Professional Documents
Culture Documents
AUTOMATICA II
(Primer parcial)
INDICE
Indice
Indice
Indice
225
BIBLIOGRAFIA
227
TEMA 0
HISTORIA DE LA AUTOMTICA
0.1 INTRODUCCIN
La Real Academia de la Lengua define el trmino Automtica de la siguiente forma:
Ciencia que trata de sustituir en un proceso al operador humano por dispositivos mecnicos
o electrnicos.
En esta definicin se hace referencia expresa a dos actividades propias del operador
humano: la tarea fsica y la tarea mental. Normalmente las tareas realizadas por el hombre
son un conjunto de ambas. Se dice que un proceso est automatizado cuando no precisa la
intervencin de un operador humano.
La Automtica1 es una disciplina bsicamente ingenieril, por ello sus avances estn
estrechamente ligados a los problemas prcticos que necesitaban ser resueltos por el
hombre. Los principales eventos a lo largo de la historia de la humanidad que afectaron al
progreso de la Automtica fueron:
1. La preocupacin de los Griegos y de los Arabes por conseguir una medida precisa
del tiempo. Este periodo se extiende desde cerca del 300 a.c. hasta el 1200 de
nuestra era.
2. La Revolucin Industrial en Europa. Se suele decir que la Revolucin Industrial
comenz a finales del siglo dieciocho, sin embargo, sus races pueden ubicarse
mucho antes, alrededor del 1600.
3. El desarrollo de las telecomunicaciones y las Guerras Mundiales. Este periodo
comprende desde 1910 hasta 1945.
En este captulo se usarn de forma sinnima los trminos Automtica, Teora de Control Automtico y Teora
de Control Realimentado.
1
Apuntes de Automtica II
disminua el corcho dejaba de taponar la entrada de flujo al tanque, con lo que est se volva
a llenar. El llenado se paraba cuando se alcanzaba una altura adecuada de tal forma que el
corcho volva a taponar el flujo entrante de agua.
Los Griegos usaron los reguladores flotantes y dispositivos similares para: la
implementacin de relojes de agua, la dispensacin automtica de vino, el diseo de sifones
para mantener una diferencia constante de niveles de agua entre dos tanques, la apertura
de las puertas de los templos, etc.
En el periodo comprendido entre el ao 800 y el 1200 diferentes ingenieros rabes
utilizaron reguladores flotantes para relojes de agua y otras aplicaciones. Durante este
periodo, fue utilizado uno de los principios ms importantes de la realimentacin, el control
on/off.
Cuando Bagdad fue tomada por los Mongoles en 1258, todo el pensamiento creativo
asociado a este tipo de reguladores finaliz. Adems, la invencin de relojes mecnicos en
el siglo XIV dej a los relojes de agua y sus sistemas de control realimentado obsoletos. (El
reloj mecnico no es un sistema de control realimentado). El regulador flotante no
aparecera de nuevo hasta su uso en la Revolucin Industrial.
0.2.1.2 La Revolucin Industrial
Apuntes de Automtica II
anlisis. Fue el primero en mencionar la nocin de constante de tiempo del sistema. Sin
conocer el trabajo de Maxwell y Routh el propuso el problema de determinar la estabilidad
de la ecuacin caracterstica a A. Hurwitz quin lo resolvi en 1895 [Hurwitz 1895].
Otra aportacin fundamental a la teora de control fue realizada por A. M. Lyapunov, que
estudi en 1892 la estabilidad de ecuaciones diferenciales no lineales usando una nocin
generalizada de energa [Lyapunov 1892]. Desafortunadamente, aunque su trabajo fue
aplicado y continuado en Rusia, su elegante teora no lleg a Occidente hasta 1960.
Otro problema militar importante durante este periodo era la fijacin precisa de objetivos
para armas ubicadas en barcos y aviones. Con la publicacin en 1934 del libro Teora de
Servomecanismos de h. L. Hzen, se inici el uso de la teora de control mecnica en este
problema. En su libro, Hzen acuo el trmino servomecanismo, que implicaba una relacin
maestro-esclavo en los sistemas.
En 1940 se cre el denominado como Laboratorio de Radiacin en el Instituto
Tecnolgico de Massachusetss (MIT) para estudiar problemas de control y de procesado de
la informacin asociados con el radar. Muchos de los trabajos sobre teora de control
durante la dcada de los 40 surgieron de este laboratorio.
En 1941 A. C. Hall reconoci los efectos derivados de ignorar el ruido en el diseo de
los sistemas de control. Se dio cuenta que la tecnologa basada en el dominio de la
frecuencia desarrollada en los Laboratorios Bell poda ser empleada en prevenir los efectos
del ruido, y us esta aproximacin al diseo de sistemas de control para un radar
aerotransportado. Este xito demostr concluyentemente la importancia de las tcnicas del
dominio de la frecuencia en el diseo de sistemas de control.
Por otra parte, W. R. Evans present su tcnica del lugar de las races [Evans 1948], la
cual aportaba una forma directa de determinar la posicin en el plano s de los polos en lazo
cerrado. Durante la dcada de los 50, muchos trabajos de control estuvieron centrados en el
plano s, y en como obtener respuestas temporales adecuados de la salida de un sistema en
lazo cerrado en trmino del tiempo de subida, sobreelongacin, etc.
Durante este periodo, tambin se introdujeron tcnicas estocsticas para teora de
control y teora de comunicacin. En el MIT en 1942, N. Wiener analiz los sistemas de
procesado de la informacin usando modelos de procesos estocsticos. Trabajando en el
dominio de la frecuencia, desarroll un filtro ptimo estadstico para seales continuos
estacionarias que mejoraba la relacin seal/ruido en un sistema de comunicacin. El ruso
A. N, Kolmogorov en 1941 proporcion una teora para procesos estocsticos estacionarios
discretos [Kolmogorov 1941].
En conclusin en este periodo clsico de la Automtica predominaron las tcnicas de
diseo de control en el dominio de la frecuencia que disponan de suministraron una gran
intuicin y garantizaban soluciones a los problemas de diseo. Estas herramientas fueron
aplicadas usando clculos manuales, o mayormente reglas de actuacin junto con tcnicas
grficas.
Apuntes de Automtica II
Por aquella poca, exista una fuerte rivalidad de los Estados Unidos con la Unin
Sovitica, por ello el lanzamiento del Sputnik produjo una tremenda actividad en el diseo de
controles automticos en los Estados Unidos. En 1957, R. Bellman aplic programacin
dinmica al control ptimo de sistemas discretos, demostrando que la direccin natural para
resolver problemas de control ptimo es hacindolo hacia atrs en el tiempo. Su
procedimiento, resultaba en un esquema en lazo cerrado generalmente no lineal.
Haca 1958, L. S. Pontryagin haba desarrollado su principio del mximo como una
generalizacin de la mecnica hamiltoniana, el cual resolva problemas de control ptimo
usando el clculo de variaciones desarrollado por L. Euler (1707-1783). Pontryagin resolvi
el problema del tiempo mnimo, derivando como control ptimo una ley de control del tipo
rel on/off.
En 1960, se publicaron tres trabajos fundamentales de R. Kalman. El primero de estos
[Kalman y Bertram 1960] trataba sobre control en el dominio del tiempo de sistemas no
lineales y utilizaba las ideas de Lyapunov, dndolas a conocer a Occidente. El segundo
[Kalman 1960a] discuta el control ptimo de sistemas, aportando las ecuaciones de diseo
para el regulador cuadrtico lineal (LQ). El tercer trabajo [Kalman 1960b] discuta la teora
de estimacin y filtrado, y aportaba las ecuaciones de diseo del filtro discreto2 de Kalman.
En el periodo de un ao gracias a los trabajos de Kalman, las principales limitaciones de
la teora de control clsica fueron superadas y nuevas herramientas tericas fueron
presentadas. En definitiva, 1960 marc el comienzo de la era del control moderno.
Con las ideas aportadas por Kalman, el programa espacial de los Estados Unidos
experiment un fuerte desarrollo. Por ejemplo, el primer mdulo que aterriz en la Luna
usaba un filtro de Kalman en su sistema de navegacin.
Los puntos claves del trabajo de Kalman son los siguientes:
Es una aproximacin en el dominio del tiempo vlida no solo para sistemas
invariantes en el tiempo sino tambin para sistemas variantes con el
tiempo y sistemas no-lineales.
Al trabajar con lgebra lineal y matrices los sistemas MIMO podan ser
fcilmente tratados.
Apuntes de Automtica II
nucleares durante la dcada de los 50 fue una motivacin muy importante para explorar el
control de procesos industriales y su instrumentacin. En 1970, con los trabajos entre otros
de K. Astrm [Astrm 1970], la importancia de los controles digitales en los procesos fue
firmemente cimentada.
Con toda su potencia y ventajas, el control moderno tambin tena algunas carencias. El
comportamiento garantizado que se obtena tras resolver las ecuaciones de diseo
matriciales significaba que a menudo era posible disear un sistema de control que trabajara
en la teora sin precisar de ninguna intuicin ingenieril sobre el problema. Por el contrario,
las tcnicas en el dominio de la frecuencia requieren de bastante intuicin.
Otro problema es que un sistema de control moderno con algunas dinmicas del
compensador puede dejar de ser robusto frente a perturbaciones, dinmicas no modeladas
y ruido de medida. Por otra parte, la robustez es implementada en la aproximacin del
dominio de la frecuencia usando nociones tales como margen de fase y margen de
ganancia.
Por tanto, en la dcada de los 70, especialmente en Gran Bretaa hubo gran actividad
en intentar extender las tcnicas en el dominio de la frecuencia y del lugar de las races a los
sistemas multivariables. Esto condujo a Rosenbrook a introducir el concepto de dominanza
diagonal con el que se busca reducir, no eliminar, la interaccin en un sistema, y que se
plasma en su mtodo de diseo con el diagrama inverso de Nyquist multivariable.
En la misma direccin se realiza un gran esfuerzo para generalizar los conceptos propios de
la respuesta en frecuencia a los sistemas multivariables, tarea en la que los trabajos de
Owens, Kouvaritakis y McFarlane, bajo enfoques distintos, juegan un papel relevante, sin
olvidar los desarrollos de Rosenbrock sobre las relaciones de estas formulaciones y las del
espacio de estados.
Uno de los principales defensores de las tcnicas clsicas aplicadas a sistemas
multivariables fue I. Horowitz, cuya teora de realimentacin cuantitativa (QFT) [Horowitz
1963] permita obtener controladores robustos trabajando sobre el diagrama de Nichols.
Tambin por esta poca aparecieron dos nuevas tcnicas de control, el control
adaptativo [Astrm 89] y el control predictivo basado en modelos (M.B.P.C) [Garca 89]. El
control adaptativo es un tipo especial de sistema de control no lineal que puede alterar sus
parmetros para adaptarse a un medio ambiente cambiante. Los cambios en el medio
ambiente pueden representar variaciones en la dinmica del proceso o cambios en las
10
Apuntes de Automtica II
caractersticas de las perturbaciones. Por su parte bajo el nombre control predictivo basado
en modelos (M.B.P.C) se agrupan una diversidad de familias de estrategias de control que
hacen uso explcito de un modelo del proceso para predecir el valor de la variable controlada
durante un horizonte de tiempo.
Tambin a comienzos de los 70 naci el control inteligente con tcnicas tales como:
lgica borrosa, redes neuronales, mecanismos de aprendizaje, tolerancia a fallos, etc. El
control inteligente intenta sistematizar analticamente sistemas de control con capacidades
semejantes a la interaccin del hombre con el entorno sobre el que acta.
Desde los primeros aos de la dcada de los ochenta se ha vuelto a considerar de
nuevo el dominio frecuencial, hecho motivado principalmente por el control robusto y la
teora H, con las aportaciones de Doyle, Glover, y Francis entre otros [Dorato, 87].
En 1981 J. Doyle and G. Stein mostraron la importancia de los diagramas del valor
singular frente a la frecuencia en el diseo multivariable robusto. Usando estos diagramas,
muchas de las tcnicas clsicas del dominio de la frecuencia pueden ser incorporadas
dentro de los diseos modernos. Este trabajo fue aplicado al control de aviones y al control
de procesos por M . Athans entre otros.
A finales de los ochenta surgi un inters creciente por los temas de modelado e
identificacin [Ljung 87], se pretenda afrontar directamente los problemas que planteaban
las inexactitudes de las representaciones matemticas de las plantas industriales.
0.3 REFERENCIAS
A continuacin se listan por orden alfabtico las referencias citadas en este tema:
Astrm, K. J., Witenmark B. Adaptative Control. Addison- Wesley, MA, 1989.
Astrm, K. J., Introduction to stochastic control theory, New York: Academic Press, 1970.
Black, H. S., Stabilized feedback amplifiers, Bell System Tech. J., 1934.
Bode, H. W., Feedback Amplifier Design, Bell System Tech. J., vol. 19, p. 42, 1940.
Dorato, P., A historical review of robust control, IEEE Control Systems Magazine, pp. 4447. Abril 1987.
Doyle, J. C., Stein, G., Multivariable feedback design: concepts for a classical/modern
synthesis, IEEE Trans. Automat. Contr., vol. AC-26, pp.4-16. Feb, 1981.
11
Evans, W. R., Graphical analysis of control systems, Trans. AIEE, vol. 67, pp. 547-551,
1948.
Garca C. et al., Model predictive control: Theory and practice a survey. Automatica, vol.
25, n 3, 1989
Horowitz I. M., Synthesis of feedback systems. Academic Press: New York, 1963.
Hurwitz, A., On the conditions under which an equation has only roots with negative real
parts. Mathematische Annalen, vol. 46, pp. 273-284, 1895.
Jury, E. I., Recent advances in the field of sampled-data and digital control systems,
Proocedings of Conference International Federation Automatic Control, pp.240-246. Moscu
1960.
Kalman, R. E, Bertram, J. E., Control System Analysis and design via the Second method
of Lyapunov. I. Continuous-time systems Trans. ASME J. Basic Eng., pp. 371-393, June
1960.
Kalman, R. E., Contributiuons to the theory of optimal control, Bol. Soc. Mat. Mexicana,
vol.5, pp. 102-119, 1960a.
Kalman, R. E., A new approach to linear filtering and prediction problems, ASME J. Basic
Eng., vol.82, pp. 34-45, 1960b.
Kalman, R. E., Bucy, R. S., New results in linear filtering and prediction theory. ASME J.
Basic Eng., vol. 80, pp. 193-196, 1961.
Kolmogorov, A. N., Interpolation and Extrapolation. Bull. Acad. Sci. USSR. Ser. Math. vol.
5, pp. 3-14, 1941.
Kuo, B. C., Analysis ans synthesis of sampled-data control systems, Englewood Cliffs, N.
J.: Prentice Hall, 1963.
Ljung, L.,. System Identification. theory for the user. Prentice-Hall, Englewood Cliffs, N.J.
1987
Lyapunov, M. A., Probleme General de la stabilite du mouvement, Ann. Fac. Sci. Toulouse,
vol. 9, pp. 203-474, 1907. (Traducido del articulo original publicado en 1892 en Comm.
Soc. Math. Kharkow y reimpreso como vol. 17 en Ann. Math. Studies. Princeton University
Press. Princeton, N. J., 1949).
Maxwell, J. C., On governors. Proc. Royal Soc. London, vol. 16, pp. 270-283, 1868.
12
Apuntes de Automtica II
13
14
TEMA 1
MODELOS DE SISTEMAS CONTINUOS
1.1 INTRODUCCIN
El primer paso en el estudio de un sistema fsico es el desarrollo de una representacin
o modelo del mismo. Un modelo es una idealizacin del sistema fsico, usado para reducir el
esfuerzo de clculo en el anlisis y diseo del sistema. El modelo se desarrolla de forma que
represente adecuadamente al sistema.
Al desarrollar un modelo para un sistema fsico, ciertos parmetros y variables del
sistema o relaciones entre sus componentes se pueden despreciar. Sin embargo, se debe
de tener cuidado de no despreciar parmetros o relaciones que son cruciales para la
precisin del modelo. Esto implica que un sistema fsico pueda tener modelos diferentes
dependiendo de la aplicacin del modelo. Por ejemplo, un transistor tiene diferentes
modelos dependiendo de la amplitud y frecuencia de la seal aplicada. Generalmente, se
elige un modelo que resulte simple y que, al mismo tiempo, describa adecuadamente la
conducta del sistema.
Los modelos se pueden dar en varias formas y con diferentes grados de formalismo
matemtico dependiendo del grado de sofisticacin necesarios. As, se pueden usar
modelos mentales, como los usados en la vida diaria, sin ningn formalismo matemtico.
Por ejemplo este es el caso del modelo usado cuando se conduce un automvil (al girar el
volante el automvil gira o al pisar el freno el automvil reduce la velocidad).
Para ciertas aplicaciones, la descripcin del sistema se puede hacer mediante modelos
grficos y tablas numricas. Por ejemplo, un sistema lineal se puede describir mediante su
diagrama de Bode o las grficas de respuesta a un impulso o a un escaln.
Para aplicaciones ms avanzadas se necesitan modelos que describan las relaciones
entre sus variables y componentes en trminos de expresiones matemticas como
15
16
Apuntes de Automtica II
1.2 REPRESENTACIN
EN
EL
ESPACIO
DE
ESTADOS
DE
SISTEMAS CONTINUOS
La nocin de estado de un sistema dinmico es una nocin fundamental en Fsica. La
premisa bsica de la dinmica newtoniana es que la evolucin futura de un proceso
dinmico est completamente determinada por su estado actual. Esta premisa sirve como
base para una definicin abstracta del estado de un sistema dinmico.
Definicin: El estado de un sistema dinmico es un conjunto de cantidades fsicas,
cuyas especificaciones (en ausencia de excitacin externa) determina completamente la
evolucin del sistema.
Un sistema continuo SISO1 invariante en el tiempo se puede representar por un modelo
lineal descrito mediante una ecuacin diferencial ordinaria de coeficientes constantes de
orden n de la forma:
d n y (t )
d n 1 y (t )
d m u (t )
+
a
+
...
+
a
y
(
t
)
=
b
+ ... + b0 u (t )
0
n 1
m
dt n
dt n 1
dt m
(1.1)
donde u(t) es la entrada del sistema en el instante t e y(t) es la correspondiente salida del
sistema en ese mismo instante.
El comportamiento del sistema se describe mediante su funcin de transferencia G(s)
que se obtiene al aplicar la transformada de Laplace sobre la ecuacin (1.1) considerando
condiciones iniciales nulas:
G ( s) =
Y ( s ) bm s m + bm 1 s m 1 + ... + b0
= n
U ( s)
s + a n 1 s n 1 + ... + a 0
(1.2)
SISO (Simple Input - Simple Output) es el acrnimo ingls que se utiliza para designar a los sistemas que
poseen una sola entrada y una nica salida.
17
x& (t ) = Ax(t ) + bu (t )
(1.3)
y (t ) = C x(t )
(1.4)
y (t ) = C x(t ) + d u (t )
(1.5)
u (t )
x& (t )
x(t )
y (t )
A
Figura 1.1: Diagrama de bloques del modelo en variables de estado de un sistema continuo.
G ( s ) = C [sI A] b + d
1
18
(1.6)
Apuntes de Automtica II
x& (t ) = A x(t ) + Bu (t )
x(t 0 ) = x 0
(1.7)
y (t ) = C x(t ) + Du (t )
Si el sistema tiene r entradas y m salidas, entonces:
u(t) es el vector de entradas de dimensin r x 1.
y(t) es el vector de salidas de dimensin m x 1.
(1.8)
Por lo general este modelo es bastante voluminoso, por lo que se prefiere usar el
modelo en el espacio de estados.
Para sistemas variables con el tiempo tambin se usan modelos en el espacio de
estados pero suponiendo que las matrices que definen la estructura del sistema son funcin
del tiempo:
2
MIMO (Multiple Input -Multiple Output) es el acrnimo ingls que se utiliza para designar a los sistemas que
poseen varias entradas y varias salidas.
19
(1.9)
y (t ) = C (t )x(t ) + D(t )u (t )
Para este tipo de sistemas los mtodos de la transformada de Laplace no suelen
aplicarse.
Ejemplo 1.1: Masa con resorte y amortiguamiento sobre mvil
Sobre un mvil (ver Figura 1.2) que se mueve con una aceleracin u(t) se sita una masa m sujeta a
la pared del mvil por un muelle de constante de elasticidad k y un amortiguador de coeficiente de
amortiguacin b.
u (t )
k
y (t )
F = ma
Donde F es la suma de todas las fuerzas aplicadas sobre la masa m y a es el vector aceleracin del
cuerpo.
En este sistema las fuerzas que estn actuando son las correspondientes al muelle y al amortiguador,
que actan en la direccin horizontal:
F = k y b
dy
dt
d 2 y (t )
a=
u (t )
dt 2
Con lo que la ecuacin del movimiento es:
20
Apuntes de Automtica II
d 2 y (t )
dy (t )
+ b
+ k y (t ) = mu (t )
2
dt
dt
Tomando la transformada de Laplace con condiciones iniciales nulas sobre la ecuacin anterior:
ms 2Y ( s ) + bsY ( s ) + k Y ( s ) = mU ( s )
Luego la funcin de transferencia tendr la siguiente forma:
G ( s) =
Y ( s)
m
=
=
2
U ( s ) ms + bs + k
1
b
k
s 2 + s +
m
m
x1 = y
x2 =
dy
dt
Entonces la ecuacin de estados que describe las dinmicas del sistema es:
x&1 (t ) 0
= k
x& 2 (t ) m
1 x (t ) 0
b 1 + u (t )
x (t )
1
m 2
x (t )
y (t ) = (1 0) 1
x 2 (t )
Fcilmente es posible comprobar que aplicando la expresin (1.5) se obtiene la funcin de
transferencia G(s).
21
R
i2 (t )
i1 (t )
vs (t )
vc (t )
v s = Ri1 + vc
dvc
= i1 i2
dt
di
vc = L 2
dt
dvc
1
1
1
=
vc i2 +
vs
dt
RC
C
RC
di2 1
= vc
dt
L
En forma matricial:
x&1
=
x& 2
1
RC
1
L
1
1
C x1 +
x RC u
0 2 0
y=
1
1
u x1
R
R
22
Apuntes de Automtica II
1
G( s) =
R
s+
RC
0
1
C
s
1 2
1
s +
1 1
RCL
RC + = R
R
1
1
2
s +
s+
0
RC
CL
ea (t )
Rf
La
i f (t )
ia (t )
Lf
eb (t )
Tr (t ) (t )
J,c
Figura 1.4: Diagrama esquemtico del motor de corriente continua excitado por separado
En la Figura 1.4 se representa un diagrama esquemtico de un motor de corriente continua. En dicha
figura Ra y La representan la resistencia y la inductancia de la armadura. eb(t) representa la fuerza
contra-electromotriz debida a la rotacin de los conductores de la armadura en el campo magntico.
Anlogamente, Rf y Lf indican la resistencia y la inductancia de la bobina del campo. Las
no-linealidades y la dependencia de los parmetros con el tiempo de estas bobinas se han
despreciado.
Se supone que la bobina del campo (el estator) est conectada a una fuente de voltaje constante y la
bobina de la armadura (el rotor) est conectada a una fuente de voltaje variable v(t). De esta forma, la
intensidad de campo ef se puede considerar constante. El voltaje ea(t) puede variar para cambiar la
velocidad angular (t) del rotor.
El flujo magntico de la bobina del campo es una constante cuando if se supone constante. El torque
Tr con el eje del motor es proporcional a ia por una constante Km del motor.
Tr = K m ia
23
El voltaje eb(t) generado como resultado de la rotacin, es proporcional a la velocidad de rotacin del
eje , por una constante Kg3 del generador:
eb (t ) = K g (t )
Aplicando las leyes de Kirchoff al circuito de la armadura se obtiene:
ea (t ) = La
dia (t )
+ Ra ia (t ) + eb (t )
dt
El torque del rotor Tr(t) y la velocidad angular estn relacionados mediante la segunda ley de Newton
de la dinmica:
Tr (t ) = Td (t ) + J
d (t )
+ c (t )
dt
Donde Td(t) es el torque de la carga en el eje del rotor, c es la constante de rozamiento viscoso y J es
el momento de inercia de la carga.
