Sunteți pe pagina 1din 87

Control Avanzado Luis Edo Garca Jaimes

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

ESQUEMAS BSICOS DE CONTROL ADAPTATIVO

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

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 1.1 Sistema de control autosintonizado

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

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 1.2 Sistema de control con modelo de referencia.

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

Parmetros del Controlador Controlador SP +

Programacin Precalculada

Planta Seal de Control Salida

Figura 1.3 Sistema de control con ganancia programable.

Control Avanzado Luis Edo Garca Jaimes

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

son variables que suministran informacin til acerca del sistema.

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.)

Control Avanzado Luis Edo Garca Jaimes

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

Control Avanzado Luis Edo Garca Jaimes

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.

El sistema dado por 2.1 queda descrito por la ecuacin en diferencias:

Control Avanzado Luis Edo Garca Jaimes

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

pares de mediciones de entradasalida del sistema:

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

es el vector de parmetros definido en la ecuacin 2.3 y:

Para facilitar el tratamiento matemtico, se definen las siguientes ecuaciones:

Control Avanzado Luis Edo Garca Jaimes

As, las ecuaciones dadas en 2.6 se pueden escribir en forma matricial cmo:

En donde:

Es de orden Es de orden ( Es de orden Es de orden

Al utilizar el mtodo de mnimos cuadrados para estimar

, el vector

debe ser tal

que minimice la suma de los cuadrados del error, es decir, que minimice la funcin:

Si se despeja e(N) de la ecuacin 2.9 y se reemplaza en la ecuacin 2.10 se obtiene:

El valor de

que minimiza a

debe cumplir con la ecuacin:

Es decir:

Por lo tanto, el valor estimado de

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

Control Avanzado Luis Edo Garca Jaimes

SOLUCIN: El modelo pedido es:

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:

Con los resultados anteriores se obtiene:

El modelo estimado es, entonces:

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 2.2 Respuesta del modelo estimado a la seal de entrada u(k)

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:

La ecuacin 2.14 se puede escribir en forma vectorial as:

En donde:

Control Avanzado Luis Edo Garca Jaimes

El procedimiento para la identificacin es el siguiente [1]: 1. Seleccionar y . y

2. Obtener los nuevos valores de 3. Calcular el error:

4. Calcular L(k+1) mediante la ecuacin:

5. Calcular los nuevos parmetros estimados:

6. Actualizar la matriz de covarianza:

7. Actualizar el vector de medidas: 8. Hacer y regresar al paso 2.

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

SOLUCIN: el modelo pedido es:

El vector a estimar es: Orden de P(k):

Control Avanzado Luis Edo Garca Jaimes

El orden de

es:

1. Se toma:

2. Nuevos valores de

y de

3. Calcular el error:

4. Calcular

5. Calcular los nuevos parmetros estimados

6. Actualizar la matriz de covarianza:

7. Actualizar el vector de medidas:

Control Avanzado Luis Edo Garca Jaimes

Control Avanzado Luis Edo Garca Jaimes

El modelo del sistema es:

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.

Control Avanzado Luis Edo Garca Jaimes

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

Control Avanzado Luis Edo Garca Jaimes

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:

En donde los grados de

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.

Control Avanzado Luis Edo Garca Jaimes

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:

El orden de en la ecuacin 3.3 est determinado por:

La ecuacin 3.3 genera

ecuaciones simultneas cuya solucin da como resultado los

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

Con la adicin del integrador se obtienen parmetros desconocidos haciendo: y

ecuaciones y el controlador tendr . La solucin de orden mnimo se obtiene

En este caso los parmetros del controlador se obtienen con la ecuacin:

Control Avanzado Luis Edo Garca Jaimes

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:

Teniendo en cuenta las ecuaciones 3.1, 3.2 y 3.7 se obtiene:

Resolviendo resulta:

Control Avanzado Luis Edo Garca Jaimes

Por lo tanto el controlador pedido es:

La figura 3.1 muestra la respuesta del sistema ante un escaln unitario aplicado en el set-point.

Figura 3.1 Respuesta del sistema al escaln unitario

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

Control Avanzado Luis Edo Garca Jaimes

En donde:

, es el valor de consigna o referencia.

