Professional Documents
Culture Documents
1.1
DEFINICIN
Un controlador adaptativo es aquel que puede modificar su comportamiento en respuesta a cambios en la dinmica del proceso y en las perturbaciones. El control adaptativo puede controlar sistemas con parmetros constantes sistemas con parmetros variables. La idea bsica del control adaptativo es estimar on-line las variaciones de los parmetros de la planta, basndose en la medida de las seales de entrada salida de la misma y utilizar los parmetros estimados para realizar los ajustes del controlador. El control adaptativo, tanto para sistemas lineales no lineales, es esencialmente no lineal.
1.2
Existen dos tipos principales de controladores adaptativos: Sistemas con adaptacin en lazo cerrado (STR, MRAC) Sistemas con adaptacin en lazo abierto (Ganancia programable) Para el diseo de algoritmos de control adaptativo se han propuesto diferentes mtodos, unos que utilizan criterios de optimizacin y otros que no los utilizan, en este sentido se tiene la siguiente clasificacin [1]: Criterio ptimo: o Controladores de mnima varianza o Controladores predictivos generalizados Criterio no ptimo: o Asignacin de polos y ceros o Controladores de tiempo finito o Controladores PID
1.2.1 Controlador autosintonizado (STR): Este regulador se obtiene mediante un acoplamiento entre el controlador convencional y los parmetros de la planta estimados on-line. La operacin del controlador con auto-ajuste es la siguiente: en cada instante el sistema de identificacin en lnea estima los parmetros de la planta, los cules son calculados a partir de la medida de los datos entrada-salida de la misma. Con los parmetros estimados se calculan los nuevos parmetros del controlador lo cual causa una nueva salida de la planta. El ciclo de adaptacin se repite, y as la accin de control cambia cuando hay cambio de los parmetros de la planta. Para una planta lineal existen muchos mtodos disponibles para estimar la variacin de los parmetros. Uno de los ms utilizados es el mtodo Mnimos cuadrados recursivos. Tambin existen diferentes tcnicas de control para plantas lineales, tales como controladores PID, Controladores tipo Deadbeat, controladores de mnima varianza etc. Mediante la conjuncin de las diferentes tcnicas, mtodos de control y estimadores se obtienen varios tipos de reguladores STR. La figura 1.1 muestra un esquema general del sistema de control con autosintonia.
1.2.2 Control con modelo de referencia: En este regulador la adaptacin se obtiene a partir de la seal de error que resulta de comparar la salida real del sistema con la esperada a partir de un modelo de comportamiento establecido. El comportamiento ideal del modelo de referencia debera poder ser alcanzado por el sistema de control adaptativo. La figura 1.2 da una idea del control con modelo de referencia. La teora de control dispone de varios mtodos que se pueden utilizar para obtener el mecanismo
de adaptacin: mtodo de Lyapunov, mtodo de la hiperestabilidad etc. En cualquier caso, los resultados obtenidos son semejantes, en cuanto a la estabilidad del sistema se refiere.
1.2.3 Control con ganancia programada (Gain Scheduling): El control por ganancia programable se refiere a un sistema donde los parmetros del controlador varan dependiendo de las condiciones de operacin medidas. La variable programable para el clculo de los parmetros del controlador puede ser el set-point, la variable controlada una seal externa. Una vez seleccionadas las variables, se calculan los parmetros del regulador para varios puntos de operacin o zonas de trabajo en base a una adecuada estrategia de control que puede ser del tipo PID, Deadbeat, etc. La figura 1.3 representa un esquema del control con ganancia programable.
Punto de Trabajo
Programacin Precalculada
La identificacin de sistemas tiene por objeto obtener el modelo de un sistema dinmico a partir de datos experimentales. La figura 2.1 es una representacin conceptual de un sistema dinmico. El sistema es comandado por variables de entrada controlar las variables de entrada salida y por perturbaciones , pero no las perturbaciones El usuario puede . Las seales de
Figura 2.1 Representacin de un sistema dinmico. 2.1 TIPOS DE MODELOS Los modelos de los sistemas dinmicos pueden ser de varias clases, incluyendo los siguientes: Modelos Mentales, Intuitivos o Verbales: ste es el tipo de modelo que se forma por ejemplo cuando se maneja un carro (pisando el freno decrece la velocidad, girando la cabrilla el carro voltea en determinada direccin, etc.)
Modelos Grficos: En este caso el modelo del sistema est dado mediante una grfica. Un diagrama de Bode de un servo sistema es un ejemplo de un modelo dado en forma grfica. La respuesta de un sistema ante una entrada en escaln es otro tipo de modelo grfico. Modelos Matemticos: Son aquellos que describen el comportamiento del sistema a partir de ecuaciones diferenciales (sistemas continuos) o de ecuaciones en diferencias (sistemas discretos). Estos modelos son muy utilizados para el anlisis, prediccin y diseo de sistemas dinmicos, controladores y filtros. Existen dos formas bsicas para obtener el modelo matemtico de un sistema dinmico: o Matemticamente: Es un mtodo analtico en el cual se utilizan leyes fsicas, tales como las leyes de Newton y ecuaciones de balance para describir el comportamiento dinmico de un fenmeno o de un proceso. o Identificacin del Sistema: Es un mtodo experimental en el cual se realizan algunas pruebas sobre el sistema que permiten obtener los datos necesarios para estimar el valor de los parmetros del modelo representativo del sistema.
2.2 PROCEDIMIENTO PARA LA IDENTIFICACIN. La obtencin de un modelo a partir de datos experimentales conlleva las siguientes etapas fundamentales: la recoleccin de datos, la seleccin del modelo y la validacin del modelo. 2.2.1 Recoleccin de datos: Los datos de entrada y salida se pueden obtener mediante un experimento diseado especficamente para la identificacin del sistema. En este caso, el usuario puede determinar que seales va a medir, cundo y cmo las va a medir y tambin puede escoger las seales de entrada. El objetivo del diseo del experimento es entonces, seleccionar los datos que proporcionen la mxima informacin posible. En otros casos, el usuario no tiene la posibilidad de realizar el experimento pero puede utilizar los datos obtenidos a partir de la operacin normal del sistema y llevar a cabo con ellos la identificacin del mismo. 2.2.2 La Seleccin del Modelo: Esta se realiza a partir de un grupo de modelos, eligiendo el ms adecuado y representativo del sistema. Este paso es sin duda, el ms
importante y al mismo tiempo constituye la etapa ms difcil en el procedimiento de la identificacin. Es ac en donde el conocimiento previo del sistema y el de las caractersticas de cada modelo deben combinarse para obtener resultados
satisfactorios. Algunas veces el modelo apropiado slo se obtiene despus de un cuidadoso proceso de modelado. 2.2.3 Validacin del Modelo: La evaluacin de la calidad del modelo se basa en determinar cmo se desempea el modelo cuando se trata de reproducir con l los datos obtenidos en la medicin experimental. Un comportamiento deficiente del modelo en este aspecto hace que el modelo sea rechazado, mientras que un buen desempeo, proporcionar cierta confianza en el modelo. Un modelo no se puede aceptar como la ltima y verdadera descripcin del sistema; por el contrario, es mejor mirarlo slo como una descripcin suficientemente buena de ciertos aspectos que son de inters particular para un fin determinado.
