Vous êtes sur la page 1sur 94

TEMA 4: CONTROL AVANZADO

DE PROCESOS

ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable

ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable

Compensacin del retardo


Estrategia de control predictivo: forma de predecir
el comportamiento futuro del proceso para generar
seales de control que mejoren el rendimiento del
controlador.
Especialmente til cuando el sistema tiene retardo:

Uso de reglas de Ziegler-Nichols


controlador con baja Kp y elevado Ti
el proceso controlado es muy lento

Compensacin del retardo


Ejemplo:

P (s ) =

1 4s
e
s +1
Ziegler-Nichols

1
!
"
PID(s ) = 0.3 # 1 +
+ 2s $
% 8s
&

Solucin:
Predictor de Smith (PS)

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento

C0
C=
1 + C0 (P0
Gyysp

P )

C0 P
=
1 + C0 (P0 P ) + C0 P

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento
C0
C=
1 + C0 (P0
Gyysp

P )

C0 P
=
1 + C0 (P0 P ) + C0 P

U = C0 (E

P0 (1

Ls

)U )

Prediccin del efecto del control en la salida en intervalo (t-L,t)

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento

Compensacin del retardo


Predictor de Smith: Principio de funcionamiento
Se puede interpretar como una conexin en cascada
de un controlador convencional C0 y un bloque con:

Se disea para el
sistema sin retardo

Compensacin del retardo


Predictor de Smith: Ejemplo
1. PID para sistema con retardo

!
!

1
!
"
PID(s ) = 0.3 # 1 +
+ 2s $
% 8s
&

2. SP + PID para sistema con retardo


3. SP + PI para sistema sin retardo
PI (s ) = 1 +

1 4s
P (s ) =
e
s +1

1
s

Compensacin del retardo


Predictor de Smith: Ejemplo

1. PID para sistema con retardo


2. SP + PID para sistema con retardo
3. SP + PI para sistema sin retardo

Compensacin del retardo


Predictor de Smith: Anlisis
Estabilidad: los polos del proceso en lazo cerrado se
obtienen a partir de
!

Compensacin del retardo


Predictor de Smith: Anlisis

Respuesta ante perturbaciones de carga:


!
!

Si la perturbacin ocurre en un instante t=0,


la respuesta del sistema en intervalo 0 t < L
es la misma que en lazo abierto.

Compensacin del retardo


Predictor de Smith: Anlisis
1) P(s) estable con ganancia esttica K y C0(s) con accin
integral (ganancia integral, ki):
!
!

!
!
no existe error en rgimen permanente para cambios en escaln en
las perturbaciones de carga

Compensacin del retardo


Predictor de Smith: Anlisis
2) P(s) con polo en el origen (

)y

existir error en rgimen permanente la recuperacin frente


a perturbaciones de carga ser muy lenta para procesos con
dinmicas lentas

Compensacin del retardo


Predictor de Smith: Anlisis

Compensacin del retardo


Predictor de Smith: Anlisis
En frecuencia: la FdT del lazo es

Compensacin del retardo


Predictor de Smith: Anlisis

Compensacin del retardo


Predictor de Smith: Anlisis

Compensacin del retardo


Predictor de Smith: Anlisis - Margen de retardo
P
1
K
sL
<
P (s) =
e
P
|T |
1 + sT

ln P = ln K

ln(1 + sT )

dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L

sL

dP
dL
' !L
P
L
dL
1
<
L
!L|T |

Compensacin del retardo


Predictor de Smith: Anlisis - Margen de retardo
P (s) =

K
e
1 + sT

sL

ln P = ln K

ln(1 + sT )

dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L

dm

P
1
<
P
|T |
sL

dP
dL
' !L
P
L
dL
1
<
L
!L|T |

dL
1
= max
< max
L
!L|T |

Compensacin del retardo


Predictor de Smith: Anlisis - Margen de retardo
P (s) =

K
e
1 + sT

sL

ln P = ln K

ln(1 + sT )

dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L

dm

P
1
<
P
|T |
sL

dP
dL
' !L
P
L
dL
1
<
L
!L|T |

dL
1
= max
< max
L
!L|T |

Compensacin del retardo


A continuacin nos vamos a centrar en algunas
modificaciones del PS:
Predictor PPI simplificacin del PS
1er orden con retardo (L) >> constante

para sistemas de
de tiempo (T)
Predictor para procesos integradores modificacin
del SP para resolver sus inconvenientes:

No puede utilizarse con procesos inestables, y


Posee error en rgimen permanente frente a perturbaciones
de carga para procesos con integracin

Compensacin del retardo


Predictor PPI:

P0

Compensacin del retardo


Predictor PPI:
Kp 1 + sTi
,
Ti
s
T
T i = T ; Kp =
Tcl K
C0 (s) =

P0

Tcl es el tiempo de
respuesta deseado del
sistema en lazo cerrado.
Compromiso entre:
Robustez Tcl /L
Rapidez inverso a
Tcl

Compensacin del retardo


Predictor PPI:

P0

C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +

1
1
sTcl (1

P (s))
e

sL )

sL )

Compensacin del retardo


Predictor PPI:

P0

C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +

1
1
sTcl (1

P (s))
e

sL )

sL )

Compensacin del retardo


Predictor PPI:

P0

C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +

1
1
sTcl (1

P (s))
e

sL )

sL )

Compensacin del retardo


Predictor PPI:

Compensacin del retardo


Predictor PPI vs predictor de Smith: Ejemplo
PPI con Tcl = 0.5
1. Estructura SP
2. Estructura aproximada (P0 ' K)
! 1"
PI (s ) = 2 # 1 + $
% s&

Compensacin del retardo


Predictor PPI vs predictor de Smith: Ejemplo
ref
SP
PPI

T (C)

0.8

0.6

0.4

PPI con Tcl = 0.5


1. Estructura SP

0.2

0
0

2. Estructura aproximada (P0 ' K)

10

15

20

25
Tiempo (s)

30

35

40

45

50

Compensacin del retardo


Predictor para procesos integradores:
Error cero en rgimen permanente frente a
perturbaciones de carga:

Compensacin del retardo


Predictor para procesos integradores:
Error cero en rgimen permanente frente a
perturbaciones de carga:

Estimacin de perturbacin

Compensacin del retardo


Predictor para procesos integradores:

Compensacin del retardo


Predictor para procesos integradores:

Compensacin del retardo


Predictor para procesos integradores:
1.4
ref
SP
SPI

1.2
1

T (C)

0.8
0.6
0.4
0.2
0
0

10

20

30
Tiempo (s)

40

50

ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable

Control predictivo basado en modelo


Utilizado en plantas qumicas y refineras desde los 80s para
responder a las condiciones cambiantes del mercado.
Responder a todos los aspectos de la automatizacin del
proceso de toma de decisiones:
Medidas
Control: satisfaccin de criterios de operacin:
Nivel 1: lazos simples
Nivel 2: proceso
Optimizacin: satisfaccin de objetivos econmicos
Logstica: localizacin de recursos y programacin de
plantas

Control predictivo basado en modelo


Criterios prcticos de comportamiento:
Econmicos:
variables de proceso en objetivos dictados por
optimizacin
minimizacin de funcin de coste
Seguridad o ambiente: algunas variables de proceso no
violar lmites especificados
Equipamiento: control no llevar al proceso a las limitaciones
fsicas del equipamiento
Calidad: satisfacer las especificaciones de los consumidores
Preferencias: Modos preferidos de operacin

Control predictivo basado en modelo


En la prctica, el punto de operacin de una planta
que satisface los objetivos globales del proceso est
en la interseccin de las restricciones.
Para tener xito, el sistema de control tiene que
anticipar la violacin de las restricciones y corregir
de forma sistemtica para que esto no ocurra.
Prctica usual: ignorar las restricciones en el diseo y
corregir ad hoc durante la implementacin.
Necesaria metodologa para manejar restricciones
de forma sistemtica durante diseo e
implementacin del control: MPC.

Control predictivo basado en modelo


MPC
Estrategia de control multivariable que utiliza:
un modelo dinmico del proceso
la historia de los pasados cambios en el control y
la optimizacin de una funcin de coste, J, sobre un
horizonte de prediccin en retroceso
para calcular los cambios de control ptimos.

Control predictivo basado en modelo


MPC
Estrategia de control multivariable que utiliza:
un modelo dinmico del proceso
la historia de los pasados cambios en el control
y
la optimizacin de una funcin de coste, J,
sobre un horizonte de prediccin en retroceso
para calcular los cambios de control ptimos.

