Plantas y Procesos LTI - Seminario de Capacitación - 2010

Seminario de capacitación docente 2010
1.-Plantas y Procesos LTI

Diseño en el Espacio de Estados.
Las plantas y procesos LTI, están
caracterizados por un modelo de estados
como el siguiente:
x  Ax  Bu (1)
y  Cx  Du (2)
Cuyo diagrama en bloques general se
muestra en la Fig. 1.
Fig.1. Diagrama en bloques LTI

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 1
Como se ha visto en el apartado de

modelización, para cada planta a
controlar se tiene que obtener las
matrices A, B, C y D . Una vez
modelizada la planta, en general se
pretende controlar la salida y . Para ello
se debe generar la fuerza de control u .
Una manera de hacerlo es mediante el
vector de estado completo o reducido.
Antes de diseñar el controlador es
necesario analizar conceptos como:
 Controlabilidad
 Observabilidad

2.-Concepto de Controlabilidad
Al resolver la ecuación de estado (1) se
establece la relación explícita que existe
entre la evolución del estado, el valor
inicial del mismo y el valor de la
entrada en cada instante.
A la vista de la relación existente entre
entrada y estado, cabe preguntarse y
luego analizar:
¿Cómo se puede influir en el valor del
estado a través de la entrada?
O bien:
¿Dada una trayectoria arbitraria
definida en el espacio de estado, es
posible encontrar la entrada que haga
que el vector de estado la siga, o por el
contrario existe alguna restricción en

las posibles trayectorias que se puede
inducir en el vector de estado mediante
la elección de las entradas apropiadas?
El estudio de la Controlabilidad de un
sistema determina los puntos del
espacio de estado que pueden ser
alcanzados por un sistema actuando
sobre las entradas de éste; puntos que
determinan los llamados estados
controlables. Dicho estudio abarca dos
aspectos a tener en cuenta:
 Considerando en un sistema un
estado inicial y un estado final, se
desea determinar la existencia de
una entrada sin restricciones que
lleve al sistema entre ambos en un
tiempo finito. Esto no es posible en

todos los casos, como se muestra en
el sistema de la Fig.2
Fig. 2 Sistema no controlable

En este caso, desde un determinado
estado inicial sólo podrían ser
alcanzados determinados puntos del
espacio de estado, porque los valores de
las dos variables de estado están
ligados, al estar sometidas ambas a la
misma dinámica. Este hecho queda
patente por el estudio de los bloques
con cuyas salidas se corresponden
dichas variables. Por ello se dice que el

sistema no es controlable, porque no
puede alcanzar cualquier estado
deseado a partir de un estado inicial
dado.
 Si un sistema no es controlable, la
segunda cuestión que surge es
determinar los puntos del espacio de
estado que pueden ser alcanzados
partiendo de un estado inicial dado.
El modelo de estado para la planta dada
es:
x 1  2 x1  u (3)
x 2  2 x2  2u (4)
El lugar geométrico de los puntos que
pueden ser alcanzados por las variables

de estado dadas para el sistema de la

Figura 2, partiendo de condiciones
iniciales nulas, es el representado en la
Figura 3.
Fig.3: Trayectoria de estado

Como se puede ver, la restricción de que
la dinámica de ambas variables de
estado es la misma en todos los casos, se
traduce en que partiendo de las
condiciones iniciales nulas como se dijo,
en cualquier instante el valor de la

variable x2 es dos veces el valor de la
variable x1.
Escribiendo las ecuaciones (3) y (4) en
forma matricial se tiene:
x  Ax  Bu
 2 0   x1  1  (5)
x        u
 0 2   x2   2 
Empleando la matriz de Controlabilidad
y aplicando el Test de Kalman, se tiene:
Q  [B AB] (6)
Empleando MATLAB, se calcula Q
>> A=[-2 0;0 -2];
>> B=[1;2];
>> Q=[B A*B]
Q=
1 -2
2 -4
Calculando el rango de la matriz de
Controlabilidad, se tiene
>> rank(Q)
ans =
1
Como el rango de Q es menor que el
número de variables de estado, es decir:
rank Q  1  n  2
El sistema no es controlable

3. Controlabilidad de sistemas LTI

En el caso de los sistemas LTI, se puede
aplicar el método de Kalman
(alternativa del gramiano de
controlabilidad) cuya aplicación es más
sencilla (que en los sistemas lineales
variantes en el tiempo) y que se formula
mediante el siguiente teorema:
El sistema de dimensión n, con ecuación
de estado
x (t )  Ax(t )  Bu(t )
Es controlable sí y solo sí la matriz de
controlabilidad Q , definida de la
siguiente forma:
Q  B | AB | A B |  | A B 
 2 n-1
(7)
Es de rango máximo, es decir, n.

En este caso, como el sistema es LTI, ya

no se tiene en cuenta la variable tiempo,
y se habla sencillamente de
“controlabilidad”. Esto significa que, si
un punto es controlable, siempre se
puede transferir el estado inicial a
cualquier otro en cualquier tiempo
finito.
La matriz Q se compone, como muestra
la fórmula, de modo que tiene n  m
columnas, es decir n bloques de m
columnas cada uno [fórmula (7)]. Dicha
matriz se puede descomponer en m
submatrices (igual al número de
entradas), siendo la i  ésima , la
multiplicación de la matriz A y sus
potencias con la columna i  ésima de la
matriz B . El rango de cada una de estas

matrices Qi define si el sistema es
controlable utilizando solo la entrada
i  ésima .
Ejemplo 1
Dado el modelo de la planta LTI,
siguiente:
2 0 0 1 0 
x (t )   0 1 3  x(t )  0 2  u(t )
   