2.3 IDENTIFICACIN PARAMTRICA Algunas tcnicas de diseo de sistemas de control, incluyendo el mtodo del lugar geomtrico de las races y el de asignacin de polos, requieren de un modelo paramtrico del sistema. Este tipo de modelo es particularmente importante en sistemas de control adaptativo, en los cuales, los parmetros de la planta deben ser estimados en lnea para calcular el controlador correspondiente. Para dar una idea de la identificacin paramtrica se consideran a continuacin el mtodo de mnimos cuadrados no recursivo y el mtodo de mnimos cuadrados recursivos. 2.3.1 Identificacin por el mtodo de mnimos cuadrados no recursivo. Se asume que la funcin de transferencia de pulso del modelo es de la forma:
En donde
es la entrada e
es la salida.
Este modelo se conoce como MODELO ARMAX (Auto Regressive Moving Average) y en l se debe estimar el vector de parmetros dado por:
A partir de un conjunto de
Debido al error que se puede introducir en la medicin, la ecuacin 2.2 se puede escribir en la forma:
El primer error es funcin solamente de las mediciones conocidas. Entonces, para periodos de muestreo , se tendr:
En donde
As, las ecuaciones dadas en 2.6 se pueden escribir en forma matricial cmo:
En donde:
, el vector
que minimice la suma de los cuadrados del error, es decir, que minimice la funcin:
El valor de
que minimiza a
Es decir:
es:
EJEMPLO 2.1 Los datos que se dan a continuacin corresponden a la respuesta de un sistema de control ante una entrada en escaln unitario. Obtener, a partir de ellos, un modelo de segundo orden que describa la dinmica del sistema. K u(k) y(k) 0 0 0 1 1 0.73 2 1 1.26 3 1 1.55 4 1 1.73 5 1 1.84
El vector de parmetros a estimar es: Para ello se utiliza la ecuacin: El nmero de pares de medidas es: Orden de Orden de entonces:
La figura 2.2 corresponde a una representacin grfica de los datos reales y de los datos estimados, stos ltimos se dan como una funcin en lnea continua.
2.3.2 Identificacin por el mtodo de mnimos cuadrados recursivos: En el mtodo no recursivo, el vector de parmetros se calcula utilizando toda la informacin
disponible, siendo esta pequea en los primeros instantes, pero aumenta a medida que transcurre el tiempo, lo que genera un alto costo computacional al procesar la informacin. En el mtodo recursivo el vector de parmetros se calcula a partir de los resultados obtenidos en el instante anterior actuales (instante ). y de los datos de entrada y salida
Se supone que el sistema puede ser modelado como un proceso estable, linealizable y con una sola entrada y una salida por lo que puede ser descrito por una ecuacin en diferencias lineal de la forma:
En donde:
EJEMPLO 2.1 Los datos que se dan a continuacin corresponden a la respuesta de un sistema de control a un escaln unitario. Obtener a partir de ellos, un modelo de segundo orden que describa la dinmica del sistema. Asumir recursivos. K u(k) y(k) 0 0 0 1 1 0.73 2 1 1.26 3 1 1.55 4 1 1.73 5 1 1.84 6 1 1.91 y utilizar mnimos cuadrados
El orden de
es:
1. Se toma:
2. Nuevos valores de
y de
3. Calcular el error:
4. Calcular
La figura 2.3 corresponde a una representacin grfica de los datos reales y de los estimados, stos ltimos se presentan como una funcin en lnea continua. Obsrvese la correspondencia entre los valores reales y los valores estimados.
A continuacin se presenta un programa en Matlab para identificacin recursiva con modelo de segundo orden.
Figura 2.3 Respuesta del modelo estimado a la seal de entrada u(k) clc u=[0 1 1 1 1 1 1]; y=[0 0.73 1.26 1.55 1.73 1.84 1.91]; n=input('entre el orden del sistema n='); p=1000*eye(2*n); th=[zeros(1,2*n)]'; for k=1:length(y)-1 phit=[-y(k+1) -y(k) u(k+1) u(k)]; e=y(k+1)-phit*th l=p*phit'/(1+phit*p*phit'); th=th+l*e; p=eye(2*n)-l*phit*p; end u1=[1 1 1 1 1 1 1]; n=[th(3) th(4)]; d=[1 th(1) th(2)]; y1=dlsim(n,d,u1) plot(y1) hold plot(y,'*') grid
Estos controladores conforman una estructura subptima basada en el principio de la separacin de las tareas de control e identificacin. El diseo se realiza suponiendo inicialmente parmetros conocidos y luego stos son sustituidos por los estimados. En estos reguladores se aplica el principio de equivalencia cierta pues se supone que los parmetros identificados coinciden con los reales. En el diseo de controladores autoajustables se distinguen tres partes [1]: Un algoritmo recursivo de identificacin de parmetros. Un mecanismo de adaptacin que realiza la tarea de diseo del controlador Un controlador con parmetros ajustables. 3.1 ECUACIN GENERAL PARA CONTROLADORES LINEALES Un controlador lineal se puede describir mediante la funcin de transferencia de pulso:
y de
y los parmetros
deben seleccionarse
adecuadamente para satisfacer los requerimientos del sistema de control [3]. Se asume que el proceso lineal que se va a controlar tiene como funcin de transferencia de pulso:
En donde Para el diseo del controladores adaptativos se pueden utilizar diferentes mtodos: Asignacin de polos, optimizacin de parmetros, ajuste por tablas etc.
3.1.1 Mtodo de asignacin de polos: El objetivo de este mtodo es disear el controlador de modo que los polos del sistema en lazo cerrado, queden ubicados en el lugar deseado de acuerdo a sus especificaciones de funcionamiento. El diseo del controlador consiste bsicamente, en resolver una ecuacin polinomial con ciertas restricciones en los rdenes de los polinomios para asegurar que el controlador propuesto sea causal y con realizacin mnima [3]. La ecuacin caracterstica deseada para el sistema en lazo cerrado toma la forma:
parmetros del controlador. Para asegurar error de estado estable igual a cero es necesario que el controlador tenga un integrador, con esta condicin, el denominador del controlador con la igualdad: cumple
EJEMPLO 3.1 La funcin de transferencia de pulso de cierto sistema neumtico est dada por:
Disear para el sistema un controlador digital de modo que los polos dominantes del sistema en lazo cerrado estn ubicados en z=0.6 j0.2 SOLUCIN: La funcin de transferencia del sistema se puede escribir como:
En donde:
El orden del numerador del controlador es: El orden del denominador del controlador es: Por lo tanto, la funcin de transferencia de pulso del controlador toma la forma:
El orden de la ecuacin caracterstica deseada es: es decir 5. Se da como polo dominante z=0.6 j0.2 los tres polos restantes se pueden asignar en el origen, as la ecuacin caractersticas es:
Resolviendo resulta:
La figura 3.1 muestra la respuesta del sistema ante un escaln unitario aplicado en el set-point.
