Control Activo de Rechazo de Perturbación:

Un cambio de paradigma en el diseño del sistema de control de retroalimentación

Resumen: La pregunta que se aborda en este documento es: ¿qué necesitamos saber sobre un
proceso para controlarlo? Con el rechazo de perturbaciones activo, tal vez no necesitemos saber
tanto como nos dijeron. De hecho, se muestra que lo desconocido

la dinámica y la perturbación se pueden estimar y compensar activamente en tiempo real y esto

hace que el control de retroalimentación sea más robusto y menos dependiente del modelo
matemático detallado del proceso físico. En este artículo, primero examinamos las premisas
básicas en los paradigmas existentes, a partir de los cuales se argumenta que es necesario un
cambio de paradigma. Utilizando una metáfora de control de movimiento, se introduce la base de
dicho cambio, el Control de rechazo de perturbación activa. Se presentan el análisis de estabilidad
y las aplicaciones. Finalmente, se discuten las características y la importancia del nuevo paradigma.

I. INTRODUCCIÓN

En este documento defendemos la necesidad de un cambio de paradigma en el diseño del sistema

de control de retroalimentación. Como el control de retroalimentación impregna todos los campos
de la ingeniería, dicho cambio de paradigma obviamente podría tener importantes implicaciones
de ingeniería. Para que el documento sea legible para un rango potencialmente amplio de lectores,
que de otro modo podrían no estar completamente versados en el campo, primero examinamos
algunas nociones y suposiciones comunes en esta sección.

Históricamente, el control de retroalimentación fue la tecnología que impulsó la revolución

industrial. El gobernador flyball de Watt utilizado en la máquina de vapor era un dispositivo de
control de retroalimentación que marca el comienzo de la maestría de la humanidad en el poder
crudo de la naturaleza. Hoy en día, desde la fabricación hasta la exploración espacial, es difícil
imaginar un sistema de ingeniería que no implique un mecanismo de control de retroalimentación
de algún tipo.

El concepto, la teoría y las aplicaciones del control de retroalimentación han atraído grandes
intereses tanto de teóricos como de profesionales. En la actualidad existe una vasta literatura
sobre la teoría del control de retroalimentación, acumulada durante más de seis décadas de
investigaciones. Su desarrollo es más o menos paralelo al de una rama de las matemáticas
aplicadas. Inicialmente, en los años 40 y 50 del siglo pasado, la teoría del control proporcionaba
explicaciones matemáticas de los ingeniosos mecanismos de control de retroalimentación
utilizados, por ejemplo, en las aplicaciones militares en la Segunda Guerra Mundial. Poco a poco,
ayudado por los fondos del gobierno durante la guerra fría, se convirtió en una disciplina
académica distinta, planteando sus propias preguntas, como la formulación de control óptimo, y
estableciendo su propio modo de investigación, en su mayoría axiomático y deductivo.

El objeto del control de retroalimentación es un proceso físico donde se presume una relación
causal entre su entrada y salida. En un sistema de control de retroalimentación, la variable de
entrada debe ser manipulada por un controlador, de modo que la salida cambie de una manera
deseable. Es importante señalar que, en la práctica, la ley de control, es decir, las ecuaciones que
describen cómo funciona el controlador, generalmente se determina empíricamente [1,2]. La
teoría del control, sin embargo, presumiblemente establece la ciencia detrás de tal práctica.
Presupone que la dinámica del proceso físico sea capturada matemáticamente, y es en este
modelo matemático donde descansa el paradigma del control moderno.

Con rigor matemático, este paradigma proporciona un conducto para valiosos conocimientos sobre
cómo y por qué funciona el control de retroalimentación. Por ejemplo, el análisis matemático del
gobernador flyball conduce a una mejor comprensión de la oscilación o incluso problemas de
inestabilidad que a veces se ven en el funcionamiento de las máquinas de vapor. Además, el
paradigma proporciona un marco mediante el cual la ley de control se obtiene deductivamente a
partir de los axiomas y supuestos matemáticos. El desarrollo de la teoría de control óptimo lineal
es un ejemplo de ello. Suponiendo que 1) la dinámica de la planta es capturada por un modelo
matemático que es lineal e invariante en el tiempo; 2) el objetivo de diseño se captura en una
función de costo; La teoría de control óptimo lineal, desde el filtro de Kalman hasta el H∞,
representa una secuencia de los principales logros de la teoría de control moderna.