 4 0 3 0 5 
El sistema tiene 3(tres) variables de
estado y 2 (dos) entradas.
a) Caso de las 2(dos) entradas
La matriz de controlabilidad será:
>> A=[2 0 0;0 1 3;4 0 3];
>> B=[1 0;0 2;0 5];

>> Q=[B A*B A^2*B]
Q=
1 0 2 0 4 0
0 2 0 17 12 62
0 5 4 15 20 45
El rango de la matriz Q es:
>> rank (Q)
ans =
3  Sistema controlable
Con las 2(dos) entradas el sistema es
controlable. Esto significa que siempre
se encontraran las entradas [dos (2)]
para llevar el sistema desde un estado
inicial a otro cualquiera en un tiempo
finito. Es decir con estas dos entradas

se puede llevar el estado entre dos
valores cualesquiera del espacio de
estados en un tiempo finito.
Lo que no se sabe es que ocurriría si se
usa una sola entrada
b) Empleo de la entrada u1
Utilizando solo la primera entrada, la
matriz B tendrá la primera columna:
>> A=[2 0 0;0 1 3;4 0 3];
>> B1=[1;0;0];
>> Q1=[B A*B A^2*B]
Q1 =
1 2 4
0 0 12
0 4 20
>> rank(Q1)
ans =
3  Sistema controlable
Utilizando solo la primera entrada
puede lograrse que el sistema ocupe
cualquier punto del espacio de estado,
igual que con 2 (dos) entradas
c) Empleo de la entrada u2
Si se usa la segunda entrada, la matriz
B solo tendrá la segunda columna.
>> A=[2 0 0;0 1 3;4 0 3];
>> B2=[0;2;5];
>> Q2=[B2 A*B2 A^2*B2]

Q2 =
0 0 0
2 17 62
5 15 45
>> rank(Q2)
ans =
2  Sistema no controlable
No se puede lograr, utilizando solo u2
que la planta evolucione desde el origen
a un punto cualquiera del espacio de
estado.
3.1 Invariancia de la
controlabilidad ante un cambio de
base (Transformación lineal)

La controlabilidad de un sistema es
independiente de la representación de
estado que se utilice. Para probarlo, se
realiza una transformación lineal
cualquiera del estado del sistema:
x  Ax  Bu
(8)
x  Tx  Transformación lineal
Reemplazando la segunda ecuación en
la primera, se obtiene:
x  T1ATx  T1Bu x  T1ATx  T1Bu

(9)
La matriz de controlabilidad de la
nueva representación de estado será:
  T1B | T1AB | T1A 2B |  | T1A n1B   T1Q
Q  
(10)
Como la matriz de transformación T , es

no singular (es decir det(T)  0) el rango
 )  rank (Q) , por lo tanto si el
de rank (Q
sistema es controlable con Q también lo
será con Q
Ejemplo 2
Sea la planta dada por:
2 0 0 1 0 
x(t )   0 1 3  x(t )  0 2  u(t )
   
 4 0 3 0 5 
>> A=[2 0 0;0 1 3;4 0 3];
>> [V,D]=eig(A)
V=
0 0 0.0788
1.0000 0.8321 -0.9457
0 0.5547 -0.3152
D=
1 0 0
0 3 0
0 0 2
>> B=[1 0;0 2;0 5];
>> Q=[B A*B A^2*B]
Q=
1 0 2 0 4 0
0 2 0 17 12 62
0 5 4 15 20 45
>> rank(Q)
ans =
3
La matriz de autovectores, puede ser

una transformación lineal T = V
>> Qa=inv(V)*Q
Qa =
6.0000 -5.5000 6.0000 -5.5000 6.0000 -5.5000
7.2111 9.0139 21.6333 27.0416 64.8999 81.1249
12.6886 0 25.3772 0 50.7543 0
>> rank(Qa)
ans =
3
>> det(V)
ans =
0.0437
Lo anterior verifica que la inversa

T1  inv(V) , y además que la matriz T
es no singular, ya que:
det(T)  det(V)  0
>> det(V)
ans =
0.0437.
4. Controlabilidad de la salida
Dado el sistema LTI (lineal e invariante

en el tiempo)
x  Ax  Bu x  Ax  Bu
(11)
y  Cx y  Cx
La salida y es controlable si y sólo si la

matriz definida por:
QC  CB | CAB | CA B |  | CA B 
 2 n 1
Es de rango p (número de salidas)

{Nótese que QC  CQ }
Ejemplo 3
Determinar la controlabilidad de las
salidas para el sistema definido por el
modelo:

 4 8 7  6
x   3 1 3  x   4  u
   
 8 10 11  9 
 1 1 1
y  x
 1 3 2 
Partiendo del instante t0  0 y para un
instante genérico t .
Mediante la matriz de controlabilidad
de la salida, se construye dicha matriz
QC  CB | CAB | CA 2B 
>> A=[4 -8 -7;-3 1 3;8 -10 -11];

>> B=[6;-4;9];
>> C=[1 -1 -1;-1 3 2];
>> Qc=[C*B C*A*B C*A^2*B]
Qc =
1 -1 1
0 0 0
>> rank(Qc)
ans =
1
Como el rango de QC es uno, significa
que el subespacio de salida controlable
es de dimensión uno.
5.- Concepto de Observabilidad

Como sabemos el modelo de estado
refleja las relaciones entre los tres
actores que describen el

comportamiento de un sistema:
entrada, estado y salida.
La controlabilidad del estado
permite estudiar la forma en que la
entrada repercute sobre la
evolución del estado, así como la
posibilidad de obtener un
determinado valor para éste en un
instante dado, mediante la elección
adecuada de la entrada.
La Observabilidad permite estudiar
la forma en que las variaciones del
estado se manifiestan a la salida,
con lo que se cubre la segunda
etapa de la interacción descripta
por el modelo de estado.