3.1.2 Controlador de mnima varianza: Este tipo de controlador puede englobarse dentro de los de sntesis ptima, ya que se utiliza la minimizacin de un ndice de coste como criterio de diseo. Sin embargo, tambin puede interpretarse como un problema de asignacin de polos, puesto que el mtodo de sntesis est basado en manipulaciones algebraicas con los polinomios que se utilizan en la descripcin externa. El inters de este tipo de controladores se ve acentuado sobre todo en multitud de procesos industriales en los cuales es de vital importancia la minimizacin de la varianza de la salida. Esta tcnica de control se utiliza cuando la salida del sistema est contaminada por una perturbacin estocstica. Estas perturbaciones no se pueden eliminar por completo, pero se puede reducir su varianza. El controlador de mnima varianza tiene como objetivo minimizar el efecto de las perturbaciones sobre la salida [1]. La estrategia control consiste en calcular la seal de control los valores disponibles en ese instante o sea tal forma que minimice el criterio: como una funcin de , de
En donde:
Si se supone que sobre el sistema actan perturbaciones estocsticas, el proceso estar descrito por un modelo ARMAX de la forma (ver figura 3.2):
Donde:
Para el instante
Utilizando la identidad:
En donde:
Los dos ltimos trminos del lado derecho de la ecuacin 3.13 tienen el siguiente significado: : Es el efecto sobre la salida correspondientes a las perturbaciones anteriores a . : contiene las perturbaciones producidas entre el instante instante , cuyo efecto sobre la salida no se puede controlar con es independiente de Resolviendo la ecuacin 3.10 para se obtiene: y el pues
en 3.13 resulta:
Resolviendo para
La figura 3.3 corresponde al sistema con el controlador de mnima varianza incorporado. Eliminacin del offset: El controlador de mnima varianza presenta offset (Error de estado estable) ante cambios en la referencia ante cambios en la perturbacin, para
eliminar el offset se puede adicionar al controlador un integrador as, la ecuacin 3.16 se puede escribir en la forma:
Figura 3.3 Controlador de mnima varianza (MVR3) Control de mnima varianza con seguimiento de referencias: Se debe calcular la accin de control que minimice la varianza de la salida:
O sea:
Despejando
La figura 3.4 representa el diagrama de bloques correspondiente al sistema de control de minina varianza con ley de control dada por la ecuacin 3.19
Controlador de mnima varianza ponderado: en este caso se debe calcular la accin de control que minimice la varianza de la salida:
e igualar
Resolviendo para
La figura 3.5 representa el diagrama de bloques correspondiente al sistema de control de minina varianza con ley de control dada por la ecuacin 3.21
EJEMPLO 3.2
Se desea disear un controlador de mnima varianza para un sistema con funcin de transferencia discreta siguiente:
La salida de dicho sistema se ve afectada por una perturbacin estocstica cuyo comportamiento se puede modelar mediante un proceso ARMAX. El modelo de la perturbacin estocstica corresponde a un ruido blanco modificado por el filtro siguiente:
En donde:
Con
, se obtiene:
se obtiene:
Resolviendo se obtiene:
Para compensar el error de estado do estable se adiciona el integrador con controlador toma la forma:
as el
La figura 3.6a muestra la respuesta del sistema con el controlador de mnima varianza estimado y la figura 3.6b la del sistema con controlador de mnima varianza mas el integrador.
3.1.3 Diseo de un controlador PI Adaptativo por asignacin y cancelacin de polos para un sistema de primer orden (POR): Si la dinmica del sistema se aproxima a la de un sistema de primer orden con retardo de la forma:
Para el diseo, se asume que la funcin de transferencia del controlador PI toma la forma:
Si se selecciona el cero del controlador de modo que cancele el polo de la planta, es decir, si se hace la ecuacin caracterstica del sistema en lazo cerrado es:
Si al sistema en lazo cerrado se le condiciona a que tenga un polo estable en entonces, al evaluar en se obtiene:
Despejando q0 resulta:
Entonces, conociendo
pueden calcularse especificando un polo dominante en lazo cerrado en cancelarse con el cero del controlador. Resolviendo
comprobndose que corresponden a polos no dominantes que decaen rpidamente y que el polo es efectivamente el polo dominante.
Disear Para el sistema un controlador PI utilizando el mtodo de cancelacin y asignacin de polos de modo que el sistema tenga un polo dominante de lazo cerrado en z=0.8. El sistema se muestrea cada 0.2 s. SOLUCIN: la funcin de transferencia del sistema se puede escribir como:
Si se asume que el cero del controlador cancela el polo de la planta, entonces . El polo dominante deseado es , por lo tanto:
Esta tcnica se emplea con modelos matemticos simulados en computador y es muy til para sistemas complicados de controlar por ejemplo, sistemas no lineales o con parmetros variables en el tiempo. Se trata de que el sistema controlado siga el comportamiento de un modelo determinado para lo cual se debe generar una seal de control que haga converger la respuesta de la planta a la del modelo para una cierta seal de entrada. En esta estrategia de control se selecciona como referencia un modelo que cumpla con las condiciones deseadas para el funcionamiento adecuado de la planta y se desarrolla un mecanismo de control que permita que la planta siga el modelo escogido. No es necesario un conocimiento extensivo de la planta, pero si es necesaria la escogencia del modelo adecuado para lograr la salida deseada. El modelo de referencia que se utiliza es usualmente lineal. Como se indica en la figura 4.1, el control por modelo de referencia est formado por tres partes fundamentales: [1] El controlador primario: Debe cumplir la condicin de hacer posible que el conjunto de la planta y el controlador puedan reproducir el modelo de referencia. El modelo de referencia: Debe seleccionarse con un comportamiento dinmico estable y que pueda ser seguido por el proceso a controlar. La ley de adaptacin: esta se puede obtener por diferentes mtodos: Mtodo de sensibilidad, mtodo de Lyapunov y mtodo de hiperestabilidad.
Figura 4.1 Control por modelo de referencia 4.1 MRAC PARA SISTEMAS CONTINUOS, MTODO DE LYAPUNOV Este mtodo establece que un sistema tiene un punto de equilibrio asintticamente estable, si existe una funcin condiciones [1]: : Definida positiva para Definida negativa para para que cumpla con las siguientes
Procedimiento para aplicar el mtodo de Lyapunov: 1. Encontrar la ecuacin de error en la salida: 2. Encontrar la funcin de Lyapunov como una funcin del error entre las seales
3. Calcular la derivada de la funcin de Lyapunov. Esta derivada debe ser definida negativa. Por lo general toma la forma:
El primer trmino garantiza que la derivada es negativa definida, entonces, haciendo el resto igual a cero se tiene una posible solucin para la adaptacin. 4. Hacer el trmino extra igual a cero para obtener la ley de adaptacin.