Combinando estas ecuaciones se obtiene el siguiente sistema de ecuaciones diferenciales con
coeficientes constantes:
Kg
dia (t )
R
1
= a ia (t )
(t ) + ea (t )
dt
La
La
La
d (t ) K m
c
1
=
ia (t ) (t ) Td (t )
dt
J
J
J
Estas ecuaciones se pueden escribir en la forma matricial de ecuaciones de estado:
dia (t ) Ra
dt = La
d (t ) K m
dt J
Kg
1
i
(
t
)
La a + La
c (t )
0
0 e (t )
a
1 T (t )
d
J
Si se considera como salida del sistema la velocidad de rotacin del motor, entonces la ecuacin de
salida es:
i (t )
y = (0 1) a
(t )
3
En unidades consistentes, Km es igual a Kg, pero en algunos casos la constante motor-torsin viene dada en
otras unidades, como onzas-pulgadas por amperes, y la constante del generador debe de expresarse en unidades
de voltios por 1000 rpm.
24
Apuntes de Automtica II
Si las variables de salida son el torque desarrollado por el eje del rotor y la velocidad de rotacin,
entonces se tiene como ecuacin de salida:
K
y = m
0
0 ia (t )
1 (t )
K
G ( s ) = m
0
R
s + a
0
La
1 K m
Kg 1
La La
c
s+ 0
J
1
J
Operando se obtiene:
Km
c
s +
J
1
L
G ( s) =
a
Km
K K
R
c
s + a s + + m g
J La
La
J
J La
J La
R
1
s + a
J
La
K m K g
x = T x
(1.10)
x = T 1 x
(1.11)
25
T 1 x& = AT 1 x + Bu
(1.12)
y = C T 1 x + Du
O equivalentemente:
x& = T AT 1 x + T Bu
(1.13)
y = C T 1 x + Du
Que ya est en la forma normal:
x& = Ax + B u
y = C x + D u
(1.14)
A = T AT 1
B = T B
C = C T 1
D = D
(1.15)
En el lenguaje del lgebra matricial se dice que la matriz A de la dinmica del sistema
transformado es similar a la matriz A de la dinmica del sistema original. Un hecho bien
conocido del lgebra matricial es que matrices similares tienen el mismo polinomio
caracterstico. En conclusin la funcin de transferencia entre las variables de entrada y de
salida no depende de la definicin del vector de estados.
Ejemplo 1.4: Masas acopladas mediante un muelle
Las ecuaciones del movimiento de las masas m1 y m2 acopladas mediante un muelle (ver Figura 1.5)
y que se desplazan en una direccin son:
x2
x1
u1
u2
m1
m2
26
Apuntes de Automtica II
&x&1 +
K
( x1 x2 ) = u1
m1
&x&2 +
K
( x2 x1 ) = u 2
m2
x = [ x1
x2
x&1
x& 2 ]T
0
0
K
A =
m1
K
m
2
1 0
0
0 1
0
0 0 B =
1
0 0
0
0
0
K
m1
K
m2
0
0
Sin embargo, muchas veces es mejor definir el movimiento de este sistema en funcin del
movimiento del centro de masas xc y de la diferencia entre las posiciones de las dos masas :
m1
m
x1 + 2 x 2
M
M
= x1 x 2
xc =
M = m1 + m2
x = [ xc
x& c
&]T
m1
M
T = 1
0
m2
M
1
0
0
0
0
m1
M
1
0
0
m2
M
1
27
A = T AT 1
0
0
= 0
0
KM
0
m1 m2
0
0
0
1
0 B = T B = m1
M
0
1
0
0
m2
M
1
1
0
0
0
0
1
x& (t ) = ...
...
...
0
0
0
a 0 a1 a 2
y (t ) = [b0 ... bm 0 ...
0
0
...
...
0
...
... x(t ) + ....u (t ); x(t 0 ) = x0
...
1
0
1
... a n 1
0]x(t )
...
(1.16)
y (t ) = [b0
... bn 1
0 ... 0]x(t ) + bn u (t )
(1.17)
En este caso el diagrama de bloques de la Figura 1.6 se debe modificar para incluir el
trmino bnu(t).
28
Apuntes de Automtica II
bm
x&n
xn
b1
b0
x&1
an1
a1
x1
a0
d 2 y (t )
dy (t )
du (t )
+ 2 n
+ n2 y (t ) =
+ u (t )
2
dt
dt
dt
Cuya funcin de transferencia es:
G ( s) =
s +
s + 2 n s + n2
2
x&1 (t ) 0
x& (t ) = 2
2 n
y (t ) = [
1 x1 (t ) 0
u (t )
+
2 n x 2 (t ) 1
x1 (t )
x 2 (t )
x&2
x2
x&1
2 n
x1
n2
+
Figura 1.7: Forma cannica controlable para un sistema de segundo orden.
1
0
0
0
0
1
x& (t ) = ...
...
...
0
0
0
a 0 a1 a 2
y (t ) = [1 0 ... 0]x(t )
...
...
...
...
...
0
g1
g
0
2
1
g n 1
g n
a n 1
(1.18)
y (t ) = [1 0 ... 0]x(t ) + g 0 u (t )
30
(1.19)
Apuntes de Automtica II
u
gn
g n 1
x& n
xn
g0
g1
an 1
an 2
a1
x&1
x1
y
+
a0
G ( s ) = g k s k = g 0 + g1 s 1 + g 2 s 2 + ... + g n s n + ...
(1.20)
k =0
gk =
1
G ( s )s k
2 i C
(1.21)
En el caso que m<n entonces g0=0, adems para una G(s) dada en la forma (1.2) existe
una expresin alternativa6 para calcular los coeficientes gi:
g1 1
g a
2 n 1
... = a n 2
... ...
g n a1
0
1
...
0
...
...
a n 1
...
...
...
...
...
...
a n2
a n 1
0 bn 1
0 .bn 2
... ...
0 ...
1 b0
(1.22)
Las series de Laurent son objeto de estudio en los libros de Variable Compleja, como por ejemplo: Variable
Compleja y aplicaciones. R. V. Churchill & J. W. Brown. Ed. McGraw-Hill
6
La deduccin de esta expresin se puede encontrar en el libro Linear Systems. T. Kailath. Ed. Prentice-Hall.
(1980)
31
Por otra parte si se compara la forma controlable (1.16) con la forma observable (1.18)
se observa que la matriz A tiene la misma forma, mientras que las matrices B y C son
distintas. Existe otra variante de la forma cannica observable7 que se caracteriza porque su
matriz A es distinta a la de (1.16), pero tiene la ventaja de que B se obtiene de forma directa
a partir de los coeficientes de la funcin de transferencia.
Ejemplo 1.6:
La funcin de transferencia del Ejemplo 1.5, se puede rescribir de acuerdo con (1.2) como:
G ( s) =
Luego b1 = ; b0 =
b1 s + b0
s + a1 s + a 0
2
; a1 = 2 n ; a0 = n2 .
G ( s ) = g 0 + g1 s 1 + g 2 s 2
En este caso n=2 y m=1 luego como m<n g0=0. Los coeficientes g1 y g2 se pueden calcular a travs
de (1.22):
g1 1
=
g 2 a1
b
1
b0
g1 1
=
g 2 2 n
Operando se obtiene:
g1 =
g 2 = 2 n
Luego la forma cannica observable es:
Como se puede ver por ejemplo en el libro Ingeniera de Control Moderna de K. Ogata
32
Apuntes de Automtica II
1 x1 (t )
x&1 (t ) 0
x& (t ) = 2 2 x (t ) + 2 u (t )
n 2
n
2 n
x (t )
y (t ) = [1 0] 1
x 2 (t )
En la Figura 1.9 se muestra el diagrama de bloques para este sistema.
2 n
+
x&2
x2
2 n
x&1
x1
n2
+
Figura 1.9: Forma cannica observable para un sistema de segundo orden.
1
0
x& (t ) =
...
0
y (t ) = [c1
...
2 ...
...
...
...
c2
...
1
0
1
0
x(t ) + ....u (t ); x(t 0 ) = x0
...
1
n
1
c n ]x(t ) + d u (t )
(1.23)
33
G ( s) = d +
c
c1
c2
+
+ ... + + n
s 1 s 2
s n
(1.24)
x1
c1
xn
cn
1, 2 = n n 2 1
Los correspondientes residuos estn dados por:
c1, 2 =
n n 2 1 +
2 n 1
2
34
Apuntes de Automtica II
x1 (t ) 1
x&1 (t ) n + n 2 1
0
=
x& (t )
+ u (t )
n n 2 1 x 2 (t ) 1
0
2
+ 2 1 +
n
n
y (t ) =
2 n 2 1
n n 2 1 + x1 (t )
2 n 1
2
x (t )
2
representaciones, y usar la ecuacin (1.10) para la transformacin. Para ello hay que tener
en cuenta que la matriz A en la forma cannica de Jordan es una matriz diagonal formada
por los autovalores del sistema, que son invariantes a la representacin elegida, con lo que
vale con calcular los autovalores de la matriz A original a partir de la ecuacin:
I A = 0
(1.25)
Tambin hay que tener en cuenta que en la forma de Jordan B es un vector de unos,
de forma que las ecuaciones de transformacin son:
T A' = AT
T B ' = B
(1.26)
permiten tener n2+n ecuaciones, de las cuales n2 son independientes, con lo que es posible
resolverlas para obtener los coeficientes de la matriz T. Una vez conocida T, C se calcula
mediante la expresin:
C 'T = C T T
(1.27)
Ejemplo 1.8:
Para el sistema de segundo orden del ejemplo 1.5, los autovalores son:
I A =
n2
1
= 2 + 2 n + n2 = 0 12 = n n 2 1
+ 2 n
35
0
T11 T12 n + n 2 1
0
=
T
T
n n 1 n
0
22
21
T11 T12 1 0
=
T21 T22 1 1
T11 T12
2 n T21 T22
1
Resolviendo:
T11 =
T21 =
T12 =
2 n 1
2
n + n 2 1
2 n 2 1
T21 =
1
2 n 2 1
n + n 2 1
2 n 2 1
Luego:
C = (
2
n + n 1 n + n 1 2 n 2 1
1 1 0 0
0 1 0
1
x& (t ) = 0 0 1 0
0 0 0 2
... ... ... ...
...
0
0
...
... x(t ) + 1 u (t ); x(t 0 ) = x0
...
1
...
...
Se observa en A que el bloque asociado al autovalor 1 posee unos sobre la diagonal principal. Esto
siempre es as para modelos de sistemas SISO de dimensin mnima. No necesitan ser todos unos
para sistemas MIMO.
36
Apuntes de Automtica II
A=
0
0
+ j
j 0
0
3
0
0
...
...
...
...
...
...
...
1 / 2 j / 2
1 / 2 j / 2
T = 0
0
0
0
...
...
0
0
1
0
...
0
0
0
1
...
...
1 1 0
j j 0
...
... T 1 = 0 0 1
...
0 0 0
... ... ...
...
0
0
0
1
...
...
...
...
...
...
0
0
A=
0 0 3
...
...
...
...
37
x& (t ) = A x(t )
(1.28)
x(t ) = e At k
(1.29)
e At = I + At + A 2
t2
t3
+ A 3 + ...
2!
3!
(1.30)
Demostracin:
Para verificar la solucin (1.29) se deriva x(t):
dx(t ) d (e At )
=
k
dt
dt
Considerando el desarrollo en serie (1.30):
2
2
3
de At
2
3 t
2 t
3 t
= A + A t + A + ... = A I + At + A + A + = Ae At
dt
2!
2!
3!
se obtiene
dx(t )
= Ae At k = Ax(t )
dt
Con lo que se demuestra que (1.29) es solucin de (1.28)
x(t 0 ) = e At0 k
38
Apuntes de Automtica II
Despejando k:
( )
k = e At 0
x(t 0 )
( )
x(t ) = e At e At0
A la matriz e
A( t t 0 )
(1.31)
x(t ) = e At k (t )
(1.32)
donde k(t) es un vector funcin del tiempo que hay que determinar. Si se calcula la derivada
de (1.32):
dx(t ) d (e At )
dk (t )
=
k (t ) + e At
= Ae At k (t ) + e At k&(t )
dt
dt
dt
Sustituyendo la expresin anterior en (1.7) se obtiene:
Ae At k (t ) + e At k&(t ) = Ae At k (t ) + Bu (t ) e At k&(t ) = Bu (t )
Multiplicando por la izquierda por e At :
k&(t ) = e At Bu (t )
Luego el vector k(t) se puede obtener integrando:
t
k (t ) = e A Bu ( )d
tinf
39
tinf
tinf
x(t ) = e At e A Bu ( )d = e A(t ) Bu ( )d
(1.33)
(1.34)
t0
tinf
t inf
(1.35)
y (t ) = C e A(t t0 ) x(t 0 ) + C e A( t ) Bu ( )d + Du (t )
t0
40
(1.36)
Apuntes de Automtica II
(1.37)
d
dt
B (t )
B (t )
f (t , )
dB(t )
dA(t )
f [t , A(t )]
d + f [t , B(t )]
t
dt
dt
A( t )
f (t , )d =
A( t )
Luego:
t
dx(t ) &
& (t , )B( )u ( )d + (t , t )B(t )u (t )
= (t , t 0 )x(t 0 ) +
t0
dt
t0
dt
El termino entre corchetes es justo la forma supuesta para el vector de estados x(t), luego esta es la
solucin deseada.
Tambin se puede ver fcilmente que (1.37) satisface la condicin inicial x(t0)=x0:
41
t0
x(t 0 ) = (t 0 , t 0 )x(t 0 ) + (t 0 , )B ( )u ( )d = I x0 + 0 = x0
t0
Ejemplo 1.11:
La ecuacin diferencial de una masa m a la cual se le aplica una fuerza externa F es:
&x& =
F
m
x1 = x
x 2 = x&
Se tiene la forma en el espacio de estados:
x&1 = x 2
x& 2 = u
Luego para este ejemplo:
0 1
A =
0 0
0
B =
1
1 t
1 0 0 1
t =
+
(t ) = e At =
0 1
0 1 0 0
La serie termina tras solo dos trminos.
La integral en (1.37) con t0=0 es:
t (t )u( )d
t
t
0
1
u
(
)
d
u
(
)
d
t
0 0 1 1
0 1
u( )d
0
42
Apuntes de Automtica II
t (t )u( )d
x
t
t
x
(
0
)
(
)
1
1 0
1
+
t
x2 (t ) 0 1 x2 (0) u( )d
Y operando se obtiene:
t
x1 (t ) = x1 (0 ) + t x2 (0 ) + (t )u( )d
0
x2 (t ) = x2 (0 ) + u( )d
0
Estas soluciones se podran haber obtenido directamente de la ecuacin diferencial que describe al
sistema sin usar todo el aparato en el espacio de estados que se ha desarrollado. El inters y la
utilidad de este aparato matemtico se ponen de manifiesto en los casos en los que los mtodos
sencillos fallan.
d (t , t 0 )
= A(t ) (t , t 0 )
dt
(1.38)
(t , t ) = I t
(1.39)
(t 3 , t1 ) = (t 3 , t 2 ) (t 2 , t1 )
(1.40)
Esta propiedad es una consecuencia directa del hecho que para ir de un estado a
otro el resultado final es el mismo, se siga el camino que se siga.
4) Es no singular (invertible).
43
1 (t , t 0 ) = (t 0 , t )
t , t 0
(1.41)
Demostracin:
A continuacin se van a demostrar las cuatro propiedades indicadas para la matriz de transicin de
estados:
Primera propiedad
La ecuacin homognea para el vector de estados es:
dx(t )
= A(t )x(t )
dt
(d.1)
x(t ) = (t , t 0 )x(t 0 )
(d.2)
La derivada de x(t), por supuesto debe satisfacer la ecuacin homognea para cualquier t y x(t). x(t0)
es un dato inicial y no una funcin del tiempo. Luego:
dx(t ) (t , t 0 )
=
x(t 0 )
dt
t
(d.3)
Obsrvese que se utiliza la derivada parcial porque la matriz de transicin de estados es funcin de
dos argumentos, t y t0. Sustituyendo (d2) y (d3) en (d1) se obtiene:
(t , t 0 )
x(t 0 ) = A(t ) (t , t 0 )x(t 0 )
t
Como se debe de verificar para todo x(t0), se puede cancelar x(t0) en ambos lados de la ecuacin,
con lo que se obtiene:
d (t , t 0 )
= A(t ) (t , t 0 )
dt
Tal y como se quera demostrar.
Segunda propiedad
La solucin de la ecuacin homognea se verifica para cualquier t y t0, incluyendo t=t0. Luego:
44
Apuntes de Automtica II
(t , t ) = I t
Tal y como se quera demostrar
Tercera propiedad
La ecuacin diferencial homognea para el vector de estado no solo posee una solucin para
cualquier estado inicial x(t0) y cualquier intervalo de tiempo [t,t0] sino que esta solucin es nica.
Suponiendo la existencia y unicidad de soluciones se puede escribir:
x(t 3 ) = (t 3 , t1 )x(t1 ) t 3 , t1
(d.4)
x(t 3 ) = (t 3 , t 2 )x(t 2 ) t 3 , t 2
(d.5)
x(t 2 ) = (t 2 , t1 )x(t1 ) t 2 , t1
(d.6)
x(t 3 ) = (t 3 , t 2 ) (t 2 , t1 )x(t1 )
(d.7)
Y tambin:
(t 3 , t1 ) = (t 3 , t 2 ) (t 2 , t1 )
Tal y como se quera demostrar.
Cuarta propiedad
De la propiedad segunda y tercera se tiene que:
(t , t 0 ) (t 0 , t ) = (t , t ) = I
Luego operando sobre la ecuacin anterior se obtiene:
45
1 (t , t 0 ) = (t 0 , t )
t , t 0
d (t t 0 )
= A (t t 0 )
dt
(1.42)
(0) = I
(1.43)
(t ) (t 0 ) = (t + t 0 )
(1.44)
1 (t ) = (t )
(1.45)
( s ) = [sI A]
(1.46)
d (t t 0 )
= A (t t 0 )
dt
se obtiene:
s ( s ) (0) = A ( s ) s ( s ) I = A ( s )
Y operando
46
Apuntes de Automtica II
47
(1.47)
t0
t1
t0
Wc (t1 t 0 ) = e A(t1 ) BB T e A
t0
48
( t1 )
d =
t1 t 0
e
0
At
BB T e A t dt
(1.48)
Apuntes de Automtica II
Wc (T ) = e At BB T e A t dt
T
(1.49)
M c = B | AB | ... | A n 1 B
(1.50)
49
M cy = C B | C AB | ... | C A n 1 B | D
(1.51)
1.6.2 Observabilidad
La observabilidad hace referencia al efecto de los estados sobre las salidas. As, se
puede dar la siguiente definicin:
Definicin: Una representacin en variables de estado de un sistema continuo es
completamente observable si y solo si dadas las entradas u(t) y las salidas y(t) para todo
t[t0,t1], es posible deducir x(t) para t[t0,t1].
50
Apuntes de Automtica II
x&1
x1
( x&1 + x&2 )
+
x&2
( x1 + x2 ) = y
x2
(a)
(b)
Figura 1.11: Modelo homogneo de dos estados: a) Modelo original. b) Modelo equivalente.
Wo (t 0 , t1 ) = T (t1 , )C T ( )C ( ) (t1 , )d
(1.52)
t0
( )
M o = C T | AT C T | ... | AT
n 1
C T
(1.53)
1 x1 0
x&1 1
x& = 2 1 x + 1u
2
2
x
y = [1 0] 1
x2
Para estudiar su controlabilidad, puesto que es un sistema invariante, se puede calcular su matriz de
controlabilidad Mc:
0 1
1 0 0 1
=
M c = [B | AB ] = |
1 2 1 1 1 1
Dado que el rango de Mc es 2, el sistema es completamente controlable.
Anlogamente, para estudiar su observabilidad, se puede calcular su matriz de observabilidad Mo
52
Apuntes de Automtica II
1 1 2 1 1 1
=
M o = C T | AT C T = |
0
1
1
0
0
1
Ejemplo 1.13:
Considrese el sistema de tercer orden (n=3) descrito mediante la siguiente representacin en
variables de estado:
1
0 x1 0
x&1 0
x& = 0
0
1 x 2 + 0u
2
x& 3 6 11 6 x3 1
x1
y = [4 5 1] x 2
x3
Se desea saber si es completamente observable. Para ello se calcula su matriz Mo:
( ) C
M o = C | A C | A
T
2 T
4 6 6
= 5 7 5
1 1 1
Como:
4 6
5 7 5 = 0
1 1 1
el rango de Mo es menor que 3. Y en consecuencia el sistema no es completamente observable.
La funcin de transferencia entre la entrada y la salida se puede calcular con la ecuacin (1.8)
0
s 1
Y ( s)
G ( s) =
= [4 5 1]0 s
1
U ( s)
6 11 s + 6
0
s 2 + 5s + 4
0 =
s 3 + 6s 2 + 11s + 6
1
O tambin de forma directa dndose cuenta de que se tiene una representacin en forma cannica
controlable.
53
G ( s) =
( s + 1)( s + 4)
( s + 1)( s + 2)( s + 3)
Se observa que los dos factores (s+1) se cancelan el uno al otro. Debido a esta cancelacin el
sistema no es completamente observable.
x& = A x + Bu
(1.54)
u = Kx
(1.55)
A este esquema de control (ver Figura 1.12) se le denomina realimentacin del estado,
se trata de un esquema de control en lazo cerrado.
54
Apuntes de Automtica II
x&
A
-K
Figura 1.12: Sistema de control en lazo cerrado mediante realimentacin del estado.
x& = ( A BK )u
(1.56)
La ecuacin caracterstica del sistema en lazo cerrado viene dada por la expresin:
c ( s ) = sI ( A BK ) = 0
(1.57)
Que puede expresarse en funcin de los valores deseados para los polos 1,2,...,n de
la siguiente forma:
c ( s ) = ( s + 1 )( s + 2 )...( s + n ) = s n + n 1 s n 1 + ... + 0
(1.58)
] [
(1.59)
Se observa en (1.59) que el vector fila de dimensin 1 x n es la ltima fila de una matriz
identidad de dimensin n x n, a dicho vector se le puede denotar por en. A continuacin, de
acuerdo con (1.50), se tiene a la inversa de la matriz de controlabilidad Mc. Finalmente, se
tiene la ecuacin caracterstica ( A) que satisface la matriz A de acuerdo con el teorema
de Caley-Hamilton:
55
( A) = A n + n 1 A n 1 + ... + 0 I
Luego la frmula de Ackermann se puede expresar en la forma:
K = en M c1 ( A)
(1.60)
~
A = ( A BK )
~
( A) = A n + n 1 A n 1 + ... + 0 I = 0
Para obtener la frmula de Ackermann se va a suponer por simplicidad que n=3. Luego:
( A ) = A 3 + 2 A 2 + 1 A + 0 I = 0
(d.1)
~
~
2
A 2 = ( A BK ) = A 2 ABK BK A
(d.2)
~
~
~
3
A 3 = ( A BK ) = A 3 A 2 BK ABK A BK A 2
(d.3)
(A
~
~
~
A 2 BK ABK A BK A 2 + 2 A 2 ABK BK A + 1 ( A BK ) + 0 I = 0
Reordenando trminos:
(A
Como:
56
~
~
~
+ 2 A 2 + 1 A + 0 I 2 ABK 2 BK A 1 BK A 2 BK ABK A BK A 2 = 0
Apuntes de Automtica II
A 3 + 2 A 2 + 1 A + 0 I = ( A)
Entonces:
( A) 2 ABK 2 BK A 1 BK A 2 BK ABK A BK A 2 = 0
Y despejando
( A) :
~
( A) = 2 ABK + 2 BK A + 1 BK + A 2 BK + ABK A + BK A 2
Reordenando trminos
( A) = B K A 2 + 2 K A + K 1 + AB( K A + 2 K ) + A 2 BK
Que se puede expresar equivalentemente de la siguiente forma:
( A) = [B AB
~
~
K A 2 + 2 K A + K 1
~
A 2 B
K A + 2 K
= Mc
~
~
K A 2 + 2 K A + K 1
K A + 2 K
~
~
K A 2 + 2 K A + K 1
~
M c1 ( A) =
K A + 2 K
~
~
K A 2 + 2 K A + K 1
~
[0 0 1] M c1 ( A) = [0 0 1]
K A + 2 K
Operando se obtiene:
K = [0 0 1] M c1 ( A) = e3 M c1 ( A)
Que es precisamente la ecuacin de Ackermann para el caso n=3.
