Tema 3

Sebastián Dormido
Dpto Informática y Automática

ETS Ing. Informática, UNED
sdormido@dia.uned.es
Área de Ingeniería de Sistemas y Automática

Universidad nacional de Educación a Distancia Departamento
Departamento de Informática
de Lenguajes y Automática
y Computación
Tema 3
Modelado y simulación
3.1. Modelado de sistemas

3.2. Simulación
3.3. Clases de modelos usados en control automático
3.4. Linealización de modelos no-lineales
3.5. Modelado de sistemas físicos
3.5.1. Modelado de sistemas eléctricos
3.5.2. Modelado de sistemas mecánicos
3.5.3. Modelado de sistemas hidráulicos
3.5.4. Modelado de sistemas térmicos
3.6. Resumen de términos y conceptos analizados
Universidad nacional de Educación a Distancia Departamento de Informática y Automática
3

En los dos temas anteriores se ha expuesto que el control automático se
centra en una clase de sistemas denominados sistemas dinámicos, cuya
forma natural de representación matemática son las ecuaciones
diferenciales en el caso de tiempo continuo o las ecuaciones en
diferencias finitas en tiempo discreto.
En el caso de sistemas lineales invariantes en el tiempo, que son los

tratados en este curso, las ecuaciones diferenciales serán lineales
ordinarias de coeficientes constantes. A partir de esta representación, se
han establecido dos tipos de descripciones:
-La descripción externa, que se materializa en la función de
transferencia, que proporciona una relación directa entre las entradas y
las salidas del sistema.
-La descripción interna, que proporciona una relación indirecta entre las
entradas y las salidas del sistema a través de los estados.

Estas descripciones constituyen los modelos fundamentales de
sistemas dinámicos que se pueden usar para simular y predecir el
comportamiento de los sistemas representados por dichos modelos.
Un modelo es por tanto una representación simplificada o abstracción

de un sistema real, un proceso o una teoría, con el que se pretende:
• Aumentar su comprensión.
• Hacer predicciones.
• Diseñar un sistema de control.
Trabajando con modelos se consigue capacitar al usuario para determinar

cómo uno o varios cambios en aspectos del sistema modelado pueden
afectar parcial o globalmente al sistema sin necesidad de probarlo en la
realidad.

5

En control automático nos interesan los modelos que proporcionan una
descripción de la conducta de un sistema usando matemáticas.
Existen otros muchos tipos de modelos (algunos de los cuales también
se usan en control automático con fines de ensayo):
Modelos físicos: Consisten en la representación de sistemas físicos

descritos por variables medibles.
Analógicos Imitación/a escala Prototipos

Modelos mentales: Son procesos heurísticos o intuitivos. Sólo existen en
nuestra mente.
Modelos simbólicos: Incluyen símbolos, junto con operaciones lógicas y

matemáticas que pueden utilizarse para formular una solución de un
problema.
No matemáticos: lingüísticos, gráficos y esquemáticos.
Matemáticos: Utilizan un conjunto de ecuaciones matemáticas.

Son los que más interesan en control automático

7

Ejemplo ilustrativo: modelado de un tanque
¿Cómo podríamos saber a qué altura

llega el nivel del tanque cuando
fijamos un determinado caudal a la
entrada?
-Si no existe el tanque

-Si existe el tanque

Si no existe el tanque → principios de

la Física (balance de masas)
¿Lineal?, ¿variante en el tiempo?, ¿tiempo continuo?, ….

9

Si existe el tanque → experimentación

(poner el caudal deseado y ver qué pasa)
¿Lineal?, ¿variante en el
tiempo?, …
10

Obtención de modelos a partir de leyes físicas
(ecuaciones diferenciales, ecuaciones en diferencia,
ecuaciones en derivadas parciales, etc.).
Obtención de modelos a partir de datos

experimentales (ensayos hechos al sistema): modelos
lineales (respuesta a escalón, impulso, etc.), modelos
no lineales (con no-linealidades estáticas, redes
neuronales, etc.).
Distinción tiempo continuo – tiempo discreto

11

Obtención de modelos a partir de leyes físicas
(ecuaciones diferenciales, ecuaciones en diferencia,
ecuaciones en derivadas parciales, etc.).
Modelos basados en primeros principios: Consiste en capturar la dinámica de
un proceso real a partir de los principios físico-químicos que rigen su
funcionamiento.
•Generalmente, se rigen por describir la dinámica del proceso mediante
ecuaciones diferenciales.
•Permite obtener una aproximación con alta precisión del procesos real.
•Son muy útiles para tareas de simulación.
•A medida que se construyen facilitan la compresión del proceso real y los
distintos subprocesos que lo componen.
•En ciertas ocasiones es muy complicado obtenerlos e incluso a veces es
imposible debido a la falta de conocimiento de los principios fisico-químicos que
describen el proceso.
12

Obtención de modelos a partir de datos experimentales
(ensayos hechos al sistema): modelos lineales (respuesta a
escalón, impulso, etc.), modelos no lineales (con no-
linealidades estáticas, redes neuronales, etc.).
Modelos empíricos: Consiste en capturar la dinámica de un proceso real a través

de ensayos a partir de los cuales se obtienen modelos dinámicos típicos
conocidos (funciones de transferencia). La necesidad de modelos empíricos
viene dada por:
•El mejor de los modelos teóricos es sólo una aproximación a la realidad.