EJEMPLO 4.1 Disear un sistema de control por modelo de referencia para un sistema de primer orden [2]. SOLUCIN: Sea el sistema de primer orden:
El error es:
Haciendo:
Se obtiene:
En donde
es la salida y
es la ley de control.
por lo tanto:
Despejando :
Es decir:
Haciendo:
La ecuacin 4.12 corresponde a la ley de control del sistema y en ella no se conocen los parmetros y debido a que y y son desconocidos.
Sumando y restando
si
, y
Se trata de disear un sistema que lleve los parmetros Para este propsito se define la funcin de Lyapunov:
Derivando parcialmente la ecuacin la ecuacin 4.16 con respecto a los parmetros se obtiene:
De acuerdo con la teora de la estabilidad de Lyapunov, el sistema es estable si semidefinida negativa, esto se cumple si en la ecuacin 4.18 se da:
es
Entonces:
La figura 4.2 muestra el diagrama de bloques y la respuesta del sistema de control MRAC aplicado al sistema de primer orden. En donde: Seal de entrada. La seal de control. La salida del proceso. La salida del modelo de referencia. : El error. y son las ganancias adaptativas y es una constante positiva que se puede
tomar como parmetro de ajuste. Se trabaj con Para realizar la simulacin se tomaron como modelo para el proceso y como modelo de referencia:
ym e yp
1 s So -2 1 s
EJEMPLO 4.2 Disear un sistema de control por modelo de referencia para un sistema de segundo orden. SOLUCIN: Sea el sistema de segundo orden:
En donde
En donde
es la seal de referencia.
Se obtiene:
En donde
Como el modelo de referencia se supone estable, entonces funcin positiva definida. La derivada de la funcin de Lyapunov introducida es:
es positiva y
es una
La teora de estabilidad de Lyapunov garantiza la estabilidad global del sistema dinmico si es una funcin semidefinida negativa. Esto se puede asegurar para la
La figura 4.3 muestra el diagrama de bloques y la respuesta del sistema de control MRAC aplicado al sistema de segundo orden. En donde: La seal de entrada. La seal de control. La salida del proceso. La salida del modelo de referencia. El error. Para realizar las simulaciones se tuvieron en cuenta los siguientes valores:
1 s2 +1.6s+1 1 s -2 f
ym
5 1 s
q1 u 4 s2 +2s+4 yp
qo 1 s du/dt
du/dt
4.2 MRAC PARA SISTEMAS DISCRETOS Al igual que en los sistemas continuos, la idea bsica del control con modelo de referencia MRAC, para sistemas discretos, es que el proceso con funcin de transferencia [3]:
Con:
Siga el modelo:
En donde:
En donde:
La figura 4.4 muestra el diagrama en bloques del sistema de control con modelo de referencia propuesto.
Figura 4.4 Control con modelo de referencia La funcin de transferencia en lazo cerrado para el sistema de la figura 4.4 es:
El procedimiento para el diseo es el siguiente: 1. Seleccionar el modelo de referencia adecuado. 2. Reescribir el polinomio del proceso en la forma:
En donde:
: Contiene los ceros estables del proceso. : Contiene los ceros inestables del proceso.
es decir:
, es decir, ceros de
5. Si el grado de
NOTA: En caso de que el sistema tenga solo ceros estables se considera que , en este caso la ley de control toma la forma:
En donde:
Disee para el sistema un controlador con modelo de referencia de modo que el sistema, en lazo cerrado siga la dinmica del modelo:
Grado de Grado de
Comparando trmino a trmino y resolviendo las ecuaciones resultantes se obtiene qu: , Entonces: y Por lo tanto: , y
Despejando
se obtiene:
Es decir:
La figura 4.5 muestra el diagrama en bloques del sistema de control y la respuesta del mismo ante una entrada en onda rectangular.
1.855z2 (z+0.4631)(z+0.0819)
La tcnica de la ganancia programable (Gain scheduling) es un acercamiento al control de sistemas no lineales que utiliza una familia de controladores lineales, para
proporcionar el control satisfactorio en diversos puntos de operacin del sistema. Este enfoque asume que el sistema se puede representar mediante un modelo parametrizado por ciertas variables, llamadas variables de tabulacin o de programacin (scheduling variables), de modo que cuando estas variables asumen un valor constante se obtiene un punto de funcionamiento [2]. Para sintonizar el controlador adecuado se utilizan una o ms de las variables de programacin. En este caso, se linealiza el sistema alrededor de distintos puntos de operacin de inters, obtenindose una familia de modelos lineales para la cual se disea una familia de controladores lineales. Luego, se implementa el esquema de control con un controlador cuyos parmetros son cambiados acorde a los valores que toman las variables de programacin, que debern monitorearse continuamente. La literatura no documenta reglas generales para el diseo de controladores con ganancia programable. Sin embargo, se pueden establecer los siguientes pasos:
Determinar las variables de programacin: Estas variables deben reflejar las condiciones de operacin de la planta y permitir establecer expresiones simples que relacionen los parmetros del controlador con las variables de ajuste. Esto se hace normalmente mediante la identificacin fsica del sistema. Obtener el modelo del proceso para diferentes puntos de operacin: estos puntos deben estar parametrizados por las variables de programacin. Si el sistema es no lineal se linealiza alrededor de dichos puntos. Calcular los parmetros del controlador para los diferentes puntos de operacin: Se calculan los parmetros del controlador para un determinado nmero de condiciones de trabajo, en funcin de las variables de programacin, empleando algn mtodo de diseo apropiado. El controlador se calibra o sintoniza para cada condicin de operacin. No existe norma sobre el nmero de condiciones o zonas de operacin en que debe dividirse el rango de operacin de la planta, el diseador decide al respecto. Seleccionar el controlador en funcin de las variables de programacin: segn el punto de operacin en que se encuentre el proceso, se selecciona el controlador diseado para dicho punto de operacin. Para evitar los inconvenientes que puede causar la conmutacin de un controlador a otro se puede generar una ecuacin de regresin que permita calcular los parmetros del controlador en funcin de las variables de programacin. En la figura 5.1 se presenta un diagrama bsico de la tcnica de control por ganancia programable.
Programacin Precalculada
Punto de Trabajo
EJEMPLO 5.1 La figura 5.2 muestra la respuesta de un intercambiador de calor ante escalones aplicados en diferentes zonas de operacin. La temperatura se midi con un
instrumento calibrado de 0 a 100 C y la apertura de la vlvula se da en porcentaje. Disear para el sistema un controlador PI con ganancia programable.
