La
estrategia de control en que se basa este tipo de control, utiliza el modelo
matemtico del proceso a controlar para predecir el comportamiento futuro de
dicho sistema, y en base a este comportamiento futuro puede predecir la seal de
control futura.

El control predictivo integra disciplinas como el control ptimo, control estocstico,
control de procesos con retardo de tiempo, control multivariable, control con
restricciones.
Leccin 11. Fundamentos del control predictivo

El Control Predictivo Basado en Modelo (CPBM), conocido tambin como Model
Based Predictive Control (MBPC) o simplemente Model Predictive Control (MPC).
Esta estrategia tambin se conoce como control por horizonte deslizante, por ser
sta la forma en la que se aplican las seales de actuacin. Existen muchos
algoritmos de control predictivo que han sido aplicados con xito: GPC, IDCOM,
DMC, APC, PFC, EPSAC, RCA, MUSMAR, NPC, UPC, SCAP, HPC, etc.

El control predictivo basado en modelo se puede definir como una estrategia de
control que se basa en la utilizacin de forma explcita de un modelo matemtico
interno del proceso a controlar (modelo de prediccin), el cual se utiliza para
predecir la evolucin de las variables a controlar a lo largo de un horizonte
temporal de prediccin especificado por el operador, de este modo se puede
calcular las variables manipuladas futuras (seal de control futura) para lograr que
en dicho horizonte, las variables controladas converjan en sus respectivos valores
de referencia.


El MPC se enmarca dentro de los controladores ptimos, es decir, aquellos en los
que las actuaciones responden a la optimizacin de un criterio. El criterio a
optimizar, o funcin de coste, est relacionado con el comportamiento futuro del
sistema, que se predice gracias a un modelo dinmico del mismo, denominado
modelo de prediccin.

El intervalo de tiempo futuro que se considera en la optimizacin se denomina
horizonte de prediccin. Dado que el comportamiento futuro del sistema depende
de las actuaciones que se aplican a lo largo del horizonte de prediccin, son stas
las variables de decisin respecto a las que se optimiza el sistema. La aplicacin
de estas actuaciones sobre el sistema conduce a un control en bucle abierto.

La posible discrepancia entre el comportamiento predictivo y el comportamiento
real del sistema crean la necesidad de imponer cierta robustez al sistema
incorporando realimentacin del mismo. Esta realimentacin se consigue gracias a
la tcnica del horizonte deslizante que consiste en aplicar las actuaciones
obtenidas durante un periodo de tiempo, tras el cual se muestrea el estado del
sistema y se resuelve un nuevo problema de optimizacin. De esta manera, el
horizonte de prediccin se va deslizando a lo largo del tiempo.

Una de las propiedades ms atractivas del MPC es su formulacin abierta, que
permite la incorporacin de distintos tipos de modelos de prediccin, sean lineales
o no lineales, monovariables o multivariables, y la consideracin de restricciones
sobre las seales del sistema. Esto hace que sea una estrategia muy utilizada en
diversas reas del control. El CPBM es una de las pocas tcnicas que permiten
controlar sistemas con restricciones incorporando stas en el propio diseo del
controlador.

Estas caractersticas han hecho del control predictivo una de las escasas
estrategias de control avanzado con un impacto importante en problemas de
mbito industrial Por tal motivo es importante resaltar que el control predictivo se
ha desarrollado en el mundo de la industria, y ha sido la comunidad investigadora
la que se ha esforzado en dar un soporte terico a los resultados prcticos
obtenidos.


Merece la pena destacar que el control predictivo es una tcnica muy potente que
permite formular controladores para sistemas complejos y con restricciones. Esta
potencia tiene un precio asociado: el coste computacional y la sintonizacin del
controlador. Recientes avances en el campo del MPC proveen un conocimiento
ms profundo de estos controladores, obtenindose resultados que permiten
relajar estos requerimientos. As por ejemplo, se han establecido condiciones
generales para garantizar la estabilidad (Mayne 2001), condiciones bajo las cuales
se puede relajar el carcter optimal del controlador garantizando su estabilidad
(Scokaert & Mayne 1998).

Leccin 12. Ventajas e desventajas del Control Predictivo

Entre las ventajas se pueden citar:

Formulacin en el dominio del tiempo, lo cual le permite ser una tcnica
flexible, abierta e intuitiva.