•Puede ser que el modelo teórico sea muy complicado.
•Puede que no se conozca los principios físico-químicos que rigen su
funcionamiento.
•Puede trabajar de forma distinta en distintas condiciones por lo que habría que
realizar un modelo teórico para cada una de ellas.

13

Inconvenientes del uso de los modelos
• Un modelo siempre es una simplificación de la realidad (se suelen

despreciar fenómenos locales, se hacen hipótesis o suposiciones
simplificatorias, …)
• No existe garantía de que el proceso modelado produzca resultados
útiles y satisfactorios.
• Pueden no alcanzarse las metas deseadas por falta de recursos o
ingenio.
• Existe una tendencia del investigador o usuario a considerar una
visión particular del problema como la mejor representación del
sistema y puede que no sea cierto.
14

Validación de modelos
• Cuando se desarrollan modelos físicos éstos en general contienen
parámetros cuyos valores son desconocidos.
d
( Ah(t ) ρCpT (t )) = ρ C p Fi (t ) Ti (t ) − ρ C p Fo (t ) T (t ) + Q(t )
dt
• En el caso de modelos basados en ensayos (modelos de caja negra) suelen
ser los coeficientes del modelo los que son desconocidos.
y (k ) = a1 y ( k − 1) + ... + an y ( k − n) + b1u ( k − 1) + ... + bm u ( k − n)
• En ambos casos es preciso generalmente llevar a cabo un proceso de

identificación de esos parámetros y de la validación de los propios
modelos.

15

Criterio de estimación: Dado un conjunto de datos experimentales u(t), y(t),

buscar los parámetros del modelo, θ, que minimizan la función de coste V:
1 N 1 N
V=  e(t ) 2
=  [( y(t) − ym (t,θ )]2
N t =1 N t =1
v
yu y
u Proceso
e(t)
Modelo
ym
m
16

Posibles técnicas para validar modelos son:
• Reexaminar la formulación del problema para detectar posibles errores.

• Comprobar que todas las expresiones matemáticas son dimensionalmente
correctas.
• Modificar las entradas y observar el comportamiento en la salida.
• Utilizar datos históricos para reconstruir el pasado con el modelo y comprobar
la salida real que tuvo el sistema.
• Evidentemente no se deben utilizar los mismos datos que se han usado para
construir el modelo.
• Recurrir a un experto del sistema modelado para que corrobore que las
variables que estima el modelo presentan un comportamiento correcto
17
3.2. Simulación
Simulación: Modelo que se emplea para investigar la conducta de
un sistema utilizando las señales de entrada reales.
Técnica de computación numérica para realizar experimentos

sobre un modelo en un ordenador.
18
3.2. Simulación
Modelado Simulación
• Relaciona • Construcción del modelo
• Valida • Experimentación
MODELO
SISTEMAS COMPUTADOR

19

Etapas de un proyecto de modelado
Formalizar los objetivos de modo que sean precisos,
Formulación del Problema razonables, comprensibles y medibles.
Especificación del modelo a partir de las características de los
Diseño del Modelo Conceptual elementos del sistema a estudiar y sus interacciones teniendo
en cuenta los objetivos del problema
Identificar, recoger y analizar los datos necesarios para el
Recogida de Datos estudio. Cuestionar toda información disponible (usuario).
Construcción del modelo de simulación partiendo del modelo
Construcción del Modelo conceptual y de los datos
Comprobar que el modelo se comporta como es de esperar y
Verificación y Validación que existe una correspondencia adecuada entre el sistema real
y el modelo
Analizar los resultados de la simulación con la finalidad de
Análisis detectar problemas y recomendar mejoras o soluciones
Documentación Introducción, objetivos, hipótesis, descripción física del

sistema, modelo, análisis de experimentos, conclusiones)
Poner en práctica las decisiones efectuadas con el apoyo del
Implementación estudio de simulación
20
3.3. Clases de modelos

