UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

Captulo 5 Control Adaptivo

La aplicacin de sistemas de control fijos se justifican en procesos donde su dinmica es perfectamente conocida; sin embargo, en la prctica estos sistemas tienen una aplicacin limitada, debido a que los parmetros que definen el modelo (inercias, rozamientos, etc.) no son conocidos con precisin, o porque el clculo en tiempo real es excesivamente lento. La estrategia de Control Adaptivo se puede aplicar con buenos resultados en aquellos casos en que el modelo, aun siendo conocido, cambia continuamente por cambiar las condiciones de funcionamiento. Los sistemas de control adaptivo modifican en tiempo real sus parmetros de acuerdo a las cambiantes propiedades del proceso y de las seales que interactan sobre dicho proceso. En el caso de un robot, es evidente que el comportamiento del sistema, y por lo tanto el modelo del mismo, cambia con los valores de sus variables articulares y con la carga que transporta. Suponiendo que se hubiese ajustado un controlador para unas condiciones determinadas de localizacin del robot y carga manipulada, este ajuste no sera vlido cuando alguna de estas condiciones cambiase.

5.1 Introduccin
El uso de la estrategia de control adaptivo permite reajustar los parmetros del controlador cada vez que el comportamiento del robot se modifica, de modo que los movimientos de ste se aproximen siempre a las especificaciones deseadas. Existen dos tipos principales de control adaptivo: el control adaptivo con modelo de referencia (MRAC) y el control adaptivo con autosintonizacin o autoajustable. Este ltimo es el que trataremos en este captulo. Las funciones bsicas comunes a la mayora de los sistemas de control adaptivo son: 1. La identificacin de los parmetros desconocidos o la medicin de un ndice de desempeo o funcin de costo, 2. La decisin sobre la estrategia de control, y 3. La modificacin en lnea (on line) de los parmetros del controlador o de la seal de entrada (de la planta). En las figuras 5.1 y 5.2 se muestran dos tipos bsicos de sistemas MRAC, denominados MRAS (Model Reference Adaptive System). En el primer tipo (MRAS de parmetro adaptable) toma la diferencia entre la salida del modelo y la salida del proceso, y lo utiliza para modificar los parmetros del controlador. En el segundo (MRAS de sntesis de seal), utiliza dicha diferencia para generar una entrada auxiliar a la planta o proceso. 99 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

Modelo de referencia ym

+
r Entrada de referencia Sistema ajustable Mecanismo de adaptacin

e -

+
u Controlador

yp Planta Salida de la planta

Figura 5.1: Sistema MRAC de parmetro adaptable.

Modelo de referencia ym

+
r Entrada de referencia Mecanismo de adaptacin

e -

+
u Controlador

yp Planta Salida de la planta

Figura 5.2: Sistema MRAC de sntesis de seal.

100 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA Control Avanzado _________________________________________________________________________ Existen tres estructuras de los sistemas MRAC. La estructura de uso ms comn es la estructura MRAS paralela, que se muestra en la figura 5.3, as como en las figuras 5.1 y 5.2. Las otras dos configuraciones correspondientes a los MRAS en serie y a los MRAS en serie y paralelo se muestran en las figuras 5.4 y 5.5, respectivamente.
FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Mecanismo de adaptacin

e -

Modelo de referencia

ym

Sistema ajustable

yp

Figura 5.4: MRAS serie.

Modelo de Referencia (en paralelo)

Mecanismo de adaptacin

+ -

Modelo de Referencia (en serie)

Sistema ajustable

yp

Figura 5.5: MRAS en serie y paralelo.

5.2 Control Adaptivo con Autosintonizacin

101 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

Luego de una rpida presentacin de los esquemas representativos del control adaptivo MRAC, a continuacin trataremos sobre el sistema de control adaptivo con autosintonizacin, cuya configuracin se muestra en la figura 5.6. Podemos observar que consta de varios bloques, como el estimador de parmetros (el RLS: mnimos cuadrados recursivo mejorado), estimador de estados (el filtro de Kalman), un controlador proporcional integral ptimo cuadrtico con realimentacin de estados y un modelo lineal del proceso. La ley de control U, permitir minimizar la diferencia entre la referencia y la salida del proceso. La seal de control U actuante en el proceso, es la suma de la ley de control de equilibrio U y la ley de control residual u, expresada como U = U + u .