57
Un resultado fundamental obtenido por W.M. Wonham es el siguiente: Todos los polos
de un sistema en lazo cerrado puede ser arbitrariamente asignados mediante el mtodo de
realimentacin de variables de estados si y solo si el sistema es completamente
controlable.
Obsrvese que la controlabilidad del sistema es fundamental para poder aplicar la
frmula de Ackermann, ya que sino no existira la inversa de la matriz de controlabilidad.
Es importante sealar que la matriz K para un sistema SISO determinado no es nica,
sino que depende de las ubicaciones de los polos en lazo cerrado deseados (los cuales
determinan la velocidad y el amortiguamiento) seleccionados. Obsrvese que la seleccin
de los polos en lazo cerrados deseados, o de la ecuacin caracterstica deseada, es un
compromiso entre la rapidez de la respuesta del vector de error y la sensibilidad ante
perturbaciones y el ruido de medicin. Es decir, si se incrementan la velocidad de respuesta
de error, por lo general se incrementan los efectos adversos de las perturbaciones y el ruido
en la medicin.
Por lo tanto, al determinar la matriz de ganancias de realimentacin del estado K, para
un sistema determinado, es conveniente examinar mediante simulaciones por computador
las caractersticas de respuesta del sistema para varias matrices K diferentes y elegir
aquella que ofrezca el mejor comportamiento del sistema.
Ejemplo 1.14:
Considrese el sistema de tercer orden (n=3) descrito mediante la siguiente representacin en
variables de estado:
1
0 x1 0
x&1 0
x& = 0
0
1 x 2 + 0u
2
x& 3 1 5 6 x3 1
Usando el control mediante la realimentacin del estado u=-Kx, se quiere que los polos en lazo
cerrado se ubiquen en s=-2j4 y s=-10. Para ello hay que calcular la matriz de ganancias de
realimentacin del estado K.
En primer lugar hay que comprobar si el sistema es de estado completamente controlable, ya que
slo en dicho caso ser posible realizar una ubicacin arbitraria de polos. La matriz de controlabilidad
para este sistema es:
58
Apuntes de Automtica II
1
0 0
M c = B | AB | A B = 0 1 6
1 6 31
1
c
1
0 0
= 0 1 6
1 6 31
5 6 1
= 6 1 0
1 0 0
( A) = A + 14 A + 60 A + 200I = 8 159 7
7 43 117
3
1 199 55
8
0 0
1
K = en M c ( A) = [0 0 1]0 1 6 8 159
7 = [199 55 8]
1 6 31 7 43 117
Con esta realimentacin de estado los polos se ubican en las posiciones deseadas.
Mtodo 2:
Para sistema de ordenes pequeos (n 3) otra forma alternativa usualmente ms sencilla de calcular
K es igualando la ecuacin caracterstica en lazo cerrado sI ( A BK ) ,
59
s
sI ( A BK ) = 0
1 + k1
1
s
5 + k2
1 = s 3 + (6 + k 3 )s 2 + (5 + k 2 )s + (1 + k1 )
s + 6 + k 3
0
6 + k 3 = 14
5 + k 2 = 60
1 + k1 = 200
Resolviendo las ecuaciones anteriores se obtienen los elementos del vector de ganancias K
k1 = 199, k 2 = 55, k 3 = 8
Mtodo 3:
Si la representacin en variables de estado del sistema viene dada en su forma cannica controlable,
como sucede en este caso, entonces la matriz de ganancias se puede calcular a travs de la
siguiente frmula:
K = [ n a n | ... | 1 a1 ]
Donde los ai i=1,...,n son los coeficientes de la ecuacin caracterstica del sistema |sI-A|=0, y los i
son los coeficientes de la ecuacin caracterstica deseada.
s 1
s I A = 0
1
s
5
0
1 = s 3 + 6s 2 + 5s + 1 = s 3 + a1 s 2 + a 2 s + a3
s+6
60
Apuntes de Automtica II
Por lo tanto:
K = [200 1 60 5 14 6] = [199 55 8]
x& = A x + Bu
y = Cx
(1.61)
(1.62)
61
x& = A x + Bu + K e ( y C x ) = ( A K e C ) x + Bu + K e y
(1.63)
x . Adems el ltimo trmino del segundo miembro del modelo, es un trmino de correccin
que contiene la diferencia entre la salida y medida y la salida C x estimada. La matriz Ke
funciona como una matriz de ponderacin. El trmino de correccin vigila al estado x .
La dinmica del observador se caracteriza mediante las matrices A y B y mediante el
trmino de correccin adicional, que contiene la diferencia entra la salida medida y la
estimada. Para el siguiente anlisis se supone que las matrices A y B usadas en el modelo
son iguales a las del sistema real.
x& x& = A x A x K e (C x C x ) = ( A K e C )( x x )
(1.64)
e = ( x x )
entonces la ecuacin (1.64) se convierte en
e& = ( A K e C )e
(1.65)
62
Apuntes de Automtica II
sea asintticamente estable con una velocidad de respuesta suficiente, es decir, los valores
caractersticos de A-KeC tomen unos determinados valores deseados.
Una forma de abordar este problema es considerar el problema dual, es decir,
resolviendo el problema de ubicacin de polos para el siguiente sistema dual:
z& = AT z + C T v
= B T z
Se supone que la seal de control v es:
v = K z
Si el sistema dual es de estado completamente controlable, la matriz de ganancias de
realimentacin del estado K se determina de tal modo que la matriz AT- CTK produzca un
conjunto de valores caractersticos deseados.
Si 1, 2,..., n son los valores caractersticos de la matriz del observador de estado,
tomando los mismos i que los valores caractersticos deseados de la matriz de ganancias
de realimentacin del estado del sistema dual, se obtiene la ecuacin caracterstica del
sistema en lazo cerrado para el sistema dual
c ( s ) = sI ( AT C T K ) = ( s + 1 )( s + 2 )...( s + n )
Considerando que los valores caractersticos de AT- CTK y A - KT C son iguales se tiene
que:
sI ( AT C T K ) = sI ( A K T C )
Comparando estos polinomios caractersticos con la ecuacin (1.65) se observa que:
Ke = K T
(1.66)
Por lo tanto est relacin, permite calcular la matriz de ganancias del observador Ke a
partir de la matriz K determinada mediante el enfoque de ubicacin de polos en el sistema
dual.
63
Para la resolucin de este problema de ubicacin de polos el sistema dual debe ser de
estado completamente controlable. Luego el rango de la matriz de controlabilidad del
sistema dual
( )
[C T | AT C T | ... | AT
n 1
C T ]
debe ser n.
Obsrvese que la matriz de controlabilidad del sistema dual es a su vez la matriz de
observabilidad del sistema original. Esto significa que una condicin necesaria y suficiente
para la observacin del estado del sistema definido mediante las ecuaciones (1.61) y (1.62)
es que el sistema sea completamente observable.
La resolucin del este problema de ubicacin de polos en el sistema dual se puede
resolver aplicando la ecuacin de Ackermann (1.60) al mismo. En este caso toma la forma:
K = en M o1 ( AT )
(1.67)
K e = en M o1 ( AT )
(1.68)
Ejemplo 1.15:
Considrese la siguiente representacin en variables de estado de un cierto sistema
x&1 0 20.6 x1 0
u
+
x& = 1
0 x 2 1
2
x&
y = [0 1] 1
x& 2
Se desea disear un observador de estado de orden completo suponiendo que los valores
caractersticos deseados de la matriz del observador son:
64
Apuntes de Automtica II
En primer lugar hay que comprobar la observabilidad del sistema, para ello se calcula la matriz de
observabilidad:
0 1
M o = [C T | AT C T ] =
1 0
Como |Mo|=-1 su rango es 2, y por lo tanto el sistema es de estado completamente observable y es
posible la determinacin de la matriz de ganancias del observador Ke.
Una posible forma de calcular Ke es usando la ecuacin (1.68). Para aplicarla hay que calcular en
primer lugar la inversa de la matriz de observabilidad:
1
o
0 1
=
1 0
0 1
=
1 0
( A) :
( A) = A 2 + 3.6 A + 9I
Y evalundola en AT:
20.6
( AT ) = (AT ) + 3.6 AT + 9I =
0
2
0 0
3.6 9 0 29.6 3.6
+
+
=
0 1 29.6 3.6
29.6
=
K e = [0 1]
1 0 74.16 29.6
3 .6
Para sistemas de orden pequeo (n3) otra forma alternativa de calcular Ke es igualando la ecuacin
caracterstica del observador con la ecuacin caracterstica deseada. Para este sistema se tendra:
sI A + K e C = ( s + 1 )( s + 2 ) = s 2 + 3.6s + 9
Desarrollando el lado izquierdo de la ecuacin anterior se obtiene:
65
s 20.6 + k e1
s 0 0 20.6 k e1
= s 2 + k e 2 s 20.6 + k e1
+ [0 1] =
0 s 1
s + k e2
1
0 k e 2
Luego:
s 2 + k e 2 s 20.6 + k e1 = s 2 + 3.6s + 9
Por lo tanto, ke1=29.6 y ke2=3.6.
La ecuacin para el observador de orden completo se obtiene a partir de la ecuacin (1.63)
x&1 0 9 x1 0
29.6
+ u +
& =
y
3.6
x 2 1 3.6 x 2 1
Apuntes de Automtica II
x&
A
-K
x&
A
Ke
Figura 1.13: Sistema de control mediante la realimentacin del estado observado.
Se van analizar, a continuacin, los efectos del uso del estado observado en lugar del
estado real en la ecuacin caracterstica de un sistema en lazo cerrado. Considrese el
sistema definido por (1.61) con el control mediante la realimentacin del estado observado
u = K x
(1.69)
x& = A x BK x
Que se puede escribir equivalentemente en la forma:
)
x& = ( A BK )x + BK ( x x )
(1.70)
x& = ( A BK )x + BK e
(1.71)
67
Combinando esta ecuacin con la ecuacin (1.65) del observador de estado se obtiene:
x& A BK
e& = 0
BK x
A K e C e
(1.72)
sI A + BK
0
BK
= 0
sI A + K e C
(1.73)
O equivalentemente:
sI A + BK sI A + K e C = 0
(1.74)
Se pone de manifiesto que los polos en lazo cerrado del sistema de control mediante la
realimentacin del estado observado consisten en los polos producidos slo por el diseo
mediante ubicacin de polos y los polos producidos slo por el diseo del observador. En
conclusin el diseo mediante la ubicacin de los polos y el diseo del observador son
independientes uno del otro.
En general los polos del observador se seleccionan para que la respuesta del
observador sea mucho ms rpida que la respuesta del sistema. Una regla prctica es elegir
una respuesta del observador al menos de 2 a 5 veces ms rpida que la respuesta del
sistema. Por lo general la velocidad de respuesta mxima del observador se limita slo
mediante el problema de sensibilidad y el ruido implcitos en el sistema de control. Puesto
que los polos del observador se ubican a la izquierda de los polos en lazo cerrado deseados
en el proceso de ubicacin de polos, estos ltimos dominarn en la respuesta.
x = ( A K e C BK )x + K e y
(1.75)
68
Apuntes de Automtica II
s X ( s ) = ( A K e C BK ) X ( s ) + K e Y ( s )
(1.76)
Despejando X ( s ) se obtiene:
1
X ( s ) = (sI A + K e C + BK ) K e Y ( s )
(1.77)
U ( s ) = K (sI A + K e C + BK ) K e Y ( s )
1
(1.78)
U (s)
1
= K (sI A + K e C + BK ) K e
Y (s)
(1.79)
K (sI A + K e C + BK ) K e
1
U (s)
Y (s )
Planta
1 x1 0
x&1 0
x& = 20.6 0 x + 1u
2
2
x
y = [1 0] 1
x2
Supngase que se ha utilizado el enfoque de ubicacin de polos para el diseo del sistema y que los
polos en lazo cerrado deseados para este sistema estn en s=-1.8+j2.4 y s=-1.8-j2.4. La matriz de
ganancias de realimentacin del estado K para este caso es:
69
K = [29.6 3.6]
Supngase adems que se usa un control mediante realimentacin del estado observado:
x
~
u = [29.6 3.6] ~1
x2
Se elige que los valores caractersticos de la matriz de ganancias del observador sean:
1 = 2 = 8
Hay que determinar la matriz de ganancias del observador Ke.
En primer lugar hay que comprobar la observabilidad del sistema, para ello se calcula la matriz de
observabilidad:
0 1
M o = [C T | AT C T ] =
1 0
Como |Mo|=-1 su rango es 2, y por lo tanto el sistema es de estado completamente observable y es
posible la determinacin de la matriz de ganancias del observador Ke.
Una posible forma de calcular Ke es calculando la ecuacin caracterstica deseada para el
observador,
( s + 8)( s + 8) = s 2 + 16s + 64
Calculando la ecuacin caracterstica del observador,
s + k e1
1 k e1
s 0 0
[
]
0
=
+
0 s 20.6 0 k
20.6 + + k e 2
e2
1
= s 2 + k e1 s 20.6 + k e 2
s
s 2 + k e1 s 20.6 + k e 2 = s 2 + 16s + 64
se obtiene, ke1=16 y ke2=84.6. Es decir,
16
Ke =
84.6
70
Apuntes de Automtica II
La ecuacin del observador (1.63) dado que se realimenta al sistema el estado observado (1.69) se
convierte en:
x& = ( A K e C BK )~
x + Ke y
Sustituyendo valores se obtiene:
x&1 16
1 x1 16
& =
y
+
x 2 93.6 3.6 x 2 84.6
Por otra parte, la funcin de transferencia del controlador-observador viene dada por (1.79),
sustituyendo valores se obtiene:
1 16 778.16s + 3690.72
s + 16
U ( s)
= [29.6 3.6]
= 2
Y ( s)
93.6 s + 3.6 84.6 s + 19.6s + 151.2
Su diagrama de bloques sera el dado en la Figura 1.15:
R( s ) = 0 +
778.16s + 3690.72
s 2 + 19.6s + 151.2
U (s )
1
s 2 20.6
Y (s)
Figura 1.15
71
x& a Aaa
x& = A
b ba
Aab x a Ba
u
+
Abb xb Bb
x
y = [1 0 ... 0] a
xb
En donde:
Aaa es un escalar.
Aab es una matriz de dimensin 1 x (n-1).
Aba es una matriz de dimensin (n-1) x 1.
Aba es una matriz de dimensin (n-1) x (n-1).
Ba es un escalar.
Bb es una matriz de dimensin (n-1) x 1
A partir de (1.80), la ecuacin para la parte medida del estado es:
72
(1.80)
Apuntes de Automtica II
(1.81)
Esta ecuacin relaciona las cantidades medibles y no medibles del estado, y funciona
como la ecuacin de salida
Por otra parte, a partir de (1.80), la ecuacin para la dinmica de la parte no medida del
estado es:
(1.82)
Ecuacin de estado
x& = A x + Bu
Ecuacin de salida
y = Cx
Tabla 1.1
Observador de estado de
orden completo
xb
Abb
Bu
Aba x a + Bb u
x& a Aaa x a Ba u
Aab
K e (matriz de n x 1)
K e (matriz de (n-1) x 1)
Tabla 1.2
73
x& = ( A K e C ) x + Bu + K e y
(1.83)
xb K e y = x b K e x a =
(1.84)
x b K e y = x b K e x a =
(1.85)
(1.87)
M omin
Aab
A A
ab bb
.
=
n2
Aab Abb
(1.88)
74
Apuntes de Automtica II
(1.89)
cmin ( s ) = ( s 1 )( s 2 )...( s n 1 ) = 0
(1.90)
K e = ( Abb ) M omin
enT1
(1.91)
en donde:
Ejemplo 1.17:
Considrese el sistema:
x&1 0 1 0 x1 0
x& = 0 0 1 x + 0u
2
2
x& 3 6 11 6 x3 1
x1
y = [1 0 0] x 2
x3
Suponga que la salida y se puede medir con precisin, con lo cual no necesita estimarse la variable
de estado x1 (ya que es igual a y). Disear un observador de orden mnimo (que ser de segundo
orden) supuesto que los valores caractersticos deseados para dicho observador son:
1 = 2 + j2 3
2 = 2 j2 3
El vector de estado y las matrices A y B se pueden reescribir de la siguiente forma:
75
x1
x a
x = x 2 =
x x
3 b
|
1
0
0
Aab
|
Aaa
A=
=
0
|
0
1
Abb
|
Aba
6
|
11
6
0
Ba
B = =
0
Bb
1
Luego se tiene:
x
xb = 2
x3
x a = x1
Aaa = 0
Aab = [1 0]
0
Aba =
6
1
0
Abb =
11 6
0
Ba = 0 Bb =
1
Para que sea posible la determinacin de la matriz de ganancias del observador Ke y poder disear el
observador de orden mnimo, la condicin de observabilidad que se debe cumplir es que:
A 1 0
M 0min = ab =
Aab Abb 0 1
sea de rango n-1=3-1=2. Efectivamente esto es as.
De acuerdo con la ecuacin (1.90), la ecuacin caracterstica deseada para el observador de orden
mnimo es:
cmin ( s ) = ( s + 2 j2 3 )( s + 2 + j2 3 ) = s 2 + 4s + 16 = 0
Luego
( Abb ) es:
2
( Abb ) = Abb
1
1
0
0
1 0 5 2
+ 4 Abb + 16I =
+ 4
+ 16
11 6
11 6
0 1 22 17
K e = ( Abb ) M
76
(1.92)
min 1
o
T
n 1
5 2 1 0 0 2
=
=
22 17 0 1 1 17
Apuntes de Automtica II
Puesto que:
1 2
1
0
2
[1 0] =
Abb K e Aab =
11 6 17
28 6
La ecuacin para el observador de estado de orden mnimo, de acuerdo con (1.86) es:
& 2 2
0 2
1 2 0 2
1 2 2
+
+ 0 y + 0u
& =
1 17
3 28 6 3 28 6 17 6 17
Operando se obtiene:
& 2 2
1 2 13
0
+
+
y
& =
1u
3 28 6 3 52
En donde:
2 x 2
= x K e y
3 3
O equivalentemente:
x 2 2
x = + K e x1
3 3
Si se usa la realimentacin del estado observado, la seal de control u se convierte en:
x1
u = K x = K x 2
x 3
en donde K es la matriz de ganancias de realimentacin del estado (que no se ha determinado en
este ejemplo).
77
78
TEMA 2
MODELOS DE SISTEMAS DISCRETOS
2.1 INTRODUCCIN
En las ltimas dcadas se ha incrementado el uso de controladores digitales en
sistemas de control. Los controladores digitales se utilizan para alcanzar el desempeo
ptimo, por ejemplo, en la forma de productividad mxima, beneficio mximo, costo mnimo
o la utilizacin mnima de energa. La capacidad en la toma de decisiones y la flexibilidad en
los programas de control son las mayores ventajas de los sistemas de control digital.
La tendencia actual de controlar los sistemas dinmicos en forma digital en lugar de
analgica, se debe principalmente a la disponibilidad de computadores digitales de bajo
costo y a las ventajas de trabajar con seales digitales en lugar de seales en tiempo
continuo.
Los sistemas de control en tiempo discreto son aquellos sistemas en los cuales una o
ms variables pueden cambiar slo en valores discretos de tiempo. Estos instantes, pueden
especificar los tiempos en los que se lleva a cabo alguna medicin de tipo fsico o los
tiempos en los que se extraen los datos de la memoria de un computador digital. El intervalo
de tiempo entre estos dos instantes discretos se supone que es lo suficientemente corto de
modo que el dato para el tiempo entre stos se pueda aproximar mediante una interpolacin
sencilla.
Los sistemas en tiempo discreto, los cuales involucran seales de datos muestreados o
seales digitales y posiblemente seales en tiempo continuo, se pueden describir mediante
ecuaciones en diferencias despus de la apropiada discretizacin de las seales en tiempo
continuo.
En este tema se extienden al caso de los sistemas discretos los conceptos estudiados
en el tema anterior para sistemas continuos. Adems se estudia el enfoque de ecuaciones
79
polinomiales para el diseo de sistemas de control, que es una tcnica alternativa al diseo
mediante ubicacin de polos cuyo estudio resulta til de cara a comprender mejor el control
estocstico (Tema-9).
{x k } = { y k } + {u k } = { y 0 + u 0 , y1 + u1 , y 2 + u 2 ,...}
Multiplicacin por un escalar:
{x k } = { y k } = { y 0 , y1 , y 2 ,...}
Retraso de una secuencia:
80
Apuntes de Automtica II
P(s) =
1
s +1
En la Figura 2.1 se muestra en lnea continua la respuesta y(t) de la planta al ser excitada por una
entrada escaln. Adems se representa con crculos la respuesta muestreada con un periodo
T=0.25 s. Los puntos muestreados forman la secuencia:
y (k 0.25) {y (0), y (0.25), y (0.50),...} = (0, 0.2212, 0.3934, ....) k = 0,1, 2,...
1
0.9
0.8
0.7
y(t)
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
3
Tiempo (s)
Figura 2.1: Respuesta y(t) (lnea continua) a un escaln de la planta P(s) y puntos muestreados
(crculos) con T=0.25 s.
81
sistemas de control en tiempo discreto juega el mismo papel que la transformada de Laplace
en los sistemas de control en tiempo continuo.
Dada una secuencia {yk} su transformada Z se define mediante la siguiente ecuacin:
Y ( z ) = Z [{y k } ] = y i z i = y 0 + y1 z 1 + y 2 z 2 + ...
(2.1)
i =0
La transformada Z de una funcin del tiempo y(t) que ha sido muestreada con un
periodo T, obtenindose la secuencia de valores y(kT) con k=0,1,2,... se define mediante la
siguiente ecuacin:
(2.2)
k =0
Z [a{y k } ] = aZ [{y k } ] = aY ( z )
Carcter lineal de la transformacin.
Z { y k d } = z d Y ( z )
(2.3)
Z { y k + d } = z d Y ( z ) z d y 0 z d 1 y1 ... z y d 1
(2.4)
Teorema del valor final. Permite el clculo del valor lmite de la secuencia, si ste
existe (todos los polos de X(z) se encuentran dentro del crculo unitario con la
posible excepcin de un solo polo en z=1), a partir del conocimiento de la funcin
transformada, segn la expresin:
lim{ y k } = lim (1 z 1 )Y ( z )
82
z 1
(2.5)
Apuntes de Automtica II
Ejemplo 2.2:
Sea la funcin escaln unitario:
1 t 0
y (t ) =
0 t < 0
Se trata de un funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
{y k } = {1,1,1,...},
k = 0,1, 2,...
Y ( z ) = Z [{y k } ] = yi z i = 1 + z 1 + z 2 + z 3 + ... =
i =0
1
z
=
1
1 z
z 1
Ejemplo 2.3:
Sea la funcin rampa unitaria:
t t 0
y (t ) =
0 t < 0
Se trata de un funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
{y k } = {0, T , 2T , ,...},
k = 0,1, 2,...
Y ( z ) = Z [{y k } ] = y i z i = 0 + T z 1 + 2T z 2 + 3T z 3 + ... = T (z 1 + 2z 2 + 3 z 3 )
i =0
= T
(1 z )
1 2
T z
(z 1)2
83
Z 1 [Y ( z )] = y (k ) = {y k }
(2.6)
Si Y(z) viene expresada de forma racional existen diferentes mtodos para obtener la
transformada Z inversa, por ejemplo:
1) Mtodo de expansin en fracciones simples. Se descompone en fracciones simples a
Y(z) y se utiliza una tabla de transformadas elementales (ver Apndice A) para
obtener la transformada Z inversa de cada uno de las fracciones.