La dependencia del paradigma de control moderno en modelos matemáticos detallados de

sistemas físicos y razonamiento deductivo no fue indiscutible. Por ejemplo, Han se preguntó si la
teoría del control moderno se trata de controlar los modelos matemáticos, en lugar de las plantas
físicas reales [3]. Ho sugirió la ciencia del control empírico, empleando la metodología hipotético-
deductiva, como una alternativa, complementaria al enfoque axiomático dominante [4]. Es decir,
propuso que el razonamiento deductivo sea reemplazado por el razonamiento inductivo, y que las
nuevas leyes de control sean descubiertas a través de la experimentación. También ha habido
fuertes movimientos en el desarrollo de métodos de diseño de control sin modelo, incluidos los
basados en inteligencia artificial, redes neuronales artificiales y lógica difusa.

Paralelo al desarrollo de las teorías de control cada vez más matemáticas, los profesionales han
demostrado su preferencia inquebrantable por la simplicidad sobre la complejidad. Más del 90%
del control industrial es simple, algunos incluso pueden decir primitivo, proporcional-integral-
derivado (PID) tipo [2], que primero fue propuesto por Minorsky en 1922 [5]. El controlador está
diseñado principalmente empíricamente, y no requiere un modelo matemático del proceso físico.
Es en este contexto de la teoría de control moderna bien establecida y, hasta cierto punto, la
práctica de ingeniería primitiva que continúa el debate perenne teoría-práctica.

En este trabajo, a través de la reflexión sobre la naturaleza de los paradigmas existentes en la

sección II, sobre la teoría y la práctica, esperamos establecer la necesidad de un cambio de
paradigma. El concepto de rechazo de perturbaciones activo, introducido en la sección III, podría
servir muy bien como la base del nuevo paradigma, que se caracteriza en la sección IV. También se
incluye en la sección III la demostración de las aplicaciones de amplio alcance del concepto de
perturbación activa. Finalmente, el documento concluye con algunas observaciones en la Sección
V.
II. LOS PARADIGMAS EXISTENTES

En esta sección tratamos de reflexionar sobre el paradigma a partir del cual creció la teoría del
control moderno. En comparación, también describimos la naturaleza de la práctica de ingeniería.
La discrepancia de los dos tal vez explica la causa rudimentaria de la brecha teoría-práctica y
proporciona la motivación para un cambio de paradigma.

2.1 El paradigma del control moderno

Usando el control de movimiento como un problema de tema en este trabajo, considere un

sistema electromecánico gobernado por la ley newtoniana del movimiento

donde y (t), o simplemente y, es la salida de posición, b es una constante, u (abreviatura de u (t)) es

la fuerza de entrada generada típicamente por un motor eléctrico, w (es decir, w (t)) es una fuerza
de entrada desconocida externa (conocida como perturbación externa) yf (y, y�, w, t) representa el
efecto combinado de la dinámica interna y la perturbación externa en la aceleración.

En el diseño basado en modelos, suponiendo que la dinámica de lazo cerrado deseada es

el diseño de control de retroalimentación se lleva a cabo de la siguiente manera:

Paso 1: Encuentre una expresión analítica aproximada, generalmente lineal, invariante en el

tiempo y libre de perturbaciones de f (y�, y, w, t)

a través del proceso de modelado;

Paso 2: Diseña la ley de control

para satisfacer el objetivo de diseño, aproximadamente si no exactamente.

Tenga en cuenta que tanto el bien conocido método de colocación de polos para los sistemas
lineales invariantes en el tiempo como el método de realimentación de realimentación para
sistemas no lineales se pueden caracterizar en (4). La suposición clave es que la expresión analítica
f (y, y�) está lo suficientemente cerca de su parte correspondiente f (y, y�, w, t) en la realidad física.
Específicamente, en el caso del sistema de control de movimiento industrial descrito en (1), f (y, y �,
w, t) es generalmente no lineal y variable en el tiempo. A veces no está bien definido
matemáticamente, como en los casos de histéresis en la dinámica del motor y la reacción en las
cajas de cambio. Asumir (3) retenciones en general parece ser demasiado optimista. De hecho,
cuando se pone en práctica este enfoque basado en modelos, a menudo se descubrió que los
ingenieros dedicaron la mayor parte del tiempo al modelado más que al diseño de control. Esta es
quizás la razón principal que llevó a algunos a preguntarse si la teoría del control tiene que ver con
los modelos y poco con los controles.

