TEORIA DE CONTROL DISCRETO

Flavio Torres Edicin: Depto. Ing. Elctrica - UFRO

1 TEORIA DE SISTEMAS DISCRETOS

1.1 INTRODUCCIN El control por computador es hoy en da una herramienta comn en la industria actual. Por tanto es importante entender los aspectos tericos involucrados en los sistemas controlados por computador. En la figura 1.1 se muestra un proceso controlado por computador

Proceso
Entrada

real
Salida

Figura 1.1 Sistema de control por computador Los trminos, como sistemas de control en tiempo discreto, sistemas de control de datos muestreados y control digital, implican el mismo tipo de sistemas de control por computador. 1.2 SISTEMAS DISCRETOS Las seales que maneja el computador son discretas, por lo tanto se analizar este tipo de seales. Para obtenerlas se comenzar con seales continuas que son ms familiares. Seal de entrada y salida de un proceso. Se convendr en asignar la seal de entrada a un proceso como u (ya sea como u(t) para seal continua como u(k) para seal discreta) y la salida como y (ya sea como y(t) seal continua como y(k) para seal discreta), tal como se muestra en la figura 1.2. Para no confundir la seal de entrada con la seal escaln, se sealizar explcitamente cundo corresponda a un escaln.

Proceso

Figura 1.2 seales de proceso

Representacin de un proceso continuo matemticamente un proceso son: Funcin de transferencia Variables de estado

Las

formas

ms comunes de representar

Ambas representaciones son equivalentes en el sentido que desde la funcin de transferencia se puede llegar a la representacin de estado y viceversa. Ejemplo 1.1 Obtener la representacin de estado de la siguiente funcin de transferencia continua

b s+b G(s) =
1

s + a s+ a
1 2

(1.1)

Solucin

Usando el mtodo de equivalencias de bloques tenemos:

u(s)

b1 s+b
2 1 2

y(s)

s +a s+a

u(s)

1 s 2 +a s+a
1

b
1 2

s+b
2

y(s)

s
2

b1
+ + y(s)

u(s)

s 1+ 2 (a s+a ) 2 1 s

b1
+

y(s)

u(s)

+ 1

s a s+a

b2

s
+

b1
+ +

u(s)

b
2

y(s)

s a1 a
2

s
+

b1
+ +

u(s)

y(s)

s a
1

s s

b2

b1
+ x2(s)
1

u(s)

x1(s)

y(s)

s
-

Con la asignacin de variables del ultimo diagrama de bloques podemos deducir lo siguiente:

sx (s) = x (s) 1 2 sx (s) = a x (s) x (s) +u(s) a 2 1 2 2 1 y(s) = b x (s) +b x (s)

1 2 2 1

(1.2.a) (1.2.b) (1.2.c)

Expresndolo en forma matricial vectorial (una raya debajo de la letra indica vector), tendremos finalmente la siguiente la representacin de estado del proceso

s x(s) = u(s)

A x(s) + B

(1.3.a) (1.3.b)

y(s) = CT x(s)
donde

0 x (s) A= a 0 1 1 a B = 1
T

x(s) =

(s) x
2

= [ b2

b1] (1.3.c)

OBS: Usando el resultado del ejemplo 1.1 ( o sea el ltimo diagrama en bloques), podemos extrapolarlo para generalizar y representar cualquiera funcin de transferencia en un diagrama de bloques donde los coeficientes del polinomio se expresan en forma separada e individual. Como ejercicio, hacer la representacin en bloque y de estado de otras funciones de transferencia. Inversamente, si slo dispusiramos de la representacin de estado dado por ecuaciones (1.3), podemos retroceder en el anlisis partiendo del final del ejemplo 1.1 y obtener finalmente la funcin de transferencia dada por la ecuacin (1.1). Concepto prctico de seal discreta Al hacer pasar una seal continua por un conversor anlogo digital y luego seguido por un conversor digital anlogo, a la salida se obtiene la seal discretizada que se muestra en la figura 1.3. Reloj con periodo T0

A/D
t

D/A
T0 2T0 3T0 kT 0

Figura 1.3. Obtencin de una seal discreta

1.3 CONTROL POR COMPUTADOR En un sistema controlado por computador , las seales continuas y discretas aparecen como se muestra en la figura 1.4

PC

u(t)

y(t)

D/A

Proceso anlogo

A/D

Figura 1.4. Esquema general de control por computador La informacin numrica al interior del computador tiene una correspondencia biunvoca con el nivel de altura de los escalones que se observan a la salida del conversor D/A. En rigor la operatoria es la siguiente: Sea un nmero al interior del PC que se desea enviar a la salida. Para ello el nmero, que esta codificado en en byte, es enviado al bus de datos de salida, que lo transporta a la entrada del conversor D/A. A la salida del conversor se obtiene el nivel de seal (altura voltaje) correspondiente al nmero. Por lo tanto el nivel de salida u(kT0) tiene el mismo valor que el nmero al interior del PC. De manera que el anlisis matemtico a la seal escalonada es equivalente a considerar sus correspondientes valores numricos al interior del PC. Ambos enfoques se usan indistintamente porque significan lo mismo. Ms adelante se formalizara una representacin matemtica ms precisa para representar seales discretas. Representacin de estado discreta de un proceso Aplicando la transformada inversa de Laplace a la sistema de variables de estado continuo representado por la ecuacin (1.3), tenemos

x(t) = A x(t)+ B u(t)

(1.4.a) (1.4.b)

y(t) = CT x(t)

La solucin de la ecuacin (1.4.a) a partir del instante

t = kT
k

(1.5)
0

(ver salida de figura 1.3), conocida la condicin inicial

x(tk ) , esta dada por Bu() d

(1.6)

x(t) = e
Evaluando en t = tk+1 tenemos

A(t k) t

x(tk ) +

A(t)

tk

x(tk+1 ) = e

A( tk +1 k ) t

x(tk ) +

t k+1

A(t k+ 1 ) k

(1.7)

tk

d Bu(t

usando el cambio de variable en la integracin

tk + 1 , tenemos

tk +1
k

e A( t

k +1 )

d =

tk+

1 k t

( = d)

t k +1 k t 0

e d

(1.8)

por lo tanto la representacin de estado discreta del proceso es

x(t

k+1

) = A x(t ) +Bd u(t ) y(t k ) = CT x(t )

k d k k

(1.9.a) (1.9.b)

donde

Ad = e

A(t k +1 k ) t

= e
T0

AT

(1.10)

t k +1 k t

Bd =
con

e d B =

e d B = B

(1.11)

T0

(1.12)

OBS:

En muchos textos usan las variables A y B para representar al sistema discreto dados por A d y Bd (tambin se usan para representar polinomios). Sin embargo la relacin entre la representacin continua y discreta esta dada por la ecuacin (1.10) y (1.11). En todo caso la clarificacin, si las variables pertenecen a uno u otro caso, depender implcitamente del planteamiento del problema. Otra forma de expresar Ad es usando series de Taylor,

e +

AT0

= I + AT0

T0 + 2!

(1.13)

con I matriz de identidad. Entonces

AT 2
0

por lo tanto

e A d = IT 0 +

2!

(1.14)

Ad= I+ A

(1.15)

7 Ejemplo 1.2 Obtener la representacin de estado discreta del siguiente proceso, expresado en variable de estado continuo

x =

0 0 1 x u 1 0 + 0

y= [1 0]x
Solucin Usando el mtodo de series de Taylor

A = e
d

AT

AT
0

2 0

1 0 + = +

0 T
0

1 T + 0= 1
0

= I + AT+
0

2!

Para calcular

B d , sustituimos T0 por , o sea 1 = 0 1

0 1 0 0 0

Ad = e

luego de ecuacin (1.11)

T T
0

T
0

2 0

B d=

=
0

eAd B

= 1

d 2 T 0

finalmente tenemos

1 T x( t
k +1

T0 )
k

2 u(t)
k

) = 0

x(t 1+
0

y( ) = [1 0]x(t ) k t k

Variables de estado con periodo de muestreo T0 = 1 ecuacin (1.9) queda

x(k +1) = Ad x(k)+ B u(k )

d

y(k)= CT x(k)

Si T0 = 1, entonces usando ecuacin (1.5),

(16.a) (16.b)

Ejemplo 1.3 Obtener la representacin de estado discreto de

x =

0 + 1

1 x u 00

y= [0 1] x
usando Laplace. Solucin Aplicando el mtodo de transformada de Laplace, tenemos de la ecuacin (1.4.a)

x(s) =

( sI A) x(0)+ ( sI A) Bu(s)

Ahora aplicando la inversa de Laplace

x t) =

{(

)s I A x( 0 + L {( sI A) Bu(s )} )

evaluando en t = T0 tendremos la misma ecuacin (1.9.a) para k = 0, por lo tanto

s +1 A = e
d AT0

= L {( sI A)

}
T
0

= L 1

1 0 1 s +1 = L 1 1

Ad =

0 T 0 T

0 1 B
d

T0

s(s +1)

T0

e 1
para el clculo de

de la ecuacin (1.11) tenemos

0 T

Bd =

T0

e d B =

T0

e 1 e d = 1 e 1+ e T
0

0 T

1.4 LA TRANSFORMADA Z Al igual que la transformada de Laplace para sistemas continuos, existe una transformada sistemas discretos denominada transformada z Para entender su razn de ser y su deduccin, sea una seal continua de la figura 1.5. x(t) para

Figura 1.5. seal de proceso

la discretizacin de esta seal se muestra en la figura 1.6 m(t)

t Figura 1.6 seal discretizada con periodo T0 La expresin matemtica de la discretizacin es

T 0 2T0

3T0

kT 0

m t) = x(kT0)[u(t kT0) u(t +1)T0) ] (k

k= 0

(1.17)

donde unitario.

x(kT0)es la seal x(t) evaluada en kT 0 con k = [0,1,2,3, .........] y u(t) es la seal escaln

La transformada de Laplace de m(t) es

m(s) = x(kT0
k=0

)e

kT 0s

1 s

[1 e

T 0s

(1.18)

1 m(s) = s [1 e
con

0s T

X (s)

(1.19)

0s kT

X (s) = x(kT0) e k= 0

(1.20)

donde la transformada de Laplace X*(s) posee la informacin bsica de la seal en el tiempo x(t), y por lo tanto concentra toda la informacin relevante de la seal real m(t) (con T 0 constante) para el anlisis discreto, o sea cuando se trabaja en procesos controlados por computador. Asignando, por comodidad, la siguiente variable

z=es
0

(1.21)

10

desaparece la variable s y queda la siguiente funcin en z

X(z) = )
tambin se expresa como

x(kT
k= 0

(1.22)

X(z) = Z x(kT 0

)]

(1.23)

a dicha expresin se le denomina transformada z de la seal continua x(t). Como se ver a continuacin las facilidades matemticas que otorga la transformada z para sistemas discretos es an ms fcil que la que otorga Laplace a los sistemas continuos. Por ejemplo para pasar de x(kT 0) a x(z) y viceversa no requiere resolver integrales, como ocurre en algunos casos en el sistema continuo. Dada la relacin directa que existe entre x(t), x(s) y x(kT0), se usa indistintamente

X(z) = Z x(kT0)]= Z x(s) ]= Z x(t) ]

Ejemplo 1.4 Obtener la transformada z de la seal escaln de la figura 1.7 u(t) 1

(1.24)

t Figura 1.7. seal escaln Solucin De la ecuacin (1.22) tenemos que

X(z) = 1+z + z

+z

esto representa una serie matemtica, cuya frmula es:

X (z) =
Ejemplo 1.5

1 1 z
1

z z 1
y converge si

>1
at

Obtener la transformada z de la seal exponencial, u(t) 1

, de la figura 1.8

t Figura 1.8. seal exponencial

11

Solucin De la ecuacin (1.22) tenemos

X(z) = 1+ (e X(z) = 1 (e 1
aT 0

aT 0

z)

+ (e z)

aT0

+
aT 0

z = z)
1

converge para
0

z >1

z e

aT

1.5 ALGUNAS PROPIEDADES DE LA TRANSFORMADA Z Las propiedades ms importantes de la transformada z son la de corrimientos. Para el resto de las propiedades, ver referencia [1],[2],[3]. Corrimiento hacia la izquierda Sea y(kT0) la seal desplazada hacia la izquierda en un instante de muestreo de la seal x(kT0), como se muestra en la figura 1.9 x(kT0) y(kT0)=x((k+1)T0)

T0 2T0 3T0

kT

Figura 1.9. corrimiento a la izquierda de ecuacin (1.22) tenemos

Y(z) = +

k=0

y(kT0) z = y(0) y(T0 ) z

+ y(2T0 ) z + y(3T0)z

(1.25)

(1.26)

Y(z) = x(T ) + x(2T ) z

0 0

+ x(3T ) z
0

+ x(4T ) z
0

+
(1.27)

Y(z) = zx(0) + zx(0) + x(T0 ) x(2T0)z 1 + x(3T0 ) z2 + x(4T0 ) z3 + +

(k 1) k

Y(z) =zx(0) + x(kT0) z

k= 0

= z x(kT0) z
k= 0

zx(0)

(1.28)

Luego nos queda la siguiente expresin

12

y(z) = Z x((k +1)T0)]= zX( z) zx(0)

Corrimiento hacia la derecha Sea y(kT 0) la seal de x(kT 0) desplazada en un tiempo de muestreo hacia la derecha como se muestra en la figura 1.10 x(kT0) y(kT0)=x((k-1)T0)

(1.29)

T0 2T0 3T0

kT

Figura 1.10 corrimiento a la de ecuacin (1.22) tenemos

Y(z) =

y(kT ) z =

y(0) + y(T ) z
0

+ y(2T ) z
0

+ y(3T ) z
0

(1.30)

k=0

Y(z) = 0+ x(0)z

+ x(T ) z
0

+ x(2T ) z
0

(1.31)

Y(z) =

k= 0

1 k

x(kT0 ) z

= z

x(kT ) z
k= 0 0

(1.32)

Luego nos queda la siguiente expresin

1

Y(z) = Z x((k 0)]= z 1)T

X(z)

(1.33)

Ejemplo 1.6 Sea la funcin de transferencia, de la figura 1.4, una constante de valor 1 a) Grafique y(kT0), que captura el PC, frente a un escaln unitario u(kT0) a la salida del PC b) Obtenga

G(z

y(z) ) = u(z)
de la planta unitaria

Solucin a) El PC sincroniza sus datos de salidas y entradas, es decir, ocurren al mismo instante. Si a la salida de PC se origina un escaln unitario en k = 0, la entrada del PC no se percatar de este cambio al mismo instante dado que el conversor A/D requiere un tiempo para hacer la conversin. Por lo tanto el PC deber esperar el siguiente periodo de muestreo para poder capturar la data, tal como se muestra en la figura 1.11

13

u(kT0)

T0 2T0

kT0

y(kT0)

T0 2T0

kT0

Figura 1.11 seal entrada y salida del proceso

b) De la figura 1.10 vemos que y(kT0) = u((k-1)T0). Entonces de la propiedad de corrimiento

G(z) = z

1.6 LA TRANSFORMADA INVERSA DE Z La transformada inversa de z consiste en encontrar los valores x(kT X(z) Ejemplo 1.7 Obtener la transformada inversa de z de Solucin Haciendo divisin sucesiva ) de la ecuacin (1.22), dada

X(z) =

1 z2 + z +1

X (z) = z
Con T0 =1,

+z

x(0) = 0 , x(1) = 0 , x(2) = 1, x(3) = 1, x(4) = 0, x(5) = 1, x(6) = 1, . . .