2) Mtodo de la divisin directa. Se divide el numerador de Y(z) entre el denominador
de Y(z), el cociente que se va obteniendo es la expansin de Y(z) en una serie
infinita de potencias de z--1. Los coeficientes de cada una de las potencias z--i son de
acuerdo con (2.1) los elementos de la secuencia {y0, y1, y2,...}. Con este mtodo rara
vez es posible obtener la expresin para el trmino general {yk}.
y k = f (u k , u k 1 ,..., u k m , y k 1 , y k 2 ,..., y k n )
La ecuacin en diferencias permite representar el modelo con un nmero finito de
trminos. Si la funcin f es no lineal el proceso ser discreto no lineal y si la ecuacin es
lineal pero sus coeficientes varan con el tiempo, el proceso es lineal y variable con el
tiempo. De la misma forma, si la funcin que representa el modelo es lineal y sus
coeficientes son constantes el proceso discreto es lineal e invariante. Para este ltimo caso
la ecuacin en diferencias queda:
84
Apuntes de Automtica II
i =0
i =1
y k = bi u k i ai y k i
(2.7)
O de forma equivalente:
q 1 y (k ) = y (k 1)
q y (k ) = y (k + 1)
entonces la ecuacin (2.8) se puede expresar como:
A(q 1 ) y (k ) = B(q 1 ) u (k )
donde
A(q 1 ) = 1 + a1 q 1 + ... + a n q n
B (q 1 ) = 1 + b1 q 1 + ... + bm q m
Ejemplo 2.4:
Se desea resolver la siguiente ecuacin en diferencias:
2 y (k ) 2 y (k 1) + y (k 2) = u (k )
donde y(k)=0 para k<0 y
1 k = 0,1, 2
u (k ) =
k <0
0
Los valores de la secuencia y(k) se obtienen a partir de la ecuacin en diferencias:
y (k ) =
2 y (k 1) y (k 2) + u (k )
2
85
y (0) =
y (1) =
y (2) =
2Y ( z ) 2z 1Y ( z ) + z 2Y ( z ) =
1
1 z 1
Despejando Y(z):
Y ( z) =
1
z3
1
=
(1 z 1 ) (2 2z 1 + z 2 ) ( z 1)(2 z 2 2 z + 1)
Y ( z) =
1
1 + z 1
z
z2 + z
+ 2
=
+
z 1 2 z 2z + 1 1 z 1 2 2 z 1 + z 2
Ntese que los polos involucrados en el ltimo trmino cuadrtico de Y(z) son complejos conjugados.
Por lo tanto Y(z) se puede rescribir de la siguiente forma:
Y ( z) =
1
1 1 0.5 z 1
1
0.5z 1
+
1 z 1 2 1 z 1 + 0.5z 2 2 1 z 1 + 0.5z 2
X ( z) =
e aT z 1 sen( T )
x(k ) = e a k T sen(k T )
1 2e aT cos(T )z 1 + e 2aT z 2
X ( z) =
1 e a T z 1 cos( T )
x(k ) = e ak T cos( k T )
1 2e aT cos(T )z 1 + e 2a T z 2
y que
86
Apuntes de Automtica II
e 2a T = 0.5
1
cos( T ) =
T =
sen( T ) =
1
2
1
1
y (k ) = 1 e ak T cos( k T ) + e ak T sen( k T )
2
2
Y sustituyendo valores:
k
1 1
k 1 1
k
y (k ) = 1
cos
sen
+
2 2
4 2 2
4
k = 0,1, 2 ...
Conviene comprobar que el trmino general obtenido es el correcto, para ello se van calcular los
primeros valores de la secuencia:
0
1 1
1
y (0) = 1
cos(0 ) +
2 2
2
1 1
1
y (1) = 1
cos +
2 2
4 2
2
1
sen(0 ) = 0.5
2
1
sen = 1
2
4
2
1 1
1 1
y (2) = 1
cos +
sen = 1.25
2 2
2 2 2
2
87
x k +1 = f ( x k , u k )
Y la ecuacin de salida como:
y k = g ( xk , uk )
Para los sistemas lineales de tiempo discreto variantes en el tiempo, la ecuacin de
estado y la ecuacin de salida se pueden simplificar a la forma:
x k +1 = Fk x k + Gk u k
y k = C k x k + Dk u k
donde:
xk es el vector de estado de dimensin n x 1
yk es el vector de salida de dimensin m x 1
uk es el vector de entrada de dimensin r x 1
Fk es la matriz de estado de dimensin n x n
Gk es la matriz de entrada de dimensin n x r
Ck es la matriz de salida de dimensin m x n
Dk es la matriz de transmisin directa m x r
La presencia del subndice k implica que tanto los vectores como las matrices varan
con el tiempo. Si dicho subndice no aparece se supone que son invariables en el tiempo, es
decir, constantes. Luego si el sistema lineal es invariante en el tiempo entonces las
ecuaciones toman la forma:
x k +1 = F x k + Gu k
(2.9)
y k = C x k + Du k
(2.10)
88
Apuntes de Automtica II
D
u (k )
x(k + 1)
z 1 I
x(k )
y (k )
F
Figura 2.2: Diagrama de bloques de un sistema de control lineal en tiempo discreto invariante en el
tiempo representado en el espacio de estados.
H ( z)
b + b z 1 + ... + bm z m b0 z m + b1 z m1 + ... + bm
Y ( z)
= z ( nm ) 0 1 1
= n
U ( z)
1 + a1 z + ... + an z n
z + a1 z n1 + ... + an
(2.12)
z X ( z ) = F X ( z ) + GU ( z )
Y ( z ) = C X ( z ) + DU ( z )
Operando se obtiene:
H ( z) =
Y ( z)
= C ( zI F ) 1 G + D
U ( z)
(2.13)
89
1
0
... 0
0
0
0
...
0
1
... 0
...
...
... ... xk + ....uk
xk +1 = ...
0
0
... 1
0
0
an1 an2 an3 ... a1
1
y k = [bm ... b0 0 ... 0] xk
(2.14)
y k = [bm
0 ... 0]x k + b0 u k
... b0
(2.15)
1
0
0
0
x k +1 = ...
...
0
0
a n 1 a n 2
y k = [1 0 ... 0]x k
1
...
...
...
0
...
...
a n 3 ...
0
g1
g
0
2
... x k + .... u k
1
g n 1
g n
a1
(2.16)
Existe otra expresin equivalente para la forma cannica observable como se puede comprobar en el libro
Sistemas de Control en Tiempo Discreto. K. Ogata
90
Apuntes de Automtica II
y (t ) = [1 0 ... 0]x(t ) + g 0 u (t )
(2.17)
Los elementos gi provienen del desarrollo en serie de Laurent en el origen z=0 de H(z).
Es decir,
H ( z) =
numH ( z 1 )
= g k z k = g 0 + g1 z 1 + g 2 z 2 + ... + g n z n + ...
1
denH ( z ) k =0
(2.18)
1
0
x k +1 =
...
0
y k = [c1
1
0
1
2 ... 0
x k + ....u k
... ... ...
1
0 ... n
1
c 2 ... c n ]x k + d u k
0
...
(2.19)
H ( z) = d +
c
c1
c2
+
+ ... + + n
z 1 z 2
z n
(2.20)
x1 = F x0 + Gu 0
x 2 = F x1 + Gu1 = F 2 x0 + F Gu 0 + Gu1
x3 = F x 2 + Gu 2 = F 3 x0 + F 2 Gu 0 + F Gu1 + Gu 2
:
Luego mediante la repeticin de este procedimiento, se obtiene:
k 1
x k = F k x0 + F k i 1 Gu i
k = 1,2,3
(2.21)
i =0
Se observa que la solucin xk est formada por dos partes, una que representa la
contribucin del estado inicial x0 y otra que representa la contribucin de la entrada ui
i=0,1,2,...,k-1. Conocido xk entonces de acuerdo con (2.10) la salida est dada por la
expresin:
k 1
y k = C F k x0 + C F k i 1 Gu i + Du k
(2.22)
i =0
x k +1 = Fx k
(2.23)
x k = k x0
(2.24)
Luego:
k +1 = F k
0 = I
(2.25)
k = F k
(2.26)
Se observa que la solucin (2.24) es simplemente una transformacin del estado inicial.
La matriz de transicin de estados k contiene toda la informacin sobre los movimientos
libres del sistema homogneo.
92
Apuntes de Automtica II
x k = k x0 + k i 1 Gu i
(2.27)
i =0
k 1
y k = C k x0 + C k i 1 Gu i + Du k
(2.28)
i =0
x k = k x0 + i Gu k i 1
(2.29)
i =0
k 1
y k = C k x0 + C i Gu k i 1 + Du k
(2.30)
i =0
x k +1 = Fk x k + Gk u k
(2.31)
y k = C k x k + Dk u k
(2.32)
x h +1 = Fh x h + Gh u h
x h + 2 = Fh +1 x h +1 + Gh +1 u h +1 = Fh +1 (Fh x h + Gh u h ) + Gh +1 u h +1 = Fh +1 Fh x h + Fh +1 Gh u h + Gh +1 u h +1
:
(k + 1, h) = Fk (k , h)
k = h, h + 1, h + 2,...
(h, h) = I
Se deduce que (k , h) est dada por la ecuacin:
93
(k , h) = Fk 1 Fk 2 ...Fh
k>h
(2.33)
x k = (k , h)x h + (k , i + 1)Gi u i
k>h
(2.34)
i=h
Demostracin:
Se va a demostrar que (2.34) es efectivamente solucin de la ecuacin de estado (2.31).
Se tiene que:
(k + 1, h) = Fk Fk 1 ...Fh = Fk (k , h)
(2.35)
x k +1 = (k + 1, h)x h + (k + 1, i + 1)Gi u i
(2.36)
i =h
se obtiene:
k 1
k 1
= Fk (k , h)x h + Fk (k , i + 1)Gi u i + I Gk u k
i =h
= Fk (k , h)x h + (k , i + 1)Gi u i + Gk u k
i =h
= Fk x k + Gk u k
k 1
y k = C k (k , h)x h + C k (k , i + 1)Gi u i + Dk u k
i =0
94
k>h
(2.37)
Apuntes de Automtica II
(2.38)
1 k = 0
0 k 0
k =
(2.39)
hk = C F k i 1 G i + D k
(2.40)
k =0
D
hk =
k 1
C F G k > 0
(2.41)
i =0
Sustituyendo el valor de k:
Z (hk ) = H (z )
(2.42)
95
i =0
i =1
H ( z ) = Z [{h k } ] = hi z i = C F i 1 G z i + D
(2.43)
H ( z ) = C F i 1 z i
i =1
)G + D
(2.44)
H ( z ) = C F j z j 1
j =0
)G + D
(2.45)
Que es equivalente a:
j
H ( z ) = C z 1 z 1 F G + D
j =0
(2.46)
Haciendo uso de la siguiente identidad matricial para una matriz M cuyos valores
propios se encuentren dentro del crculo de radio unidad.
= ( I M ) 1
(2.47)
j =0
H ( z ) = C z 1 ( I z 1 F ) 1 G + D = C ( I z 1 F )z
G + D
(2.48)
H ( z ) = C ( zI F ) 1 G + D
(2.49)
96
Apuntes de Automtica II
x& (t ) = A x(t ) + Bu (t )
y (t ) = C x(t ) + Du (t )
(2.50)
De acuerdo con la seccin 1.5 el vector de estado vendr dado por la expresin:
t
(2.51)
x(kT + T ) = e AT x(k T ) +
k T +T
k T
e A( k T +T ) Bu ( )d
(2.52)
Por otra parte, se supone que la entrada de control en tiempo continuo u(t) a la planta
es la salida de un retenedor de orden cero:
u (t ) = u k
k T t (k + 1)T
(2.53)
x(kT + T ) = e AT x(k T ) +
k T
k T +T
e A( k T +T ) Bd u k
(2.54)
(2.55)
Esta ltima expresin permite calcular el valor del vector de estado x(t) slo en los
instantes de muestreo t=kT. Si se define la secuencia de vectores de estado en tiempo
discreto por:
x k = x(k T )
(2.56)
97
y se definen
= e AT
(2.57)
= e A Bd
(2.58)
x k +1 = x k + u k
(2.59)
y k = C x k + Du k
(2.60)
Las ecuaciones (2.59) y (2.60) constituyen un sistema en tiempo discreto cuya salida
por construccin coincide exactamente con la salida del sistema continuo si su entrada de
control permanece constante en cada periodo de muestreo, es decir, la entrada de control
discreta se hace pasar por un retenedor de orden cero. Por eso a la ecuacin de estado
dada por (2.59) se le conoce como equivalente con retenedor de orden cero de la ecuacin
de estado en tiempo continuo dada por (2.50).
Los clculos requeridos para muestrear un sistema en tiempo continuos son la
evaluacin de una matriz exponencial y la integracin de esta matriz para obtener el
vector . Su obtencin se puede realizar por diferentes mtodos, cabe resear los
siguientes:
Desarrollo en serie de
=e
A t
3
t2
3 t
= I + At + A + A + ...
2!
3!
2
(2.61)
( s ) = ( s I A )
(t ) = e At = L1 (sI A)
98
(2.62)
Apuntes de Automtica II
Tensin
1
s +1
x1
Posicin
1
s
x2
Y (s) =
1
U ( s )
s( s + 1)
Si se introducen como variables de estado la posicin y la velocidad del eje del motor (ver Figura 2.3),
el modelo en el espacio de estados viene dado por:
1 0
1
x& =
x
0u
1 0
y = [0 1] x
Supuesto un periodo de muestreo T se desea obtener el modelo equivalente con retenedor de orden
cero. Para ello hay que calcular y . Se va usar el mtodo de la transformada inversa de
Laplace. Se sabe que:
s + 1 0
s I A =
1 s
99
s + 1 0
1 s
(sI A)1 =
= s 1+ 1
s ( s + 1)
0
1
= e AT = L1 (sI A)
] = 1 e e
Asimismo
T
= e
Bd =
T
0
1 e
T e
1 e T
0 1
d =
d = 0
T
1 0
T 1 + e
1 e
2.7.1 Controlabilidad
Definicin: Una representacin discreta de un sistema es completamente controlable si
y solo si es posible transferir el sistema desde cualquier estado inicial x0 a cualquier estado
final xN, con N finito, mediante una secuencia de control u0,u1,...,uN-1.
La condicin necesaria y suficiente de controlabilidad viene dada por el teorema de
controlabilidad enunciado en la seccin 1.6, pero en el caso de sistemas discretos el
grammian de controlabilidad (1.47) toma la forma:
N
Wcd (t 0 , t N ) = (t 0 , t i )(t i 1 ) T (t i 1 ) T (t 0 , t i )
(2.63)
i =1
100
Apuntes de Automtica II
M cd = | | ... | n 1
(2.64)
Esta matriz tiene que cumplir las condiciones del teorema algebraico de controlabilidad
enunciado en la seccin 1.6.
Por otra parte, para sistemas invariantes discretos la matriz de controlabilidad de salida
toma la siguiente forma:
M cdy = C | C | ... | C n 1 | D
Esta matriz tiene que cumplir las condiciones del teorema algebraico de controlabilidad
de la salida enunciado en la seccin 1.6.
2.7.2 Observabilidad
Definicin: Una representacin en variables de estado de un sistema discreto es
completamente observable si cualquier estado inicial x(0) puede determinarse a partir de la
observacin de y(k) sobre un nmero finito de periodos de muestreo. El sistema, por lo
tanto, es completamente observable, si cualquier transicin del estado de manera eventual
afecta a todos los elementos del vector de salida.
La condicin necesaria y suficiente de observabilidad viene dada por el teorema de
observabilidad enunciado en la seccin 1.6, pero en el caso de sistemas discretos el
grammian de observabilidad (1.51) toma la forma:
N
Wod (t 0 , t N ) = T (t i , t 0 )C T (t i )C (t i ) (t i , t 0 )
(2.65)
i =1
( )
M od = C T | T C T | ... | T
n 1
C T
(2.66)
Esta matriz tiene que cumplir las condiciones del teorema algebraico de observabilidad
enunciado en la seccin 1.6.
101
x k +1 = F x k + Gu k
(2.67)
u k = K x k
(2.68)
xk +1 = (F GK ) xk
(2.69)
A este esquema de control (ver Figura 2.4) se le denomina realimentacin del estado,
se trata de un esquema de control en lazo cerrado.
uk
xk +1
z 1 I
xk
F
-K
Figura 2.4: Sistema de control en lazo cerrado mediante realimentacin del estado.
La matriz K se debe escoger de forma que los valores caractersticos de F-GK sean los
polos en lazo cerrado deseados: 1, 2,...,n. Una condicin necesaria y suficiente para la
ubicacin arbitraria de los polos, es que el sistema sea de estado completamente
controlable. La ecuacin caracterstica del sistema en lazo cerrado viene dada por la
expresin:
102
Apuntes de Automtica II
c ( z ) = zI ( F GK ) = 0
(2.70)
Que puede expresarse en funcin de los valores deseados para los polos 1,2,...,n de
la siguiente forma:
c ( z ) = ( z + 1 )( z + 2 )...( z + n ) = z n + n 1 z n 1 + ... + 0
(2.71)
] [
(2.72)
Se observa en (2.72) que el vector fila de dimensin 1 x n es la ltima fila de una matriz
identidad de dimensin n x n, a dicho vector se le puede denotar por en. A continuacin, de
acuerdo con (2.64), se tiene a la inversa de la matriz de controlabilidad discreta Mcd
Finalmente, se tiene la ecuacin caracterstica (F ) que satisface la matriz F de acuerdo
con el teorema de Caley-Hamilton.
( F ) =F n + n 1 F n 1 + ... + 0 I
(2.73)
K = en M cd1 ( F )
(2.74)
x k +1 = F x k + Gu k
(2.75)
y k = Cxk
(2.76)
u k = K x k
(2.77)
103
x k +1 = F x k + Gu k + K e ( y k C x k ) = (F K e C )x k + Gu k + K e y k
(2.78)
x k +1 x k +1 = F x k F x k K e (C x k C x k ) = (F K e C )( x k x k )
(2.79)
ek =( x k x k )
La ecuacin (2.79) se convierte en
ek +1 = (F K e C )ek
(2.80)
K e = en M od1 ( F T )
104
(2.81)
Apuntes de Automtica II
PARA
EL
Y ( z ) B( z )
=
U ( z ) A( z )
(2.82)
donde
A( z ) = z n + a1 z n 1 + ... + a n
B ( z ) = b0 z n + b1 z n 1 + ... + bn
Supngase A(z) y B(z) no tienen factores comunes, es decir, no existen cancelaciones
entre los polos y ceros de la funcin de transferencia (es de estado completamente
controlable y completamente observable). En este caso A(z) y B(z) se dice que son
105
D( z ) = d 0 z 2n 1 + d1 z 2n + ... + d 2 n 1
Existen polinomios nicos de grado (n-1), (z) y (z) tales que
( z ) A( z ) + ( z )B( z ) = D( z )
(2.83)
donde
( z ) = 0 z n 1 + 1 z n 2 + ... + n 1
( z ) = 0 z n 1 + 1 z n 2 + ... + n 1
A la ecuacin (2.83) se le denomina ecuacin Diofntica, en honor de Diofanto de
Alejandra (246-330) d.C. Esta ecuacin se puede resolver para (z) y (z) mediante el uso
de la matriz de Sylvester E de dimensin 2n x 2n, la cual se define en trminos de los
coeficientes de los polinomios coprimos A(z) (supuesto que es mnico) y B(z) como sigue:
an
a
n 1
:
a1
E= 1
0
:
0
0
...
bn
...
an
...
b n 1
bn
...
a n 1 ...
b1
an
b0
b1
...
b n 1 ...
a1
...
1
:
... a n 1
:
0
:
b0
:
...
...
a1
...
...
...
0
0
0
:
bn
b n 1
:
b1
b 0
106
(2.84)
Apuntes de Automtica II
d 2 n 1
d
2n2
D= :
d1
d 0
n 1
n2
:
M =
n 1
n2
:
(2.85)
EM = D
(2.86)
M = E 1 D
Ejemplo 2.6
Sean los siguientes polinomios:
A( z ) = z 2 + z + 0.5
B( z ) = z + 2
D( z ) = z 3
Luego a1=1, a2=0.5, b0=0, b1=1, b2=2, d0=1, d1=0, d2=0 y d3=0
El problema es encontrar dos polinomios nicos (z) y (z) tales que:
( z ) A( z ) + ( z )B( z ) = D( z )
donde
( z ) = 0 z + 1
( z ) = 0 z + 1
Hay que resolver por tanto una ecuacin Diofntica, es decir, resolver el sistema de ecuaciones
(2.86):
107
0.5 0
1 0.5
1
1
1
0
2 0 1 0
1 2 0 0
=
0 1 1 0
0 0 0 1
( z ) = z 1.2
( z ) = 0.2z + 0.3
Que se puede comprobar que verifican la ecuacin Diofntica.
( z ) A( z ) + ( z )B( z ) = H ( z )F ( z )
donde A(z) es un polinomio mnico de grado n, B(z) es un polinomio m (mn) (no existen
factores comunes entre A(z) y B(z)), H(z) es el polinomio caracterstico deseado para la
parte de ubicacin de polos y F(z) es el polinomio caracterstico deseado para el observador
de orden mnimo. Ambos polinomios H(z) y F(z) son estables. El grado del polinomio H(z) es
n y el de F(z) es n-1. Se supone que la salida del sistema es el nico estado medible. Por lo
tanto, el orden del observador mnimo es n-1.
La ganancia K0 debe ser ajustada para que la salida en estado estacionario y(k) sea
igual a uno cuando la entrada r(k) es una secuencia de escaln unitario.
108
Apuntes de Automtica II
R(z )
U (z )
K0
B( z )
A( z )
Y (z )
( z)
( z)
Figura 2.5: Diagrama de bloques del sistema de control (configuracin 1)
B( z )
Y ( z)
( z )B ( z )
( z )B ( z )
A( z )
= K0
= K0
= K0
B
(
z
)
(
z
)
R( z )
( z ) A( z ) + ( z )B( z )
H ( z )F ( z )
1+
A( z ) ( z )
(2.87)
El sistema en lazo cerrado es de orden (2n-1), a menos que exista alguna cancelacin
entre (z)(z) y H(z)F(z).
Para determinar K0 se aplica (2.5):
z 1
( z )B( z ) z
(1)B(1)
= K 0
lim y (k ) = lim(1 z 1 )Y ( z ) = lim
K 0
=1
k
z 1
z 1
H ( z )F ( z ) z 1
H (1)F (1)
z
Luego:
K0 =
H (1)F (1)
(1)B(1)
(2.88)
Ejemplo 2.7
Considrese el sistema de control de la Figura 2.5 con K0=1. La funcin de transferencia de la planta
es:
109
( z ) ( z )
Y ( z)
0.02( z + 1) ( z )
=
=
R( z ) ( z ) A( z ) + ( z )B( z ) ( z )( z 1) 2 + ( z )0.02( z + 1)
Supngase que los polos en lazo cerrado deseados mediante realimentacin de estado sean
z1 = 0.6 + j0.4
z 2 = 0.6 j0.4
F ( z) = z
Para determinar (z) y (z), se resuelve la ecuacin Diofntica siguiente:
( z ) A( z ) + ( z )B( z ) = F ( z )H ( z ) = D( z )
Se tiene que
D( z ) = F ( z )H ( z ) = d 0 z 3 + d1 z 2 + d 2 z + d 3 = z 3 1.2 z 2 + 0.52z
Obsrvese que D(z) es un polinomio estable de grado (2n-1) en z (donde n=2 para este caso).
Adems
( z ) = 0 z + 1
( z ) = 0 z + 1
Para resolver la ecuacin Diofntica hay que resolver el sistema de ecuaciones (2.86):
0 0.02
0 1 0
1
2 1 0.02 0.02 0.52
0 =
1 2
0
0.02 1 1.2
1
0
0 0 1
0
Operando se obtiene: 1=0.32, 0=1, 1=-16 y 0=24
110
Apuntes de Automtica II
Es decir,
( z ) = z + 0.32
( z ) = 24z 16
En consecuencia el regulador realimentado se obtiene como
( z)
z 0.6667
= 24
( z)
z + 0.32
Una forma alternativa de obtener este regulador es usando el diseo en el espacio de estado
mediante el mtodo de ubicacin de polos combinado con un observador de orden mnimo.