Permite tratar con sistemas lineales y no lineales, monovariables y
multivariables utilizando la misma formulacin para los algoritmos del controlador.

La ley de control responde a criterios de optimizacin. Permite la incorporacin
de restricciones en la sntesis o implementacin del controlador.

Brinda la posibilidad de incorporar restricciones en el clculo de las
actuaciones.


Entre las desventajas se pueden citar:

Requiere el conocimiento de un modelo dinmico del sistema suficientemente
preciso.

Requiere un algoritmo de optimizacin, por lo que solo se podra
implementarse por medio de una computadora.

Requiere un alto coste computacional, lo que hace difcil su aplicacin a
sistemas rpidos.

Hasta hace relativamente poco, no se poda garantizar la estabilidad de los
controladores, especialmente en el caso con restricciones. Esto haca que el
ajuste de estos controladores fuese heurstico y sin un conocimiento de cmo
podan influir los parmetros en la estabilidad del sistema.

Leccin 13. Elementos del Control Predictivo:

Hay una serie de elementos comunes a todos los controladores predictivos:

El uso de un modelo matemtico del proceso que se utiliza para predecir la
evolucin futura de las variables controladas sobre un horizonte de prediccin.

La imposicin de una estructura en las variables manipuladas futuras.

El establecimiento de una trayectoria deseada futura, o referencia, para las
variables controladas.

El clculo de las variables manipuladas optimizando una cierta funcin de
costo.

La aplicacin del control siguiendo una poltica de horizonte mvil.


Los modelos internos que se usan para predecir el comportamiento del sistema
pueden ser de diversos tipos: Funcin de transferencia, Respuesta al impulso,
Respuesta al escaln, Espacio Estado.

Seccin 1. Modelo de prediccin

Esta representado por el modelo matemtico que describe el comportamiento
dinmico del sistema. Las ecuaciones fsicas del sistema conjuntamente con las
incertidumbres del mismo pueden ser expresadas en el mismo modelo.

Este modelo puede ser lineal, no lineal, en tiempo continuo, en tiempo discreto,
puede estar expresado en funcin de transferencia o en ecuaciones de estado,
puede ser multivariable o monovariable.

Una consideracin que deben tener, consiste en que el origen debe ser el punto
de equilibrio en el que se quiere regular el sistema, lo cual se puede conseguir con
un cambio de variables.

Debido a que el controlador predictivo es generalmente implementado por un
computador, esto requiere que el modelo del sistema se encuentre expresado en
tiempo discreto, de la forma:
x
k+1
=f(x
k
,u
k
)

Donde X
k+1
son los estados en el tiempo (k+1), X
k
, son los estados en el tiempo
(k), U
k
el la seal de control.

Como la prediccin depende adems de la secuencia de actuaciones aplicadas
desde el instante (k) hasta el instante (k + j), y por lo tanto futuras. A lo largo de
esta tesis, se denota x(k + j|k) al estado del sistema predicho en el instante (k + j)
a partir del estado conocido en el instante (k). Por lo tanto:


x(k + j + 1|k) = f( x(k + j|k), u(k + j|k) )

Donde x(k|k) = X
k
. son los estados del sistema

Seccin 2. Funcin de coste

Es aquella funcin definida positiva, que expresa el criterio a optimizar, es decir el
coste asociado a un determinado comportamiento del sistema a lo largo del
horizonte de prediccin. Tiene la siguiente estructura:

Donde L(x,u) es la funcin de coste de etapa, V(x) es la funcin de coste
terminal. Ambas funciones son definidas positivas.

La seal de control que se aplicara durante el horizonte de prediccin N, esta
dado por:

Seccin 3. Restricciones

Las restricciones indican los lmites dentro de los cuales debe transcurrir la
evolucin de las seales que rigen el comportamiento del sistema. Estas fronteras
se rigen por lmites fsicos, por razones de seguridad, por conveniencias
econmicas, etc.


Las restricciones se expresan como conjuntos X y U, cerrados y acotados, y
deben pertenecer al sistema para todo instante de tiempo de trabajo.

Si se desea poner un lmite en el extremo final del horizonte de prediccin, se
expresara de la forma:

Leccin 14. Algoritmos

En esta leccin se muestra brevemente los dos algoritmos considerados ms
representativos de las metodologas existentes en Control Predictivo. Representan
a las dos familias de controladores predictivos, una de origen claramente industrial
y la otra ms acadmica.