La Figura 4 permite visualizar el

concepto de Observabilidad.
Fig. 4. Concepto de Observabilidad.

La idea de Observabilidad se relaciona
con la posibilidad de conocer el valor del
estado de un sistema, a partir del
conocimiento de la evolución de la
entrada y de la salida que genera. Una
vez conocido el estado en un instante
inicial, se puede determinar el estado en
cualquier otro instante posterior
utilizando la solución de la ecuación de
estado.
La Observabilidad se presenta como

una idea complementaria a la de
controlabilidad; si la controlabilidad
estudia la relación entrada-estado, la
observabilidad estudia la relación
estado-salida.
Primero se verá en que sistemas es
posible conocer el estado, y en segundo
lugar que variables de estado se pueden
conocer en el caso que no sea posible
conocerlas todas. Por último se
estudiará la selección de las salidas que
contienen la máxima información sobre
el estado del sistema.
Ejemplo 4
Supóngase el sistema mostrado en la
Figura 5
Fig.5 Sistema de 2º orden

El sistema de la Fig.5 se puede
representar por el diagrama en bloques
de la Fig. 6, donde se indican las
variables de estado.
Fig.6. Diagrama en bloques

Si se eligen como variables de estado la
salida y su derivada (salida de los
integradores, Fig.6), se logra conocer
todos los estados necesarios a partir de

la salida y por lo tanto será observable.
En cambio el sistema mostrado en la
Fig. 7, no es observable puesto que
tienen como variables de estado las
salidas de los bloques.
Fig. 7. Diagrama en bloques.

Si se intenta obtener la función
transferencia del sistema, se tiene:
3  1  3 s 1 3
1   
s 1 s  2  s 1 s  2 s  2

El sistema desde el punto de vista de la

función transferencia Y ( s) U ( s) se
comporta como de 1º orden, y conociendo
y (t ) y u (t ) solo se podrá detectar una
variable de estado, luego el sistema no
es observable.
Como se puede ver, se impide la
observabilidad con una cancelación
de un polo con un cero.
Los conceptos de controlabilidad y
observabilidad son claramente distintos,
y sin embargo en lo referente a los
cálculos son duales.

6.- Observabilidad de Sistemas LTI

En el caso de sistemas LTI la
determinación de la observabilidad es
más simple, y se puede realizar
mediante el test de Kalman.
Un sistema LTI, de dimensión n

definido por las ecuaciones:
x  Ax  Bu
y  Cx  Du
es observable si y solo si la matriz de
observabilidad P , definida por :

 C 
 CA 
 
P   CA 2
  
 
CA n-1 
Es de rango máximo, es decir n .
Como la matriz C es de dimensión p  n
y la matriz A es de dimensión n  n, la
matriz P será de dimensión p n  n , es
decir tiene pn filas. Es posible agrupar
las filas según provengan de cada una
de las p salidas o de sus posibles
conjuntos, analizando la observabilidad
debida a esas salidas.
Ejemplo 5

Estudiar la observabilidad del sistema

cuyas matrices A y C son las
siguientes:
3 0 2
2 0 0
A  0 1 0  ; C 
   0 1 2 
0 2 3 
La matriz de observabilidad es:
>> A=[3 0 2;0 1 0;0 2 3];
>> C=[2 0 0;0 1 2];
>> P=[C;C*A;C*A^2]
P=
2 0 0
0 1 2
6 0 4

0 5 6
18 8 24
0 17 18
El rango de la matriz P es:
>> rank(P)
ans =
3
El rango de P , es tres, por lo que el
sistema será observable utilizando las
dos salidas disponibles. Podría
comprobarse también si el sistema es
observable utilizando una única salida.
Comenzamos con la primera salida.
>> C1=[2 0 0];
>> P1=[C1;C1*A;C1*A^2]
P1 =
2 0 0
6 0 4
18 8 24
>> rank(P1)
ans =
3
El rango de la matriz de observabilidad
rank (P = P1 )  3, por lo cual el sistema es
observable utilizando solo la primera
salida. (Es decir, se requiere solo una
medición).
Se comprueba con la segunda salida
solamente:
>> A=[3 0 2;0 1 0;0 2 3];
>> C2=[0 1 2];

>> P2=[C2;C2*A;C2*A^2]
P2 =
0 1 2
0 5 6
0 17 18
>> rank(P2)
ans =
2
Como el rango de la matriz P2 es dos
(2) es decir menor que tres(3), por lo que
el sistema no es observable utilizando
solo la segunda salida.

6.1. Invariancia de la
Observabilidad ante un cambio de
base (Transformación lineal)
Es importante destacar que la
observabilidad de un sistema
 A, B, C, D  es independiente de la
representación del estado, por lo que, si
se realiza un cambio o transformación
lineal x  Tx , el rango de la nueva
matriz de Observabilidad P es idéntico
al de la matriz P . Para demostrar lo
dicho se parte del modelo de estado
realizando el cambio de base:
x  Ax  Bu
y  Cx  Du
x  T x

Con el cambio de base, se obtiene:

x  T1A Tx  T1Bu
y  CTx  Du
Así, la matriz de observabilidad en la
nueva base es:
 CT 
 CAT 
P     PT
  
CA n1T 
 
Y dado que la matriz T es no singular,

el rango de P coincide con el de P , por
lo que si el sistema es observable con P
también lo será con P .