Supngase ahora el caso en que se desea ajustar el valor de la ganancia K0 para que la salida en
estado estable y(k) sea igual a uno cuando la entrada r(k) es una secuencia de escaln unitario. En
este caso K0 viene dada por la ecuacin (2.88)
K0 =
H (1)F (1)
0.321
=
=6.06
(1)B(1) 1.320.04
K 0 ( z )B ( z )
K ( z )B( z ) 6.06( z + 0.32 )0.02( z + 1)
Y ( z)
=
= 0
=
R( z ) ( z ) A( z ) + ( z )B( z )
H ( z )F ( z )
z 3 1.2 z 2 + 0.52z
Obsrvese que el sistema es de tercer orden
K0
B( z )
A( z )
U (z )
( z)
F ( z)
Y (z )
( z)
F ( z)
111
( z)
( z)
U ( z) =
U ( z ) U ( z ) +
Y ( z ) + K 0 R( z )
F ( z)
F ( z)
( z)
F ( z)
U ( z ) =
( z)
F ( z)
Y ( z ) + K 0 R( z )
(2.89)
Y ( z ) B( z )
=
U ( z ) A( z )
Donde A(z) es un polinomio mnico de grado n, B(z) es un polinomio m (mn). Luego:
U ( z) =
A( z )
Y ( z )
B( z )
(2.90)
( z ) A( z ) ( z )
F ( z ) B( z ) + F ( z ) Y ( z ) = K 0 R ( z )
Luego
K0
K 0 F ( z )B( z )
Y ( z)
=
=
R( z ) ( z ) A( z ) ( z ) ( z ) A( z ) + ( z )B ( z )
+
F ( z ) B( z ) F ( z )
Como
( z ) A( z ) + ( z )B( z ) = H ( z )F ( z )
se obtiene:
Y ( z ) K 0 F ( z )B( z ) K 0 B( z )
=
=
R( z )
H ( z )F ( z )
H ( z)
112
(2.91)
Apuntes de Automtica II
Obsrvese que el polinomio F(z) ha sido cancelado ya que se supona que era estable y
en consecuencia su cancelacin est permitida. Por otra parte el polinomio caracterstico del
sistema en lazo cerrado est dado por H(z). H(z) es el polinomio estable de grado n
deseado pero que, en esencia, se escoge de manera arbitraria. Por lo tanto, el sistema de
control diseado es de orden n.
Ejemplo 2.8
Considrese el sistema de control de la Figura 2.6, supngase que los polinomios A(z), B(z), H(z),
F(z), (z) y (z) son los considerados en el Ejemplo 2.7. En ese caso la funcin de transferencia en
lazo cerrado, de acuerdo con la ecuacin (2.91), toma la forma:
Y ( z ) K 0 (0.02 z + 0.02)
= 2
R( z )
z 1.2 z + 0.52
Para determinar la constante K0 se requiere que y() en la respuesta al escaln unitario sea igual a
uno.
z 1
z 1
K
z 1 K 0 (0.02 z + 0.02 ) z
2
= 0 =1
z z 1.2 z + 0.52 z 1 8
Y ( z)
0.16z + 0.16
= 2
R( z ) z 1.2z + 0.52
Obsrvese que el sistema es de segundo orden.
Si se compararan las respuestas al escaln unitario de los sistemas de control de la configuracin 1
(Ejemplo 2.7) y 2 se observara que son idnticas. Por otra parte si se compararn las respuestas a la
rampa unitaria de los dos sistemas, se obtendra que el sistema de control de la configuracin 2 tiene
un error (E(z)=R(z)-Y(z)) un 10 % (se supone un periodo de muestreo T=0.2 seg) menor en estado
estable e() al seguir la entrada rampa unitaria que el sistema de control de la configuracin 1.
113
Y ( z ) B( z )
=
U ( z ) A( z )
(2.92)
donde
A( z ) = z n + a1 z n 1 + ... + a n
B ( z ) = b0 z m + b1 z m 1 + ... + bm
Supngase A(z) y B(z) (mn) no tienen factores comunes, es decir, no existen
cancelaciones entre los polos y ceros de la funcin de transferencia. Si B(z) es un polinomio
estable es posible escoger H(z) (la ecuacin caracterstica del sistema) tal que incluya al
polinomio B(z), es decir,
H ( z ) = B ( z )H 1 ( z )
Entonces, de acuerdo a la ecuacin (2.91) se tiene
K 0 B ( z )
K0
Y ( z ) K 0 B ( z )
=
=
=
R( z )
H ( z)
B( z )H 1 ( z ) H 1 ( z )
Esto significa que es posible eliminar, si as se desea, los ceros de la planta.
Supngase que se desea hacer al sistema igual a un cierto modelo:
B ( z)
Y ( z)
= Gm = m
R( z )
Am ( z )
Bajo ciertas condiciones, es posible disear tal sistema mediante el uso del enfoque de
ecuaciones polinomiales. A este tipo de sistema de control se le llama sistema de control
mediante la igualacin a un modelo.
En este proceso de diseo se debe escoger H(z) como el polinomio caracterstico
deseado estable de grado n y un polinomio H1(z) estable de grado n-m. La seleccin de
H1(z) es en cierto sentido arbitraria, siempre que sea un polinomio estable.
114
Apuntes de Automtica II
R(z )
Gm H1 ( z )
B( z )
A( z )
U (z )
V (z )
( z)
F ( z)
Y (z )
( z)
F ( z)
Figura 2.7: Diagrama de bloques del sistema de control mediante la igualacin a un modelo.
( z ) A( z ) + ( z )B( z ) = F ( z )B( z )H 1 ( z )
donde F(z) es un polinomio estable de grado (n-1).
Se verifica la siguiente ecuacin:
( z)
( z)
U ( z) =
U ( z ) U ( z ) +
Y ( z ) + V ( z )
F ( z)
F ( z)
( z)
F ( z)
U ( z ) +
( z)
F ( z)
Y ( z ) = V ( z )
(2.93)
Como
U ( z) =
A( z )
Y ( z )
B( z )
(2.94)
se tiene
( z ) A( z ) ( z )
F ( z ) B( z ) + F ( z ) Y ( z ) = V ( z )
Luego
115
Y ( z)
F ( z )B( z )
F ( z )B ( z )
1
=
=
=
V ( z ) ( z ) A( z ) + ( z )B( z ) F ( z )B( z )H 1 ( z ) H 1 ( z )
Como
V ( z ) = Gm H 1 ( z )R( z )
entonces se obtiene:
Y ( z ) Y ( z )V ( z ) Gm H 1 ( z )
=
=
= Gm
R( z ) V ( z )R( z )
H1 ( z)
Es decir, se consigue el control mediante la igualacin a un modelo.
Comentarios:
1) Para lograr que la funcin de transferencia GmH1(z) sea fsicamente realizable, el
grado del numerador debe ser igual o menor que el grado del denominador.
2) El polinomio B(z) debe ser estable.
3) En este enfoque de ecuaciones polinomiales, no ocurren cancelaciones entre polos
inestables (o crticamente estable (z=1)) y ceros durante el proceso de diseo y, por
lo tanto el sistema resultante siempre es estable.
Ejemplo 2.8
Considrese la planta definida por:
A( z ) 0.3679 z + 0.2642
0.3679z + 0.2642
=
= 2
B( z ) ( z 0.3679)( z 1) z 1.3679z + 0.3679
Por lo tanto a1=-1.3679, a2=0.3679, b0=0, b1=0.3679 y b2=0.2642. Claramente B(z) es estable.
Se supone un periodo de muestreo T=1 seg. Se desea disear un sistema de control (ver Figura 2.7)
tal que el sistema en lazo cerrado sea:
Gm =
Ym ( z )
0.62 z 0.3
= 2
Rm ( z ) z 1.2 z + 0.52
Como la funcin de transferencia de la planta es de segundo orden (n=2), se escoge a H1(z) como un
polinomio estable de grado uno (n-1). Por ejemplo, se puede escoger a H1(z) como:
116
Apuntes de Automtica II
H 1 ( z ) = z + 0 .5
Luego
F ( z) = z
Luego D(z) es:
( z ) A( z ) + ( z )B( z ) = F ( z )B( z )H 1 ( z )
Donde (z) y (z) son polinomios en z de primer orden:
( z ) = 0 z + 1
( z ) = 0 z + 1
Para resolver la ecuacin Diofntica hay que resolver el sistema de ecuaciones (2.86):
0
0.2642
0 1 0
0.3679
1.3679 0.3679 0.3679 0.2642 0.1321
0 =
1
1.3679
0
0.3679 1 0.4482
1
0
0 0 0.3679
0
Operando se obtiene: 1=0.2642, 0=0.3679, 1=-0.3679 y 0=1.8680.
Por lo tanto:
( z ) = 0.2642z + 0.3679
( z ) = 1.8680z 0.3679
En consecuencia, la funcin de transferencia Y(z)/V(z) se escribe de la siguiente forma:
117
Y ( z)
F ( z )B ( z )
1
1
=
=
=
V ( z ) F ( z )B( z )H 1 ( z ) H 1 ( z ) z + 0.5
Puesto que:
V ( z)
(0.62 z 0.3)( z + 0.5)
= G m H 1 ( z ) =
R( z )
z 2 1.2 z + 0.52
Se tiene que la funcin de transferencia Y(z)/R(z) es
Y ( z)
0.62z 0.3
= 2
= Gm
R( z ) z 1.2z + 0.52
118
TEMA 3
MODELOS DE PERTURBACIONES
3.1 INTRODUCCIN
La existencia de perturbaciones en las entradas y/o en las salidas de un sistema,
impone limitaciones fundamentales en su comportamiento. Por ejemplo, el ruido de medida
en un sistema de seguimiento limita el ancho de banda alcanzable por el sistema en lazo
cerrado. Para mejorar el comportamiento de un sistema sometido a perturbaciones se hace
imprescindible el uso de sistemas de control. La naturaleza de las perturbaciones
determinar la calidad de la regulacin de un control aplicado a un cierto proceso. De esta
forma con el objetivo de poder disear los controles ms apropiados se hace necesario
disponer de modelos matemticos de las perturbaciones.
En este tema se estudian en primer lugar los modelos clsicos de las perturbaciones. A
continuacin, se describen las posibles formas de reduccin de los efectos de las
perturbaciones. Seguidamente, debido al carcter estocstico o aleatorio de algunas
perturbaciones, se incluye un repaso a los conceptos bsicos de la teora de procesos
estocsticos. A continuacin se describe la formulacin tanto discreta como continua de
modelos de procesos estocsticos. Finalmente se describe el filtrado de procesos aleatorios
de tipo estacionario y la factorizacin espectral.
El material que se estudia en este tema resulta fundamental para comprender el filtro de
Kalman (Tema 4), la identificacin de sistemas (Tema 5) y las tcnicas de control
estocstico (Tema 9).
119
Apuntes de Automtica II
Pulso
Escaln
Rampa
Sinusoide
121
122
Apuntes de Automtica II
A
+
Realimentacin
local
Pr oceso
Figura 3.2: Reduccin de perturbaciones mediante el uso de realimentacin local. La perturbacin se
introduce en el sistema entre los puntos A y B. Las dinmicas entre estos dos puntos deben ser tales
que sea posible usar una alta ganancia en el lazo.
Perturbacin medida
Hw
Hff
y
Hp
+
Pr oceso
123
H ff = H p1 H w
Si la funcin de transferencia Hff es inestable o no realizable (mayor nmero de ceros
que de polos) se debe seleccionar alguna aproximacin adecuada. El diseo de un
compensador feedforward se basa a menudo en un simple modelo esttico, es decir, Hff es
una ganancia. La estructura feedforward es especialmente til para perturbaciones
generadas por cambios en la seal de referencia.
DE
LA
TEORA
DE
PROCESOS
F ( x) = P ( x(k ) x)
124
Apuntes de Automtica II
F ( a ) F (b ) si a b
F ( ) = 0
F ( ) = 1
Si la variable aleatoria tiene un rango continuo de valores, entonces se puede definir la
funcin densidad de probabilidad f(x):
x 0
x
Se verifica que:
f ( x) 0
f ( x)dx = 1
f ( x) =
dF ( x)
dx
f ( x) = pi ( x xi )
i
El valor medio de una variable aleatoria escalar x(k), tambin denominado valor
esperado o primer momento se define como:
E[x(k)] = x = m(k ) =
x f ( x)dx
(3.1)
125
E x 2 (k) = x2 =
f ( x)dx
(3.2)
Si x no es un escalar entonces
x(k)x
E x(k)x (k) = =
T
2
x
(k) f ( x)dx
Un parmetro que se utiliza en lugar del valor cuadrtico medio es la raz cuadrada
positiva del mismo, conocido por su terminologa anglosajona como rms de root-mean
squared.
La varianza de la variable aleatoria x(k) se define como
E (x(k) - x ) 2 = x2 =
(x(k) -
) 2 f ( x )dx = x2 x2
(3.3)
Si x no es un escalar:
E (x(k) - x ) (x(k) - x ) T = x2 =
(x(k) -
)(x(k) - x ) T f ( x )dx = x2 x2
1
f ( x) =
e
2 b
( x a )2
2b2
Se puede ver fcilmente que a y b se corresponden con el valor medio y la desviacin estndar de la
variable aleatoria x(k)
x = E[ x(k )] =
xf ( x)dx = a
126
Apuntes de Automtica II
Una notacin bastante extendida para denotar a una distribucin normal de media y varianza 2, es
N(, 2). As una distribucin normal con media cero y varianza unidad se denotar como N(0,1).
Por otra parte, como ocurre con cualquier funcin de densidad de probabilidad su integral o rea en
el rango (-.,) es igual a 1. Es decir que la probabilidad de que una variable aleatoria tome valores
comprendidos entre (-.,) es del 100%.
Considerando la funcin error que se define como:
erf ( x ) =
t
e dt =
2
( 1) n x 2 n +1
n =0 n!(2n + 1)
es posible calcular que la probabilidad de que una variable aleatoria con distribucin normal tome un
valor comprendido entre 3 es del 99.7%. Mientras que la probabilidad de que tome un valor
comprendido entre 2 es del 95.4% y entre es del 68.3%.
0.3
0.25
0.3989 /0.2
x
0.15
0.2420 / x
0.1
0.05400.05
/ x
0
x + 2 x
5x
x x x + x
x + 2 x
10
F2 ( x, y ) = P[x(k ) x & y (k ) y ]
127
x 0
xy
y 0
Que verifica las siguientes propiedades:
f 2 ( x, y ) 0
f 2 ( x, y ) =
2 F2 ( x, y )
xy
( x, y )dxdy = 1
f 2 ( x, y ) = f x ( x) f y ( y )
entonces las dos variables son estadsticamente independientes. Es decir, el suceso
x(k) x es independiente del suceso y(k) y.
El valor medio de una funcin continua real g(x,y) de dos variables aleatorias x(k) e y(k)
es:
E[g(x, y)] =
g ( x, y ) f
( x, y )dxdy
] (x -
)(y - y ) f 2 ( x, y )dxdy
(3.4)
] [
128
Apuntes de Automtica II
xy =
rxy
x y
(3.5)
Se verifica que
1 xy 1
El coeficiente de correlacin proporciona una medida del grado de dependencia lineal
entre las variables aleatorias x(k) e y(k). As si x(k) e y(k) son independientes entre si
entonces xy=0, y se dice que las variables aleatorias x(k) e y(k) no estn correlacionadas (la
afirmacin contraria no es cierta).
{x(t ), t T } x(t , h )
Usualmente se supone que t es el tiempo y T. Si se considera sistemas discretos
entonces T es el conjunto de instantes de muestreo T={0,k,2k,...} siendo k el periodo de
muestreo. En el caso de procesos estocsticos continuos T es un conjunto de variables
reales. Para un h fijo, h=h0, se tiene que x(t, h0) es una funcin del tiempo que se denomina
realizacin. Mientras que para un instante de tiempo fijo, t=t0, se tiene que x(t0,h)=x(t0) es
una variable aleatoria.
Los valores de un proceso aleatorio en n instantes de tiempo distintos constituyen n
variables aleatorias. La funcin de distribucin de probabilidad n-dimensional del proceso
aleatorio de define como
129
Realizaciones
x(t , h )
Variables aleatorias
x(t1 )
x(t 2 )
x(t , h1 )
x(t , h2 )
x(t , h3 )
t
Figura 3.5: Tres realizaciones x(t, h1), x(t, h2) y x(t, h3) de un mismo proceso estocstico x(t, h). Se
detallan las variables aleatorias x(t1) y x(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
F ( , t ) = P[ x(t ) ]
La funcin de densidad de probabilidad correspondiente se define
f ( , t ) =
dF ( , t )
d
(t) = E[x(t)] = f ( , t )d
(3.6)
] ( (t ))( (t )) f ( , t )d
(3.7)
La varianza da informacin del tamao de las fluctuaciones del proceso con respecto a
su valor medio. A la raz cuadrada de la varianza se le denomina desviacin estndar.
Ntese que tanto el valor medio como la varianza son funciones del tiempo.
130
Apuntes de Automtica II
(3.8)
(3.9)
(3.10)
donde
= t 2 t1
Lo mismo sucede para la funcin de covarianza o autocovarianza de un proceso
aleatorio estacionario
(3.11)
xx ( ) =
1
2
k =
xx
(k )e ik
(3.12)
131
rxx (k ) = e ik xx ( )d
(3.13)
xy ( ) =
1
2
k =
xy
(k )e ik
(3.14)
rxy (k ) = e ik xy ( )d
(3.15)
xx ( ) =
xy ( ) =
1
2
1
2
rxx (t ) =
xx
(t )e it dt
(3.16)
(t )e it dt
(3.17)
xy
it
xx ( )d
(3.18)
it
xy ( )d
(3.19)
rxy (t ) =
Los valores de un proceso aleatorio x en n instantes de tiempo {t1, t2,..., tn} distintos
constituyen n variables aleatorias x(t1), x(t2),...,x(tn). Supuesto que los n instantes de tiempo
estn equiespaciados un valor , es decir, ti+1-ti= i=1,...,n y tomando el instante t1 como
origen de referencia, entonces las n variables aleatorias se pueden denotar como x(0),
x(),x(2),...,x((n-1)). Obsrvese que si se tomase t2 como origen entonces las variables
aleatorias se denotaran como x(-),x(0),...,x((n-2)). En el caso de un proceso estocstico
estacionario, se puede tomar cualquier instante como origen.
132
Apuntes de Automtica II
x(t )
La covarianza cruzada
describe la relacin
entre las variables aleatorias de
dos procesos estocsticos
distintos
y (t )
t1
t2
Figura 3.6: Realizaciones de dos procesos estocsticos distintos x(t) e y(t). Se detallan las variables
aleatorias x(t1), x(t2), y(t1) e y(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
x ( ) =
rx ( )
rx (0 )
(3.20)
133
rx ( ) rx (0 )
se obtiene que
x ( ) 1
Es decir, la magnitud de la funcin de correlacin es menor que la unidad.
El valor de x() da idea de la magnitud de la correlacin existente entre dos puntos del
proceso distanciados unidades de tiempo. Valores de x() cercanos a uno significan que
existe una fuerte correlacin positiva. Mientras que valores de x() cercanos a menos uno
significan que existe una fuerte correlacin negativa. Asimismo, si x()=0 entonces no existe
correlacin.
De forma anloga puede definirse la funcin de correlacin cruzada entre dos procesos
x e y:
xy ( ) =
rxy ( )
rx (0 )ry (0 )
(3.21)
2 xx ( )d
1
(3.22)
representa la potencia de la seal en el rango de frecuencias [1, 2]. Por tanto, el rea
encerrada por la curva de la densidad espectral en [1, 2] representa la potencia de la
seal en una cierta banda de frecuencia. Dicha rea total es proporcional a la varianza de
seal.
Dos seales o procesos aleatorios x e y se dice que no estn correlacionados si su
densidad de potencia cruzada xy ( ) es 0.
134
Apuntes de Automtica II
x=
rxx ( ) =
1
N
1
N
x (t )
(3.23)
t =1
( x(t + ) x )( x(t ) x )
(3.24)
t =1
1
N
rxy ( ) =
1
N
( x(t ) x )( y(t + ) y )
= 0,1, 2...
( y(t ) y )( x(t ) x )
= 1,2,...
t =1
N
(3.25)
t =1
( ) =
r ( )W
= M
( )e i
(3.26)
donde WM() se denomina ventana de retardo (lag window) siendo M un entero positivo
denominado anchura de la ventana o parmetro de truncacin. La ventana de retardo es
una funcin que sirve para enfatizar las componentes de frecuencia ms importantes y
despreciar las menos relevantes, de esta forma se logra suavizar la forma del espectro de
potencia.
Una de las ventanas de retardo ms utilizadas es la conocida como ventana de
Hamming que tiene la siguiente expresin:
1
1 + cos
M
WM ( ) = 2
M
0
>M
(3.27)
135
1
N
2 = 0
rxx ( ) =
0 = 1, 2,...
(3.28)
En la Figura 3.7 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
Aplicando (3.12) es fcil obtener que su funcin de densidad espectral es:
( ) =
136
2
2
(3.29)
Apuntes de Automtica II
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias (ver Figura 3.7). La analoga con las propiedades
espectrales de la luz blanca explican el nombre que recibe este proceso estocstico.
()
rxx()
2
-2
-1
2
2
Figura 3.7: Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
En el caso del ruido blanco en tiempo continuo aplicando (3.16) sobre la densidad
espectral (3.29) se obtiene que su funcin de covarianza es:
rxx (t ) = 2 ( )
(3.30)
si = 0
0 si 0
( ) =
y ( k ) = e( k ) + c1 e( k 1) + ... + c m e( k m)
se le denomina media mvil (moving average) de orden m o proceso MA-(m).
137
y ( k ) + a1 y ( k 1) + ... + a n y ( k n ) = e( k )
se le denomina autoregresin de orden n o proceso AR-(n).
En consecuencia a un proceso y generado por una ecuacin en diferencias de la forma
y ( k ) + a1 y ( k 1) + ... + a n y ( k n ) = e( k ) + c1 e( k 1) + ... + c m e( k m)
se le denomina proceso de autoregresin con media mvil de rdenes n y m ARMA-(n,m).
Equivalentemente, si se define el operador retardo como
q 1 y ( k ) = y ( k 1)
entonces la expresin de un proceso ARMA toma la forma:
A( q 1 ) y ( k ) = C ( q 1 )e( k )
donde
A( q 1 ) = 1 + a1 q 1 + ... + a n q n
C ( q 1 ) = 1 + c1 q 1 + ... + c m q m
Obsrvese que A(q-1)=1 para un proceso MA-(m). Mientras que C(q-1)=1 para un
proceso AR-(n).
Dada una realizacin o serie temporal de un proceso aleatorio estacionario no es
posible distinguir a travs de su representacin temporal si se trata de un proceso de ruido
blanco, de un proceso MA, de un proceso AR o de un proceso ARMA. Para distinguir el tipo
de proceso aleatorio de que se trata, se puede calcular su funcin de covarianza. De forma
general, un proceso de ruido blanco posee una funcin de covarianza que es cero en todos
los puntos salvo en el origen (=0). Un proceso MA-(n) se caracteriza por tener una
covarianza distinta de 0 en n valores enteros positivos distintos de (aparte de =0).
Mientras que un proceso un proceso AR o un proceso ARMA se caracteriza por tener una
covarianza cuyo valor absoluto va decreciendo conforme aumenta el valor de .
138
Apuntes de Automtica II
Ejemplo 3.2:
Supngase que se dispone de N valores muestreados de tres seales aleatorias {e(k)}, {x(k)} e {y(k)}.
En la Figura 3.8 se muestra la funcin de correlacin o autocorrelacin estimada de e(t). Se observa
que la autocorrelacin vale 1 en =0, adems para 0 la autocorrelacin toma valores que se
pueden considerar cero ya que se encuentran todos encerrados dentro del nivel de confianza 3 o
nivel de confianza del 99.7%. Por lo tanto, la seal aleatoria {e(k)} se puede considerar que es ruido
blanco en tiempo discreto.
1.2
1
Autocorrelacin
0.8
0.6
0.4
0.2
0
0.2
5
10
15
20
25
30
Autocorrelacin
0.6
0.4
0.2
0
0.2
0.4
5
10
15
20
25
30
139
1.2
1
Autocorrelacin
0.8
0.6
0.4
0.2
0
0.2
5
10
15
20
25
30
0.4
Correlacin Cruzada
0.3
0.2
0.1
0.1
0.2
30
20
10
10
20
30
Figura 3.11: Estima de la correlacin cruzada de las seales aleatorias {x(k)} e {y(k)}
140
Apuntes de Automtica II
y ( k ) = (1 q 1 ) y ( k )
La consideracin de este operador permite definir los procesos ARIMA (Autoregressive
Integrated Moving Average) como aquellos generados por la siguiente ecuacin:
A( q 1 ) d y ( k ) = C ( q 1 )e( k )
donde
d = (1 q 1 ) d
A( q 1 ) = 1 + a1 q 1 + ... + a n q n
C ( q 1 ) = 1 + c1 q 1 + ... + c m q m
Obsrvese que un proceso ARIMA-(n,d,m) es una extensin al caso de procesos
estocsticos no estacionarios de un proceso ARMA-(n,m). De hecho, un proceso
ARIMA-(n,0,m) es un proceso ARMA-(n,m).