J=

N
X
i=1

i (ri

xi )2 +

N
X
i=1

i u2i

Control predictivo basado en modelo


1.
2.

3.

4.

5.

Obtener un modelo del proceso.


En el instante t, se observan las entradas y las salidas
pasadas del proceso u e y. El comportamiento futuro
del proceso se predice suponiendo que el modelo del
proceso y las seales de control futuras uf = u(), t
< t + th son conocidas (th: horizonte de prediccin).
Se calcula la seal de control uf para obtener el
comportamiento futuro deseado (normalmente
mediante un modelo matemtico).
Se aplica la parte inicial de la seal de control uf en
el intervalo [t, t + h].
Problema de optimizacin:
Modificar el tiempo a t + h, y repetir el
minimizar la desviacin entre el
procedimiento desde el paso 2.
comportamiento actual y el deseado,
posiblemente con penalizacin sobre
seales de control

Control predictivo basado en modelo


MPC
Se basa en la prediccin del comportamiento futuro
del proceso utilizando un modelo del proceso y la
optimizacin del comportamiento del sistema sobre
un horizonte finito de tiempo.
La realimentacin se obtiene aplicando la parte
inicial de la seal de control y repitiendo el proceso
sobre un horizonte de tiempo desplazado (control de
horizonte en retroceso o de horizonte mvil).
La mayora de los controladores predictivos se han
desarrollado para sistemas muestreados.

Control predictivo basado en modelo


Ejemplo:
!

Comportamiento pasado:

Prediccin valores futuros de la salida en funcin de las seales de control


futuras:

Comportamiento futuro deseado como trayectoria: yd

Control predictivo basado en modelo


Funcin de coste que penaliza las desviaciones:
min

!
!

(pueden existir restricciones sobre las entradas y las salidas del proceso
y sobre el incremento de la seal de control)

!
!

Aplicacin de u(t) y repeticin del procedimiento en cada muestreo

u(t) = F (y(t), y(t


u(t

h), u(t

h), ...., y(t

nh),

2h), ..., u(t

nh))

Control predictivo basado en modelo


Ejemplo 1: sistema de primer orden
!

Trayectoria deseada:

Igualando

con

Resolviendo la ecuacin para

!
PI

Control predictivo basado en modelo


Ejemplo 2: sistema de primer orden con retardo
!
!
!

Trayectoria
deseada:

Suponiendo

Igualando

!
min

con

Control predictivo basado en modelo


K
P (s) =
e
1 + Ts

Ls

K = 1; T = 10; L = 4.

1
Gyysp (s) =
e
1 + Tcl s

L
h= ;
n
C(q

)=

4s

h
;
Tcl

Tcl ;

b=1

K(1

(1 b)(1
a)(1 bq 1

aq
(1

a=1
1

)
b)q

h
;
T

u
=
(n+1) )
e

Control predictivo basado en modelo


P (s) =

K
e
1 + Ts

Ls

Gyysp (s) =

h=

L
;
n

C(q

)=

K = 1; T = 10; L = 4.

1
e
1 + Tcl s

4s

h
;
Tcl

Tcl ;

b=1

K(1

(1 b)(1
a)(1 bq 1

aq
(1

a=1

h
;
T

)
b)q

(n+1) )

u
e

Control predictivo basado en modelo


P (s) =

K
e
1 + Ts

Ls

Gyysp (s) =

h=

L
;
n

C(q

)=

K = 1; T = 10; L = 4.

1
e
1 + Tcl s

4s

h
;
Tcl

Tcl ;

b=1

K(1

(1 b)(1
a)(1 bq 1

aq
(1

a=1

h
;
T

)
b)q

(n+1) )

u
e

Control predictivo basado en modelo


P (s) =

K
e
1 + Ts

Ls

Gyysp (s) =

h=

L
;
n

C(q

)=

K = 1; T = 10; L = 4.

1
e
1 + Tcl s

4s

h
;
Tcl

Tcl ;

b=1

K(1

(1 b)(1
a)(1 bq 1

aq
(1

a=1

h
;
T

)
b)q

(n+1) )

u
e

Control predictivo basado en modelo


Control de matriz dinmica (DMC):

Modelo como respuesta impulsional:

! !
!!Funcin de coste:
!!
!!
!!
!!
!!
!