Tambin se han propuesto controladores de mnima varianza minimizando el criterio:

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:

Figura 3.2 Proceso con perturbacin

Para el instante

, la ecuacin 3.10 se puede escribir en la forma:

Utilizando la identidad:

En donde:

La ecuacin 3.11 se transforma en:

Control Avanzado Luis Edo Garca Jaimes

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

Reemplazando la expresin para

en 3.13 resulta:

En la ecuacin 3.15 se debe calcular la accin de control de la salida:

que minimice la varianza

El mnimo de se encuentra derivando con respecto a

Resolviendo para

se obtiene la ley de control:

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

Control Avanzado Luis Edo Garca Jaimes

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:

Tomando la esperanza matemtica a lado y lado de la ecuacin se obtiene:

Para hallar el valor mnimo de la ecuacin anterior se deriva con a respecto

Despejando

se obtiene la ley de control as:

La ecuacin 3.19 corresponde al controlador de mnima varianza con seguimiento de referencias.

Control Avanzado Luis Edo Garca Jaimes

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

Figura 3.4 Control de mnima varianza con seguimiento de referencias (MVR2)

Controlador de mnima varianza ponderado: en este caso se debe calcular la accin de control que minimice la varianza de la salida:

Tomando la esperanza matemtica a lado y lado de la ecuacin 3.20 se obtiene:

Para hacer mnimo el valor de

es necesario calcular su derivada con respecto a

e igualar

el resultado a cero lo cual da como resultado:

Resolviendo para

se obtiene la ley de control:

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

Figura 3.5 Control de mnima varianza ponderado (MVR1)

Control Avanzado Luis Edo Garca Jaimes

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:

Solucin: La funcin de transferencia del sistema y de la perturbacin se pueden escribir en la forma:

En donde:

Con

, se obtiene:

Igualando los coeficientes de igual potencia en

se obtiene:

Resolviendo se obtiene:

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 3.6 Respuesta con el controlador de mnima varianza (MVR3)

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:

Control Avanzado Luis Edo Garca Jaimes

El modelo discreto correspondiente para dicho sistema es:

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

del modelo, los parmetros

del controlador que ha de

pueden calcularse especificando un polo dominante en lazo cerrado en cancelarse con el cero del controlador. Resolviendo

se puede determinar la ubicacin de los n polos restantes,

comprobndose que corresponden a polos no dominantes que decaen rpidamente y que el polo es efectivamente el polo dominante.

Este mtodo de diseo de controladores PI se recomienda especialmente cuando:

En donde T es el periodo de muestreo del sistema.

EJEMPLO 3.3 Un sistema de flujo tiene como funcin de transferencia:

Control Avanzado Luis Edo Garca Jaimes

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:

El controlador PI toma la forma:

Si se asume que el cero del controlador cancela el polo de la planta, entonces . El polo dominante deseado es , por lo tanto:

El controlador pedido es:

La figura 3.7 muestra la respuesta del sistema con el controlador PI calculado.

Figura 3.7 Respuesta con el controlador PI por cancelacin y asignacin de polos.

Control Avanzado Luis Edo Garca Jaimes

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.

Control Avanzado Luis Edo Garca Jaimes

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

y del error en los parmetros. Esta funcin es de la forma:

Donde las matrices

deben ser definidas positivas.

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.

Normalmente tiene la forma:

Control Avanzado Luis Edo Garca Jaimes

, est relacionado directamente con el error seales (Referencia, salida etc.)

tiene que ver con el vector de

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:

Si se toma como modelo de referencia:

El error es:

La ecuacin de la planta se puede escribir como:

Haciendo:

Se obtiene:

En donde

es la salida y

es la ley de control.

La ecuacin del modelo de referencia se puede escribir como:

Para que el error sea cero se debe cumplir que:

por lo tanto:

Despejando :

Control Avanzado Luis Edo Garca Jaimes

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.

Los valores apropiados de

que se adapten al sistema de control se pueden

determinar tomando en cuenta las siguientes consideraciones:

Reemplazando 4.8 y 4.9 en 4.13 se obtiene:

Reemplazando 4.12 en 4.14:

Sumando y restando

en la ecuacin anterior se obtiene, despus de simplificar:

De la ecuacin 4.15 se deduce que

si

, y

Se trata de disear un sistema que lleve los parmetros Para este propsito se define la funcin de Lyapunov:

a los valores deseados.

Esta funcin es cero cuando ptimo.

y los parmetros del controlador tengan su valor

Control Avanzado Luis Edo Garca Jaimes

Derivando parcialmente la ecuacin la ecuacin 4.16 con respecto a los parmetros se obtiene:

Reemplazando la ecuacin 4.15 en la 4.16 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:

Control Avanzado Luis Edo Garca Jaimes

5 s+5 R u to 2 Modelo de Ref 4 0.8s+1 Proceso

ym e yp

1 s So -2 1 s

Figura 4.2 Diagrama de bloques y respuesta del control MRAC

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

son parmetros del proceso variables en el tiempo.