7. Valores propios y vectores

propios de una matriz A n  n
Los valores propios de una matriz A de
dimensión n  n son las raíces de la
ecuación característica:
I  A  0
Asociado a cada valor propio
(autovalor), existe un vector llamado
vector propio (autovector)
Los autovalores y autovectores de una
matriz cuadrada se pueden calcular
algebraicamente o utilizando MATLAB
con una simple entrada o sentencia:
[V , D]  eig ( A)
La sentencia produce matrices de
autovalores (D) y autovectores (V) de la
matriz A , de tal manera que:

A*V  V*D
La matriz D es la forma canónica de A
(la matriz diagonal con los auvalores de
A sobre la diagonal principal).
La matriz V es la matriz modal (Sus
columnas son los autovectores de A )
Ejemplo
Dada la matriz A, obtener sus
autovalores y autovectores:
>> A=[0 1 0;0 0 1;-8 -12 -7]
A=
0 1 0
0 0 1
-8 -12 -7
>> [V,D]=eig(A)
V=
0.0412 0.1627 + 0.4013i 0.1627 - 0.4013i
-0.2008 -0.4600 - 0.3099i -0.4600 + 0.3099i
0.9788 0.7105 0.7105
D=
-4.8751 0 0
0 -1.0624 + 0.7157i 0
0 0 -1.0624 - 0.7157i
Los valores propios de A son las raíces

de la ecuación característica, su cálculo
se puede realizar mediante MATLAB:
>> syms s
>> I=[1 0 0;0 1 0;0 0 1];
>> det(s*I-A)
ans =
s^3 + 7*s^2 + 12*s + 8

>> roots([1 7 12 8])
ans =
-4.8751
-1.0624 + 0.7157i
-1.0624 - 0.7157i
7.1 Diagonalización de una matriz

nn
Si la matriz A tiene autovalores
distintos, es posible la Diagonalización
de la misma. Una matriz de
transformación posible, es la de
Vandermonde, es decir:

 1 1  1 
  2  n 
 1 
P   12 22  n2 
     

1n1 2n1  nn1 
Siendo 1 , 2 , n los n valores propios
distintos, de la matriz A .
La matriz diagonal del sistema, se
obtiene mediante la transformación:
x  Ax  Bu
y  Cx  Du Modelo de estado LTI
A diag  P 1A P
Para el ejemplo anterior:
>> P=[1 1 1;-4.8751 -1.0624+0.7157i -1.0624-0.7157i;
(-4.8751)^2 (-1.0624+0.7157i)^2 (-1.0624-0.7157i)^2]

P=
1.0000 1.0000 1.0000
-4.8751 -1.0624 + 0.7157i -1.0624 - 0.7157i
23.7666 0.6165 - 1.5207i 0.6165 + 1.5207i
>> W=inv(P)
W=
0.1090 - 0.0000i 0.1412 - 0.0000i 0.0665 - 0.0000i
0.4455 - 1.0326i -0.0706 - 1.0747i -0.0332 - 0.1770i
0.4455 + 1.0326i -0.0706 + 1.0747i -0.0332 + 0.1770i
 A diag  W * A * P
A diag =
-4.8751 + 0.0000i 0.0000 - 0.0000i 0.0000 + 0.0000i
0.0000 + 0.0001i -1.0624 + 0.7157i 0.0000 - 0.0000i
0.0000 - 0.0001i 0.0000 + 0.0000i -1.0624 - 0.7157i
Como se puede ver la matriz diagonal,

tiene en su diagonal principal los
autovalores propios, distintos, de la
matriz A .
7.2. Invariancia de los valores

propios de una matriz ante una
transformación lineal
Cuando se realiza una transformación
lineal sobre el modelo de estado LTI, se
tiene:
x = Ax + Bu
y = Cx + Du Modelo de estado LTI
Cambiando las variables de estado

mediante una transformación lineal:
x = Pz
Reemplazando se tiene el nuevo modelo
de estado:
z = P -1APz + P -1Bu
y = CPz + Du
La nueva matriz del sistema es:
A z  P -1AP
Para que los autovalores sean
invariantes ante una transformación
lineal, se debe probar que:
I - A  I - P AP 1
Como el determinante de un producto es

el producto de los determinantes, se
puede escribir:

P 1 ( I  A)P  P 1 I  A P
 P 1 P  I  A
Como: P 1 P  P 1P =1
Se obtiene que:
I - A  I - P 1AP
7.3 Transformación de modelos

mediante MATLAB
7.3.a. Transformación de función

transferencia a modelo de estado
Conocida la función transferencia de un
sistema, se puede obtener un modelo de
estado mediante el comando MATLAB:
[A,B,C,D]=tf2ss(n,d)
Ejemplo
Dada la función transferencia de una
planta:
Y (s) 15s  1
 3
(U ( s) s  5s 2  4s  12
Hallar un modelo de estado mediante
MATLAB:
>> n=[15 1];
>> d=[1 5 4 12];
>> [A,B,C,D]=tf2ss(n,d)
A=
-5 -4 -12
1 0 0
0 1 0
B=
1
0
0
C=
0 15 1
D=
0
7.3.b Transformación de modelo de

estado a función transferencia
Conocido el modelo de estado de una
planta se puede obtener la función

transferencia(o matriz transferencia)

mediante el comando MATLAB:
[n,d]=ss2tf(A, B, C, D, iu)
En los sistemas con más de una entrada
se debe especificar la i-ésima (iu)
entrada.
Si el sistema tiene una sola entrada se
puede emplear el comando:
[n,d]=ss2tf(A,B,C,D)
O bien:
[n,d]=ss2tf(A,B,C,D,1)
Ejemplo
Considérese el Sistema MIMO:
>> A=[0 1;-30 -5]
A=
0 1
-30 -5
>> B=[2 1;0 1]
B=
2 1
0 1
>> C=[1 0;0 1]
C=
1 0
0 1
>> D=[0 0;0 0]
D=
0 0
0 0
Como el Sistema dado tiene dos

entradas, se deben calcular:
>> [n1,d]=ss2tf(A,B,C,D,1)
n1 =
0 2.0000 10.0000
0 0.0000 -60.0000
d=
1.0000 5.0000 30.0000
Esto representa las dos funciones
transferencia:
Y1 ( s ) 2 s  10
 2
U1 ( s ) s  5 s  30
Y2 ( s ) 60
 2
U1 ( s ) s  5 s  30
>> A=[0 1;-30 -5];
>> B=[2 1;0 1];