Existen una serie de mtodos para obtener la transformada inversa de z, como tambin la tabla de transformada z de seales conocidas. Para tal efecto consultar la referencia [1].

1.7 REPRESENTACIN MATEMTICA DE PROCESOS DISCRETOS As como una ecuacin diferencial puede representar el comportamiento de un sistema continuo, la ecuacin de diferencia puede representar el comportamiento de un sistema discreto.

14

Ecuacin de diferencia Sea el siguiente proceso integrador

la ecuacin que representa al proceso es (rea bajo la curva de la seal de entrada)

y(t) =
la ecuacin diferencial correspondiente es

u(t)dt
0

(1.34)

dy t) = u t) dt
(1.35)

Aproximando por rectngulos, tenemos (ver figura 1.6)

y(kT0 ) =
1 0

u(qT0 )
q=0

(1.36)

T0u(qT 0 ) y((k +1)T0) =

restando la ecuacin anterior
k

(1.37)

q= 0

) = T u(kT )

(1.38)

y((k+1)T ) y(kT
0 0 0 0

con T0=1, tenemos

y(k + 1) y(k) = u(k)

y(k) = y(k 1) + u(k 1)

As como la ecuacin 1.(35) se le llama la ecuacin diferencial del proceso, la ecuacin (1.39) se denomina la ecuacin de diferencia del proceso discreto. Para encontrar y(t) es necesario resolver la ecuacin

(1.39)

(1.35) matemticamente, en cambio para encontrar y(k) la resolucin de la ecuacin y(0)conocidos, entonces la solucin de y(k) es

(1.39) es mucho ms simple. Por ejemplo sea u(k) e

15

y(1) = y(0) + u(0) y(2) = y(1) + u(1) = y(0) + u(0) + u(1) y(3) = y(2) + u(2) = y(0) + u(0) + u(1) + u(2)
.

y(k) = y(k 1) + u(k 1) = y(0) + u(0) + u(1) + u(2) + ...+ u(k 1)

Funcin de transferencia discreta o funcin de transferencia en z, G(z) transferencia en z de un proceso es el cuociente de seal de salida y entrada en z , o sea La funcin de

G(z) =
Ejemplo 1.8

y(z) u(z)

(1.40)

Obtener la funcin de transferencia en z de la ecuacin (1.39) Solucin Aplicando las propiedades de corrimiento, tenemos (1.41)

y(z) z y(z) = z u(z)

y(z)[1 z

]=

z u(z)

(1.42)

G(z) =

y(z)

z 1
1

1 =

(1.43)

u(z)

1 z

z 1

que corresponde a la funcin de transferencia discreta del proceso integrador de la figura 1.11. Representacin polinmica de un proceso Observando la relacin existente entre las ecuaciones (1.35) y (1.39) podemos decir que la ecuacin diferencial de primer orden de un sistema continuo tiene su representacin discreta dada por la ecuacin de diferencia de primer orden. Generalizando podemos decir entonces que una ecuacin diferencial de orden n siguiente

dn dt n

y t) +...+
1

d dt

y t) + y t) =
0 n

d dt

u t) +... +
n 1

d dt

u t) + u t)
0

(1.44)

tiene su representacin discreta dada por la ecuacin de diferencia de orden n siguiente

a y(k) + a y(k + 1)

any(k = b u(k) + b u(k n) 1)+

0 1

+ bnu(k n)

(1.45)

16 Aplicando transformada de Laplace y z a ecuaciones (1.44) y (1.45) respectivamente tendremos

(s) = G(z) =
con los polinomios

y(s) u(s) y(z) u(z)

= =

(s) (s) B(z) A(z)

(1.46) (1.47)

(s), (s), A(z) y B(z) dados por (s) = (s) =

n

s +
n

n 1

n 1

+....+ s +
1

(1.48)
0

n 1

(1.49)

s + s + s
n 1

+
1 2

+
n

(1.50)

A(z) = a0 +a1z 1 +a2z + ... + an z

2 n

(1.51)

B(z) = b0 +b1z 1 +b2z

+ ... + bnz
0

finalmente la representacin polinmica de procesos reales (b mnica ( a0 =1)

= 0), con el polinomio

A(z) en forma

G(z) =

1 n B(z) b1 z + +bnz 1 n = 1+ a1 A(z) + + anz z

(1.52)

Obtencin de G(z) a partir de G(s)

Sea una planta cualquiera representada en la figura 1.12.

G(s)

Figura 1.12. Proceso continuo

Circunscribiendo el anlisis al control por computador, nos interesa las seales escalonadas como se muestra a la salida de la figura 1.3. Observamos que la seal esta compuesta por una suma de seales escalones. Entonces sea la seal escaln unitaria

u(s) = 1 s 1 y(s) = G(s)

(1.53)

(1.54)

17 de la tabla de transformada Z, se obtiene

y(z) = Z [ y(s)]= Z

G(s)

(1.55)

s
pero

G(z

y(z) ) = u(z) z z 1 G(s)

, por lo tanto la relacin entre (1.56)

de la tabla de transformada Z, el escaln es

u(z) = z 1

G(z) y G(s) es

G(z) =

(1.57)

Ejemplo 1.9 Resolver el ejemplo 1.8 usando la ecuacin (1.57) Solucin El proceso integrador se muestra en la figura 1.13

G(s) = 1 s

Figura 1.13. Proceso integrador de ecuacin (1.57) tenemos

G(z) =

z 1 z

1 Z 2 s

de la tabla de transformada z tenemos

1
por lo tanto

T0z Z s

G(z) =

z 1

= (z 1)

T0z z
si T0 = 1 entonces

(z 1)

T0 z 1

T0 z 1 z

18

G(z) =

1 z 1

que corresponde a la misma ecuacin (1.43) resuelto en el ejemplo 1.8 1.8 ANALISIS DE SISTEMAS DISCRETOS Usando tcnicas lineales similares a las del sistema continuo, se pueden obtener informacin relevante de los sistemas discretos. Por ejemplo es importante saber si un proceso es realizabable y/o estable. Ganancia en estado estacionario de un proceso En estado estacionario se cumple que
0

y(k) = y(k 1) = y(k 2) = .... = y(k n) = Y

y

(1.58)

u(k) = u(k 1) = u(k 2) = .... = u(k n) = U0

con

(1.59)

Y yU constantes, por lo tanto de ecuacin (1.45), con A(z) mnico, tendremos

0 0

Y (1+a +a
0 1 2

+a ) = U (b +b +
n 0 1 2

+b )
n

(1.60)

luego la ganancia en estado estacionario, K, ser

K =

+b n = U = 1+ a + a + + a Y
0 1 2 0 1 2 n

b +b +

G(1)

(1.61)

En consecuencia, la ganancia en estado estacionario de cualquier funcin de transferencia expresada en z, es la funcin de transferencia evaluada en z=1, o sea G(1) . Proceso de retardo puro Un proceso con retardo puro de T tiempo, se representa por

G(s) = e

Ts

= e

0s dT

(1.62)

con d = 1,2, ... , numero entero dependiendo de la magnitud del retardo, T, y del periodo de muestreo T0 por lo tanto de la ecuacin (1.21)

G(z) = z
Proceso generalizado ms retardo por el proceso de la ecuacin (1.630)

(1.63) Se obtiene del proceso de la ecuacin (1.52) seguido (1.64)

B(z) G(z) = A(z)

19 Realizabilidad Un proceso se dice realizable si se cumple la ley causa efecto, es decir la salida de un proceso no puede reaccionar antes que se le aplique una excitacin en la entrada.

Ejemplo 1.10 Determine si la siguiente ecuacin de diferencia representa a un proceso realizable

y(k) = y(k 1) + u(k + 1)

Solucin Se observa que la salida depende de entrada futura por lo tanto no se cumple la ley causa efecto. Condicin general de realizabilidad. Primero el denominador debe quedar expresado en forma de polinomio mnico dado por la ecuacin (1.52). Ahora, si existen exponentes positivos en el denominador, entonces deben multiplicarse el numerador y denominador de G(z) por un factor z con exponente correspondiente al negativo del exponente positivo ms grande presente en el denominador. En estas condiciones, entonces decimos que una funcin de transferencia , G(z), es realizable si no existen exponentes positivos (con cero incluido) en la variable z del numerador. Ejemplo 1.11 Determinar si el siguiente proceso es realizable

a y(k) + a y(k +1) = a y(k +b 2) + 2)

1 0 2 1

u(k

+b u(k +1) +b u(k 2)

0 1

a , a , a ,b ,b ,b , constantes cualquiera distintos de cero.

0 1 2 1 0 1

Solucin Aplicando propiedades de desplazamientos, tenemos

a
1

y(z) + za y(z) = a z y(z) +b z u(z) +b zu(z) +b z

0 2 1 0 2 1

u(z)

b z G(z) =
1

+b z +b z
0

a z+ a+ a z
0 1

1 2

Multiplicando por

z 1 z
1

, tenemos

G(z) =

b z +b +b z 3 a + a z
0 1 1 0 1 1

+ az
2

Podemos deducir que el proceso no es realizable dado que posee potencia positiva de z en el numerador Respuesta a pulso de un proceso Es la evolucin que experimenta la salida de un proceso frente a un pulso, como el de la figura 1.14, a la entrada del proceso, con condiciones iniciales cero

20

u(kT0)

T0 2T0

kT0

Figura 1.14 seal de entrada pulso a este pulso se le conoce en los textos como Delta de Kroneker y su definicin es

K (k)
O sea

1 k = 0 = 0 k 0

(1.65)

u(k) = K (k) corresponde a la figura 1.14 con T0 = 1

Ejemplo 1.12 Sea un proceso dado por la siguiente ecuacin de diferencia

y(k) = a y(k 1) a
1 2

y(k +b u(k +b u(k 2) 1) 2)

1 2

Obtener los valores de y(k) para k = 0,1,2 y 3 cuando se le aplica un Delta de Kroneker a la entrada Solucin

y(0) = 0 y(1) = b 1 y(2) = a b+b 1 1 2 y(3) = a (b a

1 2 1 1

2 1

b ) b a

Ejemplo 1.13 Demostrar que la transformada inversa de z de una funcin de transferencia discreta de un proceso corresponde a la respuesta a pulso del proceso. Use el proceso del ejemplo 1.12 para la demostracin Solucin El G(z) del ejemplo 1.12 es

G(z) =

b z 1 +b z 2 1+ a z 1 + a z 2
1 2 1 2

haciendo la divisin entre los polinomios tenemos

1 2 1 2 1

(b z z b
1 1

+b z ):(1 + a z + a z ) = b z + (b a b )z
1 2

+ [ (b b ) b ]z a a a
1 2 1 1 2 1

+..

bz a
1 1 1 1

bz a
2 1

1 1

(b b )z a
2

bz a
2 1

21

(b b )z a
2 1 1

(b a
1 2 1 1

b )z a
1 1 2 1

(b b )z a a
2 2 1 1

[ (b b ) b a a a
1 2

]z (b a
2

b )z a
2 1 1

De ecuacin 1.22 vemos que

G(z) = z

g(kT )
0 k= 0

(1.66)

Donde la transformada inversa de G(z) es g(k) con

g(0) =

0 +b

g (1) = b 1 g(2) = a b g (3) = a

1 1 1

(b a
1 1

2 1

b ) b a

Que corresponde a la respuesta a pulso del proceso del ejemplo 1.12 , tal como lo muestra en la figura 1.15

K (k)

G(z)

g(k)

Figura 1.15 Proceso integrador

Convolucin discreta

Cualquiera entrada u(k) se puede expresar como

u(k) =

n=

u(n)

(k n)

(1.67)

Sabemos que la entrada y salida del proceso estn dadas por

K (k) y(k) = g(k) u(n) K (k n) y(k) = u(n)g(k n)

por lo tanto para una entrada cualquiera

(1.68) (1.69)

u(k) =

n=

u(n)

(k n)

y(k)
n=

u(n) g(k n) (1.70)

Para que se cumpla la condicin de realizabilidad (ley causa -efecto) la sumatoria debe llegar hasta k-1, dado que y(k) slo es afectado hasta u(k-1). Por lo tanto

y(k) =

1 n=

u ( )n g(k

n)

(1.71)

22

Haciendo el cambio de variables

= k n tenemos finalmente la convolucin discreta

y(k) = g() u(k )

= 1

(1.72)

Que tiene su equivalencia a la convolucin de en sistemas continuos

y(t) =

g()u(t )d
0

(1.73)

Respuesta en frecuencia Veremos qu ocurre cuando a un proceso discretizado, G(z), se le aplica una seal sinusoidal de frecuencia , o sea cuando la entrada es (T0 = 1)

u(k) = cos k = {e

jk

(1.74)

OBS: si T
0

1 , u(kT ) = cos(T k) = cos(

0 0

2 w
s

k 2 ) , con ws = T
0

de ecuacin (1.72)

y(k) =

}=

g() {e
= 1

j (k )

g()e
j k

j (k)

(1.75)

j k

y(k) = e y(k) = ][ G(e

g()e
= 1

= {e G(e
jw

)} )) ]}

(1.76)

{[1

jw

) arctg ( G(e

(1.77)

y(k ) = G(e ) cos(wk + )

con
j

(1.78)

= arctg ( G(e
j

))
j

(1.79)

Transformada de Fourier de Tiempo Discreto (DTFT) de g(m)

G(e

) con se conoce como funcin de frecuencia de G(z). G

(e

) es conocida como

23

Estabilidad Decimos que un proceso es estable si frente a un pulso en la entrada ( condicin inicial distinta de cero), la salida, luego de un transiente, decae a cero.

