'Tesis PID PDF

Centro Nacional de Investigacin y Desarrollo Tecnolgico
Departamento de Electrnica
TESIS DOCTORAL
Anlisis, Sntesis y Construccin de un Controlador Adaptable
Genrico con Supervisin Inteligente
presentada por
Marco Antonio Paz Ramos

M. en C. en Ingeniera Electrnica por el cenidet
como requisito para la obtencin del grado de:

Doctor en Ciencias en Ingeniera Electrnica
Director de tesis:
Dr. Enrique Quintero-Mrmol Mrquez
Cuernavaca, Morelos, Mxico.
29 de Septiembre del 2006
Indice general
Indice de figuras
Simbologa utilizada en el documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Equivalencia simbolica por fuentes bibliogr
aficas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Siglas utilizadas en el documento
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1. Introducci
on
1.1. El control PID en la industria . . . .
1.2. Control avanzado . . . . . . . . . . .
1.3. Sistemas autosintonizables . . . . . .
1.4. Supervision . . . . . . . . . . . . . .
1.5. El trabajo de tesis desarrollado . . .
1.5.1. Objetivos . . . . . . . . . . .
1.5.2. Justificaci
on . . . . . . . . . .
1.5.3. La estructura de la propuesta
1.5.4. Organizaci
on del documento
v
viii
xi
xii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
2
2
3
6
7
7
7
7
9
2. Control Adaptable
2.1. Modelo del proceso continuo . . . . . . . . . . . . . . . . . . . . .
2.2. Modelo del proceso discreto . . . . . . . . . . . . . . . . . . . . .
2.3. El regulador autosintonizable (STR) . . . . . . . . . . . . . . . .
2.4. Estimaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1. Mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . .
2.4.2. Mnimos cuadrados recursivos . . . . . . . . . . . . . . . .
2.4.3. Parametros con variaci
on en el tiempo . . . . . . . . . . .
2.4.4. Identificabilidad . . . . . . . . . . . . . . . . . . . . . . .
2.4.5. Excitaci
on persistente . . . . . . . . . . . . . . . . . . . .
2.4.6. Convergencia de la estimaci
on . . . . . . . . . . . . . . . .
2.4.7. La deriva parametrica . . . . . . . . . . . . . . . . . . . .
2.5. La asignacion de polos . . . . . . . . . . . . . . . . . . . . . . . .
2.6. Dise
no de la asignacion de polos . . . . . . . . . . . . . . . . . .
2.7. Controlador autosintonizable por asignacion de polos (Wellstead)
2.8. El control de varianza mnima generalizado (Clarke) . . . . . . .
2.9. Acerca del controlador predictivo generalizado (Clarke) . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
12
12
13
13
14
15
15
16
17
17
18
23
28
31
36
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
de solucion
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3. Controlador de varianza mnima generalizado con asignaci

on din
amica de polos
37
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2. El controlador de varianza mnima generalizado con asignacion dinamica de polos . . . . . 39
i
3.3. Estabilidad del controlador de varianza mnima generalizado con asignacion

polos (GMVDPAC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. An
alisis de estabilidad del GMVPAC para sistemas de segundo orden . . .
3.5. Estabilidad del GMVDPAC . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1. Asignaci
on din
amica de polos . . . . . . . . . . . . . . . . . . . . . .
din
amica de
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
4. Sistema de soporte al controlador

4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Inicializaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1. Selecci
on del orden del modelo de estimacion . . . . . . . . . . . . . . . .
4.2.2. Inicializaci
on de parametros iniciales . . . . . . . . . . . . . . . . . . . . .
4.2.3. Asignaci
on de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.4. Selecci
on del periodo de muestreo . . . . . . . . . . . . . . . . . . . . . . .
4.2.5. Factor de olvido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.6. Matriz de covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.7. Detecci
on del retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.8. Excitaci
on de procesos inestables . . . . . . . . . . . . . . . . . . . . . . .
4.3. Control de respaldo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.1. Criterio de paro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2. Comportamiento del proceso evolutivo ante diferentes niveles de mutacion
4.4. Supervision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1. Estabilidad en lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.2. Identificabilidad del proceso . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.3. Error de seguimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.4. Respuesta de sistema ante cambios de carga . . . . . . . . . . . . . . . . .
4.4.5. Simulaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. Resultados y Aplicaciones
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Implementaci
on y evaluaci
on general . . . . . . . . . .
5.2.1. Implementacion del GMVDPAC . . . . . . . .
5.3. Manejo del retardo . . . . . . . . . . . . . . . . . . . .
5.4. Ejemplo numerico de implementacion del GMVDPAC
5.5. Evaluacion general del desempe
no . . . . . . . . . . .
5.5.1. El lote de plantas . . . . . . . . . . . . . . . . .
5.5.2. Criterios de evaluaci
on . . . . . . . . . . . . . .
5.5.3. Evaluaci
on del desempe
no por proceso . . . . .
5.5.4. Resultados generales . . . . . . . . . . . . . . .
5.6. Control de velocidad . . . . . . . . . . . . . . . . . . .
5.7. Control de posici
on . . . . . . . . . . . . . . . . . . . .
5.8. Control de temperatura . . . . . . . . . . . . . . . . .
5.9. Plataforma de aplicacion . . . . . . . . . . . . . . . . .
5.10. Interfaz de usuario . . . . . . . . . . . . . . . . . . . .
5.11. Pruebas con el sistema integrado . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
44
44
49
52
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
55
55
56
57
65
65
67
67
67
67
68
68
70
72
73
73
75
76
76
76
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
81
81
81
81
86
87
92
92
93
94
98
104
106
107
110
111
112
6. Conclusiones
121
6.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
ii
ANEXO A
Referencias Bibliogr
aficas
127
145
iii
iv
Indice de figuras
1-1. Estructura jerarquica del sistema desarrollado. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diagrama a bloques de un regulador autosintonizable. . . . . . . . . . . . . . . . . . . . . . . .

Diagrama a bloques de un controladore por ubicacion de polos. . . . . . . . . . . . . . . . . . .
Respuesta al escalon del sistema en lazo abierto y del sistema en lazo cerrado deseado . . . . . .
Sistema Controlado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Respuestas en lazo cerrado del sistema controlado, para diferentes constantes de tiempo deseadas.
Diferentes se
nales de control u para diferentes constantes de tiempo deseadas. . . . . . . . . . . .
a) Maxima se
nal de control contra constante de tiempo deseada, b) Esfuerzo de control contra
constante de tiempo deseada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-8. Control por asignacion de polos para 2.59. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-9. Esquema adaptable para el STPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-10. Diagrama de realimentacion conceptual del GMVC. . . . . . . . . . . . . . . . . . . . . . . . .
2-11. Diagrama a bloques del GMVC implementado como una estructura adaptable. . . . . . . . . . .
2-12. Control GMVC para el proceso 2.98. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
20
22
23
25
25
3-1.
3-2.
3-3.
3-4.
3-5.
GMVPAC modificado para enfrentar incertidumbres parametricas. . . . . . . . . . . . . . . . .

Control GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Sntesis del GMVDPAC a partir del STPAC y GMVC. . . . . . . . . . . . . . . . . . . . . . .
Comparaci
on del sistema en lazo abierto y la respuesta deseada demarcada por la ecuacion 3.6. . .
a) Seguimiento de la referencia del sistema cuando es controlado con un GMVDPAC, b) Se
nal de
control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-6. a) Evolucion de los parametros de estimacion en funcion del tiempo, b) Desempeno de la traza de
la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-7. Diagrama a bloques conceptual del GMVPAC . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-8. Zona de estabilidad definida en funcion del polinomio costo P. . . . . . . . . . . . . . . . . . . .
3-9. Circuito RLC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-10. Zona de estabilidad para el ejemplo 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-11. a) Seguimiento a la referencia b) Senal de control. . . . . . . . . . . . . . . . . . . . . . . . . .
3-12. GMVPAC ante el cambio de resistencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-13. Estabilidad del GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-14. Control GMVDPAC ante el cambio de resistencia. . . . . . . . . . . . . . . . . . . . . . . . . .
3-15. Control GMVPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-16. Control GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
40
40
42
4-1. Bosquejo del algoritmo de inicializacion. . . . . . . . . . .

4-2. Sistema excitado. . . . . . . . . . . . . . . . . . . . . . .
4-3. a) Comportamiento de la estimacion primer orden b) Traza
minante de la inversa de la matriz de covarianza . . . . . .
55
59
2-1.
2-2.
2-3.
2-4.
2-5.
2-6.
2-7.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
26
28
29
33
34
35
42
43
44
45
47
47
48
49
51
52
53
53
de la matriz de covarianza c) Deter-
. . . . . . . . . . . . . . . . . . . .
59
v
4-4. Figura 4.4: LGR del modelo estimado de primer orden. . . . . . . . . . . . . . . . . . . . . . .

4-5. a) Comportamiento de la estimacion segundo orden b) Traza de la matriz de covarianza c) Determinante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . .
4-6. LGR del modelo estimado de segundo orden. . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-7. a) Comportamiento de la estimacion tercer orden b) Traza de la matriz de covarianza
c)
Determinante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . .
4-8. LGR del modelo estimado de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-9. LGR del modelo de estimacion de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . .
4-10. Multiplo valor porcentual en el actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-11. Senal de control saturada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-12. Obtencion del retardo del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-13. Representacion genetica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-14. Estructura del PID Genetico Directo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-15. Lmites de saturacion del actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-16. a) Seguimiento de la referencia del sistema cuando es controlado con el PID genetico directo b)
Funci
on de aptitud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-17. Relacion tiempo de ejecucion del algoritmo versus numero de generaciones. . . . . . . . . . . . .
4-18. Relacion IAE promedio obtenida versus numero de generaciones. . . . . . . . . . . . . . . . . .
4-19. Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutacion. . . .
4-20. a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la direccion de las flechas
muestran la direccion de la migracion de los polos en funcion del tiempo, b) proyecci
on ., Las X
representan la ubicacion de polos definida por T, c) Asignaci
on de los polos con respecto al tiempo,
los trapezoides representan la proyecci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-21. Comportamiento del sistema cuando los parametros iniciales del control adaptable son proporcionados por el procedimiento de inicializaci
on. . . . . . . . . . . . . . . . . . . . . . . . . . .
4-22. Comportamiento de los polos en lazo cerrado cuando los parametros iniciales del control adaptable
son proporcionados por el procedimiento de inicializacion . . . . . . . . . . . . . . . . . . . . .
4-23. Arranque del sistema bajo el control de respaldo . . . . . . . . . . . . . . . . . . . . . . . . . .
4-24. Falla provocada al definir los polos de T fuera del crculo unitario . . . . . . . . . . . . . . . . .
4-25. Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del crculo unitario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4-26. Conmutacion al modo respaldo por la falla provocada. . . . . . . . . . . . . . . . . . . . .

Diagrama esquematico del sistema intercambiador de calor . . . . . . . . . . . . . . . . . . . .
Diagrama a bloques del control para el intercambiador de calor . . . . . . . . . . . . . . . . . .
Perturbacion en la transmision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Control PID del intercambiador de calor a) Seguimiento a la referencia y=T0 en grados centigrados,
b) Se
nal de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5-5. Control GMVDPAC del intercambiador de calor a) Seguimiento a la referencia, b) Senal de control
5-6. Estimacion del proceso de intercambio de calor . . . . . . . . . . . . . . . . . . . . . . . . . .
5-7. Comportamiento del IAE promedio en funcion de . . . . . . . . . . . . . . . . . . . . . . . .
5-8. Comportamiento del IAC promedio en funcion de . . . . . . . . . . . . . . . . . . . . . . . .
5-9. Comportamiento del ITAE promedio en funcion de . . . . . . . . . . . . . . . . . . . . . . .
5-10. Grafica de pastel que representa el porcentaje en que cada controlador obtuvo el mejor resultado
a lo largo de las pruebas para seguimiento a la referencia (medido con IAE) . . . . . . . . . . . .
5-11. Grafica de pastel que representa el porcentaje total de ocaciones en que un controlador dado realiza
el menor esfuerzo de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5-12. Grafica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a
lo largo de las pruebas de cambio de carga (medido con ITAE) . . . . . . . . . . . . . . . . . .
5-1.
5-2.
5-3.
5-4.
vi
60
61
61
62
62
63
66
66
67
68
69
69
70
71
72
73
74
77
77
78
78
79
79
87
88
89
90
91
92
96
97
97
98
99
99
5-13. Grafica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de
la perturbaci
on fue la maxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-14. Grafica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbaci
on
fue la maxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-15. Grafica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbacion
fue la maxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5-16. Puntaje acumulado para seguimiento a la referencia . . . . . . . . . . . . . . . . . . . . . . . . 103
5-17. Puntaje acumulado para el esfuerzo de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5-18. Puntaje acumulado para el cambio de carga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5-19. Control de velocidad usando el GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5-20. Comportamiento de la estimacion, a) Parametros de la estimacion, b) Funcion de salida generalizada. 105
5-21. Motor de CD Buehler con reduccion de velocidad. . . . . . . . . . . . . . . . . . . . . . . . . . 106
5-22. Control de posicion de una banda transportadora usando GMVDPAC (seguimiento). . . . . . . . 106
5-23. Control de posicion de una banda transportadora usando GMVDPAC (regulacion). . . . . . . . . 107
5-24. Comportamiento de la estimacion, a) Parametros de estimacion, b) Traza de la matriz de covarianza. 107
5-25. Controlador de temperatura Honeywell DC1020 . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-26. Figura 5.26. Proceso de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-27. Control del DC1020 a) Regulacion, b) Senal de control. . . . . . . . . . . . . . . . . . . . . . . 109
5-28. Control GMVDPAC, (a) Regulacion, (b) Senal de Control. . . . . . . . . . . . . . . . . . . . . 110
5-29. Figura 5.29. Plataforma de aplicacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5-30. Interfaz grafica del controlador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5-31. Excitacion del sistema durante la inicializacion, a) Respuesta del proceso, b) Senal de excitacion. . 112
5-32. Estimacion recursiva para el modelo interno de primer orden, a) Comportamiento de los parametros
de estimacion, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5-33. Estimacion recursiva para el modelo interno de segundo orden, a) Comportamiento de los parametros de estimacion, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5-34. Estimacion recursiva para el modelo interno de tercer orden, a) Comportamiento de los parametros
de estimacion, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5-35. Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Senal de control. 117
5-36. Estimacion recursiva durante el control adaptable, a) Parametros de estimacion, b) Traza de la
matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5-37. Control GMVDPAC aplicando al control de posicion de una banda transportadora prototipo durante cambios de carga, a) Seguimiento a la referencia, b) Se
nal de control. . . . . . . . . . . . . 118
5-38. Estimacion recursiva durante el control adaptable cuando existen cambios de carga, a) Parametros
de estimacion, b) Traza de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . 118
5-39. Simulacion del controlador PID para el individuo mas apto, a) Seguimiento a la referencia, b)Proceso
evolutivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5-40. Control PID genetico directo aplicado al control de posicion de una banda transportadora prototipo,
a) Seguimiento a la referencia, b) Se
nal de control. . . . . . . . . . . . . . . . . . . . . . . . . . 120
5-41. Conmutacion entre controladores GMVDPAC y PID genetico directo en el segundo 100,
Seguimiento a la referencia, b) Se
nal de Control. . . . . . . . . . . . . . . . . . . . . . . . . . . 120
vii
Simbologa utilizada en el documento

y Salida del proceso
u Entrada del proceso
r Referencia del sistema
e Perturbacion del sistema
A Polinomio denominador de la funcion de transferencia del proceso
B Polinomio numerador de la funcion de transferencia del polinomio
n
Orden del polinomio A
Orden del polinomio B
Polinomio de ubicacion de polos asociado al polinomio A

Polinomio de ubicacion de polos asociado al polinomio B
G(s) Funcion de transferencia del proceso en s
G(z) Funcion de transferencia del proceso en z
Parametros del modelo del proceso
Vector de regresi
on
Matriz de regresores
E r Vector residuo
Residuo de la estimacion
P x Matriz de covarianza
K Ganancia del estimador
Factor de olvido exponencial
E Matriz de Sylvester
D Vector de asignacion de polos
M Vector soluci
on de la asignacion de polos
K 0 Ganancia de seguimiento para asignacion de polos
M p Sobreimpulso m
aximo
t s Tiempo de establecimiento
Coeficiente de amortiguamiento
n Frecuencia natural no amortiguada
h Periodo de muestreo
viii
Constante de tiempo
d Constante de tiempo deseada en lazo cerrado
K D Ganancia para constante de tiempo deseada
E f Esfuerzo de control
d Coeficiente de amortiguamiento deseado en lazo cerrado
nd Frecuencia natural no amortiguada deseada en lazo cerrado
M pd Sobreimpulso deseado en lazo cerrado
t sd Tiempo de establecimiento deseado en lazo cerrado
K 1 Ganancia para el sobreimpulso deseado en lazo cerrado
K 2 Ganancia para el tiempo de establecimiento deseado en lazo cerrado
H Polinomio de control asociado a u
E Polinomio de control asociado a r
G Polinomio de control asociado a y
C Polinomio de la perturbaci
on
k Retardo en instantes de tiempo
T Polinomio de asignaci
on de polos
X Polinomio conocido con inversa estable
Funci
on de salida generalizada o pseudo salida
P Polinomio costo asociado a la salida del sistema
Q Polinomio costo asociado a la entrada del sistema
R Polinomio costo asociado a la referencia del sistema
E x Esperanza matem
atica
J Funcion costo asociada a
Frontera de estabilidad
K x Ganancia de lazo abierto del proceso
RLS Diferencia entre la posicion de polo y cero redundante durante la estimacion RLS
ac Sumatoria del residuo absoluto
K cov Ganancia inicial para inicializar Px
w Ventana de par
ametros de estimaci
on
W n Variaci
on de la salida del proceso con entrada cero
ix
Kp Ganancia proporcional del PID ISA

T i Tiempo integral del PID ISA
T d Tiempo derivativo del PID ISA
f.a. Funcion de aptitud
Equivalencia simb
olica por fuentes bibliogr
aficas
Variables utilizadas
Polinomio de orden n asociado a la
salida del sistema; a0 = 1
Polinomio de orden m asociado a la
entrada del sistema
Polinomio de orden n asociado a una
secuencia aleatoria no correlacionada; c0 = 1
Entrada al sistema
Salida del sistema
Referencia del sistema
Funci
on de salida generalizada
Polinomio costo para la salida del
sistema
Polinomio costo para la entrada del
sistema
Polinomio costo para la referencia
del sistema
Polinomio general para la salida del
sistema
Polinomio general para la entrada
del sistema
Polinomio general para la referencia
del sistema
Polinomio general de la secuencia
aleatoria
Polinomio general de la ubicacion de
polos
Secuencia aleatoria no correlacionada de media cero
Allidina [1]
A
Clarke [19]
A
Wellstead [82]
A
Astr
om [4]
A
Tesis
A
u
y
w
u
y
w
u
y
r
u
y
yf
P
u
y
r
R 1
Ac
Astr
om presenta en [4] el control de varianza mnima generalizado como una variante del control autosintonizable generalizado directo. En esta fuente no se presenta simbologa asociada a la referencia, por que
solo se analiza el caso de minimizaci
on de varianza en la salida.
xi
Siglas utilizadas en el documento

PID Proporcional + Integral +Derivativo (control)
PAC Controlador de automatizacion programable1
SCADA Control supervisorio con adquisicion de datos1
HMI Interfaz hombre m
aquina1
STR Regulador autosintonizable1
STPAC Controlador autosintonizable por asignacion de polos1
GMVC Controlador de varianza mnima generalizado1
GMVPAC Controlador de varianza mnima generalizado con asignacion de polos1
GMVDPAC Controlador de varianza mnima generalizado con asignacion dinamica de polos1
LTI Lineal e invariante en el tiempo1
SISO Una entrada una salida1 (proceso)
ZOH Retenedor de orden cero1
RLS Mnimos cuadrados recursivos1
PE Excitado persistentemente1
MVC Controlador de varianza mnima1
LGR Lugar geometrico de las races
IAE Integral del error absoluto1
ITAE Integral del error absoluto por el tiempo1
IAC Integral del error absoluto de la se
nal de control
xii
por sus siglas en ingles
Captulo 1
Introducci
on
El vnculo entre el control de procesos y el desarrollo de la tecnologa ha sido tan estrecho, que ha
trascendido incluso el papel de mera herramienta tecnol
ogica [14]. Algunos ejemplos del profundo impacto
del control de procesos en la historia reciente, pueden encontrarse en el transcurrir de la Segunda Guerra
Mundial: en 1940 las refineras en Estados Unidos producan tan solo 30 000 barriles diarios, mientras que
al finalizar la guerra, la produccion haba aumentado hasta alcanzar los 580 000 barriles [83]; la demanda
de combustible para los aviones militares forzo a la industria de la refinaci
on a incorporar avances del
control de procesos, como es el costo de los primeros controladores PID neum
aticos [11], que en ese
momento historico no gozaban de una buena aceptacion en la industria [12]. Por su parte, la sntesis
del uranio 235 en el proyecto Manhattan hubiera sido imposible sin el control de flujo desarrollado por
Taylor, para el altamente explosivo hexafluorido de uranio [83]; incluso el desarrollo del radar, considerado
como pieza clave en la victoria de los aliados, recibi
o un gran impulso de los estudios precursores sobre
el control en tiempo discreto [40].
En la actualidad el control de procesos representa una industria multimillonaria, tan solo en el 2003 se
vendieron 9200 mdd en sistemas de control distribuido alrededor del mundo, y se estima que esta cifra
ascienda a los 10 300 mdd para el 2007 [70]. Hoy en da existen factores comunes que determinan la
adopci
on por parte de la industria de nuevas tecnologas de control, entre las que pueden enumerarse:
La reducci
on de costos,
La b
usqueda de la eficiencia en la producci
on,
La mejora permanente en la calidad del producto.
La calidad del producto guarda una estrecha relacion con el control de procesos, por lo que mejorar el
desempe
no de este u
ltimo, debe ser una tarea prioritaria. La mejora del desempe
no del control puede
lograrse a traves de una cuidadosa inversion en infraestructura [25], lo cual es poco viable en muchos
casos [48]; alternativamente la incorporaci
on de estrategias de control que se adapten adecuadamente al
proceso puede significar una mejora a las condiciones de operaci
on vigentes; por ejemplo, la apreciaci
on
de la divisa japonesa ante el d
olar en la decada de 1990, obligo a la industria japonesa a una reduccion
drastica de costos, para mantener as su competitividad. Entre las estrategias implantadas exitosamente
para hacer frente a esta problem
atica, estuvieron la evaluaci
on y la adopci
on de tecnologas innovadoras
en el control de procesos, en sustituci
on del control convencional instalado. Consecuentemente, hoy en
da la industria japonesa cuenta con la mayor relaci
on de control no convencional instalado en el mundo
[77].
1
1. Introducci
on
1.1.
El control PID en la industria
Seg
un una encuesta de opinion realizada entre academicos e industriales [71], el controlador PID es la
segunda tecnologa de mayor influencia en el control de procesos durante el siglo XX. Algunos aspectos
que mantienen al control PID como lder en aplicaciones en la industria son:
Economa. Actualmente se puede conseguir un controlador PID digital de campo con autosintonizaci
on
por menos de 100 dolares,
Confiabilidad. El desempe
no del control PID ha estado a prueba por decadas, con resultados favorables
en un amplio espectro de aplicaciones,
Simplicidad. A pesar de que la sintonizaci
on del control PID puede ser llevada a cabo analticamente,
es su car
acter intuitivo [90] el que le ha ganado la mayor parte de sus adeptos en la industria; s
olo
la l
ogica difusa en tiempos recientes [18] ha logrado competir con el control PID en este rubro.
Se estima que aproximadamente el 95 % de los lazos de control en el mundo usan controladores PID [4];
aunque, tambien se estima que mas del 30 % de dichos lazos opera en modo manual, mientras que otro
porcentaje similar opera con las ganancias por defecto configura el fabricante del controlador [24]. Las
principales causas de dicha situacion se enumeran a continuacion:
Mala sintonizaci
on del controlador,
Capacitacion inadecuada o deficiente del operario,
Selecci
on incorrecta de componentes,
Envejecimiento del proceso,
Cambios ambientales dr
asticos,
Desempe
no poco satisfactorio de los actuadores,
Transmisores mal calibrados,
Dise
no deficiente del lazo de control,
Anexion de infraestructura no contemplada en el dise
no original,
No linealidades del proceso,
Cambios en las estrategias de produccion,
Modificaciones de las propiedades de la materia prima,
Cambios en los ciclos de mantenimiento.
1.2.
Control avanzado
Ante condiciones demandantes como las antes descritas, el control PID puede tener un desempe
no insatisfactorio. En muchos casos, una acertada sintonizacion puede eliminar parte de los problemas; sin
embargo en algunas ocasiones, para lograr la sintonizacion se requiere un conocimiento profundo del
proceso, por lo que la sintonizaci
on heurstica deja de ser una ventaja.
Algunas estrategias de control avanzado han hallado un nicho precisamente donde el desempe
no es
crtico y los costos de la infraestructura de control pueden amortizarse con las mejoras en la produccion
2
1.3 Sistemas autosintonizables