Recordatorio: Pasos a seguir en el diseño de sistemas de control
1. Identificar las variables del proceso que van a ser controladas
2. Identificar variables que van a ser manipuladas y sus límites físicos
3. Seleccionar instrumentación de medida y accionamientos de control
4. Seleccionar resto de elementos: conexiones, tarjetas, cableado…
5. Obtener modelos matemáticos del sistema para control y

simulación.
6. Decidir los objetivos del control y seleccionar la configuración del control y
el tipo de controladores
7. Diseño del controlador
8. Simular el comportamiento del sistema controlado usando los modelos
9. Implementación en el sistema real y correcciones necesarias

21

Brosilow/Rivera MODELOS DEL
PROCESO
Modelos dinámicos Modelos de estado

(usados en control) estacionario (usados en
diseño/optimización)
Modelos fundamentales (basados Modelos empíricos (basados en

en primeros principios) datos E/S)
linealización
Ecuaciones diferenciales no- Modelos lineales Modelos empíricos no-
lineales (parámetros lineales (p.e. redes
concentrados o distribuidos) neuronales, bilineales, etc.)
Tiempo
Modelos de continuo Tiempo discreto
orden reducido Respuesta a
(espacio muestreo (espacio escalón,
estados) estados)
Respuesta a escalón, realización impulso y
impulso y frecuencial Ec. Diferencial Laplace frecuencial
ftd, Dominio Tiempo discreto (z) en tiempo
Objeto de este curso frecuencial (s) muestreo discreto
Fdt, Ec. diferencias
22

MODELOS DEL
PROCESO
Modelos dinámicos Modelos de estado

(usados en control) estacionario (usados en
diseño/optimización)
0 = ρ Fi (t ) − ρ Fo (t )
Modelos fundamentales (basados
en primeros principios) 0 = ρ C p Fi (t ) Ti (t ) − ρ C p Fo (t ) T (t ) + Q(t )
Flow In Temp In
Ecuaciones diferenciales no- Fi Ti
lineales (parámetros
concentrados o distribuidos)
Level
d
(ρ Ah(t ) ) = ρFi (t ) − ρF0 (t ); Heat In
h Flow
dt out Temp
ρ = densidad, A = Área transversal Q Fo T
d
( Ah(t)ρCpT(t)) = ρ Cp Fi (t) Ti (t) − ρ Cp Fo (t) T (t) + Q(t)
dt
23
Linealización
(próxima sección)
Tratados en los temas 1 y 2

24

MODELOS DEL
PROCESO
Modelos dinámicos
(usados en control)
Modelos empíricos (basados en

datos E/S)
Modelos lineales Modelos empíricos no-

lineales (p.e. redes
neuronales artificiales,
bilineales, etc.)
Abstracci
Abstracció
ón
Entradas Salidas
Ocultamiento de informació
información
Funciones de transferencia
25

MODELOS DEL
PROCESO
Modelos dinámicos
(usados en control)
Flow In Temp In Modelos empíricos (basados en

datos E/S)
Fi Ti
Modelos lineales Modelos empíricos no-

Level lineales (p.e. redes
neuronales artificiales,
h
Heat In
Flow bilineales, etc.)
out Temp + MLP
Q Fo T x1 +
...
RBF
|| ||
+
xn + x
...
+
+ || ||
Perceptrón multicapa
dy (t )
τ + y (t ) = k u (t ) Aproximadores
Aproximadores universales
universales
dt x=(u(k-1), ···, u(k-P), y(k-1), ···, y(k-Q))
26
3.4. Linealización de modelos

La mayoría de los sistemas presentan un comportamiento descrito por
leyes físicas que son, en general, no lineales. Aunque existen teorías más
generales, la más popular y más implantada industrialmente es la
correspondiente al control lineal. Como consecuencia de ello, las
ecuaciones que describen el comportamiento del sistema deben ser
linealizadas antes de aplicar las técnicas de control lineal. Esta
aproximación lineal se realiza habitualmente mediante la aproximación
del campo vectorial no lineal por su desarrollo en serie de Taylor
alrededor de un estado de equilibrio. Esta aproximación depende de los
parámetros del sistema y el estado de equilibrio específico, siendo
únicamente correcta en un entorno de dicho punto de equilibrio.
Estado o punto de equilibrio: Solución en estado estacionario
caracterizada por una posición u oscilación constantes. El punto de
operación de un sistema dinámico define su estado completo en un
instante determinado.
27
28

29
(2.5)
Apartado 3.5.3
(2.5)
30

(2.5)

31

(2.5)
32

(2.5)

33
34

Herramienta interactiva: 2.1. tanque_linealización

35

Herramienta interactiva: 5.1. tanque_parámetros
36

En lo que sigue se va a llevar a cabo el modelado de sistemas típicos
de la mecánica, electricidad, hidráulica, termodinámica, para
establecer a través de ejemplos los procedimientos para obtener
descripciones externas e internas de sistemas.
Como el alumno observará, el ingeniero de control requiere

conocimientos generales de las distintas disciplinas que componen la
Ingeniería Industrial.
En la actualidad, dado el amplio espectro de aplicaciones de la

