Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Figura 2: Partes del modelo dinámico del ascensor. (a) Circuito equivalente del motor DC. (b) Dinámica
de las partes rotativas del sistema. (c) Fuerzas que actúan sobre la cabina del ascensor.
xk+1 = d1 xk + d2 uk + d3 (16)
Figura 7: En t = 22 s la carga transportada au-
menta en 1 kg y la dinámica del ascensor ya no donde xk = x (kTs ), Ts es el periodo de muestreo y
obedece al modelo usado por el controlador. ec 1 T s − 1
d 1 = ec 1 T s , d i = ci , i = 2, 3 (17)
c1
son los parámetros del modelo discreto. Median-
te un identificador en lı́nea pueden estimarse los
parámetros d1 , d2 y d3 e invertir las anteriores
relaciones para despejar los parámetros continuos
ci con los que actualizar el controlador. No obs-
tante, esto no siempre es posible: c1 es proporcio-
nal al logaritmo de d1 y el valor estimado de d1
podrı́a tornarse temporalmente negativo durante
el proceso de identificación (especialmente cuan-
do se detecta un cambio de carga). El logaritmo
no está definido para argumentos negativos, luego
el control quedarı́a temporalmente indefinido y el
sistema podrı́a desestabilizarse.
Figura 8: Esquema adaptativo para identificar y Esto puede evitarse si se utiliza una discretización
controlar el ascensor de forma simultánea cuando aproximada. Si Ts es lo suficientemente pequeño,
se producen cambios de carga. las exponenciales en (17) se pueden aproximar por
ec1 Ts ≈ 1 + c1 Ts y las relaciones se tornan lineales
d1 = 1 + c 1 T s , d2 = c 2 T s , d3 = c 3 T s (18)
Esta es la limitación de la técnica de Linealización pudiéndose invertir sin problemas. En este artı́cu-
por Realimentación: precisa un modelo fiel al pro- lo se utilizará la discretización aproximada con
ceso. La situación se agrava cuando se desconoce Ts = 0,01 s, que es suficiente para hacer válida
cómo varı́an los parámetros del proceso, p.e. si se la aproximación según se desprende de las simula-
supone que las cargas transportadas por el ascen- ciones realizadas en bucle abierto.
sor pueden tomar cualquier valor aleatorio. Para
que el controlador LR siga funcionando con car- 7. IDENTIFICACIÓN EN LÍNEA
gas aleatorias, se deben ajustar sus parámetros de
acuerdo a la variación de carga en el ascensor. Para
DEL MODELO DISCRETO
lograr esto se va a incorporar un identificador en
El algoritmo recursivo de identificación por mı́ni-
lı́nea que estime en todo momento los coeficientes
mos cuadrados (RLS en inglés) permite estimar
c1 , c2 y c3 de la dinámica del ascensor para actua-
en lı́nea los parámetros de sistemas que son linea-
lizar el controlador. Para ello se va a utilizar un
les en dichos parámetros, es decir, sistemas de la
algoritmo discreto de identificación, a continua-
forma
ción se van a reconstruir los parámetros continuos
xk+1 = ϕTk+1 θ (19)
a partir del modelo discreto identificado y se va
a actualizar el controlador LR con los parámetros donde ϕk+1 ∈ Rp×1 es el vector de regresión, que
continuos, según el esquema de la Figura 8. depende de manera no lineal de entradas y salidas
P k ϕk+1
Lk+1 = λ1,k
(20)
λ2,k + ϕTk+1 P k ϕk+1
θ k+1 = θ k + Lk+1 xk+1 − ϕTk+1 θ k
(21)
Pk
P k+1 = I p − Lk+1 ϕTk+1 (22)
λ1,k
donde θ k es actualizado según (21) utilizando las Figura 9: Respuesta de control con identificación
entradas y salidas medidas. Lk ∈ Rp×1 y P k ∈ en lı́nea. La trayectoria es temporalmente pertur-
Rp×p son respectivamente las matrices de ganan- bada tras el cambio de masa (zona rodeada), pero
cia y covarianza, mientras que λ1,k y λ2,k son los se corrige rápidamente cuando los nuevos paráme-
factores de olvido. I p es la matriz identidad de ta- tros son estimados.
maño p. Los factores de olvido se introducen para
que el algoritmo pueda detectar cambios en los
parámetros (cambios de carga en el ascensor), ya
que la forma estándar del algoritmo RLS (dada
por λ1,k = λ2,k = 1) supone que los parámetros
son constantes y pierde la capacidad de detectar
cambios en los mismos transcurrido cierto tiempo.
Una elección común para evitar esto es tomar
λ2,k = 1 y λ1,k = λ1 ∈ (0, 1) ([1], [9]), de for-
ma que las medidas más recientes tienen más peso
en la estimación. Esta elección, no obstante, pue-
de provocar inestabilidad en la estimación si el
sistema no se excita lo suficiente durante la iden-
tificación [2], luego no se adoptará esta solución
para identificar el ascensor pues también podrı́a
desestabilizar el control.