consecuentes. El nivel de adopci
on del control avanzado ha dependido del tipo de industria y del lugar
donde esta se encuentre. En Jap
on por ejemplo, el control inteligente ha ganado un espacio importante
[77], mientras que en Estados Unidos la adopcion de estas mismas tecnologas ha sido moderada [18],
[10]. En Japon, tecnicas como el control LQG, filtros de Kalman, H infinito y primordialmente el control
inteligente representan cerca del 10 % del control en la industria, lo cual significa un maximo hist
orico;
ya que, a principios de la decada de los noventa, la participacion de estas estrategias en Jap
on era
practicamente nula.
Por su parte en Europa, particularmente en Gran Breta
na y Suecia, el control adaptable ha tenido
una participaci
on discreta en el mercado, pero constante por m
as de dos decadas [69]. Los niveles de
desempe
no de estos controladores han ganado espacios donde los estandares de producci
on son muy
altos; espacios que se han ido ampliando debido a la naturaleza cada vez m
as competitiva del mercado
europeo.
1.3.
Sistemas autosintonizables
El control adaptable es particularmente u

til, cuando por diversas causas el proceso esta sujeto a cambios
en las condiciones de operacion y se requiere mantener una homogeneidad en el desempe
no del lazo.
En particular, el control autosintonizable, es la estrategia de control adaptable que mayor penetraci
on
ha tenido en el control de procesos industriales. Los sistemas autosintonizables hallaron inspiracion en
los desarrollos que Kalman realiz
o para el control computarizado de procesos, mientras trabajaba para
DuPont [3].
Narendra en [54] define control autosintonizable como: Dada una planta que es conocida imprecisamente,
el problema del control adaptable puede ser definido cualitativamente como el de dise
nar un controlador,
el cual, resulte en un desempe
no satisfactorio. Si la planta es invariante en el tiempo, nosotros podemos
hablar acerca del problema de autosintonizaci
on, cuando el problema es uno de regulaci
on o seguimiento.
Estrictamente hablando, nosotros podemos llamar al problema en el cual las caractersticas de la planta
varan lentamente con el tiempo y el controlador trata de alcanzar un desempe
no satisfactorio, como
el problema de adaptaci
on. En la mayora de la literatura publicada, es el problema de sintonizacion
el que se discute, y el problema de adaptaci
on es tratado como uno de control robusto en presencia de
perturbaciones parametricas. Wellstead por su parte menciona en [82]: ...Especficamente la idea de un
ajuste autosintonizable fue concebida originalmente, como un medio de manejar la sintonizaci
on inicial
de un controlador o filtro para sistemas y fuentes de se
nal, los cuales son invariantes en el tiempo pero
desconocidos. El primer sistema de control autosintonizable que vio la luz en 1973, fue propuesto por
K. J.
Astrom y B. Wittenmark [6], pero no fue sino hasta la decada de 1980, cuando varios controladores
autosintonizables salieron al mercado, aunque debido a la capacidad de c
omputo disponible en aquel
momento, la adaptaci
on no poda ser una tarea permanente del controlador.
Durante los u
ltimos 20 a
nos, la capacidad de c
omputo ha mejorado en proporciones geometricas, lo cual
ha permitido una significativa reduccion de costos. Hoy en da, existen plataformas tecnol
ogicas sobre las
cuales puede implementarse casi cualquier estrategia de control con relativa flexibilidad y economa, como
es el caso de los sistemas embebidos de proposito general, con plataformas de programaci
on flexibles o
bien de los controladores de automatizaci
on programables (PAC) [79]. Ya que en la actualidad se puede
pasar por alto la limitacion computacional, la disyuntiva de realizar la optimizaci
on de parametros en
un sistema autosintonizable de forma permanente o no, practicamente ha desaparecido.
Una forma ilustrativa de reconocer el estado de la pr
actica del control autosintonizable, es mediante
la revision de las patentes relacionadas (U.S. patents). En la Tabla 1.1 se presentan algunas patentes
de controladores autosintonizables presentadas expresamente por fabricantes de controladores [87], es
importante mencionar que varias de estas propuestas utilizan como estructura de control central un PID.
3
1. Introducci
on
A
no
Tabla 1.1. Algunas patentes de controladores autosintonizables

propuestas por fabricantes de controladores
Patente No.
Asignaci
on
Ttulo
1983
4,368,510
Leeds & Northrup Company
1986
4,602,326
The Foxboro Company
1987
1988
4,669,040
4,758,943
Eurotherm Corporation
Hightech Network AB
1989
1989
1989
1990
4,814,968
4,881,160
4,882,526
RE33267
Fischer & Porter Company

Yokogawa Electric Corporation
Kabushiki Kaisha Toshiba
The Foxboro Company
1992
5,153,807
Hitachi Ltd.
1992
5,170,341
Honeywell Inc,
1994
5,335,164
Universal Dynamics Limited
1994
5,355,305
Johnson Service Company
1995
5,394,322
The Foxboro Company
1995
1996
1997
5406474
5587896
5,687,077
The Foxboro Company

The Foxboro Company
Universal Dynamics Limited
2004
6,760,716
Fisher-Rosemount Systems, Inc.
2006
7,024,253
Honeywell Inc.
Automatic identification system for

self tuning process controller
Pattern-recognizing self-tuning controller
Self-tuning controller
Method and an apparatus for automatically tuning a process regulator
Self-tuning process controller
Adaptive process control system
Pattern-recognizing self-tuning controller
Self-tuning controller apparatus and
process control system
Adaptive controller in a process control system and a method therefor
Method and apparatus for adaptive
control
Pattern recognition adaptive controller
Self-tuning controller that extracts
process
Method and apparatus for adaptive
control
Adaptive predictive model in a process control system
Auto-tuning controller using loopshaping
Las patentes presentadas en la Tabla 1.1, est

an relacionadas con productos de control destinados al
proposito general, ya sea como controladores de campo o software asociado. Es importante mencionar
que el hecho de que las patentes se concedieran, no implica necesariamente que la compa
na involucrada
las explote comercialmente. En la Tabla 1.2 se presentan diferentes aplicaciones particulares del control
autosintonizable, y como puede apreciarse, sobresale el uso de este tipo de controladores en la industria
automotriz.
En relacion a la estructura de control abordada en la tesis (y sobre la cual se propone una modificaci
on),
se enumeran patentes vinculadas al control de varianza mnima generalizado (GMVC) en la Tabla 1.3.
1.3 Sistemas autosintonizables
A
no
Tabla 1.2. Algunas patentes relacionadas con el uso

de controladores autosintonizables para uso en aplicaciones particulares
Patente No
Asignaci
on
Ttulo
1986
4,585,985
General Electric Company
1987
4,677,542
Deere & Company
1987
4,698,745
1990
4,930,517
Massachusetts Institute of Technology
1992
5,135,186
Teijin Seiki Co., Ltd.
1994
1997
5,347,446
5,692,485

Honda Motor Co.
2000
6,076,951
National University of Singapore
2000
2001
6,125,831
6,229,898
Honda Motor Co.

Sikorsky Aircraft Corporation
2003
6,564,110
Sumitomo Heavy Industries, Ltd.
2002
2004
2004
6,404,581
6,745,087
6,773,374
Voyan Technology
Tokyo Electron Limited
Honda Motor Co.
2004
2006
6,784,632
7,024,302
Kabushiki Kaisha Yaskawa Denki

Honda Motor Co.
2006
7,050,864
Honda Motor Co.
Method of real time operating point

identification and pole adjustment for
an induction motor drive system
Self-tuning regulator implement control
Process control apparatus for optimal
adaptation to a disturbance
Method and apparatus for physiologic
system identification
Flutter control system for aircraft
wings
Model predictive control apparatus
Feedback control system using adaptive control
Frequency-domain adaptive controller
Control system for plants
Active vibration control system using
on-line system identification with enhanced noise reduction
Position controlling apparatus capable of reducing the eect of disturbance
Adaptation to unmeasured variables
Method for control of a plant
Brake negative pressure control apparatus and method, and engine control
unit for internal combustion engine
Positioning servo controller
Air-fuel ratio control system and
method for an internal combustion
engine, and engine control unit
Control system for a plant using identified model parameters
En el presente trabajo se aborda tambien la sintonizaci

on de controladores PID mediante la aplicacion de
algoritmos geneticos; una patente relacionada al tema es la n
umero 5,971,579 presentada por Samsung
Electronics Co. como Unit and method for determining gains of a PID controller using genetic algorithm
[87].
1. Introducci
on
A
no
1.4.
Tabla 1.3. Patentes relacionadas con el GMVC

Patente No
Asignaci
on
Ttulo
1995
5,418,858
Cooper Tire & Rubber Company
1997
5,629,986
Cooper Tire & Rubber Company
2000
6,122,557
Montell North America Inc.
2001
6,263,355
Montell North America Inc
Method and apparatus for intelligent

active and semi-active vibration control
Method and apparatus for intelligent
active and semi-active vibration control
Non-linear model predictive control
method for controlling a gas-phase reactor including a rapid noise filter and
method therefor
Non-linear model predictive control
method for controlling a gas-phase reactor including a rapid noise filter and
method therefor
Supervisi
on
Los primeros sistemas SCADA (Supervisory Control and Data Acquisition) que incorporaron HMI (Human Machine Interface) salieron al mercado a finales de la decada de 1970 como una respuesta a la
demanda de supervision en los procesos [76]. Con el avance tecnol
ogico, los procesos fueron incrementando tambien su nivel de complejidad y se hizo necesario el desarrollo de sistemas de vigilancia de
menor tama
no y con mayor eficiencia que los existentes. Los sistemas SCADA actuales, posibilitan al
operario acceder a las variables del proceso casi instant
aneamente; sin importar, la distancia a la que
se encuentren. Un SCADA es una herramienta muy valiosa en el control de procesos, pues permite una
panoramica general del proceso, facilitando as, la toma de decisiones.
La supervisi
on es una tarea fundamental para darle certidumbre a la operacion del proceso. La supervision
puede ser activa; es decir, que puede llevarse a cabo de forma autonoma al operario; o pasiva, cuando el
sistema provee al operario con elementos de juicio para que este u
ltimo tome las decisiones [53].
Si lo que se desea es alcanzar ciertos niveles de autonoma en el control de procesos, es fundamental
que los lazos de control sean confiables y la supervisi
on de estos lazos en diversos niveles, puede ser una
soluci
on efectiva.
En particular, los controladores autosintonizables empleados en la industria han incorporado como elemento necesario un lazo de supervision en la operaci
on del sistema. A principios de la decada de 1980,
se desperto un gran interes en la aplicaci
on industrial de diversas tecnicas de control autosintonizables;
sin embargo, surgieron dificultades puesto que a los ojos de personal no especializado en el tema, el
comportamiento dinamico de un controlador autosintonizable se apreciaba extra
no y en consecuencia
poda considerarse poco digno de confianza. En este clima de incertidumbre inicial algunos trabajos emitieron recomendaciones sobre la implementaci
on de controladores autosintonizables en la practica [84].
Una soluci
on propuesta por Isermann para proveer de confiabilidad a un control autosintonizable, fue
la anexion de un lazo de supervision activo al control [39]. Dicha propuesta basaba su funcionamiento
en la detecci
on de la violaci
on de precondiciones, las cuales son aquellos requerimientos necesarios para
el adecuado funcionamiento del sistema. En [39], la supervisi
on se realiza en los tres puntos que seg
un
el autor son los m
as sensibles de un control autosintonizable: desempe
no del controlador, calidad de la
estimaci
on y estabilidad del lazo cerrado. Isermann incluy
o un modulo de arranque para el controlador
al cual denomino inicializador. La importancia del inicializador para controladores autosintonizables, se
ve remarcada en los trabajos de Lundh-
Astrom [46], y Hagglund-
Astrom [31], donde el inicializador es
considerado un subsistema del supervisor. En [31] y [46] se hace menci
on del m
odulo de supervisi
on que
6
1.5 El trabajo de tesis desarrollado

utiliza la serie ECA de controladores adaptables de campo, los cuales son fabricados por ABB. El supervisor utilizado por la serie ECA, basa su funcionamiento en diversos desarrollos heursticos asociados al
analisis de la respuesta a la frecuencia [30]. La se
nal de la que se obtiene la informaci
on en la serie ECA,
es la respuesta del proceso cuando se cierra el lazo con un relevador realimentado [32]. La inicializaci
on
basada en el uso del relevador realimentado, encuentra su principal limitaci
on en procesos donde algunos
o todos los polos del sistema se encuentran en el eje imaginario y/o en el semiplano derecho del lugar
geometrico de las races (LGR), pues en estas circunstancias no es posible garantizar la existencia de un
ciclo lmite [2], [34].
1.5.
El trabajo de tesis desarrollado
Hallar la soluci
on de algunas de las dificultades enumeradas en la secci
on 1.1, en particular aquellas que
pueden llegar a ser interpretadas desde la perspectiva del dise
no del controlador, como perturbaciones
en los par
ametros del modelo (envejecimiento del proceso, cambios ambientales dr
asticos
o alteracion en
las propiedades de la materia prima por ejemplo), motiv
o el trabajo de investigacion reportado en este
documento.
Adem
as, tomando en cuenta dos de las demandas m
as significativas que hace la industria al control
adaptable: mayor confiabilidad y menor dependencia del dise
nador, en el trabajo se incorporan propuestas
que dan peso a estas directivas.
A continuaci
on se enumeran los objetivos y justificaci
on del trabajo desarrollado.
1.5.1.
Objetivos
Dise
nar y construir un controlador autosintonizable, capaz de superar satisfactoriamente durante
su operaci
on, perturbaciones en los par
ametros de la planta.
Dise
nar y construir un sistema de soporte al controlador autosintonizable, para expandir sus rangos
de confiabilidad y autonoma
1.5.2.
Justificaci
on
Actualmente hay poco control adaptable instalado en la industria, debido principalmente a su complejidad
implcita. El trabajo de tesis presentado, se justifica debido a que es una propuesta para simplificar la
operacion y facilitar la implementaci
on pr
actica de un controlador adaptable suboptimo.
1.5.3.
La estructura de la propuesta de soluci

on
El control autosintonizable utilizado, es una contribuci

on del trabajo de tesis, resultado de una reestructuracion al algoritmo de control de varianza mnima generalizado (GMVC) propuesto por Clarke en
[19]. En esta tesis se presentan ambas estructuras con la finalidad de establecer las diferencias y resaltar
las cualidades del controlador propuesto, denominado controlador de varianza mnima generalizado con
asignaci
on din
amica de polos (GMVDPAC).
El sistema de soporte, consiste de un procedimiento de inicializaci
on que permite el arranque aut
onomo
del sistema y de un procedimiento de supervision que monitorea el estado de las variables del proceso
cuando se realiza el control, reconfigurando el control adaptable cuando las condiciones son adecuadas
para corregir un funcionamiento insatisfactorio o sustituyendolo por un controlador de respaldo si el
control adaptable no pudiera garantizar las condiciones mnimas de operaci
on.
Los supervisores de controladores autosintonizables son un tema escaso en la literatura, debido a que
estos, est
an vinculados en su mayor parte a aplicaciones comerciales; al respecto en [30] se comenta:Los
detalles de las condiciones para adaptaci
on usadas en los controladores adaptables normalmente no son
7
1. Introducci
on
publicadas, s
olo los principios generales se dan en publicaciones abiertas, mientras que en [5] donde se
discute el futuro del control PID se menciona: La mayora del conocimiento acerca del control PID ha
estado disponible por largo tiempo. Desafortunadamente este esta siendo enterrado en la informacion
propietaria de los proveedores. Esta situaci
on represent
o una motivacion extra para el desarrollo de una
metodologa abierta para la construccion de controladores autosintonizables supervisados.
El desarrollo en general de la tesis puede dividirse en dos partes fundamentales: desarrollo del control
autosintonizable y construcci
on del sistema de soporte para el controlador. En el diagrama a bloques de
la Figura 1-1 se ilustra la estructura jerarquica del sistema desarrollado.
Figura 1-1: Estructura jerarquica del sistema desarrollado.

La etapa de control, a su vez consta de dos partes:
El control adaptable: Es el control principal del sistema y est
a constituido por un GMVDPAC [59],
El control de respaldo: El papel de este controlador es suplir al control adaptable en caso de
que este presente un desempe
no poco satisfactorio. Para cumplir con estas funciones de dise
no se
construyo un PID genetico directo [62], [63].
La etapa de inicializacion es esencial para el funcionamiento aut
onomo del sistema, en el trabajo de tesis
se desarrollo un procedimiento de inicializacion [64], que mediante la interpretaci
on y manipulaci
on de
ciertas variables medidas ajusta las siguientes condiciones de operaci
on del sistema:
1. Estructura del modelo de estimaci
on,
2. Par
ametros de identificaci
on iniciales,
3. Matriz de covarianza inicial,
4. Factor de olvido,
5. Detecci
on y caracterizaci
on del retardo del sistema,
6. Dise
no de asignacion de polos,
7. Selecci
on del periodo de muestreo,
8. Sintonizacion del control de respaldo.
8
1.5 El trabajo de tesis desarrollado

Por otro lado, con el modulo de supervision se incrementa el nivel de confianza en la operaci
on del
sistema, a traves de la evaluaci
on del desempe
no del proceso y la toma de decisiones.
Las variables de supervision contempladas por el sistema desarrollado son:
Estabilidad del lazo realimentado,
Identificabilidad del lazo retroalimentado,
Error de seguimiento a la referencia,
Respuesta del sistema ante cambios de carga.
1.5.4.
Organizaci
on del documento
El presente documento se ha dividido en los siguientes captulos:

Captulo 2: Control Adaptable. En este captulo, se revisan los fundamentos de las estructuras de control
autosintonizable en las que se basa el algoritmo desarrollado en la tesis, as como la metodologa de
estimaci
on utilizada. Se establecen tambien en este captulo las bases del dise
no por asignaci
on de polos
usando el enfoque polinomial.
Captulo 3: Control de Varianza Mnima Generalizado con Asignacion Dinamica de Polos. En este captulo
se presenta el algoritmo de control desarrollado en la tesis. Se presentan las principales diferencias con
respecto al algoritmo original y se analizan las mejoras ofrecidas por el GMVDPAC en cuanto a la
estabilidad y desempe
no del sistema en lazo cerrado.
Captulo 4: Sistema de soporte al controlador. En este captulo, se presentan las estrategias desarrolladas
para dar soporte al controlador adaptable: procedimiento de inicializacion, procedimiento de supervisi
on
y configuraci
on del control de respaldo.
Captulo 5: Resultados y Aplicaciones. En este captulo, se re
unen pruebas realizadas tanto en simulaci
on como en aplicaciones pr
acticas del sistema desarrollado. Los resultados se presentan y se analizan
detalladamente en esta secci
on.
Captulo 6: Conclusiones. En este captulo, se exponen y analizan las contribuciones del trabajo de tesis.
1. Introducci
on
10
Captulo 2
Control Adaptable
La idea central del control adaptable es modificar la ley de control, en funcion de posibles cambios
asociados al proceso, con el fin de obtener un desempe
no homogeneo en presencia de dichos cambios.
Las estructuras de control adaptable son diversas [8]. En el presente captulo se estudian algunos reguladores autosintonizables (grupo al cual pertenece el controlador propuesto en esta tesis), a traves de la
revisi
on de sus etapas esenciales: estimacion, dise
no del controlador y control.
2.1.
Modelo del proceso continuo
El enfoque de los procesos que se consideran a lo largo del trabajo es lineal, especficamente se usan
los modelos matem
aticos de una entrada, una salida (SISO, por sus siglas en ingles), del tipo lineal e
invariante en el tiempo (LTI, por sus siglas en ingles) de tal forma se describe la ecuaci
on diferencial de
orden n
y (n) (t) + a1 y n1 (t) + ... + an y (t) = b0 u(m) + b1 u(m1) (t) + bm u (t)
di
dti
(2.1)
di
dti
donde y(i) (t) =

y (t) , y u(i) (t) =
u (t) ; u (t) es la variable asociada a la entrada del proceso,
mientras y (t) es la variable asociada a la salida del proceso, los coeficientes ai , bj , i=1,2,...,n, j=0,1,...,m,
son constantes donde n y m son constantes enteros. Para obtener la funcion de transferencia del sistema
(2.1), se toman las transformadas de Laplace de ambos miembros de la ecuaci
on (2.1) asumiendose
condiciones iniciales cero,
n
s + a0 sn1 + ... + an Y (s) = b0 sm + b1 sm1 + ... + bm U (s)
(2.2)
donde s es la variable de Laplace. La funcion de transferencia de (2.2) es definida entononces como:
G (s) =
b0 sm + b1 sm1 + ... + bm
B (s)
= n
A (s)
s + a1 sn1 + ... + an
(2.3)
Considerando la ecuaci
on (2.3) se tienen las siguientes definiciones
Definici
on 2.1 El polinomio caracterstico del sistema es el polinomio A (s) de la ecuaci
on (2.3).
Definici
on 2.2 El polinomio caracterstico es m
onico, ya que a0 = 1.
Definici
on 2.3 El polinomio caracterstico es Stodola si todos sus coeficientes son positivos definidos.
Definici
on 2.4 El polinomio caracterstico es Hurwitz si Re[s] < 0.
Definici
on 2.5 La ecuaci
on 2.3 es propia si n m; estrictamente propia n > m y bipropia si n = m.
11
Definici
on 2.6 Se dice que dos polinomios A (s) y B (s) son coprimos si no tienen races comunes.
Definici
on 2.7 El orden del proceso es n.
El hecho de que A (s) y B (s) sean coprimos, es una caracterstica que cobra importancia desde diversos
angulos en este trabajo, pues por un lado define si hay cancelacion entre polos y ceros, lo cual implica
repercusiones en cuanto a controlabilidad y/u observabilidad [15], as como el posible impacto en la tarea
del modelado [13] y en los procesos de estimacion parametrica [85]. La caracterstica coprima puede
establecerse a partir del Lema 2.1.
Lema 2.1. (Identidad de Bezout). Dos polinomios A (s) y B (s) son coprimos si y s
olo si, existen
polinomios (s) y (s) , tal que:
(s) A (s) + (s) B (s) = 1
(2.4)
demostracion en [38].
2.2.
Modelo del proceso discreto
En lo sucesivo, los modelos discretos presentados en el documento son el resultado del muestreo de la
funci
on continua (2.3) con la ayuda de un retenedor de orden cero (ZOH, por sus siglas en ingles) de la
forma:
G (s)
1
Z
(2.5)
G (z) = 1 z
s
donde Z {} representa la transformada Z de la funcion y G (z) es la funci
on de transferencia discreta en
z. Se opta por esta forma de discretizacion puesto que guarda muchos puntos en com
un con la operacion
de diversos sistemas de adquisicion de datos, por su parte G (z) puede ser definido como:
G (z) =
B (z)
A (z)
(2.6)
donde
A (z) = z n + a1 z n1 + ... + an1 z + an
(2.7)
B (z) = b0 z m + b1 z m1 + ... + bm1 z + bm

Las definiciones 2.1, 2.2, 2.5, 2.6 y 2.7 prevalecen para el caso discreto.
.
2.3.
El regulador autosintonizable (STR)
El regulador autosintonizable (STR por sus siglas en ingles) es una estructura de control adaptable de
modelo interno, ya sea que dicho modelo represente al proceso o al control de dicho proceso. En la Figura
2-1 se presenta un diagrama a bloques de un STR [8].
12
2.4 Estimaci
on
Figura 2-1: Diagrama a bloques de un regulador autosintonizable.