Figura 5.6: Sistema de control con autosintonizacin

5.3 Modelo del Proceso

Dado el siguiente proceso dinmico no lineal en tiempo continuo: & = f ( X , U (t ), v( x, t ), t ) X Y = h ( X , U (t ), w( x, t ), t ) (5.1) (5.2)

donde X es el vector de estado de orden n, U(t) es la ley de control de orden uno, f(.) es una funcin lineal que puede contener disturbios v(.) en los estados, h(.) es una funcin no lineal que puede contener disturbios w(.) en la salida. Linealizando las ecuaciones (5.1) y (5.2) se obtiene el modelo lineal siguiente:

102 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________ & (t ) = [ A + A] X (t ) + [ B + B]U (t ) + v( X , t ) X Y (t ) = [C + C ] X + w( X , t ) (5.3) (5.4)

siendo A la matriz de estado (n x n), B la matriz de control (n x 1), C la matriz de salida (1 x n), v(X,t) es un vector de disturbios de orden n, w(X,t) es un disturbio de orden uno, Y(t) es la salida del proceso de orden uno, y A, B, C son las correspondientes incertidumbres acotadas. La representacin discretizada del proceso lineal continuo, es la siguiente: X (k + 1) = GX (k ) + HU (k ) Y (k ) = CX (k ) (5.5) (5.6)

donde las matrices G y H son de la misma dimensin que las matrices A y B, respectivamente, y k es el ndice de tiempo discreto. La representacin polinomial de las ecuaciones (5.5) y (5.6) es: A( z 1 ) y ( z ) = B ( z 1 )u ( z ) con A( z 1 ) = 1 + a1 z 1 + a2 z 2 + L + an 1 z n 1 + an z n B ( z 1 ) = b1 z 1 + b2 z 2 + L + bn 1 z n 1 + bn z n Si usamos las relaciones residuales u = U U ; ecuaciones (5.5) , (5.6) y (5.7) se obtiene: x = X X; y = Y Y en las (5.8) (5.7)

x(k + 1) = Gx(k ) + Hu (k ) y (k ) = Cx(k ) A( z 1 )Y (k ) = B( z 1 )U (k ) + La constante se determina de la siguiente relacin: = (1 + a1 + a 2 + L + a n 1 + a n )Y (b1 + b2 + L + bn 1 + bn )U

(5.9) (5.10) (5.11)

(5.12)

5.4 Procedimiento de Estimacin

Se tratarn los procedimientos de estimacin o identificacin en lnea (on line) de los parmetros y los estados del modelo del proceso.

103 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

5.4.1 Estimacin de Parmetros por el mtodo de los Mnimos Cuadrados Recursivo (RLS)
De la figura 5.6 se observa que la ley de control y la salida del proceso para estimar los parmetros son las seales actuales U(k) e Y(k). Para tal propsito, la ecuacin (5.11) tomar la siguiente forma: (k ) Y (k ) = T (k ) (5.13)

donde el vector de informacin (o de medicin) contiene la informacin de los valores presentes y pasados de la entrada U y de la salida Y, de la siguiente forma:

T (k ) = [Y (k 1) L Y (k n) U (k 1) L U (k n) 1]
y el vector contiene los parmetros a ser estimados, es decir: 1 (k ) L b n (k ) ] T (k ) = [ a 1 ( k ) L a n (k ) b

(5.14)

(5.15)

Ahora, considerando la respuesta en estado estable, es decir cuando z = 1, entonces la ecuacin (5.11) viene a ser: A(1)Y = B(1)U + (5.16)

Pasos a seguir en la aplicacin del mtodo RLS:

(0) usando los parmetros del modelo del 1. Obtener el vector de parmetros inicial proceso (ver ecuacin (5.8)). 2. Obtener el valor inicial del parmetro (0) empleando la ecuacin (5.12), con U = 0 e Y (referencia). 3. La matriz de covarianza inicial P puede tener la forma P = I, donde I es la matriz identidad y >> 1. 4. Tomar nuevas mediciones de Y(k) y de U(k) en el proceso, para obtener una nueva ecuacin de la forma dada en (5.13). 5. Calcular el error de estimacin (ecuaciones (5.14) y (5.15)). (k ) e(k ) = Y (k ) T (k ) 6. Sabiendo que P (k ) = T (k ) (k )

, calcular i (k ) = P(k ) (k ) . 104

M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________ 7. Calcular: j (k ) = T (k ) i (k ); (k + 1) = (k ) + (k )e(k ); 8.

(k ) = i (k ) / [ + j (k )]
P(k + 1) = [ I (k ) T (k )]P(k ) /

(k + 1) = (k ) . Actualizar P (k ) = P(k ) y

Ejemplo 5.1: Estimar los parmetros del proceso servomotor D.C. con carga no lineal, que se muestra en la figura 5.7, empleando el mtodo RLS. Emplee el modelo lineal de segundo orden del proceso y como seal excitadora use un escaln de magnitud 0.4. Grafique la respuesta del proceso.

Figura 5.7: Servomotor con carga no lineal.