>> C=[1 0;0 1];
>> D=[0 0;0 0];
>> [n2,d2]=ss2tf(A,B,C,D,2)
n2 =
0 1.0000 6.0000
0 1.0000 -30.0000
d2 =
1.0000 5.0000 30.0000

Esto representa las dos funciones de
transferencia:

Y1 ( s ) s6
 2
U 2 ( s ) s  5 s  30
Y2 ( s ) s  30
 2
U 2 ( s ) s  5 s  30
9. Teorema de Cayley-Hamilton
El teorema de Cayley-Hamilton es muy
útil para comprobar teoremas que
involucran ecuaciones matriciales o
para resolver problemas que incluyen
ecuaciones.
Sea la matriz A cuadrada (n  n) y su
ecuación característica:
sI  A   n  an1 n1    a1  a0  0

El teorema de Cayley-Hamilton expresa

que la matriz A satisface su propia
ecuación característica, es decir:
A n  an1A n1    a1A  a0I  0
Este teorema se aplica (p.ej.) en la

deducción de la fórmula de Ackermann,
que veremos más adelante
10.- Control por realimentación del

estado
10.1. Introducción
En este apartado se estudia el control
del sistema mediante la realimentación
del vector de estado, poniendo de
manifiesto la potencia de esta
estructura de control para fijar las
características del comportamiento

dinámico del sistema. En primer lugar
se realiza el análisis de la dinámica del
sistema cuando se efectúa la
realimentación de sus variables de
estado, mediante una matriz constante
(matriz ganancia) para actuar sobre las
variables de entrada del sistema según
el esquema de la Figura 8.
Posteriormente se aborda el diseño de la
matriz de realimentación de estado con
objeto de fijar el comportamiento
dinámico del sistema, justificándose la
asignación directa de todos los polos del
sistema totalmente controlable, tanto en
el sistema monovariable (SiSo) como
multivariable (MiMo).
Para proceder a la aplicación de un

control por realimentación del estado, se
parte de la base del conocimiento de las
variables de estado del sistema, que se
suponen directamente medibles.
Fig.8. Sistema con realimentación de

estado
El Ejemplo 6 (desarrollado a
continuación) da una idea de la potencia
del control de un sistema cuando se
conoce el comportamiento de sus
variables internas, comparándose con el

control del mismo sistema cuando solo
se realimenta la salida de este.
Ejemplo 6.
Se desea controlar la posición angular
del motor representado en la Figura 9.
La misma representa la estructura
clásica de un control con regulador
proporcional, con el que se consigue un
compromiso entre el error en velocidad
y la dinámica del sistema.
Fig.9. Estructura clásica del control de

posición angular con regulador proporcional

Con el objeto de mejorar dicho control,

se puede desear que los polos
dominantes de lazo cerrado se ubiquen
en s1,2  10  j 10 Esto se puede realizar
con un regulador PD, ubicando el cero
del mismo en zPD  12.5 . Esto lleva a
que las ganancias proporcional y
derivativa tomen el valor:
K P  203.75
K D  16.3
Sobre la base del diseño clásico
realizado, se obtiene el diagrama en
bloques del sistema que se indica en la
Figura 10.-

Fig.10: Diseño clásico con regulador PD

En el diseño anterior se ha supuesto
que el polo real de la planta (motor) está
en s p  4 .
Según el diseño realizado se debería
obtener:
ts  0.4 seg  tiempo de establecimiento
M 0  4.3 %  overshoot
Si se realiza una simulación para el
sistema diseñado de la fig. 10, se
obtiene la respuesta al escalón unitario
mostrada en la Fig. 11. En dicha figura
se puede ver que el overshoot es del 13.3
% y el tiempo de establecimiento es de
0.35 seg.
De aquí se infiere que el overshoot es
bastante mayor que el supuesto para el
diseño. Esto se debe a la acción
derivativa que aparece por el regulador
PD sobre-excita a la planta, y produce
en la realidad mayor overshoot que el
fijado por diseño.

Fig.11: Respuesta del sistema con regulador

PD
Si se realimenta (mide) adicionalmente
la derivada del ángulo que se desea
controlar, que representa la tendencia
de su evolución temporal, y se utiliza
dicha información adicional sobre la
dinámica del sistema en la estructura
de realimentación, según se indica en la
Figura10.
Fig. 10. Esquema del sistema con

realimentación del vector de estado
El esquema de control de la Figura 10

es equivalente al representado en la
Figura 12, al cual se llega después de
unas pocas operaciones con el diagrama
de bloques. Se observa que este
esquema representa una estructura
clásica de control con un regulador PD,
pero en la que se ha suprimido el cero
de lazo abierto introducido por el PD.
La ventaja del control por
realimentación de las variables de
estado del sistema respecto al sistema
de control equivalente que se obtiene
usando la teoría clásica reside en que el
primero utiliza, de forma natural, la
evolución de las variables del sistema,
mientras que en la estructura clásica es
necesaria la construcción de derivadores

puros de difícil realización física.
Fig. 12. Equivalente al control por

realimentación del vector de estado.
Diseñando el sistema de la Fig.10, para
tener los polos de lazo cerrado en
s1,2  10  j 10, se obtienen las
ganancias:
K1  16
K 2  200

Con los valores calculados de las

ganancias, se realiza una simulación del
sistema y se obtiene la respuesta
indicada en la Fig.13.
Fig.13: Respuesta obtenida

realimentando el vector de estado

Como puede verse en la Fig. 13, la

respuesta obtenida es exactamente la
especificada para el diseño.
Esta es una de las ventajas del diseño
basado en el espacio de estado frente al
diseño clásico.
10.2. Diseño en el espacio de estado

por asignación de polos
El método de diseño que veremos en el
curso es conocido como método de
ubicación o asignación de polos que
permite calcular la matriz ganancia K
que se muestra en la estructura de
bloques de la Figura 15.