El adjetivo de autosintonizable, enfatiza la propiedad que tienen estos controladores para sintonizar
autom
aticamente sus propios par
ametros, para de esta manera obtener las propiedades deseadas del
sistema en lazo cerrado.
En la Figura 2-1 pueden apreciarse claramente las etapas principales en un STR. La configuracion de la
etapa de estimacion determina el tipo de STR del que se hable; un STR explcito es aquel en el cual se
tiene un modelo interno del proceso a controlar y en el cual se estiman a partir de las se
nales del proceso,
los par
ametros del modelo. El modelo estimado se emplea para un dise
no de control, que como resultado
arroja los par
ametros del controlador, que pueden dependiendo del dise
no original, actualizarse con cada
muestreo o a partir de eventos definidos por el dise
nador. Por su parte un STR implcito, involucra
una etapa de preprocesamiento de las se
nales de la planta para estimar directamente los par
ametros
del control, es decir, el proceso de dise
no del control subyace implcito en la etapa de estimaci
on. En lo
referente a la etapa del dise
no de control, se define por los requerimientos del sistema.
En las siguientes secciones se profundiza en cada etapa del control autosintonizable.
2.4.
Estimaci
on
Los mnimos cuadrados recursivos (RLS) con factor de olvido exponencial [8], fueron utilizados como
metodo de estimacion en todas las estructuras de control adaptable a las que se hace referencia en este
trabajo.
2.4.1.
Mnimos cuadrados
Los mnimos cuadrados son ampliamente utilizados en diversos problemas. La siguiente ecuacion define
el modelo matem
atico del sistema que se desea estimar
y (i) = 1 (i) 01 + 2 (i) 02 + ... + n (i) 0n = T (i) 0
(2.8)
donde y en este caso es la variable observada, 01 , 02 , ..., 0n , son parametros del modelo que ha de ser
determinado, y 1 , 2 , ..., n son variables conocidas que pueden depender de otras variables conocidas.
Para (2.8) se definen los vectores
1 (i) 2 (i) ... n (i)

(2.9)
T (i) =
T
0 =
01 02 ... 0n
donde i puede denotar tiempo de un conjunto discreto.
13
El vector es usualmente denominado regresor. El problema de los mnimos cuadrados es determinar los
parametros que hagan que la salida de (2.8), sea lo m
as cercana posible a la salida medida del sistema;
los parametros deben elegirse para minimizar la funci
on costo:
V (, t) =
t
2
1P
y (i) T (i)
2 i=1
(2.10)
Debido a que la variable medida y es lineal en los par

ametros y el criterio de los mnimos cuadrados es
cuadratico, el problema permite una soluci
on analtica, teniendo:
Y (t) =
Er (t) =
y (1) y (2) ... y (t)
(2.11)
(1) (2) ... (t)
T (1)
(t) =
:
T
(t)
t
1
T
1
P
T
(t) (t)
=
(i) (i)
Px (t) =
i=1
donde los residuos (i) se definen por:
(i) = y (i) y (i) = y (i) T (i)
(2.12)
de lo cual (2.10) puede reescribirse como:

V (, t) =
donde E r puede ser escrito como:
t
1P
1
1
2 (i) = ErT Er = kEr k2
2 i=1
2
2
Er = Y Y = Y
(2.13)
(2.14)
La soluci
on del problema de los mnimos cuadrados esta dada por el Teorema 2.1.
Teorema 2.1. Estimaci
on por mnimos cuadrados.
La funci
on de la ecuaci
on (2.10) es mnima para los par
ametros
, tal que:
= T Y
T
(2.15)
nico y est
a dado por:
si la matriz T es no singular, el mnimo es u
demostracion en [8].
2.4.2.
= T 1 T Y
(2.16)
Mnimos cuadrados recursivos
En los sistemas autosintonizables las observaciones son obtenidas secuencialmente en tiempo real; para
calcular la estimacion de mnimos cuadrados, se pueden utilizar los resultados obtenidos en t 1 ; para
obtener as, un estimado en el tiempo t. Los mnimos cuadrados recursivos son sintetizados en el Teorema
2.2.
14
2.4 Estimaci
on
on por mnimos cuadrados recursivos.
Asuma que la matriz (t) tiene rango completo, esto es T (t) (t) es no singular para todo t t0 . Dado
, el estimado de mnimos cuadrados entonces satisface las ecuaciones

(t0 ) y Px (t0 ) = T (t0 ) (t0 )
(t) =
(t 1) + K (t) y (t) T (t) (t 1)
(2.17)
1
K (t) = Px (t) (t) = Px (t 1) (t) I + T (t) Px (t 1) (t)
1 T
Px (t) = Px (t 1) Px (t 1) (t) I + T (t) Px (t 1) (t)
(t) Px (t 1)
T
= I K (t) (t) Px (t 1)
donde K(t) es la ganancia del estimador y sus componentes son factores de ponderaci
on, que indican
c
omo la correlaci
on y el estimado previo pueden ser combinados. Demostraci
on en [8].
2.4.3.
Par
ametros con variaci
on en el tiempo
Los par
ametros del sistema estimado podran sufrir variaciones en los par
ametros, provocando un incremento desmesurado de la covarianza y de la ganancia del estimador. Una manera de evitarlo, es modificar
la funcion costo (2.13) como:
t
2
1P
ti y (i) T (i)
(2.18)
V (, t) =
2 i=1
donde es un par
ametro, tal que 0 < 1. El parametro es llamado factor de olvido. En la ecuaci
on
(2.18) los datos estan siendo poderados por un operador. El dato mas reciente est
a siendo ponderado
unitariamente, pero el dato que tiene una antig
uedad de n unidades de tiempo, esta siendo ponderado por
on (2.19), obteniendose
n ; por lo tanto, el metodo es llamado olvido exponencial y es incluido en la ecuaci
el resultado [8].
on con mnimos cuadrados con factor de olvido exponencial.
ametros , los cuales minimizan la
Asuma que la matriz (t), tiene rango completo para t > t0 . Los par
ecuaci
on (2.18), son dados por:
(t) =
(t 1)
(2.19)
(t 1) K (t) y (t) T
1
K (t) = Px (t) (t) = Px (t 1) (t) I + T Px (t 1) (t)
Px (t) = I K (t) T Px (t 1) /
Demostracion en [8].
2.4.4.
Identificabilidad
La identificabilidad es una condicion esencial, para establecer la confiabilidad en los par

ametros de
estimaci
on. El problema de la identificabilidad consiste en establecer si un u
nico resultado de la estructura
de identificaci
on concuerda con los valores verdaderos del sistema.
La matriz de covarianza guarda una relaci
on fundamental con esta propiedad, ya que es necesario que
on necesaria. En la practica la no identificabilidad de los par
ametros del
Px sea invertible como condici
modelo se debe principalmente a la correlacion de los elementos en el vector de datos, lo cual resulta en
la singularidad de la matriz de covarianza [56].
La identificabilidad para el caso SISO puede plantearse a partir del siguiente Teorema 2.4 [44].
15
Teorema 2.4. Considerando un modelo estructural dado correspondiente a:
A (q) y (t) =
C (q)
B (q)
u (t) +
e (t)
F (q)
D (q)
(2.20)
con definido de (2.8), siendo los coeficientes de los polinomios involucrados. Los grados de los
polinomios son na , n b y as sucesivamente. Esta estructura modelo es globalmente identificable en
, si y s
olo si las siguientes condiciones prevalecen:
(z) y znc C (z) ,
i No hay factores comunes a todo z na A (z) , znb B
(z) y znf F (z) ,
ii No hay factor com
un de znb B
(z) ,
iii No hay factor com
un de z nc C (z) y z nd D
(z) ,
un de z nf F (z) y z nd D
iv Si na 1, entonces no debe haber factor com
(z) ,
v Si nd 1, entonces no debe haber factor com
un de z na A (z) y z nb B
un de z na A (z) y z nc C (z) .
vi Si nf 1 , entonces no debe haber factor com
Los polinomios testados corresponden a , demostracion en [44].
Nota: Si puede establecerse la identificabilidad global, en consecuencia se puede establecer la identificabilidad global robusta [45].
Para la identificabilidad resulta necesario que el det Px1 6= 0, [82].

La identificabilidad guarda una estrecha relacion a su vez con la excitaci
on persistente [8], [82].
2.4.5.
Excitaci
on persistente
La excitaci
on persistente es un condicionante para alcanzar la identificabilidad. Considerando la matriz
cov (0)
cov (1)
... cov (n 1)
cov (1)
cov (0)
... cov (n 2)
1
Covn = lm T =
t t
:
cov (n 1) cov (n 2) ...
cov (0)
(2.21)
donde cov (k) son las covarianzas empricas de la entrada, esto es

cov (k) = lm
t
P
u (i) u (i k)
ti=1
(2.22)
Una se
nal u es llamada persistentemente excitada (PE) de orden n, si los lmites de (2.22) existen y si la
matriz covn dada por (2.21) por definici
on positiva.
Teorema 2.5. Se
nales persistentemente excitadoras
La se
nal u con la propiedad (2.22), es persistentemente excitadora de orden n, si y s
olo si:
t
1 P
(A (q) u (K))2 > 0
t t K=1
U = lm
para todo polinomio diferente de 0 de grado n 1 o menor. Demostraci

on en [8].
16
(2.23)
2.4 Estimaci
on
Del Teorema 2.5 se puede deducir que una delta de Dirac no es una excitacion persistente, un escalon es
una excitacion persistente de orden 1, una se
nal senoidal es una se
nal de excitacion persistente de grado
2, mientras que una se
nal peri
odica con periodo n, es una excitacion persistente de grado n [8].
on, debido a su relacion con el Teorema 2.5. T ,
La matriz T es conocida como la matriz de excitaci
est
a relacionada con la identificabilidad debido a que para tener al menos una excitaci
on persistente de
grado 1, se requiere que la matriz de excitaci
on sea linealmente independiente.
2.4.6.
Convergencia de la estimaci
on
La convergencia en un algoritmo recursivo puede establecerse a partir de las siguientes propiedades [82]:
1. El desempe
no del sistema es correcto al menos asintoticamente,
2. Los par
ametros estimados del modelo convergen,
3. Los estimados convergen a los valores correctos.
Dichas propiedades de convergencia pueden enumerarse jerarquicamente como sigue:
(i) La propiedad 1 corresponde a la identificabilidad del sistema y es esencial para alcanzar los objetivos
de control. Es importante notar que la propiedad 1 no implica que la propiedad 2 sea cierta (o
viceversa),
(ii) La propiedad 3 corresponde a la identificabilidad de parametros (o consistencia). Note que la
propiedad 1 no implica que la propiedad 3 sea cierta,
(iii) La propiedad 3 es solo significativa, si el modelo es estructuralmente consistente con el sistema
controlado. Entonces la propiedad 3 implica que las propiedades 1 y 2 son v
alidas.
Puede a
nadirse que un algoritmo de identificaci
on es robustamente convergente si [45]:
lm lm G
N G0 = 0
0N
|v (t)| t
(2.24)
(2.25)
N es el modelo identificado para N datos-puntos, y v (t) es una

donde G0 es el sistema verdadero, G
perturbacion acotada.
2.4.7.
La deriva param
etrica
El problema de la deriva parametrica fue expuesto por Rohrs et al. en [72] y describe la posibilidad de
que una estructura de control adaptable (cualquiera que esta fuese) pueda volverse inestable ante alguna
de las siguientes situaciones:
Referencias senoidales a frecuencias especficas,
Perturbarciones en la salida de forma senoidal a cualquier frecuencia.
Rohrs et al. mostr
o en [72], la existencia de dos operadores que son inherentes al mecanismo de adaptaci
on
a casi todas las estructuras de control adaptable. Seg
un Rohrs estos operadores tienen ganancia infinita, lo
cual desemboca en los casos de inestabilidad antes mencionados. La principal implicaci
on de este problema
es que la excitaci
on persistente no garantiza la estabilidad en el lazo adaptable. Cabe mencionar que el
17
fenomeno de la deriva parametrica no necesariamente se hace evidente al corto plazo de la ejecuci
on
del control, pues algunos algoritmos no manifiestan una forma explosiva de dicho fenomeno [42], esta
variante de la deriva par
ametrica puede ser incluso m
as riesgosa que la forma explosiva, ya que el lazo
de control puede fallar en el momento menos esperado.
Si bien, no se puede negar que el problema de la deriva par
ametrica establece fronteras estrictas al uso
del control adaptable, tambien es cierto que existen factores en la pr
actica que minimizan la posibilidad
de que esta ocurra. En particular, en el control de procesos es practicamente innecesario el uso de
referencias senoidales de alta frecuencia. Con respecto a las perturbaciones senoidales a la salida del
proceso, estas pueden provenir en algunos casos de filtraciones de se
nales de sistemas de comunicacion
inal
ambricos, o incluso de la lnea de alimentaci
on a la lnea de transmision cuando esta es anal
ogica
(4-20mA), o bien hbrida (se
nales senoidales de alta frecuencia y diferente amplitud son montadas en la
se
nal analogica para representar la informaci
on binaria, tal como es el caso del protocolo HART [65]). Sin
embargo, en la actualidad los protocolos de comunicaci
on de mayor uso emplean exclusivamente se
nales
digitales, lo cual les vuelve inmunes a las perturbaciones; puesto que los paquetes de informaci
on digital
no pueden ser corrompidos [66]. Aunque el uso de protocolos de comunicaci
on enteramente digitales
previene el problema de perturbaciones senoidales; por lo menos en cuanto a la transmisi
on se refiere, las
perturbaciones senoidales tambien pueden gestarse como din
amicas aisladas en el actuador. Un problema
muy grave en la industria es precisamente la fricci
on est
atica en las v
alvulas, la cual puede llevar a las
mismas a alcanzar una oscilaci
on sostenida [78], y ya que usualmente los procesos est
an interconectados
por lazos cascada, controles de relacion o prealimentaciones, las oscilaciones pueden llegar a propagarse
a lo largo del proceso de formas muy complejas. Dichas oscilaciones son, sin duda, un peligro para la
estabilidad de un control adaptable (y para el desempe
no de otras estructuras de control), por lo que
si se usa un control adaptable y se detectan oscilaciones en el proceso, lo aconsejable es pasar a otro
modo de control que represente un menor riesgo para la operacion del sistema. En el caso particular del
controlador ECA 600 de ABB cuando este detecta oscilaciones en el proceso, mientras el ejecuta el modo
adaptable, apaga de forma autom
atica el proceso de adaptaci
on [29].
Lo m
as conveniente, en caso de estar en presencia de oscilaciones provenientes de los actuadores, es
detectar el origen y actuar en consecuencia, ya que esto puede deteriorar la calidad del producto independientemente de la estructura de control que se use. Si despues de detectar la fuente de oscilaci
on, el
problema no puede ser solucionado de origen, el controlador adaptable podra volver a escena, reforzado
por un procedimiento para contrarrestar el problema, por ejemplo, mediante la cancelaci
on activa del
ruido [74].
2.5.
La asignaci
on de polos
El control por asignacion de polos es una de las estrategias mas usuales en el control de sistemas lineales.
Cuando un proceso puede ser modelado representativamente con una estructura lineal, la asignaci
on
de polos puede brindar muchas ventajas, pues es una estrategia maleable, que permite proveer de un
conjunto de caractersticas deseadas a un lazo cerrado. De hecho, la operaci
on de cualquier controlador
lineal puede apreciarse como un proceso de asignaci
on de polos, con ciertas limitaciones estructurales. En
particular se habla de dise
no de controladores por asignacion de polos, cuando explcitamente se dise
na
un controlador para lograr que las races de un proceso esten en lugares o zonas del lugar geometrico de
las races al cerrarse el lazo.
El dise
no de controladores por asignaci
on de polos, es una herramienta flexible; sin embargo, hay dos
puntos que dificultan su implementaci
on en aplicaciones: se requiere de una adecuada selecci
on de la
estructura del modelo, mas una correcta identificaci
on de parametros; ademas, se requiere de cierto
conocimiento y experiencia para decidir d
onde ubicar los polos en funci
on de un comportamiento dinamico
deseado. Lo que puede volver al proceso de ubicar polos en lazo cerrado una tarea demandante, es el
proceso de incorporar las consideraciones de dise
no el comportamiento de los sensores y actuadores,
18
2.5 La asignaci
on de polos
adem
as de los propios lmites operativos del proceso. A diferencia del control PID, que opera a traves de
una minimizacion del error, el dise
no por asignacion de polos depende de una adecuada parametrizacion;
adem
as, si las condiciones de operacion del proceso fueran afectadas por una perturbaci
on de parametros,
el desempe
no del sistema en lazo cerrado podra verse afectado. Debido a lo anterior la asignaci
on de
polos como estrategia, puede fortalecerse cuando se le utiliza dentro de una estructura control adaptable.
En la literatura se exponen varias formas de realizar la asignaci
on de polos [57]. Considerando el manejo
de funciones de transferencia, la ubicacion de polos por enfoque polinomial es la alternativa m
as adecuada.
on (2.6) definimos el polinomio de asignaci
on de polos como:
D (z) = d0 z 2n1 + d1 z 2n2 + ... + d2n2 z + d2n1
(2.26)
Donde D (z) es un polinomio de grado 2n 1, con todas sus races dentro del crculo unitario.
La identidad de Bezout, descrita en el Lema 2.1, cuenta con un n
umero infinito de soluciones [38]. Por
otro lado, si en lugar de tener una solucion unitaria se opta por una solucion de la forma (2.26), se tiene:
(z) A (z) + (z) B (z) = D (z)
(2.27)
La ecuaci
on (2.27) es conocida como la ecuacion Diofantina donde los polinomios (z) y (z) se definen
como:
(z) = 0 z n1 + 1 z n2 + ... + n2 z + n1
(z) = 0 z
n1
+ 1z
n2
(2.28)
+ ... + n2 z + n1
El n
umero de soluciones para (2.27) es ahora finito. Una forma sistem
atica y confiable para hallar la
soluci
on a la ecuaci
on (2.27), es mediante el planteamiento y soluci
on de la matriz de Sylvester, la cual
tiene una dimension de 2n x 2n. Sea la matriz de Sylvester E:

E=
an
0
an1 an
:
an1
a1
:
1
a1
0
1
:
:
0
0
0
0
...
...
...
...
...
...
...
0
bn
0
0
bn1 bn
0
:
bn1
:
b1
:
an
b0
b1
an1
0
b0
:
:
:
0
0
a1
1
0
0
...
...
...
0
0
0
:
bn
...
... bn1
:
... b1
... b0
(2.29)
Teorema 2.6. (Teorema de Sylvester): dos polinomios A (z) y B (z) son coprimos, si y s
olo si su matriz
de Sylvester E es no singular, prueba en [38].
Del Teorema 2.6, se puede decir que la matriz de Sylvester tiene una soluci
on u
nica para un polinomio
dado D (z) cuando A (z) y B (z) son coprimos, por lo que se hace hincapie en lo siguiente:
Si se desea llevar a cabo una asignacion de polos efectiva, se requiere que el modelo identificado
este correctamente dimensionado,
Cuando se utiliza la matriz de Sylvester como forma de soluci
on de (2.27), para realizar un control
por asignacion de polos, es fundamental para lograr dicha asignacion que los polinomios A (z) y
B (z) sean coprimos y que adem
as el polinomio de asignaci
on de polos tenga un orden maximo de
2n 1 (ver ecuacion (2.25)) y sea lineal e invariante en el tiempo.
19
Precisamente para lograr la soluci
on de la matriz de Sylvester, se requiere el planteamiento del vector de
asignaci
on D como:
d2n1
d2n2
(2.30)
D=
:
d1
d0
y el vector de solucion denominado M como:
M =
n1
n2
:
0
n1
n2
:
0
(2.31)
Entonces los coeficientes 0 , 1 , ... n1 y 0 , 1 , ..., n1 se pueden determinar a partir de:

M = E 1 D
(2.32)
El control por ubicaci

on de polos, puede relacionarse con la ecuaci
on (2.27) a traves del diagrama a
bloques que se muestra en la Figura 2-2.
Figura 2-2: Diagrama a bloques de un controladore por ubicacion de polos.

El denominador de la reduccion del lazo de realimentacion en la Figura 2-2 es equivalente a la ecuaci
on
(2.27), por su parte K0 , es una ganancia prealimentada usada para ajustar la ganancia del sistema en
lazo cerrado. K0 se deriva del teorema del valor final en su caso discreto como:
lm (D (z))
z1
(2.33)
K0 =
lm (z) lm B (z)
z1
z1
El polinomio de asignaci
on puede descomponerse de diversas formas con diferentes prop
ositos, como por
ejemplo:
(2.34)
D (z) = DA (z) DB (z)
El desempe
no del controlador representado en la Figura 2-2 puede degradarse en la presencia de ceros,
sobre todo, si est
an cerca del origen en el lugar geometrico de las races (LGR). La ecuaci
on (2.34)
20
2.5 La asignaci
on de polos
puede configurarse en algunos casos para lograr la cancelaci
on de ceros [33], si el dise
nador eval
ua que
es conveniente en presencia de perturbaci
on en los par
ametros. Este metodo no se recomienda cuando
existen ceros en el origen [17], aunque dada situaci
on es inusual en procesos industriales.
Ejemplo 2.1. Suponga el proceso representado por la funci

on de transferencia continua:
G1 (s) =
1
s2 + 0.3s + 1
considerando que el sobreimpulso m

aximo (Mp ) , es descrito por:
2
Mp e/ 1 , 0 < 1
(2.35)
(2.36)
donde es el coeficiente de amortiguamiento y el tiempo de establecimiento (ts) es definido en [26] como:

ts =
4.6
n
(2.37)
n es la frecuencia natural no amortiguada del sistema.