Automática se tiende al trabajo en grupos multidisciplinares, por
ejemplo en biotecnología, medicina, economía, …
Esta es una de las cualidades que distinguen a un ingeniero de

control.
37

Variables “through” y “across” para sistemas físicos (Dorf, 2005)
Nomenclatura:
38

Variables “through” y “across” para sistemas físicos (Dorf, 2005)
through

39

Resumen de ecuaciones diferenciales de describen a elementos ideales (Dorf, 2005)
40


41

42

Sistemas eléctricos elementales
v(t) v(t) v(t)
Comportamientos ideales en continua
Otros sistemas eléctricos y electrónicos más complejos (incluyendo

amplificadores operacionales, impedancias complejas y otros elementos
dinámicos) se tratan en la asignatura de Electrónica Analógica.
Los comportamientos con corriente alterna se analizarán en asignaturas de
Electricidad y Electrónica.

43

Sistemas eléctricos elementales: circuito RLC
Aplicando Laplace con condiciones iniciales nulas:
Función de transferencia:
44

Sistemas eléctricos elementales: circuito RLC
Descripción en espacio de estados:

45
Circuito RC
46
La base fundamental para obtener modelos matemáticos de sistemas

mecánicos son las ecuaciones de movimiento, basadas en las leyes de
Newton
F: vector suma de todas las fuerzas aplicadas a un cuerpo (N)

a: vector de aceleración del cuerpo respecto a un sistema inercial
(aquél que no acelera o rota respecto a las estrellas) (m/s2)
m: masa del cuerpo (kg)
Tipos básicos de movimiento:
-Movimiento traslacional
-Movimiento rotacional
-Traslación y rotación combinadas
-Sistemas de parámetros distribuidos
47

Ejemplo 1: control de la velocidad de crucero de un vehículo
El sistema de control de la velocidad de crucero de un vehículo permite

mantener la velocidad deseada. Para ello, se requiere un modelo. Buscamos uno
que sea una solución de compromiso entre simplicidad y precisión. Hipótesis:
-El motor proporciona una fuerza u en la dirección del movimiento.

-Se desprecia el momento de inercia de las ruedas.
-Se considera que la fricción es proporcional a la velocidad longitudinal y tiende
a reducir la velocidad del vehículo.
-Se considera el eje de abscisas positivo como sistema de referencia.
u
m
48

fricción proporcional a aceleración del vehículo

la velocidad del vehículo posición del vehículo
u fuerza del motor
m
Free-body diagram
(diagrama de cuerpo libre)
La ecuación o ley del movimiento tendrá la forma:
Si la variable de interés fuera la posición: (EDO 2º orden)
Como es la velocidad: (EDO 1º orden)

49

Aplicando Laplace con condiciones iniciales nulas, la

función de transferencia vendrá dada por :
Respuesta de la velocidad del vehículo a un escalón en u

10
La respuesta temporal a distintos tipos de 8
entradas se obtiene aplicando la 7
velocidad (m/s)
transformada inversa de Laplace o bien 5
haciendo uso de programas informáticos, 4
como nosotros haremos en las sesiones de 3
prácticas (Matlab, Simulink, herramientas 1
interactivas). 0
0 50 100 150
tiempo (s) (sec)
200 250 300
50

Si se toma como salida la posición angular, además de
la función de transferencia (de 2º orden) se puede
obtener una descripción en espacio de estados
Como la posición es la integral de la velocidad, la única

diferencia con la función de transferencia anterior es
que va multiplicada por un término 1/s (ver
propiedades de la transformada de Laplace).

51

Cambio en escalón en u:
Evolución de los estados 10
500
9
450
8
400
7
350
velocidad (m/s)
6
300
5
x1 x2
250
4
200
3
150
2
100
1
50
0
0 0 10 20 30 40 50 60
0 10 20 30 40 50 60 tiempo (s)
tiempo (s)
52

Ejemplo 2: suspensión de un automóvil (1/4 de vehículo)
El sistema de suspensión conecta el vehículo a las ruedas y tiene dos funciones
fundamentales:
-Asegurar una conducción cómoda y frenado seguro.
-Mantener a los ocupantes del vehículo en situación de confort y bien aislados
de golpes, ruidos y vibraciones de la carretera.
Estos objetivos suelen ser contrapuestos y se llega a soluciones de compromiso.
Aunque los sistemas de suspensión delanteros y traseros se suelen diseñar de
forma distinta, vamos a considerar un modelo simplificado de ¼ de vehículo, en
el sentido que un cuarto del peso del vehículo descansa sobre cada rueda.
Las suspensiones y las ruedas se modelan como muelles (ley de Hooke)

incluyendo un amortiguador que se asimila a un pistón (que se opone al
movimiento).

