Ing.

Daniel Carbonel EE616M

CONTROL ÓPTIMO PARA EL PENDULO

INVERTIDO
El sistema de péndulo invertido mostrado, la gobiernan las ecuaciones
mostradas.
Y m
x
.. ..
(M  m) x  m l θ  F
 mg .. ..
l x l θ  g θ

X
F M

Donde:
M masa del carro (2000 gr)
m masa de la esfera (500gr)
x Posición horizontal de la varilla
g gravedad (10m/sg2)
l longitud de la varilla (1 mt)
F fuerza a controlar para mantener la varilla vertical.

Si definimos las variables de estado:

. .
x1  θ x2  θ x3  x x4  x
y las variables de salida como: y1  θ y2  x

El trabajo se divide en dos partes:

1°) Diseño de un sistema de control óptimo, tal que haga mínimo el índice

de comportamiento cuadrático: J  0 (x T Q x  u T R u ) dt

2°) Importancia de la elección de un ponderamiento adecuado para Q y R,

mostrando en una simulación la variación de las respuestas en
función de ellas.

1
Ing. Daniel Carbonel EE616M

Solución:

- Primer Paso:

Hallemos las ecuaciones de estado que gobiernan este sistema.

Reemplazando los valores dados de M, m y l

Entonces tenemos:
.. ..
2.5 x  0.5  F ...(1)
.. ..
x    10 ...(2)

Reemplazando (2) en (1) obtenemos:

..
... (3)
2  25  F  0
..
... (4)
2 x  5  F  0

La ecuación de estados:
 .   0 1 0 0  x1   0 
 x.1      
 x2   25 / 2 0 0 0  x 2    1 / 2 
 .   F
 x3   0 0 0 1  x3   0 
   
 .   5/ 2 0 0 0  x 4   1 / 2 
  
 x4  

y la ecuación de salida:
 x1 
 
 y1  1 0 0 0  x2 

   
  

 y2 0 0 1 0 x3 

 
 x4 


- Segundo paso:

Debemos diseñar un sistema de control óptimo, tal que haga mínimo el

índice de comportamiento cuadrático.

J   ( xT Qx  u T Ru )dt
0

Para diseñar este sistema de control cuadrático, necesitamos hallar el valor de K,

por lo cual usaremos Matlab, para obtener dicho vector.
Para usar Matlab, necesitamos las matrices Q y R, que le asignaremos valores
adecuados, estos valores son:
Primer Caso Q=I, R=1.

2
Ing. Daniel Carbonel EE616M

A=[0 1 0 0; 25/2 0 0 0; 0 0 0 1; -5/2 0 0 0];

B=[0; -1/2; 0; 1/2];
Q=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];
R=1;
[K,P,E] = lqr(A,B,Q,R)

donde se obtiene:

K = [-65.8202 -19.1914 -1 -3.0272]

P= 618.4727 183.6550 19.1914 52.0145

183.6550 54.8753 6.0820 16.4925
19.1914 6.0820 3.0272 4.0820
52.0145 16.4925 4.0820 10.4380

E= -3.7968
-3.3045
-0.4904 + 0.3975i
-0.4904 - 0.3975i

Este vector E son los eigenvalores de (A-BK), donde se ve que realmente el

sistema es estable.

Analicemos la respuesta temporal, de las variables de estado, para ello

consideremos la siguiente condición inicial x(0)=[0 0 1 0], y usando Matlab.

A=[0 1 0 0; 25/2 0 0 0;0 0 0 1; -5/2 0 0 0];

B=[0; -1/2; 0; 1/2];
K =[-65.8202 -19.1914 -1 -3.0272];
t=0:0.01:10;
AA=A-B*K;
sys=ss(AA,eye(4),eye(4),eye(4));
x=initial(sys,[0 0 1 0],t);
x1=[1 0 0 0]*x'; x2=[0 1 0 0]*x'; x3=[0 0 1 0]*x'; x4=[0 0 0 1]*x';
subplot(2,2,1); plot(t,x1); grid;
title('Respuesta a condición inicial')
ylabel('x1')
subplot(2,2,2);plot(t,x2);grid;
ylabel('x2')
subplot(2,2,3);plot(t,x3);grid;
ylabel('x3')
subplot(2,2,4);plot(t,x4);grid;
ylabel('x4')
xlabel('t segundos')

3
Ing. Daniel Carbonel EE616M

Segundo Caso Q11=100, R=1.