Generalizando a partir de la ilustración anterior, el paradigma establecido, implícitamente, en la

teoría del control moderno puede caracterizarse de la siguiente manera: 1) el proceso físico se
describe con precisión en un modelo matemático; 2) los objetivos de diseño se describen en otro
modelo matemático, ya sea en forma de ecuación diferencial, como en (2), o como una función de
costo que se debe minimizar; 3) se sintetiza la ley de control que cumple los objetivos; y 4) se debe
proporcionar una rigurosa prueba de estabilidad. Denotamos esto como el paradigma de control
moderno (MCP). Sin duda, el problema de la dependencia del modelo ha sido reconocido por
muchos investigadores, y se han sugerido diversas técnicas, como Robust Control y Adaptive
Control, para que el sistema de control sea más tolerante con las incógnitas en los sistemas físicos
[6]. Otra escuela de pensamiento es el uso de observadores de perturbaciones para estimar y
cancelar las discrepancias entre el sistema físico y su modelo. Ver, por ejemplo, una encuesta de
estos observadores en [7]. La pregunta aún permanece: ¿hasta qué punto un diseño de control
debe depender de un modelo preciso como en (3)?

2.2 El paradigma del diseño empírico basado en errores

Muchos académicos sostienen que el principal problema al que se enfrentan los profesionales es el
de la aplicación, es decir, comprender y aplicar la teoría del control en su comercio. Tras un
examen minucioso, uno puede ver claramente que los profesionales operan en una mentalidad
completamente diferente cuando se trata de diseñar y operar un sistema de control de
retroalimentación. Está centrado e impulsado por el error de seguimiento, como se muestra a
continuación. Denotamos este paradigma como Paradigma de diseño basado en errores (EDP).

Deje r ser la trayectoria deseada para la salida a seguir. Un problema práctico de diseño de control
es sintetizar una ley de control para que el error de seguimiento e = r-y, o simplemente denotado
como el error, sea pequeño. Con f (y, y�, w, t) en (1) desconocido, el enfoque empírico se basa en
la intuición humana y la percepción sobre la planta en la elaboración de una ley de control. La idea
general es que, dado que el objetivo del control es mantener el error pequeño, las acciones de
control deben basarse en su comportamiento. Al caracterizar el error numéricamente en términos
de su valor presente, la acumulación de sus valores pasados y la tendencia de cambio para el
futuro inmediato, la acción de control se puede dividir como la respuesta a cada término. Y esto da
lugar al controlador más popular utilizado en la industria: el controlador PID, definido como p i d u
= k e + k ∫e + k e�, donde se desea
el rendimiento se busca ajustando (ajustando) manualmente los parámetros del controlador kp, ki
y kd. Este controlador es simple de implementar e intuitivo de entender. Su popularidad y
longevidad en la práctica es una evidencia indiscutible de la vitalidad del EDP.

Desde su debut hace ochenta años, se han realizado muchas mejoras en (4) a través de los años,
tales como la programación de avances y el uso de ganancias no lineales, para hacerlo más
poderoso en el manejo de tareas difíciles. Pero también existe la sensación de que la biología
humana en sí misma es una fuente de buenos mecanismos de control y este rico cuerpo de
expertos debe ser

explotado. Esto lleva al segundo tipo de método en EDP, uno que se basa en la descripción
simbólica del comportamiento de error. La acción de control se deduce de la misma manera que el
razonamiento humano, utilizando un sistema basado en reglas creado a partir de la intuición
humana. Para tener en cuenta la ambigüedad de las descripciones lingüísticas, se asigna una
calificación de membresía a cada miembro del conjunto de valores simbólicos. Y esto condujo al
conocido campo del control de lógica difusa (FLL).

En resumen, el MCP y el EDP parecen inadecuados para abordar el problema fundamental del
control de retroalimentación. El primero puede ser demasiado presuntuoso en lo que conocemos
sobre la dinámica del sistema físico que se controlará, mientras que el segundo parece lejos de ser
eficiente y sistemático. La solución, al parecer, debe buscarse fuera de los paradigmas existentes.

2.3 La necesidad de un cambio de paradigma

La teoría de control, como parte de la teoría general de sistemas (GST), es aplicable a todas las
disciplinas de ingeniería. Bunge se refiere a GST como "metafísica claramente tecnológica" [8].
Plantea un serio desafío para ambas filosofías populares de la ciencia: el empirismo y el
racionalismo. Incluso plantea dificultades para la definición de ciencia [8]. La brecha de la práctica
teórica es simplemente una manifestación de la tensión entre el empirismo y el racionalismo. El
MCP ha llegado a un punto en el que ya no puede dar respuestas satisfactorias a las preguntas
planteadas por su incapacidad para penetrar significativamente en la práctica de ingeniería. En lo
que respecta al progreso de la ciencia, según Kuhn, eventualmente será reemplazado por otro
paradigma que proporcione mejores respuestas [9].