53

m1: masa de la rueda.
m2=M/4, siendo M la masa del vehículo.
r: punto sobre la superficie de la carretera (constante si la carretera es plana)
x,y: coordenadas espaciales de cada masa
ks, b: constante de muelle y de amortiguador (pistón) del sistema de suspensión.
kw: Representa la compresibilidad de los neumáticos.
Las posiciones de equilibrio de los muelles están

influenciadas por la gravedad. Si definimos los
puntos x=0 e y=0 en esas posiciones de equilibrio,
podemos eliminar el efecto de la gravedad a la hora
de escribir el modelo.
La posición relativa entre las masas vendrá dada por:
La velocidad relativa:
54

m1: masa de la rueda.
m2=M/4, siendo M la masa del vehículo.
r: punto sobre la superficie de la carretera (constante si la carretera es plana)
x,y: coordenadas espaciales de cada masa
Free-body diagram
(diagrama de cuerpo libre)
x y
m1 m2

55

OJO CON LOS SIGNOS
x y
m1 m2
56

Se puede obtener la función de transferencia aplicando las propiedades de la
transformada de Laplace:

57

La descripción en espacio de estados vendrá dada por:
58

Ejemplo 3: posición de un satélite
Referencia
inercial
Los satélites requieren un control de posición, de
manera que las antenas, sensores y paneles solares
estén adecuadamente orientados.
Para obtener una visión del sistema completo de

control de posición en tres ejes, se considera sólo un eje
a la vez.
Como se observa, este sencillo modelo está formado por un doble integrador.
Referencia inercial: sin aceleración angular

59
Referencia
inercial
1
_
d
J
(s)
Referencia inercial: sin aceleración angular

60

Ejemplo 3: posición de un satélite
Referencia
inercial
Si se considera (como ocurre en la realidad) que la
estructura es flexible, tendremos un sistema rotacional
cuyas ecuaciones de movimiento vendrán dadas por:
Como curiosidad, este modelo es igual al de un lector de disco duro (Franklin et al, 2010).

61

Ejemplo 4: péndulo simple
Para poder aplicar la ley de Newton a la rotación

unidimensional, en vez de a movimiento de traslación,
hay que tener en cuenta:
• La fuerza (resultante) F (expresada en N) se sustituye por el momento (resultante) T

de las fuerzas externas aplicadas (expresado en Nm), o par, en torno al centro de
masa.
• La masa m (expresada en kg) se sustituye por el momento de inercia J (en kg m2) en
torno al centro de masa.
• La acelaración lineal a (m/s2) se sustituye por la angular α (en rad/s2).
T = Jα = Jθ
62

Esta ecuación diferencial no lineal de segundo orden describe el comportamiento

dinámico del péndulo.
http://isa.uniovi.es/~idiaz/ADSTel/Practicas/ModeladoPendulo.html

63

Una representación alternativa en espacio de estados:
64

Obtención de modelos lineales en torno a puntos de operación:
Desarrollando en serie de Taylor:

65

Obtención de modelos lineales en torno a puntos de operación:
fdt
ee
Inconveniente: no
permite fijar los
estados iniciales
66

Simulación del modelo no lineal en Simulink

l = 1; % longitud en metros
b = 2; % coef. de fricción viscosa en N.m / (rads/s)
g = 9.8; % aceleración de la gravedad m.s^2
m = 3; % masa en kg
J = m*l^2; % momento de inercia en kg.m^2
Hay que tener en cuenta que las

condiciones iniciales quedan
determinadas por las valores
iniciales de los integradores.
Asimismo, la presencia de
integradores simplifica la
obtención de las derivadas y la
elección de las variables de estado.

67

En el apartado 3.4 se ha utilizado un sistema hidráulico (tanque
con descarga a través de orificio) para ilustrar el proceso de
modelado y linealización de un sistema no lineal. En este
apartado se va a analizar algún ejemplo adicional.
Vamos a suponer en los desarrollos el caso de fluidos incompresibles (los

que se usan en actuadores hidráulicos), donde la relación física que gobierna
el flujo de masa es la continuidad, equilibrio de fuerzas y resistencia:
Continuidad (conservación de la masa):
68

Equilibrio de fuerzas: suele aparecer en sistemas hidráulicos procedente de la presión
ejercida en un pistón
Resistencia: en muchos sistemas hidráulicos el fluido experimenta una resistencia

debida a estrechamientos o fricción. La forma general del efecto de una resistencia es:

69

Ejemplo 1:
Es un ejemplo muy parecido al del tanque utilizado para explicar el proceso de
linealización.
La principal diferencia estriba en que se ha considerado que la salida es el caudal de

salida (en vez de la altura del tanque) y que existe una relación lineal entre el caudal y
la caída de presión en el estrechamiento de salida (Re bajos).
dV d ( A.h) dh
ρ ( qe − q s ) = ρ =ρ =ρ⋅A
dt dt dt
70