Seccin 1. Dynamic Matrix Control

El mtodo DMC se desarroll a finales de los setenta by Cutler and Ramaker de
Shell Oil Co. y ha sido aceptado ampliamente en el mundo industrial,
principalmente por las industrias petroqumicas. Actualmente DMC es algo ms
que un algoritmo y parte de su xito se debe al hecho de que el producto
comercial resuelve otros temas como identificacin u optimizacin n global de la
planta.


Pero a pesar de este xito en la prctica, este mtodo adolece quizs de la
ausencia de un anlisis terico ms completo que estudie la influencia de los
parmetros de diseo o (horizontes, secuencias de ponderacin) sobre la
estabilidad del bucle cerrado as como de resultados de robustez.

Prediccin. El modelo de proceso que se emplea es el de respuesta
temporal, considerando la perturbacin n como constante a lo largo del horizonte

Perturbaciones medibles. El efecto de las perturbaciones medibles se puede
aadir fcilmente a las anteriores ecuaciones de prediccin, ya que stas se
pueden tratar como entradas al sistema.

Algoritmo de control. El xito en la industria del DMC se ha debido
principalmente a su aplicacin n a sistemas multivariables de gran dimensin n
con la consideracin de restricciones.

Seccin 2. Control Predictivo Generalizado

El Control Predictivo Generalizado GPC fue propuesto por Clarke et al. en 1987 y
se ha convertido en uno de los mtodos ms populares en el mbito del Control
Predictivo tanto en el mundo industrial como en el acadmico. Se ha empleado
con xito en numerosas aplicaciones industriales, mostrando buenas prestaciones
a la vez que un cierto grado de robustez respecto a sobre parametrizacin o
retardos mal conocidos. Puede resolver muchos problemas de control diferentes
para un amplio campo de procesos con un nmero razonable de variables de
diseo, que son especificadas por el operario dependiendo del conocimiento
previo del proceso y de los objetivos de control.

La idea bsica del GPC es calcular una secuencia de futuras acciones de control
de tal forma que minimice una funcin de coste multipaso. El ndice a minimizar es


una funcin cuadrtica que mide por un lado la distancia entre la salida predicha
del sistema y una cierta trayectoria de referencia hasta el horizonte de prediccin,
y por otro el esfuerzo de control necesario para obtener dicha salida. El Control
Predictivo Generalizado tiene muchas ideas en comn con otros controladores
predictivos previamente mencionados ya que est basado en las mismas ideas
pero posee a su vez algunas diferencias. Como se ver ms adelante, es capaz
de proporcionar una solucin explcita (en ausencia de restricciones), puede
trabajar con procesos inestables o de fase no mnima e incorpora el concepto de
horizonte de control as como la consideracin en la funcin de coste de
ponderacin de los incrementos en las acciones de control. Las diversas
posibilidades disponibles para el GPC conducen a una gran variedad de objetivos
de control comparado con otras realizaciones, algunas de las cuales pueden ser
consideradas como subconjuntos o casos lmites del GPC.

Leccin 15. Restricciones y tendencias en Control Predictivo

En la prctica todos los procesos estn n sujetos a restricciones. Los actuadores
tienen un campo limitado de accin n impuesto por lmites fsicos (por ejemplo una
vlvula no puede abrir ms de un 100 % o un calentador no puede aportar ms de
su potencia mxima. Tambin n existen lmites de seguridad (por ejemplo
presiones o temperaturas mximas), requerimientos tecnolgicos (por ejemplo
mantener temperaturas en un rango dado), limitaciones de calidad del producto
(no salirse de cierta zona) o normativa medioambiental.

Seccin 1. Tratamiento convencional de restricciones

El tratamiento convencional de restricciones en control de procesos se basa en
que las restricciones en la variable manipulada (entrada) se cumplen saturando la
salida del controlador. Sin embargo, las restricciones en la variable controlada
(salida) no pueden abordarse; se intenta evitar su violacin n trabajando
alejados de los lmites (en zona segura), operando lejos de la restriccin n. Por
seguridad se trabaja con una consigna inferior, ms lejos del punto de operacin n
ptimo, lo que normalmente equivale a una disminucin n de la calidad y/o
cantidad en la produccin n, ya que normalmente el punto ptimo se encuentra en


la interseccin n de las restricciones obligando a acercarse lo ms posible a las
stas pero sin superarlas.