Los sistemas físicos que controlar, como un proceso de fabricación industrial, siempre están en un
estado de cambio. La condición de operación está bloqueada en el cambio perpetuo: la
temperatura, las características del material que se maneja, el desgaste de la maquinaria, factores
humanos, etc. Pero el objetivo de construir tal proceso es producir productos manufacturados con
calidad altamente consistente en medio de incertidumbres en la dinámica del proceso. Es una
búsqueda de certeza en medio del caos. Se señaló, correctamente en [10], que la práctica de la
ingeniería es una ciencia inexacta. Y esto debe reflejarse en el paradigma del control de
retroalimentación.

La precisión de las matemáticas aporta rigor a la ciencia del control de retroalimentación, pero es
la realidad física con la que debe lidiar un sistema de control. Como dijo elegantemente Albert
Einstein: "En cuanto a las leyes de las matemáticas se refieren a la realidad, no son ciertas, y en la
medida en que son ciertas, no se refieren a la realidad". La idea es que las leyes de las matemáticas
son ciertas en su estado formal y analítico. En esto no contienen ningún tema, y por lo tanto no se
refieren a la realidad. Ellos son "libres de cosas". Sin embargo, si interpretamos los axiomas,
entonces se refieren a la realidad, pero ya no son afirmaciones matemáticas puras y, por lo tanto,
no son ciertas [11]. Nicholas Rescher sugiere que, con respecto a nuestro conocimiento de la
realidad, existe una relación inversa entre precisión y seguridad. Es decir, cuanto más precisa es
nuestra descripción, menos seguros estamos de su correspondencia con la realidad [12]. También
señala que, en la práctica, las acciones efectivas no requieren información perfecta.

Al cuestionar la necesidad del modelo matemático impuesto por el PCM, Han sugiere que el
problema del control robusto es una paradoja que podría no resolverse dentro del paradigma, a la
luz del teorema de incompletitud de Gödel [13]. La estabilidad y el rendimiento de un sistema de
control, diseñado en base a un modelo matemático preciso, no pueden hacerse fácilmente más o
menos independientes de ese modelo, que es el objetivo en un control robusto. La pregunta
fundamental es:

¿Qué es lo que necesitamos saber sobre un proceso para controlarlo? (Q1)

Las respuestas cortas son 1) no sabemos lo suficiente sobre el sistema físico para tener un modelo
matemático detallado y 2) es dudoso que incluso lo necesitemos para el control. Si generalizamos
la noción de perturbación para representar cualquier discrepancia entre el sistema físico y lo que
sabemos sobre él, las palabras

la perturbación y la incertidumbre son sinónimos. La esencia del control de retroalimentación es,

en este sentido, esencialmente el rechazo de perturbaciones. Por lo tanto, cómo se trata la
perturbación es el tema central, y esto es lo que determina la efectividad y la practicidad de
cualquier paradigma. En el MCP, el rechazo de perturbaciones se puede ver como logrado a través
del modelado. Es decir, irónicamente, algo de lo desconocido se conoce durante el proceso de
modelado, y se basa en la dinámica que se sabe que el control de retroalimentación está diseñado.
En consecuencia, no debe sorprender que el MCP se limite en gran medida a los problemas de
control donde la dinámica del proceso es bien conocida, mientras que los ingenieros, que se
ocupan principalmente de dinámicas inciertas, recurren a métodos empíricos.

III. CONTROL DE RECHAZO DE DISTURBIOS ACTIVO

El control activo de rechazo de perturbaciones (ADRC) es la salida de Han de la paradoja del control
robusto [14-16]. El término se usó por primera vez en [17] donde sus ideas únicas se introdujeron
sistemáticamente por primera vez en la literatura inglesa. Originalmente propuesto utilizando
ganancias no lineales, ADRC se vuelve más práctico de implementar y ajustar mediante el uso de
ganancias lineales parametrizadas, como se propone en [18]. Aunque el método ADRC es aplicable,
en general, a sistemas de orden n, no lineales, variables en el tiempo, de entrada y salida múltiples
(MIMO), en aras de la simplicidad, su concepto básico se ilustra aquí usando el movimiento de
segundo orden problema de control en (1).