Ejemplo 1.13 Determine si el siguiente proceso es estable

2 y(k) = 4 y(k 1) + u(k 1)

Solucin Despejando y(k), tenemos

y(k) = 2 y(k 1) + 0.5u(k 1)

para y(0)

= 1, u(k ) =

k, evaluando tenemos

y(1) = 2 y(0) = 2 y(2) = 2 y(1) = 4

. .
k

y(k) = 2 y(k 1) = 2
vemos que el proceso es inestable porque y(k) crece hacia valor infinito cuando k

Condicin de estabilidad Sabemos que el denominador de G(s) puede expresarse en factores de primer orden usando el mtodo de fracciones parciales, consiguiendo con esto ser expresado en los polos del sistema. Por lo tanto si los polos del sistema estn en el semiplano derecho ,el sistema es inestable. Sea entonces la siguiente funcin de transferencia

G(s) =
usando ecuacin (1.57), tenemos

K s+ a K

(1.80)

z 1 G(z) =
de la tabla de transformada z, [1]tenemos

Z s(s + a)

(1.81)

G(z) =
donde

b1 z+ a

(1.82)

24

b1 =
y

K a

(1 e

0 aT

(1.83)

a1 = e

aT

(1.84)

el lmite de establidad de G(s) es para el polo ubicado en el eje imaginario plano z, al polo

a = jw que corresponde, en el

a ubicado en a = ejwT
1 1

, con

< w < . Vemos que al variar w, el polo a traza

1

un circulo unitario en el plano z que corresponde al lmite de estabilidad en el plano z. Por lo tanto podemos deducir que G(z) es estable si posee todos sus polos dentro del circulo unitario y consecuentemente es inestable si posee al menos un polo fuera del circulo unitario. Criterios de estabilidad Existen varios mtodos para saber si una funcin de transferencia, G(z) es estable. Ver referencia [1],[2]. Estabilidad para procesos de hasta segundo orden Para polinomios de hasta segundo orden en el denominador existe un procedimiento grfico para determinar en forma rpida si el sistema es estable o no. Sea el proceso dado por

G(z) =
1

B(z)
1 2

(1.85

1+a z + a z
donde B(z) dado por la ecuacin (1.51)
2

Usando el mtodo de estabilidad de Jury [1] se puede demostrar que G(z) es estable si de la zona delimitada por la figura 1.16

a ya estn dentro
1 2

a2
1

-2

-1 -1

a1

Figura 1.16 Zona de estabilidad Ejemplo 1.14 Determine si el siguiente proceso es estable

25

G(z) =

z + 2z 1+ 0.5z 1 0.3z a
1

Solucin Trazando las coordenadas la figura 1.17

ya en figura 1.13 obtenemos el punto que se muestra en

2

a2
1

0.5 -2 -1 -0.3 -1 1 2

a1

Figura 1.17 Zona de estabilidad deducimos entonces que el sistema es estable porque las coordenadas caen dentro de la zona de estabilidad Propiedades de variables de estados tenemos discretas Aplicando transformada z a la ecuacin (1.16), (1.86.a) (1.86.b)

z x(z) = Adx(z)+ Bd u(z)

y(z) = CT x(z)

Observando la similitud de estas ecuaciones con las ecuaciones (1.3) podemos deducir que el tratamiento de variables de estado discretas es similar al de sistemas continuos debido a que su estructura son semejantes. Ver referencia [1],[2]

EJERCICIOS 1.- Determine cuales de las siguientes ecuaciones de diferencia posee su representacin de estado continuo a) b)

y(kT +T ) 0.5 y(kT ) = 6u(kT ) y(kT +T ) + 0.5 y(kT ) = 6u(kT )

0 0 0 0 0 0 0 0

2.- sea d una variable entera positiva y

Z x(T0)]= X(z) , entonces demostrar que

26

a) Z [x((k +

d d)T )]= z X(z)

0

x(qT ) z
1 q= 0

b) Z x((k d)T 0)]= zdX(

3.- sea el siguiente sistema

z)

1 x(k) + 1 u(k)

x(k +1) = 0.16 1 y(k) = [ 1 0]x(k)

a) Obtener la matriz de transicin de estado

1 (zI Ad ) z]

b) Calcular x(k ) e y(k ) para u(k) escaln unitario y

x(0) =

4).- Deducir la expresin en funcin de k del ejemplo 1.5, o sea hallar x(k) 5) Comprobar que la transformada z de una funcin en el tiempo x(t) es nica, sin embargo a la inversa no lo es. Compare con el anlisis de la transformada de Laplace.

6) sea

G(s) =

'

s+ a

con

K ' y a constantes. Obtener G(z) d3 3 y t) = u t) . Use T0 = 1. d

7) Obtener G(z) del proceso continuo caracterizado por la ecuacin diferencial

8) Frente a un funcin de transferencia determine cul es la correcta secuencia de anlisis: estabilidad y luego realizabilidad viceversa

9) Sea la funcin de transferencia

G(z

z )=

u(k) = 0, en los siguientes casos a) a = 2 b) a = 1 f) a

1 1

1+ a1 z

. Graficar y(k) en funcin de k para y(0) = 1 y c) a

1

=0.5

d) a
1

= 0

= 0.5

g)

a =1
1

h)

a = 2
1

10) Si los polos de la funcin de transferencia continua , G(s), se mueven dentro de la zona de la figura 1.18

27

j /2 /4 /4 /2

Figura 1.18. zona de los polos de G(s)

al transformar a funcin de transferencia discreta G(z), Cul es la zona de los correspondientes polos en el plano z?

12) Sea el siguiente proceso realimentado de la figura 1.18 E(s) + R(s) Gc(s)= 1 s +1 G p(s) =

u(s)

Planta
1

Controlador

y(s)

Figura 1.18 Controlador continuo Transformar el control analgico, Gc(s), al digital Gc(z). Luego grafique u(k) e y(k) con periodo de muestreo T0 = 0.5 y escaln unitario en la referencia. 13) Explique porqu b0 = 0 e n la ecuacin (1.51) para procesos reales 14) Usando los pasos de la ecuacin (4) a la (8) deduzca la representacin de estado discreta para un proceso de tiempo continuo con retardo T0 , o sea para el proceso

x t)= Ax t)+ Bu(t ) y(t) = CT x(t)

15) Obtenga la respuesta en frecuencia de un conversor A/D. Grafique la magnitud y fase versus frecuencia

28

2 CONTROLADORES DETERMINISTICOS

2.1 INTRODUCCIN El control determinstico se refiere al diseo de control de un proceso cuando las entradas y/o perturbaciones (ruidos) que le afectan son aproximadas a seales concretas expresables matemticamente (seal impulso, escaln, sinusoidal, etc.). En consecuencia se usan las tcnicas de teora de sistemas lineales. Nos concentraremos en procesos de una sola entrada y una sola salida SISO (Single Input Single Output). Obviamente existen procesos MISO (Mltiple Input Single Output) y MIMO (Mltiple Input Mltiple Output) que sern tratados en cursos superiores. Controladores de estados basados en la teora de variables de estado tambin sern tratados en cursos superiores. 2.2 CONTROL EN LAZO ABIERTO Y CERRADO Como sabemos , el objetivo bsico de un controlador es que la salida del proceso alcance un valor deseado. Par alcanzar este objetivo existen dos tcnicas control en lazo abierto (controlador prealimentado o de cancelacin) control en lazo cerrado (controlador realimentado)

Control en lazo abierto El control en lazo abierto esta orientado a aquellos procesos donde se conocen exactamente su formulacin matemtica y donde las perturbaciones y ruidos son tambin conocidos exactamente o despreciables. es as como el controlador de cancelacin de la figura 2.1 se logra que la salida es exactamente la seal deseada, es decir el control perfecto

Ref

_____ (z) Gp
Controlador

Gp

(z)

Planta

Figura 2.1. Controlador de cancelacin Para lograr lo anterior se debe cumplir que el controlador sea realizable y estable. Si ahora se desea una funcin de transferencia , GT(z), preestablecida entre salida y Ref, entonces el controlador deber ser:

Gc (z) =

GT (z) G p (z)

(2.1)

Para que Gc(z) sea estable en la prctica,

Gp(z)

no debe poseer ceros fuera del circulo unitario. Porque si

ocurriese lo contrario entonces cualquier corrimiento del cero de la planta, el polo inestable del controlador no se eliminara y por lo tanto el sistema sera inestable.

29

Control en lazo cerrado Cuando no se puede encontrar un controlador en lazo abierto que sea estable o cuando el conocimiento de la planta y las perturbaciones o ruidos impiden determinar satisfactoriamente a G p (z) en ecuacin (2.1), se recurre al control en lazo cerrado como se muestra en al figura 2.2.

Ref(z)

+ -

Gc(z)

u(z)

Gp(z)

y(z)

Figura 2.2. Sistema realimentado El control en lazo abierto no tiene mucha ciencia, porque es prcticamente directo su diseo. En cambio el diseo de controladores en lazo cerrado requiere mayor anlisis. Esquema general de control Consiste en una frmula que contemple los dos tipos de control: lazo abierto y cerrado. La formula es la siguiente

R(z) u(z) = T(z) Re f (z) S(z) y(z)

El esquemtico se muestra en la figura 2.3

(2.2)

Ref(z)

T(z) R(z)

+ -

u(z)

Gp(z) S(z) R(z)

y(z)

Figura 2.3. Esquema general de control

Si S = 0 entonces corresponde a un control en lazo abierto. Para el caso de la figura 2.1, el control que resulta es

Gc (z) =

T (z) R(z)

1 G p (z)

(2.3)

y el diseo de los polinomios T y R son directos Si T(z) = S(z) entonces corresponde a un control en lazo cerrado. Segn la figura 2.2 , el control que resulta es

Gc (z) =

T(z) R(z)

(2.4)

30

El diseo de T y R va a corresponder a algn criterio de control en lazo cerrado como se ver ms adelante. El control en lazo cerrado es ms comn en la industria que el control en lazo abierto, por lo tanto se har hincapi en estos tipos de controladores durante todo el curso. Estos controladores tambin son denominados controladores realimentados 2.3 CONTROLADORES REALIMENTADOS En figura 2.4 se muestra un esquema general de control de proceso SISO uv (z) + e(z) + + u(z) n(z) +

Ref(z)

Gc(z)

Gp(z)

y(z)

Figura 2.4. Proceso realimentado ms perturbaciones donde uv(z) y n(z) representa los ruidos perturbaciones a la entrada y salida del proceso. Sea la planta

G p (z) =

B(z) A(z)

(2.5)

El controlador Gc(z) se expresa, al igual que la planta, en un cuociente de polinomios en z, a saber

Gc (z) =
Con

Q(z) P(z)

(2.6)

(2.7)

Q(z) = q0 +q1z 1 +q2z P(z) = p0 + p 1z

donde
1

+...+ qn z

+ p2z

+...+ p z
n

(2.8)

n y n son los ordenes de los polinomios Q(z) y P(z) respectivamente

Tipos de controladores Existen bsicamente dos tipos de controladores: de parmetros optimizados y de estructura optimizada. En los controladores de parmetros optimizados n y n son fijos y se debe encontrar los coeficientes de los polinomios para que se obtenga una respuesta deseada. Ejemplo de este tipo de controladores es el PID , que se ver luego. En cambio los controladores de estructura optimizados los ordenes de los polinomios dependen de un criterio de minimizacin de error entre salida y referencia. Ejemplos de este tipo de controladores son los de ubicacin de polos y de Deadbeat (latido muerto) que tambin se ver ms adelante.

31

2.4 CONTROLADORES DE PARMETROS OPTIMIZADOS El objetivo principal de este tipo de controladores es asegurar que en estado estacionario el error sea cero. Adems que el error alcance el cero lo ms pronto posible y sin excesiva oscilaciones en la salida. Lamentablemente cumplir todos requisitos al mismo tiempo es difcil y requiere mayor atencin. Anlisis del error en estado estacionario Suponga un proceso suficientemente estable, es decir al interior del circulo unitario. De figura 2.4 vemos que polos

e(z) =

G p (z) uv (z) Re f (z) n(z) 1+G (z) G (z) 1+G (z) G (z)

(2.9)

Para escaln en Ref(z) n(z) en uv, el valor del error en estado estacionario se obtiene aplicando el teorema del valor final , ver ecuacin (1.61). Si deseamos que el error en estado estacionario sea cero, entonces debe cumplirse que

G (1) G (1) = c p
pero dado que Gp(z) es estable, entonces

(2.10)

Gp(1)
por lo tanto el controlador debe ser

(2.11)

Gc(1) =
finalmente tenemos entonces que el controlador debe tener la siguiente forma

(2.12)

G (z) = c
o tambin

Q(z) P (z)(z 1)
'

(2.13a)

G (z) =
c '

Q(z) z P (z) (1 z
1

(2.13b)

Por lo tanto el controlador debe tener una componente integral, donde

P(z) = P' (z)(z 1)

' 1

(2.14a)

(2.14b)

P(z) = P (z) (1 z

32

2.4.1 CONTROLADOR PID DISCRETO Del controlador PID anlogo tenemos

u(s) = K(1+

1 +TDs) e(s) TIs

(2.15)

Recordemos que el error en estado estacionario, con slo la parte P, no asegura que sea cero. Con la parte I el error es cero. Por ltimo con la parte D, corrige anticipadamente el error, dado que la derivada da la tendencia del error. La inversa de Laplace es

u(t) = Ke(t) +

de(t) e()d + KT D dt T I 0

(2.16)

discretizando con periodo de muestreo T0

KT u(kT0 ) = Ke(kT0 ) + T

kT0

0 I D i= 1

(e(kT ) e((k ) 1)T e(i + KT 1)

0 0

(2.17)

Esta expresin se conoce como estructura posicional del controlador PID Evaluando en u((k 1)T 0 ) , tenemos

KT u((k 0) = Ke((k 0 ) + 1)T 1)T T

I

(k 1)T0 0

(e((k 0 ) 1)T e((k 0) 2)T KT D T

(2.18)
0

e(i 1) +
i=1

haciendo la resta

u(kT )
0

u((k 1)T ) , tenemos

0

u(kT ) u((k ) = 1)T

0 0

K (e(kT ) e((k 1)T

0 0

KT )) + T
I

KT e((k ) + 1)T
0

(e(kT ) e((k ) + e((K 2 1)T

0 0

(2.19

Aplicando transformada z tenemos

1 1

KT )+ T
I

KT D T
0

u(z) (1 z

) = Ke(z) (1 z

z e(z) +

(e(z) z 2

e(z) + z e(z))

(2.20)

La funcin de transferencia del controlador queda entonces

Gc (z) =

T K

2T = u(z)

T =

(2.21)

Q(z)

1+ T0 P(z) e(z)

1+ z + z 0 T0 Ti T0 1 z
1

33

aparece el factor (1 z ) en el denominador como en la ecuacin (2.13b) con P'(z) = 1 , por lo tanto asegura el error en estado estacionario cero. Ahora de ecuacin (2.20) despejando u(z) , tenemos

u(z) (1 z

) = Ke(z) (1 z

KT0 KT D (1 z ) + T e(z) + T
I 0

) (1 z ) e(z)

(2.22)

u(z) = Ke(z) +

KT T
I

KT e(z) D 1 + z (1 z ) T (1
0

) e(z)

(2.23)

A esta expresin se le conoce como forma de velocidad del controlador PID El controlador discreto del PID permite otras variantes propuestas por diferentes autores. Por ejemplo Takahashi propuso la siguiente modificacin para evitar grandes valores en la variable manipulada frente a cambios en la referencia. Para ello en la parte derivativa de la ecuacin 2.20 se sustituye e(z) por y(z). En el resto de la frmula se sustituye e(z) por Ref(z)-y(z), quedando

u(z) (1 z (z

1 ) = K y(z)

T 1)+
0

T (Re f (z) y(z))+

I

D 1 2 0

z T (2 z y(z)

y(z) y(z))

(2.24)

Para sintonizar los parmetros del controlador discreto PID y de Takahashi se usan las conocidas tcnicas empricas de Ziegler y Nichols que aparecen en la referencia [3]. Estas tcnicas son iguales a las aplicadas al PID continuo. La regla emprica para seleccionar el tiempo de muestreo es que

Tr T
0

(2.25)

= 1 4

Donde Tr es el tiempo de subida de la respuesta a escaln del proceso continuo en lazo abierto. Grficamente se obtiene sacando la mxima pendiente de la curva, hacindola proyectar a las coordenadas del valor final y cero. La diferencia en el tiempo de estas dos intersecciones arroja el valor de

Efecto del retardo de la planta bajo control realimentado Por lo general el retardo en los procesos produce efectos nefastos en los sistemas realimentados. Por ejemplo si a un sistema realimentado debidamente sintonizado aparece en forma repentina un retardo en el proceso (que es comn en la industria) puede llegar a ser inestable el sistema. Otro efecto negativo es que el sistema completo se hace ms lento frente a cambios en la referencia.