Ejemplo 1:
Pe − Ps = Patmosféric a + ρ ⋅ g ⋅ h − Patmosféric a = q s ⋅ R
qe(t)
Caudal entrada
ρ ⋅ g ⋅h
ρ ⋅ g ⋅ h = qs ⋅ R  qs =
R
R ⋅ qs
 h=
Pe(t) Ps(t) ρ⋅g
R
h(t) Válvula
Ps = Patmosferica
Altura
qs(t)
Caudal salida
Pe = Patmosferica + ρ g h Pe − Ps = qs ⋅ R Ps = Patmosferica

71

Ejemplo 1:
dh Se obtienen modelos lineales de primer orden.

A = qe − q s Si se hubiera usado una válvula no lineal (Re>105), habría
dt que linealizar una raíz cuadrada, como se ha hecho en teoría.
 R ⋅ qs 
d  
 ρ ⋅ g  A ⋅ R dqs
A = qe − q s  q e = + qs
dt ρ ⋅ g dt
dh
A = qe − q s
dt
dh ρg
A = qe − h
dt R
72
3.3. Modelado de sistemas hidráulicos

Ejemplo 2: modelo de un amortiguador

73
3.3. Modelado de sistemas hidráulicos

Ejemplo 2: modelo de un amortiguador
74

Introducción
La termodinámica, transferencia de calor y dinámica de fluidos son materias
importantes en la ingeniería industrial. Desde el punto de vista del control
automático, lo que interesa es representar la interacción dinámica entre las
variables. En el caso de modelos en estos campos, se requieren con frecuencia
ensayos experimentales para determinar los valores de los parámetros que
aparecen en dichos modelos.
Flujo de calor
Muchos sistemas de control requieren la regulación de temperatura. Los modelos
dinámicos de sistemas de control de temperatura involucran la transferencia y
almacenamiento de energía calorífica. La energía calorífica fluye a través de las
sustancias a una velocidad proporcional a la diferencia de temperatura:

75

Flujo de calor
El flujo neto de calor que entra dentro de una sustancia afecta a la temperatura de
ésta según la relación:
Ejemplo 1: temperatura de una habitación
76

Ejemplo 1: temperatura de una habitación

77

Flujo de calor
Además del flujo de calor debido a transferencia, dada según la relación:
puede haber flujo de calor cuando una masa caliente se introduce en otra fría, o
viceversa. En ese caso:
Un tratamiento detallado de modelos dinámicos de temperatura se puede encontrar

en cualquier libro de texto sobre transferencia de calor.
78

Ejemplo 2: intercambiador de calor
vapor
agua agua
x
vapor*
*suponemos que no hay condensado (cambio de fase) por simplificar

79

Solución: la temperatura del agua a lo largo de la
vapor tubería irá variando continuamente como
consecuencia de la transferencia de calor entre el
vapor y el agua (que producirá la reducción de la
temperatura del vapor). Por tanto, un modelo
muy exacto del intercambiador debería
contemplar fenómenos locales y ser de
parámetros distribuidos, involucrando ecuaciones
agua agua en derivadas parciales del tiempo y el espacio.
x
Generalmente para control no hacen falta
modelos tan complejos y se opta por modelos de
parámetros concentrados, compensándose las
vapor* incertidumbres de modelado a través de la
realimentación.
80

El flujo neto de vapor que entra en el

vapor intercambiador es:
agua agua
x
vapor*

81

El flujo neto de calor dentro del intercambiador es la

vapor diferencia entre el flujo de calor del vapor entrante
y el calor que sale del intercambiador transportado
por el agua. El balance para el vapor:
agua agua
x
Para el agua:
vapor*
82

vapor
agua Para completar la dinámica, falta incluir el

agua
x retardo entre la medida de la temperatura
del agua de salida y su valor justo a la
salida del intercambiador:
vapor*
*también se podría modelar para el vapor

83

vapor
agua agua
x
vapor*
84

vapor
agua agua
x
Este tipo de funciones de transferencia se

vapor* analizan en el tema 4

85
3.6. Resumen
Como ejemplo resumen final del tema se va a modelar un motor
de corriente continua.
86
3.6. Resumen
Motor de corriente continua
Un motor de CC es un dispositivo actuador de potencia que proporciona
energía a una carga. Convierte energía eléctrica en forma de corriente
continua en energía mecánica rotacional.
Para poder producir un par motor se necesita disponer de un campo

magnético que contenga en su interior conductores eléctricos.
Cuando circula corriente por el conductor eléctrico, éste reacciona con el

campo magnético produciendo una fuerza responsable de producir el par y
por ende el movimiento del motor.
El principio de funcionamiento de los generadores de corriente continua es

similar, induciendo sobre ellos una fuerzaelectromotriz (fem).