3.1 El concepto de rechazo de perturbaciones activas

En esta coyuntura, una respuesta más específica a (Q1) es que el orden de la ecuación diferencial
debe conocerse a partir de las leyes de la física, y el parámetro b también debe ser conocido
aproximadamente en la práctica a partir de la física del motor y la cantidad de la carga que maneja.
Adoptando un marco de rechazo de perturbaciones, el proceso de movimiento en (1) puede verse
como una planta nominal, doble integral,

escalado por by perturbado por f (y, y�, w, t). Es decir, f (y�, y, w, t) es la perturbación generalizada,
tal como se definió anteriormente, y el foco del diseño de control. Contrariamente a todas las
convenciones existentes, Han propuso que f (y, y�, w, t) como una expresión analítica quizás no sea
necesaria o incluso necesaria para el propósito del diseño de control de retroalimentación. En
cambio, lo que se necesita es su valor estimado en tiempo real. Específicamente, sea f la
estimación de f (y, y�, w, t) en el tiempo t, luego

reduce (1) a una simple planta doble integral

que se puede controlar fácilmente

Esto demuestra la idea central del rechazo activo de perturbaciones: el control de un proceso
complejo no lineal, variable en el tiempo e incierto en (1) se reduce a la simple

problema en (7) por una estimación directa y activa y rechazo (cancelación) de la perturbación
generalizada, f (y, y�, w, t). La diferencia clave entre este y todos los enfoques anteriores es que
aquí no se asume ninguna expresión analítica explícita de f (y, y�, w, t). Lo único necesario, como se
indicó anteriormente, es el conocimiento del orden del sistema y el valor aproximado de b en (1).
El término bu en (1) se puede ver incluso como una aproximación lineal, ya que la no linealidad del
actuador se puede ver como una perturbación externa incluida en w. Es decir, el método ADRC se
aplica a un proceso de la forma
de los cuales (1) es una aproximación, es decir, p (y, y�, w, u, t) ≈f (y, y�, w, t) + bu. Obviamente, el
éxito de ADRC está estrechamente relacionado con la estimación oportuna y precisa de la
perturbación. Una estimación simple como f = �y�- u puede ser suficiente para todos los
propósitos prácticos, donde y�� denota una estimación de y��.

3.2 El Observador de Estado Extendido y la Ley de Control

También hay muchos observadores propuestos en la literatura, incluidos el observador de entrada

desconocido, el observador de perturbación, el observador de perturbación y el observador de
estado extendido (ESO). Ver, por ejemplo, una encuesta en [7]. La mayoría requiere un modelo
matemático nominal. Una breve descripción de la ESO de (1) se describe a continuación. Los
lectores son referidos a [14,19,20] para detalles, particularmente para la implementación digital y
generalización de ESO en [20]. El ESO fue propuesto originalmente por J. Han [14-16]. Se hace
práctico por el método de ajuste propuesto en [18], que simplificó su implementación y convirtió
el diseño en transparente para los ingenieros. La idea principal es usar un modelo de espacio de
estado aumentado de (1) que incluya f, abreviatura de f (y, y�, w, t), como un estado adicional. En
particular, sea x1 = y, x2 = y�, y x3 = f, la forma de espacio de estado aumentada de (1) es

Tenga en cuenta que x3 = f es el estado aumentado y h = f� es una parte de la sacudida, es decir, la

diferenciación de la aceleración, del movimiento y está físicamente limitada. El observador del
estado

con la ganancia del observador L = [β1 β2 β3] T seleccionada apropiadamente, proporciona una
estimación del estado de (9), zi ≈ xi, i = 1, 2, 3. Lo que es más importante, el tercer estado del
observador, z3, aproxima a f. El ESO en su forma original emplea ganancias de observadores no
lineales. Aquí, con el uso de ganancias lineales, este observador se denota como el observador
lineal de estado extendido (LESO). Además, para simplificar el proceso de ajuste, las ganancias del
observador se parametrizan como

donde el ancho de banda del observador, ω o, es el único parámetro de ajuste.

Con un observador bien ajustado, el estado de observación z3 seguirá de cerca x3 = f (y, y�, w, t).
La ley de control

luego reduce (1) a (7), es decir,

Un ejemplo de tal u0 es la ley de control derivada y proporcional lineal común

donde r es el punto de ajuste. La sintonización del controlador se simplifica aún más con 2 y 2 d c p
c k k ω ω = =, donde ω c es el ancho de banda de bucle cerrado [18]. Junto con el LESO en (10), (14)
se denota como el ADRC lineal parametrizado o LADRC.

3.3 Análisis de estabilidad

Con f (y, y�, w, t) completamente desconocido, ¿podemos garantizar que el sistema LADRC
presentado anteriormente sea estable en algún sentido? Sea e el error de seguimiento en el
observador, e = x-z,

Lema 1: Suponiendo que la ganancia del observador en (10) se elige para que Ae sea Hurwitz, el
error del observador, e, para el LESO está limitado para cualquier h acotado.