SOLUCIN: La dinmica del intercambiador se aproxim a un sistema de primer orden con retardo. Se obtuvo un modelo para cada uno de los escalones aplicados, se discretizaron los modelos y para cada uno de ellos se calcul un controlador PI utilizando el mtodo de Ziegler-Nichols. Los resultados se dan en la tabla 5.1 Modelos continuo y discreto:
Controlador PI:
22 40 52 67 78
y de
Los datos presentados en la tabla 5.1 y las ecuaciones de regresin para estimar los parmetros y del controlador, se obtienen a partir de los valores de los puntos de
operacin y de los modelos de primer orden con retardo correspondientes. Para ello se utiliz el programa en MATLAB que se da a continuacin:
% GANANCIA PROGRAMABLE % El programa calcula un controlador PI segn Ziegler-Nichols % Para este caso, el modelo debe ser de primer orden con retardo POR % Para cada punto de operacin se debe estimar el modelo correspondiente. % Puntos de operacin: los valores medios de la respuesta de la variable en cada uno % de los escalnes. clc T=input('Entre los puntos de operacion V=');
L=length(T); N=0; while N<L N=N+1 n=input('Entre el numerador n='); d=input('Entre el denominador d='); R=input('Entre el retardo R='); TM=input('Entre el periodo de muestreo TM='); [a,b,c,d1]=tf2ss(n,d); [ad,bd,cd,dd]=c2dt(a,b,c,TM,R); [nd1,dd1]=ss2tf(ad,bd,cd,dd); k=length(nd1); for j=1:k if (abs(nd1(j)))<10^(-8) nd1(j)=0; else nd1(j)=nd1(j); end end printsys(nd1,dd1,'z') theta=R+TM/2; kc=0.9*d(1)/(n*theta); ti=3.33*theta; qo=kc*(1+TM/(2*ti)) q1=-kc*(1-TM/(2*ti)) qo1(N)=qo q11(N)=q1 end disp('Los coeficientes para el calculo de qo sn:') coeqo=polyfit(T,qo1,4); disp('Los coeficientes para el calculo de q1 son:')
coeq1=polyfit(T,q11,4); T1=50:95; qo2=polyval(coeqo,T1); q12=polyval(coeq1,T1); figure(1) plot(T1,qo2,T,qo1,'*') title('VALORES DE qo') xlabel('T (C)') ylabel('qo') grid figure(2) plot(T1,q12,T,q11,'*') title('VALORES DE q1') xlabel('T (C)') ylabel('q1') grid
con la temperatura
VALORES DE qo 2.5
qo
1.5 1 20
30
40
50 T (C)
60
70
80
90
con la temperatura
con la temperatura
q1
-1.4 -1.6 -1.8 -2 20 30 40 50 T (C) 60 70 80 90
con la temperatura
La figura 5.5 muestra la forma de simular el sistema con ganancia programable con el controlador PI. Los polinomios para el clculo de y se incluyen en el bloque f(u).
r(k)
m(k)
1.5 42s+1 20
e(k)
-1 Z -Kf(u)
D To Workspace
qo
-1 Z e(k-1) q1 -Kf(u)
Figura 5.5 Simulacin para el ejemplo 5.1 Los resultados de la simulacin se muestran en la figura 5.6, se manejaron los puntos de operacin correspondientes a 40, 70 y 50 C respectivamente. Para disminuir el sobreimpulso los valores estimados para y se multiplicaron por 0.75
Otra alternativa para realizar el control por ganancia programable consiste en seleccionar un controlador fijo para cada punto de operacin. En este caso se utilizan ciertos valores de la variable de programacin para realizar la conmutacin entre los diferentes controladores. En el ejemplo 5.2 se ilustra el mtodo.
EJEMPLO 5.2 La dinmica de los tanques interconectados de la figura 5.7 se describe mediante las ecuaciones diferenciales no lineales:
ganancia de realimentacin incluyendo integrador de modo que los polos de lazo cerrado del sistema queden ubicados en . c) Simule el
sistema de control obtenido con el sistema no lineal propuesto originalmente. SOLUCIN: Para ilustrar el procedimiento se resuelve completamente el problema para el punto de equilibrio correspondiente a de equilibrio se presentan en la tabla 5.2 La dinmica del sistema linealizado se puede representar mediante la ecuacin de estado: . Los resultados para todos los puntos
En donde:
Las derivadas parciales se calculan en el punto de equilibrio: Los puntos de equilibrio cumplen con la condicin: es decir:
Resolviendo las dos ecuaciones anteriores para equilibrio es: Para el clculo de las matrices y se tiene:
La matriz de ganancia de realimentacin del sistema incluyendo integrador est dada por la frmula de Ackerman:
En donde:
Siendo
Entonces:
Entonces:
En la tabla 5.2 se presentan los valores de la ganancia del integrador y de la matriz de ganancia de realimentacin para cada punto de operacin.
A continuacin se presenta el programa en Matlab utilizado para realizar los clculos de la matriz de ganancia de realimentacin y de la ganancia del integrador. % GANANCIA PROGRAMABLE % gananciavar11 % Se trabaja conjuntamente con el diagrama gananciavar1 de simulink clc % Generacion de puntos de operacion t=0:1999; t=t'; ref1=[0.4*ones(600,1)]; ref2=[0.7*ones(500,1)]; ref3=[0.5*ones(500,1)] ref4=[0.3*ones(400,1)]; reft=[ref1;ref2;ref3;ref4]; ref=[t,reft]; %Parametros y puntos de operacion q1=0.4; q2=0.8; q3=0.6; q4=0.2; % Estados de equilibrio para punto1 h1=8*q1^2; h2=4*q1^2; a11=-0.25/sqrt(h1-h2);
a12=0.25/sqrt(h1-h2); a21=0.25/sqrt(h1-h2); a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2); b11=1; b21=0; c=[1 0]; % Matrices linealizadas punto1 a=[a11 a12;a21 a22]; b=[b11;b21]; c=[1 0]; cero=zeros(length(a),1); A=[a cero;c 0]; B=[b;0]; p=[-0.1 -0.2 -0.5]'; % Polos deseados K1=acker(A,B,p); k11=K1(1,1:2); k21=K1(1,3); % Estados de equilibrio para punto2 h1=8*q2^2; h2=4*q2^2; a11=-0.25/sqrt(h1-h2); a12=0.25/sqrt(h1-h2); a21=0.25/sqrt(h1-h2); a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2); b11=1; b21=0; c=[1 0]; % Matrices linealizadas punto 2 a=[a11 a12;a21 a22]; b=[b11;b21]; c=[1 0];
cero=zeros(length(a),1); A=[a cero;c 0]; B=[b;0]; K2=acker(A,B,p); k12=K2(1,1:2); k22=K2(1,3); % Estados de equilibrio para punto3 h1=8*q3^2; h2=4*q3^2; a11=-0.25/sqrt(h1-h2); a12=0.25/sqrt(h1-h2); a21=0.25/sqrt(h1-h2); a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2); b11=1; b21=0; c=[1 0]; % Matrices linealizadas punto 3 a=[a11 a12;a21 a22]; b=[b11;b21]; c=[1 0]; cero=zeros(length(a),1); A=[a cero;c 0]; B=[b;0]; K3=acker(A,B,p); k13=K3(1,1:2); k23=K3(1,3); % Estados de equilibrio para punto4 h1=8*q4^2; h2=4*q4^2; a11=-0.25/sqrt(h1-h2); a12=0.25/sqrt(h1-h2);
a21=0.25/sqrt(h1-h2); a22=-0.25/sqrt(h1-h2)-0.25/sqrt(h2); b11=1; b21=0; c=[1 0]; % Matrices linealizadas punto4 a=[a11 a12;a21 a22]; b=[b11;b21]; c=[1 0]; cero=zeros(length(a),1); A=[a cero;c 0]; B=[b;0]; K4=acker(A,B,p); k14=K4(1,1:2); k24=K4(1,3); sim('gananciavar1')
La figura 5.8 muestra el comportamiento del sistema ante cambios en la referencia y la figura 5.9 corresponde al diagrama de bloques en simulink realizado para simular el sistema.