Ejemplo 3.3:
El ejemplo ms sencillo de proceso aleatorio no estacionario es el denominado como camino
aleatorio (random walk) que es un proceso y que se obtiene mediante la siguiente ecuacin en
diferencias
y ( k ) y ( k 1) = e( k )
donde {e(k)} es ruido blanco en tiempo discreto. La ecuacin anterior se puede expresar
equivalentemente como:
(1 q 1 ) y ( k ) = e( k )
Es decir, una seal del tipo camino aleatorio es un proceso ARIMA-(0,1,0).
141
Ejemplo 3.4:
En la Figura 3.12a se muestra la representacin temporal de una seal aleatoria muestreada {y(k)}.
Se puede observar que el valor medio de la seal no es constante en el tiempo. Es decir, se trata de
una seal no estacionaria. Para conocer las propiedades estacionarias que subyacen en esta seal
es necesaria diferenciarla. En la Figura 3.12b se muestra la representacin temporal de {y(k)} tras ser
diferenciada una vez. Se observa como ahora s el valor medio de la seal es constante en el tiempo,
es decir, presenta un comportamiento estacionario.
2.5
1.5
1.5
0.5
1
0.5
0.5
0.5
1.5
1.5
2
0
500
Tiempo(s)
1000
2
0
1500
500
(a)
Tiempo (s)
1000
1500
(b)
Figura 3.12: Representacin temporal de una seal aleatoria {y(k)} no estacionaria. a) Sin diferenciar.
b) Diferenciada una vez.
1
0.8
Autocorrelacin
0.6
0.4
0.2
0
0.2
0.4
0.6
5
10
15
20
25
30
142
Apuntes de Automtica II
(3.31)
donde v(k) es una variable aleatoria de media cero que es independiente de x(k) y de todos
los valores pasado de x. Esto implica que v(k) tambin es independiente de todos los
valores pasados de v. La secuencia {v(k), k=0,1,...} es una secuencia de variables aleatorias
independientes igualmente distribuidas. Por lo tanto el proceso estocstico {v(k)} es ruido
blanco en tiempo discreto.
Para definir al proceso aleatorio {x(k)} completamente, es necesario especificar las
condiciones iniciales. Se supone que el estado inicial tiene valor medio m0 y matriz de
covarianza R0. Asimismo la covarianza de las variables aleatorias v se denota mediante R1.
Teorema 3.1: Considrese un proceso aleatorio definido por la ecuacin en diferencias
estocstica (3.31), donde {v(k)} es un proceso de ruido blanco con valor medio cero y
covarianza R1. Considrese que el estado inicial tiene valor medio m0 y covarianza R0. La
funcin del valor medio del proceso est dada por la siguiente ecuacin en diferencias:
m(k + 1) = Fm(k ),
m(0) = m0
(3.32)
(3.33)
r (k + , k ) = F P(k ),
143
P (k + 1) = FP (k )F T + R1
P(0) = R0
(3.34)
m(k ) = E [x(k )]
simplemente hay que tomar el valor medio en ambos lados de la ecuacin (3.31)
m(k + 1) = Fm(k )
Luego el valor medio se propagar de la misma forma que un sistema no perturbado.
Para calcular la funcin de covarianza, se considera la siguiente variable
~
x ( k ) = x( k ) m( k )
de tal forma que:
Esta ~
x satisface la ecuacin (3.31) si la condicin inicial tiene media cero. Para calcular la
covarianza hay que formar la siguiente expresin
~
x (k + 1)~
x T (k + 1) = [ F ~
x (k ) + v(k )][ F ~
x (k ) + v(k )]T
x (k )~
x T (k )F T + F ~
x (k )v T (k ) + v(k )~
x T (k )F T + v(k )v T (k )
= F ~
Tomando valores medios
] [
E~
x (k + 1)~
x T (k + 1) = F E ~
x (k )~
x T ( k ) F T + F E ~
x (k )v T (k ) + E v(k )~
x T (k ) F T + E v(k )v T (k )
Se obtiene
P (k + 1) = FP(k )F T + R1
144
Apuntes de Automtica II
~
x (k + 1)~
x T ( k ) = [ F ~
x (k ) + v(k )]~
x T (k )
Puesto que v(k) y ~
x (k ) son independientes y v(k) tiene media cero, entonces:
rxx (k + 1, k ) = cov[ x(k + 1), x(k )] = E ( x(k + 1) m(k + 1))( x(k ) m(k )) T
x (k + 1)~
x T ( k ) = E [ F ~
x (k ) + v(k )]~
x T (k )
=E~
[
x (k )~
x
= E [F ~
] [
] [
x T ( k ) = F E ~
x (k )~
x T (k ) + E v(k )~
x T (k )
(k ) + v(k )~
= F P ( k )
Para obtener la expresin
rxx (k + , k ) = F P(k )
se debe operar de forma similar al caso rxx (k + 1, k ) pero considerando que ahora
1
~
x (k + )~
x T ( k ) = [ F ~
x (k ) + F 1 j v(k + j )]~
x T (k )
j =0
y = Cx
puede demostrarse fcilmente que su funcin valor medio es
m y = C m
y que su funcin de covarianza es
145
ryy = C rxx C T
Asimismo la funcin de covarianza cruzada entre y e x est dada por:
ryx = C rxx
Ejemplo 3.5:
Considrese el siguiente sistema de primer orden
m(k + 1) = am(k ),
m( k 0 ) = m 0
m(k ) = a k k0 m0
Por otra parte la aplicacin de la ecuacin (3.34) da
P (k + 1) = a 2 P(k ) + r1
P(k 0 ) = r0
P (k ) = a 2(k -k 0 ) r0 +
1 a 2(k -k 0 )
r1
1 a2
Si |a|<1 y k0 -, entonces:
146
rx (l , k ) = a l k P(k )
lk
rx (l , k ) = a k l P(l )
l<k
Apuntes de Automtica II
m( k ) 0
P(k )
r1
1 a2
r a
rx (k + , k ) 1 2
1 a
Se observa que en ese caso el proceso pasa a ser estacionario ya que m es una constante y la
funcin de covarianza es nicamente funcin de .
Si se considera la siguiente salida
y ( k ) = x ( k ) + e( k )
donde e(k) es una secuencia de variables aleatorias no correlacionadas con media cero y varianza r2,
entonces la funcin de covarianza de y es
r1
r2 + 1 a 2
ry ( ) =
r1 a
1 a 2
=0
0
y ( ) =
r1
r1
1
1
r2 +
r2 + i
=
i
2
2
1 + a 2acos
(e a )(e a ) 2
dx
= Ax + v&
dt
donde v& es un vector cuyos elementos son procesos estocsticos de ruido blanco. Puesto
que v& tiene una varianza infinita, se acostumbra a escribir la ecuacin en trmino de
diferenciales, es decir:
dx = A xdt + dv
(3.35)
147
La seal v es la integral de v& , se supone que tiene valor medio cero, incrementos no
correlacionados entre si, ni con x, y varianza
cov[v(t ), v(t )] = R1 t
(3.36)
dm(t )
= Am(t ),
dt
m(0) = m0
(3.37)
La covarianza es
st
(3.38)
P(0) = R0
(3.39)
dP(t )
= AP(t ) + P(t ) AT + R1
dt
Demostracin Teorema 3.2:
La ecuacin (3.37) se obtiene tomando el valor medio de (3.35)
dE [x ] = AE [x ]dt + dE [v ]
Que es equivalente a
148
Apuntes de Automtica II
d ( x x T ) = x x T AT dt + xdv T + A x x T dt + dv x T + A x(dt ) 2 x T AT +
+ dvdt x T AT + A xdt dv T + dvdv T
Si se toma el valor medio, puesto que v es independiente de x se obtiene:
d ( E x x T ) = E x x T AT dt + AE x x T dt + AE xx T AT (dt ) 2 + E dvdv T
P (t ) = E xx T
y de (3.36)
E dvdv T = R1 dt
Entonces
dP(t )
= P(t ) AT + AP(t ) + R1 + AP(t ) AT (dt )
dt
y tomando el lmite cuando dt tiende a 0 se obtiene (3.39).
Finalmente para obtener (3.38), se considera st y se integra la ecuacin (3.35)
149
x( s )x (t ) = e
T
A( s t )
s A( s s ' )
x(t )x (t ) + e
dv( s ' )x T (t )
t
Si se aplica el operador valor medio, considerando que dv(s) no est correlacionado con x(t) si s t,
entonces se obtiene (3.38).
Ejemplo 3.6:
Considrese la siguiente ecuacin diferencial estocstica escalar
dx = a xdt + dv
x(t 0 ) = m0
cov[ x(t 0 ), x(t 0 )] = r0
donde el proceso {v(t), tT} posee una covarianza incremental r1dt. La ecuacin diferencial que da la
expresin de la media es
dm
= am
dt
m(t 0 ) = m0
m(t ) = m0 e a ( t t0 )
La funcin covarianza viene dada por
e a ( s t ) P (t )
r ( s, t ) = cov[ x( s ), x(t )] = a (t s )
e
P(t )
La ecuacin (3.39) da la siguiente ecuacin diferencial para P.
dP
= 2aP + r1
dt
150
P(t 0 ) = r0
st
st
Apuntes de Automtica II
P (t ) = e 2a (t t0 ) r0 + e 2a ( t s ) r1 ds = e 2a ( t t0 ) r0 +
t0
r1
1 e 2 a ( t t 0 )
2a
Cuando t0-, la funcin valor medio tiende a cero y la funcin covarianza tiende a
r ( s, t ) =
r1 a ( t s )
e
2a
Puesto que esta funcin depende de la diferencia s-t, el proceso sera estacionario y su funcin de
covarianza se puede escribir como:
r ( ) =
r1 a
e
2a
Por otra parte, la correspondiente densidad espectral vendra dada por la aplicacin de (3.16).
( ) =
r1
1
2
2 + a 2
dx = A xdt + dv
(3.40)
x(t k +1 ) = e A( tk +1 tk ) x(t k ) +
t k +1
A ( t k +1 s )
dv( s )
tk
151
e(t k ) =
t k +1
A ( t k +1 s )
dv( s )
tk
Esta variable tiene media cero puesto que v tambin tiene media cero. Las variables
aleatorias e(tk) y e(tl) no estn correlacionados si kl puesto que los incrementos de v sobre
intervalos disjuntos estn no correlacionados. La covarianza de e(tk) est dada por
t k +1 A ( t s )
T
E e(t k )e (t k ) = E e k +1 dv( s )dv T (t )e A ( tk +1 t ) =
tk
t k +1
A ( t k +1 s )
R1 e A
( t k +1 s )
(3.41)
ds
tk
m y (k ) = H (1)mu (k )
(3.42)
y densidad espectral
y ( ) = H (e i )u ( )H T (e i )
(3.43)
Adems la densidad espectral cruzada entre la entrada y la salida est dada por la
expresin
152
Apuntes de Automtica II
yu ( ) = H (e i )u ( )
(3.44)
H(z)
n =
n =0
y (k ) =
Tomando valores medios
m y (k ) = E [ y (k )] = E h(n)u (k n) =
n =0
n =0
n =0
y (k ) m y (k ) = h(n)[u (k n) mu (k n)]
n =0
Luego la diferencia entre la seal de salida y su valor medio se propaga a travs del sistema de la
misma forma que la seal de entrada. Con vistas a simplificar la escritura de las ecuaciones se va a
suponer que los valores medios son cero. Adems se supondr que todas las series infinitas existen
y que las operaciones de suma infinita y valor esperado son conmutativas. As, la definicin de
covarianza da
ry ( ) = E y ( k + ) y T ( k ) =
T
= E h( n )[u( k + n )] h(l )[u( k l )] =
l =0
n=0
= h( n )E u( k + n )u T ( k l ) h T (l ) = h( n )ru ( + l n )h T (l )
n =0 l =0
n =0 l =0
153
n =0
n =0
1
2
y ( ) = yy ( ) =
i n
n =
ry (n)
y ( ) =
1
2
1
2
1
2
i ( n + k k + l l )
e
h(k )ru (n + l k )h T (l ) =
n =
k =0 l =0
n = k = 0 l = 0
i k
k =0
i k
h(k )e i ( n +l k ) ru (n + l k )e i l h T (l )
n =
l =0
h(k ) e i ( n +l k ) ru (n + l k ) e i l h T (l )
y ( ) =
1
2
k =0
p =
l =0
e ik h(k ) e i p ru ( p) e il h T (l )
Introduciendo la funcin de transferencia pulso H(z) del sistema, que se relaciona con la respuesta a
un impulso {h(k), k=0,1,...} mediante la expresin:
H ( z ) = z n h( n)
n =0
H ( ei ) = e ni h( n)
n =0
y ( ) = H (e i )u ( )H T (e i )
154
(3.45)
Apuntes de Automtica II
yu ( ) =
1
2
n =
k =0
e in h(k )ru (n k ) =
1
2
k =0
n =
e ik h(k ) e in ru (n) = H (e i )u ( )
El resultado indicado en este teorema tiene una sencilla interpretacin fsica. El nmero
Por otra parte, la ecuacin (3.44) indica que la densidad espectral cruzada es igual a la
funcin de transferencia del sistema si la entrada es ruido blanco con densidad espectral
unidad. Este resultado puede ser utilizado para determinar la funcin de transferencia pulso
del sistema.
Ejemplo 3.7:
Considere el proceso {x(k)} del Ejemplo 3.5. Este proceso puede ser generado haciendo pasar ruido
blanco a travs de un filtro cuya funcin de transferencia pulso es:
H ( z) =
1
za
v ( ) =
r1
2
x ( ) = H (e i )u ( )H T (e i ) =
r1
r1
1
=
i
i
2
2 (e a )(e a ) 2 1 + a 2acos
y ( k ) = x ( k ) + e( k )
tiene la siguiente densidad espectral
155
y ( ) =
r1
1
r2 +
2
2
1 + a 2acos
y (t ) =
(3.46)
m y = G (0)mu
(3.47)
y densidad espectral
y ( ) = G (i )u ( )G T (i )
(3.48)
yu ( ) = G (i )u ( )
(3.49)
Ejemplo 3.8:
Considrese el sistema del Ejemplo 3.6. El proceso x se puede considerar como el resultado de filtrar
ruido blanco con varianza r1/(2) a travs de un sistema con funcin de transferencia
G(s) =
156
1
s+a
Apuntes de Automtica II
( ) =
r1
r
1
1
1
= 1 2
2 i + a i + a 2 + a 2
u ( ) =
1
2
Adems como
z = e i
entonces por la ecuacin (3.43) del Teorema 3.3 se tiene que:
y ( ) =
1
H ( z )H T ( z 1 ) = F ( z )
2
zi z j = 1
pi p j = 1
Siendo z i z j ceros de F(z) y siendo pi p j polos de F(z).
Los pasos para encontrar una funcin H que corresponda a una determinada densidad
espectral racional y son:
157
H ( z) = K
( z z ) = B( z )
( z p ) A( z )
i
Puesto que el proceso estocstico se ha supuesto estacionario los polos pi y los ceros zi
verificarn las siguientes condiciones:
zi 1
pi < 1
El resultado obtenido se resume en el siguiente teorema.
Teorema 3.5: Teorema de factorizacin espectral. Dada una densidad espectral (),
que sea una funcin racional en cos , existe un sistema lineal con funcin de transferencia
pulso
H ( z) =
B( z )
A( z )
(3.50)
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso aleatorio estacionario con densidad espectral . El polinomio A(z) tiene todos sus
ceros dentro del crculo unidad. El polinomio B tiene todos sus ceros dentro del disco unidad
o sobre el circulo unidad.
La principal conclusin de este teorema es que es posible generar cualquier proceso
aleatorio estacionario con densidad espectral racional como la salida de un sistema lineal
estable al cual se le excita con ruido blanco.
Por tanto es suficiente con estudiar como se comportan los sistemas cuando son
excitados por ruido blanco. Todos los otros procesos estacionarios con densidad espectral
racional pueden ser generados mediante el filtrado adecuado del ruido blanco.
A menudo se supone que el polinomio B(z) posee todos sus ceros dentro del circulo
unidad. Esto significa que la inversa del sistema H es estable.
158
Apuntes de Automtica II
Ejemplo 3.9:
Considrese el proceso {y(k)} de los Ejemplos 3.5 y 3.7. Este proceso tiene la siguiente densidad
espectral
y ( ) = F ( z ) =
1
2
r1
1 r1 + r2 (1 + a 2 ) r2 a( z + z 1 )
r
+
=
( z a )( z 1 a ) 2
( z a )( z 1 a )
r + r (1 + a 2 ) r2 a( z + z 1 )
2 F ( z ) = 1 2
( z a )( z 1 a )
B ( z )B( z 1 ) = 2 ( z b)( z 1 b)
Que se puede escribir como
B ( z )B( z 1 ) = 2 (1 + b 2 ) 2 b( z + z 1 )
Igualando B(z)B(z-1) con el numerador de 2F(z)
2 (1 + b 2 ) 2 b( z + z 1 ) = r1 + r2 (1 + a 2 ) r2 a( z + z 1 )
Igualando ahora los coeficientes de la misma potencia de z se obtienen el siguiente par de
ecuaciones:
z 0 : 2 (1 + b 2 ) = r1 + r2 (1 + a 2 )
z 1 : 2 b = r2 a
Si se despeja 2 de la segunda ecuacin
2 =
r2 a
b
p = r1 + r2 (1 + a 2 )
159
Es posible escribir la primera ecuacin como una ecuacin algebraica de segundo orden para b
r2 ab 2 b p + r2 a = 0
Esta ecuacin tiene la siguiente solucin vlida, es decir, dentro del crculo unidad:
p+
b=
p 2 4(r2 a) 2
2ar2
Con lo que
2 =
2(r2 a) 2
p+
p 2 4(r2 a) 2
Luego
H ( z) =
( z b)
za
Ejemplo 3.10:
Se desea calcular el filtro H(z) que genera una seal estocstica con densidad espectral
F ( z) =
1
2
0.3125 + 0.125( z + z 1 )
1
2
2
2.25 1.5( z + z ) + 0.5( z + z )
2 F ( z ) =
2 ( z b)( z 1 b)
B( z )B( z 1 )
=
A( z ) A( z 1 ) ( z a1 )( z 1 a1 )( z a 2 )( z 1 a 2 )
Luego
H ( z) =
160
( z b)
B( z )
=
A( z ) ( z a1 )( z a 2 )
Apuntes de Automtica II
p1 = 1 + a12
p 2 = 1 + a 22
Y desarrollando los productos se obtiene
2 (1 + b 2 ) b( z + z 1 )
B( z )B( z 1 )
=
A( z ) A( z 1 ) ( p1 p 2 + 2a1 a 2 ) (a1 p 2 + a 2 p1 )( z + z 1 ) + a1 a 2 ( z 2 + z 2 )
Igualando B(z)B(z-1) con el numerador de 2F(z)
2 (1 + b 2 ) = 0.3125
2 b = 0.125
Eliminando 2 se obtiene la siguiente ecuacin cuadrtica para b
b 2 + 2.5b + 1 = 0
Cuya nica solucin dentro del crculo unidad es: b=-0.5. Con lo que =0.25.
Por otra parte, igualando A(z)A(z-1) con el denominador de 2F(z)
p1 p 2 + 2a1 a 2 = 2.25
a1 p 2 + a 2 p1 = 1.5
a1 a 2 = 0.5
Luego
a1 =
0.5
a2
p1 =
1.25
p2
161
Por tanto
0.5
1.25
1.25
p2 + a2
= 1.5 0.5 p 2 + a 22
= 1.5a 2 0.5 p 22 + 1.25a 22 = 1.5a 2 p 2
a2
p2
p2
sustituyendo la variable p2 de acuerdo a su definicin se obtiene la siguiente ecuacin:
H ( z) =
( z b)
( z a1 )( z a 2 )
0.5( z (0.5))
0.5z + 0.25
= 2
( z (0.5 j0.5))( z (0.5 + j0.5)) z z + 0.5
G ( s) =
B( s)
A( s )
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso estocstico estacionario con densidad espectral . El polinomio A tiene todos sus
ceros en el semiplano izquierdo del plano s. El polinomio B no tiene ceros en el semiplano
derecho del plano s.
162
Apuntes de Automtica II
y (k ) =
B(q)
e(k )
A(q)
(3.51)
donde e es ruido blanco de varianza unidad. De acuerdo con el Teorema 3.5 la densidad
espectral de la seal y esta dada por
1 B( z )B( z 1 )
2 A( z ) A( z 1 )
( ) =
Tambin se sigue de dicho Teorema 3.5 que la varianza de la seal y est dada por la
integral compleja
[ ]
B ( z )B( z 1 ) dz
1
1
E y 2 = ( )d = ( )e i d (e i ) =
i
z
2
A
z
A
z
(
)
(
)
(3.52)
El calculo de las integrales que poseen esta forma est estrechamente ligado al test de
estabilidad de Jury que se usa para conocer si las races de la ecuacin caracterstica de un
sistema discreto en lazo cerrado se encuentran ubicadas dentro del crculo unidad. As para
evaluar este tipo de integrales hay que construir la Tabla 3.1, considerando la siguiente
estructura para los polinomios A(z) y B(z):
A( z ) = a0 z n + a1 z n1 + ... + an
B( z ) = b0 z n + b1 z n1 + ... + bn
a0
a1
...
a n1
an
an
a n1
...
a1
a0
a0n1
a1n1
...
a nn11
a nn11
a nn12
...
a0n1
b0
b1
...
bn 1
bn
an
a n1
...
a1
a0
b0n1
b1n 1
...
bnn11
a nn11
a nn12
...
a0n1
b01
b11
a11
a10
b00
n 1
n 1
:
:
a10
a11
a11
a10
a00
163
an
a0
a kk
k = k
a0
n =
bn
a0
bkk
k = k
a0
n =
(3.53)
Donde
(3.54)
Se puede demostrar que el resultado de la integral (3.52) viene dado por la expresin
In =
1 n i
bi i
a0 i =0
(3.55)
I1 =
(3.56)
I2 =
B0 a0 e1 B1 a0 a1 + B2 (a12 a 2 e1 )
a0 [(a02 a 22 )e1 (a0 a1 a1 a 2 )a1 ]
(3.57)
Donde
164
(3.58)
TEMA 4
ESTIMACION OPTIMA
4.1 INTRODUCCIN
En las secciones 1.8 y 2.9 se describi el diseo de observadores o estimadores de
estado considerando que se dispona de un modelo matemtico exacto del sistema y
despreciando la posible existencia de ruido de medida. A los observadores obtenidos bajo
estas hiptesis se les denomina observadores deterministas. Desafortunadamente, los
modelos matemticos de un proceso real no suelen ser exactos y adems suele existir ruido
de medida. Existe una familia de observadores que de forma explcita tienen en cuenta
estas circunstancias son los denominados observadores estocsticos. El ms utilizado de
este tipo de observadores es el filtro de Kalman que fue introducido por R. Kalman en 1960.
El filtro de Kalman es uno de lo logros fundamentales de la denominada Teora
Moderna del Control y desde su desarrollo por Kalman ha tenido un gran xito en
aplicaciones prcticas, como por ejemplo en el proyecto Apolo de la NASA. Desde entonces
viene siendo aplicado en los ms diversos campos: Biologa, Astronutica, Geologa,
Comunicaciones, etc.
Este tema est dedicado exclusivamente a la formulacin de las ecuaciones del filtro de
Kalman discreto. Se deja para el Tema-7 la demostracin de las ecuaciones del filtro en
estado estacionario. Asimismo se deja para el Tema-9 la aplicacin del filtro de Kalman en el
diseo de controladores LQG.
x k +1 = x k + u k + v k
y k = C x k + ek
(4.1)
165
donde v y e son procesos de ruido blanco Gaussiano discreto, de media nula y con
covarianza
E[v k v kT ] = R1
E[ek ekT ] = R2
(4.2)
E[v k ekT ] = 0
(4.3)
Por otra parte se supone que el estado inicial x(0) del proceso es una variable aleatoria
Gaussiana de media
E[ x(0)] = m0
(4.4)
cov[ x(0)] = R0
(4.5)
y covarianza
x k +1 = x k + u k
(4.6)
x (k + 1 | k ) = x (k | k ) + u k
166
(4.7)
Apuntes de Automtica II
donde x (k + 1 | k ) denota al estado estimado para el instante k+1 usando las medidas hasta
yk, las cuales han permitido estimar x (k | k ) .