A=[0 1 0 0; 25/2 0 0 0;0 0 0 1; -5/2 0 0 0];
B=[0;-1/2;0;1/2];
Q=[100 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1];
R=1;
[K,P,E] = LQR(A,B,Q,R)

donde obtenemos:
K =[-67.3904 -19.4360 -1 -3.0787]

P=

651.2569 188.3784 19.4360 53.5975

188.3784 56.1362 6.2390 17.2642
19.4360 6.2390 3.0787 4.2390
53.5975 17.2642 4.2390 11.1069

E=

-3.6189 + 0.6475i
-3.6189 - 0.6475i
-0.4704 + 0.3856i
-0.4704 - 0.3856i

4
Ing. Daniel Carbonel EE616M

Este vector E son los eigenvalores de (A-BK), donde se ve que realmente el

sistema es estable.
Analicemos la respuesta temporal, de las variables de estado, para ello
consideremos la siguiente condición inicial x(0)=[0 0 1 0], y usando Matlab.

A=[0 1 0 0; 25/2 0 0 0;0 0 0 1; -5/2 0 0 0];

B=[0;-1/2;0;1/2];
K =[-67.3904 -19.4360 -1 -3.0787];
t=0:0.01:10;
AA=A-B*K;
sys=ss(AA,eye(4),eye(4),eye(4));
x=initial(sys,[0 0 1 0],t);
x1=[1 0 0 0]*x'; x2=[0 1 0 0]*x'; x3=[0 0 1 0]*x'; x4=[0 0 0 1]*x';
subplot(2,2,1);plot(t,x1);grid;
title('Respuesta a condición inicial para Q11=100 y R=1')
ylabel('x1')
subplot(2,2,2);plot(t,x2);grid;
ylabel('x2')
subplot(2,2,3);plot(t,x3);grid;
ylabel('x3')
subplot(2,2,4);plot(t,x4);grid;
ylabel('x4')
xlabel('t segundos')

5
Ing. Daniel Carbonel EE616M

Comparando, vemos que no hay una mejora notoria.

Tercer Caso Q11=100, R=0.01.

A=[0 1 0 0; 25/2 0 0 0; 0 0 0 1; -5/2 0 0 0];
B=[0;-1/2;0;1/2];
Q=[100 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1];
R=0.01;
[K,P,E] = LQR(A,B,Q,R)

de donde obtenemos:
K =[ -193.4239 -51.4573 -10 -20.9009]

P=

52.4299 12.7393 5.1457 8.8708

12.7393 4.4528 1.8842 3.4237
5.1457 1.8842 2.0901 1.6842
8.8708 3.4237 1.6842 3.0056

E=

-6.8117 + 3.0614i
-6.8117 - 3.0614i
-0.8274 + 0.4603i
-0.8274 - 0.4603i

Este vector E son los eigenvalores de (A-BK), donde se ve que realmente el

sistema es estable.
Analicemos la respuesta temporal, de las variables de estado, para ello
consideremos la siguiente condición inicial x(0)=[0,0,1,0], y usando Matlab.

A=[0 1 0 0; 25/2 0 0 0; 0 0 0 1; -5/2 0 0 0];

B=[0;-1/2;0;1/2];
K =[ -193.4239 -51.4573 -10 -20.9009];
t=0:0.01:10;
AA=A-B*K;

6
Ing. Daniel Carbonel EE616M

sys=ss(AA,eye(4),eye(4),eye(4));
x=initial(sys,[0 0 1 0],t);
x1=[1 0 0 0]*x'; x2=[0 1 0 0]*x'; x3=[0 0 1 0]*x'; x4=[0 0 0 1]*x';
subplot(2,2,1);plot(t,x1);grid;
title('Respuesta a condicion inicial para Q11=100 y R=0.01')
ylabel('x1')
subplot(2,2,2);plot(t,x2);grid;
ylabel('x2')
subplot(2,2,3);plot(t,x3);grid;
ylabel('x3')
subplot(2,2,4);plot(t,x4);grid;
ylabel('x4'); xlabel('t segundos')

Comparando los dos últimos:

7
Ing. Daniel Carbonel EE616M

Cuarto Caso Q11=100, Q33=100, R=0.01.

A=[0 1 0 0; 25/2 0 0 0; 0 0 0 1; -5/2 0 0 0];
B=[0;-1/2;0;1/2];
Q=[100 0 0 0; 0 1 0 0; 0 0 100 0; 0 0 0 1];
R=0.01;
[K,P,E] = LQR(A,B,Q,R)

de donde obtenemos:
K =[-421.0160 -128.0798 -100 -89.5562]

P=

262.7280 81.5222 128.0798 73.1019

81.5222 27.0104 41.6016 24.4489
128.0798 41.6016 89.5562 39.6016
73.1019 24.4489 39.6016 22.6577

E=

-7.1752 + 4.3526i
-7.1752 - 4.3526i
-2.4557 + 1.0339i
-2.4557 - 1.0339i
Este vector E son los eigenvalores de (A-BK), donde se ve que realmente el
sistema es estable.
Analicemos la respuesta temporal, de las variables de estado, para ello
consideremos la siguiente condición inicial x(0)=[0 0 1 0], y usando Matlab.