Control Avanzado Luis Edo Garca Jaimes

Sea el modelo de referencia:

Se asume como ley de control para el sistema [3]:

En donde

es la seal de referencia.

La ecuacin diferencial que describe el sistema es:

Factorizando y simplificando se obtiene:

La ecuacin diferencial del modelo de referencia es:

Restando las ecuaciones 4.26 y 4.27 se obtiene:

Introduciendo los parmetros de error:

Y teniendo en cuenta que el error es:

Se obtiene:

La ecuacin anterior se puede escribir as:

Ahora se introduce la funcin de Lyapunov:

En donde

son constantes positivas.

Control Avanzado Luis Edo Garca Jaimes

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

Factorizando y simplificando se obtiene:

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

ecuacin 4.33 si:

De la ecuacin 4.29 se obtiene:

Integrando cada una de las ecuaciones anteriores se obtiene:

Control Avanzado Luis Edo Garca Jaimes

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:

El modelo del proceso a controlar se tom como:

El modelo de referencia se tom como:

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

Control Avanzado Luis Edo Garca Jaimes

Figura 4.3 Control MRAC para sistema continuo de segundo orden

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:

Mediante la aplicacin de la ley de control:

En donde:

Control Avanzado Luis Edo Garca Jaimes

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.

3. Los ceros estables del proceso se incluyen en el polinomio

es decir:

4. Los ceros inestables del proceso deben ser ceros de

, es decir, ceros de

5. Si el grado de

seleccionado es menor que el grado de , el lado derecho de la ecuacin 4.38 se

despus de la cancelacin de multiplica y divide por el polinomio 6. Los polinomios ecuaciones: , y

quedan deteminados por las

NOTA: En caso de que el sistema tenga solo ceros estables se considera que , en este caso la ley de control toma la forma:

Control Avanzado Luis Edo Garca Jaimes

La ecuacin 4.41 se puede escribir en forma vectorial como:

En donde:

EJEMPLO 4.3 La funcin de transferencia de un sistema de presin est dada por:

Disee para el sistema un controlador con modelo de referencia de modo que el sistema, en lazo cerrado siga la dinmica del modelo:

SOLUCIN: Los modelos discretos son:

La ley de control es:

Grado de Grado de

Control Avanzado Luis Edo Garca Jaimes

Condicin de los polinomios:

Comparando trmino a trmino y resolviendo las ecuaciones resultantes se obtiene qu: , Entonces: y Por lo tanto: , y

Finalmente, la ley de control es:

Despejando

se obtiene:

Tomando transformada z y reuniendo trminos:

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.

4.0394z(z+0.4404) (z+0.4631)(z+0.0819) 0.038(z+0.4631) z2 (z-0.8607)

1.855z2 (z+0.4631)(z+0.0819)

Control Avanzado Luis Edo Garca Jaimes

Figura 4.5 Control con modelo de referencia

Control Avanzado Luis Edo Garca Jaimes

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:

Control Avanzado Luis Edo Garca Jaimes

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.

Parmetros del Controlador Controlador SP +

Programacin Precalculada

Punto de Trabajo

Planta Seal de Control Salida

Figura 5.1 Control con ganancia programable.

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 5.2 Prueba del escaln

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:

Formulas empleadas para el clculo del controlador:

Control Avanzado Luis Edo Garca Jaimes

Tabla 5.1 Controladores obtenidos

22 40 52 67 78

1.5261 1.8289 1.6498 2.2663 1.7412

-1.2592 -1.5233 -1.3781 -1.8818 -1.4606

Las ecuaciones para el clculo de controlador son:

y de

que se han de utilizar para estimar el

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=');

Control Avanzado Luis Edo Garca Jaimes

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:')

Control Avanzado Luis Edo Garca Jaimes

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

La figura 5.3 muestra la variacin de

con la temperatura

VALORES DE qo 2.5

qo
1.5 1 20

30

40

50 T (C)

60

70

80

90

Figura 5.3 Variacin de La figura 5.4 muestra la variacin de

con la temperatura

con la temperatura

Control Avanzado Luis Edo Garca Jaimes

VALORES DE q1 -0.6 -0.8 -1 -1.2

q1
-1.4 -1.6 -1.8 -2 20 30 40 50 T (C) 60 70 80 90

Figura 5.4 Variacin de

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.