34

Ejemplo 2.1 Sea el proceso de la figura 2.5

y(t) 1

1 s+ 1

y
1 2 3 4 t

Figura 2.5 Proceso y respuesta a escaln Determinar un controlador PI y sintonizarlo empricamente usando SIMULINK para a) Proceso sin retardo sintonizado b) Proceso con retardo con el PI de a) c) Proceso con retardo sintonizado Solucin a) De acuerdo a ecuacin (2.25) y grfico de la figura 2.5 se escoge

T =
0

T= 1

El proceso realimentado usando SIMULINK se muestra en la figura 2.6a . Se emplea un controlador PI dado por la ecuacin (2.23) con TD = 0.
CONTROLADOR PI

Scope1 1 Referencia Sum 0.1 K Mux u (1 )/u (2 ) . 1 1-z-1 .. Zero-Order Hold Sum1

1 s+ 1 PROCESO Scope

0.5 Ti

Figura 2.6a Sistema realimentado usando SIMULINK Luego de probar distintos valores de K y TI se encontr que los valores que dan buena regulacin son K = 0.4 y TI = 0.4. La salida y entrada al proceso se muestra en la figura 2.6b

35

1.5

u(t)

0.5

10

15

20 t

25

30

35

40

1.5

y(t) 1 0.5

10

15

20 t

25

30

35

40

Figura 2.6b Control PI del proceso b) Suponga ahora que aparece retardo en el proceso. O sea, ahora el proceso es como se muestra en la figura 2.7

y(t) 1

e s +1

2s

y
0 1 2 3 4 5 t

Figura 2.7 Proceso y respuesta a escaln

Para representar esta situacin en SIMULINK se puede agregar al proceso de la figura bloque transport Delay. El nuevo proceso se muestra en la figura 2.8
1 u y Transport Delay

2.6a el

s+1 PROCESO

Figura 2.8 Proceso mas retardo

36 Si se mantienen los mismos parmetros del controlador, el sistema realimentado se vuelve inestable con retardo igual a 2 instantes de muestreo, tal como se muestra en la figura 2.9

400

200 u(t) 0

-200

10

15

20 t

25

30

35

40

100 50 y(t) 0 -50 -100 -150 0 5 10 15 20 t 25 30 35 40

Figura 2.9 Comportamiento inestable con retardo

c) Para evitar la inestabilidad y volver a regular bien, se debe resintonizar el PI. Los nuevos parmetros encontrados fueron K = 0.1 y TI = 0.5. En figura 2.10 se muestra la entrada y salida para esta nueva situacin.

1.5

u(t)

0.5

10

15

20 t

25

30

35

40

1.5

y(t)

0.5

10

15

20 t

25

30

35

40

Figura 2.10

Respuesta del PI sintonizado

De las grficas de las figuras 2.6 y 2.10 se observa que el retardo hace ms lenta la regulacin

37

2.4.2 CONTROL PREDICTOR DE SMITH Este autor propuso un controlador discreto con el objeto de evitar la lentitud de reaccin de los controladores PID en presencia de retardo en la planta. Para su deduccin, sean dos sistemas realimentados para una misma planta, una sin retardo y la otra con retardo, tal como se muestra en la figura 2.11 con sus respectivos controles PI sintonizados

Ref(z) + -

u(z)

Gc(z)

Gp(z)

y(z)

Ref(z) + -

u(z)

G (z )
c1

G ( z)z
p

y(z)

a)
Figura 2.11 Control PI para a) proceso sin retardo y b) proceso con retardo

b)

Ahora, supongamos que idealmente, aunque realmente no se pueda, podamos separar el proceso b) en dos bloques y cambiamos el controlador por el de a) tal como se muestra en la figura 2.12 Ref(z) + u(z)

Gc(z)
-

Gp(z)

zd

y(z)

Figura 2.12. Proceso realimentado con separacin de retardo

La respuesta de esta configuracin con retardo igual a d = 2 corresponde a la grfica de la figura 2.6 pero desplazada 2 instantes de muestreo, tal como se muestra en la figura 2.13
1.5

y(t)

0.5

00 5 10 15 20 t 25 30 35 40

Figura 2.13 Respuesta del proceso mas retardo Igualando las funciones de transferencia de b) de figura 2.11 y figura 2.12 obtenemos el controlador de Smith ,

Gc (z) . Evaluando tenemos

1

G (z) G (z) z G (z) zdG (z) c p c p = 1+G (z) G (z) 1+G (z) zdG (z)
1

(2.26)

c1

38

despejando

G (z) tenemos
c1

Gc (z) =
1

Gc (z) 1+G (z ) G (z) (1 z

c p

(2.27)
d

La implementacin del controlador de Smith se muestra en la figura 2.14 u(z)

Ref(z)

+ -

+ -

Gc(z)

G p (z)z d

y(z)

Gp(z)

1 z

Figura 2.14. Controlador de Smith para procesos con retardo Por lo tanto el controlador de Smith da la misma respuesta que el sistema de la figura 2.12, o sea figura 2.13 a diferencia que aqu no necesitamos separar el retardo de la planta. Ahora comparando la respuesta del control PI (figura 2.13 ) y control Smith (figura 2.10 ) podemos concluir que el predictor de Smith es ms rpido en reaccionar en presencia de retardo. No es comn encontrar el equivalente continuo de controlador de Smith porque agregar un retardo en la realimentacin significa agregar un bloque controlador por lo tanto no sera lineal. 2.5 CONTROLADORES DE ESTRUCTURA OPTIMIZADA La estructura del controlador resulta despejando el controlador de la figura 2.4 o sea

sT

en el

Gc(z) =

1
p

GT (z)
T

G (z) 1 G (z)

(2.28)

Por lo tanto los ordenes de los polinomios del numerador y denominador del controlador no son fijos y dependen de las funciones de trasferencias deseada en lazo cerrado y de la planta. Se debe tener presente que la eleccin de la funcin de transferencia GT (z) debe cumplir que Gc(z) sea realizable.

2.5.1 CONTROLADOR DE LATIDO MUERTO O DEADBEAT Es un controlador realimentado que frente a un escaln en la referencia, la salida alcanza la referencia en un numero finito de periodos de muestreo. No existe un equivalente en controladores continuos porque ellos requieren un tiempo infinito para llevar el error a cero. La caracterstica de este controlador discreto produce entonces una funcin de transferencia en lazo cerrado que es comn en los filtros digitales FIR (Finite Impulse Response), es decir

GT (z) =

y(z) = W (z) Re f (z)

(2.29)

39

Con

W(z) = w1z +

+ wz
n

w + zw =
n n 1

+ z

+z
n

n 2

w2+z

n 1

(2.30)

es decir, GT (z) posee n polos en el origen. Un ejemplo de funcin de transferencia en lazo cerrado con control Deadbeat es el siguiente Ejemplo 2.2 Sea una funcin de transferencia en lazo cerrado dada por

GT (z) = 0.2 z

z 0.5

+1.3 z

Grafique la salida frente a un escaln en la referencia Solucin La ecuacin de diferencia es

y(k) = 0.2 Re f (k 1) 0.5 Re f (k 2) + 1.3Re f (k 3)

Luego, evaluando tenemos

y(0) = 0 y(1) = 0.2 y(2) =0.3 y(3) = 1 y(4) = 1 . .

El grfico se muestra en la figura 2.15

1.5

y(k) 0.5

0 -0.5

-1 -1.5

-2

5 k

10

Figura 2.15 respuesta constante a partir de k = 3 Observando la figura 2.4 vemos que para que la salida tenga una forma como el de la figura 2.15 implica que la variable de control tambin debe estabilizarse en el mismo numero finito de tiempos de muestreo ( en este

40

caso 3). Esto quiere decir que la funcin de transferencia entre u(z) y Ref(z) , G o sea

(z) , tambin debe ser FIR,

u(z) Gu(z) = Re f (z) = Q(z)

1 n

(2.31) (2.32)

Q(z) = q0 +q1z +....+ qn z

Determinacin de numero mnimo de tiempos de muestreo n De acuerdo a la tcnica de ubicacin de polos en variables de estado, la respuesta transitoria dada por la ecuacin (2.30) se puede lograr si se puede ubicar los n polos, de la funcin de transferencia en lazo cerrado, en el origen. Esto se consigue si el proceso es completamente controlable. Si es as, entonces el numero de instantes de muestreo para alcanzar el estado final debe coincidir con el orden de la matriz A, o lo que es lo mismo coincidir con el orden del polinomio del denominador de la planta. Por lo tanto en el controlador Deadbeat la salida alcanza la referencia en un mnimo de n instantes de muestreo, donde n es el orden del polinomio de denominador de la planta, A(z). Diseo del controlador Deadbeat Dividiendo las ecuaciones (2.29) y (2.31) obtenemos

G p (z) =
o sea

y(z) u(z)

W(z) Q(z)

(2.33)

G p (z) =
igualando coeficientes, tenemos
1

B(z) A(z)

W(z) Q(z)

(2.34)

G p (z) =
por lo tanto

b1z 1+ a1 z

+
1

+b z
n

w1z
n

+
1

+w z
n

+ + a

= q0 + q1z

q z
n

(2.35)

Q(z) = q0A(z)
y

(2.36)

W(z) = q0B(z)
incorporando ecuaciones (2.29) y (2.33) en ecuacin (2.28) tenemos

(2.37)

41

Gc (z) =

Q(z) 1 W(Z)

(2.38)

usando ecuacin (2.36) y (2.37) tenemos finalmente el diseo del controlador

Gc (z) =

q0 A(z)

(2.39)

1 q0B(z)
para hallar o sea

q0 aplicamos el teorema del valor final a la ecuacin (2.37)

W(1) = q0B(1)
lo que nos da

(2.40)

w +w +
1 2

+w = q (b +b +
n 0 1 2

+b )
n

(2.41)

Ahora al aplicar tambin el valor final a la ecuacin (2.30) nos da

G (1) = w +
T 1

+w =1
n

(2.42)

lo que da

q0 =

1 b + 1 +b
n

(2.43)

Ejemplo 2.3 Disear un controlador Deadbeat para el siguiente proceso

Gp

(z) =

0.3679 (1+ 0.7181z

1

)z
1

(1 z ) (1 0.3679z )
Solucin El controlador se obtiene de la ecuacin (2.39). Para ello necesitamos resolver de ecuacin (2.43). Por lo tanto tenemos

q0=
por lo tanto

1 0.3679 (1+ 0.7181)

42

1 Gc (z) = 0.3679

(1+ 0.7181) 1 1 1 0.3679 (1+ 0.7181) 0.3679 ( 1+ 0.7181z

1 1

1 z

)( 10.3679z ) )
1

G (z) =
c

(1 z

) (1 0.3679z ) (1+ 0.7181z ) z

1 1

0.3679 (1+ 0.7181) 0.3679

Eliminando factores comunes para reducir la expresin, tenemos

G (z) =
c

(1 z

) (1 0.3679z )
1

0.3679+ 0.3679 0.7181 0.3679z

1

0.3679 0.7181z
1

G (z) =
c

(1 z 0.3679 (1 z
1

) (1 0.3679z ) ) + 0.3679 0.7181 (1 z

1 1 2

Gc (z)
finalmente tenemos

1 0.3679z

0.3679+ 0.3679 0.7181 (1+

z )

0.582z Gc (z) = 1.582 1 1+ 0.418z

En figura 2.16 se muestra la grfica de la salida y la entrada del proceso en lazo cerrado para el ejemplo 2.3 obtenida de las ecuaciones (2.37) y (2.36) respectivamente

43

y(k)
1

u(k)
2

2 1 -2 3 4 5 k

Figura 2.16 Respuesta de la salida y entrada del ejemplo 2.1

Ejemplo 2.4 Demuestre que u(0) es igual a

Solucin De ecuaciones (2.31) y (2.32) se tiene que

q0 = u(0)

2.6 PROGRAMACIN DE CONTROLADORES DISCRETOS Una vez definido el tiempo de muestreo se procede a implementar el algoritmo de control en el computador. Ejemplo 2.4 Programar el controlador del ejemplo 2.3 en un computador Solucin El controlador debe expresarse en ecuacin de diferencia, por lo tanto

u(k) = 0.418 u(k 1) + 1.582 e(k) 0.582 e(k 1)

Por lo general los software de programacin usan variables sin argumentos. Una forma de reasignar las variables argumentadas de la ecuacin anterior es

44

uk = u(k) uk _1= u(k 1) ek = e(k) ek _1= e(k 1)

dependiendo del tipo de programacin el programa bsico del controlador al interior del computador es

1) Ingresar Re ferencia: Re f 2) Capturar dato de salida del proceso: yk 3) Formar el error :ek = Re f yk _1 4) Formar la salida del controlador 5) Actualizar variables : uk _1= uk ek _1= ek 6) Mandar el valor uk a la salida del computador 7) Saltar a 2) y repetir ciclo : uk =0.418 *uk _1+1.582 *ek 0.582 *ek _1 _1

2.7 REDUCCIN DE LAS PERTURBACIONES La presencia de perturbaciones es una de las principales razones para utilizar la teora de control. Sin perturbaciones no es necesaria la realimentacin. Las perturbaciones se pueden reducir en el origen que las produce. Los efectos de las perturbaciones tambin se puede reducir mediante realimentacin local, como muestra la figura 2.17 por prealimentacin desde el origen de la perturbacin como muestra la figura 2.18.

Perturbacin
+ u(z) + Realimentacion local Figura 2.17. reduccin de perturbaciones por realimentacin Por lo general la realimentacin local no es necesario, porque un controlador PI, para la entrada u basta. Sin embargo se requiere un lazo extra de realimentacin local, por ejemplo para Reducir las variaciones de corriente de un motor DC controlado por voltaje Reducir las variaciones en el control de temperatura estabilizando la fuente de alimentacin de tensin + y(z)

45

Perturbacin medida
Compensador de prealimentacin

Gv
Efecto de la perturbacion en la salida

Gp1Gv+

Gp

Proceso

Figura 2.18. reduccin de perturbaciones por prealimentacin Para el caso de la prealimentacin de la figura 2.18, y de acuerdo al esquema de la figura 2.3 el control de prealimentacin corresponde al compensador de realimentacin ( S = 0 ), o sea

Gc (z) =

G (z) v (z) = R(z) G T(z)

p

(2.44)

Si Gc(z) resulta inestable o irrealizable, debe elegirse, en su lugar, una aproximacin conveniente. La prealimentacin es particularmente til para perturbaciones generadas por cambios en la seal de referencia, o bien, para procesos en cascada en los que las perturbaciones en un proceso estn generadas por variaciones en los procesos precedentes. Finalmente las perturbaciones se pueden reducir por prediccin. Que es nada menos que una extensin del principio de prealimentacin que puede utilizarse cuando la perturbacin no puede medirse. El principio es muy simple: la perturbacin se predice midiendo seales, y la prealimentacin se genera a partir de la prediccin. EJERCICIOS 2.1.- Determine la repuesta de un controlador Deadbeat si la referencia es una seal rampa Ref(k) = k 2.2.- Encuentre el controlador deadbeat si el proceso tiene retardo, osea

G p (z) =

B(z) A(z)

2.3) Averige qu ocurre con u(0) cuando el tiempo de muestreo disminuye en los controladores Deadbeat 2,4) Averige para condicin debe cumplir el proceso para que con control deadbeat en lazo cerrado se tenga que

u(0) > u(1)

2.5) Si se quiere controlar un proceso continuo con deadbeat a) Qu hacer? b) Si se desea alterar el u(0) en lazo cerrado Qu alternativa hay?