87
3.6. Resumen
Para producir el campo magnético se utilizan polos magnéticos (Norte, Sur),
que se crean mediante una bobina enrollada sobre un núcleo ferromagnético.
Lo común es que los polos estén ubicados en el estator (bloque estático de la
máquina), zona a la que se denomina campo. Arrollamiento del
estator
Arrollamiento del rotor

Los conductores a los que se ha hecho Escobilla
referencia en el párrafo anterior necesarios Eje
para la producción del par están colocados en Escobilla

un núcleo ferromagnético móvil denominado Conmutador
Cojinetes
rotor, para facilitar el giro al producirse la
fuerza sobre ellos. A esta zona del motor se Ángulo
denomina armadura.
Gran parte del par generado en el rotor (inducido) estará disponible para
mover una carga externa.
88
3.6. Resumen
Debido a características tales como par elevado, controlabilidad
de la velocidad en un amplio rango, portabilidad, buena
característica par-velocidad y buena controlabilidad, el motor de
cc se utiliza en numerosas aplicaciones de control, incluyendo:
-manipuladores robóticos
-mecanismos de transporte de cintas
-unidades de disco
-máquinas herramienta
-actuadores de servo-válvulas.

89
3.6. Resumen
A la hora de modelar el conjunto, es preciso considerar la parte mecánica de
la máquina. El rotor en general estará soportado por cojinetes u otro
elemento que introducirá un rozamiento o fricción que será función de la
velocidad de giro y de un coeficiente de fricción; además, el rotor tendrá una
masa en movimiento (giro) que determinará un momento de inercia. Por los
mimos motivos, la carga que mueve el rotor también tendrá fricción e inercia.
El funcionamiento del motor se puede modelar teniendo en cuenta por

tanto la parte electromagnética, la mecánica y la relación entre ellas. Los
motores de corriente continua se pueden controlar de dos formas:
controlando el campo y manteniendo constante la corriente de armadura o
controlando la armadura y manteniendo constante la corriente de campo.
En un modelo genérico el motor se puede modelar por la relación entre la
tensión de entrada y una salida que podrá ser la velocidad angular de giro ω
o su posición angular θ.
90
3.6. Resumen
Motor de corriente continua controlado por armadura (Dorf,
2005)
Como va a ser el tipo utilizado en las prácticas, nos vamos a centrar en el
modelado de un motor de corriente continua controlado por armadura,
tratándose de un motor con excitación independiente donde la tensión de
alimentación al inducido (bobinado del rotor) es variable. Se considera que el
motor tiene que desplazar una carga que puede ser la propia tacodinamo que se
usa como sensor de velocidad angular).
armadura o inducido
Arrollamiento del
estator
Arrollamiento del rotor

Escobilla
Eje
Escobilla
Conmutador
Inercia
Cojinetes
Fricción
Ángulo
campo
carga

91
3.6. Resumen
2010)
armadura o inducido
La función de transferencia del motor de CC se obtendrá para

una aproximación lineal de un motor real y se desprecian los
efectos de segundo orden, así como la histéresis y la caída de
tensión en las escobillas. El voltaje de entrada en este caso se
aplica a los terminales del inducido. El flujo en el espacio de
Inercia aire del motor es proporcional a la corriente de excitación:
Fricción
campo
carga Se supone que el par desarrollado por el motor está
relacionado linealmente con el flujo y la corriente de inducido
por:
Según esta ecuación, está claro que para mantener un elemento lineal debe conseguirse que
una de las corrientes sea constante, mientras que la otra se usa como corriente de entrada.
92
3.6. Resumen
2010)
armadura o inducido
El motor de CC controlado por inducido utiliza la corriente del

inducido como la variable de control. El campo en el
estator se puede establecer mediante una bobina de
excitación y corriente o un imán permanente. Cuando se
establece una corriente de campo constante en una bobina
Inercia de excitación el par motor es:
Fricción
campo
carga
se denomina constante del motor. Cuando se utiliza un imán permanente es una

función de la permeabilidad del material magnético.