De (2.36) y (2.37), se tiene el sobreimpulso maximo M p = 62 %, mientras que el tiempo de establecimiento
es ts =30.66. En [26] se recomienda como criterio de seleccion del periodo de muestreo h, que este sea al
menos 20 veces el ancho de banda del sistema en lazo cerrado, ya que en los sistemas de segundo orden,
este es aproximadamente igual a la frecuencia natural, que para este caso es de 1 rad/seg o 0.16 Hz, por
lo que se opta por muestrear (2.35) a 3.2 Hz, de tal forma al aplicar un ZOH se tiene:
G1 (z) =
0.04696z + 0.04551
z 2 1.818z + 0.9105
(2.38)
Para este ejemplo, se desea que al cerrar el lazo el sistema sea 30 % m

as rapido que en lazo abierto y no
supere el 20 % de sobreimpulso, por lo que la asignaci
on de polos se propone como:
D (z) = z 2 1.855z + 0.8747
(2.39)
En la Figura 2-3 se presenta un comparativo entre la respuesta al escal

on del sistema en lazo abierto y
el sistema deseado en lazo cerrado.
Con (2.38), se procede a formar la matriz de Sylvester
0.9105
0
0.0455
0
-1.818 0.9105 0.0469 0.0455
E=
1
-1.818
0
0.0469
0
1
0
0
(2.40)
Nota: En la ecuaci
on (2.40) se presentan los datos truncados por cuestiones de espacio.
21
Figura 2-3: Respuesta al escalon del sistema en lazo abierto y del sistema en lazo cerrado deseado
Considerando (2.39) los polinomios (z) y (z) estan dados por:
0.999
M =
0.785
0.003126
(2.41)
De tal forma, el lazo cerrado de realimentaci

on en la Figura 2-2 esta dado por:
0.003126z 0.785
(z)
=
(z)
0.999
(2.42)
La ecuacion (2.42) es una funcion de transferencia impropia; sin embargo, cuando se obtiene el lazo
cerrado:
GLC (z) =
(z) (z)
(z) A (z) + (z) B (z)
(2.43)
(2.43) es propio.
Finalmente para lograr el seguimiento a la referencia, la ganancia se obtiene de (2.33) como:
K0 = 0.217978
En la Figura 2-4 se presenta la respuesta al escal
on del proceso (2.38) cuando se aplica el esquema
representado en la Figura 2-2, con la referencia unitaria.
22
2.6 Dise
no de la asignaci
on de polos
Figura 2-4: Sistema Controlado.
2.6.
Dise
no de la asignaci
on de polos
Una labor importante es el dise

no del polinomio de asignaci
on de polos. Esta tarea involucra tanto
aspectos te
oricos como consideraciones pr
acticas.
Si se utiliza como metodo de asignacion de polos el enfoque polinomial, aplicando la matriz de Sylvester,
de (2.26) se tiene que el orden del polinomio D es nD 2n 1, por lo que suponiendo que el proceso en
lazo abierto sea de primer, segundo o tercer orden, nD podra tener como orden m
aximo primero, tercero
y quinto orden respectivamente. Cuando el sistema en lazo abierto es de primer orden y se usa la soluci
on
nica alternativa posible. De tal forma que D tiene la forma:
de matriz de Sylvester, nD = n es la u
D (z) = d0 z + d1
(2.44)
Debido a que (2.44) tiene una sola raz, puede suponerse que estara dentro del crculo unitario y que su
posici
on debera permitir una respuesta dinamica m
as rapida que en lazo abierto, en la mayora de las
aplicaciones. La decisi
on de en que proporcion debera hacerse m
as rapida la respuesta en lazo cerrado
depende de las necesidades de control.
Considere la ecuaci
on caracterstica continua que define al proceso a controlar como:
A (s) = s + 1
(2.45)
donde es la constante de tiempo del sistema, mientras que el polinomio de asignaci

on de polos continuo
se define a su vez como la relaci
on de (2.46)
D (s) = d s + 1
(2.46)
donde d es la constante de tiempo deseada, y se elige a partir de:

d = KD
(2.47)
23
KD es una ganancia menor a la unidad, utilizada para elegir una constante de tiempo para el sistema
en lazo cerrado, usando como referencia la constante de tiempo en lazo abierto. Mientras menor sea la
a el esfuerzo de control definido por la integral en el tiempo del cuadrado de
ponderacion KD , mayor ser
la entrada de control
Z t
u2 dt
(2.48)
Ef =
0
Con el fin de discretizar (2.46) y alcanzar la forma (2.44), se utiliza un mapeo directo de polos de la
forma:
z = esh
(2.49)
Por su parte el caso discreto (2.48) puede aproximarse como:

w
X
Ef =
u2 (t)
(2.50)
t=1
donde w, es el n
umero de muestreos para una medici
on dada. El esfuerzo de control guarda una relacion
directa con las capacidades y el tiempo de vida de los actuadores, por lo que debe ser contemplado
durante el dise
no de la asignacion de polos.
Ejemplo 2.2. Suponga que para el proceso, cuyo modelo es la funci
on de transferencia de primer orden
G (s) =
1
s+1
(2.51)
se dise
na un control por asignacion de polos para lograr diversas constantes de tiempo en lazo cerrado,
cuando h=0.05 segundos como se muestra en la Figura 2-5.
En la Figura 2-6 se presenta la se
nal de control para cada valor diferente d . Como se puede observar en
la Figura 2-6, a medida que se impone una mayor velocidad de respuesta al desempe
no en lazo cerrado,
mayor ser
a la amplitud inicial de la se
nal de control.
24
2.6 Dise
no de la asignaci
on de polos
Figura 2-5: Respuestas en lazo cerrado del sistema controlado, para diferentes constantes de tiempo deseadas.
Figura 2-6: Diferentes senales de control u para diferentes constantes de tiempo deseadas.
En la Figura 2-7a), se grafica el m
aximo valor de la se
nal de control contra el d relacionado, como se
puede observar, la relacion obedece a un envolvente exponencial. La Figura 2-7a), guarda una relacion
con el m
aximo rango de operaci
on del actuador, mientras que en la Figura 2-7b) se presenta el esfuerzo
de control descrito en la ecuacion (2.50) para =100 muestreos, lo cual guarda relaci
on con el tiempo
de vida del mismo actuador
25
Figura 2-7: a) Maxima senal de control contra constante de tiempo deseada, b) Esfuerzo de control contra constante
de tiempo deseada.
De lo expuesto en el Ejemplo 2.2, se observa la necesidad de establecer un vnculo entre la elecci

on de
KD y las limitaciones fsicas del actuador.
Cuando la asignaci
on de polos deseada es de segundo orden y se considera la siguiente ecuacion caracterstica del proceso en lazo abierto,
A (s) = s2 + 2 n s + 2n
(2.52)
donde es el coeficiente de amortiguamiento y n es la frecuencia natural no amortiguada, se propone

el polinomio de asignaci
on deseada de polos como:
D (s) = s2 + 2 d nd s + 2nd
(2.53)
en este caso d es el coeficiente de amortiguamiento deseado y nd es la frecuencia natural no amortiguada

deseada. La forma m
as conveniente para proponer los coeficientes de la ecuaci
on (2.53) es en funcion de
una respuesta dinamica deseada. Considerando las ecuaciones (2.36) y (2.37) es importante decir que
aunque uno podra elegir un Mp y un ts para la respuesta en lazo cerrado de forma arbitraria, es mas
conveniente considerar la respuesta del sistema en lazo abierto (2.52) para el dise
no de (2.53), de tal
forma:
Mpd = K1 Mp y tsd = K2 ts
(2.54)
donde Mpd y tsd son las caractersticas dinamicas de (2.53), mientras K1 y K2 son ganancias que deben
elegirse de acuerdo a las capacidades reales del sistema, lo que explica que (2.54) sea funci
on de la
respuesta dinamica del sistema en lazo abierto. En cuanto a la elecci
on de dichas ganancias hay que
agregar, que aunque sera deseable que el sistema en lazo cerrado fuera muy rapido y tuviera poco
sobreimpulso, esto tiene implicaciones en el otro lado de la balanza significando un mayor esfuerzo y
mayor sobreimpulso en la se
nal de control.
Una vez definidos Mpd y tsd los coeficientes de (2.53) se calculan a partir de:
26
2.6 Dise
no de la asignaci
on de polos
d =
(ln (Mpd ))2

2 + (ln (Mpd ))2
(2.55)
y de:
nd =
4,6
d tsd
(2.56)
Despues que (2.53) ha sido definido, se le discretiza por mapeo usando (2.49), o si se tiene completamente
definida una funcion de transferencia deseada, a traves del uso de un ZOH.
Con lo que se obtiene la asignaci
on discreta de polos de la forma:
D (z) = d0 z 2 + d1 z + d2
(2.57)
Finalmente cuando la asignacion deseada de polos es de tercer orden se propone el polinomio:
D (s) = s2 + 2 d nd s + 2nd (s + pe )
(2.58)
Como puede observarse (2.58) conserva relacion con (2.53). Si se desea obtener la mnima afectaci
on
din
amica dispuesta por d y nd , pe debe elegirse el semiplano izquierdo, lejano al eje imaginario. La
amica deseada y el esfuerzo de control, puesto que a medida
elecci
on de pe es un compromiso entre la din
que pe se aleja del eje, el esfuerzo de control crece.
Ejemplo 2.3. Suponga el sistema de tercer orden que representa el modelo lineal de tres reactores
acoplados descrito en [47]:
0.125
(2.59)
G (s) = 3
s + 3s2 + 3s + 1
suponga que se desea una respuesta mas rapida que en lazo abierto sin superar un sobreimpulso m
aximo
aproximado del 10 %, por lo que se propone:
D (s) = s3 + 89.13s2 + 154.9s + 190.9
(2.60)
El polinomio tiene dos polos complejos en -0.87381.192i y un polo en -87.38 ubicado 100 veces m
as lejos
del eje imaginario que el componente real de los polos complejos conjugados, con la finalidad de que este
polo tenga la menor influencia dinamica posible.
Discretizando (2.59) utilizando un ZOH a 20 Hertz se tiene que
G (z) =
2.508x106 z 2 + 9.665x106 z + 2.327x106

z 3 2.854z 2 + 2.715z 0.8607
(2.61)
mientras que al aplicar las mismas condiciones de discretizaci

on a (2.60), se tiene:
D (z) = z 3 1.924z 2 + 0.9405z 0.0116
(2.62)
En la Figura 2-8a) se observa que al aplicar el control por la ubicaci

on de polos, para (2.62) en la respuesta
din
amica, hay un sobreimpulso negativo. Otra propuesta de ubicaci
on de polos alterna se define como:
D (s) = s3 +4.26s2 +6.0492s+2.863288
(2.63)
el cual es crticamente amortiguado con tres polos en -1.42, lo que permite que la respuesta en lazo
cerrado sea 30 % mas rapida que en lazo abierto. El equivalente discreto de (2.63) est
a dado por:
D (z) = z 3 -2.794z 2 +2.603z-0.8082
(2.64)
27
como puede observarse en la Figura 2-8b), el lazo cerrado para (2.64) no tiene sobreimpulso negativo.
Figura 2-8: Control por asignacion de polos para 2.59.

Alternativamente puede realizarse una asignaci
on de segundo orden con las caractersticas din
amicas
equivalentes, como por ejemplo:
(2.65)
D (z) = z 2 1.9111z 0.9163
Evitando as, el sobreimpulso negativo al elegir la ubicacion de polos de segundo orden descrita por la
ecuaci
on (2.63).
De lo observado en el Ejemplo 2.3, hay que recalcar la importancia de la elecci
on del polinomio D(z)
cuando n D = 3.
2.7.
Controlador autosintonizable por asignaci

on de polos (Wellstead)
El controlador autosintonizable por asignacion de polos (STPAC) usa una estrategia de control basada en
el dise
no por asignacion de polos, descrita en la seccion 2.5 y 2.6. La estructura de control representada
en la Figura 2-2, puede ser la misma para un STPAC, cuando el bloque del dise
no del controlador es
ocupado por una sntesis de asignacion de polos. Existen algunas variaciones de la estructura original del
STPAC [7]; en particular, aqu se presenta la propuesta de Wellstead [81]. El STPAC es una estructura
estoc
astica, por lo cual establecemos el sistema descrito por el modelo CARMA (por sus siglas en ingles):
Ay (t) = z k Bu (t) + Ce (t)
(2.66)
donde A, B y C son polinomios en z, A es m

onico y coprimo en relaci
on a B, k representa el retardo del
sistema en instantes de tiempo, mientras e (t) se asume como una secuencia aleatoria no correlacionada
de media 0. Para esta estrategia de control se considera que las races de A y B pueden quedar fuera del
crculo unitario; es decir, la planta puede ser inestable (races de A fuera del crculo) o de fase no mnima
(races de B fuera del crculo). En todos los casos las races de C se asumen estrictamente dentro del
crculo unitario.
28
2.7 Controlador autosintonizable por asignaci

on de polos (Wellstead)
Ya que se desea lograr que la salida de la planta siga una referencia dada, dentro de un esquema de
asignaci
on de polos, los polinomios de control designados en este caso como H, G y E requieren ser
dise
nados. En la Figura 2-9 se presenta un diagrama que incorpora la estructura adaptable completa
(considerando la etapa de identificaci
on) para el STPAC.
Figura 2-9: Esquema adaptable para el STPAC.

En la Figura 2.9 puede apreciarse la ley de control como la ecuaci
on:
Hu (t) = Er (t) Gy (t)
(2.67)
Al cerrarse el lazo de control la ecuaci

on caracterstica que define al STPAC es:
HA + z k BG
(2.68)
En el caso del STPAC la asignacion deseada de polos es definida por el polinomio T (en sustitucion de
D para el caso adaptable).
Cuando k = 1, la ecuacion (2.66) toma la siguiente forma:
Ay (t) = z 1 Bu (t) + Ce (t)
(2.69)
Combinando el controlador definido por la ecuaci

on (2.67) con la ecuaci
on del proceso (2.69), se tiene:
(HA + BG) y (t) = z 1 BEr (t) + CHe (t)
(2.70)
Si se desea que el lazo cerrado tenga un comportamiento asociado a la posici

on de polos definida por T ,
se requiere resolver la identidad polinomial:
HA + z 1 BG = T C
(2.71)
donde los polinomios H, G y E estan definidos por:

H = 1 + h1 z 1 + ... + hnh z nh
G = g0 + g1 z
+ ... + gng z
E = e0 + e1 z
+ ... + ene z ne
(2.72)
ng
29
Para lograr una soluci
on u
nica para (2.71) es necesario que nh y ng se elijan como:
nh = nb
(2.73)
ng = na 1
Sabiendo que A y B son coprimos
nt na + nb nc
(2.74)
Cuando se inserta la ecuacion (2.71) en la ecuaci

on (2.70), se tiene :
y (t) =
EB
H
r (t 1) + e (t)
TC
T
(2.75)
El precompensador E se elige para alcanzar un ajuste con la ganancia de baja frecuencia del sistema,
mediante la aplicacion del teorema del valor final (ver ecuaci
on (2.33))

T
(2.76)
E=C
B z=1
Finalmente el STPAC puede sintetizarse en el siguiente algoritmo:
Algoritmo 2.1. STPAC.
En cada periodo de muestreo:
B,
C,
de (2.66)
Paso 1: Utilizando RLS estimar A,
Paso 2: Sintetizar los polinomios de control de:
G
= CT
+ z 1 B
AH
= T (1) C
H
(1)
B
Paso 3: Generar la salida de control u (t) de:
(t) = Er
(t) Gy
(t)
Hu
Paso 4: Esperar a que termine el periodo de muestreo y retornar al paso 1.
En el caso donde existen ceros fuera del crculo unitario; es decir, cuando el sistema es de fase no mnima
se procede a resolver la ecuaci
on identidad bajo la siguiente modificaci
on
HA + z 1 BG = CT B +
(2.77)
donde B = B + B y B + contiene los modos estables inversos de B.

Estrictamente hablando el STPAC es un controlador autosintonizable, ya que cumple la propiedad autosintonizable [82]. A continuacion se bosqueja dicha propiedad.
Considere el sistema:
(2.78)
A0 y (t) = z 1 B0 + C0 e (t)
En la notacion usual, donde los coeficientes polinomiales son desconocidos. Un algoritmo autosintonizable
con asignacion de polos para regulacion se implanta a partir de una estimaci
on RLS de A y B que son
coeficientes en el modelo:
(2.79)
Ay (t) = z 1 B + X e (t)
30
2.8 El control de varianza mnima generalizado (Clarke)

donde X es un polinomio conocido con inversa estable y los grados de A, B son n , y n respectivamente
(n 6= 0) .
B
en el tiempo t, el control u (t) generado de:
Dados los estimadores A,
(t) + Gy
(t) = 0
Hu
(2.80)
G
= XT
+ z 1 B
AH
(2.81)
si
H yG
G asint
H
oticamente
la propiedad de autosintona prevalece si H y G satisfacen la identidad:
A0 H + z 1 B0 G = C0 T
(2.82)
En [82] se presentan un conjunto de condiciones suficientes para satisfacer a (2.82) en todos los puntos
de convergencia.
2.8.
El control de varianza mnima generalizado (Clarke)
strom y Wittenmark
La principal debilidad del controlador de varianza mnima (MVC), propuesto por A
[6], es la incapacidad de afrontar el control de sistemas de fase no mnima. Con la intencion de superar
esta inconveniencia, Clarke y Gawthrop propusieron el control de varianza mnima generalizado (GMVC)
[19], [20] el cual contempla la inclusi
on de una salida auxiliar que no s
olo toma en cuenta la salida del
sistema, sino que tambien incorpora a la referencia y a la se
nal de control. Entre otras propiedades el
GMVC permite al dise
nador definir diversos perfiles en el desempe
no, mediante la elecci
on adecuada de
un criterio de optimalidad, el cual se expresa a traves de la funci
on de salida generalizada
(t + k) = P y (t + k) + Qu (t) Rr (t)
(2.83)
donde P, Q y R son los denominados polinomios costo, utilizados para modificar el desempe
no del control.
La labor de los polinomios costo es filtrar la referencia, el control y la salida. Esta realimentaci
on permite
rehubicar las races en lazo abierto de B a la ubicaci
on de las races de PB+QA, ya que sustituyendo la
ecuaci
on del sistema en (2.83), se obtiene :
(t + k) =
PC
P B + QA
u (t) +
e (t + k) Rr (t)
A
A
La funci
on costo a ser minimizada es la varianza de la salida generalizada:
J = Ex 2 (t + k)
(2.84)
(2.85)
En la ecuaci
on (2.83) puede observarse que en un tiempo t, Qu (t) y Rr (t) , pueden conocerse; por otro
lado P y (t + k) esta desplazado en el tiempo al igual que la propia salida generalizada, por lo que la
ecuaci
on (2.85) puede dividirse en dos secciones: la primera esta relacionada a la accion de control y la
segunda a la perturbacion, tal que:
G
PC
e (t + k) = F e (t + k) + e (t)
A
A
(2.86)
donde el polinomio F es relativo a la perturbaci

on futura y la relaci
on G/A relativa a las perturbaciones
31
presentes y pasadas. A partir de (2.86), se tiene la identidad:
P C = F A + z k G
(2.87)
si P es m
onico,
F
= 1 + f1 z 1 + ... + fk1 z (k1)
G = g0 + g1 z
+ ... + gng z
(2.88)
ng
ng = m
ax (na 1, np + nc k)
multiplicando F por la ecuaci
on:
Ay (t + k) = Bu (t) + Ce (t + k)
(2.89)
P Cy (t + k) = BF u (t) + Gy (t) + CF e (t + k)
(2.90)
y sustituyendo FA de (2.87),
adicionando CQu (t) CRr (t) a ambos lados se tiene:

C [P y (t + k) + Qu (t) Rr (t)] = (BF + QC) u (t) + Gy (t) CRr (t) + CF e (t + k)
(2.91)
lo cual puede factorizarse como:

(t + k) =
1
[(BF + QC) u (t) + Gy (t) CRr (t)] + CF e (t + k)
C
(2.92)
La funcion costo minimiza el primer termino del lado derecho de la ecuacion a 0. El GMVC est
a dado
por:
(BF + QC) u (t) = Gy (t) + CRr (t)
(2.93)
o bien,
Hu (t) + Gy (t) + Er (t) = 0
(2.94)
donde:
H = BF + QC
E = CR
cuando la ley de control (2.94) es aplicada al proceso, se tiene que:
y (t) =
(BF + QC)
z k BR
r (t) +
e (t)
P B + QA
(P B + QA)
en la Figura 2-10 se presenta un diagrama conceptual del GMVC.

32
(2.95)
Figura 2-10: Diagrama de realimentacion conceptual del GMVC.

De (2.95) puede apreciarse que si Q = 0, ambos miembros de la ecuaci
on tienen como factor com
un B,
en el numerador y en el denominador, de esta forma se cancelaran los ceros.
Cuando se desea lograr el seguimiento a la referencia debe cumplirse la siguiente condici
on:
BR
|z=1 = 1
P B + QA
(2.96)
el an
alisis presentado muestra una equivalencia entre (2.83) y (2.92). Esta equivalencia es la idea central
detras de un control GMVC.
Partiendo de la equivalencia se asume que si se cuenta con (2.83) conocido (es decir, se han propuesto
de alguna manera los polinomios P, Q y R) se pueden estimar de (2.83) los polinomios de control H,
G y E, basados en esta suposici
on se eliminan los c
alculos de los polinomios de control, ya que estos se
estiman directamente de (2.83) y la estructura se vuelve implcita.
La equivalencia entre (2.83) y (2.92) es clara en lo referente a los valores de la salida generalizada, pero no
G
yE
converjan a
en cuanto a estructura, por lo cual el funcionamiento del GMVC depende de que H,
valores constantes y despues que estos sean los verdaderos. La convergencia de los par
ametros permanece
como una posibilidad [82], pero no puede establecerse, en el posible caso de que los parametros converjan,
la manera en que lo hacen.
A continuaci
on se sintetiza el algoritmo de control para el GMVC.
Algoritmo 2.2 (GMVC).
En un tiempo t
Paso 1. Proponer de alguna forma los polinomios costo y formar la pseudo salida (t)
(t) = P y (t) + Qu (t k) Rr (t k)
(2.97)
G
yE
de (2.97)
Paso 2. Estimar H,
Paso 3. Con los polinomios de control conocidos aplicar a ley de control
(t) = Gy
(t) Er
(t)
Hu
(2.98)
Paso 4. Esperar a que termine el periodo de muestreo y retornar al paso 1.