46 2.6) Sea el siguiente proceso

Gp

(z) =

z z

+ 0.5
1

4 2

1 1.5 z + 0.5 z
a) Encontrar un controlador de ms bajo orden polinmico, tanto en el numerador como en el denominador, tal que el error en estado estacionario sea cero. b) Disee el controlador tal que u(2) = 0.85 cuando se aplica un escaln unitario en al referencia. 2.7) Sea el siguiente proceso

G p (z) =

e 6s s +1 10

a) b)

Disee un controlador de latido muerto. El tiempo de muestreo debe ser la quinta parte de la constante de tiempo del proceso continuo. B) Grafique la salida, y(k) y la entrada u(k) del proceso realimentado con un escaln unitario en la referencia para k = 0,1,2,3,4 y 5.

2.8) Implementar un programa bsico para calcular el siguiente controlador en tiempo real

u(k) = 0.9 u(k 2) + 1.5 e(k) e(k 2)

2.9) Indique y grafique dos seales senoidales tal que al muestrearlas resulten en una seal peridica y la otra no peridica.

47

3 CONTROLADORES ESTOCASTICOS

3.1 INTRODUCCIN Hasta ahora se supuso perturbaciones determinsticas, o sea conocidas analticamente. Cuando no es posible describirla analticamente, una aproximacin gruesa (impulso, sinuosidal , etc, ) es suficiente a veces para representarlas, por lo tanto en general las perturbaciones determinsticas son intentos de aproximacin de seales de perturbaciones reales. Sin embargo en la prctica, las perturbaciones son desconocidas e imposibles tratarlas analticamente. El inters por conocer las perturbaciones con ms detalle es debido a que influyen notoriamente en la calidad final de ciertos productos industriales. (industria del papel, Industrial del acero, etc.) De los hechos cotidianos, es comn asociar las perturbaciones a seales aleatorias, como las que se observan en el osciloscopio cuando se aumenta la sensibilidad de la magnitud. En la figura 3.1 se muestra una seal tpica de perturbacin ruido.

5 4 3 2 1 0 -1 -2 -3 -4 -5 0 100 200 300 400 500 600 700 800 900 1000

Figura 3.1 Seal aleatoria ruido del haz del osciloscopio Se observa que es imposible describir la seal matemticamente. Sin embargo si dispusiramos algn tipo de informacin alternativa sobre ella, es natural pensar que se pueda manejar con mayor dominio y conocimiento de causa su influencia sobre los procesos industriales. Uno de estas herramientas son las tcnicas de las probabilidades y variables estadsticas aleatorias. Los controladores digitales que se disean tomando en consideracin las tcnicas de variables aleatorias, se denominan controladores estocsticos. 3.2 SEALES ALEATORIAS DISCRETAS Existen variadas seales aleatorias presente en la naturaleza. De all surgi la necesidad de caracterizarlas en distintas distribuciones de probabilidades. Los tipos de seales aleatorias comnmente encontrados en procesos industriales tienen distribucin gaussiana, como se ver ms adelante. A continuacin se describen algunos ejemplos de situaciones aleatorias discretas. Ejemplo 3.1 Describa la distribucin de la variable aleatoria x en el tiempo del siguiente experimento. Sea x el valor que resulta un dado una vez lanzado.

48

Solucin Recurriendo a variables estadsticas, sea P la probabilidad que ocurra un evento, entonces la probabilidad que el dado resulte 1 2, .. 6, es decir

P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =

La funcin de distribucin de probabilidad es

1 6

F(x) = P(resultado x)

Matemticamente la funcin de distribucin de probabilidad se puede expresar de la siguiente forma

F(x) =

6 u(x i)
i= 1

Donde la funcin u es el escaln unitario La funcin de densidad de probabilidad es

6

f (x) = P(x) y esta dado por

f (x) =

1
K

6
i= 1

(x i)

La grfica de la distribucin y densidad de probabilidad se muestra en la figura 3.2

1.5

F(x)

0.5

5 x

10

0.5 0.4 f(x ) 0.3 0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 10

Figura 3.2 grfica de F(x) y f(x) f(x) es constante para todas las posibilidades de ocurrencia, lo que significa que no existe preferencia por un valor determinado. En Figura 3.3 se muestran el resultado para 11 instantes seguidos de lanzamientos del dado, en que cada resultado ocurre dos veces

49

10 9 8 7 6 5 4 3 2 1 00

x (k )

5 k

10

11

Figura 3.3 Evolucin de los resultados del lanzamiento del dado Ejemplo 3.2 Describa la distribucin de la variable aleatoria x en el tiempo del siguiente experimento. Sea x la suma de las caras superiores que resultan del lanzamiento de son dados. Solucin La suma de dos dados va desde 2 hasta 12. El total de ocurrencias distintas son 36 (6x6), por lo tanto las probabilidades de los resultados son

P(2) = P(3) = P(4) = P(5) = P(6) = P(7) =

1 36 2 36 3 36 4 36 5 36 6 36

P(8) = P(9) = P(10) = P(11) = P(12) =

5 36 4 36 3 36 2 36 1 36

La grfica de la distribucin ( F(x) ) y densidad ( f(x) ) de probabilidad se muestra en la figura 3.4

1.5

F (x)

0.5

0 0 5 x 0.2 0.15 f(x) 0.1 0.05 0 0 5 x 10 15 10 15

Figura 3.4 Distribucin F(x) y f(x) para dos dads

50

A diferencia del ejemplo 3.1, la probabilidad de ocurrencia esta sesgada, o sea hay mayor probabilidad de ocurrencia de la suma que resulta 7 y disminuyendo a ambos lados de este valor en la medida que se aleja. De acuerdo a este anlisis un posible variacin de x en el tiempo se muestra en la figura 3.5 .Note que en x = 7 ocurre mayor repitencia de resultados
15

x (k )

10

00

10

20

30

40

50 k

60

70

80

90

100

Figura 3.5 Resultado de dos dados para instantes consecutivos que se realiza Si se repite el ejemplo 3.2 pero con tres dados , en figura 3.6 se muestra la distribucin de densidad de probabilidad f(x) que resulta
0 .1 4

0 .1 2 f(x ) 0 .1

0 .0 8

0 .0 6

0 .0 4

0 .0 2

10 x

12

14

16

18

20

Figura 3.6 Distribucin de densidad de probabilidades, f(x), del experimento de tres dados Del ejemplo 3.2 se observa que si aumenta el numero de dados, la figura 3.6 se va transformndose en una campana de Gauss y la variable aleatoria en el tiempo de la figura 3.5 se asemeja a la figura 3.1 . Por esta razn decimos que las perturbaciones ruidos tiene distribucin gaussiana. La distribucin gaussiana se caracteriza por dos variables estadsticas: desviacin standard ( esperanza (

) varianza (

) y valor promedio

x ). Recordemos algunas propiedades estadsticas

51

Definicin de propiedades estadsticas

_

Recordemos que la esperanza esta dada por

E{x(k)}= x = mx(k) = lim

La funcin de autocorrelacin es
N

1 N

x(k)
N

(3.1)

k= 1

autocorr( ) = E{x(k)x(k + )}= rx ( ) = lim

k=1

x(k)x(k + )

(3.2)

Una variable aleatoria se caracteriza porque su valor no depende de valores pasados o futuros de la misma seal (seal independiente), o sea si La funcin de autocovarianza es
_ _

E { x(k)}= 0 , entonces rx ( ) = 0 para todo 0

cov[x, ]=

E[x(k) x][x(k

+ )x]

(3.3)

La varianza se obtiene para

= 0, es decir Var(x)= cov [x,0

]
_

2 x

(3.4)

Si

E x(k) }= x= 0 entonces
2

(3.5)

Var(x) = E{(x(k)) }= rx(0)

Ejemplo 3.3 Determinar la varianza y esperanza de las distribuciones gaussianas mostradas en la figura 3.7

0.05 f1(x) 0.04 0.03 0.02 0.01 0 0 50 (a) 100

0.05 f2(x)0.04 0.03 0.02 0.01 0 0 50 (b) 100

0.1 f3(x) 0.08 0.06 0.04 0.02 0 0 50 (c) 100

0.1 f4(x) 0.08 0.06 0.04 0.02 0 0 50 (d) 100

Figura 3.7 Distribuciones gaussianas para distintos proceos

52

Solucin

a) Varianza 10 y esperanza 25 b) Varianza 10 y esperanza 50 c) Varianza 5 y esperanza 25 d) Varianza 5 y esperanza 50

En figura 3.8 se muestras las realizaciones de las variables aleatorias para cada representacin gaussiana

10 0 X1(k) 8 0 6 0 4 0 0 2 0 0 x3(k) 10 0 8 0 6 0 0 4 0 2 0 0 50 (c) 100 50 (a) 100 x2(k)

100 80 60 40 20 0 0 50 (b) 100

100 80 x4(k) 60 40 20 0 0 50 (d) 100

Figura 3.8 variaciones de las variables aleatorias para distintas distribuciones gaussiana 3.3 TRASNFORMADA DISCRETA DE FOURIER (DFT) Al igual que en sistemas continuos, la trasformada de Fourier discreta es una herramienta til para llevar una seal en el tiempo discreto al dominio de la frecuencia discreta y viceversa, de tal manera que el anlisis que se haga en uno u otro dominio es equivalente, facilitando los conceptos durante el anlisis de sistemas discretos [4].

Seales peridicas Para el presente anlisis, una seal peridicas discreta ser aquella que se repite cada N instantes de muestreo, es decir

x(k) = x(k + N)
Donde k y N son nmeros enteros Ejemplo 3.4 Cuntas oscilaciones cosenoidales distintas caen en N instantes de muestreo? Solucin Sea N = 16. En figura 3.9 se muestran cuatro formas peridicas

(3.6)

53

2 x1(k) 1 0 -1 -2

2 1 0 -1 -2

x2(k)

5 (a)

10

15

5 (b)

10

15

2 1 0 -1 -2

2 x4(k) 1 0 -1 -2

x3(k)

5 (c)

10

15

5 (d)

10

15

Figura 3.9 Cuatro formas peridicas que caen en N =16 De las figuras podemos deducir que se pueden graficar 16 seales peridicas. Las formas de onda de la figura 3.9 se pueden expresar matemticamente como la parte real de
jn 2 k N

n (k) = e
con N = 16 y (a) (b) (c) (d)

(3.7)

n = 1,.....,N. Los grficos de la figura 3.9 son para n=1 n=2 n=3 n=6

De ecuacin (3.7) se verifica que

n+rN

(k) = (k)
n

(3.8)

con r mltiplo entero de N.

Seal peridica como combinacin lineal de Probaremos entonces que

n(k)

Sea x(k) seal peridica de largo N.

54

N 1

N 1 n n= 0

x(k) = a n (k) = n n= 0

a e
(k)

2 jn k N

(3.9)

si la seal peridica se considera a partir de n = .. -3, -2, -1 , 2, 3, etc. Por ejemplo a partir de n = 3

x(k) =

2 + n= 3

n n

(3.10)

, si N es par se puede tomar de la siguiente forma

N 1

x(k) =

n=N2

n n (k)

(3.11)

Evaluando la ecuacin (3.9) para

k = 0,1,, N 1
N 1

x(0) = an
n= 0 N 1

x(1) = . .

2 jn N

n=0

ane

(3.12)

N 1

2 ( N ) 1 jn N

x(N = 1)

n= 0

ane a e
n

Vemos que hay N ecuaciones con N incognitas por lo tanto existe solucin para los

Ahora multipliquemos ambos miembros de la igualdad de la ecuacin (3.12) por cuaquiera

2 jr 0 N N 1 2 jn 0 N 2 jr N 0 N 1 2 j (n ) r 0 N

2 jr k N

r entero

x(0) e
2 jr 1 N

n= 0 N 1

ane
2 jn 1 N

e
jr 2 N 1

n= 0

ane
2 j( n ) r 1 N

N 1

x(1) e . .

n= 0

an e

n= 0

ane

(3.13)

2 jr

N N

( N 1)

N 1

jn

( N 1 )

jr

( N 1 )

N 1

j( n ) r ( N 1) N

x(N e 1)

n=0

an e

n= 0

ane

55

Sumando ambos lados de la igualdad

N 1 2 jr k N N 1 N 2 j ( n ) r k N n

x(k)e
k= 0 N 1 jr 2 k N

(3.14)

1 k= 0 n= 0

ae

al intercambiar el orden de la sumatoria tenemos

N 1 N 1 2 j ( n ) r k N

k= 0

x(k)e

n= 0

an e
k= 0

(3.15)

Recurriendo a la serie geomtrica

N

=1
N

1 k=0

= 1 1

(3.16)

tenemos que al al hacer

= e

j (n r

(3.17)

)
N

el lado derecho de la igualdad de ecuaciones (3.15) nos da

a
n

N 1

N 1

2 ( nr) k N =

ar N para
2

( n r) = 0

(porque e

j ( n ) 2 r N

= 1)

n= 0

k= 0 j (n ) r N N n 2 j ( n ) r N N

N 1

a 1 e
2 j (n ) r N

= 0

(porque e

= e

j ( n ) 2 r

= 1)

n =0

por lo tanto ecuacin (3.15) queda

N

1 e

1 k= 0

x(k)e

2 jr k N

= arN

(3.18)

despejando ar
2 jr k N

ar = 1 N 1x k)e ( N k= 0

(3.19)

como esta ecuacin se cumple para

n r = 0, n = r entonces

56

an =

1N

N k= 0

x k)e (

2 k jn N

(3.20)

por lo tanto x(k) se puede expresar a traves de la ecuacin (3.9) con an dada por la ecuacin (3.20) Si x(k) se expresa mediante ecuacin (3.11) entonces

1 an = N

e
k=N 2

x(k)

2 jn k N

(3.21)

Seales no peridicas

sea una seal aperidica mostrada en la figura 3.10

x (k )

-N

N 1

Figura 3.10 seal no peridica Si ahora formamos una seal peridica (de perido N, con N par) con la seal de la figura 3.10, obtenemos la figura 3.11

Figura 3.11 seal peridica Vemos que las seales de las figuras 3.10 y 3.11 estan relacionadas por

57

x(k) = x (k )

k N1

(3.22)

Sabemos que para seales peridicas (ver ecuacin(3.21))

N 1 2 N 1 k 2 jn N k 2

1 a n=

= N k=N

~(k)e

jn N

1 = N k=

jn k N

(3.23)

N k=N
2

x(k)e

x(k)e

a n se puede expresar como an = 1 X(n 0 ) N

(3.24)

donde

X(n )
con

0k jn k=

x(k)e (3.25)

0 = 2 N

de ecuacin (3.11) y usando (3.24)

N 2 1 2 jn k N N 1 2 2 jn k N

x (k) =

n=N

an e
2

=
N 1

n=N

2 2

N X(n 0 ) e
N 1

(3.26)

0 = 2

jn N

=
n= N 2

X (n 0 ) e

1 2

jn N

X(n 0 ) e

n=

La sumatoria se puede expresar como una suma de N reas. Cada rea tiene una altura de

X(n 0 ) y una 2

2
anchura de
0

. El rango completo del eje x, o sea la anchura total, es

N = N
0

= 2 , es N

decir fija y de valor 2 para cualquier N. , x (k) = De modo que cuando N ), transforma en una integral

x(k

 0d

sumatoria se

y n 0

y la

j k

x(k) = 2
Con

X()e

(3.27)

X( ) =

k=

x(k)e

jk

(3.28)