Prueba: con Ae Hurwitz, que V = eTPe sea una función de Lyapunov, donde P es la única solución
de la ecuación de Lyapunov T e A P + PA = -Q y Q es una matriz definida positiva. Entonces,
lo que implica que || e || 2 disminuye para cualquier e que satisfaga (17). Por lo tanto, e está
limitado. Q.E.D.

Tenga en cuenta que el Lema 1 se puede generalizar fácilmente al sistema dinámico descrito por

Lema 2 El estado η en (18) está acotado si M es Hurwitz y g (η) está limitado.

Combinando el Lema 1 y 2, la delimitación de LADRC se puede mostrar de la siguiente manera:

Teorema 1: El diseño de LADRC de (10), (12) y (14) produce un sistema de ciclo cerrado estable de
BIBO si el observador (10) mismo y la ley de control de realimentación de estado (14) para el
integrador doble son estables. respectivamente.

Prueba: con la acotación del error del observador, e, establecido en el Lema 1, la tarea restante es
mostrar que x = [y, y�] T está limitada. Combinando (1), (12) y (14), se puede demostrar que

Como r y e están limitados, para el Lema 2, x está limitado si el polinomio característico para el
diseño de realimentación de estado (14), es decir, s2 + kd s + kp, es Hurwitz. Q.E.D.
3.4 Aplicaciones

ADRC como un método de diseño práctico se ha aplicado con éxito en muchas aplicaciones de
ingeniería. La forma particular de ADRC para el sistema de segundo orden en (1) es, como es
lógico, ampliamente aplicable a los problemas de control de movimiento [24-28]. El ADRC original
con ganancias no lineales se aplicó a un problema de control de movimiento con éxito, que se
muestra en [24]. Los estudios de comparación en [25, 26] muestran que el LADRC parametrizado
no solo ofrece un rendimiento mucho mejor, sino que también es el más fácil de sintonizar. Las
aplicaciones de control de posición de alta precisión se pueden encontrar en [27,28]. Otras
aplicaciones para procesos no lineales de segundo orden y variables en el tiempo incluyen
regulaciones de tensión de banda [29] y regulación de voltaje en un convertidor CC-CC [30].

Para mostrar cómo se aplica ADRC a sistemas mucho más complejos que los de (1), a continuación
se ilustran brevemente dos aplicaciones de control MIMO no lineales y variables en el tiempo.

Las dificultades para controlar aeronaves modernas de alto rendimiento surgen de características
aerodinámicas altamente no lineales, acoplamientos no deseados entre ejes y saturación y retraso
de la entrada de control [21]. Además, el modelo de la aeronave es muy complejo y difícil de
obtener. El ADRC permite que se represente como

Donde los vectores X1, X2, X3 y X4 son la posición angular, la velocidad angular, la posición y la
velocidad, respectivamente. La entrada U contiene los ángulos de las superficies de control. Las
variables a regular son X1 y X2. La dinámica del sistema, representada por Fi (.), I = 1, ... 4 y B (.) No
son lineales. La perturbación generalizada toma la forma de

donde la matriz no singular B0 (V), que es una función del vector de velocidad V, es una
aproximación de B (X1, X3, X4). Entonces la ecuación de control se puede reescribir como

Ahora el problema de control se puede resolver utilizando el concepto de ADRC. El control de X2 se

logra utilizando un MIMO ESO para estimar y cancelar H en (22) y reducir el proceso a una planta
integral en cascada. Entonces X1 se puede controlar usando un método de retroceso, suponiendo
que F1 (X1) es conocido e invertible. Se pueden encontrar más detalles en [21], junto con
resultados de simulación exitosos.
Otro ejemplo es el problema del control del motor a reacción [22]. Es un desafío debido a la
naturaleza de la planta, modelada usando más de cien ecuaciones acopladas, y tablas de
búsqueda. Este es un escenario en el que el diseño basado en el modelo se rompe debido a que el
problema se vuelve intratable. El método existente para el control del motor a reacción de alto
rendimiento sigue siendo MIMO PI con programación de ganancia. El diseño del control del motor
a reacción generalmente se prueba usando un paquete completo de simulación por computadora,
como el paquete de Simulación de sistema de simulación aerodinámica modular, desarrollado por
el Centro de investigación Glenn de la NASA. Una vez más, el paso clave para resolver el problema
utilizando ADRC es reducir la planta a la forma de

donde Y y U son vectores de salida y de entrada, respectivamente, y H es la perturbación

generalizada. Empleando la técnica de parametrización, solo se necesitan cinco parámetros de
ajuste, a diferencia de dieciocho ganancias y seis parámetros de programación en la solución
anterior. La respuesta del diseño basado en ADRC se compara favorablemente con la del
controlador de referencia. Ver [22] para más detalles.