Fig. 15: Sistema de control en lazo

cerrado con u  r  K x
Los sistemas que incluyen controladores

se pueden dividir en dos categorías:
 Sistemas de control donde la

referencia es una función del
tiempo r (t ) .(Ver Figura 15)

 Sistemas reguladores donde la

entrada de referencia es constante
(incluso cero). Ver Figura 16.
Fig. 16: Sistema regulador
Para diseñar la matriz ganancia se

supone que todas las variables de
estado son medibles y que están
disponibles para su realimentación.

Para calcular la matriz ganancia se

deberán especificar todos los polos de
lazo cerrado, a partir de la respuesta
transitoria deseada tales como
overshoot, tiempo de establecimiento y
los requisitos de régimen estacionario.
Una condición necesaria y suficiente
para que los polos de lazo cerrado se
puedan localizar en cualquier posición
arbitraria del plano complejo s    j ,
es que el sistema sea de estado
completamente controlable.
Esto implica que, por el Test de
Kalman,
Q  B | AB | A B |  | A B 
 2 n-1
Es de rango máximo, es decir, n.

En el curso veremos problemas en los

cuales la fuerza de control u (t ) es un
escalar, lo cual implica que la referencia
es escalar.
El caso en que u(t ) es vectorial implica
que los aspectos matemáticos del diseño
por ubicación de polos se complican y
hacen que la matriz ganancia ( K ) no sea
única, con lo cual se pueden determinar
n ganancias, más otros parámetros a
satisfacer por el sistema a lazo cerrado.
La planta sobre la cual realizaremos el
diseño por asignación de polos, tiene el
modelo:
x  A x  B u
Planta SISO
y  Cx  D u

La fuerza de control está dada por

(Sistema regulador):
u  K x
Donde:
K   k1 k2  kn  , matriz ganancia
xT   x1 x2  xn , vector de estado
Traspuesto
En este curso no se establecerá ninguna
limitación sobre la fuerza de control u (t )
es decir resulta la que se obtiene al
aplicar la relación u  K x .
Reemplazando la expresión de la fuerza

de control en la ecuación de estado, se
obtiene:
x  A x  B(K x)   A - BK  x
Transformando por Laplace, se obtiene:

X( s )   sI  A  BK  X(0)
1
El denominador de la matriz inversa es

el determinante:
sI  A  BK  Ecuación característica
La ecuación característica es un
polinomio de grado n , y si este
polinomio se iguala al polinomio
determinado por los n polos de lazo
cerrado especificados, se tiene un
método para calcular el vector
ganancia K   k1 k2  kn  .Este
método consiste en obtener por
igualación de coeficientes del mismo

grado, n ecuaciones con n incógnitas, las

ganancias k1 , k2 ,, kn
Otro método que se puede utilizar para
determinar las ganancias es empleando
la fórmula de Ackermann (la
demostración está en la bibliografía):
1
K  0 0  0 1 B | AB |  | A B   ( A) n1
Donde:
 ( A)  A n  an1A n1    a1A  a0I
Los coeficientes de  ( A) son los

coeficientes del polinomio característico
deseado, es decir:
( s  p1 )( s  p2 )( s  pn )  s n  an1s n1    a1s  a0

Donde los polos p1 , p2 , , pn son los polos

deseados a lazo cerrado
La fórmula de Ackermann está
implementada en MATLAB, de la
siguiente manera:
Se cargan las matrices:
A B J
Donde:
J   p1 p2 p3  pn 
Es la matriz de los polos deseados a lazo
cerrado.
El comando o sentencia de MATLAB es:
K  acker( A, B, J )
También se puede utilizar:
K  place( A, B, J )
Una vez calculada la matriz ganancia K

se puede utilizar el comando:
eig ( A  B * K )
Para verificar que la matriz K
calculada, da los valores propios
deseados.
Para sistemas de una única entrada las
ordenes acker y place dan la misma K .
La orden place requiere que el orden de
multiplicidad de polos, en los polos a
lazo cerrado deseados no sea mayor que
el rango de B . Así, si la dimensión de B
es n 1 , la orden place requiere que no
haya polos múltiples en el conjunto de
polos a lazo cerrado deseados.