58

La ecuacin (3.28) se conoce como la transformada de Fourier Discreta (DFT) de x(k) y la ecuacin (3.27) su inversa 3.4 INTERPRETACION DE PROCESOS CON VARIABLES ALEATORIAS Sea un proceso como muestra en la figura 3.13, con u e y variables aleatorias

Gp

(z)

Figura 3.13 Proceso

Relacin de esperanzas Usando ecuacin (1.72) tenemos que la esperanza a la salida del proceso es

E {y(k)}=

g(n) E {u(k }= m (k) = n)

y

g(n) m (k n)

(3.29)

n= 1

n=1

o sea la esperanza a la salida del proceso es funcin de la esperanza de entrada Relacin de autocovarianzas salida es Usando la ecuacin (3.2) tenemos que la autocorrelacin en la

ry()= E{y(k + ) y(k)}

y de ecuacin (1.71) tenemos

(3.30)

ry () = E
1

n=
acomodando las sumatorias

g(n) u(k +

g l) u(k n) l) l=1

(3.31)

ry () = = E +

g(n) u(k g l) u(k n) l) n) u(k } g l) l)

n= 1 l = 1

(3.32)

+
n= 1 l= 1

g(n)E {u(k

= g(n)r u( n+l) g l)
n= 1 l= 1

o sea, la autocorrelacin a la salida del proceso es funcin de la autocorrelacin de entrada

59

Relacin de densidades espectrales de potencias La transformada de Fourier Discreta de la autocorrelacin de una seal, x, se denomina densidad espectral de potencia de la seal y se denomina por x( ). Por lo tanto de ecuacin (3.28) tenemos
jk

x
y su inversa

( ) =

k=

r (k)e (3.33)
x j k

1 rx(k) = 2

x()e

(3.34)

La densidad espectral de potencia en la salida ser entonces

y ( )
incorporando ecuacin (3.32) tenemos

jk k=

r (k)e (3.35)
y

y () = =
haciendo

k= n = 1 l= 1

jk

(3.36)

n+l)

g(n)r u (k

g l)e
jn jl (k+l j n)

k= n = 1 l= 1

g(n)r u (k n+l) g l)e

= k + l n tenemos

y() =

jn

jl

n= 1 n= 1

e
jn

g(n)

l= 1

e g l)
jl

ru()

(3.37)

= e
Ahora evaluando ecuacin (1.21) para proceso es (ver ejemplo 1.13)

g(n)

s = j y T 0 = 1, tenemos que la funcin de transferencia del

n

e
l= 1

g l) u ()

G (z) = G ( j) =
p

(e )

g(n)

(3.38)

por lo tanto

n=1

() = G (e j ) G (e j ) ()
y p p u

(3.39)

Ruido blanco corresponde a una seal que posee todas las componentes del espectro de frecuencia y adems poseen la misma magnitud, o sea, espectro constante.

60

Propiedad de inpendencia de variables aleatorias son totalmente independiente una de otra, entonces se cumple que

Si dos seales aleatorias, y(k) y x(k)

E{x(k ) y(k )}= E{x(k )}E{y(k )}

(3.40)

Ejemplo 3.5 Determine la potencia que consume una seal en la banda resistencia de 1 ,

=
2

al pasar por una

1

Solucin la potencia es el rea bajo la curva de la densidad espectral de potencia de la seal, o sea

P = 2
Ejemplo 3.6

()d

Determine la densidad espectral de potencia del ruido blanco con esperanza del ruido igual a cero y varianza

Solucin cumple rx(

Sea x la seal de ruido blanco. Como es una variable aleatoria entonces se

) = 0 para todo 0 , por lo tanto de ecuacines (3.33) y (3.5) se tiene

2 2

o sea, es constante y corresponde a la varianza del ruido blanco Ejemplo 3.7 Sea el proceso de la figura 3.13 siguiente

x( ) = rx(0) = E (x(k)) }= Var(x) =

Gp(z) =

1 z a . Determine la densidad espectral de

2

potencia a la salida del proceso Solucin

u(k) ruido blanco con esperanza E{u(k) }= 0 y varianza

Del ejemplo anterior tenemos que la densidad espectral de entrada es

u( ) =
y de ecuacin (3.39)

() = G (e j ) G (e j ) 2 = y
p p

(e j

a)(e

= a) 1+

2 a a cos 2

Se observa que cuando un ruido blanco se hace pasar a traves de una funcin de transferencia filtro, a la salida se obtiene ruido que depende de la frecuencia (ruido coloreado)

61

Formula general de varianza a la salida de una funcin de transferencia Sea tranferencia

la funcin de

G(z) =

B(z) A(z) a0 = 1

(3.41)

con B(z) ) y

A(z) dadas por ecuaciones (1.50) y (1.51) respectivamente, con

u(k) ruido blanco con esperanza cero y varianza 1. De ecuacin (3.39) tenemos y B(z) B(z A(z) A(z
1

() =

) )

(3.42)

la salida es una variable aleatoria, por lo tanto

Var(y)
y de ecuacin (3.34)

= ry (0)

(3.43)

ry (0) =
dado que

z= e

, entonces

y( )d

(3.44)

dz d =

1 dz je j
j

1 dz =
(3.45)

d =

j z

por lo tanto la ecuacin (3.44) se convierte en la siguiente integral cerrada, usando tambin la ecuacin (3.42)

ry (0) =

1 B(z) B(z j A(z) A(z

1 1

) dz ) z

(3.46)

Se puede comprobar que la solucin de esta integral, para proceso de primer orden es

b +b b b a 2 var(y) = ry
y para proceso de segundo orden es

(0) =

0 1 1 2 1

1 a

(3.47)

var(y) = ry (0) =
donde

B e a + B (a 2 e ) B a
0 1

(1 a

1 1 2

)e a (1
1 2

)a

2 1 2

(3.48)

62

B = b

+b +b
1

B = 2 (b b +b b ) B =2b b 2 0 2 e = 1+ a
1 2 1 0 1 1 2

(3.49)

ahora si la varianza del ruido blanco a la entrad es ecuaciones (3.47) y (3.48) se modifican a
2 2

, entonces del ejemplo 3.7 y ecuacin (3.44), las

var(y) = ry (0) = Be var(y) = ry (0) =

0 1

b +b 2 b b a 0 1 0 1 2 1 a a B + B (1 a
1 1 2 2 2 1 2 1

(3.50)

e) a
2

(a )e a (1
1

)a
2

2 1 2

(3.51)

Ejemplo 3.8 Sea la siguiente funcin de transferencia de la influencia de un ruido (no puede representar un proceso porque b0 0 )

G(z) =

y(z) u(z)

1 z 0.9
1

1 2

1 z 1.7

+ 0.7 z 2 . Determine la varianza en la salida,

si la entrada, u(z) , es ruido blanco con media cero y esperannza

y(z)
Solucin los coeficientes de la funcin de transferencia son

b0 = 1 b1 =0.9 a1 =1.7 a2 = 0.7

es un proceso de segundo orden por lo tanto usando ecuaciones (3.49) y (3.51) tenemos que

B0 = 1.81 B1 =1.8 B2 = 0 e1 = 1.7 0.017 = 0

var(y) = ry(0)

63

3.5 CONTROLADOR DE VARIANZA MINIMA Este controlador es del tipo regulador, vale decir, en presencia de ruidos y/o perturbaciones mantiene el valor medio de la salida constante y las desviaciones, o dispersin, con respecto a la media, mnimas, o sea, de varianza mnima. Mantener las desviaciones mnimas en un proceso otorgan grandes ventajas, por ejemplo, reduce consumo de energia, de materias primas, aumenta la produccin, aumento de la calidad, etc. En un proceso sin control de varianza mnima, la salida puede comportarse como el grfico (a) dela figura 3.7 seal (a) de la figura 3.8. En cambio con controlador de varianza mnima , la salida cambia al grfico (c) de la figura 3.7 seal (c) de la ficura 3.8. En lo que sigue se supondr esperanza de ruido blanco igual a cero; en caso contrario se especificar claramente. Un proceso con ruido lo podemos modelar como muestra la figura 3.14

PROCESO v(z) ruido blanco u(z)

Gv

(z)
+

n(z)

Gp(z)

y(z)

Figura 3.14 Proceso con ruido con

Gp(z) dado por G p (z) = B(z) d A(z) z

(3.52)

los polinomios

B(z) y A(z) estan dados por la ecuacin (1.52) y d representa el retardo del proceso

Gv(z) esta dado por G (z) =

v

D(z) C(z)

(3.53)

donde

D(z) = 1+ d1z + d2z ++ dnz

y
1 2 n

(3.54)

C(z) = 1+ c1z + c2z ++ cnz

Para entender el concepto del controlador de varianza mnima , veamos un ejemplo sencillo Ejemplo 3.9 Mediante un sistema realimentado, determine una secuencia de u(k) para reducir el ruido varianza a la salida del proceso de la figura 3.14 para los siguientes casos

(3.55)

64

a)

G p (z) =

b1 z 1+ a1 z
1

Gv(z) = 1
1

bz
b)

G (z) =
p

1+ d z
1

G (z) =
v

Solucin a) En este caso es imposible reducir el ruido porque, dado que n(z) = v(z) , con la medicin de y(k) no permite crear un control u(k) que pueda anular el error en n(k+1) = v(z+1) (donde puede afectarlo) porque no existe manera alguna cuanto valdr v(k+1) en el instante k. Es decir el ruido n(z) se suma a las salida del proceso sin poder reducirlo. b) En este caso tenemos

1+ a1z

1+ a1z

b z 1 y
1

1+ d z
1 1

(z) =

1+ a z
1

u(z) +
1

1+ a z

v(z)

(3.56)

aplicando la transformada inversa de z se obtiene la siguiente ecuacin de diferencia

y(k) = a y(k +b u(k 1) 1)+v(k) +d v(k 1)

1 1 1

la idea es minimizar la varianza en la salida y(k) debido a la presencia del ruido n(k), o sea minimizar el siguiente criterio

(3.57)

J = E{y (k )}
ms exactamente

(3.58)

J = E{y(k+1) }
porque u(k) afectar a y(k+1) y no a y(k) por lo tanto aumentando en uno el argumento de la ecuacin (3.57) tenemos

(3.59)

y(k+1) = ( a y(k) +b u(k) +v(k+1) +d v(k)

1 1 1

(3.60)

aplicando la esperanza

E{y (k +1)}= E{ a y(k) + bu(k) + v(k +1) + d v(k) 1 1 1 = E{ y(k) +b u(k) a 2} + d v(k) + 1 1 1 E{2( y(k) +b u(k) + d v(k)) v(k +1)} + a
1 1 1

(3.61)

Ev 2(k +1)}
El segundo trmino del lado derecho de la igualdad es cero porque v(k+1) es independiente de las otras variables, por lo tanto de acuerdo a ecuacin (3.40) y dado que E{v(k + 1}= 0 , entonces

65

E{2 ( y(k) +b u(k) +d (k) ) v(k+1) }= E{2 ( y(k ) +b u(k) +d (k))}E v(k+1)}= 0 a a
1 1 1 1 1 1

es correcto decir que

E{ 2 (k+1) } Ev 2(k+1) } y
dado que el primer trmino del lado derecho de la ecuacin (3.61) es siempre positivo. La mnima varianza se logra para

(3.62)

E{y

(k+1) }= Ev 2(k+1) }

(3.63)

y ello se logra haciendo el primer trmino del lado derecho de la ecuacin (3.61) igual a cero , es decir

y(k) +b u(k) +d v(k) = 0 a

1 1 1

despejando u(k) tenemos

a y(k) d v(k) u(k) =

1

b1

(3.64)

Como se cumple para todo k, entonces tambin se cumple para

E{ y 2 (k )} = Ev 2(k) }
esto implica que es vlido asumir

(3.65)

y(k) = v(k)
finalmente tenemos que la ley del control es

(3.66)

u(k) =

a d
1

y(k)

(3.67)

y la funcin de transferencia del controlador de varianza mnima,

GCVM

(z) , es
(3.68)

GCVM (z) =
cuando

d a 1 1 b1

Re f (z) = 0

En figura 3.15 se muestra la implementacin del controlador

66

PROCESO CONTROLADOR GCVM(z) Ref(z)=0 v(z) ruido blanco u(z) 1+d1z-1 1+ a1z-1 b1z-1 1+ a1z-1 n(z)

+ +
y(z)

+ -

d1-a1 b1

Figura 3.15 Controlador de varianza mnima del ejemplo 3.8 (b) Para ver la salida controlada, reemplazamos el u(k) de la ecuacin (3.60) por el u(k) de la ecuacin (3.67) y nos da

y(k+1) +d y(k) = v(k+1)

1

+d v(k)
1

(3.69)

aplicando transformada z

z + d1 y(z) = =1 v(z) z+ d1
es decir

(3.70)

y(k ) = v(k ) , que coincide con la ecuacin (3.66).

3.6 CONTROLADOR DE VARIANZA MINIMA GENERALIZADO A continuacin se desarrolla el control de varianza mnima generalizado, GCVM ver figura 3.15. Este desarrollo es una extensin del ejemplo 3.9 De figura 3.14 y ecuaciones (3.52) y 3.(53) tenemos

(z), con Re f (z) = 0

y(z) =
sacando factor comn
*

B(z) D(z) zd u(z) + v(z) A(z) C(z)

(3.71)

A (z) y(z) = B (z) zd u(z) + D (z)v(z)

donde

(3.72)

A*(z)= A(z)C(z = 1+ a1*1 + a2z2 z ++ am )

1 2

m *

B*(z)= B(z)C(z) = D*(z)= D(z) A(z)

con

b1*z
1

+b2z

++bm z
*

(3.73)
m

= 1+ d1*z + d2z ++ d m z

m = 2n

67

OBS: En el caso de que C(z)

= A(z) , en la ecuacin (3.72) se tiene A B

* * *

(z) = A(z) (z) = B(z)

(3.74)

D (z) = D(z)
Con retardo, el criterio de la ecuacin (3.59) cambia a

J= E {y
La transformada z de

(k+d+1) }
d+1

(3.75)

y(k + d + 1) es z
*

y(z) . De ecuacin (3.72) se obtiene y(z) por lo tanto

*

D (z) d+1 z) z d+1 y(z) = B * (z) zu(z) + z v( A (z) * A (z) B*

*

(3.76)

Al igual que la parte (b) del ejemplo3.9, la varianza de la ecuacin (3.75) se puede descomponer en ternimos conocidos y desconocidos. El trmino

(z) zu(z) contiene trminos presente y pasados, por lo tanto son

A (z) D * (z)
todos conocidos. Nos queda por analizar el trmino divisin de polinomios puede expresarse como
* d+1

A (z)

v(z) . Del ejemplo 1.13 vimos que la

D (z) = cuociente resto * * + A (z) A (z)

(3.77)

y existen infinitas formas de representar el resultado dependiendo de numero de terminos que se desea para el cuociente. Sin embargo nos sinteresa aquel cuociente y resto tal que en

D (z) z d+1 v(z) se puedan * A (z)

distinguir y separar los trminos futuros (desconocidos) de los no futuros (presente y pasados conocidos). El siguiente ejemplo nos ayudar a encontrar estos trminos Ejemplo 3.10 Efectuar la divisin Solucin