Control Avanzado Luis Edo Garca Jaimes

Figura 5.6 resultado de la simulacin con ganancia programable.

EJEMPLO 5.2 La dinmica de los tanques interconectados de la figura 5.7 se describe mediante las ecuaciones diferenciales no lineales:

Figura 5.7 Tanques interconectados para el ejemplo 5.2

Para el diseo del controlador se proponen como puntos de equilibrio: , y

. a) Linealice el sistema alrededor de cada uno de los puntos de

operacin establecidos. b) Obtenga, para cada punto de operacin, la matriz de

Control Avanzado Luis Edo Garca Jaimes

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:

se obtiene que el punto de

El sistema linealizado es, entonces:

Control Avanzado Luis Edo Garca Jaimes

La matriz de ganancia de realimentacin del sistema incluyendo integrador est dada por la frmula de Ackerman:

En donde:

Siendo

los coeficientes de la ecuacin caracterstica deseada:

Entonces:

La ecuacin caracterstica deseada es:

Entonces:

La ganancia correspondiente al integrador es:

La matriz de ganancia de realimentacin es:

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.

Control Avanzado Luis Edo Garca Jaimes

Tabla 5.2 Ganancias del sistema en funcin del 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);

Control Avanzado Luis Edo Garca Jaimes

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];

Control Avanzado Luis Edo Garca Jaimes

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);

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 5.8 Control MRAC con variables de estado

Control Avanzado Luis Edo Garca Jaimes

Control Avanzado Luis Edo Garca Jaimes

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

ESTRATEGIA DE LOS CONTROLADORES PREDICTIVOS

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 entradas y de las salidas pasadas hasta el instante futuras u para

Control Avanzado Luis Edo Garca Jaimes

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

secuencias son actualizadas. Se calcula por tanto ser diferente al

al disponer de nueva informacin), haciendo uso del

concepto de horizonte deslizante.

Figura 6.1 Estrategia del control predictivo

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.

Control Avanzado Luis Edo Garca Jaimes

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.

Figura 6.2 Estructura bsica del control predictivo

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.

Control Avanzado Luis Edo Garca Jaimes

Figura 6.3 Respuesta al impulso

La salida del sistema est dada por:

En donde:

Siendo unitario.

los valores muestreaos cuando el proceso es excitado con un impulso

La prediccin del modelo est dada por:

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.

Figura 6.4 Respuesta al escaln

Control Avanzado Luis Edo Garca Jaimes

La salida est dada por:

En donde escaln y

son los valores muestreados de la salida correspondientes a la entrada en

La prediccin del modelo es:

Modelo de funcin de transferencia. Este modelo est dado por la ecuacin:

En donde:

La prediccin del modelo es:

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

Control Avanzado Luis Edo Garca Jaimes

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 Avanzado Luis Edo Garca Jaimes

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.

Control Avanzado Luis Edo Garca Jaimes

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:

Para simplificar se considera que la forma:

, as la ecuacin 6.15 se puede escribir en

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

permanezca se aproxime lo mejor posible a

. Esto se logra minimizando la funcin de costo dada en la ecuacin 6.16

Control Avanzado Luis Edo Garca Jaimes

6.4.2 Prediccin ptima. Para minimizar la funcin de costo, es necesario obtener primero la prediccin ptima de en el intervalo . Aplicando el

algoritmo de la divisin, el ltimo trmino de la ecuacin 6.16, se puede escribir en la forma:

Para simplificar se utiliza: Entonces:

Haciendo:

Multiplicando la ecuacin 6.15 con

por

se obtiene:

Despejando

Haciendo

resulta:

Los polinomios valores en el paso

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

El conjunto de las predicciones ptimas es:

Control Avanzado Luis Edo Garca Jaimes

La ecuacin 6.23 se puede escribir en forma matricial as:

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

en esta ecuacin y con

se obtiene:

La ecuacin anterior se puede escribir como:

Factorizando la expresin anterior resulta:

Haciendo:

Control Avanzado Luis Edo Garca Jaimes

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:

Debido a que en el instante

solo se aplica al sistema de control la salida

, 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:

Control Avanzado Luis Edo Garca Jaimes

Las ecuaciones para obtener la prediccin son:

La ecuacin de prediccin est dada por:

En donde:

Control Avanzado Luis Edo Garca Jaimes

La ecuacin anterior se puede escribir en la forma:

Finalmente, la ley de control es:

En donde Con

es la primera fila de la matriz:

Se obtiene:

Pero:

Entonces:

Tomando la transformada z a la ecuacin anterior:

Es decir:

Control Avanzado Luis Edo Garca Jaimes

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 .