Si el controlador fuera capaz de tener en cuenta las restricciones y evitar su
violacin n, el proceso podra operar ms cerca de stas y por tanto de forma ms
eficiente.

Seccin 2. Restricciones en Control Predictivo

En la actualidad el MPC es la nica metodologa capaz de incorporar las
restricciones de forma sistemtica en la fase de diseo o del controlador, siendo
esta caracterstica una de las razones de su gran xito en la industria. Parece lo
gico que al disponer de un modelo dina mico del proceso se pueda conocer la
evolucio n futura de su salida y por tanto se pueda saber si e sta va a violar o no
las restricciones y actuar en consecuencia.

Para formular el algoritmo MPC con restricciones hay que expresar estas en
funcin n de la variable sobre la que se puede actuar, es decir, en funcionen de u.
Las restricciones en la entrada estn ya expresadas en funcin n de u y para las
restricciones en la salida se hace uso de las ecuaciones de prediccin n que
expresan el valor futuro de las salidas en funcin n de las seales de control
futuras y valores conocidos en el instante t.

Las restricciones que aparecen sern bsicamente amplitud y velocidad de
cambio en la seal de control y amplitud en la salida y se pueden expresar como:

Seccin 3. Tendencias del control predictivo

En la actualidad existen muchos campos abiertos en Control Predictivo, tanto en lo
referente a aplicaciones prcticas como a lneas de investigacin. Todava queda


mucho por estudiar en campos como identificacin de modelos, estimacin del
estado y de las perturbaciones no medibles o tratamiento sistemtico de las
incertidumbres. El estudio de estabilidad o robustez de la solucin es complicado,
sobre todo en el caso de inclusin de restricciones, ya que la ley de control es en
general variable con el tiempo y no se puede representar el sistema de la forma
clsica de bucle cerrado.


A.G. Kutnetsov y D.W. Clarke. Advances in Model-Based Predictive Control,
capitulo Application of constrained GPC for improving performance of
controlled plants. Oxford University Press, 1994.
Aplicacin en Java de una Red Neuronal para aproximar distintas funciones
http://neuron.eng.wayne.edu/bpFunctionApprox/bpFunctionApprox.html
BARAN M.E, WU F.F. "Network reconfiguration in distribution sistems for
loss reduction and load balancing". IEEE. Transaction on power delivery,
Vol 4, # 2, April 1989.
B.E. Ydstie. Extended Horizon Adaptive Control. En Proc. 9th IFACWorld
Congress, Budapest, Hungary, 1984.
Control Predictivo / Predictive Control. Universidad de Valladolid.
Departamento de Ingeniera de sistemas y Automatica. Secin
Departamento de la Facultad de Ciencias.
http://www.isa.cie.uva.es/php/lineas/Control_Predictivo.html Pgina Web
consultada el 15 de julio de 2009


Control Predictivo: metodologa, tecnologa y nuevas perspectivas.
Departamento de Ingeniera de sistemas y automtica. Universidad de
Sevilla. 2000 http://www.esi2.us.es/~bordons/apuntes_MPC.pdf Pgina
Web consultada el 15 de julio de 2009
Control de procesos mediante Redes Neuronales
Presentado por Cristina Garrido de la Universidad de Concepcin para
optar al ttulo de Ingeniero Civil Qumico
http://www.diq.udec.cl/~cgarrido/
http://melquiades.diq.udec.cl/~cgarrido/
Introduccin a las Redes Neuronales Artificiales.
Desarrollado por Alfredo Catalina Gallego
http://www.gui.uva.es/login/13/redesn.html
Difusa, Universidad del Valle, Colombia.
http://maxwell.univalle.edu.co/proyectos/rna/neurofuzzy1/
http://maxwell.univalle.edu.co/proyectos/rna/neurofuzzy2/
CHAPMAN Stephen J. "Mquinas Elctricas". McGraw Hill. Santaf de
Bogot Colombia. 1997
C.R. Cutler y B.C. Ramaker. Dynamic Matrix Control- A Computer Control
Algorithm. En Automatic Control Conference, San Francisco, 1980.
C.E. Garca, D.M. Prett y M. Morari. Model Predictive Control: Theory and
Practice-a Survey. Automatica, 25(3):335348, 1989.
DELGADO Alberto. "Inteligencia Artificial y Minirobots". Bogota D.C.
Colombia. Ecoe Ediciones. Julio 1998.
DELGADO Alberto. "Propiedades Matemticas y Aplicaciones de las Redes
Neuronales Dinmicas Recurrentes". Santaf de Bogot Colombia.
D.W. Clarke y C. Mohtadi. Properties of Generalized Predictive Control.
Automatica,25(6):859875, 1989.
D.W. Clarke, C. Mohtadi y P.S. Tuffs. Generalized Predictive Control. Part I.
The Basic Algorithm. Automatica, 23(2):137148, 1987.
E.F. Camacho, M. Berenguel y F.R. Rubio. Advanced Control of Solar
Power Plants. Springer-Verlag, London, 1997.
E.F. Camacho y C. Bordons. Model Predictive Control. Springer-Verlag,
1999.