Es una estrategia de control que se basa en la utilizacin de forma explcita de un modelo del proceso para predecir el valor de las variables controladas a lo largo de un horizonte temporal especificado por el usuario, calculando el valor de las variables manipuladas para hacer que en ese horizonte las variables controladas estn en sus valores de referencia. Los controladores predictivos calculan los valores de las variables manipuladas en cada periodo de muestreo de acuerdo con los valores de consigna deseados para las variables controladas y las restricciones y condiciones de operacin del proceso.
6.1
La metodologa de los controladores predictivos se caracteriza por la siguiente estrategia [4] , representada en la figura 6.1 En cada instante t y haciendo uso del modelo del proceso se predicen las salidas futuras para un determinado horizonte, llamado horizonte de prediccin. Estas salidas predichas, para dependen de los valores conocidos de y de las seales de control
Las seales de control futuras se calculan optimizando un determinado criterio en el que se pretende mantener el proceso lo ms prximo posible a la trayectoria de referencia (que puede ser directamente el set-point o una suave
aproximacin a este). Este criterio suele tomar la forma de una funcin cuadrtica de los errores entre la salida predicha y la trayectoria de referencia tambin predicha, incluyendo en muchos casos el esfuerzo de control. Si el criterio es cuadrtico, el modelo lineal y no existen restricciones se puede obtener una solucin explicita, en otro caso se debe usar un mtodo iterativo de optimizacin. Slo la seal de control se enva al proceso mientras que las dems seales
de control calculadas se desechan, puesto que en el siguiente instante de muestreo ya se conoce y se repite el paso 1 con este nuevo valor y todas las (que en principio
6.2 ESTRUCTURA BSICA DEL CONTROL PREDICTIVO Para llevar a cabo la estrategia propuesta, se usa una estructura como la mostrada en la figura 6.2. Se hace uso de un modelo para predecir las salidas futuras del proceso, basndose en las seales de control futuras propuestas. Estas seales son calculadas por el optimizador teniendo en cuenta la funcin de coste as como las restricciones.
El modelo elegido debe describir lo mejor posible la dinmica del proceso para poder predecir las salidas futuras al mismo tiempo que debe ser sencillo de usar y de comprender. El optimizador es otra parte fundamental de la estrategia pues proporciona las acciones de control.
6.3 ELEMENTOS DE CONTROL PREDICTIVO Hay una serie de elementos comunes a todos los controladores predictivos [4]: El modelo de prediccin. La funcin objetivo Obtencin de la ley de control 6.3.1 Modelo de prediccin. Debe ser capaz de capturar la dinmica del proceso para poder predecir las salidas futuras, al mismo tiempo debe ser sencillo de usar y comprender y adems, debe permitir un anlisis terico. A continuacin se presentan los principales modelos de procesos y de perturbaciones utilizados en la formulacin del control predictivo. Modelo de respuesta al impulso. Este modelo no requiere informacin previa sobre el proceso y permite una fcil identificacin del mismo. Esta representacin slo es vlida para sistemas estables. La figura 6.3 muestra la respuesta del sistema al impulso.
En donde:
Siendo unitario.
Modelo de respuesta al escaln. Este modelo no requiere informacin previa sobre el proceso y permite una fcil identificacin del mismo. Esta representacin slo es vlida para sistemas estables. La figura 6.4 muestra la respuesta del sistema al escaln.
En donde escaln y
En donde:
Esta representacin es tambin vlida para procesos inestables y tiene la ventaja de que necesita pocos parmetros. Modelo de las perturbaciones. Tan importante como la eleccin del modelo del proceso es la eleccin del modelo utilizado para representar las perturbaciones. Uno de los modelos ms utilizados para modelar las perturbaciones es el Autorregresivo Integrado de Media Mvil ARIMA): (Auto-Regressive and Integrated Moving Average,
A continuacin se definen los siguientes modelos estocsticos de los modelos de proceso y perturbaciones utilizados: Modelo ARX
Modelo ARMAX
Modelo ARIX
Modelo ARIMAX
6.3.2 Funcin objetivo: Los diversos algoritmos de control predictivo proponen distintas funciones de coste para la obtencin de la ley de control. En general se persigue que la salida futura en el horizonte considerado siga a una determinada seal de referencia al mismo tiempo que se puede penalizar el esfuerzo de control requerido para hacerlo. La expresin general de tal funcin objetivo es:
Parmetros: prediccin y
representan el horizonte mnimo y el horizonte mximo de es el horizonte de control. El significado de resulta bastante
intuitivo: marcan los lmites de los instantes en que se desea que la salida siga a la referencia. Los coeficientes y son secuencias que ponderan el comportamiento futuro.
6.3.3 Algoritmos de control predictivo: Existen diferentes algoritmos de control predictivo que han sido aplicados con xito: DMC, IDCOM, PFC, EPSAC, APC, GPC, MUSMAR, NPC, UPC, SCAP, HPC, etc. Control con matriz dinmica (Dynamic Matrix Control, DMC): Este mtodo usa la respuesta ante un escaln para modelar el proceso, considerando solo los primeros trminos, asumiendo por tanto que el proceso es estable. Control predictivo con modelo heurstico: (Model Predictive Heuristic Control, IDCOM) Este mtodo se conoce comercialmente como IDCOM (IdentificationCommand). Es muy similar al DMC con la diferencia principal de utiliza un modelo de respuesta impulsional.
Control predictivo funcional (Predictive Functional Control, PFC): Este algoritmo utiliza un modelo en el espacio de estados, por lo que permite el manejo de procesos inestables y procesos no lineales. Control adaptativo con prediccin extendida. (Extended Prediction Self Adaptive Control, EPSAC). El algoritmo EPSAC usa un modelo de funcin con transferencia:
Donde
es el retardo y
es la perturbacin.