En la Figura 2-11 se presenta un diagrama que contempla la parte de adaptaci
on.
33
Figura 2-11: Diagrama a bloques del GMVC implementado como una estructura adaptable.
A continuaci
on se presenta un ejemplo donde se implementa el algoritmo de Clarke.
Ejemplo 2.4. Suponga el sistema de segundo orden
G (s) =
s2
10
+ 0.5s + 1
(2.99)
suponga que el sistema es muestreado, eligiendo h=0.5 segundos, al aplicar un ZOH se tiene la funci
on
de transferencia
1.129z + 1.038
(2.100)
G (z) = 2
z 1.562z + 0.7788
se proponen valores para la funci
on costo de la forma:
P
= 0.00121z 0.0752
(2.101)
Q = 0.998
R = 0.02588
por el momento, en este ejemplo no se plantea la forma en que estos polinomios son propuestos.
De (2.101) se construye la funcion de salida generalizada como:
(t) = 0.00121y (t) 0.0752y (t 1) + 0.998u (t 1) 0.02588r (t 1)
(2.102)
G
y E.
Se sabe que a partir de (2.102) se tienen que estimar los polinomios de control H,
Para continuar con el analisis, se considera que se trabaja con la estructura de estimaci
on RLS. Si lo que
se quiere es estimar los mismos coeficientes que conforman el polinomio (2.102), el regresor tendra la
forma:
(2.103)
1 (t) = [y (t) , y (t 1) , u (t 1) , r (t 1)]
Q
yR
sino H,
G
y E.
Considerando la estructura equivalente de
pero lo que se desea no es encontrar P,
la funcion de salida generalizada de la ecuacion (2.92) para el caso F = 1, se tiene:
(t k) + Gy
(t k) + Er
(t k) + e (t)
(t) = Hu
(2.104)
Se puede observar que la relacion (2.104) incluye a las variables del sistema, pero con configuracion
34

diferente, lo cual resultara en un vector regresor diferente a (2.103). Si se reconstruyera (2.104) a partir
de los polinomios costo estimados, considerando (2.88) y luego (2.94) se tendra:
1 u (t 2) + g0 y (t 2) + g1 y (t 3) + e0 r (t 1)
0 u (t 1) + h
(t) = h
(2.105)
considerando un proceso de estimacion RLS, el vector de regresion necesario para estimar los polinomios
de control tendra la forma:
2 (t) = [u (t 1) , u (t 2) , y (t 2) , y (t 3) , r (t 1)]
(2.106)
Lo que resulta adecuado en el dise

no del control, repercute en el proceso pr
actico de estimaci
on. Pues si
se estiman los polinomios de control de (2.102) se requiere aplicar (2.106). De (2.106) se puede observar
dos cosas; que la estructura del regresor es diferente y que (2.106) es de dimension mayor; es decir, la
estimaci
on de los polinomios de control esta sobredimensionada. Desde el punto de vista de control se
espera que la estructura RLS opere como un predictor de orden mnimo, pero desde la perspectiva de
la identificaci
on la estimaci
on sobredeterminada puede representar un gran problema [85]. En la Figura
2-12 se presenta el control del sistema para el Ejemplo 2.4 y el proceso de estimaci
on involucrado.
En la Figura 2-12a) se observa un desempe
no del control satisfactorio, a pesar de que los par
ametros
estimados varan como puede observarse en la Figura 2-12b), pero al hacerlo conjuntamente, las relaciones
en la ley de control pueden prevalecer constantes sin afectar grandemente el desempe
no del sistema en
lazo cerrado (ver Figura 2-12a)). Al observar el comportamiento de la estimaci
on de los par
ametros de
control, se concluye heursticamente que puede haber m
as de una solucion v
alida, pues el comportamiento
de los parametros de estimacion delata una dependencia lineal, que guarda relacion con la estimaci
on
sobredeterminada.
El GMVC presenta un desempe
no satisfactorio en la mayor parte de los casos; sin embargo, habra que
considerar que la estimaci
on sobredeterminada representa un riesgo permanente al desempe
no del sistema
en lazo cerrado.
Figura 2-12: Control GMVC para el proceso 2.98.

35
2.9.
Acerca del controlador predictivo generalizado (Clarke)
El controlador predictivo generalizado (GPC) fue propuesto por Clarke [22] y fue presentado como un
sucesor natural del GMVC [23]. Ambos algoritmos comparten algunas propiedades estructurales, como
la minimizacion de una funcion costo que moldea el desempe
no del sistema y el manejo de un horizonte
de predicci
on [8].
Seg
un Clarke, el GPC permite sortear algunos de los problemas m
as comunes a los que se enfrenta un
STR, como son; una inadecuada eleccion de orden del sistema y las posibles variaciones en el retardo del
mismo. Una vez propuesto el GPC, el autor pr
acticamente deja de lado desarrollos posteriores sobre la
estructura de control propuesta en 1975 y se enfoca de lleno en el estudio del GPC; sin embargo, y como
se podr
a observar en el Captulo 3, ha habido un resurgimiento del interes sobre el GMVC durante la
u
ltima decada. Dos caractersticas que pueden resaltarse sobre el GMVC son:
Su caracter predictivo,
La minimizaci
on de la varianza de la salida generalizada bajo la rectora de una funcion costo.
En el siguiente captulo se presenta una propuesta de control asociada al GMVC. Para la sntesis del algoritmo propuesto se considero que el car
acter predictivo del algoritmo de Clarke, no tena una contribuci
on
determinante al desempe
no del controlador, ya que el horizonte de predicci
on es de orden mnimo. Esta
consideracion llevo a una modificaci
on en la que desaparece del algoritmo propuesto la etapa de predicci
on y se lleva a cabo una reestructuraci
on algortmica que permite al GMVC pasar de su tradicional
estructura implcita a una explcita.
Dicha modificaci
on orient
o el desarrollo del trabajo de tesis hacia una vertiente diferente al del GPC,
pues en este u
ltimo existe un horizonte de predicci
on que puede ser construido de diferentes formas y
dimensiones [21], permitiendo el manejo de cierto nivel de incertidumbre sobre el proceso (y consecuentemente sobre el desempe
no del sistema), mientras que en la modificaci
on del GMVC, el objetivo principal
es asegurar un nivel de desempe
no en la salida, reduciendo la incertidumbre mediante la anexion de una
etapa de inicializacion y otra de supervision. Por lo anteriormente expresado se consider
o oportuno comparar al algoritmo propuesto en este trabajo, con el algoritmo original GMVC y el STPAC de Wellstead
(como podr
a apreciarse en el Captulo 3), sin considerar dentro del marco de pruebas al GPC.
36
Captulo 3
Controlador de varianza mnima

generalizado con asignaci
on din
amica de
polos
3.1.
Introducci
on
A pesar de que la formulacion original del GMVC incorporo propuestas de control innovadoras, es importante mencionar que este algoritmo presenta un conjunto significativo de limitaciones pr
acticas. Como
puede apreciarse en la secci
on 2.8, los polinomios costo de la funci
on de salida generalizada , deben
dise
narse fuera de lnea y aunque estos pueden proponerse de varias formas (lo cual implica flexibilidad),
se requiere que el dise
nador tenga cierto conocimiento sobre el proceso a controlar (lo cual implica dependencia). Adem
as si el proceso es susceptible a perturbaciones en los par
ametros, el desempe
no general del
sistema controlado podra degradarse con respecto a las proyecciones iniciales de desempe
no, pudiendo
en algunos casos llegar a poner en entredicho la estabilidad del lazo cerrado. De tal forma que el GMVC
puede usarse adecuadamente y con buenos resultados en aplicaciones particulares, donde existe suficiente
informaci
on del proceso, pero no se pueden tener amplios m
argenes de confiabilidad cuando se tiene poca
informaci
on del proceso, como sera el caso que tienen que enfrentar los controladores industriales de
campo.
A pesar de las desventajas mencionadas, los niveles de desempe
no (suboptimos) ofrecidos por el GMVC,
posicionan a este controlador como una opci
on muy atractiva. Un intento por sortear las desventajas
anteriormente mencionadas se present
o por primera vez en [1]; sin embargo, el algoritmo en cuesti
on
depende de la propuesta arbitraria de los polinomios costo y presenta serios problemas de convergencia
[82].
En [51], se encuentra una alternativa para solucionar el problema de la inicializaci
on de parametros
mediante una modificaci
on en el dise
no del controlador; en esta propuesta los parametros del control no
se estiman de la funcion de salida generalizada, sino que se calculan a partir de una estimaci
on de se
nales
prefiltradas asociadas a los par
ametros de la planta.
En a
nos recientes, el interes sobre el GMVC se ha incrementado, lo cual se puede atestiguar al encontrar
en la literatura un creciente n
umero de modificaciones, extensiones y aplicaciones de dicho algoritmo, a
continuaci
on se presentan algunos de los casos m
as representativos:
Interacci
on con otras estructuras de control [52], [89],
Extension al caso multivariable [37],
Extension a sistemas lineales variantes en el tiempo [43], [49],
37

on din
amica de polos
Analisis de robustez [50],
Aplicaciones industriales varias [73], [88],[58],
y recientemente
Extension al caso no lineal [28].
Si se desea que los polinomios costo P y Q de (t) , se dise
nen para lograr una asignacion de polos
determinada, se dice que se tiene un controlador de varianza mnima generalizado con asignacion de
polos (GMVPAC). Entonces los polinomios costo se obtienen de la soluci
on de la ecuaci
on diofantina:
+ AQ
=T
BP
(3.1)
donde T es la asignaci
on deseada de los polos.
El GMVPAC tiene dos problemas importantes que enfrentar. El primero se debe a que la estructura
de dise
no del controlador fuerza una estimacion sobreparametrizada, tal como se coment
o en la secci
on
2.8, provocando a su vez una inconsistencia estructural; es decir, aunque pudiera haber identificabilidad
parametrica no hay garanta de que los par
ametros identificados sean los verdaderos. Lo cual repercute
directamente en que la relaci
on (3.1) no sea satisfecha. El segundo problema surge incluso suponiendo
que los par
ametros estimados son los correctos, pues si existe perturbaci
on en los par
ametros y en alg
un
momento de la elecuci
on del control, estos son diferentes a los usados en el dise
no original de los polinomios
costo, nuevamente la ecuaci
on (3.1) no llegar
a a satisfacerse.
Una posible alternativa para calcular de forma aut
onoma los polinomios costo en funcion de una asignaci
on deseada de polos, y actualizar la ley de control en presencia de perturbaciones parametricas,
se presenta en el diagrama a bloques de la Figura 3-1. Como puede observarse, se requiere una doble
estimaci
on y no se soluciona el problema de la estimacion sobreparametrizada, haciendo necesaria la
b
usqueda de soluciones alternas.
Figura 3-1: GMVPAC modificado para enfrentar incertidumbres parametricas.

38
3.2 El controlador de varianza mnima generalizado con asignaci

on din
amica de polos
En la b
usqueda de una mejor solucion se desarroll
o un algoritmo de control que comparte con el STPAC
la estimacion de la planta y con el GMVC la estructura de control, el cual se explicar
a a detalle en la
siguiente secci
on.
3.2.
El controlador de varianza mnima generalizado con asignaci

on
din
amica de polos
Con la intension de superar las principales inconveniencias del GMVC, en esta seccion se propone una
estructura de control, que se basa en el desarrollo de un controlador GMVC cuyos polinomios costo
se dise
nan en relaci
on con una asignacion deseada de polos. La soluci
on denominada controlador de
varianza mnima generalizada con asignacion din
amica de polos, consiste en la reconfiguraci
on de la
arquitectura implcita del GMVC, utilizando la estructura de dise
no subyacente descrita en la secci
on
2.8, para convertirla en explcita, adem
as de a
nadir el recalculo en lnea de la ubicaci
on de polos para
contemplar los casos de perturbaci
on parametrica, todo dentro de un esquema con mayor eficiencia
computacional a la estructura presentada en la Figura 3.1. A continuaci
on se presenta una sntesis del
algoritmo propuesto.
Algoritmo 3.1. GMVDPAC.
En un tiempo t
B
y C.
Paso 1. Usando RLS estimar los polinomios del proceso A,

Paso 2. Calcular P y Q de:
+ AQ
=T
BP
G
yE
de;
Paso 3. Con P y Q calcular directamente los par
ametros del controlador H,
P C = F A + z K G
H = BF + QC
E = CR
donde R se obtiene para lograr el seguimiento a la referencia de la aplicaci
on del teorema del valor final
BR
| =1
+ QA z=1
PB
Paso 4. Con los polinomios de control calculados se aplica la ley de control
(t) = Gy
(t) Er
(t)
Hu
Paso 5. Esperar a que termine el periodo de muestreo y retornar al paso 1.
En la Figura 3-2 se presenta la estructura del GMVDPAC dentro de un esquema adaptable.
Al estimar la planta, en vez de los polinomios de control se soluciona el problema de sobreestimacion en
el GMVC, adem
as de que el sistema se hace m
as sensible. La inclusion de los pasos 1 y 2 en el algoritmo
a su vez permiten actualizar la ley de control en presencia de perturbaciones parametricas.
La sntesis del controlador en el GMVDPAC se realiza directamente, de esta forma se evita estimar H,
G y E de (t). La idea para calcular estos polinomios, en lugar de estimarlos tambien se utiliza en [51],
aunque de diferente forma. En la Figura 3-3 se presentan las principales caractersticas principales del
GMVDPAC y su relaci
on con los algoritmos STPAC y GMVC.
39

on din
amica de polos
Figura 3-2: Control GMVDPAC.
Figura 3-3: Sntesis del GMVDPAC a partir del STPAC y GMVC.

40

on din
amica de polos
Ejemplo 3.1. Con el fin de ejemplificar la aplicaci
on del algoritmo y analizar sus propiedades se presenta
la funcion de transferencia de la planta
G (s) =
1
e0.1s
s2 + 2s + 1
(3.2)
Aplicando una discretizacion con un retenedor de orden cero, con un periodo de muestreo h=0.1 segundos
y a
nadiendo una perturbacion, el sistema (3.2) se puede expresar como la ecuaci
on diferencia
y (t) = 1.80967y (t 1) 0.81873y (t 2) + 0.0046788u (t 2) + 0.004377u (t 3) + e (t)
(3.3)
Se contemplan las siguientes condiciones de simulaci

on:
Varianza de la perturbaci
on de 0.0000123, la cual al interactuar con la dinamica del sistema provoca
que la salida tenga variaciones sobre la referencia de aproximadamente 10 %,
Una covarianza inicial Px0 =100I, donde I es la matriz identidad,
Un factor de olvido =0.99,
Un tren de pulsos cuadrados de amplitud 2 como la referencia r.
De la ecuacion (3.3) se puede establecer que los valores a los cuales el sistema debe converger son:
= [ (0) , (1) , (2) , (3) , (4)] = [1.81, 0.8187, 0.004679, 0.004377, 1.0]
Tras 2000 iteraciones los par
ametros de estimaci
on son
h
i
f = f (0) ,
f (1) ,
f (2) ,
f (3) ,
f (4) = [1.8099, 0.81869, 0.0046789, 0.004377, 0.9999]
(3.4)
(3.5)
Para este caso se dise

na la asignaci
on de polos para 10.7 % de sobreimpulso maximo como
T = z 2 1.88z + 0.8896
(3.6)
En la Figura 3-4, se presenta una comparaci

on entre el lazo abierto y el sistema en lazo cerrado con la
ubicaci
on de polos (3.6). Para la asignaci
on de polos definida y considerando (3.3), se tienen los polinomios
costo:
P = 8.6058z + 8.6665 y Q = 1.040266
(3.7)
41

on din
amica de polos
Figura 3-4: Comparacion del sistema en lazo abierto y la respuesta deseada demarcada por la ecuacion 3.6.
Figura 3-5: a) Seguimiento de la referencia del sistema cuando es controlado con un GMVDPAC, b) Senal de
control.
En la Figura 3-5a) se presenta el seguimiento de la referencia por la salida del proceso. Se puede observar
que el sistema obedece a la se
nal de control s
olo despues de unos pocos segundos, lo cual se debe al
proceso de estimaci
on, como se puede ver en la Figura 3-6.
42

on din
amica de polos
Figura 3-6: a) Evolucion de los parametros de estimacion en funcion del tiempo, b) Desempeno de la traza de la
matriz de covarianza.
La traza de la matriz de covarianza puede considerarse como una medida de confiabilidad en la estimacion.
La identificabilidad est
a en riesgo si la magnitud de la traza de Px crece sin cota. En la Figura 3-6b) se
muestra que la traza del proceso de estimaci
on se mantiene alrededor de un valor constante.
A continuacion se resumen las ventajas fundamentales de la estructura a la que se ha denominado
controlador de varianza mnima generalizado con asignaci
on dinamica de polos (GMVDPAC).
No se requiere inicializaci
on de los polinomios costo,
Los polinomios costo se actualizan en lnea en funcion de los parametros estimados de la planta (lo
cual es beneficioso si los parametros sufren perturbaciones),
El sistema de control permite la asignaci
on din
amica de polos, lo cual disminuye considerablemente
fluctuaciones en el desempe
no dinamico del lazo cerrado,
Los margenes de estabilidad en el GMVDPAC se modifican en lnea para enfrentar posibles perturbaciones en los parametros del proceso (lo cual se revisa en secciones subsecuentes),
El GMVDPAC es algortmicamente eficiente tanto en tiempo de ejecuci
on, como en espacio.
Desde la perspectiva del an
alisis algortmico el GMVDPAC es mas simple (Figura 3-2) que la propuesta
de la modificaci
on al GMVC presentada en la Figura 3-1, ya que esta requiere de 2 estimaciones recursivas
de parametros y una solucion de una ecuaci
on diofantina en lnea, mientras que el GMVDPAC lleva a
cabo una estimacion en lnea y la soluci
on de 2 ecuaciones diofantinas. Si se parte del hecho de que una
estimaci
on basada en mnimos cuadrados recursivos requiere de:
32n3 17n2 3
(3.8)
operaciones computacionales (flops, operaciones de puntos flotantes), donde n es el orden del proceso y
para resolver una ecuacion diofantina con ayuda de la matriz de Sylvester se requieren:
43

on din
amica de polos
18n3 10n2 1
(3.9)
pasos, ya que el resultado (3.8) es mayor que el (3.9) (y esta diferencia se hace mayor conforme n
aumenta), el GMVDPAC requiere de menos operaciones de c
omputo que el algoritmo presentado en la
Figura 3-1.
3.3.
Estabilidad del controlador de varianza mnima generalizado con

asignaci
on din
amica de polos (GMVDPAC)
Cuando la selecci
on de los polinomios costo se lleva a cabo bajo el criterio de asignaci
on de polos, la
identidad:
P B + QA = T
(3.10)
es necesaria para la obtenci

on de los polinomios P y Q.
El diagrama a bloques de la Figura 3-7, representa conceptualmente el control GMVPA cuando los
polinomios costo se obtienen de (3.10) para una asignaci
on de polos determinada.
Figura 3-7: Diagrama a bloques conceptual del GMVPAC

La reducion del diagrama a bloques de la Figura 3-7, provee la funcion de transferencia:
GLC =
BQ
P B + QA
(3.11)
El enfoque del algoritmo original GMVC propuesto por Clarke [19], esta orientado a sistemas lineales
invariantes en el tiempo y no contempla incertidumbres parametricas; es decir, que el dise
no de este
controlador asume que los par
ametros del proceso no tienen variaciones, por lo que los polinomios costo
P y Q son constantes durante el proceso de control. De (3.11) se puede suponer que si A y B son los
polinomios de un sistema lineal invariante en el tiempo con incertidumbres parametricas y durante el
proceso de control los par
ametros de la planta sufren una desviaci
on con respecto a los originales, la
identidad (3.10) no se cumplira.
3.4.
An
alisis de estabilidad del GMVPAC para sistemas de segundo
orden
La elecci
on de los polinomios costo en el GMVPAC guarda una estrecha relaci
on con la estabilidad del
sistema, ya que estos delimitan la zona en la que los par
ametros del modelo lineal pueden variar sin
provocar la inestabilidad en lazo cerrado. Un caso representativo que permite apreciar claramente este
fenomeno de forma gr
afica, es el control de procesos que pueden representarse como un modelo lineal de
segundo orden cuando nT =2.
44
3.4 An
alisis de estabilidad del GMVPAC para sistemas de segundo orden
Las estructuras de segundo orden son un caso muy representativo del control de procesos industriales.
Es una recomendacion com
un en la implementaci
on de STRs, la anexi
on de una etapa de filtrado para
poder manipular el proceso con una dinamica dominante de segundo orden.
Aunque el controlador tiene una estructura discreta en su implementacion, solo para fines del an
alisis de
estabilidad se emplea un equivalente continuo.
Lema 3.1. Dada la planta en lazo abierto:
G(s) =
s2
K
+ a1 s + a2
(3.12)
y un controlador GMVPAC cuyos polinomios costo son de la forma:

P (s) = p0 s + p1
(3.13)
Q (s) = 1
y asumiendo el parametro K fijo en la ecuaci
on (3.12), entonces, la zona de estabilidad de la planta
(3.12) ante perturbaciones en los par
ametros a1 y a2 , en lazo cerrado con el controlador definido por los
polinomios costo (3.13), es la zona E cuyas fronteras est
an definidas por:
a1 = p0 K
a2 = p1 K
en el espacio de par
ametros a1 a2 (ver Figura 3-8).
Figura 3-8: Zona de estabilidad definida en funcion del polinomio costo P.

Prueba: Se tiene una planta de la forma:
B (s)
K
= 2
A (s)
s + a1 s + a2
(3.14)
na un controlador GMVPAC donde nT = n, si

Para (3.14) n=2, de lo que nA = n y nB = n 2, se dise
se tiene que nP = n 1 y nQ = n 1, entonces los polinomios costo P y Q pueden expresarse como:
P (s) = p0 s + p1
(3.15)
Q(s) = q0 s + q1
45

on din
amica de polos
Si al utilizar el GMVPAC, se supone que:
=B,
A=A,
B
C =C
(3.16)
(s) + Q (s) A (s) = T (s)

P (s) B
(3.17)
entonces:
donde T es el denominador del sistema en lazo cerrado y representa la asignaci

on deseada de los polos.
Entonces el polinomio caracterstico en lazo cerrado es:
T (s) = (sp0 + p1 K) + s2 + a1 s + a2 (sq0 + q1 )
(3.18)
si se reduce algebraicamente (3.18), se tiene:
T (s) = s3 q0 + s2 (q1 + a1 q0 ) + s (p0 K + a1 q1 + a2 q0 ) + p1 K + a2 q1

nT = 2 = q0 = 0
finalmente
T (s) = s2 q1 + s (p0 K + a1 q1 ) + p1 K + a2 q1
(3.19)
si T (s) es monico, q1 = 1.
Sabiendo que el polinomio denominador en lazo cerrado es:
s2 + s (p0 K + a1 ) + p1 K + a2
(3.20)
Y ya que (3.14) no contempla retardos en el transporte, se obtiene un calculo de las fronteras de estabilidad
a partir del criterio de Routh aplicado a (3.20):
1
p1 K + a2
s2
1
s p0 K + a1
s0 p1 K + a2
(3.21)
para que el sistema en lazo cerrado sea estable, es condici

on necesaria y suficiente que:
p0 K + a1 > 0
(3.22)
p1 K + a2 > 0
de lo que se deduce que el rango de estabilidad se define por:
a1 > p0 K
(3.23)
a2 > p1 K
donde es utilizado aqu para indicar la frontera de estabilidad dada y la Lema 3.1 esta probada.
A continuaci
on se presenta un ejemplo para ilustrar el Lema 3.1
Ejemplo 3.2. Suponga el circuito RLC de la Figura 3-9.
46
3.4 An
alisis de estabilidad del GMVPAC para sistemas de segundo orden
Figura 3-9: Circuito RLC.

Si los valores de los elementos est
an dados por: L=8.4572 Henrios; C=.004523 Faradios; R=69.02119
Ohmios.
Ya que la funci
on de transferencia definida para el circuito de la figura es:
1/LC
Eo (s)
= 2
Ei (s)
s + R/Ls + 1/LC
(3.24)
La funci
on de transferencia para este caso es:
26.14
s2 + 8.161s + 26.14
Suponga que se desea tener una din
amica del sistema en lazo cerrado, tal que:
G(s) =
T = s2 + 3.68s + 9.688
(3.25)
(3.26)
Si se considera un GMVPAC, los polinomios costo continuos estan dados por:

P (s) = 0.1714157999s 0.62941652
(3.27)
Q (s) = 1
(3.28)
Entonces puede mostrarse la zona de estabilidad en la Figura 3-10.
Figura 3-10: Zona de estabilidad para el ejemplo 6.

La soluci
on discreta para la ecuaci
on (3.12) es:
P (z) = 2.597z + 1.7988
(3.29)
Q (z) = 1.25784
47

on din
amica de polos
Considerando (3.29) se simul
o el control para (3.25) bajo las siguientes condiciones:
Matriz de covarianza inicial Px = 100I,
Factor de olvido exponencial =0.98,
Estimados iniciales 0 = (0.5, 0.5, 0.5, 0.5, 0.5) ,

Varianza del vector de perturbaci
on V(e (t)) = 1 105 .
La amplitud de la varianza es arbitrariamente peque

na, para que la respuesta dinamica propuesta por
T sea evidente. En la Figura 3-11, se representa la respuesta a la referencia y la se
nal de control del
GMVPAC.
Figura 3-11: a) Seguimiento a la referencia b) Senal de control.
Suponga ahora que hay una variacion en el valor nominal de la resistencia, tal que: R=37.5; de (3.24)
los nuevos coeficientes del sistema son a1 =4.434 y a2 =26.14. Este cambio en la resistencia provoca
que los coeficientes del sistema queden fuera de la zona de estabilidad, definida por los polinomios costo
dise
nados originalmente para (3.25). En la Figura 3-12 se presenta el comportamiento del sistema cuando
R cambia.
48
3.5 Estabilidad del GMVDPAC
Figura 3-12: GMVPAC ante el cambio de resistencia.