IV. HACIA UN NUEVO PARADIGMA

Si hay algo llamado ciencia de control, seguramente pertenece al reino de las ciencias inexactas
[10]. Los mecanismos de retroalimentación no serían necesarios si no hubiera incertidumbres.
ADRC es una ventana a través de la cual vemos nuevas posibilidades y promesas más allá del MCP.
Trabajar hacia un nuevo paradigma no significa comenzar de cero, ya que hay dos aspectos
importantes en la teoría del control: análisis y diseño. El rigor, la precisión y el conocimiento
proporcionado por las herramientas matemáticas desarrolladas en el marco del MCP son
invaluables. Al mismo tiempo, es la incansable retención de los dogmas de MCP la que inhibe el
espíritu científico en busca de nuevas soluciones. Lo que necesitamos es un paradigma que
promueva la innovación, no la sofoque. La ingeniería es la encarnación de la experiencia y la razón.
La divergencia teoría-práctica en el control de retroalimentación es el resultado de favorecer a uno
a expensas del otro tanto por parte de los teóricos como por parte de los practicantes. Por lo tanto,
es evidente que el nuevo paradigma debe ser experimental y sistemático, como se explica a
continuación.

Colectivamente como profesión, no hemos arañado la superficie de las maravillas del control de
retroalimentación. Un vistazo a la naturaleza nos llevaría el mensaje a casa: la forma en que un
pájaro vuela a gran velocidad a través de un denso bosque y le da caza a una presa, y los
maravillosos sistemas de control biológico dentro del cuerpo humano. En comparación con la
naturaleza, los mecanismos de retroalimentación creados por el hombre son muy inferiores. Por
ejemplo, es motivo de una gran celebración y publicidades fastuosas en la industria, cuando un
robot camina de una manera similar a la de un humano. La naturaleza es rica en tesoros
escondidos y solo necesitamos encontrarlos, al igual que los científicos descubrieron las leyes de la
naturaleza. Y esto requiere un verdadero espíritu científico: experimentación-hipótesis-validación,
como lo sugiere Ho [4]. El método original de ADRC fue el resultado de tales investigaciones
científicas [14-16].

Se puede argumentar que los practicantes ya han estado allí y lo han hecho. De hecho, se han
diseñado muchos ingeniosos sistemas de control que nos permitieron enviar las sondas a Marte y
ayudar a una persona paralizada a caminar de nuevo. Pero muchos de esos logros de ingeniería
tuvieron poco impacto en nuestro conocimiento de la teoría del control porque no fueron
sistemáticamente investigados y generalizados. Es evidente que muchas reglas de ingeniería no se
han estudiado sistemáticamente e incorporado a nuestra base de conocimiento. Como resultado,
estamos a merced de las habilidades que solo pueden transmitirse a través del aprendizaje. Por
esta razón, nuestra investigación debe ser sistemática y nuestra teoría "libre de cosas", es decir, la
nueva teoría propuesta no debe vincularse a un proceso material, como un sistema de control de
la temperatura de la caldera. Por ejemplo, el ADRC original con ganancias no lineales muestra una
gran promesa como una nueva técnica de control, pero el ajuste requerido para personalizarlo
para un sistema en particular no es completamente sistemático. La simplificación y la
parametrización adicionales permiten que la sintonización del controlador esté completamente
sistematizada, y ADRC se convierte en un sistema simple y

herramienta de ingeniería eficiente [18]. Ahora los ingenieros pueden configurar un sistema ADRC
en minutos, en lugar de meses, para una aplicación en particular.

Los dos paradigmas existentes, el MCP y el EDP, son respuestas opuestas a la pregunta central de
(Q1). En el MCP asumimos un conocimiento detallado de la dinámica del proceso, y el diseño
procede de manera deductiva desde esa premisa. En el EDP, por otro lado, el proceso se trata
esencialmente como una caja negra y el diseño es altamente empírico, confiando en la experiencia
y la intuición. La realidad es, por supuesto, en algún lugar entre los dos extremos. La comprensión
adecuada y la formulación del medio es la clave para el nuevo paradigma. ADRC es una respuesta a
(Q1) que logra un equilibrio entre la precisión matemática y la incertidumbre práctica. Usando el
problema de control de movimiento en (1) como ejemplo, ADRC requiere el conocimiento de que
el sistema es de segundo orden, y el valor de b, que es aproximadamente conocido según el
tamaño del motor y el rango de la carga. Pero, al mismo tiempo, ADRC permite que el impacto
combinado de la dinámica interna y la perturbación externa, representado por f (y, y�, w, t), sea
totalmente desconocido. Tales características no se modifican ya que ADRC se extiende a sistemas
de orden superior y / o MIMO [18,20-22]