Para sistemas de múltiples entradas se

debe emplear la orden place en lugar de
acker.
Sugerencias para el diseño
Si bien teóricamente los polos
dominantes a lazo cerrado deseados, se
pueden ubicar en cualquier lugar del
plano complejo, en la realidad hay un
límite para su ubicación, ya que cuanto
más rápido sea el sistema de control a
diseñar mayor será la fuerza de control
u (t ) necesaria, y por lo tanto mayor será
la energía y el coste del control.
Adicionalmente cuanto más rápido sea
el sistema de control a diseñar, mayores
serán las ganancias k1 , k2 ,, kn , con lo

cual aumenta la sensibilidad del

sistema ante las perturbaciones y ruido
en las mediciones. Es decir se tiene una
situación de compromiso entre la
rapidez de la respuesta(mayores
ganancias) y la sensibilidad ante
perturbaciones y ruido en las
mediciones.
Otro factor a tener en cuenta es el orden
del sistema:
 Si el sistema es de 2º orden la
correlación de las características de
respuesta dinámica y la situación de
los polos en lazo cerrado deseados es
sencilla.
 Si el sistema es de mayor orden, la
correlación entre la posición de los
polos de lazo cerrado deseados y la

respuesta dinámica no es simple, y
en general se requieren determinar
varias matrices ganancia K y
seleccionar mediante simulación del
sistema la mejor opción global.
Ejemplo1
Para la planta electromecánica (motor +
carga) dada por su modelo de
transferencia:
1
GP ( s ) 
s ( s  2)
Se solicita diseñar la matriz ganancia
(si es posible) realimentando el vector
de estado completo, para obtener una
respuesta con polos de lazo cerrado en
10  j10 y  30  j30 .
Analizar los diseños realizados sin ruido

en la medición y con ruido en la
medición.
En primer lugar se debe determinar un
modelo de estado y verificar si el
sistema es completamente controlable.
Una manera de obtener un modelo de
estado, es realizando un diagrama en
bloques del sistema dado y asignar las
variables correspondientes. En la Fig.
17, se muestra un diagrama en bloques
para la planta.
Fig.17. Diagrama en bloques para la planta

Siempre es conveniente obtener la

respuesta de la Planta a una señal u (t )
estándar, como ser un impulso (ya que
la planta es tipo 1). En la Fig. 18 se
muestra la respuesta de la planta a un
impulso.
Fig.18. Respuesta de la Planta a un impulso

Como se puede ver en la Figura 18, la

planta alcanza el 98% de su valor final
en 3.91 segundos (settling time). Este
dato no debe perderse de vista, ya que
los diseños solicitados del sistema de
control exigen tiempos de
establecimiento de 0.4 segundos (1º
diseño) y 0.13 segundos (2º diseño), es
decir 10 veces más rápido en el 1º diseño
y 30 veces más rápido en el 2º diseño.
Sobre la base de las variables asignadas
en la Figura 17, se obtiene el modelo de
estado:
0 1   x1  0 
x        u
0 1  x2  1 
 x1 
y  1 0  
 x2 
Empleando MATLAB, verificamos la

Controlabilidad completa del sistema
dado:
>> A=[0 1;0 -1];
>> B=[0;1];
>> C=[1 0];
>> D=0;
>> Q=[B A*B] matriz de controlabilidad
Q=
0 1
1 -1
>> rank (Q)
ans =
2

Como el rango de la matriz de

controlabilidad es 2 (dos) e igual al
número de variables de estado n  2 ,se
puede diseñar la matriz ganancia.
En la Figura 19, se muestra un
diagrama en bloques del sistema a
diseñar, donde se puede ver la medición
a través de la matriz ganancia K :
Fig. 19. Planta con la matriz ganancia

El polinomio característico del sistema a

diseñar es:
( s)  s 2  (1  k2 ) s  k1
Para calcular las ganancias se debe
igualar ( s) con el polinomio obtenido a
través de los polos de lazo cerrado
deseados, que son dos:
>> syms s
>> conv([1 10+10i],[1 10-10i])
ans =
1 20 200
s 2  20 s  200 1º Diseño
>> conv([1 30+30i],[1 30-30i])

ans =
1 60 1800
s 2  60 s  1800 2º Diseño
Cálculo de las ganancias:
1º Diseño: K   k1 k2    200 19
2º Diseño: K   k1 k2   1800 59
Fig.20.Sistema de control diseñado (1º y 2º diseño)

Sobre la base del diagrama en bloques utilizado para la

simulación de los sistemas de control, diseñados y
mostrados en la Figura 20, se obtiene la respuesta
dinámica frente a un escalón de referencia que se
muestra en la Figura 21 (Oscilogramas).
Fig. 21. Oscilogramas de las respuestas para

los sistemas diseñados
Dicha respuesta se puede graficar en
forma más conveniente, si se la lleva al

espacio de trabajo (Workspace) de

MATLAB, como se muestra en la Figura
22.
1.4
Diseño 1
Diseño 2
1.2
0.8
0.6
0.4
0.2
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
Fig.22. Gráficos de la respuesta al escalón de

referencia, para los diseños 1 y 2.
En la Figura 23, se muestra el

diagrama en bloques de los sistemas de
control diseñados con el agregado del
ruido de medición. El ruido utilizado

para la comparación entre los dos
diseños, es:
 Ruido Blanco con banda limitada
(Band-Limited White Noise)
 Potencia de ruido (Noise power)
0.0001.
1.001
DISEÑO 1
1/0.005 Display
1 1
Referencia s
Calibración s+1
Set Point
de la Transfer Fcn Integrator
referencia
Add Scope
19
y1
k2
Add2 To Workspace
Add1
200 Ruido de
Medición
k1
Manual Switch
Add3 Band-Limited
White Noise
y1, y2
1.032
DISEÑO 2
1/0.0005556 Display1
1 1
Referencia s
Calibración s+1
Ser Point
de la Transfer Fcn1 Integrator1
Referencia Add4 Scope1
59
y2
k4
Add6 To Workspace1
Add5
1800 Ruido de
Medición
k3
Manual Switch1
Add7 Band-Limited
White Noise1
Fig.23. Introducción del Ruido de Medición.