El desempe
no mostrado en la Figura 3-12, remarca la limitaci
on del algoritmo propuesto por Clarke,
donde los polinomios P y Q se dise
nan de acuerdo a (3.10) (GMVPAC) cuando existen perturbaciones
en los par
ametros.
A continuaci
on se revisa la zona de estabilidad asociada al algoritmo propuesto GMVDPAC.
3.5.
Estabilidad del GMVDPAC
Gracias a que los polinomios costo no son propuestos fuera de lnea y no pierden vigencia debido a que son
recalculados permanentemente, las posibles perturbaciones en los par
ametros pueden ser consideradas en
el dise
no, permitiendo as, que el sistema permanezca estable en lazo cerrado (siempre que los par
ametros
de estimacion converjan a los verdaderos). De lo anterior se puede decir que el GMVDPAC modifica las
zonas de estabilidad para permitir la operacion segura del sistema ante perturbaciones en los par
ametros.
A continuaci
on se presenta un Teorema que describe dicho fen
omeno.
Teorema 3.1. Para una planta con funci
on de transferencia de lazo abierto G(s):
G (s) =
s2
K
+ a1 s + a2
(3.30)
en la cual los par

ametros a1 y a2 est
an sujetos a perturbaciones del tipo:
a1 = a1 + a1 y a2 = a2 + a2
(3.31)
si se aplica el GMVDPAC a esta planta, entonces la coordenada (a1 , a2 ) permanece dentro de la zona de
estabilidad dada por las fronteras:
49

on din
amica de polos
a1 = a1 t1
a2 =
a2
(3.32)
t2
donde t1 y t2 son los coeficientes del polinomio de asignacion de polos:

T (s) = s2 + t1 s + t2
(3.33)
Prueba: Considere incertidumbres en el siguiente polinomio denominador:

A (s) = s2 + (a1 + a1 ) s + (a2 + a2 )
(3.34)
donde a1 , a2 son perturbaciones aditivas en los parametros a1 , a2 , definiendo lo siguiente:

a1 = a1 + a1 y a2 = a2 + a2
(3.35)
Entonces el polinomio en lazo cerrado es de la forma:

T (s) = s2 + s (p0 K + a1 ) + p1 K + a2
(3.36)
Cuando existe incertidumbre en los parametros se tiene que:

a1 6= a1 y a2 6= a2
(3.37)
En el GMVPAC los polinomios costo se obtienen fuera de lnea a partir de la solucion de la matriz de
Sylvester. Bajo el GMVPAC el c
alculo de los polinomios costo correspondientes se lleva a cabo con a1 y
a2 , no con a1 y a2 ; esto implica que las perturbaciones a1 y a2 pueden ocasionar que el par (a1 , a2 )
este fuera de la zona de estabilidad dada por las fronteras del Lema 3.1. El calculo de los polinomios
costo resulta en:

1
q1
q0
= 1 0 1
(3.38)
p1 a2 + t2
K
K
p0
K1 a1 + K1 t1
donde, los par

ametros t1 , t2 son los correspondientes al polinomio deseado:
T (s) = s2 + t1 s + t2
(3.39)
y
Por su parte en el GMVDPAC, el c
alculo de los polinomios costo se realiza en lnea a partir de A
(suponiendo la convergencia en la estimaci
B
on). Bajo este esquema, si existen perturbaciones en los
parametros del sistema, el algoritmo recalcula los polinomios costo correspondientes a los par
ametros
perturbados una vez que a1 y a2 se han estimado, por lo que es posible asumir:
a1 =
a1 y a2 =
a2
y los polinomios costo correspondientes para estos par
ametros estan dados por:
1
q1
q0
1
p1 = 1 a
+
t
2
2
K
K
1
1
p0
K a
1 + K t1
50
(3.40)
(3.41)

Se sabe del Lema 3.1, que las fronteras de estabilidad para los parametros del proceso estan dadas por:
a1 = p0 K y
(3.42)
a2 = p1 K
Sustituyendo los parametros dados por (3.41) en (3.42) se tiene que:
1
a1 = a1 +
K
1
a2 = a2 +
K
1
t1 K
K
1
t2 K
K
(3.43)
Por lo que simplificando en (3.43) se obtiene:
a1 = a1 t1
a2 =
a2
(3.44)
t2
De (3.55) se puede observar que si el polinomio T (s) cumple la condici

on de Stodola, las fronteras de la
estabilidad del GMVDPAC envuelven a la coordenada (a1 , a2 ), tal como puede apreciarse en la Figura
3-13.
Figura 3-13: Estabilidad del GMVDPAC.

Observaci
on 3.1. Las magnitudes de a1 , a2 est
an limitadas en la practica por la capacidad de
los actuadores y sensores; es decir, que aunque algoritmicamente es posible ampliar la zona de
estabilidad indefinidamente, la se
nal de control podra alcanzar la saturaci
on en alg
un punto.
Sustituyendo el controlador empleado en el Ejemplo 3.2 por un GMVDPAC, puede observarse en la

Figura 3-14 que cuando ocurre el cambio de resistencia, el lazo cerrado permanece estable, a diferencia
de cuando se aplica el GMVPAC (ver Figura 3-12), esto debido a que la ley de control se actualiza en
presencia de la perturbaci
on.
51

on din
amica de polos
Figura 3-14: Control GMVDPAC ante el cambio de resistencia.
3.5.1.
Asignaci
on din
amica de polos
En las secciones anteriores se han revisado algunos aspectos que guardan relaci
on con la estabilidad
del GMVDPAC. Otra cualidad relevante del GMVDPAC, es la capacidad que el controlador posee en
lo din
amico para sobreponerse a perturbaciones. Suponga ahora que existe una perturbacion en los
parametros; si (3.34) es considerado en:
BP + QA
(3.45)
donde A es el polinomio de los par

ametros perturbados, considerando el dise
no original, el sistema en
lazo cerrado tendra la forma:
s2 + t1 s + (sa1 sa1 ) + t2 + (a2 a2 )
(3.46)
por lo que cuando (3.36) se cumple, en el GMVDPAC se cumple la asignacion de polos

BP + QA = T
(3.47)
Para revisar lo anterior en un caso real, el control propuesto para el circuito RLC del Ejemplo 3.2 fue
implementado en la pr
actica, considerando una variaci
on en el valor de la resistencia en el segundo 30,
con el fin de generar una incertidumbre parametrica.
En la Figura 3-15 se presenta el efecto de dicha variaci
on, cuando se aplica el GMVPAC, como puede
observarse la respuesta din
amica se desva del objetivo original. En la Figura 3-16 se presenta el funcionamiento del GMVDPAC y se observa que la variaci
on de R es compensada por la se
nal de control
para preservar el comportamiento delimitado por el polinomio T de consigna.
52
Figura 3-15: Control GMVPAC.
Figura 3-16: Control GMVDPAC.
53

on din
amica de polos
54
Captulo 4
Sistema de soporte al controlador

4.1.
Introducci
on
Uno de los principales objetivos de la tesis es la operaci

on aut
onoma del controlador. En este captulo
se presenta el procedimiento desarrollado para proveer de arranque aut
onomo al controlador adaptable
presentado en el Captulo 3. Adem
as se expone el desarrollo de un controlador, usado para reemplazar
al control adaptable en caso de que este u
ltimo presente comportamientos poco satisfactorios. El control
desarrollado en la tesis denominado GMVDPAC, presentado en el Captulo 3, es una estructura con altos
niveles de confiabilidad, por lo que la inclusi
on de un control de respaldo busca principalmente expandir los
margenes de autonoma del sistema. Del control de respaldo a su vez, se espera que sea capaz de mantener
un nivel de desempe
no aceptable, ante un amplio espectro de condiciones de operaci
on. Tambien en este
captulo se presenta el sistema de supervisi
on desarrollado para monitorear el desempe
no del sistema en
su conjunto capaz de tomar decisiones de configuracion del sistema.
Figura 4-1: Bosquejo del algoritmo de inicializacion.

55

El procedimiento de inicializaci
on se lleva acabo previamente a la acci
on de control. Como primer paso
de la inicializaci
on, el sistema excita al proceso en lazo abierto, para obtener las se
nales de entrada y
salida del proceso, con el fin de ejecutar procedimientos RLS con modelos internos de diversos ordenes.
De los procedimientos de estimacion recursiva se almacenan tanto las soluciones, como algunos aspectos
del desempe
no del propio estimador. Con la informacion recabada durante el proceso de estimaci
on se
realiza un analisis (el cual se describe en la siguiente secci
on), para obtener las variables de inicializaci
on
necesarias para el control aut
onomo. En la Figura 4-1 se bosqueja el proceso de inicializaci
on y se muestra
su vnculo con el proceso de sintona del control de respaldo.
4.2.
Inicializaci
on
En el Captulo 1 se mencionan brevemente otras tecnicas de inicializaci

on, como la desarrollada por Lundh
y Astrom [46] basada en el an

alisis en frecuencia y la interpretacion heurstica. En [46] se aprovechan las
se
nales de entrada y salida del sistema (producto de un proceso de autosintonizaci
on cuando se aplica un
relevador realimentado) para proveer de la informacion necesaria al sistema de arranque del controlador
autosintonizable mediante la interpretaci
on heurstica del an
alisis espectral resultante. La limitacion de
la tecnica de dicho metodo, es que es funcional s
olo para procesos asint
oticamente estables.
Por otro lado, en el Captulo 2 se abordan algunos aspectos de la naturaleza lineal de los RLS, como la
condici
on de que los procesos a estimar no tuvieran races comunes en el numerador y el denominador del
modelo del proceso. Como ya se coment
o en el Captulo 2, la no unicidad de la soluci
on guarda relacion
con la excitaci
on persistente y con el sobredimensionamiento del modelo de estimaci
on. Dicha situaci
on
representa una inconveniencia de la estimaci
on RLS; sin embargo, en un cambio de perspectiva, esta
situacion se aprovecha por el metodo de inicializaci
on propuesto en este trabajo. En [85],[86] se describe un fenomeno que sucede en la estimaci
on RLS cuando el modelo interno esta sobreparametrizado,
consistente en la tendencia de colocar pares de polos y ceros en la misma posicion para compensar el
sobredimensionamiento, y minimizar el residuo. Basados en tal premisa cuando se aplica RLS, puede
emitirse un diagn
ostico aproximado acerca de si el sistema de estimaci
on esta sobredimensionado considerando la evoluci
on del RLS durante la estimacion, por lo que si la estimaci
on est
a sobredeterminada
debido a que el orden del modelo interno fue elegido de orden mayor al real, el modelo estimado no
tendra car
acter coprimo ni unicidad en la soluci
on (ver Captulo 2). Este fen
omeno en los RLS inspir
o un
proceso de inicializaci
on que basa su funcionamiento en un sistema experto que discrimina entre modelos
internos a partir del fenomeno mencionado.
En la pr
actica diversas situaciones pueden provocar que el desempe
no de un proceso de estimacion
tenga variaciones en relacion con el comportamiento esperado, en este sentido Narendra menciona en
[54]: Me gustara a
nadir a este escenario que en 30 a
nos durante los cuales fueron llevadas a cabo
simulaciones extensivas rara vez me he topado con situaciones (exceptuando ejemplos muy simples)
donde los parametros convergen a los valores verdaderos!, incluso cuando la entrada de referencia es
PE (excitada persistentemente), los par
ametros convergen tan lentamente que para fines practicos no lo
hacen. Uno de los hechos sorprendentes es que a pesar de esto el error de salida del sistema din
amico
tiende a 0. Por lo anterior para los fines del desarrollo de la estructura de inicializaci
on presentada
en este captulo, cobra relevancia el comportamiento cualitativo ante el cuantitativo en la pr
actica, para
establecer el sobredimensionamiento de la estimaci
on, por lo que se considera m
as importante la tendencia
a la cancelaci
on de races en el desempe
no de la estimacion, que la cancelaci
on en si, o la inconsistencia
de estimacion (que delata la no unicidad de la solucion) que la vigilancia estrecha de los residuos.
En las siguientes secciones se presenta la metodologa propuesta para la inicializaci
on de las variables
necesarias para la operaci
on de la estructura de control, que para el caso del control adaptable persigue
la inicializaci
on de las siguientes variables:
Estructura del modelo de estimaci
on,
56
4.2 Inicializaci
on
Parametros de identificaci
on iniciales, 0 ,
Matriz de covarianza inicial, Px0 ,
Factor de olvido,
Retardo del sistema,
Dise
no de asignacion de polos,
Periodo de muestreo.
Y para el caso del control de respaldo, los par
ametros del controlador.
4.2.1.
Selecci
on del orden del modelo de estimaci
on
La elecci
on del orden del modelo interno se realiza por medio de un procedimiento mediante el cual se
excita el sistema, almacenando inmediatamente la respuesta y la entrada de excitaci
on. Con la informaci
on
disponible, se realiza la estimaci
on con RLS para los modelos deterministas.
y (t) = a1 y (t 1) + b0 y (t 1)
(4.1)
y (t) = a1 y (t 1) + a2 y (t 2) + b0 y (t 1) + b1 y (t 2)
y (t) = a1 y (t 1) + a2 y (t 2) + a3 y (t 3) + b0 y (t 1) + b1 y (t 2) + b2 y (t 3)
Solo se utilizan tres modelos de primero, segundo y tercer orden, debido a que la dinamica dominante de
la mayora de los sistemas puede ser sintetizada con estas estructuras [82] y a la vez evitar un aumento
excesivo del esfuerzo computacional.
Una vez que se tiene la informaci
on de las tres estimaciones recursivas se procede a realizar el proceso
de seleccion. El metodo propuesto es basicamente un procedimiento de discriminacion.
La selecci
on depende de cumplir tres criterios, en el orden de precedencia:
Criterio de ubicaci
on de polos,
Criterio de error,
Criterio de convergencia heurstica.
Criterio de ubicaci
on de polos
Si se asume que el sistema a identificar tiene la forma.
G (z) =
B (z)
b0 z m + b1 z m1 + ... + bm
= n
A (z)
z + a1 z n1 + a2 z n2 + ... + an
(4.2)
que tambien puede expresarse como:

Kx
G (z) =
m
Q
i=1
n
Q
i=1
(z ci )
(z pi )
,m n
(4.3)
57

Al aplicar RLS, se obtiene el proceso estimado:
x Q (z ci )
K
r
(z) =
G
i=1
s
Q
i=1
(z pi )
,r s
(4.4)
donde r y s son el orden del numerador y el denominador del modelo de estimacion respectivamente.
Si el modelo estimado es consistente [82] y s > n, entonces:
(z) =
G
m
rm
Q (z ci ) Q z di
K
i=1
n
Q
i=1
(z pi )
i=1
sn
Q
i=1
(z qi )
, m (r m) n (s n) , di qi
(4.5)
La diferencia entre la posici

on del polo y el cero redundante puede definirse como:
RLS = |di qi |
(4.6)
RLS asigna los polos y ceros redundantes para capturar la dinamica del sistema, a la vez que el residuo
es minimizado. La magnitud de (4.6) esta determinada por el tama
no del residuo y la excitacion del
sistema. Como ya se mencion
o, si el sistema est
a sobreestimado el modelo estimado no es coprimo. Esta
condici
on se usa para descartar modelos. Es importante mencionar que (4.5) es un resultado experimental
y que para que se cumpla tiene que existir la excitacion persistente [8]. Si Px se vuelve singular indica la
correlaci
on de parametros y al igual que con el criterio de ubicaci
on de polos se procede a descartar el
modelo. Este metodo no considera, el caso de ceros en el origen del modelo en lazo abierto.
Ejemplo 4.1. Para mostrar el efecto de cancelaci
on de polos y ceros que se da cuando se usan
RLS con un modelo interno sobredimensionado, se presenta el modelo de un proceso integrador de la
forma:
1
s
Suponiendo un periodo de muestreo de h=0.1 segundos, se tiene el modelo discreto:
G (s) =
G (z) =
0.1
z1
(4.7)
(4.8)
A continuaci
on se realiza en simulacion la identificaci
on RLS, usando los modelos discretos de primero,
segundo y tercer orden descritos por la ecuaci
on (4.1), bajo las siguientes condiciones: =0.98, Px0 =
1000I, donde I es la matriz identidad y finalmente 0m1 = (0.5, 0.5) , 0m2 = (0.5, 0.5, 0.5, 0.5) , 0m3 =
(0.5,0.5,0.5,0.5,0.5,0.5) , para las identificaciones deterministas RLS de primero, segundo y tercer orden
respectivamente. En la Figura 4-2a) se presenta la respuesta del sistema a la excitaci
on de un tren de
pulsos cuadrados (ver Figura 4-2b)).
58
4.2 Inicializaci
on
Figura 4-2: Sistema excitado.
El proceso descrito por la ecuaci

on (4.7), puede utilizarse para representar la posicion angular en motores
de C.D., por lo que la forma de (4.7) es usual en el dise
no de servos de posicion. El modelo descrito por la
ecuaci
on (4.7), no tiene ciclo lmite en presencia de un relevador realimentado [2], por lo que un metodo
de inicializaci
on basado en este principio [46] no puede emplearse. En la Figura 4-3a) se presenta el
comportamiento de los parametros de estimaci
on con modelo interno de primer orden.
Figura 4-3: a) Comportamiento de la estimacion primer orden b) Traza de la matriz de covarianza c) Determinante
de la inversa de la matriz de covarianza
59

En la Figura 4-3b) se observa como despues de un determinado tiempo de ejecucion de la estimacion de
primer orden, la traza de la matriz de covarianza decrece para permanecer despues en un nivel constante,
lo cual denota un proceso de estimacion adecuado. La Figura 4-3c) muestra el comportamiento de la
traza de la inversa de la matriz de covarianza, el comportamiento
de esta variable es una raz
on cualitativa
1
,
puesto
que
si
det
P
=
0,
el
sistema
es
linealmente
dependiente,
de la independencia
lineal
de
P
x
x
1
se aleje lo m
as posible y de forma regular de 0 puede inferirse que el modelo de
mientras det Px
estimaci
on es el adecuado; se habla de una interpretaci
on cualitativa, puesto que cuando los parametros
de estimacion convergen a los verdaderos, se asume la convergencia si
, lo cual implica que
existen
peque
nas diferencias entre los par
ametros reales y estimados que a su vez impiden que det Px1 sea
exactamente igual a cero, de aqu se vuelve importante la interpretaci
on, pues si det Px1 se acerca a 0
debe sospecharse dependencia lineal. En la Figura 4-4 se presenta el LGR discreto del modelo de primer
orden estimado
Figura 4-4: Figura 4.4: LGR del modelo estimado de primer orden.
Cuando se aplica la estimacion LGR utilizando un modelo interno de segundo orden se obtienen los
resultados mostrados en la Figura 4-5
En la Figura 4-5a) se observa el comportamiento de los parametros de estimaci
on, mientras que en la
Figura 4-5b) se observa que la traza crece, lo cual muestra una perdida de identificabilidad
por
provocada
la estructura de identificaci
on sobredimensionada, en la Figura 4-5c) se aprecia que det Px1 es menor
al presentado por la Figura 4-4c) y se observa que es m
as cercano a 0. De lo observado en la Figura
4-5, se puede sospechar que el modelo est
a sobredimensionado. Como ya se mencion
o, la estimacion RLS
tiende a superponer polos y ceros cuando la estructura de estimacion esta sobredimensionada, situacion
que puede apreciarse en la Figura 4-6 con la redundancia de un polo y un cero.
60
4.2 Inicializaci
on
Figura 4-5: a) Comportamiento de la estimacion segundo orden b) Traza de la matriz de covarianza c) Determinante de la inversa de la matriz de covarianza.
Figura 4-6: LGR del modelo estimado de segundo orden.
De la aplicacion de la estimacion LGR, con un modelo interno de tercer orden, se presenta en la Figura
4-7a) el proceso de estimaci
on en el tiempo, en la Figura
4-7b)
se observa que la traza Px crece conforme
1
se acerca peligrosamente a cero. La sobrepasa el tiempo, mientras que en la Figura 4-7c) det Px
determinaci
on del modelo interno es evidente y se confirma con la doble redundancia de polos y ceros
presentados en la Figura 4-8.
61
Figura 4-7: a) Comportamiento de la estimacion tercer orden b) Traza de la matriz de covarianza
c)
Determinante de la inversa de la matriz de covarianza.
Figura 4-8: LGR del modelo estimado de tercer orden.
De lo observado en el Ejemplo 4.1, se puede deducir que sin la estructura del modelo, pero conociendo
el comportamiento de la estimaci
on de primero, segundo y tercer orden, la estructura de estimacion del
control adaptable para el proceso debe ser de primer orden, ya que para las estimaciones de segundo y
tercer orden, los polinomios de los modelos estimados no son coprimos.
62
4.2 Inicializaci
on
Criterio de error
Considerando el residuo del proceso de estimaci
on est
a dado por:
(t 1)
(t) = y (t) T (t 1)
(4.9)
La sumatoria del residuo absoluto est

a dada por.
ac =
x
P
t=1
| (t)|
(4.10)
donde x es el tiempo definido para la excitaci

on inicial.
El criterio de ubicaci
on de polos es suficiente si el sistema que se est
a estimando es de primer orden, pues
los modelos estimados de segundo y tercer orden no seran coprimos, (4.10) se usa como un criterio de
desempate si el modelo real es de segundo o tercer orden.
Ejemplo 4.2. El caso presentado en el Ejemplo 4.1 es f
acil de interpretar, ya que s
olo un modelo de
estimaci
on interno cubre las condiciones mnimas de identificabilidad. Sin embargo si se asume el
modelo de segundo orden:
1
(4.11)
s2
el cual es un doble integrador, usualmente utilizado para modelar sistemas de posicion con mnima
fricci
on, como los usados en manipuladores espaciales o submarinos. Se usa el modelo (4.11) como ejemplo,
pues se trata de un modelo de segundo orden que tampoco cuenta con un ciclo lmite.
Al discretizar (4.11) con h = 0.1 segundos se obtiene
G (s) =
G (z) =
0.005z + 0.005
z 2 2z + 1
(4.12)
Para (4.12) s
olo cuando el modelo interno es de tercer orden existe cancelaci
on de polos y ceros, lo cual
es congruente con lo planteado en esta secci
on. En la Figura 4-9 se puede observar dicha cancelaci
on
Figura 4-9: LGR del modelo de estimacion de tercer orden.