H. Chen y F. Allgower. A quasi-infinite horizon nonlinear predictive controls
cheme with guaranteed stability. Automatica, 34(10):12051218, 1998.
E.S. Meadows, M.A. Henson, J.W. Eaton y J. Rawlings. Receding horizon
control and discontinuous state feedback stabilization. Int. Journal Control,
paginas 1217 1229, 1995.
FISCHBACH Gerald D.. "Mente y cerebro". Investigacin y Ciencia # 194,
Noviembre de 1992
FLOREZ Oscar y SALAZAR Harold. Proyecto de grado "Utilizacin de
Redes Neuronales Artificiales en la Reconfiguracin de Alimentadores
Primarios". Pereira Colombia. Universidad Tecnolgica. 1998.
FREEMAN James y SKAPURA David. "Redes Neuronales: Algoritmos,
aplicaciones y tcnicas de programacin". Delaware E.U.A. Addison Wesley
Iberoamericana S.A. 1993
GALLEGO Ramn y Ruben. "Flujo de Carga". Pereira Colombia.
Universidad Tecnolgica de Pereira. 1999
GIRALDO Didier, TABARES Ivan. "Programa que entrena neuronas para
implementar funciones lgicas". Scientia et technica. Ao II, #5, Junio de
1997.
HAGAN Martin, DEMUTH Howard y BEALE Mark. "Neural Network Design".
PWS Publishing Company. Boston U.S.A. 1996.
HILERA Jos R., MARTINEZ Vctor J. "Redes Neuronales Artificiales.
Fundamentos, modelos y aplicaciones ". Ra-ma Editorial. Madrid. 1995
HINTON Geoffrey E. "Redes neuronales que aprenden de la experiencia".
Investigacin y ciencia. #194, Noviembre de 1992.
H. Michalska y D.Q. Mayne. Robust receding horizon control of constrained
nonlinear systems. IEEE Trans. on Automatic Control, 38(11):16231633,
1993.
H. Takatsu, T. Itoh y M. Araki. Future needs for the control theory in
industries. report and topics of the control technology survey in japanese
indsutry. Journal of Process Control, 8:369374, 1998.
J. Richalet. Practique de la commande predictive. Hermes, 1992.