Inconveniente: puede ser necesario un gran n de parmetros si la dinmica del proceso es muy lenta.
Generalizado a control cuadrtico de matriz dinmica (QDMC): puede incluir restricciones sobre la
seal de control.

Control predictivo basado en modelo


Estrategia:
1. Prediccion
2. Optimizacion online
3. Implementacion horizonte en retroceso

Control predictivo basado en modelo


Estrategia:
1. Prediccion
2. Optimizacion online
3. Implementacion horizonte en retroceso

1. Prediccion
Modelo de la planta: xk+1 = f (xk , uk )
Simulacion:
Secuencia entradas futuras: uk = [uk|k
Trayectoria futura: xk = [xk|k

uk+1|k uk+N

xk+1|k xk+N |k ]T

T
1|k ]

Control predictivo basado en modelo


Estrategia:
1. Prediccion
2. Optimizacion online
3. Implementacion horizonte en retroceso

2. Optimizaci
on

J=

N
X
i=1

Funci
on de coste: Jk =

i (ri

PN

xi )2 +

N
X

i u2i

i=1

i=0 gi (xk+i|k , uk+i|k )

Soluci
on numerica: minuk Jk ! uk : secuencia optima

Control predictivo basado en modelo


Estrategia:
1. Prediccion
2. Optimizacion online
3. Implementacion horizonte en retroceso

3. Implementacion
Usar primer elemento de uk : entrada de la planta: uk = uk|k
Repetir pasos 13 en siguiente periodo de muestreo

Control predictivo basado en modelo


1. Prediccion
Modelo de la planta: xk+1 = f (xk , uk )
Simulacion:
Secuencia entradas futuras: uk = [uk|k

uk+1|k uk+N

Trayectoria futura: xk = [xk|k xk+1|k xk+N |k ]T


2. Optimizacion
PN
Funci
on de coste: Jk = i=0 gi (xk+i|k , uk+i|k )
Soluci
on numerica: minuk Jk ! uk : secuencia
optima
3. Implementaci
on

Usar primer elemento de uk : entrada de la planta: uk = uk|k


Repetir pasos 13 en siguiente periodo de muestreo

T
1|k ]

Control predictivo basado en modelo

Control predictivo basado en modelo


Ventajas
Modelo de planta generalizado
Lineal, no lineal,
monovariable, multivariable,
determinstico, estoc
astico
Posibilidad de restricciones en entradas y estados
actuador, seguridad, economa, ...
Comportamiento lazo cerrado '
optimo
Desventajas
Requiere optimizaci
on online: coste computacional

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable

Control adaptativo
Estrategia de control para procesos con caractersticas
variables en el tiempo o con distintas condiciones de
operacin.
!
Controlador
con parmetros
ajustables
y un mecanismo
!
de
! ajuste de parmetros.

Es necesario conocimiento
previo del proceso.

Control adaptativo
Dos tipos:
Mtodos

directos

Mtodos

indirectos

los parmetros del controlador se ajustan directamente a partir de


los datos de operacin en lazo cerrado

los parmetros del controlador se obtienen mediante


1) actualizacin del modelo del proceso en lnea
2) aplicacin de algn mtodo de diseo

Control adaptativo
A continuacin vamos a ver diferentes esquemas de
control adaptativo:
Autosintona.
Control

de ganancia programada.
Control por modelo de referencia.

Control adaptativo
Autonsintona:

Somete al proceso a una serie de experimentos para:

Obtener informacin (test del rel)


Sintonizar el controlador con esa informacin

Es ampliamente utilizada en los controladores PID.


Genera una oscilacin
de ciclo lmite medir el
perodo y la amplitud de
la oscilacin a partir
de ellos, calcular los
parmetros del controlador
PID

Control adaptativo

Control adaptativo

r
4d
N (A) =
1
A

j
A

Control adaptativo
r
4d
N (A) =
1
A

j
A

Condicion de oscilacion:
1
G(j!) = N (A)
Informacion del proceso
4d
Ku = A
, Pu

Control adaptativo
Control de ganancia programada:
Cuantificar cmo deben cambiarse los parmetros del
controlador ante cambios en las caractersticas del proceso.
2. Dividir el rango de operacin.
3. Definir una funcin de coste a minimizar.
4. Obtener la tabla de ganancias o ecuacin (por ej., mediante
simulaciones del proceso con cambios).
Muy utilizado para PIDs.
1.