Supngase que una vez realizada la medida yk+1 es posible mejorar la estima del vector
de estados para dicho instante k+1. Considrese que dicha estima x (k + 1 | k + 1) tiene la
estructura caracterstica de un observador de estados:
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
(4.8)
K ke+1 [ y k +1 C x (k + 1 | k )]
(4.9)
~
x (k + 1 | k ) = x k +1 x (k + 1 | k )
(4.10)
Como E[x(0)]=m0, el valor medio del error de reconstruccin es cero para todos los
instantes k0 independientemente de Ke si E[ x (0)] = m0 . Luego su varianza es:
P (k + 1 | k ) cov[ ~
x (k + 1 | k )] = E[ ~
x (k + 1 | k )~
x T (k + 1 | k )]
(4.11)
De forma anloga el error de reconstruccin del estado en el instante k+1 usando las
medidas obtenidas hasta el instante k+1 es
167
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k + 1)
(4.12)
y su varianza
P (k + 1 | k + 1) cov[ ~
x (k + 1 | k + 1)] = E[ ~
x (k + 1 | k + 1)~
x T (k + 1 | k + 1)]
(4.13)
x (k + 1 | k ) = x (k | k ) + u k
(4.14)
P (k + 1 | k ) = P(k | k ) T + R1
(4.15)
(4.16)
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
(4.17)
P (k + 1 | k + 1) = P (k + 1 | k ) K ke+1 C P(k + 1 | k )
(4.18)
~
x (k + 1 | k ) = (x(k ) + u k + v k ) (x (k | k ) + u k ) = ~
x (k | k ) + v k
168
(d.1)
Apuntes de Automtica II
P (k + 1 | k ) = E[(~
x (k | k ) + v k )(~
x (k | k ) + v k ) T ]
= E[(~
x (k | k ) + v )( ~
x T (k | k ) T + v T )]
k
= E[~
x (k | k )~
x T (k | k ) T ] + E[~
x (k | k )v kT ] + E[v k ~
x T (k | k ) T ] + E[v k v kT ]
Teniendo en cuenta que vk y
~
x (k | k ) son independientes, que E[v k v kT ] = R1 y que
P(k | k ) = E[ ~
x (k | k )~
x (k | k ) T ] la ecuacin anterior toma la forma de la ecuacin (4.15)
P (k + 1 | k ) = P(k | k ) T + R1
b) Obtencin de (4.16) y (4.18)
Sustituyendo (4.8) en (4.12) se obtiene
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
Sustituyendo en esta ecuacin el valor de yk+1 dado por (4.1) se tiene
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k ) K ke+1 [C x k +1 + ek +1 C x (k + 1 | k )]
Considerando la definicin del error de reconstruccin la ecuacin anterior se puede expresar como
~
x (k + 1 | k + 1) = ~
x (k + 1 | k ) K ke+1 [C ~
x (k + 1 | k ) + ek +1 ]
Desarrollando el producto
~
x (k + 1 | k + 1) = ~
x (k + 1 | k ) K ke+1 C ~
x (k + 1 | k ) K ke+1 ek +1
Y sacando factor comn se obtiene
~
x (k + 1 | k + 1) = [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1
(d.2)
~
x (k + 1 | k + 1) = [ I K ke+1 C ]~
x (k | k ) + [ I K ke+1 C ]v k K ke+1 ek +1
Tomando valores medios en esta ecuacin
E [~
x (k + 1 | k + 1)] = [ I K ke+1 C ]E [~
x (k | k )] + [ I K ke+1 C ]E [v k ] K ke+1 E [ek +1 ]
169
E [~
x (k + 1 | k + 1)] = [ I K ke+1 C ]E [~
x (k | k )]
(d.3)
E [~
x (k + 1 | k )] = E [~
x (k | k )]
(d.4)
Luego si el valor medio de la estima inicial E[x (0)] coincide con el valor medio del estado inicial
E[ x(0)] = m0 entonces de las ecuaciones (d.3) y (d.4) se deduce que el valor medio del error de
reconstruccin es cero para todo k0 independientemente del valor de la ganancia K
ya que
E[ ~
x (0)] = 0 .
Sustituyendo (d.2) en (4.13) se tiene:
[(
)(
P (k + 1 | k + 1) = E [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1 [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1
T
= E [ I K e C ]~
x (k + 1 | k ) K e e ~
x T (k + 1 | k )[ I K e C ]T e T K e
=
[(
k +1
k +1
k +1
)(
k +1
k +1
k +1
)]
]=
T
= E [ I K ke+1 C ]~
x (k + 1 | k )~
x T (k + 1 | k )[ I K ke+1 C ]T ] E [ I K ke+1 C ]~
x (k + 1 | k )ekT+1 K ke+1 ] +
T
E K ke+1 ek +1 ~
x T (k + 1 | k )[ I K ke+1 C ]T + E K ke+1 ek +1 ekT+1 K ke+1
(
](
P(k + 1 | k + 1) = E [ I K ke+1 C ]~
x (k + 1 | k )~
x T (k + 1 | k )[ I K ke+1 C ]T + E K ke+1 ek +1 ekT+1 K ke+1
= [ I K ke+1 C ]E ~
x (k + 1 | k )~
x T (k + 1 | k ) [ I K ke+1 C ]T + K ke+1 E ek +1 ekT+1 K ke+1
)
)
]=
(d.4)
Esta ecuacin (d.4) junto con la (4.15) son unas ecuaciones recursivas que con la condicin inicial
P(0)=R0, permiten conocer la evolucin de la covarianza del error de estimacin sin necesidad de ver
evolucionar el sistema, ya que estas ecuaciones dependen de , , C, R0, R1, R2 y las ganancias Ke.
Adems de estas ecuaciones se deduce que si P(k|k) es semidefinida positiva, tambin lo son
P(k+1|k) y P(k+1|k+1).
170
Apuntes de Automtica II
Por otra parte, se va a suponer que el criterio para determinar Ke es que se minimice la covarianza
del error de estimacin una vez que se ha obtenido la medida asociada a dicho estado, o de forma
equivalente, que se minimice el escalar:
P(k + 1 | k + 1) T
donde es un vector arbitrario. Se ha elegido minimizar P(k+1|k+1) en lugar de P(k+1|k) porque esta
ltima no depende de Ke y adems la mejor estima que se puede obtener es la asociada a la propia
medida en k+1. Para abreviar las expresiones se va a usar la siguiente notacin P=P(k+1|k)
P(k + 1 | k + 1) T = [P PC T ( R2 + C PC T ) 1 C P ] T +
][
][
+ K ke+1 PC T ( R2 + C PC T ) 1 R2 + C PC T K ke+1 PC T ( R2 + C PC T ) 1 T
que se puede comprobar operando que es igual a la ecuacin anterior. Ahora la ecuacin est
e
Con lo que
P (k + 1 | k + 1) = P (k + 1 | k ) K ke+1 C P(k + 1 | k )
Que son precisamente las ecuaciones (4.16) y (4.18), respectivamente.
171
P = [ P PC T ( R2 + C PC T ) 1 C P ] T + R1
K e = PC T R2 + C PC T
(4.19)
(4.20)
Ejemplo 4.1:
Considrese el siguiente sistema escalar:
x k +1 = x k
y k = x k + ek
donde ek tiene una desviacin estndar y x(0) tiene valor medio m0=-2 y varianza R0=0.5. Se tiene
por tanto un estado que es constante y se desea reconstruirlo a partir de unas medidas que estn
afectadas de ruido.
En este ejemplo =1, =0 y C=1. Adems como no existe ruido sobre los estados R1=0. De acuerdo
con el Cuadro 7.1 el filtro de Kalman viene dado por:
x (k + 1 | k ) = x (k | k ) = x (k )
P (k + 1 | k ) = P (k | k ) = P (k )
K ke+1 =
P(k )
+ P(k )
2
x (k + 1) = x (k ) = x (k ) + K ke+1 [ y k +1 x (k )]
172
Apuntes de Automtica II
P (k + 1 | k + 1) = P(k + 1) =
2 P ( k )
2 + P(k )
La varianza P(k+1) y la ganancia K k +1 disminuyen con el tiempo. La Figura 4.1 muestra unas
e
realizaciones del error de estimacin cuando se usan ganancias K con un valor constante y cuando
se emplea la ganancia ptima dada por el filtro de Kalman. Se observa que una gran ganancia fija da
una disminucin del error muy rpida, sin embargo la varianza en el estado estacionario es grande.
Por el contrario una ganancia fija de valor pequeo da una disminucin lenta del error pero un mejor
comportamiento de la varianza en el estado estacionario. Se observa tambin que el mejor
comportamiento se obtiene con la ganancia ptima que proporciona el filtro de Kalman.
Figura 4.1. Error de estimacin del sistema del ejemplo 4.1 cuando x0=-2, =1 y cuando se tiene: a)
P2
P = P 2
+ P
173
Ke =
P
+P
2
174
TEMA 5
IDENTIFICACIN DE SISTEMAS
5.1 INTRODUCCIN
La obtencin de modelos matemticos de sistemas dinmicos tiene una gran
importancia en muchas reas de la ciencia y de la ingeniera. Existen dos mtodos
fundamentales de obtencin de estos modelos: la modelizacin matemtica y la
identificacin de sistemas.
En la modelizacin matemtica se utilizan leyes fsicas, qumicas, econmicas, etc, para
describir la dinmica de un proceso o fenmeno. En la identificacin de sistemas se somete
al sistema a una serie de experimentos y se registran los datos de entrada y salida.
Posteriormente, se escoge la estructura de un modelo y se ajustan sus parmetros con los
datos experimentales medidos.
Ambas formas de modelizacin no se deben ver como separadas o excluyentes. En
muchos casos los procesos son tan complejos que no es posible obtener un modelo usando
nicamente principios fsicos. En tal caso se requiere el uso de tcnicas de identificacin. No
obstante para la eleccin de estas tcnicas es importante todo el conocimiento fsico previo
que se tenga de la planta. Tambin puede ocurrir que se obtenga un modelo a partir del
anlisis fsico de la planta pero existan parmetros que no se conozcan y que puedan ser
estimados mediante identificacin. La diferencia fundamental entre ambos mtodos viene
dada por las siguientes caractersticas de los mtodos de identificacin:
Tienen una validez limitada por el proceso, el punto de operacin, el tipo de entrada
elegido, etc.
Los parmetros del modelo no suelen tener una interpretacin fsica directa.
Son relativamente sencillos de construir y usar.
175
Conocimiento
a priori
Es necesario el
filtrado de los
datos?
Tratamiento y presentacin
de los datos
Ajuste del modelo
a los datos (Calibracin)
Eleccin de la
estructura del
modelo
Datos no
vlidos
Diseo del
experimento y
Registro de los datos
Estructura del
modelo no vlida
NO
Se puede aceptar
el modelo?
SI
Adems, en el diseo del experimento hay que seleccionar, entre otros aspectos, la
seal de entrada (tipo, espectro y amplitud), el periodo de muestreo y la duracin del
experimento (nmero de medidas)
Una vez realizado el experimento los datos de entrada y salida registrados deben ser
tratados matemticamente para eliminarles los valores medios y filtrar (si existen) las
perturbaciones de baja y alta frecuencia, as como el ruido de medida de los sensores.
Normalmente los datos experimentales se dividen en dos partes de igual tamao, una parte
se utiliza para identificar el modelo (datos para identificacin) y otra parte para validarlo
(datos para validacin). Sino se procediese de esta forma se obtendran modelos
virtualmente muy buenos pero que en realidad son poco representativos del sistema.
176
Apuntes de Automtica II
e(t)
u(t)
Sistema
y(t)
177
y (t ) = G ( q )u(t ) + v(t )
(5.1)
G ( q ) = g ( k )q k
(5.2)
k =1
q 1 u(t ) = u(t 1)
(5.3)
G (e i )
(5.4)
Por otra parte, en (5.1) el trmino v(t) es una perturbacin estocstica no medible
(ruido). Sus propiedades pueden ser expresadas mediante su espectro de potencia
v ( )
(5.5)
R ( )e
i t
(5.6)
Rv ( ) = E[ v(t )v(t )]
(5.7)
v ( ) =
178
Apuntes de Automtica II
v(t ) = H ( q )e(t )
(5.8)
v ( ) = H ( e i )
(5.9)
y (t ) = G ( q )u(t ) + H ( q )e(t )
(5.10)
Esta ecuacin da la descripcin en el dominio temporal del sistema mientras que G(ei)
y v() constituyen su descripcin en el dominio frecuencial.
La respuesta a un impulso G(q) y la descripcin en el dominio de la frecuencia G(ei) y
v() constituyen una descripcin del sistema mediante modelos no paramtricos puesto
que dichos modelos no estn definidas en trminos de un nmero finito de parmetros.
A( q ) y (t ) = B( q )u(t nk ) + e(t )
(5.11)
con
A( q ) = 1 + a1 q 1 + ... + a na q na
B( q ) = b1 + b2 q 1 + ... + bnb q nb +1
(5.12)
179
y (t ) = q nk
B( q )
1
u(t ) +
e(t )
A( q )
A( q )
(5.13)
G ( q ) = q nk
B( q )
A( q )
H (q) =
1
A( q )
(5.14)
A( q ) y (t ) = B( q )u(t nk ) + C ( q )e(t )
(5.15)
con
C ( q ) = 1 + c1 q 1 + ... + c nc q nc
(5.16)
y (t ) =
B( q )
u(t nk ) + e(t )
F (q)
(5.17)
con
F ( q ) = 1 + f 1 q 1 + ... + f nf q nf
(5.18)
y (t ) =
180
B( q )
C(q)
u(t nk ) +
e(t )
F (q)
D( q )
(5.19)
Apuntes de Automtica II
con
D( q ) = 1 + d 1 q 1 + ... + d nd q nd
(5.20)
Todos estos tipos de modelos son casos especiales del modelo paramtrico general
A(q ) y (t ) =
B(q)
C (q)
u (t nk ) +
e(t )
F (q)
D(q)
(5.21)
Considrese el sistema descrito por la ecuacin (5.1). Supngase que la entrada u(t) es
ruido blanco por lo que su funcin de covarianza es:
Ru ( ) = E[u(t + )u(t )] =
0
si = 0
si 0
R yu ( ) = E[ y (t + )u(t )] = g ( )
donde g() es la respuesta a un impulso del sistema. En este caso, dicha respuesta puede
ser fcilmente estimada usando los datos de entrada-salida medidos:
g ( ) =
1 N
y (t + )u(t )
N t =1
(5.22)
Si la entrada u(t) no es ruido blanco, se puede determinar un filtro de blanqueo L(q) tal
la secuencia fltrada
u F (t ) = L( q )u(t )
(5.23)
181
Si se filtra la seal de entrada a travs de L(q), entonces tambin hay que filtrar la
secuencia de salida
y F (t ) = L( q ) y (t )
(5.24)
De esta forma la estima de la respuesta a un impulso se realiza con los datos filtrados
g ( ) =
1 N
y (t + )u F (t )
N t =1 F
(5.25)
Puesto que la decisin de blanquear las secuencias se realiza tras estudiar la funcin
de correlacin de la entrada, a este procedimiento de obtencin de la estima de la respuesta
a un impulso tambin se le conoce como anlisis de correlacin. Otra forma de obtener la
estima de la respuesta a un impulso es usando un modelo FIR.
Si se conoce la estima de la respuesta a un impulso es posible calcular la estima de la
respuesta a un escaln mediante la realizacin de una suma acumulativa.
Ejemplo 5.1:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.3 se muestra la respuesta estimada a un
impulso y a un escaln. La secuencia de comandos de Matlab necesaria para obtener estas figuras
es la siguiente:
load dryer2
z2=[y2(1:300) u2(1:300)];
zv=[y2(500:900) u2(500:900)];
z2=dtrend(z2);
% Respuesta a un impulso
ir=cra(z2);
pause;
% Respuesta a un escaln
stepr=cumsum(ir);
plot(stepr,'o')
xlabel('\tau')
De estas figuras se puede extraer informacin relativa al retardo del sistema, el tipo de respuesta y la
ganancia estacionaria. En la respuesta estimada a un impulso se observa que el sistema presenta un
retardo entre tres y cuatro muestras (se debe considerar tambin la primera muestra que sobrepasa
el nivel de confianza del 99.7%). En la respuesta estimada a un escaln se confirma la existencia de
este retardo y se deduce adems que la respuesta del sistema es sobreamortiguada con un valor
aproximado de la ganancia en el estacionario de 0.88.
182
Apuntes de Automtica II
0.14
0.9
0.12
0.8
0.1
0.7
0.08
0.6
0.06
0.5
0.04
0.4
0.02
0.3
0.2
-0.02
0.1
-0.04
-0.06
10
12
14
16
18
-0.1
20
10
(a)
(b)
12
14
16
18
20
Considrese el sistema dado por (5.1) y supngase que la entrada u(t) es independiente
de la perturbacin v(t), entonces el espectro de potencia la salida es
2
y ( ) = G ( e i ) u ( ) + v ( )
(5.26)
yu ( ) = G ( e i ) u ( )
(5.27)
1 N
R y ( ) = y (t + ) y (t )
N t =1
(3.28)
1 N
R yu ( ) = y (t + )u(t )
N t =1
(3.29)
183
1 N
R u ( ) = u(t + )u(t )
N t =1
(3.30)
( ) =
= M
( ) =
yu
( ) =
( )WM ( )e i
= M
yu
( )WM ( )e i
R ( )W
= M
( )e i
(3.31)
(3.32)
(3.33)
yu ( )
G N (e i ) = )
u ( )
)
2
yu ( )
)
)
v ( ) = y ( ) )
u ( )
(3.34)
(3.35)
184
Apuntes de Automtica II
zv=[y2(500:900) u2(500:900)];
z2=dtrend(z2);
[gspa,phi]=spa(z2,[],[],0.08);
bodeplot(gspa);
pause;
bodeplot(phi);
En la representacin de la estima de la respuesta de la frecuencia se observa que el sistema
presenta un comportamiento de filtro pasa-baja. Tambin se deduce que el sistema presenta un
comportamiento atenuador ya que la magnitud se encuentra por debajo de la lnea de 0 dB. Adems
se observa que aumenta el desfase conforme aumenta la frecuencia.
En la representacin del espectro del ruido se observa que a bajas frecuencias presenta una
magnitud constante y que a partir de 0.2 rad/s comienza a disminuir. Por lo que en dicho rango podra
asemejarse al espectro de un ruido blanco. La parte final del espectro es oscilante y generalmente
est asociada a errores en la estima por lo que no se considera.
0
10
Magnitud
10
1
10
10
-1
10
10
10
10
10
-2
10
100
Fase
10
200
-3
300
10
400
500
600 2
10
-4
10
10
10
(rad/sec)
10
-2
10
(a)
-1
10
(rad/s)
10
10
(b)
Figura 5.4: Representacin de la estima de la funcin de la frecuencia (a) y del espectro del ruido (b).
y ( t ) = G ( q ) u( t ) + H ( q ) e( t )
(5.36)
185
donde G(q) modela la dinmica determinista del sistema y H(q) la parte estocstica. La
secuencia {e(t)} representa una seal de ruido blanco de media nula.
De la observacin de los datos {u (t )}, {y (t )} se pueden calcular valores (t) para e(t),
denominados errores de prediccin, en la forma
( t ) = H 1 ( q ) y ( t ) G ( q ) u( t )
(5.37)
Para unos valores de y(.), u(.) dados, estos errores son funcin del modelo utilizado,
esto es de G y H. Los mtodos de estimacin paramtrica denominados de error de
prediccin estiman G y H de manera que se minimice la siguiente funcin de coste:
N
V N (G , H ) = 2 ( t )
(5.38)
t =1
(5.39)
y (t ) = T0 (t ) = T (t ) 0
donde 0 es el vector de parmetros del sistema
186
(5.40)
Apuntes de Automtica II
y (t 1)
y (t n)
(t ) =
u (t 1)
u (t n)
Supngase que en un experimento para determinar los parmetros del modelo
( a1 ... an b1 ... bn ) se aplica la secuencia de entrada {u (1) u ( 2) ... u (t )} y se observa la siguiente
secuencia en la seal de salida
{( y(i ), (i )) i = 1,..., t}
(5.41)
Se desea determinar una estima del vector de parmetros del proceso 0 de tal forma
que las salidas del proceso estimadas por el siguiente modelo denominado regresin lineal:
)
y (t ) = T (t )
(5.42)
se ajusten lo mejor posible a las salidas medidas experimentalmente para el sistema real
(5.36).
De acuerdo con (5.42) se tienen t medidas, con lo que es posible estimar t salidas:
i =1
)
y (1) = T (1)
i=2
.
.
y (2) = T (2)
i=t
)
y (t ) = T (t )
)
Y =
o equivalentemente como:
187
)
y (1) y (0)
.
=
.
)
y (t ) y (t 1)
. .
u (0)
. .
y (t n) u (t 1)
)
a1
0
)
a n
)
b1
u (t n)
)
bn
(i ) = y (i ) y (i ) = y (i ) T (i )
Al igual que para las medidas y los vectores de regresin, los errores se agrupan en un
vector:
(1)
.
)
= Y Y = Y
E=
.
(t )
donde E es un vector error de dimensin t x 1. A los errores (.) se les denomina residuos.
Para determinar se usa la siguiente funcin de coste o ponderacin (Gauss, siglo
XVIII)
1 t
1
1
V ( , t ) = (i ) 2 = E T E = E
2 i =1
2
2
188
2
2
Apuntes de Automtica II
V () = min (V ( ))
A dicho vector se le denomina estima de mnimos cuadrados. Y verifica la denomina
como ecuacin normal:
)
( T ) = T Y
(5.43)
)
= ( T ) 1 T Y
(5.44)
Es decir, se requiere que (T) sea invertible para ello debe poseer rango completo.
Esta ecuacin puede tambin escribirse en la forma:
1
)
t
t
(t ) = (i ) T (i ) (i ) y (i ) = P (t ) (i ) y (i )
i =1
i =1
i =1
(5.45)
y (t ) = T (t ) 0 + e(t )
Supuesto que e(t) es una variable estocstica de media nula y varianza 2 entonces la
estima de 0 verifica:
1) Es una estima no polarizada, es decir, es independiente del ruido e(t) o de
cualquiera de sus parmetros estadsticos.
2) Su matriz de covarianza es 2 T
= 2 P
189
Ejemplo 5.3:
Se supone que el proceso a identificar es una constante ms un ruido aleatorio e(t) de varianza 2:
y (t ) = b0 + e(t )
(e1)
y (t ) = b
En este caso
(e2)
)
y (1) = 1b
y (2) = 1b
.
.
i=t
)
y (t ) = 1b
Luego
1
1
1
1
= b = = b
Y
1
1
tx1
Adems
t
i =1
i =1
(i) T (i) = 1 = t
t
i =1
i =1
)
1 t
1 t
1 t
(t ) = b = y (i ) = [b0 + e(i )] = b0 + [e(i )]
t i =1
t i =1
t i =1
190
(e3)
Apuntes de Automtica II
Si t
)
(t ) = b = b0 + E[ e(t )]
Se observa que la estima esta polarizada por el valor medio del ruido. Por tanto, el valor estimado
tiende al valor real b0 si el ruido sobre la medida es de media nula.
La varianza de la estima es:
2
var b = Eb ( Eb)
2
1 1 t
Ee(i ) 2
t t i = 1
1 t
1 t
= b + 2b 0 E e(i ) + E e(i ) b 02
t i =1
t i =1
2
0
1
=
t
Ejemplo 5.4:
El proceso a identificar es:
y (t ) = a 0 y (t 1) + b0 u (t 1) + e(t ) + c 0 e(t 1)
(e4)
donde e(t) es ruido aleatorio de varianza 2 y u(t) es una entrada aleatoria de varianza 2 y media
nula.