Figura 10: Gráficas con los parámetros c1 , c2 y c3
La pérdida de la capacidad de detectar cambios en
estimados por el algoritmo RLS durante la simu-
los parámetros o la inestabilidad en la estimación
lación.
se producen respectivamente porque la matriz de
covarianza P se hace muy pequeña o crece desme-
suradamente. Una opción más sofisticada para los 8. CONTROL ADAPTATIVO
factores de olvido es la siguiente: DEL ASCENSOR
tr P k ϕk+1 ϕTk+1 P k En esta sección se simula el esquema de control
λ1,k =1− (23)
tr (P k ) a + ϕTk+1 P k ϕk+1 completo de la Figura 8, incluyendo el identifica-
λ2,k = a−1 λ1,k (24) dor discreto y el reconstructor del modelo conti-
nuo. En la Figura 9 se muestra el seguimiento de
la trayectoria cuando la carga aumenta en 1 kg en
Esta elección evita los dos problemas menciona-
t = 22 s. Cuando la carga aumenta, la trayectoria
dos porque fuerza a que la traza de la matriz P
real experimenta una pequeña perturbación mien-
sea constante. Para identificar el modelo discre-
tras el identificador estima los nuevos parámetros
to del ascensor se emplearán las ecuaciones (23)
del ascensor. El controlador logra corregir la tra-
y (24) con a = 1. Además, como condiciones ini-
yectoria rápidamente ante cambios de carga.
ciales para las ecuaciones recursivas (20)-(22) se
tomará P 0 = 5I 3 , mientras que los parámetros La Figura 10 muestra la estimación de los paráme-
θ 0 se inicializarán como números aleatorios uni- tros c1 , c2 y c3 durante la simulación. La estima-
formes en (0, 1). ción del algoritmo RLS converge hacia parámetros
9. IMPLEMENTACIÓN EN UN
ASCENSOR REAL
Referencias
[1] A. Abianeh. Direct torque and flux control
of ipm synchronous motor drive using input-
output feedback linearization approach. In
IECON 2011 - 37th Annual Conference on
IEEE Industrial Electronics Society, pages
1813–1818, Nov 2011.
[2] K. J. Åström and B. Wittenmark. Adaptive
Control. Courier Dover Publications, 2008.
[3] H. Cho, M. Fadali, K. Lee, and N. Kim.
Adaptive position and trajectory control of
Figura 14: Estimación de los parámetros en simu- autonomous mobile robot systems with ran-
lación empleando la velocidad obtenida al derivar dom friction. Control Theory Applications,
una señal de posición cuantizada. IET, 4(12):2733–2742, December 2010.
[4] S. Dominguez, J. Sebastián, and P. Campoy.
10. CONCLUSIONES Control en el espacio de estado. Universidad
Politécnica de Madrid, 2000.
En este artı́culo se ha presentado un problema [5] M. Hajian, J. Soltani, G. A. Markadeh, and
planteado en una asignatura de máster para con- S. Hosseinnia. Input-output feedback lineari-
trolar un ascensor no lineal con carga variable me- zation of sensorless im drives with stator and
diante la técnica de Linealización por Realimen- rotor resistances estimation. Journal of Po-
tación con identificación por mı́nimos cuadrados. wer Electronics, 9(4):654–666, 2009.
Este problema se propone como ejemplo didácti-
co para asignaturas de control en grado y máster [6] W. F. Lages and E. M. Hemerly. Adaptive
pues permite poner en práctica mediante un ejem- linearizing control of mobile robots. 1998.
plo real todas las etapas de un problema de in- [7] A. Nejati, M. Shahrokhi, and A. Mehraba-
genierı́a de control: modelado, identificación, dis- ni. Adaptive input-output linearization con-
cretización, simulación e implementación en una trol of ph processes. Iranian Journal of Che-
planta real. mistry and Chemical Engineering (IJCCE),
El problema presentado permite estudiar un es- 2008.
quema hı́brido en el que el control no lineal emplea [8] H. Salarieh and M. Shahrokhi. Indirect
un modelo continuo que se estima mediante un al- adaptive control of discrete chaotic systems.
goritmo discreto. Se ha presentado una discreti- Chaos, Solitons & Fractals, 34(4):1188 –
zación aproximada que evita acciones de control 1201, 2007.
indefinidas a costa de precisión en los parámetros
estimados, que presentan errores del 15 %. Aun [9] J. Soltani, H. Zarchi, G. Markadeh, and
ası́, se logra un buen control, lo cual prueba la H. W. Ping. Adaptive speed tracking control
robustez del esquema estudiado. of three-phase synchronous reluctance motor
taking the iron loss resistance into account.
La implementación en un ascensor real del con-
In Electrical Machines and Systems, 2007.
trolador propuesto permite estudiar importantes
ICEMS. International Conference on, pages
aspectos prácticos de implementación usualmen-
625–630, Oct 2007.
te obviados en simulación, como la aparición de
ruido al derivar una señal de posición cuantizada [10] A. Tilli and M. Montanari. A low-noise
para obtener la velocidad y su efecto en la identi- estimator of angular speed and accele-
ficación del modelo y en el control, o la saturación ration from shaft encoder measurement.
de la acción de control. AUTOMATIKA-ZAGREB-, 42(3/4):169–
176, 2001.
Para el futuro, se pretende implementar el pro-
blema planteado en forma de laboratorio virtual [11] Y. Xie, D. Sun, C. Liu, H. Tse, and S. H.
y remoto utilizando Easy Java Simulations para Cheng. A force control approach to a robot-
que cualquier estudiante pueda experimentar con assisted cell microinjection system. The
este problema de forma remota, sumándose a la International Journal of Robotics Research,
gran variedad de laboratorios virtuales y remotos 29(9):1222–1232, 2010.