Solucin El modelo linealizado de este proceso es de tercer orden, sin embargo si se desprecia la inductancia de armadura, se obtendr un modelo de segundo orden, de la forma: x & = Ac x + Bcu y = Cc x donde:

105 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________ 1 0 2 B Kn E Ac = + M MR 0 Bc = KnK act ; Cc = (1 0 ) MR El siguiente programa ejem5_1.m estima los parmetros del proceso: (5.17)

106 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

Las grficas resultantes se muestran en las figuras 5.8, 5.9 y 5.10.

Figura 5.8: Respuesta del modelo lineal del proceso a un escaln de magnitud U = 0.4. 107 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

Figura 5.9: Parmetros estimados a 1 ( k ) y a 2 (k ) .

1 (k ) y b 2 (k ) . Figura 5.10: Parmetros estimados b

108 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

5.4.2 Estimacin de Parmetros por el mtodo de los Mnimos Cuadrados Recursivo (RLS) Mejorado
El algoritmo RLS bsico tratado en la subseccin 5.4.1, podra presentar problemas de carcter numrico que afectaran el diseo del controlador con autosintonizacin. Por lo cual se hace necesario emplear el mtodo RLS mejorado, cuyos pasos para su implementacin se presenta a continuacin: (ver el libro: Control Avanzado, Diseo y Aplicaciones en Tiempo Real Autor: Dr. Arturo Rojas)

109 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

Control Avanzado _________________________________________________________________________

5.4.3 Estimacin de Estados

El modelo nominal del proceso con perturbaciones, puede ser descrito por: x(k + 1) = Ax(k ) + Bu (k ) + v(k ) y (k ) = Cx(k ) + w(k ) (5.18) (5.19) 110 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA Control Avanzado _________________________________________________________________________ (k ) , se puede reconstruir las Usando los elementos del vector de parmetros estimado (k ) , H (k ) . El vector de estado estimado x (k ) , C matrices estimadas G (k ) puede ser obtenido empleando el filtro de Kalman, con la siguiente ecuacin de observacin:
FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

(k ) x (k )] x (k ) = x (k ) + K o (k )[ y (k ) C y la ecuacin de actualizacin de estados ser: (k ) x (k )u (k ) x (k + 1) = G (k ) + H La matriz de ganancia Ko(k) de la ecuacin (5.20) se calcula de: T (k ) C (k ) Po (k )C T ( k ) + Ro K o (k ) = Po (k )C

(5.20)

(5.21)

(5.22)

donde Po(k) es una matriz definida positiva, solucin nica de la ecuacin matricial discreta de Riccati: T (k ) Po (k )G (k ) G T (k ) K o (k )C (k ) Po (k )G (k ) Po (k + 1) = Qo + G donde Qo y Ro son matrices de covarianza definidas positivas correspondiente a los disturbios v y w, respectivamente. (5.23)

5.5 La Ley de Control

Como estamos usando un controlador proporcional ptimo cuadrtico, debemos calcular una matriz de ganancia Kx que nos permite obtener una ley de control ptima u = Kx x(k), como resultado de la minimizacin de la funcin de costo: J = x T (k )Qx(k ) + u 2 (k ) R
k =0

(5.24)

donde la matriz Q = QT es semidefinida positiva y la matriz R es definida positiva. La matriz Kx se obtiene de: K x = R + H T SH

H T SG

(5.25)

donde S es la matriz definida positiva solucin nica de la siguiente ecuacin matricial discreta asociada de Riccati: 0 = S G T SG + G T SHK x (5.26)

111 M.Sc. Ral Benites Saravia

UNIVERSIDAD NACIONAL DE INGENIERIA Control Avanzado _________________________________________________________________________ Para mejorar el rendimiento del controlador en estado estacionario, es posible adicionar una accin integral en dicho controlador. Definiendo la variable z(k) como la integral (sumatoria) del error [Y (k ) Y (k )] :
FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

z (k ) = [Y (k ) Y (k )] = [ y (k )]; z (k + 1) = [ y (k )]
i =0 i =0 i =0

k 1

k 1

Luego: z (k + 1) = z (k ) y (k ) = z (k ) Cx(k ) Por consiguiente, la representacin en el espacio de estado del sistema aumentado es: x a (k + 1) = G a x a (k ) + H a u (k ) y (k ) = C x (k )
a a

(5.27)

(5.28) (5.29)

donde: x(k ) x a (k ) = z (k ) ; H Ha = 0 ; La matriz de ganancia Ka se obtiene de: K a = R + [ H a ]T P a H a G 0 G a (k ) = C 1 C a = (C 0) (5.30)

[ H a ]T P a G a

(5.31)

donde Pa es la nica matriz definida positiva solucin de la ecuacin matricial discreta asociada de Riccati: P a = Q a + [G a ]T P a G a [G a ]T P a H a K a (5.23)

Nota: Sobre el procedimiento de diseo, ver la pgina 221 del libro del Dr. Arturo Rojas.

112 M.Sc. Ral Benites Saravia