El modelo que se considera para la identificacin es:
y (t ) = ay (t 1) + bu (t 1)
(e5)
En este caso:
T (t ) = [ y (t 1) u (t 1)], =
b
Para construir la ecuacin normal (5.45) hay que hacer las siguientes multiplicaciones de matrices
191
y (1 1)
y (1 1) y (i 1) y (t 1)
T
=
y (i 1)
u (1 1) u (i 1) u (t 1)
y (t 1)
u (1 1)
u (i 1)
u (t 1) tx1
y (1)
y (1 1) y (i 1) y (t 1)
T Y =
y
(
i
)
u (1 1) u (i 1) u (t 1)
y (t )
tx1
que se pueden expresar en la forma:
t
t
y
i
y (i 1)u (i 1)
(
1
)
i =1
T = t i =1
t
2
y (i 1)u (i 1)
u (i 1)
i =1
i =1
y (i ) y (i 1)
T Y = ti =1
y (i )u (i 1)
i =1
Luego la ecuacin normal es:
t
t
2
y
(
i
1
)
y
(
i
1
)
u
(
i
1
)
a y (i ) y (i 1)
i =1
t i =1
= ti =1
t
b
2
y (i 1)u (i 1)
u (i 1)
y (i )u (i 1)
i =1
i =1
i =1
1 t 2
1 t
x (i 1) x 2 (i )
t i =1
t i =1
la ecuacin normal se puede expresar en la forma:
192
Apuntes de Automtica II
1 t
1 t 2
1 t
y (i) y (i 1)
y
(
i
)
y
(
i
)
u
(
i
)
a
t i =1
t i =1
i =1
t
t
t
1
1
1
b
2
y (i)u (i)
u (i)
y (i )u (i 1)
t
t
t
i =1
i =1
i =1
Resolviendo el sistema se obtendran las estima de mnimos cuadrados de los parmetros a y b:
t
t
t
t
u 2 (i 1) y (i ) y (i 1) + y (i 1)u(i 1) y (i )u(i 1)
i =1
i =1
i =1
a = i =1
2
t
t
t
y 2 (i 1) u 2 (i 1) y (i 1)u(i 1)
i =1
i =1
i =1
t
t
t
t
y (i 1)u(i 1) y (i ) y (i 1) + y 2 (i 1) y (i )u(i 1)
i =1
i =1
i =1
b = i =1
2
t
t
t
y 2 (i 1) u 2 (i 1) y (i 1)u(i 1)
i =1
i =1
i =1
E[ y 2 (t )]
E[ y (t )u (t )] a E[ y (t ) y (t 1)]
E[u 2 (t )] b E[ y (t )u (t 1)]
E[ y (t )u (t )]
(e6)
Hay que calcular los valores esperados de diferentes magnitudes. Como la entrada u y el ruido e son
independientes se cumple:
E[e(i ) 2 ] = 2
E[u (i ) 2 ] = 2
Adems como el valor el valor pasado de la salida y es independiente del valor actual de e o de u, se
cumple:
E[ y (t 1)u (t )] = 0
E[ y (t 1)e(t )] = 0
193
(e.7)
E[ y (t 1) 2 ] E[ y (t ) 2 ]
E[u (t 1) 2 ] E[u (t ) 2 ] = 2
E[e(t 1) 2 ] E[e(t ) 2 ] = 2
entonces la ecuacin (e.7) toma la forma
E[ y (t ) 2 ] = a 02 E[ y (t ) 2 ] 2a 0 c 0 2 + b02 2 + 2 + c 02 2
2
194
Apuntes de Automtica II
E[ y 2 (t )] =
b02 2 + (1 + c02 2a 0 c0 ) 2
1 a02
a 0 b02 2 + (c 0 a 0 )(1 a 0 c 0 ) 2
1 a 02
b02 2 + (1 + c02 2a 0 c0 ) 2
1 a02
a0 b02 2 (c 0 a 0 )(1 a 0 c0 ) 2
0 a
=
1 a 02
b
b0 2
2
a = a0 +
c0 (1 a 02 ) 2
b02 2 + (1 + c02 2a 0 c0 ) 2
(e8)
b = b0
Se observa que la estima a del parmetro a0 est polarizada.
Si el sistema no tiene ruido correlacionado (c0=0) la estima de los parmetros coincide con el valor
real. Sin embargo, si el ruido est correlacionado no se puede estimar bien el parmetro a0, se dice
que la estima est polarizada. En este caso no importa cuantas medidas se tomen ya que siempre se
obtendr una medida polarizada.
195
Por otro parte, si la relacin seal- ruido (2/2) aumenta, disminuye la polarizacin en la estima a.
2
c
(
1
a
)
0
0
=a ,
a = a 0 lim
0
2
2
2
2
2
b
+
(
1
+
c
2
a
c
)
0 2
0
0 0
En un sistema con a0 = 0. 8, b0 = 1, c0 = 0. 8,
A( q ) y ( t ) = B ( q ) u ( t ) + C ( q ) e ( t )
(5.46)
O equivalentemente
(5.47)
C ( q )( y ( t ) e( t )) = B ( q ) u( t ) + ( C ( q ) A( q )) y ( t )
Si se representa al error de prediccin del modelo por
y (t ) = y (t ) e(t )
Entonces se tiene
y (t ) = B(q )
u (t )
C (q)
+ [C (q ) A(q )]
y (t )
C (q )
(5.48)
Esta expresin indica que la prediccin se obtiene filtrando las seales u(.) e y(.) por
C(q). Esta ecuacin se puede expresar tambin como
196
Apuntes de Automtica II
(5.49)
Los valores
y (t ) y (t ) = (t )
(5.50)
dan los errores de prediccin. Estos valores no tienen porque coincidir con e(t) ya que el
filtrado de las seales u(.), y(.) para estimar y (.) comenzando en t=0, necesita conocer los
valores
y (0), y (1), ..., y (n + 1), y (0), y (1), ..., y ( n + 1), u (0), u (1), ..., u ( n + 1)
Si estos valores no se conocen, se pueden tomar como ceros, en cuyo caso la
prediccin difiere de e por un cierto error que decrece como C t siendo el cero de
mayor magnitud de C(q).
Se debe expresar por tanto (5.50) en la forma de la ecuacin de regresin lineal.
y (t ) = ' (t )
(5.51)
(5.52)
(t ) = y (t ) y (t ) = y (t ) ' (t ) (t 1)
Este mtodo se puede considerar que se obtiene de minimizar la funcin de coste
V (, t ) =
1 t 2
(i )
2 i =1
197
(t ) [ y (t ) ' (t ) ]
=
= (t )
M n ( z ) = m1 z 1 + ... + mn z n
la relacin
2
M n ( e j ) u ( ) = 0
implica que
M n (e j ) 0
En conclusin, una entrada u(t) es de EP de orden n si su espectro u() es distinto de
cero en al menos n puntos del intervalo -< <.
En general si se desea identificar un sistema de N parmetros se debe excitar con una
entrada de EP de grado n N. Si la seal de entrada fuese de EP de grado n < N no estara
excitando suficientemente al sistema para identificar todos sus parmetros.
Asimismo, para un sistema dinmico con ruido no correlacionado la estima es
consistente ( 0 , t ) si la seal de entrada es de EP de grado N, es decir, coincide
con el nmero de parmetros que posee el modelo.
Una entrada escaln es una seal de EP de grado 1. Con este tipo de entradas
nicamente se puede determinar un nico parmetro: la ganancia esttica del sistema. Este
valor corresponde al comportamiento del sistema a frecuencia cero ( =0).
198
Apuntes de Automtica II
Ejemplo 5.5:
Considrese el ejemplo 5.4 de un sistema de primer orden en el que la entrada u(t) es una seal
escaln de amplitud . En el estado estacionario la ganancia esttica del sistema es:
S=
b0
1 + a0
(e11)
Luego
y = S u
Y por tanto:
E[u (t )] =
E[ y (t )] = S
En consecuencia las ecuaciones (e7) toman la forma:
(1 + c 02 2a 0 c 0 ) 2
Ey (t ) = S +
2
1 a 02
Ey (t )u (t ) = S 2 ,
Eu 2 (t ) = 2 ,
(e12)
Ey (t ) y (t 1) = S +
2
(c 0 a 0 )(1 a 0 c 0 ) 2
1 a 02
Ey (t )u (t 1) = S 2
Con lo que finalmente resolviendo la ecuacin normal se llega a
c0 (1 a02 )
a = a0
1 + c02 2a0 c0
1 a0
b = b0 b0 c0
1 + c02 2a0 c0
(e13)
Se observa, que las estimas son distintas de los valores reales, es decir, estn polarizadas. Adems,
son independientes del valor de la amplitud de la seal de entrada.
Si no existiera ruido correlacionado sobre el sistema, entonces c0 = 0 , y se obtendra
199
a = a0
b = b0
Si, por ejemplo c0 = a0 , entonces
a=0
b=
b0
1 + a0
b
b
= 0
1 + a 1 + a0
Es decir la ganancia esttica se determina perfectamente.
En el caso de que no haya ningn ruido actuando sobre el proceso, esto es
2 = 0,
entonces la
S2
b
=S
1+ a
En conclusin, con una entrada constante (EP de orden 1), y sin otro tipo de excitacin, slo se
puede determinar perfectamente un parmetro, la ganancia esttica de la planta.
De acuerdo con esta definicin para el sistema de primer orden del Ejemplo 5.2 se obtiene una
estima consistente ( 0 , t ) si la seal de entrada es de EP de orden 2.
Una sinusoide es una seal de EP de grado 2, con esta entrada se puede determinar la
respuesta de un sistema a una determinada frecuencia, es decir, la amplitud con que se
modifica la seal al pasar por el sistema y el desfase que se introduce. Por lo tanto, una
seal formada por la suma de m sinusoides es de EP de orden 2m.
200
Apuntes de Automtica II
Una seal suma de sinusoides puede expresarse, por ejemplo, de la siguiente forma:
ns
us ( k ) = 2 i cos(i k T + i )
(5.53)
i =1
i =1
=1
Por otra parte, es un factor de escala para asegurar que la amplitud de la seal se
encuentra entre los valores usat
La frecuencia y el desfase de cada componente sinusoidal se calculan a travs de las
siguientes expresiones:
i =
2 i
N s T
i = 2 j j
(5.54)
j =1
201
i 0
i = 0
* =
2
N s T
Figura 5.5: Espectro de potencia de una seal suma de sinusoides diseada como filtro pasa-baja.
5.3.1.3 Seal RBS
Una seal binaria aleatoria o seal RBS discreta es una seal que conmuta con una
probabilidad p entre dos valores a y a en instantes de tiempo equiespaciados t=hTsw
h=0,1,2, y Tsw el periodo de conmutacin. En la Figura 5.6 se muestra una posible
realizacin de una seal RBS y su espectro de potencia.
Figura 5.6: Realizacin y espectro de potencia de una seal RBS. 300 muestras tomadas con periodo
de muestreo unidad, Tsw=1, a=1 y p=0.5.
202
Apuntes de Automtica II
La expresin asinttica del espectro de una seal RBS con p=0.5 es:
sin 2 (Tsw / 2)
u ( ) = a Tsw
(Tsw / 2) 2
2
(5.55)
En la Figura 5.7 se muestra el espectro de potencia general de una seal RBS con
p=0.5, se observa que es prcticamente constante en el rango de frecuencias comprendido
entre [*,*] y que comienza a disminuir con oscilaciones para >*.
Figura 5.7: Espectro de potencia asinttico de una seal RBS con p=0.5
5.3.1.4 Seal PRBS
Una seal PRBS es una entrada peridica y determinista que se puede generar
utilizando registros de desplazamiento y algebra Boolena. Una seal PRBS posee las
siguientes propiedades:
Tiene dos niveles a y puede cambiar de uno a otro slo en ciertos intervalos de
tiempo t=0,Tsw , 2 Tsw, 3 Tsw..... A Tsw se le conoce como tiempo de reloj o de
conmutacin.
203
Las seales PRBS ms utilizadas son las que se basan en secuencias de longitud
mximas, para las cuales N=2n-1 siendo n un entero asociado al nmero de
registros de desplazamiento.
Figura 5.9: Representacin temporal y espectro de potencia de una seal PRBS. Periodo de
muestreo unidad, Tsw=3, a=1 y n=4. La duracin de un ciclo es de 45 minutos
204
Apuntes de Automtica II
Tsw
sin
2
a ( N + 1)Tsw 2
u ( ) =
N
Tsw
2
* =
2
2.8
= *
N Tsw
Tsw
Si se compara una seal PRBS con una seal RBS se observa que desde el punto de
vista frecuencial, el espectro de una seal PRBS es muy parecido al de una seal RBS.
Tambin desde el punto de vista temporal una seal RBS y de una seal PRBS son muy
parecidas, slo si se tiene un registro de muestras suficientemente grande se podr apreciar
el carcter peridico de una seal PRBS que le distingue en el tiempo de una seal RBS.
205
La principal diferencia entre ambos tipos de seales es que una seal PRBS es
determinista y por lo tanto reproducible experimentalmente, por eso siempre es preferible
utilizar una seal PRBS a una seal RBS.
5.3.1.5 Amplitud de la seal de entrada
206
Apuntes de Automtica II
G ( s) =
K (1 + T4 s)e Td s
(1 + T1s)(1 + T2 s)(1 + T3 s)
K = 1; T1 = 10; T2 = 7; T3 = 3; T4 = 2; Td = 4
El modelo discreto equivalente que se obtiene considerando un periodo de muestreo T es:
G ( z ) = z nk
(b0 + b1 z 1 + b2 z 2 + b3 z 3 )
(1 + a1 z 1 + a2 z 2 + a3 z 3 )
La ganancia es
K=
b
1+ a
i
207
En la Tabla 5.1 se muestran los valores de los coeficientes de G(z) en funcin del periodo de
muestreo T.
Cuando el periodo de muestreo disminuye las magnitudes de los parmetros a se incrementa y la de
los parmetros b decrece. Por ello, para un periodo de muestreo pequeo, por ejemplo T=1 s, se
tiene
bi << ai
= 1 + ai << ai
Pequeos errores en los parmetros pueden tener una influencia significativa en el comportamiento
entrada-salida del modelo, ya que, por ejemplo, el valor de
16
a1
-2.48824
-1.49836
-0.83771
-0.30842
a2
2.05387
0.70409
0.19667
0.02200
a3
-0.56203
-0.09978
-0.00995
-0.00010
b0
0.06525
0.37590
b1
0.00462
0.06525
0.25598
0.32992
b2
0.00169
0.04793
-0.02850
0.00767
b3
-0.00273
-0.00750
-0.00074
-0.00001
bi
0.00358
0.10568
0.34899
0.71348
1+ai
0.00358
0.10568
0.34899
0.71348
a3 << 1 + ai
y b3 <<
208
Apuntes de Automtica II
B T 0.5 1
donde B es la anchura de banda del filtro.
El filtro debe tener ganancia constante y fase prxima a cero para valores bajos y
medios de frecuencias, para no distorsionar de forma innecesaria a la seal. Para altas
frecuencias la ganancia debe caer rpidamente. La eliminacin de las altas frecuencias en
la seal mejora la relacin seal ruido y por lo tanto permite una mejor identificacin del
sistema.
Debido a que el filtro previo tiene una cierta dinmica esta se incluye en el modelo que
se identifica (ver Figura 5.11).
209
{u(k)} D/A
Filtro
Analgico
Proceso
A/D
{y(k)}
Modelo
Figura 5.11: Diagrama de bloques que pone de manifiesto como el modelo que se identifica posee la
dinmica del proceso y la del filtro analgico.
u F (k ) = u F (k 1) + u (k ) u (k 1)
y F (k ) = y F (k 1) + y (k ) y (k 1)
donde
= e T /
donde la contante de tiempo del filtro. Adems u F (k ) e y F (k ) son las seales filtradas que
se utilizan en el algoritmo de identificacin. se debe elegir de manera que el filtro pasa alta
no elimine la menor frecuencia de la seal de entrada. Para seales PRBS con intervalo de
reloj y periodo N la constante de tiempo debe cumplir la relacin
>
{u(k)}
N
2
Proceso
Filtro
Pasa-alta
{uF (k)}
{y(k)}
Filtro
Pasa-alta
{yF (k)}
Se usan
para identificar
210
Apuntes de Automtica II
SPECTRUM output # 1
SPECTRUM output # 1
2.5
2.5
1.5
1.5
0.5
0.5
10
15
20
25
frequency (rad/sec)
30
35
40
(a)
10
15
20
25
frequency (rad/sec)
30
35
40
(b)
Figura 5.13: Representacin grfica del espectro de potencia estimado de las series temporales de
entrada (a) y salida (b).
Estas representaciones permiten visualizar las componentes de frecuencia existentes en la entrada y
la salida. Por lo que adems de identificar los armnicos dominantes de la seales se puede saber si
existen perturbaciones de baja frecuencia o de alta frecuencia y en consecuencia si es necesario
filtrar las seales. Tambin de estas representaciones es posible deducir el comportamiento del
sistema, es decir, si es pasa baja, pasa alta o pasa banda y si atena o amplifica la entrada.
211
Para este ejemplo de la representacin grfica del espectro de potencia estimado de las series
temporales de entrada y salida, se puede deducir que el sistema posee un comportamiento pasa baja
y que atena la entrada. Adems como no aparecen en la salida componentes a frecuencias distintas
de la excitadas por la entrada eso indica tambin que no existen perturbaciones ni de baja ni de alta
frecuencia.
y * ( t ) = m0 + m1t +... + mr t r
u* ( t ) = n0 + n1t +... + ns t s
Despus calcular los datos eliminando las tendencias
y (t ) = y (t ) y* (t )
u ( t ) = u( t ) u* ( t )
Es a estos datos a los que se aplica el algoritmo de identificacin.
Si los grados r y s son cero el procedimiento consiste simplemente en calcular los
valores medios de las seales
212
Apuntes de Automtica II
1
y =
N
*
u* =
1
N
y (t )
t =1
u(t )
t =1
y sustraerlos de las medidas. Con valores de r, s>0 se modela una deriva en los datos
(tendencia polinomial).
Ejemplo 5.8:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.14a se representan las series
temporales de la entrada y salida originales. Se observa que tanto la entrada como la salida
presentan un valor medio no nulo. En la Figura 5.14b se representan las mismas series temporales
pero con los valores medios eliminados.
La secuencia de comandos de Matlab necesaria para obtener estas figuras es la siguiente:
load dryer2
z2=[y2(1:300) u2(1:300)];
zv=[y2(500:900) u2(500:900)];
idplot([y2 u2], 1:500,0.08)
pause;
z2=dtrend(z2);
idplot(z2,[],0.08)
OUTPUT #1
OUTPUT #1
-1
10
15
20
25
30
35
40
-2
10
INPUT #1
15
20
25
15
20
25
INPUT #1
7
1
6
5
-1
0
10
15
20
25
30
35
40
(a)
10
(b)
Figura 5.14: Representacin grfica de las series temporales de entrada y salida: (a) Originales. (b)
Tras eliminar los valores medios.
Tambin se observa que la entrada es una seal RBS o PRBS y que no parece existir ruido de
medida ya que ni la entrada ni la salida poseen fluctuaciones pequeas y rpidas en sus valores
temporales.
213
A( q 1 ) y ( t ) = B ( q 1 ) u( t ) + e( t ) + m
donde m es un parmetro que tambin es estimado. Ahora
= 1 q 1
Se utiliza el modelo
A( q 1 ) y ( t ) = B ( q 1 ) u( t ) + e( t )
Como se ve, ahora en el algoritmo de identificacin se utilizan los datos diferenciados.
214
Apuntes de Automtica II
y (t ) = 0.5[ y (t 1) + y (t + 1)]
Otra posibilidad es tomar como valor y(t) el valor que predice
y (t ) = y (t t 1, )
La secuencia de valores obtenida haciendo las sustituciones anteriores se utiliza para
obtener un nuevo modelo.
Ejemplo 5.9:
En la Figura 5.15 se representan las series temporales de entrada y salida medidas para un cierto
sistema. Se observa que tanto la entrada como la salida presentan dos outliers.
OUTPUT #1
20
10
0
-10
-20
100
200
300
400
500
600
700
800
900
600
700
800
900
INPUT #1
3
2
1
0
-1
0
100
200
300
400
500
215
216
Apuntes de Automtica II
217
1+
FPE = min
d,
1
1
2
N (i, )
d N i=1
2d N 2
AIC = min 1 +
(i, )
d,
N i=1
2d
N
MDL = min 1 +
log( N ) 2 (i, )
d,
N
i=1
Ejemplo 5.10:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox IDENT de Matlab. En el Ejemplo 5.1 al realizar el anlisis de correlacin
se obtuvo que el retardo en el sistema que se desea identificar es es de 3 o 4 periodos de muestreo.
Para confirmar esta deduccin se van a estimar modelos ARX con las estructuras [na=2, nb=2,
nk=1:7]. De los siete modelos estimados se escoger aquel que presente el menor valor del criterio
de informacin de Akaike (AIC).
La secuencia de comandos de Matlab que permite realizar estas acciones es la siguiente:
load dryer2.mat
z2=[y2(1:300),u2(1:300)];
zv=[y2(500:900),u2(500:900)];
z2=dtrend(z2);
zv=dtrend(zv);
NN=struc(2,2,1:7);
v=arxstruc(z2,zv,NN);
seleccion=selstruc(v,'aic')
Se obtiene como resultado que
seleccion =
2
218
Apuntes de Automtica II
A =
0
0
0
0
0
0
0.0672
0.0021
1.0000
0
-0.9697
0.0566
0.0415
0.0746
0.0932
0.0346
0.0619
0.0045
0.0192
0.0044
0.0049
0.0040
219
220
Apuntes de Automtica II
1
0.5
0
-0.5
0.6
5
10
15
20
Correlacin cruzada entre los residuos y la entrada
25
0.4
0.2
0
-0.2
-30
-20
-10
10
20
30
Figura 5.16: Anlisis de los residuos del modelo ARX (3,4,3) estimado en el Ejemplo 5.10
221
1.5
0.5
0.5
1.5
arx343
Sistema
2
0
50
100
150
200
250
Tiempo (s)
300
350
400
450
Figura 5.17: Representacin de la respuesta temporal del modelo ARX (3,4,3) estimado en el Ejemplo
5.10 y de la salida medida experimentalmente.
0
Magnitud
10
10
10
10
10
10
10
arx343
spa
100
Fase
200
300
400
500
600 1
10
10
10
10
(rad/s)
Figura 5.18: Representacin de la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 5.10 y de la funcin de la frecuencia del sistema estimada en el Ejemplo 5.2.
En la Figura 5.18 se representan la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 5.10 y la funcin de la frecuencia del sistema estimada en el Ejemplo 5.2. Esta Figura se
puede obtener con los siguientes comandos de Matlab.
ffarx343=th2ff(arx_sel);
gspa=spa(z2,[],[],[],0.08);
bodeplot([ffarx343 gspa]);
legend('arx343','spa')
222
Apuntes de Automtica II
Se observa que la respuesta en frecuencia del modelo ARX (3,4,3) es bastante parecida a la funcin
de frecuencia estimada para el sistema, aunque discrepa ligeramente en cuanto al valor de la
ganancia a baja frecuencia y en su comportamiento de alta frecuencia.
Del estudio del comportamiento de entrada-salida del modelo ARX (3,4,3) se puede deducir que no
es un mal modelo, pero sin embargo el anlisis de los residuos indicaba que existan dinmicas no
modeladas, por lo que hay que probar a usar estructuras mas complejas, es decir, modelos ARX de
mayor orden o modelos ARMAX y analizar su conveniencia.
Pese al desacuerdo entre ambas validaciones, dependiendo de la finalidad para la que se requiera
dicho modelo, quizs el modelo ARX (3,4,3) no tenga porque ser rechazado. Por ejemplo, si se
nicamente se requiere un modelo aproximado del sistema para disear un controlador el modelo
ARX (3,4,3) podra ser utilizado. Sin embargo, no podra ser utilizado si se requiere un modelo lo ms
exacto posible para realizar una simulacin precisa del sistema.
223
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0.5
Figura 5.19: Diagrama de polos y ceros del modelo ARX (5,5,3). Se muestran los intervalos de
confianza del 99.7% para la posicin de los ceros y los polos.
224
APENDICE A
TABLA DE TRANSFORMADAS Z
y(t)
y(kT) o y(k) o
Y(s)
Y(z)
Delta de Kronecker
z 1
1 k = 0
0 k 0
0 (k ) =
1 n = k
0 n k
0 (n k ) =
1(t)
1(k)
1
s
1
1 z 1
kT
1
s2
T z 1
e a t
t e at
e a t sen( t )
e a k T
k T e a k T
e a k T sen( k T )
1
s+a
1
(s + a )2
(1 z )
1 2
1
1 e
a T
z 1
T e aT z 1
(1 e
a T
z 1
( s + a) 2 + 2
e a T z 1 sen( T )
1 2e a T cos( T )z 1 + e 2a T z 2
e a t cos( t )
e a k T cos( k T )
s+a
(s + a) 2 + 2
1 e aT z 1 cos( T )
1 2e a T cos( T )z 1 + e 2a T z 2
ak
1
1 az 1
225
APENDICE A
226
BIBLIOGRAFIA
227