Control adaptativo
Ejemplo: control de velocidad
!
!
!
!
!

PI( s ) = 0.09 +

1) Anlisis de la red

0.025

Gv ( s ) =

distribucin del retardo

!
2) Esquema de simulacin
del sistema
Distribucin
obtenida

4.39

s + 0.1746

Control adaptativo
3) Clculo valores ptimos de beta (mediante simulaciones)
max = f(net) mediante el criterio de Nyquist

J = 0.35 J 1 + 0.65 J 2
J 1 : sobreimpulso
!0.8tr si tr > tr0
J2 = "
$0.2tr si tr tr0
J en funcin de net

op = f(net)

Implementacin
en Simulink

Control adaptativo
4) Resultados

Retardo fijo: net = 0.2 s

Retardo variable: net [0.2,0.4] s

Mejora del 55.77% en error de velocidad

Mejora del 83.85% en error de velocidad

Control adaptativo
Control adaptativo por modelo de referencia:
Introduce un modelo en lazo cerrado (o trayectoria) de cmo
debe responder el proceso frente a cambios en el punto de
consigna.
Mtodo de ajuste a partir
de una funcin de coste
(por ej., la integral del
error al cuadrado).

Control adaptativo

Regla MIT:
1 2
e ( ), donde e = y ym
2
d
J
e
=
= e
Controlador adaptativo con prealimentacin
dt

J( ) =

e = y ym = KG( s )U( s ) Gm ( s )U c ( s ) = KG( s )U( s ) K0 G( s )U c ( s )

e
K
= KG( s )U c ( s ) =
ym

K0

d
K
= e
ym = # ym e
dt
K0

Control adaptativo
Ejemplo:

Control adaptativo
Ejemplo:

1.2
ref
Modelo
Sistema

y / ym

0.8
0.6
0.4
0.2
0
0.2
0

10

20

30
Tiempo (s)

40

50

ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable

Control multivariable
Sistemas MIMO:
!Y1(s ) " !G11(s ) G12 (s ) G13 (s ) "
!U1(s ) "
!#
$
#
$
Y2 (s )$ = #G21(s ) G22 (s ) G23 (s )$ #
#
U2 (s )$&
!#
%
%Y3 (s )$& #%G31(s ) G32 (s ) G33 (s )$&

!
G(s )
Interaccin: efecto de un lazo de control
sobre otro lazo de control, rebotando el
efecto
sobre el lazo original.
!
La FdT entre cada salida y cada
entrada cambia en funcin de los lazos
de control no se pueden sintonizar
los controladores de cada lazo de
manera independiente.

Control multivariable
Evaluacin de las interacciones (en rgimen permanente):
mtodo Bristol de ganancias relativas.
! ...
" 11
1n #
K
y / u
lim G (s )
$
%
=
=
=
= !$ ! " ! %
lim G (s )
K
y / u
!$'n1 ... nn %(
ij

s 0

s 0

ij

todos los lazos abiertos

ij u =0,k j
k

j u =cte,k j
k

ij

resto de lazos cerrados

ij y =0,k i
k

j y =cte,k i
k

Propiedad.- La suma de los elementos de cualquier fila o


columna es 1: n
n
!
ki = kj = 1

k =1
k =1
Se puede determinar
a partir de las ecuaciones del sistema,
aplicando la definicin de ganancia esttica:

= G(0)elproducto
(G(0)1 )T ,
donde G(0) es la matriz de ganancias estticas y x representa
elemento por elemento.

Control multivariable

Anlisis:

Control multivariable

Anlisis:

No formar lazos de control con ganancia


relativa <0.
No formar lazos de control con variables
con ganancia relativa .
No formar lazos de control con variables
con ganancia relativa =0.
Controlar las variables ms importantes
con aquellas variables de entrada con las
que tengan una dinmica ms rpida sin
respuesta inversa.
Puede implicar la desintonizacin de los
poco importantes.
Cerrar lazos de control con las ganancias
estticas relativas ms prximas a 1.

Simular las distintas alternativas: puede


suponer un esfuerzo considerable.
Emparejar variables con ganancia
relativa ante perturbacin baja.