Control adaptativo con horizonte extendido. (Extended Horizont Adaptive Control, EHAC) Esta formulacin tambin emplea un modelo de funcin de transferencia y pretende minimizar la discrepancia entre la salida calculada y la referencia en el instante El nico coeficiente de ajuste es el horizonte de prediccin , lo cual simplifica el uso
pero proporciona poca libertad para el diseo. No utiliza trayectoria de referencia porque el error se considera slo en un instante de control. Control predictivo generalizado. (Generalized Predictive Control, GPC) Este mtodo utiliza un modelo CARIMA (Controlled Auto-Regressive Integrated Moving Average) para la prediccin de la salida: , tampoco se pondera el esfuerzo
Donde la perturbacin viene dada por un ruido blanco coloreado por el polinomio . Este algoritmo, al igual que otros que usan el modelo de funcin de transferencia, se puede implementar fcilmente en forma adaptativa usando un algoritmo de identificacin en lnea como los mnimos cuadrados recursivos.
6.4 CONTROL PREDICTIVO GENERALIZADO (GPC) La idea bsica del GPC es calcular una secuencia de futuras acciones de control de tal forma que minimice una funcin de coste multipaso. El ndice a minimizar es una funcin cuadrtica que mide por un lado, la diferencia entre la salida predicha del sistema y una cierta trayectoria de referencia hasta el horizonte de prediccin, y por otro el esfuerzo de control necesario para obtener dicha salida.
6.4.1 Formulacin del control predictivo generalizado. El GPC utiliza un Modelo Autorregresivo de Media Mvil (Controller Auto-Regressive Moving-Average CARMA). Para aplicaciones industriales en las que las perturbaciones son no-estacionarias resulta ms conveniente el uso de un modelo CARMA integrado, dando lugar al CARIMA, que viene descrito por [5]:
En donde:
El algoritmo del Control Predictivo Generalizado consiste en aplicar una secuencia de seales de control que minimice una funcin de coste de la forma:
En donde: : Es la prediccin ptima de la salida del proceso pasos adelante. : Horizonte mnimo de coste. (Horizonte mnimo de prediccin). : Horizonte mximo de coste. (Horizonte mximo de prediccin). : Horizonte de control. y :Secuencias de ponderacin. En la prctica y se toma como
parmetro de diseo. : Es la trayectoria futura de referencia o Set-point. El objetivo es el clculo de la secuencia de control futura que la salida futura del proceso de tal manera
6.4.2 Prediccin ptima. Para minimizar la funcin de costo, es necesario obtener primero la prediccin ptima de en el intervalo . Aplicando el
Haciendo:
por
se obtiene:
Despejando
Haciendo
resulta:
se pueden obtener recursivamente, de forma que los nuevos ( y sean funcin de los del paso . , es decir:
La mejor prediccin de
se obtiene cuando
Donde:
Los dos ltimos trminos de la ecuacin 6.24 dependen solo del pasado por lo tanto, pueden agruparse en un solo trmino , dando lugar a:
6.4.3 Obtencin de la ley de control. La funcin de costo a minimizar propuesta para el control predictivo generalizado, segn la ecuacin 6.17 es [5]:
Reemplazando
se obtiene:
Haciendo:
Se obtiene:
La ecuacin 6.26 debe ser un mnimo, el cual se obtiene derivando la funcin con respecto a la variable e igualar el resultado a cero.
Para el clculo de la derivada se tienen en cuenta las siguientes propiedades del clculo matricial:
Es decir:
Por lo tanto:
, solo
interesa el primer elemento del vector . Por lo tanto, en la ecuacin 6.27 slo interesa la primera fila de la matriz as, la ley de control para el GPC queda:
Siendo
, la primera fila de
EJEMPLO 6.1 Para el sistema de control de la figura 6.6, disee un controlador predictivo. Asuma horizonte de prediccin 3, horizonte de control 3, y periodo de muestreo T=2 seg.
Figura 6.6 Sistema para el ejemplo 6.1 SOLUCION: La funcin de transferencia de pulso para el sistema es:
En donde:
En donde Con
Se obtiene:
Pero:
Entonces:
Es decir:
La figura 6.7 muestra el diagrama en bloques del sistema con el controlador predictivo calculado para el sistema.
Figura 6.7 Diagrama en bloques para el control predictivo del ejemplo 6.1
En la figura 6.8 se presenta la respuesta del sistema con el control predictivo con diferentes valores de la referencia .
El periodo de muestreo es de 0.5 s. Calcular para el sistema, un controlador predictivo con , horizonte mnimo de prediccin 3, horizonte mximo de prediccin 5 y
horizonte de control 5. SOLUCIN: La funcin de transferencia del sistema se puede escribir como:
En donde:
Entonces:
es:
Es decir:
En donde
es la primera columna de
. Con
se obtiene:
Por lo tanto:
Es decir:
Finalmente:
6.5
Los mtodos de control basados en modelos, incorporan dentro del controlador un modelo del proceso. Este tipo de control es conocido como control con modelo interno o , por sus siglas en ingls. La figura 6.9a muestra un sistema de control realimentado en donde GP(S) es el modelo de la planta y es el controlador del sistema. La figura 6.9b muestra el diagrama de es un modelo es el modelo del
bloques bsico del sistema de control basado en modelo, en donde de la planta , en la prctica se hace y
La ecuacin 6.29 es la base para el diseo de los controladores del tipo PID cuyos parmetros se calculan aplicando alguna de las tcnicas de control con modelo interno.
Figura 6.9 a) Sistema de control realimentado. b) Estructura IMC bsica Tomando como base la estructura general, Rivera, Morari y Stogestad
demostraron que para modelos simples esta estructura conduce a controladores del tipo PID y desarrollaron un procedimiento para obtener los controladores y lograr un cierto desempeo deseado. Para lograr la solucin redefinieron el controlador IMC como:
Donde
es un filtro pasa bajo, que debe seleccionarse de manera que garantice que sea propia. El filtro es de la forma:
EJEMPLO 6.3 Se desea disear un controlador PI con modelo interno para un sistema de primer orden sin retardo. Obtener los parmetros y del controlador.