A=[0 1 0 0; 25/2 0 0 0; 0 0 0 1; -5/2 0 0 0];

B=[0;-1/2;0;1/2];
K=[-421.0160 -128.0798 -100 -89.5562];
t=0:0.01:10;
AA=A-B*K;
sys=ss(AA,eye(4),eye(4),eye(4));
x=initial(sys,[0 0 1 0],t);
x1=[1 0 0 0]*x'; x2=[0 1 0 0]*x'; x3=[0 0 1 0]*x'; x4=[0 0 0 1]*x';
subplot(2,2,1);plot(t,x1);grid;
title('Respuesta a condicion inicial para Q11=100, Q33=100 y R=0.01')
ylabel('x1')
subplot(2,2,2);plot(t,x2);grid;
ylabel('x2')
subplot(2,2,3);plot(t,x3);grid;
ylabel('x3')
subplot(2,2,4);plot(t,x4);grid;
ylabel('x4')
xlabel('t segundos')

8
Ing. Daniel Carbonel EE616M

Comparando los dos últimos:

9
Ing. Daniel Carbonel EE616M

OBSERVACIONES:

1. Se puede ver en el caso 2 (Q11=100, R=1), que el tiempo de subida y el tiempo

de establecimiento son largos, y que al poner Q11 un valor grande como lo es
100, no hay mucha diferencia con el primer caso, debido a que solo se puso
un valor alto en Q11 con respecto a Q22, Q33, Q44, pero no se le puso un
valor considerablemente alto con respecto a R. Dando un valor alto a Q11,
se está indicando que la variable de estado x1 (el valor angular) es la más
importante para el sistema.

2. En el tercer caso (Q11=100, R=0.01), sí se puso un valor alto con respecto a R,

pero solo se le puso ese valor alto a la variable x1, sin tener la misma
consideración con la otra variable de estado x3 (posición del carro) respecto
de la matriz de ponderación Q (Q33), que representa a la segunda variable de
salida y2.

3. En este tercer caso también se puede notar que tanto el tempo de

establecimiento, como el de subida se han reducido considerablemente con
respecto a los casos 1 y 2. Pero un inconveniente es el hecho que el
sobrepico se haya incrementado en factores de 5 a 10 veces.

4. En el cuarto caso (Q11=100, Q33=100, R=0.01), ocurre que los tiempos de

establecimiento y de subida, tienen valores muy pequeños debido al alto valor
que tienen Q11 y Q33, con respecto a las otros elementos de la matriz de
ponderación Q.

5. Entre el tercer y el cuarto caso, se puede ver un crecimiento brusco de los

sobrepicos, en un factor aproximado de 10 veces con respecto al tercer caso,
por ejemplo la variable x1 llega a tomar un valor tan alto como –0.3 rad. (que
es aproximadamente 170) y si aumentase mas ese valor de x1 con un mayor
sobrepico, se estaría perdiendo esa linealidad asumida al principio que hizo
que sen()= (con respecto al modelo del péndulo), por lo que el modelo
perdería validez.

10
Ing. Daniel Carbonel EE616M

CONCLUSIONES:

1. Para obtener una respuesta más rápida de las variables x1 y x3, entonces
Q11 y Q33 deben ser lo suficientemente grandes comparados con Q22 y Q44
y R. Es decir, la ponderación debe poner en evidencia la importancia de una u
otra variable de estados, respecto de otras. Pero ello, no necesariamente es
la respuesta que se podría desear, ya que al final eso es lo importante, es
decir siempre será el requerimiento de la planta lo que debe primar.

2. No solo basta con aumentar Q11 (como se ve en los casos 1, 2 y 3) se tiene

que determinar las variables importantes de la planta, para que ellas sean más
grandes con respecto a las otras componentes de la matriz Q (para nuestro
caso son Q11 y Q33), estas componentes reflejan la importancia que
representan a las variables de estado x1 y x3, quienes a su vez son también
las salidas del sistema

3. Para elegir los valor adecuados de Q y R, se deben tener en cuenta las

observaciones anteriores, ya que si queremos tener una respuesta rápida o
lenta del sistema, evidentemente estaremos haciendo crecer o reducir el
sobrepico y si requiriese aumento del sobrepico, éste tiene que ser un valor
tolerable por el sistema, ello para el correcto funcionamiento del mismo.

4. Notar también que todas las elecciones anteriores son óptimas, que minimizan
J, pero la elección correcta de las matrices de ponderación, depende de las
características temporales que deseamos del sistema (tiempo de
establecimiento y del sobrepico máximo). Evidentemente, el decir deseamos
es decir lo que nuestro sistema es capaz de responder para un buen
funcionamiento.

EL PROFESOR

11