DOCUMENTO PREPARADO PARA LA ASIGNATURA DE CONTROL AVANZADO 1

Diseño de regulador LQR y observador por filtro de

Kalman: Sistema Ball and Beam .
Gregory Cárdenas M.Estudiante de Ingeniería Civil Electrónica, Departamento de Ingeniería Eléctrica,
Universidad de la Frontera, Temuco-Chile .

Resumen—En el presente artículo se planteara un controlador Se desea encontrar una ley de control uopt (t) que minimice:
por el método LQR (linear quadratic regulator) trabajandosobre
el sistema lineal y no lineal, ambos con dos fuentes de ruido Z∞
xT (t) Qx (t) + Ru2 (t) dt


blanco, por otro lado en lo que es diseño de observador de J (x, u) =
estados usaremos un estimado basado en un filtro de kalman,
0
el cual ya nos permite perfilar el modelo a un modelos más
realista con la aplicación de diferentes perturbaciones, y final La solución del problema de optimización planteado es:
mente para complementar esto se mostrara la implementación
real del modelo con sus respectivos sensores y actuadores.
uopt (t) = −kopt x (t) = −R−1 B T P x (t)
Index Terms—Ball and beam, LQR, Kalman, MatLab,
Simulink . Donde la matriz P se obtiene de la siguiente ecuación
algebraica de Riccati:
I. I NTRODUCTION
AT P + P A − P BR−1 B T P + Q = 0
AS señales de ruido pueden afectar en una forma muy
L negativa a los sistemas de control automático, estas per-
turbaciones a las que están sujetos estos sistemas provocan que
Es decir, la ley de control óptima resulta ser una de reali-
mentación de estados en la que la ganancia de realimentación
su salida se aleje del comportamiento ideal. Para que el diseño se obtiene de una ecuación algebraica de Riccati.
de un sistema se pueda implementar en la vida real, es por esto
que un buen diseño debe contemplar medidas que le permitan
mantener un desempeño satisfactorio, incluso en presencia II-B. Observador por Filtro de Kalman.
de este tipo de señales, las cuales pueden considerarse de
naturaleza deterministica o aleatoria. Sea un sistema SISO, con una entrada de control u (t) y de
salida y (t), cuya descripción en espacio estado es :
II. D ESCRIPCIÓN DE LOS MÉTODOS .
x = Ax + Bu + F v
En las siguiente dos sub-secciones se darán a conocer
los fundamentos teóricos de los dos métodos utilizados en y = Cx + w
este informe, el primero para determinar el controlador que
Donde x es el vector de estados, u es una entrada escalar
corresponde al LQG (linear quadratic regulator) y el otro para
conocida, y es la salida escalar,v y w son procesos escalares
determinar el observador de estados por un filtro de kalman.
aleatorios del tipo ruido blanco, cuyas densidades espectrales
de potencia son V y W respectivamente. Por lo que el
II-A. Controlador LGR. observador de kalman para el vector de estados, tendría la
estructura básica de un observador. Por lo que la ecuación
El control LQG presenta un enfoque diferente para a la que describe el observador es:
construcción de la ley de control, que se basa en encontrar
una ley de control que minimice la suma de los esfuerzos de x̂ = Ax̂ + Bu + Lk (y − C x̂)
control y las desviaciones de la señal de salida de su valor
deseado. Este problema se conoce como el de control óptimo. Siendo x̂ el vector de estado estimado y Lk la matriz de
diseño del estimador. Si las señales v y w no están correla-
Por lo que la formulación del problema Considere un
cionadas, el valor de Lk se determina mediante la formula:
sistema modelado en representación de espacio estados, de
la forma: Lk = Popt C T W −1
ẋ (t) = Ax (t) + Bu (t)
Donde Popt (t) es la matriz de covarianza óptima del error
y (t) = Cx (t) del estimador de estado, obtenida a partir de la ecuación de
Riccati:
Donde x (t) pertenece <n y las señales de entrada y salida
(u (t) ; y (t))son escalares. 0 = APopt + Popt AT − Popt C T W −1 CPopt + F V F T
DOCUMENTO PREPARADO PARA LA ASIGNATURA DE CONTROL AVANZADO 2

