Control robusto

conclusiones
Como ya hemos podido ver, el objetivo primordial de los sistemas
de control esconseguir los requerimientos y parámetros necesarios para que
cada parte delproceso trabaje bajo una condición de estabilidad, garantizando
así como también unacondición de linealidad a través de un modelo
matemático, así como también abarcarlos problemas de incertidumbres
hacerlos tolerables a través de dispositivos llamadoscontroladores.El poder
determinar y acotar los inconvenientes que pudiesen surgir en una planta,
elpoder diseñar el controlador adecuado para dicho sistema y sobre todo
disminuircualquier tipo de error dentro de mismo es la necesidad o el
requerimiento de todaplanta, para ello el poder conocer, asimilar este tipo de
sistemas el primero paso parala estabilización de todo proceso, proveyendo
condiciones lo más reales posibles enun modelo muchas veces incierto

Bibliografía
Control automático II;

Miguel VillalobosIntroducción al control robusto;

Universidad de ValladolidIntroducción al control robusto;

Universidad pública de NavarraNociones de control robusto;

Universidad de LA plataControl avanzado;

Arturo Rojas-Moreno

EJEMPLOS

Sea el sistema diseñar un control tal que para el sistema

controlado sea estable
Solución
El controlador a diseñar es un Proporcional
–
Integral
–
Derivativo (PID) como semuestra en la imagen 1, cuya función de trasferencia es
Para el diseño de los controladores se deben fijar, en primer lugar, un
conjunto deespecificaciones deseadas para el comportamiento en régimen
transitorio y estacionarioque no pueden ser alcanzadas sin un controlador,
como lo son: el tiempo de establecimiento(
t s) y el sobredisparo
(M p). La siguiente tabla muestra las especificaciones deseadas.

Util
izando las especificaciones deseadas, se obtiene el factor de amortiguamiento ζ yla frecuencia
natural no amortiguada ωn

De la ecuación del porcentaje de sobredisparo obtenemos

El diseño del controlador PID, se realizó por medio de los siguientes pasos:

Definir la función de transferencia del controlador

Diseñar el polinomio deseado del sistema en lazo cerrado

Análisis de la estabilidad del sistema en lazo cerrado usando Routh Hurwitz

Para que el sistema sea estable se debe cumplir por el criterio de estabilidad
deRouth-Hurwitz que el polinomio tiene sus raíces en el semiplano abierto negativo
si todoslos elementos de la primera columna son positivos y no nulos, por lo tanto

El codigo que simula el comportamiento del sistema para diferentes valores de

a
conel controlador PID diseñado anteriormente es el siguiente
CONTROL NEURONAL

EJEMPLOS

En este ejemplo vamos a mostrar el comportamiento del algoritmo neuronal auto-ajustable

discutido en el epígrafe 8.13 en el control de sistemas no lineales con retardo puro.
Consideramos el siguiente modelo no-lineal para los procesos controlados:

La simulación del control neuronal auto-ajustable la hacemos utilizando en este caso el

ambiente de tiempo real creado en el sistema de simulación y control CPG (Aguado, 1992). En
la figura 8.30 se representa el comportamiento del sistema en lazo cerrado correspondiente a
los siguientes parámetros del proceso y del regulador:

Como puede apreciarse, en este caso se obtiene una respuesta prácticamente perfecta ante
cambios en escalón, tanto positivos como negativos. Dado que las constantes de tiempo y el
retardo son relativamente pequeños, es admisible el uso de valores de  y  relativamente
grandes, sin que se produzcan sobrecrestas positivas o negativas. Este tipo de comportamiento
se observa en forma general, es decir, para procesos de dinámica rápida, es posible un
aprendizaje rápido de la red. Hemos observado en algunos ejemplos, que son admisibles y
convenientes valores de  de hasta 5 y más, cuando las constantes de tiempo son del orden de
milisegundos. En la figura 8.31 se representa el comportamiento de lazo cerrado del sistema
para los siguientes valores de las constantes:

Es decir, se trata de un sistema no lineal con un valor muy grande de retardo que difícilmente
puede ser controlado adecuadamente, por ejemplo, con un regulador PID. No obstante, el
regulador neuronal logra una respuesta que puede considerarse muy buena, dadas las
características del proceso. Nótese que en este caso, los valores de  y  son
considerablemente más pequeños, como corresponde a un proceso de dinámica mucho más
lenta.

Ejemplo .

Vamos a mostrar a continuación los resultados que se obtienen cuando aplicamos el algoritmo
de control neuro-pid al problema del control de nivel en un tanque.
En la figura 8.33 se representa esquemáticamente el control del nivel en un tanque mediante
un regulador neuro-pid. Las ecuaciones que rigen este proceso pueden formularse de la
manera siguiente:

donde A representa el área transversal del tanque, Cv una constante que depende del tipo de
válvula y m es la apertura de la válvula que varía entre 0 y 1. Como puede apreciarse, estamos
en presencia de un sistema no lineal, ya que el flujo de salida F(t) depende de la raíz cuadrada
de la variable controlada h. El caudal de líquido a la entrada Q(t) representa una perturbación
sobre este proceso. Suponemos que el tanque tiene un área transversal de 20 ms2 y una altura
de 10 ms., el nivel puede fluctuar entre 0 y 8 ms. y el caudal de entrada varía entre 0 y 20 ms3
/min. El flujo de salida se controla manipulando la apertura m de la válvula de salida. Vamos a
estudiar el comportamiento de la variable controlada h ante cambios en la referencia entre 2 y
6 ms., así como cambios en la perturbación entre 8 y 12 ms 3 /min

En las figuras que siguen, la primera curva representa al comportamiento del nivel y su
referencia, en tanto que la segunda muestra el comportamiento de la variable de control. Así,
en la figura 8.34, se observa la respuesta excesivamente oscilatoria del nivel ante cambios de
referencia cuando se utiliza un coeficiente de aprendizaje = 0.0001. Una mejora considerable
se obtiene cuando el valor de  se reduce a 0.000001, como puede apreciarse en la figura
8.35. Puede decirse que, en general, el comportamiento en lazo cerrado del regulador neuro-
pid depende exclusivamente del valor de , correspondiendo a valores mayores respuestas
más rápidas y eventualmente más oscilatorias y viceversa

De los resultados mostrados puede concluirse que en general los valores óptimos del
coeficiente de aprendizaje para cambios en la referencia y para la compensación de
perturbaciones no coinciden, será necesario por tanto encontrar soluciones de compromiso en
cada caso particular.