El ruido de medición es similar al

existente en la realidad cuando se debe
medir una variable física cualquiera.
Dicho ruido afectará a la variable salida
del sistema de control. En la Figura 24
se puede ver el efecto del ruido de la
medición, registrado sobre un
osciloscopio.
Fig. 24. Efecto del ruido de medición sobre los sistemas

diseñados.
A los efectos de presentar más

adecuadamente los gráficos de
respuesta incluyendo el ruido de
medición , se puede utilizar la potencia
gráfica de MATLAB. Ver Fig. 25.
Salida de los Sistemas de Control frente al Ruido de Medición
1.4
Diseño 1
Diseño 2
1.2
1
Salidas y1(t), y2 (t)
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Tiempo seg
Fig.25. Efecto del ruido de Medición

sobre la salida en los Sistemas
diseñados.

Otro aspecto a tener en cuenta en el

diseño es observar la fuerza de control
u (t ) , que resulta de cada especificación.
Con respecto a ello, es más ilustrativo
analizar la energía o el costo necesario
para realizar el control, dicha energía o
costo está relacionado con la integral:
t
 u( ). u( ) d , con t  

0
En la práctica es suficiente que el

tiempo de integración sea bastante
mayor que la mayor constante de
tiempo del sistema.
En la Figura 26 se muestra el diagrama
en bloques que permite evaluar la
integral mencionada.

Fig.26. Diagrama en bloques para

determinar la energía o costo del control
En la Fig.27, se muestra el resultado de

las integrales obtenidas para el diseño 1
y 2.

t
Fig.27. Integrales  u1 ( ). u1 ( ) d s    j y
0
t
 u2 ( ). u2 ( ) d
0
Las curvas precedentes alcanzan un

valor final que es:
t
I1 (t  0.5 seg )   u1 ( ). u1 ( ) d  666.8
0
t
I 2 (t  0.5 seg )   u2 ( ). u2 ( ) d  1.654 104
0
El resultado dado por las integrales es

muy diferente, siendo la integral del
sistema más rápido (Diseño 2) 24.8
veces la integral del sistema más lento
(Diseño 1).
Otra mirada que se puede dar sobre los
sistemas diseñados es a través del
ancho de banda. En las Figuras 28 y 29
se muestran los diagramas de Bode de
los sistemas diseñados.
El ancho de banda del Diseño 2 es 3
veces mayor que el ancho de banda del
Diseño 1.

Fig.28 Bode del Diseño 1
Fig.29. Bode del diseño 2

Conclusiones:
Si bien en el Control Moderno y desde el
punto de vista teórico los polos de lazo
cerrado (Autovalores) del Sistema de
Control se pueden ubicar en cualquier
parte del semiplano (complejo) izquierdo
s    j , se pueden realizar, los
siguientes comentarios:
 Cuanto más rápido sea el sistema de
control diseñado(mayor ancho de
banda), más sensible se vuelve al
efecto de los errores de medición.
 Cuanto más rápido sea el sistema de
control diseñado(mayor ancho de
banda), mayor será la energía o costo
asociado al control.

 Cuanto más rápido sea el sistema

diseñado , mayor será el ancho de
banda del mismo
Por lo tanto y desde el punto de vista
práctico, el diseño de la Matriz
Ganancia K , es un compromiso entre
efecto del ruido de medición y costo o
energía necesarios para el control. Una
guía práctica para el diseño de la
matriz ganancia K , sería que la
velocidad del sistema de control no
supere 10 veces la velocidad de la
planta.


Plantas y Procesos LTI - Seminario de Capacitación - 2010

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Plantas y Procesos LTI - Seminario de Capacitación - 2010

Caricato da

Copyright:

Formati disponibili

Seminario de capacitación docente 2010

1.-Plantas y Procesos LTI

Fig.1. Diagrama en bloques LTI

Como se ha visto en el apartado de

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 2

contrario existe alguna restricción en

tiempo finito. Esto no es posible en

Fig. 2 Sistema no controlable

dichas variables. Por ello se dice que el

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 6

de estado dadas para el sistema de la

Fig.3: Trayectoria de estado

en cualquier instante el valor de la

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 9

3. Controlabilidad de sistemas LTI

Es de rango máximo, es decir, n.

En este caso, como el sistema es LTI, ya

matriz B . El rango de cada una de estas

>> B=[1 0;0 2;0 5];

finito. Es decir con estas dos entradas

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 15

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 16

x  T1ATx  T1Bu x  T1ATx  T1Bu

Como la matriz de transformación T , es

La matriz de autovectores, puede ser

Lo anterior verifica que la inversa

Dado el sistema LTI (lineal e invariante

La salida y es controlable si y sólo si la

Es de rango p (número de salidas)

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 22

>> A=[4 -8 -7;-3 1 3;8 -10 -11];

5.- Concepto de Observabilidad

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 24

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 25

La Figura 4 permite visualizar el

Fig. 4. Concepto de Observabilidad.

La Observabilidad se presenta como

Fig.5 Sistema de 2º orden

Fig.6. Diagrama en bloques

todos los estados necesarios a partir de

Fig. 7. Diagrama en bloques.

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 29

El sistema desde el punto de vista de la

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 30

6.- Observabilidad de Sistemas LTI

Un sistema LTI, de dimensión n

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 31

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 32

Estudiar la observabilidad del sistema

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 33

>> C2=[0 1 2];

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 36

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 37

Con el cambio de base, se obtiene:

Y dado que la matriz T es no singular,

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 38

7. Valores propios y vectores

matriz A , de tal manera que:

Los valores propios de A son las raíces

s^3 + 7*s^2 + 12*s + 8

7.1 Diagonalización de una matriz

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 42

Sistemas de Control-UTN/FRBA/FRH (Electrónica)-Ing. A. M. Mariani Página 43

s^3 + 7s^2 + 12s + 8