Control multivariable
Ejemplo mtodo Bristol:
! !Y (s ) " ! p (s ) p (s )" !U (s ) "
! #%Y (s )$& = #% p (s ) p (s )$& #%U (s )$&
1

11

12

21

22

1
C1(s ) = 1 + ,
s
C2 (s ) = K p 2

! 0
"
= #0.8
"1.6
$

Control multivariable

La razn de las ganancias estticas del lazo 1 cuando el segundo


lazo est abierto y cuando el segundo lazo est cerrado es:
=

p11(0)p22 (0)
p11(0)p22 (0) p12 (0)p21(0)

La matriz de ganancias relativas:

1 $
#
=&
')
(1

Si = 1 No existe interaccin: el segundo lazo no tiene impacto sobre


el primer lazo y viceversa.
Si 0 < < 1 el lazo cerrado tiene una ganancia ms alta que el
lazo abierto. El efecto es ms severo para = 0.5.
Si > 1 el lazo cerrado tiene una ganancia inferior que la del lazo
abierto.
Si < 0 la ganancia del primer lazo cambia de signo cuando se
cierra el segundo lazo: el efecto de las interacciones es severo.

Control multivariable
Ceros multivariables en el semiplano derecho:

Para sistemas multivariables, los ceros son los polos del sistema
inverso:
G(s ) = p11(s )p22 (s ) p21(s )p12 (s ) = 0

!
!

son de particular inters porque imponen limitaciones sobre el


rendimiento alcanzable.
Ej:
2 "
! 1
! p11(s ) p12 (s ) " # s + 1 s + 3 $
G(s ) = #
$
$=#
p
(
s
)
p
(
s
)
1
1
$
% 21
22
& #
#% s + 1 s + 1 $&

G(s ) =

1 s
2

(s + 1) (s + 3 )

=0

s =1

" 3 2#
=%
&
' 2 3 (
Existen interacciones significativas
dificultades cuando se disean los
lazos de control para tener un ancho
de banda mayor que 0 = 1

Control multivariable

C1(s ) = C2 (s ) = 2 +

2
s

El sistema se hace
inestable si Kp = 3!!!

Control multivariable
Desacoplo: eliminar o reducir las interacciones de cada
variable de entrada con las variables de salida distintas
de la que controla.
!
!
d12 #
"d
1 " p22 (0) p12 (0)#
1
D = $ 11
=
G
(0)
=
%
$
%
G(0) & p21(0) p11(0) '
!
&d 21 d 22 '
!
! Y (s ) = 0 Y (s ) = 0
! U (s )
p (0)p (0) p (0)p (0)
U (s )
q (s ) =
2
'
1

'

FdT del sistema


desacoplado

11

! q (s ) q12 (s ) "
Q(s ) = P (s )D = # 11
$
%q21(s ) q22 (s )&

Desarrollo en serie de Taylor

para pequeos |s|

" 1 12s #
Q( s ) %
1 &(
' 21s

11

22

12

21

G(0)

q12 (s ) =

p12 (0)p11(0) p12 (0)p11(0)


G(0)

q21(s ) =

p21(0)p22 (0) p21(0)p22 (0)


G(0)

q22 (s ) =

p22 (0)p11(0) p21(0)p12 (0)


G(0)

Control multivariable

Continuando con el ejemplo anterior:


1

"1 2 / 3 #
" 3 2#
D = G1(0) = $
=
%
$ 3 3 %
&1 1 '
&
'

" 3(1 s )
$ (s + 1)(s + 3)
Q(s ) = P (s )D = $
$
0
$'

Desarrollo en serie de
Taylor para pequeos |s|

4s
#
(s + 1)(s + 3) % "1 7s / 3 4s / 3 #
%$
0
1 s %(
1
% '
%(
s +1

21 = 0 la interaccin no aporta limitaciones de rendimiento para el 2 lazo


Cero en s = 1 existen limitaciones

Control multivariable
Ej [King, pp. 178]:
Fi: flujos
L: nivel
A: seccin
T: temperatura

dL F1 + F2
=
dt
A
T =

FT
1 1 + F2T2
F1 + F2

! F1
#F + F
=# 1 2
# F2
#
& F1 + F2

F2 "
F1 + F2 $
$
F1 $
$
F1 + F2 '