III. R EQUERIMIENTOS DEL SISTEMA . balancean la importancia relativa de la entrada y el estado en

el costo que se pretende optimizar.
Como se comento en el resumen del artículo, para poder
implementar un sistema de control real, es necesario tener en En este caso después de correr simulaciones con distintas
cuenta las diversas señales ruidosas que están presentes en matrices de ponderación, se llegaron a las siguientes matrices,
nuestros instrumentos de medición y de actuación, una vez esto se baso en los criterios del esfuerzo realizado por el
presentados estos antecedentes, recién podemos comenzar el actuador ajustándose a los indicados en la implementación,
diseños de nuestro controlador y observador contemplando los esto se discutirá más adelante.
 
datos de los instrumento errores, rangos, etc . 1000 0 0 0
 0 0 0 0 
Q=  0
 ; R = 1; N = 0.
0 10 0 
III-A. Actuación.
0 0 0 0
El sistema ball and beam presentado desde [1], en su En todos los casos, el valor por defecto de N = 0, este
implementación real requiere de al menos dos componentes valor se asume 0 cuando es omitido, como es en este caso.
para su funcionamiento, en primer lugar un servomotor, el cual Con lo que se obtiene el siguiente vector de realimentación:
estará encargado de entregar el torque necesario para modificar
la variable de entrada u (t), para este caso se utilizara un
 
kopt = −32,6067 −11,9937 4,4556 0,4677
servomotor síncrono 1FK70 Simens, de la firma Simens .
A continuación se presenta la ficha técnica de este instru- IV-B. Diseño del observador.
mento:
Al igual que en el caso anterior toolbox de control en
Tención: 300 [V].
MatLab permite calcular directamente la matriz de diseño
Torque Máximo Cte : 2,560 Nm.
del observador optimo mediante la función sys=ss() y la
Velocidad φ : 6000 [rpm].
función kalman (), la primera permite crear un objeto del
Rango : 0 -270°.
tipo sistema en variables de estado, mientras que la segunda
Error : ≤2 %.
función permite obtener la matriz de diseño del observador de
estados .
III-B. Medición.
Para este caso las funciones tienen la siguiente estructura.
Por otro lado también es necesario poder medir la posición  

sys = ss A, B G , C, 0
del balón dentro del riel y que será el encargado de realimentar
al observador de estados del sistema, para esto se utiliza un
medidor de posición, para este caso se utilizara el sensor de L = kalman (sys, Qn, Rn, N n)
posición ultrasónico Sick UM 30-13113, de la firma Sick. Siendo el sistema de la forma:
A continuación se presenta la ficha técnica de este instru-
x = Ax + Bu + Gw
mento:
Rango limite : 30-1300[mm]. y = Cx + Du + Hw + v
Frecuencia : 200[khz]. Se define la matriz G como:
Resolución : 0.36[mm].  
Tiempo de respuesta : 110 [ms]. 1
 1 
G= 
 1 
IV. D ISEÑO DEL CONTROLADOR Y OBSERVADOR .
1
IV-A. Diseño del controlador.
En donde se asume que el ruido es igual de probable en
MatLab en su toolbox de control, proporciona excelentes todas componentes del sistema y con:
herramientas relacionadas a esta área, entre ella el comando
lqr(), con el cual permite calcular directamente la matriz H=0
de ganancias optima kopt , la ecuación de ricatti asociada Ya que podemos afirmar que los ruidos w y v no estan
y además de entregar los eigen-valores en lazo cerrado del relacionados entre si .
sistema.
Siendo Qn la matriz de covarianza del error provocado por
La estructura de esta función está dada de la siguiente el actuador del sistema, y Rn la matriz de covarianza del error
forma: provocado por el sensor de posición.
[k, S, e] = lqr(A, B, Q, R, N ) Qn = 0,0036.
Donde A y B son las matrices espacio-estado del sistema
encontrados en [4], y las matrices de ponderación Q y R , que Rn = 0,000176.
DOCUMENTO PREPARADO PARA LA ASIGNATURA DE CONTROL AVANZADO
La matriz de diseño del observador óptimo corresponde a:
 