D (z) A (z)
*

para que resulten dos trmicos en el cuociente

Usando lo polinomios de la ecuacin (3.73) tenemos que la divisin es

68

* (1+ d * z 1 + d* z 2 ++ d z m ):(1 + a* z 1 + a* 1 2 m z * 1 * 2 * m 1 2

++ a z
m

) = 1+ (d a
1

* 1

)z

1 a z a z + a z 1 2 m 0 + (d * * ) z 1 + (d* *) z 2 ++ (d* a a a 1 1 2 2 z * * 1 * *
* m 2 *

)
*

m * m * * * +1) (m

(d
1

a
1

)z

a
1

(d a
1 * 1

)z
* *

a
*

(d a
m 1 2 1 1

)z
* m *

a
m * 1

(d a )z
1 1 (m+1)

)z

donde

* (d 2 a z

(d a
1

))

+ a
1

(d a
1

1 * *

cuociente = 1+ (d ) z a
1 1

(3.78)

resto = (d

* 2

* 2

(d )) z a a
1 1 1

+ a

* m

(d ) z a
1 1

(m+1)

(3.79)

El resultado del ejemplo 3.10 lo podemos generalizar para p trminos en el cuociente, a saber

D*(z)

= 1+ f1z ++ f z
p

1) (p

l0z +

++l
2

m 1

(m+p 1) * m

(3.80)

por lo tanto

A*(z)
*

1+ a1*z

+ a2z ++ am z

d+1 d D (z) z d+1 v(z) = z v(z) + f z v z + * A (z) d +1 p

+ f pz

d p+

vz + ) () (1
2

(3.81)

* d p +2 m

l z v(z) ++l z 0 m 1 * 1+ a1z 1 + a z + +

**

v(z)

observese que si

d p + 2 = 1, o sea p = d + 1, se distinguen claramente los trminos

futuros de

v(z)(*) de los no futuros (presente y pasados) (**). En este caso la ecuacin (3.81 ) se puede expresar como
* L(z) d+1 D (z) z d+1 v(z) v(z) = F(z) z v(z)+ * *

(3.82)

A (z)
con

A (z)
1 d

F(z) = 1+ f1z
1

++ f d z

(3.83) (3.84)

1) (m

L(z) =
dividiendo por

+l z

m 1

++l z

v(z) la ecuacin (3.82) y acomodando los terminos se obtiene la siguiente identidad

69

* D * (z) = F (z) A (z) + z( d+1) L(z)

(3.85)

sustituyendo la ecuacin (3.82) en la ecuacion (3.76) se tiene

* L(z) z d +1 y(z) = B * (z) zu(z) + F(z) zd +1 v(z) + v(z) *

(3.86)

A (z)
separando los trminos conocidos y desconocidos , tenemos

A (z)

z
donde

d+1

y(z) = H(z) + R(z)

(3.87)

d+1

(3.88)

H(z) = F(z) z
contiene los trminos desconocidos y
*

v(z)

(3.89)

R(z) = B (z)
*

zu(z) +

L(z) A (z)
*

v(z)

contiene los trminos conocidos

A (z)

Ahora podemos evaluar la esperanza de la ecuacion (3.75 ), o sea

E{y (k + d + 1)}= E{H(k) + R(k)

2 2

}
2

(3.90)

E{y (k + d + 1)}= E (H(k))

}+E{2H(k)R(k) }+E(R(k))

(3.91)

El segundo termino del lado derecho es igual a cero es E{H (k)}=

E{y

0 (ver ejemplo 3.9), por lo tanto

(k + d + 1)}= E(H(k))

}+E(R(k)) }

(3.92)

la mnima esperanza ocurre para

E (R(k)) 2 = 0 }
o sea de ecuacin (3.89 )

(3.93)

B * (z) A (z)
*

L(z) zu(z) + A (z)

*

(3.94)

v(z) = 0

despejando v(z) de ecuacin (3.72) y reemplazando en ecuacin ( 3.94 ) obtenemos

70

L(z) B (z) u(z) = 0 B (z) zu(z) + L(z) * y(z)

* * *

(3.95)

A (z)
reagrupando trminos

D (z)

A (z) D (z)

(3.96)

L(z) y(z) + B (z) D (z) z L(z) z * * * D (z) D (z) A (z)

u(z) = 0

reemplazando el trmino entreparentesis por la identidad de la ecuacin (3.85) se tiene

L(z)
*

y(z) = B (z) zF(z) u(z)

*

(3.97)

D (z)

D (z) L(z)
*

finalmente la ley de control de varianza mnima es

u(z) =

y(z)

(3.98)

zB (z) F(z)
y el controlador de varianza mnima generalizando, GCVM

(z) , es

CVM

(z) =

L(z) zB *
(3.99)

(z) F(z) B (z) y D (z) deben estar

De figura 3.15 tenemos que (3.100)
* *

Limitaciones del controlador dentro del circulo unitario

Para la estabilidad los ceros de

Obtencin de la salida con controlador de varianza mnima

D(z) Gv (z) y(z) = 1+G (z)G (z) = v(z) CVM p

de ecuacin (3.73)
*

A(z) 1+ L(z) B zB*(z) A z

d

y(z) v(z) =

D (z) * A (z) * 1+ L(z) B * (z) * zB (z) A (z)

= z
d

zD (z) F(z) zF( z) A (z) + zdL(z)

*

(3.101)

reemplazando

D (z) por la ecuacin (3.85)

71

y(z) (zF(z) A * (z) + zdL(z)) F(z) = = F(z) * v(z) zF(z) A (z) + zdL(z)

(3.102)

Ejemplo 3.11 De acuerdo a figura 3.14, sea el siguiente proceso

Gp

(z) =

z + 0.5 z
1

2 2

1 1.7 z + 0.7 z G (z) =

v

1 0.9 1 z 1.7
1

z
2

+ 0.7 z

con

v(z) ruido blanco de media cero y esperanza

=2 a) Determine la varianza en la salida con u(z) = 0 , es decir sin control de varianza mnima b) Disee el controlador de varianza mnima, GCVM (z)
c) Obtenga la varianza en la salida en lazo cerrado Solucin a) al hacer

u(z) = 0 , se debe analizar entonces la siguiente funcin de tranferencia y(z) v(z) = 1 z 0.9 1 z 1.7
1 1

G (z) =
v

+ 0.7 z

en el ejemplo 3.8 tenemos este mismo caso por lo tanto

var(y) = ry(0) =
b) vemos que

A(z) =
*

C(z) = 1 z 1.7
1

+ 0.7 z
2

B (z) = B(z) = z + 0.5 z D (z) = D(z) = 1 0.9 z d =1

falta por determinar los polinomios
* 1

F (z) y L(z) . De ecuaciones (3.83) y (3.84)

1 1

F(z) = 1+ f1z L(z) = l +l z

0 1

de la ecuacin de identidad (3.85) tenemos

72

1 z 0.9

= (1+ f z ) (1 1.7 z
1

+ 0.7 z ) +z

(l +l z )
0 1

igualando coeficientes se obtiene

f1 = 0.8 l0 = 0.66 l1 =0.56

Por lo tanto el controlador de varianza mnima resulta

G
CVM

(z) =

0.66 0.56 z 1+1.3 z

1

+ 0.4 z

b) De ecuacin (3.102) tenemos {

E{ 2 2 2 y (k )}= E (F(k) v(k)) }= (1+ f1 ) Ev 2(k) }= 3.28

EJERCICIOS 1.- Sea

u una seal de voltaje. Demuestre que

u( ) es una densida espectral de potencia de

u y no

una densidad espectral de tensin. 2.- Sea a) b) c)

x( ), donde x es seal cualquiera. Demuestre que x( ) es real x( ) 0 x() = ()

3.- La salida de un proceso estocstico tiene el siguiente espectro

u ()
Determine 4.- Sea

1.25+ cos 1.64+1.6 cos

G p (z) del proceso. e(z) 1 = 1+cz u(z)

H(z) =
Demuestre que

u(k) = ( c)
n= 0

e(k n)

73

5.- Sea el siguiente lazo realimentado

PROCESO v(z) ruido blanco 1+0.5 z-1 1-0.25 z-1+0.5 z-2 z-1 n(z)

CONTROLADOR Ref(z)=0

+ +
y(z)

u(z) K

1-0.25 z-1+0.5 z-2

v(z) ruido blanco con E{v(k)}= 0 y Var{v(k)}= 1 a) Determine la varianza a la salida del proceso b) Para qu valor de K se obtiene mnima variamza ?
6.- Sea el siguiente proceso
2 z+0.2 2 z+1.8

u(z)

y(z)

u(k ) = 10 k. Determine y(k) b) Si se le superpone ruido en a) tal que Var{u(k )}= 1 . Determine Var{y(k )} c) Grafique u(k ), y(k) de b)
a) Si 7.- Sea el siguiente proceso
g(z) + + u(z) z-1 1-0.5 z-1

1 y(z)

Se sabe que la densidad espectral de g(z) esta dado por Disee el controlador de varianza mnima 8.- Dado el siguiente proceso

g () =

1 1.25+ cos

y(k) 1.5 y(k 1) + 0.7 y(k 2) = u(k 2) 0.5 u(k 3) + v(k)

Disee a) Control de varianza mnima para v(k )

= e(k ) 0.2 e(k 1) con e(k ) ruido blanco

74

b) Control de latido muerto con v(k) c) Encuentre la varianza de

= 0

y(k ) para a) y b). Compare

9) Sea el siguiente proceso

PLANTA

y 2 1.26

En el tiempo t = 0 se aplica un escaln unitario y la salida, en ausencia de ruido, se muestra en la figura. Disear uin controlador de varianza mnima. Considere la funcion de ruido como el siguiente 1 Gv
(z) = A(z)

exponencial

con E{v(k)} = 0 y Var{v(k)} = 1

21

Considere el tiempo de muestreo la cuarta parte de la constante de tiempo de la exponencial

75

4 CONTROLADORES AVANZADOS

4.1 INTRODUCCION En procesos complejos , se requiere de controladores ms avanzados que los vistos hasta ahora para cumplir las exigencias de produccin y calidad de los productos. Entre estos controladores destacaremos dos: 1) Control Adaptivo y 2) Control Fuzzy 4.2 CONTROL ADAPTIVO El control adaptivo consiste en un controlador en lazo cerrado (como los vistos hasta ahora) que van modificando sus parmetros en tiempo real segn las variaciones y condiciones de la planta, es decir se va adaptando a las circunstancias de la planta. Para captar las variaciones de la planta se recurre a la identificacin de sistemas, pues permite estimar los parmetros de la planta en forma recursiva. En figura 4.1 se muestra el esquema general del control adaptivo.

CALCULO PARAMETROS CONTROLADOR

ESTIMACION DE PARAMETROS

Ref(z)

+ -

CONTROLADOR

PROCESO

y(z)

Figura 4.1 Control adaptivo Aqu para obtener la identificacin de parmetros no basta con medir las seales de entrada y salida como en el captulo anterior por la siguiente razn: Sea el proceso descrito por la siguiente expresin en el dominio -z

A(z) y(z) = B(z) u(z) + D(z) v(z)

y el controlador dado por

(4.1)

76

Gc (z) =

Q(z) P(z)

(4.2)

Para facilitar el anlisis sea la referencia argumentos tenemos que

Re f (z) = 0 . Insertando la ecuacin (4.2) en (4.1) y omitiendo los Q P

(4.3)

A y = B(

) y+ Dv

Agregando a esta ecuacin un polinomio arbitrario , S (z) , tenemos que

(A+S) y = B(

Q P

) y+S y + Dv

(4.4)

(A+S) y = (B S

P Q

) (

Q P

y)+Dv

(4.5)

lo cual da

Q (A+S) Q y = (BQ P) ( y) S + A* B* P u

(4.6)

DQv D*

A*y = B*u+ D *v
Esto demuestra que que el proceso B y el ruido D pueden ser reemplazados por

(4.7)

A B*
*

A BQ P S AQ +SQ
(4.8)

A
y

D* A
*

DQ =

(4.9)

AQ +SQ respectivamente sin cambiar las seales u(k) e y(k) . Como S (z) es arbitrario, los ordenes de A yB no pueden determinarse nicamente basados en la medicin de u(k) e y(k) . Por lo tanto existen infinitas estructuras que dan idnticos resultados para las seales u(k) e y(k) . Para obviar esta situacin es
necesario inyectar una pequea seal de ruido a la entrada del proceso, no correlacionada con ninguna seal de proceso, de manera que no se cumpla la relacin (4.9), de lo contrario ( o sea, sin seal externa) es necesario, pero no suficiente, conocer previamente los ordenes del proceso y el retardo. Sin embargo en

algunas controles adaptivos empricos, una estimacin sesgada puede funcionar adecuadamente.

77

Ejemplo 4.1 Sea el proceso del control adaptivo de la figura 4.1 dado por el proceso de la figura 4.2
PROCESO v(z) ruido blanco u(z) D(z) A(z) B(z) A(z)

n(z)

z-d

y(z)

Figura 4.2 Proceso de la figura 4.1 y el controlador de la figura 4.1 de parmetros constantes y conocidos, de los polinomios de

Gc (z) =

Q(z)

. Sean los ordenes

A(z), B(z), D(z), Q(z) y P(z)

P(z) ma,m b,m d,m y m respectivamente.

a)

Basta conocer los ordenes del proceso y retardo para poder estimar correctamente los parmetros a y b de la planta?
i i

b) Sea el proceso dado por

y(k) = a y(k 1) + b u(k 1) + v(k)

analice si el proceso es identificable para los siguientes controladores b1) b2) Solucin

(4.10)

u(k) = q0y(k) u(k) = q y(k) y(k q 1)

0 1

a) Si la referencia es igual a cero entonces

1 m

y(z) v(z) =

D(z) P(z) A(z) P(z) + B(z) zd Q(z)

1+ 1+

z z
1

++ ++

z z
m

(z) = (z)
(4.11)

los ordenes

m y m conocidos y corresponden a

m = max[ma+m , mb+m + d]

m = md+m

(4.12)

y(k) y siguiendo el procedimiento de estimacin de parmetros con MATLAB dado en el captulo anterior, se puede estimar los parmetros i y .
Entonces mediante slo la data de salida
i

A(z) y D(z) no tienen factor comn, entonces es posible estimar los a travs del polinomio (z) , si
Si

m +m del proceso,
a b

max [m +m,m
a b

+m +d ] m +m
a b

(4.13)

78

o sea para ser completamente identificable es necesario que se cumpla que

m mad

(4.14)

m m

(4.15)
b

b). para que se cumpla la identificabilidad, debe cumplirse la ecuacin (4.14), por lo tanto b1) Para este controlador se tiene que condicin ya que m =

1 ym= 1
b

m = 0 y m = 0 , por lo tanto no se cumple la

y por lo tanto no es identificable. Para verificar esto,

multipliquemos la ecuacin del controlador por

, o sea
(4.16)

u( k) = q 0 y(k)

u(k = q 0 y(k 1) 1)
sumando esta ecuacin a la ecuacin (4.10) tenemos

(4.17)

y(k) = (a+ q 0 ) y(k + (b) u(k +v(k) 1) 1)

Para estimar

(4.18)

a y b es necesario estimar

(a+ q

)y (b ) respectivamente y

tenemos tres incgnitas y vemos que no existe solucin nica, es decir existen infinitas soluciones b2) Para este controlador se tiene que

m = 1 y m = 0 , por lo tanto se cumple la

condicin (4.14) y por lo tanto es identificable. Para verificar esto, multipliquemos la ecuacin del controlador por , o sea

u(k) = q y(k) q
0

y(k 1)

u(k = q y(k q 1) 1)
0

y(k 2)

sumando esta ecuacin a la ecuacin (4.10) tenemos

y(k ) = (a+ q ) y(k 1) q

0 1

y(k + (b) u(k +v(k) 2) 1)

79

Para estimar

b es necesario estimar

(a+ q ),
0

q
1

(b )

respectivamente y tenemos tres incgnitas y tres ecuaciones por lo tanto existe solucin nica, es decir es identificable.

