Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
I. INTRODUCCIÓN
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.
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 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.
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.
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.
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:
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
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).
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
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��.
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 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.
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
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
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.