63

Tanto el modelo interno de primer orden como el de segundo cumplen con la condici
on de que sus
polinomios de identificaci
on sean coprimos. Es aqu donde el criterio de error cobra importancia. Para
el caso de primer orden, el error de estimaci
on acumulado es 1.6714, y para el caso de segundo orden es
0.01781; por lo cual, se puede deducir para este caso que el modelo de estimaci
on interno para el control
adaptable debe elegirse como segundo orden
En la pr
actica, una situacion que puede delatar la no unicidad de la soluci
on, es la variaci
on extrema o
alternancia en el comportamiento de los par
ametros de estimacion, por lo que se define a continuaci
on
un u
ltimo criterio de validacion.
Criterio de convergencia heurstica
El desempe
no del procedimiento de estimacion tiene un comportamiento particular cuando es sobreestimado, pues el proceso pierde consistencia [82].
Suponga ahora que el vector de estimaci
on cuando la perturbacion es ruido blanco, es definido como:
= [0 , 1 , 2 , ..., 2n+1 ]
i = 0, 1, ..., 2n + 1
(4.13)
de lo cual se tiene que i puede expresarse como el vector de longitud x :

i = [i0 , i1 , i2 , ..., x ]
Si (4.14) se representa ahora como:
i = w1 , w2 , ..., wx/v
(4.14)
(4.15)
donde w1 , w2 hasta wx/v son v segmentos de la misma dimensi

on del vector (4.14), denominadas en este
trabajo como ventanas. De tal forma, que se puede decir que hay convergencia (en particular consistencia)
heurstica cuando:
(4.16)
var (w1 ) > var (w2 ) > ... > var(wx/v )
2
donde var es la varianza del vector involucrado.
A continuaci
on se resume el procedimiento de selecci
on de orden del modelo interno, en el siguiente
algoritmo:
Algoritmo 4.1. Para la elecci
on
Paso 1. Excitar al proceso con un tren de pulsos en lazo abierto y guardar las se
nales de excitaci
on.
Paso 2. Con las se
nales de excitaci
on, aplicar RLS usando los modelos descritos por la ecuaci
on (4.1).
Paso 3. Del comportamiento exhibido por los procesos de estimaci
on definir el orden del modelo interno
considerando
a) Si s
olo el modelo estimado de primer orden es coprimo, se elige una estructura de primer orden,
b) Si el modelo de tercer orden es el u
nico que no es coprimo, se elige el modelo de segundo orden
si su proceso de estimaci
on es consistente y su error acumulado es el menor,
c) Si todos los modelos estimados son coprimos se opta por un modelo interno de tercer orden si
su proceso de estimaci
on es consistente y su error acumulado es el menor. En caso de no satisfacer la
validaci
on se opta por un modelo de segundo orden.
NOTA: Para la adquisici
on de se
nales debe usarse un filtro pasabajas.
Efectividad del m
etodo de selecci
on de orden
Para medir el nivel de efectividad del proceso de selecci
on de orden del modelo interno se realiz
o una
prueba estadstica. Debido a que la evaluacion del desempe
no del algoritmo de seleccion de orden se
64
4.2 Inicializaci
on
dificulta en la pr
actica debido a la falta de una referencia, se desarrollaron pruebas en simulacion, ya que
es m
as facil medir el porcentaje de acierto si se conoce con certeza el orden del proceso.
Para la prueba se desarrollo un programa que genera aleatoriamente, funciones de transferencia continuas,
cuyo orden del denominador es maximo n=3, mientras que el orden del numerador es m
aximo n 1. Por
su parte los coeficientes de la funci
on son generados aleatoriamente con valores que varan en un rango
continuo entre 0 y 10. Una vez que el modelo es generado, se ejecuta el programa de selecci
on de orden
el cual excita inicialmente al modelo con un tren cuadrado de pulsos. Con los datos generados a partir
del proceso de excitaci
on, el metodo para selecci
on de orden realiza una propuesta del orden del modelo
interno.
Para las pruebas se generaron aleatoriamente 100 procesos, con los que se prob
o la efectividad del
algoritmo de selecci
on de orden teniendo este un porcentaje de acierto del 94 %. Los desaciertos estuvieron
relacionados en todos los casos para procesos de tercer orden, en 5 de los 6 desaciertos el sistema propuso
modelos de segundo orden, mientras que en el restante, la propuesta fue de primer orden.
4.2.2.
Inicializaci
on de par
ametros iniciales
Los par
ametros iniciales del control adaptable se ajustan como los par
ametros finales (se asume convergencia) del procedimiento de estimaci
on, de la estructura cuyo orden haya sido seleccionada.
4.2.3.
Asignaci
on de polos
La configuracion para definir la asignaci

on de polos en el sistema aut
onomo, consiste en una asignacion
de primer orden cuando el procedimiento de inicializaci
on opta por una estructura interna de primer
orden, tal que:
(4.17)
d = 0.7
es decir, se propone una asignaci
on de polos que dinamicamente sea 30 % m
as rapida que en lazo abierto.
Para el caso del segundo orden tanto como del tercero, se propone una asignacion deseada de polos de
segundo orden que cumpla
(4.18)
tsd = 0.7ts y Mpd = 10 %
Ambas configuraciones son validas cuando la referencia deseada no supere el 50 % del rango maximo
permisible de acci
on de la variable de salida. Si la referencia se ecuentra entre el 50 % y el 80 % se realiza
una evaluaci
on numerica para la magnitud de la se
nal de control, para obtener el pico m
aximo de esta,
y se ejecuta un algoritmo que reduce las expectativas en reducci
on de tiempo, aplicando incrementos; es
decir, si el tiempo que el sistema pasa en saturaci
on supera el 30 % del tiempo de establecimiento del
proceso en lazo abierto, la expectativa del tiempo pasa del 70 % al 80 % del tiempo de establecimiento
en lazo abierto, se eval
ua nuevamente la respuesta del control, y si se cumple con la condicionante se
conserva la propuesta de asignacion de polos. Este proceso se repite con intervalos definidos hasta cumplir
una asignaci
on de polos necesaria. El inicializador tambien considera el ajuste manual de la asignaci
on
de polos mediante el dise
no de la respuesta dinamica deseada.
Los criterios utilizados para el dise
no de los polinomios de asignaci
on de polos se proponen como una
relaci
on heurstica entre el comportamiento del actuador, la referencia y la ganancia de lazo abierto del
proceso. Debido a la dificultad que representara obtener una relaci
on generalizada que se adaptara a
cualquier rango de actuaci
on, se eligi
o el est
andar ISA de 4 a 20mA.
Si suponemos que usamos un controlador cuyas entradas y salidas est
an normalizadas dentro del estandar
de 4 a 20mA podemos suponer una ganancia unitaria. Con fines ilustrativos se utiliza un proceso particular
con dos polos en -1, lo cual resulta en un tiempo de establecimiento de 5.84 (usando la funci
on settling time
de Matlab). Suponiendo un tope para la se
nal de actuacion equivalente al 90 %, tenemos un m
aximo de
18.4 mA (si se restan los 4mA del inicio del rango se tendran 14.4mA como tope de actuaci
on). Tomando
como referencia 14.4mA como m
aximo valor neto posible al actuador, podemos establecer en funci
on de
65

porcentaje del rango, los m
aximos valores de actuaci
on para diferentes tiempos de establecimiento en
lazo cerrado (Ver Figura 4-10).
Figura 4-10: Multiplo valor porcentual en el actuador.

En la Figura 4-10 se exploran la se
nales m
aximas de control cuando se requiere alcanzar porcentajes
que van desde 0.2 hasta 3 veces el tiempo de establecimiento. Para lograr que la se
nal de control no
llegue al tope del actuador, es necesario dise
narla para que el tiempo de establecimiento en lazo cerrado
sea muchas veces mas lento que en lazo abierto. Observando la Figura 4-10, podemos observar que 0.7
del tiempo de establecimiento en lazo abierto como propuesta inicial, puede llegar a tener un m
aximo
porcentual de la se
nal de control del 200 %, esto significa que teniendo la se
nal de control saturada (ver
Figura 4-11), el controlador solo estara en saturaci
on el 17 % del tiempo de establecimiento de la planta,
lo cual vuelve a este criterio una alternativa viable para el dise
no de asignacion de polos.
Figura 4-11: Senal de control saturada

66
4.2 Inicializaci
on
4.2.4.
Selecci
on del periodo de muestreo
Para sistemas asintoticamente estables el periodo de muestreo se calcula como:

h=
4.2.5.
ts
50
(4.19)
Factor de olvido
La elecci
on del factor de olvido modifica de forma fundamental el comportamiento de la matriz de
on (como se ver
a mas adelante) se opta por un
covarianza Px , como esta es una variable de supervisi
factor de olvido constante de 0.99.
4.2.6.
Matriz de covarianza
La matriz de covarianza se debe inicializar seg

un [82], como:
Px0 = Kcov I
(4.20)
donde Kcov debe elegirse entre 100 y 1000 si el conocimiento del proceso es escaso y entre 1 y 10 si hay
informaci
on sobre el sistema. Gracias al proceso de inicializaci
on se opta por Kcov = 10.
4.2.7.
Detecci
on del retardo
El valor del retardo se obtiene directamente de la salida del sistema en lazo abierto, contando los muestreos
hasta obtener una respuesta del sistema una vez que una entrada de excitacion se ha aplicado (Figura
4-12).
Figura 4-12: Obtencion del retardo del sistema.

Wn es la amplitud de la variaci
on de la salida del proceso con entrada 0. El conteo de muestreos se realiza
hasta:
(4.21)
y > max (Wn )
El n
umero de muestreos contabilizados se denomina k.
La reducci
on del costo computacional es muy importante. Para evitar un incremento en la dimensi
on de
a definido por:
Px , cuando el regresor est
(t 1) = [y (t 1) ... y (t n) , u (t 1) ...u (t n) ...e (t 1) ...e (t n)]
(4.22)
67

cuando k > 0 se redefine el regresor como:
(t 1) = [y (t 1) ... y (t n) , u (t 1 k) ...u (t n k) ...e (t 1) ...e (t n)]
4.2.8.
(4.23)
Excitaci
on de procesos inestables
El proceso de inicializaci
on en simulacion es completamente funcional, tanto para sistemas estables como
inestables; sin embargo, en la pr
actica hay que mencionar que la metodologa propuesta solo es v
alida para
sistemas que tienen sus races en el semiplano izquierdo y sobre el eje imaginario. Un sistema inestable
no puede excitarse en la pr
actica en lazo abierto (por los riesgos que representa), y para excitarlo en lazo
cerrado se requiere conocimiento del proceso. El GMVDPAC tiene capacidad para controlar sistemas
inestables y de fase no mnima, sin embargo para llevar a la pr
actica este caso, sera necesario que el
usuario brinde la informacion necesaria para el arranque.
4.3.
Control de respaldo
El control de respaldo juega un papel de suma importancia en la estructura del sistema en general, puesto
que vuelve al sistema redundante y los m
argenes de confiabilidad se expanden.
En a
nos recientes se ha aprovechado la capacidad de optimizaci
on de los algoritmos geneticos en el
control. En lo concerniente a los controladores PID, los algoritmos geneticos se emplean para optimizar
los controladores ante condiciones particularmente demandantes. La idea b
asica del PID genetico es la
formacion de un cromosoma [27] cuyo contenido genetico sean las ganancias del controlador PID como
se muestra en la Figura 4-13.
Figura 4-13: Representacion genetica

Cada cromosoma es probado y evaluado. Los individuos con aptitud superior al promedio tendran mayores
oportunidades de reproduccion. Las ganancias que permiten un mejor desempe
no del control tienen mayor
oportunidad de heredar su perfil del cromosoma.
Para el caso particular del PID genetico directo se usa la estructura de control PID
Z
de (t)
1 t
(4.24)
e (t) dt + Td
u (t) = Kc e (t) +
Ti 0
dt
y en particular su equivalente discreto para el algoritmo de posici
on
n
Td
hP
(e (k) e (k 1))
e (i) +
u (k) = Kc e (k) +
Ti i=0
h
(4.25)
En la Figura 4-14 se presenta un diagrama donde se representa el funcionamiento del PID Genetico
Directo. El sistema usa el modelo estimado por RLS, del orden definido por la inicializacion, el cual se
utiliza para evaluar la sintonizaci
on del sistema en cuesti
on. Por medio de la funci
on de aptitud [27] se
establece un criterio de desempe
no.
68
4.3 Control de respaldo
Figura 4-14: Estructura del PID Genetico Directo.

Uno de los aspectos m
as importantes que debe considerarse en el proceso evolutivo, es el acotamiento
del esfuerzo de control, por lo que la funci
on contempla una penalizacion a la saturacion como:
x
P |e (t)| ,
mn (u) > Sl m
ax (u) < Sh
f.a.
(4.26)
t=1
baja aptitud mn (u) > Sl m

ax (u) < Sh
En la Figura 4-15 se presentan los lmites de saturaci

on del actuador, dichos lmites pueden ajustarse en
el proceso evolutivo, para desalentar esfuerzos del controlador que el operario considere excesivos, aunque
sean inferiores a los lmites de saturacion naturales.
Figura 4-15: Lmites de saturacion del actuador.

En la Figura 4-16a) se presenta el control PID genetico directo para el proceso del Ejemplo 4.2 una vez
que se cuenta con el modelo interno. En la Figura 4-16b) se presenta la evolucion de la funcion de aptitud
69

a traves de 10 generaciones.
El cromosoma mas apto, para el ejemplo particular arroj
o un conjunto de ganancias de control, como
Kc =0.39, Ti =9.11 y Td =9.24, como puede apreciarse el algoritmo genetico evoluciono una ganancia
derivativa relativamente grande para compensar la acci
on del doble integrador.
Como puede apreciarse en la Figura 4-16 el desempe
no del control es satisfactorio, hay que hacer hincapie en que ning
un metodo de sintonizacion basado en las reglas de Ziegler y Nichols es u
til para la
sintonizacion de un proceso de esta clase.
Figura 4-16: a) Seguimiento de la referencia del sistema cuando es controlado con el PID genetico directo b)
Funci
on de aptitud.
4.3.1.
Criterio de paro
La ejecuci
on de un algoritmo genetico usualmente es detenida mediante un criterio de paro que involucra
la consecuci
on de una meta, la cual podra ser alcanzar una cota mnima de error, o la mnima satisfaccion
para un problema. La principal desventaja de detener un algoritmo de esta forma consiste en el hecho de
que es muy difcil predecir el tiempo que le puede tomar alcanzar al algoritmo una solucion satisfactoria.
Del otro lado del espectro queda el establecer un n
umero fijo de generaciones que nos permitan determinar
un tiempo determinstico de ejecuci
on para el algoritmo. Desafortunadamente al aplicar esta alternativa
de solucion, no se puede garantizar una cota de error. Para sortear ambas dificultades se propuso determinar a partir de pruebas estadsticas, un n
umero mnimo de generaciones que cumpliera con una cota
de desempe
no determinada.
Dado que el tama
no del problema de optimizar el n
umero de generaciones para obtener los par
ametros
de optimizacion para cualquier proceso sera inconmensurable, se opt
o por realizar las pruebas para un
proceso u
nico de la forma:
1
(4.27)
s2 + 2s + 1
lo cual si bien no garantiza un desempe
no global, da una idea de como ajustar el tiempo de ejecuci
on del
algoritmo de una manera aceptable.
G (s) =
70
4.3 Control de respaldo

El experimento se llevo a cabo modificando el n
umero de generaciones de 2 a 20, para 25 muestras
(se ejecut
o el algoritmo genetico para cada n
umero determinado de generaciones en 25 ocasiones, y se
obtuvieron valores de desempe
no promedio). En la Figura 4-17 se presenta el comportamiento del tiempo
de ejecuci
on (en segundos), con relacion al n
umero de generaciones, como puede observarse la relacion
es pr
acticamente lineal, de lo que se puede presumir un aumento directamente proporcional en el tiempo
de ejecucion al aumentar el n
umero de generaciones que se definan para el algoritmo.
Figura 4-17: Relacion tiempo de ejecucion del algoritmo versus numero de generaciones.
En la Figura 4-18 se presenta el comportamiento del IAE promedio, con 25 muestras para diferentes
n
umeros de generaciones (las x representan los puntos de prueba, mientras que la lnea representa una
interpolacion lineal). Contrario a lo que podra pensarse, no necesariamente un mayor n
umero de generaciones garantiza un menor error, una de las razones es que el algoritmo genetico no emplea elitismo
[16] y las u
ltimas generaciones podran tener una funcion de aptitud inferior a algunas de sus predecesoras. En particular la mayor funci
on de aptitud (el menor IAE) se consigue estadsticamente como
puede apreciarse en la Figura 4-18, al ejecutar 10 generaciones, lo cual implica en referencia a la Figura
4-17 un tiempo de ejecucion inferior a un minuto (usando Matlab 6 sobre Intel Centrino). Existen casos
reportados donde similarmente se tienen muy pocas generaciones fijas para un PID genetico y se alcanzan
buenos resultados [41].
71
Figura 4-18: Relacion IAE promedio obtenida versus numero de generaciones.
4.3.2.
Comportamiento del proceso evolutivo ante diferentes niveles de mutaci

on
Ya que el algoritmo genetico propuesto para el PID genetico directo es de 8 bits, la longitud del cromosoma
es 24. El porcentaje de mutaci
on definido para el sistema es 10 %, lo cual significa alterar el valor l
ogico de
un bit de 10 cromosomas en una poblacion de 100. En otras palabras significa la alteracion del 0.00416 %
del contenido genetico de la poblaci
on medido en bits.
Las razones que llevaron a la selecci
on de este porcentaje de mutacion tienen que ver con el comportamiento de la maxima funci
on obtenida para un porcentaje de mutacion dado.
La variaci
on efectiva de los tiempos de ejecucion por modificaci
on de los porcentajes de mutacion es
mnima (para un mismo tama
no de poblacion y un n
umero de generaciones establecido), por lo que es
muy difcil de medir al ejecutarse la simulaci
on sobre una plataforma multitarea (Windows), y aunque
estrictamente hablando, aumentar el porcentaje de mutacion repercute en mayor n
umero de operaciones,
la dificultad de la medici
on impide apoyarse en este factor para tomar una decisi
on.
Para obtener el IAE promedio se llevaron a cabo 10 pruebas para un mismo porcentaje de mutaci
on,
cada una de ellas para 10 generaciones en todos los casos. Se realizaron pruebas para ndices de mutaci
on
que van desde el 0 % hasta el 30 %, en la Figura 4-19 se ilustran los resultados.
Como podemos observar en la Figura 4-19, el mnimo error promedio se obtuvo con un 10 % de la mutacion
del algoritmo genetico. La gr
afica presenta con x los puntos de prueba, mientras que la lnea que une
a dichos puntos es el resultado de una interpolacion lineal de octavo orden. Dicha curva representa
un comportamiento complejo, pues se pueden observar varios mnimos. En particular se selecciona la
mutaci
on del 10 %, puesto que esta demarca el mnimo global de la curva.
72
4.4 Supervisi
on
Figura 4-19: Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutacion.
4.4.
Supervisi
on
En la literatura disponible sobre supervisi

on de sistemas adaptables, la inicializacion y el control de
respaldo forman parte de un concepto general de supervision [31], [39], [46]. En particular en este captulo
la supervision es referida como la etapa de monitoreo para la operaci
on del control adaptable.
La estructura de supervisi
on es un modulo basado en sistemas expertos, la cual sintetiza el conocimiento
heurstico necesario para establecer un margen de operacion seguro del control adaptable. Dicho sistema
experto es en esencia un sistema de diagn
ostico rapido, que establece acciones para salvaguardar la
operacion del sistema de control.
Las principales variables de supervision utilizadas en esta etapa, est
an definidas en funcion de factores
necesarios para el adecuado funcionamiento del GMVDPAC:
Estabilidad en lazo cerrado,
Identificabilidad del proceso,
Error de seguimiento,
Respuesta del sistema ante cambios de carga.
4.4.1.
Estabilidad en lazo cerrado
Cuando se aplica un controlador del tipo GMV, el lazo cerrado tiene la forma descrita por la ecuaci
on
(2.95), por lo que puede observarse, que la relaci
on (3.1) determina la ubicaci
on de los polos en lazo
cerrado. Para supervisar la estabilidad del sistema durante el proceso recursivo, puede establecerse la
relaci
on (3.1) mediante un proceso de identificaci
on RLS que involucra la salida del proceso y a la
referencia del mismo en lazo cerrado. La ubicaci
on de los polos respecto al tiempo puede monitorearse,
como se puede observar en la Figura 4-20, cuando se controla el proceso descrito en el Ejemplo 3.1 del
Captulo 3.
73
Figura 4-20: a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la direccion de las flechas
muestran la direccion de la migracion de los polos en funcion del tiempo, b) proyeccion ., Las X representan la
ubicacion de polos definida por T, c) Asignaci
on de los polos con respecto al tiempo, los trapezoides representan
la proyecci
on .
Cuando la estimacion acaba de comenzar, los polos pueden quedar fuera por algunos muestreos del crculo
unitario, pero una vez que los par
ametros han convergido los polos no deben salir del crculo unitario.
74
4.4 Supervisi
on
Una forma indirecta de medir la inestabilidad del sistema en lazo cerrado es a traves del comportamiento
de la se
nal de control, por lo que la magnitud de u, puede ser u
til para definir las condiciones de operaci
on
a traves de la regla heurstica
Si |u| > cota max . entonces control adaptable OFF y control de respaldo ON
4.4.2.
(4.28)
Identificabilidad del proceso
La identificabilidad [82] de parametros, es un concepto fundamental en la identificaci

on de parametros.
Como se estableci
o en el Captulo 2.
La correlaci
on de los elementos del vector de datos, se debe fundamentalmente a la falta de excitacion
persistente o a casos de sobreparametrizaci
on.
La identificabilidad de un proceso se puede determinar a traves de la verificaci
on de la independencia
lineal de Px . Si la inversa de la matriz Px se vuelve singular pueden tomarse acciones mediante el uso de
la regla:
Si det(Px )1 = 0 entonces control adaptable OFF y control de respaldo ON
(4.29)
La traza de la matriz de covarianza es una variable de supervisi

on u
til, pues a partir de ella se pueden
deducir dos cosas, si el proceso est
a en riesgo de ser no identificable y/o que los par
ametros de estimaci
on no est
an convergiendo; en presencia de ambas condiciones, la operaci
on del control adaptable
debe detenerse, por lo cual se aplica el procedimiento
Si tr(P x) > cota max. entonces control adaptable OFF y control de respaldo ON
(4.30)
A traves de la interpretaci
on de la traza, el sistema de supervision desarrollado puede realizar algunas
acciones correctivas en la etapa temprana de la anomala.
La primera acci
on propuesta si se detecta un crecimiento de la traza de la matriz de covarianza (mientras no se alcance la cota m
axima) es la propuesta en [85], la cual consiste en enriquecer el regresor
artificialmente una vez que se ha establecido un sobredimensionamiento tal que:
y (t) = T + e (t) T v (t) ,
=
+ e (t)
(4.31)
donde
es el regresor para el sistema sobredimensionado y v(t) es el termino agregado para asegurar
que este excitado adecuadamente; seg
un [85], v(t) debe seleccionarse con ruido blanco gausiano con
media cero.
La segunda accion se lleva acabo cuando el modelo interno que se est
a aplicando es de segundo orden,
si la traza tiene una tendencia creciente se realiza la conmutaci
on del modelo interno a uno de primer
orden, de la forma:
Si t r (Px ) tiene una tendencia creciente t r (Px ) < cota max ,
entonces modelo interno de segundo orden OFF y modelo interno de primer orden ON
Si la causa de la anomala es la falta de excitaci
on persistente, la conmutacion al control de respaldo es
un paso necesario.
75
4.4.3.
Error de seguimiento
La supervisi
on del error se inicializa cuando el error instant
aneo supera una cota permitida, y se realiza
el procedimiento
max
P
Si |e(k )| > cota max1 . entonces
e (k) ,
(4.32)
k=1
Si
max
P
e (k) > cota max2. entonces . . .
k=1
control adaptable OFF y control de respaldo ON

max
P
Si |e(k)| < cota max1. entonces
e (k) = 0
k=1
4.4.4.
Respuesta de sistema ante cambios de carga
Los cambios de carga pueden detectarse de la siguiente manera