En un término familiar para los ingenieros, b es esencialmente la ganancia de alta frecuencia del
proceso y, si no se obtiene de los primeros principales, se puede determinar fácilmente
numéricamente a partir de los datos de entrada-salida [23]. La conclusión es que el ADRC requiere
muy poco conocimiento de la dinámica y, sin embargo, es sistemático y general. Esto se debe a
que, a través de la estimación activa de perturbaciones y la cancelación en tiempo real, primero se
fuerza al proceso físico a comportarse como una planta integral simple, predeterminada, en
cascada, que luego se usa como modelo de diseño para la derivación de la ley de control. El efecto
de la dinámica incierta prácticamente se elimina para el control de retroalimentación mediante el
rechazo de perturbación activa.

Usando (1) de nuevo como ilustración, el ESO proporciona una estimación en tiempo real de la
perturbación, f, que permite que la planta se reduzca primero a (7), es decir, el modelo de diseño 0
�y� ≈ u. En otras palabras, TODOS los problemas de control de movimiento representados por (1)
se reducen al modelo matemático en (7), que es lineal, invariante en el tiempo, simple y conocida.
Esta reducción en la complejidad del problema es casi alucinante. Además, los límites
convencionales que establecen diferentes teorías de control están completamente disueltos aquí.
No importa si f (y, y�, w, t) es lineal o no lineal, variable en el tiempo o invariante en el tiempo, y
conocida o desconocida.

La novedad de un paradigma basado en ADRC es aún más evidente en el contexto del control
adaptativo. En el control adaptativo, se supone que la expresión analítica de

f (y, y�, w, t) está disponible con parámetros variables en el tiempo. La adaptación del controlador
se lleva a cabo estimando estos parámetros y actualizando los parámetros del controlador en
consecuencia. ADRC se puede ver en este contexto como un controlador de parámetro fijo que se
adapta a los cambios en f (y, y�, w, t), no al estimar sus parámetros, sino al cancelarlo en la ley de
control por completo. Trae procesos físicos vagamente fluctuantes en la forma de (1) a la
tranquilidad de (7). Esto es lo que diferencia el nuevo paradigma de lo antiguo.

V. OBSERVACIONES FINALES

La ingeniería es una ciencia inexacta, en la que lidiamos con las incertidumbres en la realidad a
través de aproximaciones. Es una encarnación de la experiencia y la razón. La teoría de control,
como una teoría general de sistemas que impregna todas las disciplinas de ingeniería, debe tener
en cuenta la naturaleza de la ingeniería. En el control de retroalimentación buscamos certezas en
medio de fluctuaciones, y la práctica dicta que nuestros métodos sean "a prueba de
aproximaciones".

Esto crea una tensión inherente entre la práctica de ingeniería y la teoría de control moderna,
donde el rigor matemático y la precisión se valoran más que la utilidad. En el espíritu de Thomas
Kuhn, proponemos un cambio de paradigma en este documento como una salida a este dilema.
Mediante la reflexión sobre los paradigmas actuales, tanto en la teoría como en la práctica, se
demuestra la necesidad del cambio de paradigma. Además ofrecemos el Control de rechazo activo
de perturbaciones como la base de dicho cambio, proporcionando el marco, los objetivos y las
limitaciones para el desarrollo futuro de la teoría de control. Además, argumentamos que el nuevo
paradigma debe ser tanto experimental como sistemático, buscando un equilibrio entre la
experiencia y la razón. Una clase de problemas de control de movimiento

se usa en todo el documento para dar realismo a la discusión y mostrar conocimientos prácticos
sobre la práctica de la ingeniería. También se presentan análisis preliminares de estabilidad y
aplicaciones iniciales de ingeniería de ADRC. Mucho trabajo, tanto experimental como analítico,
todavía está por venir.

Agradecimiento: el autor desea dedicar este artículo al Prof. Jingqing Han por su apoyo de una
década a nuestra investigación. Estamos en deuda con él por su visión y sabiduría. El autor también
desea agradecer a la Sra. Qing Zheng y revisores anónimos por sus sugerencias que llevaron a la
simplificación de la ecuación (19). Los apoyos financieros del Centro de Investigación Glen de la
NASA bajo subvenciones

NCC3-931 y NCC3-1081, así como aquellos de nuestros socios de la industria, son muy apreciados.