KANDEL Eric R., ROBERT Hawkins. "Bases biolgicas del aprendizaje y de
la individualidad". Investigacin y ciencia #194, Noviembre de 1992.
K. Kramer y H. Ubehauen. Predictive Adaptive Control. Comparison of
Main Algorithms. En Proceedings 1st European Control Conference,
Grenoble, paginas 327 332, julio 1991.
KOHONEN Tuevo. "Associative memory. A system theoretical approach".
Springer-Verlag, 1977
KOHONEN Tuevo. "Self-organized formaion of topologically correct feature
maps". Biological Cybernetics #43 , 1982. Reimpreso en el texto
"Neurocomputing" (J.Anderson y E. Rosenfeld ed.), MIT press,1988.
KOHONEN Tuevo. "Learning Vector Quantization". Abstracts of the first
annual INNS Meeting, #308, 1988.
KONONEN Tuevo. "Self-organization and associative memory (3 ed.)".
Springer-Verlag, 1989.
KOSKO. "Bidirectional Associative Memories". IEEE Transactions on
system, Man & Cybernetics, #18, pags 42-60,1988
LATHI B.P. "Introduccin a la teora y sistemas de comunicacin". Limusa
editores. Mjico. 1995
M. Minsky y S. Papert. "Perceptrons". ED. MIT Press,1969
M.L. Tyler yM. Morari. Propositional Logic in Control and Monitoring
Problems. Technical Report AUT96-15, Institut fur Automatik, ETH- Swiss
Federal Institute of Technology, Zurich, Switzerland, 1996.
MURILLO Jos Joaqun. "Sistemas de distribucin de energa elctrica".
Pereira, Colombia. 1997.
N.M.C. Oliveira y L.T. Biegler. An extension of newton-type algorithms for
nonlinear process control. Automatica, 31:281286, 1995.
SIMPSON P.K. "Foundations of neural Networks". Artificial Neural
Networks. IEEE PRESS. New York. 1992
Pagina de la Universidad de Chile contiene manual sobre el Snns
http://cipres.cec.uchile.cl/~em753/


Red de Hopfield como reconocimiento de patrones
http://www.eeng.dcu.ie/~annet/intro/demo.html
Redes Neuronales aplicadas al reconocimiento de voz.
Proyecto desarrollado por Jos Mara Garca Jimnez en Madrid, Espaa
http://electronica.com.mx/neural/aplicaciones/index.html
S.S. Keerthi y E.G. Gilbert. Optimal infinite-horizon feedback laws for a
general class of constrained discrete-time systems: Stability and moving-
horizon approximations. J. Optim. Theory Appl., 57(2):265293, 1988.
R. De Keyser. A Gentle Introduction to Model Based Predictive Control. En
PADI2 International Conference on Control Engineering and Signal
Processing, Piura, Peru, 1998.
R.M.C. De Keyser, Ph.G.A.Van deVelde y F.G.A. Dumortier. AComparative
Study of Self-adaptive Long-range Predictive Control Methods. Automatica,
24(2):149 163, 1988.
Redes de Resonancia Adaptiva (ART), arquitectura, entrenamiento y
aplicaciones de esta red Proyectos finales curso Redes Neuronales,
Universidad del Valle, Colombia
http://maxwell.univalle.edu.co/proyectos/rna/ART1/
SIMPSON P.K. "Foundations of neural Networks". Artificial Neural
Networks. IEEE PRESS. New York. 1992.
S.J. Qin y T.A. Badgwell. An Overview of Industrial Model Predictive Control
Technology. In Chemical Process Control: Assessment and New Directions
for Research. En AIChE Symposium Series 316, 93. Jeffrey C. Kantor,
Carlos E. Garcia and Brice Carnahan Eds. 232-256, 1997.
S.J. Qin y Thomas A. Badgwell. Anoverview of nonlinear model predictive
control applications. En IFAC Workshop on Nonlinear Model Predictive
Control. Assessment and Future Directions. Ascona (Switzerland), 1998.
Tutorial con teora detallada
http://www.paisvirtual.com/informatica/navegadores/toniomos/rn/temas-
rn.htm

Tutorial Redes Neuronales contiene Teoria General
http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html


Tutorial de Redes Neuronales desarrollado en la Universidad Politcnica de
Madrid UPM (Espaa), bajo la direccin del Dr. Diego Andina de la Fuente
Contiene una explicacin de los distintos tipos de redes segn su forma de
aprendizaje y permite descargar un simulador para entrenar una red tipo
backpropagation http://www.gc.ssr.upm.es/inves/neural/ann2/anntutor.htm
Visin Artificial y Visin Humana, aplicacin a la percepcin Visual en
Robtica
Grupo de investigacin dirigido por el profesor Luis Jaez Esacalada's
http://sirio.psi.ucm.es/PROYECTOS/VISIONROBOT/vavh.html
WIDROW Bernard, LEHR Michael A. "30 years of adaptive neural networks:
Perceptron, Madaline, and Backpropagation". Proceedings of the IEEE, vol
78 #9, September 1990, pp 1415-1442.

299018-Sistemas Avanzados de Control

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

299018-Sistemas Avanzados de Control

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BSICAS, TECNOLOGAS E INGENIERAS

You might also like