93
3.6. Resumen
2010)
armadura o inducido
La corriente del inducido (armadura) se relaciona con el
voltaje de entrada aplicado por:
Donde es el voltaje asociado a la fuerza

contraelectromotriz proporcional a la velocidad del motor.
Inercia
Fricción
campo
carga
Y la corriente de armadura es:
Por lo que el par motor se puede poner en función de la tensión de

alimentación (señal de entrada), la velocidad de giro (señal de salida, o bien la posición
angular, que es la integral de la velocidad angular) y constantes propias del motor.
94
3.6. Resumen
2010)
armadura o inducido
El par motor se emplea en accionar una carga, por lo
que habrá que igualarlos:
donde es el par de la carga y el par de

perturbación, que no suele tenerse en cuenta salvo en
Inercia
Fricción sistemas sujetos a fuerzas externas, como las ráfagas de
viento en antenas. El par de carga para una inercia de
campo
carga rotación como la que se muestra en la figura viene dado por:

95
3.6. Resumen
2010)
armadura o inducido
Inercia
Fricción
Tomando como salida la posición angular y
campo despreciando el par de perturbación:
carga
96
3.6. Resumen
2010)
armadura o inducido
Inercia
Fricción Diagrama de bloques equivalente
campo
carga

97
3.6. Resumen
2010)
armadura o inducido
Inercia
Fricción
campo
carga
98
3.6. Resumen
Conceptos fundamentales
-Importancia del modelado de sistemas

-La simulación como herramienta para analizar y predecir el
comportamiento de sistemas dinámicos frente a determinadas entradas
-Clases de modelos que se usan en control automático
-Concepto de linealización de modelos no lineales. Punto o estado de
equilibrio. Validez de esos modelos.
-Metodología de modelado de sistemas físicos: ejemplos de aplicación a
sistemas eléctricos, mecánicos, hidráulicos y térmicos.
-Modelado de un sistema electromecánico, el motor de corriente
continua controlado por inducido (armadura), como ejemplo guía que
será usado a lo largo del curso.

99
3.6. Resumen
Bibliografía fundamental:
•J. L. Guzmán, R. Costa-Castelló, M. Berenguel, S. Dormido. Control
automático con herramientas interactivas. Pearson, 2012. ISBN: 978-84-832-
2750-3.
•K. J. Åstrom, R. M. Murray. Feedback systems: an introduction for scientists
and engineers. Princeton University Press, 2008. ISBN: 978-84-481-6640-3.
•R. C. Dorf, R. H. Bishop. Sistemas de control moderno, 10ª Edición, Prentice
Hall, 2005. ISBN: 84-205-4401-9.
•G. F. Franklin, J. D. Powell, A. Emami-Naeini. Feedback control of dynamic
systems, 6ª Edición, Prentice Hall, 2010. ISBN: 978-0-13-500150-9.
•K. Ogata. Ingeniería de control moderna, 5º Edición, Pearson Educación S.A.,
2010. ISBN: 978-84-8322-660-5.
•J. Aracil, F. Gordillo. Apuntes de Regulación Automática. Escuela Superior de
Ingenieros, Universidad de Sevilla, 2000.

Tema 3

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema 3

Enviado por

Direitos autorais:

Formatos disponíveis

Sebastián Dormido

Dpto Informática y Automática

Área de Ingeniería de Sistemas y Automática

3.1. Modelado de sistemas

3.1. Modelado de sistemas

En el caso de sistemas lineales invariantes en el tiempo, que son los

3.1. Modelado de sistemas

Un modelo es por tanto una representación simplificada o abstracción

Trabajando con modelos se consigue capacitar al usuario para determinar

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Modelos físicos: Consisten en la representación de sistemas físicos

Analógicos Imitación/a escala Prototipos

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Modelos simbólicos: Incluyen símbolos, junto con operaciones lógicas y

Matemáticos: Utilizan un conjunto de ecuaciones matemáticas.

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

¿Cómo podríamos saber a qué altura

-Si no existe el tanque

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Si no existe el tanque → principios de

¿Lineal?, ¿variante en el tiempo?, ¿tiempo continuo?, ….

3.1. Modelado de sistemas

Si existe el tanque → experimentación

3.1. Modelado de sistemas

Obtención de modelos a partir de datos

Distinción tiempo continuo – tiempo discreto

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

3.1. Modelado de sistemas

Modelos empíricos: Consiste en capturar la dinámica de un proceso real a través

•El mejor de los modelos teóricos es sólo una aproximación a la realidad.

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

• Un modelo siempre es una simplificación de la realidad (se suelen

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

y (k ) = a1 y ( k − 1) + ... + an y ( k − n) + b1u ( k − 1) + ... + bm u ( k − n)

• En ambos casos es preciso generalmente llevar a cabo un proceso de

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Criterio de estimación: Dado un conjunto de datos experimentales u(t), y(t),

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Posibles técnicas para validar modelos son:

• Reexaminar la formulación del problema para detectar posibles errores.

Técnica de computación numérica para realizar experimentos

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.1. Modelado de sistemas

Documentación Introducción, objetivos, hipótesis, descripción física del

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.3. Clases de modelos

5. Obtener modelos matemáticos del sistema para control y

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.3. Clases de modelos

Modelos dinámicos Modelos de estado

Modelos fundamentales (basados Modelos empíricos (basados en

Universidad nacional de Educación a Distancia Departamento de Informática y Automática

3.3. Clases de modelos