como:
Con
Se obtiene:
Con un procedimiento similar al anterior, Rivera et al dedujeron, para diferentes modelos de la planta, los parmetros para los controladores como se indica en la tablas 6.1 y 6.2. Es necesario tener en cuenta que la ganancia del controlador vara inversamente con el valor del parmetro es decir, si es pequeo la ganancia del es grande
la ganancia del controlador es pequea y la respuesta del sistema en lazo cerrado es lenta. La tabla 6.1 se aplica a un modelo de primer orden con retardo:
Para obtener los parmetros de dicha tabla, Rivera, Morari y Stogestad utilizan una aproximacin de Pad de primer orden para el retardo as:
EJEMPLO 6.4 El modelo de cierto sistema de flujo puede aproximarse al de un sistema de segundo orden sin retardo con funcin de transferencia:
Obtenga para el sistema un controlador PID con modelo interno. Asuma como periodo de muestreo . Resuelva el problema para y y grafique las
son:
son:
La figura 6.10 muestra la respuesta del sistema de flujo a un escaln unitario. Como puede verse, para sistema con la respuesta del sistema es ms rpida que para el pero presenta un sobreimpulso considerable (18%). Por lo
tanto, cuando se disean controladores por el mtodo de control con modelo interno es necesario seleccionar el valor de un desempeo adecuado. adecuado para que el sistema en lazo cerrado tenga
6.6 DISEO DE COMPENSADORES POR EL MTODO DE RAGAZZINI Para el sistema de control discreto mostrado en la figura 6.11, la funcin de transferencia de lazo cerrado es:
Si se especifica cul debe ser el comportamiento de la planta en lazo cerrado, es decir, si se especifica , el compensador resultante a partir de la ecuacin 6.32 es:
Figura 6.11 Sistema de control digital Como puede verse, a partir de la ecuacin 6.33, una parte del controlador cancela los polos y ceros de la planta. El problema consiste en establecer e implementar restricciones especficas sobre de modo que el controlador sea realizable y que el
sistema, en lazo cerrado, tenga un comportamiento adecuado. Dichas restricciones se pueden resumir en las siguientes [7]: 1. Restriccin de causalidad: un sistema causal o realizable es aquel que no responde antes de ser excitado. Para que necesario que y en la ecuacin 6.33 sea causal, es
es de la forma:
En donde:
el
cualquier error en la cancelacin entre ceros y polos har que con el tiempo, el sistema se haga inestable. Entonces, para que los polos inestables se cancelen, se deben cumplir las siguientes condiciones: debe tener como ceros todos los polos de crculo unitario. debe tener como ceros todos los ceros de crculo unitario. 3. Restriccin de exactitud: Como en lazo cerrado, entonces: es la funcin de transferencia del sistema que estn fuera del que estn fuera del
Si el sistema es tipo 1, con constante de error de velocidad Kv, debe tener un error de estado estable igual a cero ante una entrada en escaln unitario y 1/K v de error de estado estable ante una entrada en rampa unitaria, es decir: Para un escaln unitario :
La aplicacin de las restricciones anteriores y el cumplimiento de las especificaciones impuestas al sistema, permiten el diseo del compensador.
EJEMPLO 6.5 La figura 6.12 representa el esquema de una antena diseada para rastrear un satlite. La dinmica del sistema que describe el movimiento de la antena se puede aproximar mediante la expresin:
Disear un compensador de modo que el sistema, en lazo cerrado, tenga tiempo de crecimiento de 10 seg, sobreimpulso mximo velocidad igual a 2. 10% y coeficiente esttico de error de
SOLUCION: La constante de tiempo equivalente del sistema continuo en lazo cerrado es: . Por lo tanto, se puede tomar como periodo de muestreo .
La ubicacin deseada para los polos de lazo cerrado est dada por:
a) Restriccin de causalidad :
con respecto a
en
, es decir:
resulta:
se obtiene:
Por lo tanto:
La funcin de transferencia de lazo cerrado del sistema, con el controlador diseado, es:
La figura 6.13a corresponde a la respuesta del movimiento de la antena cuando se le aplica un escaln unitario en la seal de referencia y la figura 6.13b representa la accin del controlador sobre el elemento final de control de la misma. Como puede verse, el controlador presenta oscilaciones ocultas ("efecto timbre"), debido al polo ubicado en . Para obviar el problema se reemplaza dicho polo por una
La figura 6.13c representa la respuesta del movimiento de la antena y la figura 6.13d la accin del controlador sobre el elemento final de control de la misma al aplicar un
escaln unitario en la referencia, una vez suprimido el efecto timbre que produca el controlador.
Figura 6.13 Respuesta del movimiento de la antena y del controlador al aplicar un escaln unitario a) y b) con efecto timbre c) y d) sin efecto timbre. REFERENCIAS [1] Rodriguez, R. Lopez, M. Control Adaptativo y Robusto. Universidad de Sevilla.1996. [2] Astrm, K. Wittenmark, B. Adaptive Control. Addison Wesley, 1989. [3] Iserman,R. Lachman,K. Adaptive Control Systems. Prentice Hall 1991. [4] Bordons, C. Control Predictivo: metodologa, tecnologa y nuevas perspectivas.
Departamento de Ingeniera de Sistemas y Automtica. Universidad de Sevilla. 2000 [5] Camacho,E. Bordons, C. Model Predictive Control. Springer Verlag, 1999. [6] Franklin, G. Powell, D. Digital Control of Dynamic Systems. Addison Wesley, 1990. Ollero, A. Control por Computador. Descripcin interna y diseo ptimo. Marcombo Boixareu Editores, 1991. Phillips, C. Nagle, H. Digital control systems. Anlysis and Desing. Ediciones G. Gili. 1997.
BIBLIOGRAFA SUGERIDA strm, K., Hgglung: Automatic Tuning of PID Controllers, ISA.1988 strm, K., Wittenmark: Adaptive Control, Prentice Hall.1989 strm, Karl J.: Computer Controlled Systems. Theory and Design, Prentice Hall. 1984. Bellman, R.: Adaptive Control Processes: A Guided Tour, Princeton University. 1961. Bordons, C. Control Predictivo: metodologa, tecnologa y nuevas perspectivas.
Departamento de Ingeniera de Sistemas y Automtica. Universidad de Sevilla. 2000. Camacho,E. Bordons, C. Model Predictive Control. Springer Verlag, 1999. Franklin, G. Powell, D. Digital Control of Dynamic Systems. Addison Wesley, 1990. Isermann, R.: Digital Control Systems, Springer Verlag .1981. Iserman,R. Lachman,K. Adaptive Control Systems. Prentice Hall 1991. Kuo, B: Discrete Data Control Systems, Prentice Hall. 1970 Ljung, Lennart : System Identification: Theory for the User, 2nd Edition, Prentice Hall, Englewood Cliffs, N.J. 1999. Ljung, Lennart: System Identification Toolbox, for use with Matlab, User's Guide Version 4, The MathWorks, Inc, Natick, MA.1997. Ollero, A. Control por Computador. Descripcin interna y diseo ptimo. Marcombo Boixareu Editores, 1991. Phillips, C. Nagle, H. Digital control systems. Anlysis and Desing. Ediciones G. Gili. 1997. Richalet, J.: Pratique de la Commande Predictive, Hermes.1993 Rodriguez, R. Lopez, M. Control Adaptativo y Robusto. Universidad de Sevilla.1996. Sinha, N. K.: Modelling and Identification of Dynamic Systems, Van Nostrand Reinhold Co.1983. Sderstrm, T. & Stoica, P.: System Identification, Prentice Hall, Englewood Cliffs, N.J. 1989.