Figura 6.7 Respuesta del control predictivo para ejemplo 6.1

EJEMPLO 6.2 La funcin de transferencia de un sistema neumtico est dada por:

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:

Control Avanzado Luis Edo Garca Jaimes

En donde:

Entonces:

Entonces la de prediccin entre

es:

Control Avanzado Luis Edo Garca Jaimes

Es decir:

La ley de control es:

En donde

es la primera columna de

. Con

se obtiene:

Por lo tanto:

La ley de control es:

Control Avanzado Luis Edo Garca Jaimes

Es decir:

Finalmente:

Figura 6.8 Respuesta del sistema del ejemplo 6.2

6.5

CONTROL CON MODELO INTERNO

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

controlador con modelo interno como el controlador

. Comparando las Figuras 6.9a y 6.9b, se observa

equivalente est dado por:

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.

Control Avanzado Luis Edo Garca Jaimes

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:

la funcin de transferencia del controlador

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.

SOLUCIN: El modelo del sistema de primer orden sin retardo es:

La ecuacin del controlador PI ideal es:

Control Avanzado Luis Edo Garca Jaimes

Se elige la ecuacin del filtro

como:

Con

Se obtiene:

Reemplazando en la ecuacin 6.29 resulta:

Comparando las dos ecuaciones obtenidas para el controlador G C(S) 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

controlador es alta y la respuesta del sistema en lazo cerrado es rpida y si

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:

Control Avanzado Luis Edo Garca Jaimes

Para obtener los parmetros de dicha tabla, Rivera, Morari y Stogestad utilizan una aproximacin de Pad de primer orden para el retardo as:

Tabla 6.1 Parmetros del IMC para un modelo POR

Tabla 6.2 Parmetros del IMC para diferentes modelos

P PI PD PID PID PID

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

respuestas ante una entrada en escaln unitario.

Control Avanzado Luis Edo Garca Jaimes

SOLUCIN: La funcin de transferencia del sistema se puede escribir en la forma:

Por comparacin se obtiene:

a) Los parmetros del controlador con

son:

El controlador PID discreto tiene por ecuacin:

La ecuacin del controlador es, entonces:

b) Los parmetros del controlador con

son:

Los parmetros del controlador son:

Control Avanzado Luis Edo Garca Jaimes

La ecuacin del controlador es, entonces:

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

Figura 6.10 Respuesta del sistema con el controlador PID-IMC

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:

Control Avanzado Luis Edo Garca Jaimes

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

tengan ceros del mismo orden en el infinito es decir, si , el trmino ms significativo de en

se expande en potencias de potencias de Si

debe ser al menos tan grande como el de

es de la forma:

En donde:

Es la ecuacin caracterstica deseada. La restriccin de causalidad implica qu:

Control Avanzado Luis Edo Garca Jaimes

2. Restriccin de estabilidad: Si sistema es inestable. El controlador

tiene polos fuera del crculo unitario,

el

no debe cancelar dichos polos pues

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 :

Para una rampa unitaria:

Utilizando el teorema de L'Hopital se obtiene:

La aplicacin de las restricciones anteriores y el cumplimiento de las especificaciones impuestas al sistema, permiten el diseo del compensador.

Control Avanzado Luis Edo Garca Jaimes

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

Figura 6.12 Antena rastreadora de satlites

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:

Control Avanzado Luis Edo Garca Jaimes

De las condiciones del problema:

La ecuacin caracterstica deseada es, entonces:

Como el sistema es de segundo orden,

debe ser de la forma:

a) Restriccin de causalidad :

b) Restriccin de estabilidad: no se aplica pues crculo unitario. c) Restriccin de exactitud :

no tiene polos ni ceros fuera del

Ahora se evala la derivada de

con respecto a

en

, es decir:

Evaluando la expresin anterior en

resulta:

Control Avanzado Luis Edo Garca Jaimes

Resolviendo las ecuaciones

se obtiene:

Por lo tanto:

La ecuacin del controlador es:

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

ganancia que se obtiene haciendo en l z=1, como se indica a continuacin:

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

Control Avanzado Luis Edo Garca Jaimes

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.

Control Avanzado Luis Edo Garca Jaimes

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.