6,4027
 20,2551 
Lopt =  −28,5813 

−78,9461
V. R ESULTADOS Y ANÁLISIS .
V-A. Regulación del sistema Lineal.
Para la regulación del sistema lineal es fácil ver como
este nuevo controlador diseñado por el método LQR puede
controlar el sistema desde condiciones iníciales mucho más
alejadas del punto de equilibrio, con una relación de actuación
soportada por el actuador al cual se hace referencia.
Figura 1. Respuesta del sistema aplicando el regulador LQR sobre el sistema
lineal con dos fuentes de ruido blanco.
En la Figura 1 se muestra la respuesta del sistema cuando
la condición de equilibrio se aleja 10 cm de este, como se
mostro en [2] .
Figura 2. Ley de control (esfuerzo de control), sistemas lineal aplicando
control LQR
En la figura 2 se muestra el esfuerzo de control realizado por
el servo-motor el cual se encuentra en los rangos de actuación
del servomotor síncrono 1FK70 Simens, por lo que no habría
mayor problema en esa instancia.
V-B. Regulación del sistema no-lineal.
En la regulación del sistema no-lineal podemos ver que el
controlador LQR es capaz al igual que en el caso anterior
3
soportar condiciones iníciales mucho más alejadas del punto
de equilibrio que en el caso del controlador mostrado en [2].
Figura 3. Respuesta del sistema aplicando el regulador LQR sobre el sistema
no-lineal con dos fuentes de ruido blanco.
En la Figura 3 se muestra el regulador LQR sobre el sistema
no-lineal, en donde se puede ver que este es capas de regular el
sistemas, también se puede ver que en relación al regulador por
ubicación de polos, este puede controlar el sistema partiendo
de condiciones iníciales mucho mayores que en el mostrado en
[2], al probar el controlador por ubicación de polos al sistema
no-lineal con los niveles de ruido utilizados en este articulo,
se observa que no es capaz de controlar el sistema, es mas ni
partiendo de las condiciones iníciales es posible.
Esto quiere decir que basta con el ruido para que el sistema
no sea regulable, por lo que bajo ninguna condición este
regulador serviría para una implementación real.
Figura 4. Ley de control (esfuerzo de control), sistemas no-lineal aplicando
control LQR
En la figura 4 se observa el esfuerzo de control que realiza
el servo-motos, para controlar el sistema, esto se encuentra
dentro de los rangos de actuación del servomotor síncrono
1FK70 Simens, el cual fue el elejido para controlar el sistema,
por lo se concluye que con este controlador podria sea usado
sin problemas en la implementación de este sistemas, ahora es
necesario tener en cuenta las perturbaciones tomadas encuenta
en el artículo son las minimas existentes en cualquier sistema
de control .
VI. C ONCLUSIONES Y RECOMENDACIONES .
Los método de regulación LQR y observador por filtro de
Kalman, presentan una forma sencilla y simple de controlar
DOCUMENTO PREPARADO PARA LA ASIGNATURA DE CONTROL AVANZADO 4

sistemas lineales con ruido blanco debido a que el kopt es fácil

de encontrar ya que es la solución del una ecuación matricial
de coeficientes constantes, lo mismo ocurre para el caso de
observador por filtro de Kalman.
Para la implementación de sistemas de control real, es
necesario tener en cuenta al menos los ruidos que en este
artículo se mencionan ya que son los mínimos que un sistema
debería tener errores en medición y en actuación, y como se
puede observa es necesario contar con estimadores que puedan
lidiar con esta clases de perturbación como es el caso del filtro
de Kalman si bien aparecen pequeños errores de estimación en
los estados y algunas oscilaciones en la parte de regulación,
se cumple con lo fundamental que es regresar el sistema a su
punto de equilibrio .

VII. REFERENCIAS
R EFERENCES
[1] Gregory Cardenas M,”Modelamiento y Simulación: Sistema Ball and
Beam”, Universidad de la frontera, Temuco-Chile .
[2] Gregory Cardenas M,”Diseño de controlador y observador por ubicación
de polos: Sistema Ball and Beam”, Universidad de la frontera, Temuco-
Chile
[3] Shamsher Ali Naz,Reza Katebi and Luisella Balbis. “Implementation of
Kalman Filter On Ball And Beam Experiment Using LabView ”.Industrial
Control Unit, Department of Electronics and Electrical Engineering
University of Strathclyde, Glasgow, U.K.
[4] Gregory Cardenas M .”Modelamiento y Simulacion : Sistema Ball and
Beam”. Universidad de la Frontera . Temuco-Chile .pp Anexo 1 y Anexo
2. 2010.
[5] Universidad Tecnica Federico Santa Maria.“Teoria moderna de control
Lineal”. Valparaíso-Chile .2004
[6] ” MatLab/Simulink 7.7.0 R2008b For Unix “. MathWorks Ins .