4.3 CONTROL FUZZY En el pensamiento cientfico tradicional, la comprensin de un fenmeno se mide por la capacidad de analizarlo en trminos cuantitativos. Sin embargo, a medida que la complejidad crece, disminuye la posibilidad en hacerlo en los mismos trminos, es decir, ya no es posible hacer afirmaciones precisas y significativas sobre su comportamiento. Esta imprecisin dio origen al control FUZZY control Difuso. Su premisa se basa en que los elementos claves del razonamiento humano no son precisamente elementos exactos sino conceptos imprecisos, de all su nombre FUZZY Difuso. Aprovechando la capacidad del cerebro humano, en el sentido que no slo puede trabajar en trminos cuantitativos sino que tambin cualitativos, es que permiti desarrollar esta teora.

Zadeh (1973) inicia el desarrollo de la teora de conjuntos difusos. Desde ese momento diversos autores contribuyen a crear la teora del control difuso. Especficamente, se introducen las tcnicas basadas en reglas como una forma de captar la experiencia humana y de tratar las incertidumbres. Sea el conjunto de la figura 4.3

papa

martes mesa sabado silla domingo viernes manzana

Figura 4.3 conjunto de cosas conceptos La pregunta es : Seleccione los das de la semana. La respuesta obvia es : martes, sbado, viernes y domingo . Es decir tal como se muestra en la figura 4..4

80

papa

martes mesa sabado silla domingo viernes manzana

Figura 4.4 Conjunto de los das de la semana Si ahora nos preguntamos Cules son los das de fin de semana?. Para muchos el fin de semana comienza el viernes, e incluso hasta el lunes por la maana, por lo tanto la respuesta se muestra en la figura 4.5

papa

martes mesa sabado silla domingo viernes manzana

Figura 4.5 Pertenencia parcial del da viernes al fin de semana Como una forma de cuantificar esta situacin, sea verdadero = 1 y falso =0. Entonces, las preguntas que surgen son las siguientes: Es sbado fin de semana? Respuesta: 1 Es martes fin de semna? Respuesta: 0 Es viernes fin de semana? Respuesta: 0.8

81

Es domingo fin de semana? Respuesta: 0.95 Un diagrama de esta situacin se muestra en la figura 4.6

Jueves

viernes sabado domingo

Figura 4.6 Esquemtico del fin de semana

lunes

Un enfoque intuitivo lgico es: Sea A el conjunto de los das de fin de semana y x la variable que representa un da de la semana. Entonces frente a la pregunta Es x miembro del conjunto A ?. La respuesta es que x puede pertenecer parcialmente al conjunto A . Si pertenecer al conjunto A completamente se le asigna un 1, y total ausencia un 0, vemos que la respuesta es que x puede pertenecer parcialmente al conjunto A . En la figura 4.7 se representa en forma continua.

0 Jueves viernes sabado domingo lunes

figura 4.7 curva de pertenencia de fin de semana Ejemplo 4.2 Trace una curva de pertenencia para ubicar los meses de las estaciones del ao solucin En figura 4.8 se muestra una curva lgica de pertenencia

82

verano

otoo

diciembre

marzo

mayo

junio

Figura 4.8 Curva de pertenencia de las estaciones del ao Sabemos que una caracterizacin clsica de un conjunto es, por ejemplo, el siguiente:

A= {x/ x 6}
La caracterizacin de un conjunto fuzzy es una extensin del conjunto clsico. De manera que si X es el universo de discusin, y sus elementos se asignan por x , entonces un conjunto fuzzy de X es definido como un par ordenado

(4.19)

A = {x,A(x)/ x

X}

(4.20)

donde A(x) se denomina grado de pertenencia funcin miembro de x en A . Cada elemento de x se mapea a un valor comprendido entre 0 y 1. Existen varias curvas formas de mapeo. La intuicin heurstica sugiere las formas de la figura 4.9.

triangular

trapesoidal Figura 4.9 Formas de pertenencia

gauss

Podemos concluir que los conjuntos fuzzy describen conceptos vagos (ms rpido, muy alto, ms caliente, Un conjunto fuzzy admite que un elemento pertenezca parcialmente a l. Recordemos que la lgica clsica permite hacer, por ejemplo, el anlisis de la figura 4.10.

etc.).

83

Figura 4.10 conjunto clsico la lgica dice: Si x

B yx

C entonces x

Ejemplo 4.3 Seleccionar los hombres que cumplan dos caractersticas simultneamente, a saber , Los hombres altos y de raza blanca. Solucin Un mtodo de anlisis es escoger tres conjuntos: El conjunto de altura A , el conjunto de raza B y el conjunto de altura ms raza R . Los conjuntos se pueden asignar de la siguiente manera:

Alto 1 A= Bajo 0 Blaco 1 B= Negro 0 Alto y Blanco 1 Bajo y negro 0

Si x es bajo y Negro, entonces R = Si x es bajo y Blanco, entonces R = Si x es alto y Negro, entonces R = 0 Si x es alto y Blanco entonces R = 1 La tabla de verdad es A 0 0 1 1 B 0 1 0 1 R 0 0 0 1

R =

0 0

84

En la figura 4.11 se muestra la tabla mediante seales en el tiempo

R
Figura 4.11 el ejemplo mediante seales Para expresarlo en conjunto fuzzy, el ejemplo se transformara en la siguientes seales de la figura 4.12

R
Figura 4.12 relacin de pertenencia para conjunto fuzzy Ventajas del control Fuzzy Es amigable en su concepcin y diseo No necesita sintonizarse para distintos puntos de operacin como ocurre con el PI Funciona adecuadamente en un amplio rango de operacin Permite abordar fcilmente los imprevistos

Desventajas del control fuzzy No existe criterio definido para seleccionar los conjuntos Fuzzy Tampoco existe un criterio para atribuir formas de onda a las funciones de pertenencias Tampoco hay un criterio para asignar el grado de traslape L formacin de la tabla es subjetiva No existe un procedimiento sistemtico para el diseo de controladores Fuzzy Se requiere bastante consumo de tiempo en pruebas y errores finales El software es ms grande que su contraparte PI.

El control fuzzy en procesos reales se estructura de acuerdo a la figura 4.13

85

Base del conocimiento Etapa Fusificacin Motor de inferencias Proceso Etapa de Defusificacin

Figura 4.13 Esquema de un control difuso Para explicar cada bloque se presentar el siguiente ejemplo Ejemplo 4.6 Simular un control PI standard por un control difuso. El corazn del bloque "control basado en el mtodo difuso" es la base del conocimiento a partir de un PI standard. Solucin Como experto en controladores PI clsico elaboramos la BASE DEL CONOCIMIENTO. Sabemos que su comportamiento es como se muestra en la figura 4.14 :

1/4 Ref

Tiempo
Figura 4.14 Funcionamiento tpico de un r PI Podemos dividir la seal por zonas, de acuerdo al error y la derivada del error, figura 4.15 tal como se muestra en la

Ref

e=(ref-out)

a1 e(t) de(t) dt + -

a2 a3 a4 a5 a6 - - + + - + + - Tiempo

Figura 4.15 Dividendo la curva en zonas

86

Analizando la figura podemos deducir lo siguiente: 1) Si e(k ) y

de(k ) son cero: entonces se mantenga el control constante. u = 0 dt

Esto ocurre en cuando salida es igual a la referencia en estado estacionario 2) 3) Si e(k ) tiende a cero con velocidad aceptable: se mantenga el control u = 0 Esto ocurre en la zona a1 y a3 Si e(k ) no est tendiendo a cero, la accin de control depender del signo y magnitud del

e(k ) y

de(k ) dt

. En zona a2

u < 0 , en zona a4 u > 0

La grfica del error y la derivada del error se muestra en la figura 4.16

de dt

a1

a2 a3 a4

Figura 4.16 error y derivada del error La caracterizacin de zonas o sectores es la siguiente:

a1 = e > a2 = e < a3 = e < a4 = e >

0,

< 0 dt de 0, < 0 dt de 0, > 0 dt de 0, > 0 dt de

Las alternativas de las pendientes en los puntos A y B de la figura 4.14 se muestran en la figura 4.17

87

b Ref b
1

2 3

b 4 b 5 b 6

Figura 4.17 Pendientes en dos puntos de la curva La caracterizacin en funcin de velocidad y sentido es la siguiente:

b1 = e = b2 = e = b3 = e = b4 = e = b5 = e = b6 = e =

de 0, <<< 0 dt de 0, << 0 dt de 0, < 0 dt de 0, > 0 dt de 0, >> 0 dt de 0, >>> 0 dt

Los valores mximos y mnimos con respecto a la referencia se muestran en la figura 4.18

c Ref

c2
1 3

c4 c
6

c5

Figura 4.18 Valores mximos y mnimos La caracterizacin de los sobreimpulsos es la siguiente

88

de c1 = = 0, e <<< 0 dt de c2 = = 0, e << 0 dt de c3 = = 0, e < 0 dt de c4 = = 0, e > 0 dt de c5 = = 0, e >> 0 dt de c6 = = 0, e >>> 0 dt

De este anlisis emprico, podemos interpretar a los las variables difusas. NG: Negativo Grande NM: Negativo Mediano NP: Negativo Pequeo CE: Cero PP: Positivo Pequeo PM: Positivo Mediano PG: Positivo Grande

a ,b y c como rangos imprecisos, lo cual da origen a

i i i

El encasillamiento de una variables de ingeniera (por ejemplo voltaje) a una variable difusa (por ejemplo NG), se denomina FUZIFICACIN. Podemos construir la siguiente matriz de Estados en funcin de

e(t) y

de dt

89

e(t) NG NG NM de dt NP CE PP PM PG a a a c1 a a a
3 3 3 2 2 2

NM a a a c2 a
3 2 2 2

NP a a a c3 a
3 3 3 2 2 2

CE b b b
1 2 3

PP a a a
1 1 1

PM a a a
1 1 1

PG a a a
1 1 1

CE c4 b b b
4 5 6

c5 ca 6
4

4 4 4

a3 a a3 a

a4 a a4 a

a4 a4

En base a nuestra experiencia con controladores PI podemos construir en forma gruesa las siguiente acciones de control.

e(t) NG NM NP CE PP PM PG NG NM de dt NP CE PP PM PG

U< 0 U< 0 U =0

U < 0

U =0 U>0

U > 0

U >0

precisando este arreglo podemos construir los estados de la accin de control MOTOR DE INFERENCIA de la figura 4.19. Esta tabla es conocida en la literatura como tabla de 49 reglas

90

e(t) NG NG NM de dt PM NP CE PP PM PG NM NP CE PP PM PG NG NG NG NG NM NP CE NG NG NM NM NP CE PP NG NM NP NP CE PP

NM NM NP CE PP PM PM NM NP CE PP PP PM PG NP CE PP PM PM PG PG CE PP PM PG PG PG PG

Figura 4.19 Tabla de inferencia

Una asignacin razonable de funciones de pertenencia para

e y

de dt

se muestra en la figura 4.20

ui

(e) u (de)
i

NG NM NP CE PP PM PG
0,8 0,2

de=e(k)-e(k-1) e, de dt

1 -1

-2/3 -1/3 1/3 2/3 i es una variable fuzzy =[NG,NM,NP,CE,PP,PM,PG]

Figura 4.20 Funciones de pertenencia

Una vez inferida la variable de salida, es necesario convertir la variable difusa du en un valor ntido. este conversin se denomina DEFUSIFICACION .

91

Al entrar el valor de e y

de dt

a la tabla de inferencia de la figura 4.18 , siempre interceptar dos curvas para

de e y dos curvas para dt

, por lo tanto el anlisis involucra a 4 celtas de la tabla sea a 4 curvas de la figura

4.19. En figura 4.21 se muestra el anlisis completo para e

= 0.8 y

de 8 = dt 30

(- 0.26667)

ui(e)
1 0,6 0,4 0,6 0,4 0,2

PM

PG u'i(du)

1/3

2/3

PP du
1/3 2/3 1

0,8

NP CE
1

ui(de)

0,2 -2/3 -1/3 1/3

de donde wi=mn[ ui(e) , ui(de)] [ 0,6, 0,8 ]= 0,6 Figura 4.21 Deduccin de la variable de control

u'i(du)= mn[wi , ui(du)]

Finalmente los cuatro anlisis anteriores se traducen en la siguiente relacin, para obtener la variable de control denominada de medida mxima modificada.

du=(0,6)(1/3)+(0,2)(2/3)+(0,2)(2/3)+(0,4)(2/3)=0,52 0,6+0,2+0,2+0,4 EJERCICIOS 1) Demuestre que una realimentacin de bajo orden introduce dependencia lineal en la matriz 2) T Obtener el du del controlador fuzzy , emulando un PID, en el punto indicado en la grfica para una tabla de 25 implicancias, con conjunto fuzzy: NG,NM,CE,PM,PG

92

y Ref = 1 t
3

derror

error NG NM CE PM NG NG NG NM NM CE NM NG NM NM CE PM CE NM NM CE PM PM PM NM CE PM PM PG PG CE PM PM PG PG

PM

0.5

3)
Usando una tabla de 25 reglas determinar la variacin de la variable de control u en el instante t 1

e
NG NG NM NG NG NM NM CE NM NG NM NM CE PM CE NM NM CE PM PM PM NM CE PM PM PG PG CE PM PM PG PG

y 1 0.1 0.2 0.7

de

CE PM PG

t1

4) a) Evale el programa para error = 0.6 b) Evale el programa para error = -0.1 c) Explique qu hace el programa si: NG = 1 NM = 2 NP = 3 CE = 4 PP = 5 PM = 6 PG = 7 FOR i=1 TO 7 fe(i,1) = 0 fe(i,2) = 0 NEXT i error = referencia - medicin IF(error < -1) THEN error = -1 IF(error > 1) THEN error = 1 FOR i = 1 To 7 Y = 3 * error + 5 - i IF(Y > 0) AND (Y <= 1) THEN fe(i,1) = i fe(i,2) = Y ELSE Y = -3 * error + i - 3 IF(Y > 0) AND (Y <= 1) THEN fe(i,1) = i fe(i,2) = Y END IF END IF NEXT i

93

5)

Resuelva el ejercicio sobre fuzzy ( o sea encontrar U) explicado en clases pero para e = -0.4 de = 0.1 dt

BIBLIOGRAFA
[1] Ogata K., SISTEMAS DE CONTROL EN TIEMPO DISCRETO, Prentice Hall, 1996 [2] strm K., SISTEMAS CONTROLADOS POR COMPUTADOR, PARANINFO, 1988 [3] sermann R., DIGITAL CONTROL SYSTEMS, Spriager-Verlag, 1981 [4] Oppenheim J.,SIGNALS AND SISTEMS, Prentice Hall, 1985 [5] Ljung L. ,SYSTEM IDENTIFICATION, Printice Hall, 1987 [6] Ljung L., TOOL BOX FOR USE WITH MATLAB, Math Works, 1995