Si u aumenta e y disminuye entonces CAMBIO DE CARGA
Si CAMBIO DE CARGA entonces detener la adaptaci
on
Si CAMBIO DE CARGA contar tiempo t
Si t > tiempo max. entonces control adaptable OFF y control de respaldo ON
(4.33)
Este proceso est

a inspirado en el metodo propuesto por [31], y utiliza un filtro pasa altas a la salida del
controlador para sensar la variaci
on.
4.4.5.
Simulaci
on
A continuacion se presentan algunos ejemplos en simulaci

on asociados al sistema de supervisi
on descrito
en las secciones anteriores.
En la Figura 4-21 se presenta el comportamiento del sistema (3.2) controlado con el GMVDPAC, cuando
los parametros iniciales del proceso adaptable son ajustados con la informaci
on obtenida del proceso de
inicializaci
on, como puede observarse en la Figura 4-21b), no existe un pico inicial en la se
nal de control.
En la Figura 4-22 se observa que cuando el control usa el procedimiento de inicializaci
on, los polos
permanecen siempre dentro del crculo unitario. De lo mostrado en la Figura 4-22, se puede observar que
el proceso de inicializaci
on tiene un impacto muy positivo en el desempe
no del sistema y en la estabilidad
de lazo cerrado. En la Figura 4-23, se presenta el arranque del sistema con el control de respaldo: el
PID genetico directo. Despues del segundo 100 el sistema conmuta al modo adaptable; la conmutaci
on
es arbitraria, con fines ilustrativos.
Con la finalidad de probar el supervisor, en caso de inestabilidad en lazo cerrado en simulacion, se hacen
los polos inestables de T en el segundo 100. En la Figura 4-24, se observa el comportamiento de los polos en
esta situaci
on y en la Figura 4-25 se observa la respuesta en el tiempo ante el fallo provocado. Finalmente
en la Figura 4-26 se presenta la conmutacion entre controles, cuando la supervisi
on est
a activada. Este
proceso se lleva a cabo midiendo el exceso de se
nal de control descrito en la secci
on 4.4, lo cual es
conveniente, pues se puede actuar r
apido y rescatar oportunamente el sistema de una disfuncion.
76
4.4 Supervisi
on
Figura 4-21: Comportamiento del sistema cuando los parametros iniciales del control adaptable son proporcionados
por el procedimiento de inicializaci
on.
Figura 4-22: Comportamiento de los polos en lazo cerrado cuando los parametros iniciales del control adaptable
son proporcionados por el procedimiento de inicializaci
on
77
Figura 4-23: Arranque del sistema bajo el control de respaldo
Figura 4-24: Falla provocada al definir los polos de T fuera del crculo unitario
78
4.4 Supervisi
on
Figura 4-25: Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del crculo unitario.
Figura 4-26: Conmutaci

on al modo respaldo por la falla provocada.
79
80
Captulo 5
Resultados y Aplicaciones
5.1.
Introducci
on
En este Captulo se presentan a traves de simulaciones y pruebas pr

acticas resultados obtenidos a partir
de la implementaci
on del sistema de control desarrollado en la tesis.
5.2.
Implementaci
on y evaluaci
on general
En esta seccion se presenta un an

alisis del procedimiento necesario para la implementaci
on del controlador
de varianza mnima generalizado con asignaci
on din
amica de polos (GMVDPAC). Ademas se presenta
una evaluaci
on llevada a cabo al GMVDPAC, con ayuda de un conjunto de pruebas realizadas sobre un
lote de plantas, que involucraron con fines comparativos a otras estrategias de control.
5.2.1.
Implementaci
on del GMVDPAC
El procedimiento de implementacion del controlador GMVDPAC se revisa en funci

on de n, que es el
orden del polinomio A.
B, C C, por lo cual en lo subsecuente se
Para fines del siguiente analisis se asume: A A, B
hara referencia a ellos como los verdaderos.
Implementaci
on digital del GMVDPAC para n = 1
Cuando el modelo del proceso tiene la forma:
G (z) =
b0
z + a1
(5.1)
donde (5.1) puede representar tanto a un proceso estable, inestable o integrador.

El polinomio de ubicacion de polos en este caso tiene la forma:
T = t0 z + t1
(5.2)
ya que nT = 2n 1. Las races del polinomio de ubicaci

on de polos T, deben permanecer dentro del
crculo unitario para alcanzar una ubicacion de polos estable en lazo cerrado.
Cuando los polinomios costo del controlador GMVC se dise
nan para satisfacer una asignacion de polos,
es necesario resolver la identidad:
P B + QA = T
(5.3)
81
Una forma de solucionar (5.14) es mediante el planteamiento de la matriz de Sylvester como:
M=
a1 b0
1 0
t1
t0
q0
p0
(5.4)
De manera que los polinomios P y Q tienen la forma:

P
= p0
(5.5)
Q = q0
En el GMVDPAC los polinomios F y G se calculan a partir de:
P C = F A + z k G
(5.6)
Para el caso donde se cuenta con una funci

on de transferencia, como la definida por la ecuacion (5.1), el
orden para el polinomio de la perturbacion c es n c nA , de tal forma:
c = c0 z + c1
(5.7)
Por lo que la soluci

on de (5.6) esta dada por:
f0 = p0 c0
(5.8)
g0 = c1 p0 a1 c0 p0
Entonces el polinomio de control asociado a la entrada de la planta tiene la forma:
H = QC + BF = q0 c0 z + q0 c1 + b0 p0 c0
de lo que h0 = q0 C0
(5.9)
y h1 = b0 f0 + q0 c1 , mientras que:
E = CR
(5.10)
E = e0 z + e1
(5.11)
Hu (t) + Gy (t) + Er (t) = 0
(5.12)
o bien:
Dada la forma conocida del controlador:
Expandiendo la ecuacion (5.12) se tiene:

(h0 z + h1 ) u (t) + g0 y (t) + (e0 z + e1 ) r (t) = 0
Por ejemplo para el caso particular donde c1 = 0, la ley de control podra implementarse como:
u (t) =
82
h1
g0
e0
u (t 1) y (t 1) r (t)
h0
h0
h0
(5.13)
5.2 Implementaci
on y evaluaci
on general
Implementaci
on digital del GMVDPAC para n = 2
G (z) =
z2
b0 z + b1
+ a1 z + a2
(5.14)
nT = 3, ya que nT = 2n 1, de tal forma:

T = t0 z 3 + t1 z 2 + t2 z + t3
(5.15)
El orden de la asignacion puede variarse mediante la adecuada selecci

on de los coeficientes del polinomio
T.
La soluci
on de la identidad se da a partir de:
1
a2 0 b1 0
a1 a2 b0 b1

M =
1 a1 0 b0
0 1 0 0

q1
t3
q0
t2
=
t1 p1
t0
p0
(5.16)
Por lo que los polinomios P y Q tienen la forma:

P
= p0 z + p1
(5.17)
Q = q0 z + q1
Entonces la ecuaci
on (5.3), puede representarse como:
z 3 q0 + z 2 (a1 q0 + b0 p0 + q1 ) + z (a2 q0 + a1 q1 + b1 p0 + b0 p1 ) + b1 p1 + a2 q1
(5.18)
por lo que por ejemplo, para el caso particular donde nT = 2, q0 = 0.

En el GMVDPAC, F y G se calculan a partir de la ecuaci
on (5.6).
Para el proceso representado por la funci
on de transferencia de la ecuaci
on (5.14) el orden m
aximo posible
para el polinomio c est
a dado como nc nA por lo que c tiene la forma:
z 2 + c1 z + c2
donde el polinomio C es m
onico. Con la finalidad de mostrar un resultado general se incluye el coeficiente
c0 , el cual tiene un valor conocido de 1; sin embargo, es importante para ilustrar el efecto de c cuando
nc < nA .
Al resolver (5.6) se obtiene:
f0 = c0 p0
1
p1 c2
f1 =
a2
1
g0 = p1 c2 + p0 c1 a1 c0 p0
a2
a1
g1 = p1 c2 + p0 c2 + p1 c1 a2 c0 p0
a2
(5.19)
cuando nc nA .
83
para:
F
= f0 z + f1
(5.20)
G = g0 z + g1
Por su parte los polinomios de control H y E tienen la forma:
H = BF + QC
(5.21)
por lo que H tiene la forma:
b0
b1
H = z c0 q0 + z (b0 c0 p0 + q1 c0 + c1 q0 ) + z c1 q1 + b1 c0 p0 + p1 c2 + c2 q0 + q1 c2 + p1 c2
a2
a2
3
(5.22)
o bien
H = h0 z 3 + h1 z 2 + h2 z + h3
Mientras que:
E = CR
de lo que:
E = e0 z 2 + e1 z + e2
Considerando que la ley de control tiene la forma

Hu (t) + Gy (t) + Er (t) = 0
(5.23)
La expansi
on puede estar dada a su vez por:
h0 z 3 + h1 z 2 + h2 z + h3 u (t) + (g0 z + g1 ) y (t) + e0 z 2 + e1 z + e2 r (t) = 0

para la implementaci
on hay que despejar u (t) , asociada al coeficiente de mayor orden. Como ejemplo
suponga el caso sonde nT = n, por lo que q0 = t0 = 0, y consecuentemente h0 = 0. Ademas de suponer
on particular estara dada por:
c = c0 z, por lo que la implementaci
u (t) =
84
h2
g0
g1
e0
u (t 1) y (t 1) y (t 2) r (t)
h1
h1
h1
h1
(5.24)
5.2 Implementaci
on y evaluaci
on general
Implementaci
on digital del GMVDAPC para n = 3
G (z) =
b0 z 2 + b1 z + b2
z 3 + a1 z 2 + a2 z + a3
(5.25)
la ubicaci
on de polos se define con el polinomio:
T (z) = t0 z 5 + t1 z 4 + t2 z 3 + t3 z 2 + t4 z + t5
(5.26)
ya que cuando n = 3, nT = 5.
La soluci
on de la identidad se da a partir de:
M =
1
a3 0 0 b2 0 0
a2 a3 0 b1 b2 0

a1 a2 a3 b0 b1 b2
1 a1 a2 0 b0 b1

0 1 a1 0 0 b0
0 0 1 0 0 0
t5
t4
t3
t2
t1
t0
De manera que los polinomios P y Q tienen la forma:

P
q2
q1
q0
p2
p1
p0
= p0 z 2 + p1 z + p2
(5.27)
(5.28)
Q = q0 z + q1 z + q2
on (5.25), nc nA por lo que:
F
= f0 z 2 + f1 z + f2
(5.29)
G = g0 z + g1 z + g2
donde:
f0 = c0 p0
a2
1
f1 = 2 c3 p2 +
(c2 p2 + c3 p1 )
a3
a3
1
f2 =
c3 p2
a3
a2
1
g0 =
c3 p2
(c2 p2 + c3 p1 ) + c0 p1 + c1 p0 a1 c0 p0
2
a3
a3
a3 a2 a1
1
g1 =
c3 p2 a1 (c2 p2 + c3 p1 ) + c0 p2 + c1 p1 + c2 p0 a2 c0 p0
a3
a23
a22 + a3 a1
1
g2 =
c3 p2 a2 (c2 p2 + c3 p1 ) + c1 p2 + c2 p1 + c3 p0 a3 c0 p0
2
a3
a3
por ejemplo en el caso particular de c1 = c2 = 0 se tendra f0 = c0 p0 mientras que f1 = f2 = 0, por su
parte,
g0 = c0 p1 a1 c0 p0
(5.30)
g1 = c0 p2 a2 c0 p0
g2 = c0 a3 p0
85
Por lo tanto H puede definirse como:
H = h0 z 5 + h1 z 4 + h2 z 3 + h3 z 2 + h4 z + h5
(5.31)
donde:
h0 = q0 c0
h1 = q0 c1 + q1 c0 + b0 f0
h2 = q0 c2 + q1 c1 + b0 f1 + b1 f0 + q2 c0
h3 = q0 c3 + b0 f2 + b1 f1 + q1 c2 + q2 c1 + b2 f0
h4 = q1 c3 + q2 c2 + b1 f2 + b2 f1
h5 = q2 c3 + b2 f2
Por su parte E = e0 z 3 + e1 z 2 + e2 z + e3 , para E = CR donde:
R = P (1) +
(Q (1) A (1))
B (1)
(5.32)
Sabiendo que la ley de control es:

Hu (t) + Gy (t) + Er (t) = 0
(5.33)
puede realizarse la implementaci

on de la ley de control; por ejemplo, para un caso particular donde
c1 = c2 = c3 = 0 puede expresarse a su vez en ecuaciones diferencia tiene la forma:
h1
h2
h3
h4
u (t 1) u (t 2) u (t 3) u (t 4)
h0
h0
h0
h0
h5
g0
g1
g2
e0
u (t 5) y (t 3) y (t 4) y (t 5) r (t 2)
h0
h0
h0
h0
h0
u (t) =
(5.34)
Sin embargo, para cualquier nT 2n 1,

h4 = h5 = 0
(5.35)
debido a que h4 = b1 f2 + b2 f1 , mientras que h5 = b2 f2 cuando f2 = f1 = 0.

En el caso particular nT = nA , h0 = 0, porque:
h0 = q0 c0
dado que cuando nT = 3, q0 = 0, puesto que cuando la identidad es resuelta q0 = t0 .
Por su parte h1 = 0, ya que,
b0 f0 = q1 c0
(5.36)
(5.37)
de tal forma (5.33) puede ser expresada

u (t) =
g0
g1
g2
e0
h3
u (t 1) y (t 1) y (t 2) y (t 3) r (t)
h2
h2
h2
h2
h2
(5.38)
5.3.
Manejo del retardo
Para evitar que la dimensi

on de las matrices involucradas en la estimacion crezca en proporci
on directa
a la magnitud del retardo, se opta en todos los casos de identificaci
on, por la manipulaci
on del vector de
86
5.4 Ejemplo numerico de implementaci

on del GMVDPAC
regresion tal como se explic
o en la secci
on 4.2.7.
5.4.
Ejemplo num
erico de implementaci
on del GMVDPAC
Con la finalidad de mostrar el proceso de implementaci

on del GMVDPAC, se ha seleccionado un ejemplo
de control de procesos consistente en el control del sistema de intercambiador de calor [75], mostrado
en la Figura 5-1, cuyo principal objetivo es que la temperatura del flujo a procesarse en la salida T0 (t)
se controle en el punto de trabajo T0sp (t), mediante el paso de vapor Fs (t) a traves de una v
alvula de
control
Figura 5-1: Diagrama esquematico del sistema intercambiador de calor

Suposiciones:
El rango de la se
nal electrica es 4-20 mA,
El rango de la se
nal neumatica es 3-15 psi,
la v
alvula de control es neumatica y utiliza un convertidor corriente a presi
on I/P, con una relacion
(15 3) psi
P
=
= 0.75psi/mA
I
(20 4) mA
La cada de presion a traves de la v
alvula es constante
Tabla 5.1.Condiciones de operacion y especificaciones de los instrumentos
Variable
Especificaci
on
Gasto del fluido en proceso
F =12Kg/s
Temperatura de entrada
T =50C
sp
Punto de control
T 0 =90C
Capacidad calorfica del fluido
Cp =3750J/KgC
Calor latente del vapor
=2.25x106 J/Kg
Capacidad de la v
alvula de vapor
Fs =1.6kg/s
Rango del transmisor de temperatura
50 a 150C
87
En la Figura 5-2 se presenta un diagrama a bloques simplificado del control del proceso de intercambio
de calor.
Figura 5-2: Diagrama a bloques del control para el intercambiador de calor

Donde las funciones de transferencia estan dadas por:
a) Intercambiador
Gs (s) =
50
30s + 1
(5.39)
b) Sensor-transmisor
Hs (s) =
=
0.16
Kh
=
mA/C
Ts + 1
10s + 1
1
%/C
10s + 1
(5.40)
Se usa el % de rango como unidad de ganancia, en el caso electrico el 100 % es 16 mA; para el neum
atico
es 12 psi.
c) Para fines del c
alculo de la ganancia u
ltima el controlador se define como uno proporcional.
GC (s) = KC %/ %
(5.41)
d) Valvula. Tomando la capacidad de la valvula de 1.6 kg/s de vapor, se tiene que

Gv (s) =
Kv0 =
=
0,1
Kv
=
mA kg/s
Ts + 1
3s + 1
1.6kg/s
= 0.016kg/s/ %
100 %
0.016
kg/s/C
3s + 1
(5.42)
De las funciones de transferencia en lazo cerrado se tiene que la ecuacion caracterstica tiene la forma
1 + Hs (s) GC (s) Gv (s) Gs (s) = 0
1
50
0.016
= 0
1 + KC
3s + 1 10s + 1 30s + 1
900s3 + 40s2 + 43s + 1 + 0.8KC = 0
88
(5.43)

on del GMVDPAC
Para encontrar el valor de la ganancia u
ltima, se sustituye s por j, de lo que resulta que Ku = 23.8
on).
mientras que la frecuencia es = 0.2186 rad/s (Tu = 28.7s el perodo de oscilaci
Con estos parametros es factible el uso de la tabla de sintonizacion del Ziegler Nichols de lazo cerrado,
y el PID ISA[4] (ver Tabla 5.2).
Tabla 5.2. Ganancias de
Controlador Kc
P
11.9
PI
10.8
PID
14.0
sintonizaci
on
Ti Td
23.9
14.3 3.6
Si se asume una perturbacion en el proceso de transmisi

on, el diagrama a bloques de la Figura 5-2 puede
replantearse como se muestra en la Figura 5-3.
Figura 5-3: Perturbacion en la transmision
Con fines de simulacion, se selecciona un periodo de muestreo equivalente a 1/30 de la constante de

tiempo m
as peque
na entre los bloques del diagrama de la Figura 5-3. Dicha velocidad de muestreo tiene
como consecuencias directas, una reduccion considerable en la magnitud de los coeficientes del numerador
(debido a la sensitividad polo-coeficiente [9]) y una mayor susceptibilidad a la magnitud de la perturbaci
on
en la ecuacion diferencia, por lo que con el fin de llevar a cabo el ejemplo numerico se asume como
perturbacion una secuencia pseudo aleatoria con distribuci
on gaussiana y media cero, con varianza de
1x108 .
En la Figura 5-4 se presenta el control PID sintonizado con las ganancias de la Tabla 5.2. Como puede
observarse en la Figura 5-4a) el sistema presenta un sobreimpulso importante. Mientras en la Figura
5-4b) se puede observar que se incluye un saturador definido como: max u = 300, min u = 300, y que
la se
nal de control permanece un tiempo notable en saturaci
on.
89
Figura 5-4: Control PID del intercambiador de calor a) Seguimiento a la referencia y=T0 en grados centigrados,
b) Se
nal de control
Siguiendo el procedimiento descrito en la secci
on 5.2.1, cuando n = 3, el dise
no del GMVDPAC para el
intercambiador de calor se da bajo las siguientes condiciones de identificaci
on
Px0 = 1000I
(5.44)
= 0.99
0 = (1, 1, 1, 1, 1, 1, 1)
y asumiendo la convergencia de la estimaci
on
A A
B
B
C C
(5.45)
De dicho procedimiento de estimacion se desprende el calculo en lnea de los poilinomios P, Q y R,

considerando una propuesta inicial de asignaci
on polos, que para este caso esta dado por:
T (z) = z 3 2.955z 2 + 2.911z + 0.955
(5.46)
Suponiendo que (5.45) se cumple, tales polinomios tiene la forma:

P (z) = 1920.12z 2 + 4063.13z 2140.46
Q (z) = 0.000281z + 1.001

R (z) = 3.799
Con (5.47) calculado a partir de la estimaci

on, se tiene que:
90
(5.47)

on del GMVDPAC
= 1920.12z 2
(5.48)
G = 1608.78z + 3443.91z 1832.57

Siendo por su parte H :
H = z 3 + 0.000274z 2
(5.49)
E = 3.79
(5.50)
mientras que:
En la Figura 5-5 se presenta el desempe

no del proceso cuando este es controlado por un GMVDPAC,
en la Figura 5-5a), se puede apreciar el seguimiento a la referencia, mientras que en la Figura 5-5b), se
observa la se
nal de control, la cual en relaci
on con la se
nal de control del PID sintonizada por el metodo
de Ziegler-Nichols lazo cerrado es moderada y no alcanza en ning
un momento, los lmites de saturaci
on
establecidos en este ejemplo.
Figura 5-5: Control GMVDPAC del intercambiador de calor a) Seguimiento a la referencia, b) Senal de control
Por su parte en la Figura 5-6 se presenta el proceso de estimaci
on del sistema.
91
Figura 5-6: Estimacion del proceso de intercambio de calor

La estructura de para este caso particular est
a dada por :
= [a1 , a2 , a3 , b0 , b1 , b2 , c0 ]
(5.51)
siendo verdadera,
ver = 2.95, 2.90, 0.95, 0.1464x106 , 0.578x106 , 0.143x106 ,1
(5.52)
A partir de (5.53) se puede observar en la Figura 5-6 que
5.5.
(5.53)
Evaluaci
on general del desempe
no
Con la finalidad de evaluar el desempe

no del GMVDPAC, se selecciono un lote de plantas de diversas
fuentes bibliogr
aficas [4], [46], [80], cuyas din
amicas son comunes en la industria del control de procesos.
5.5.1.
El lote de plantas
A continuaci
on se enumera el lote de plantas empleadas para las pruebas de desempe
no
G1 (s) =
es
(1 + sTx )2
G2 (s) =
92
1
(1 + s)n
Tx = 0.1, 1, 10
n = 3, 4
(5.54)
(5.55)
5.5 Evaluaci
no
G3 (s) =
1
(1 + s) (1 + x s) (1 + 2x s) (1 + 3x s)
G4 (s) =
5.5.2.
(1 + x s)
(1 + s)3
x = 0.2, 0.5, 0.7
(5.56)
x = 0.1, 0.2, 0.5, 1, 2
(5.57)
G5 (s) =
0.0506 6s
e
s
(5.58)
G6 (s) =
1 0.2s
e
s1
(5.59)
Criterios de evaluaci
on
Con la finalidad de permitir un procedimiento de evaluaci

on general y debido a la naturaleza particular
de cada prueba, se ha optado por asignar una calificaci
on representativa al nivel de desempe
no mostrado
por un controlador con respecto a sus homologos, bajo las mismas condiciones de operaci
on. Por lo que
se propone la siguiente relaci
on, la cual toma en cuenta los valores obtenidos de IAE, IAC e ITAE a
partir de la siguiente ecuacion:
valor evaluado - mejor resultado

100
er = 100
peor resultado - mejor resultado
esta relaci
on eval
ua con 100 al mejor desempe
no y con 0 al peor desempe
no, y con una calificaci
on gradual
entre 0 y 100 a los dem
as desempe
nos, dependiendo de su cercana al mejor o peor resultado.
Durante la evaluaci
on del desempe
no, se contempla la inclusi
on del control PID ISA [3] debido a su
extenso uso en la industria.
Z
de (t)
1 t
u (t) = Kc e (t) +
e (t) dt + Td
Ti 0
dt
(5.60)
En particular se utiliza como variante discreto de (5.60), el algoritmo de posici

on [9].
u (k) = Kc
Td
hX
[e (k) e (k 1)]
e (k) dt +
e (k) +
Ti
h
t=0
(5.61)
Donde h es el periodo al que se muestrea el proceso.

Para la autosintonizaci
on del controlador PID, se utilizan los metodos de Ziegler Nichols de lazo abierto
y lazo cerrado [3]. Los metodos de sintonizaci
on de Ziegler y Nichols, no son u
tiles cuando se realiza la
sintonizacion de controladores PID para procesos cuyas races no estan estrictamente en el semiplano
izquierdo del LGR. Como alternativa a dicho metodo de sintonizacion se utiliza la estrategia propuesta
por Visioli [80], que al igual que en el metodo de Ziegler Nichols requiere del uso de tablas, con la
diferencia de que tales tablas no son una sntesis heurstica, sino el resultado de una optimizacion con
algoritmos geneticos. Tambien fue utilizado el metodo de sintonizaci
on para sistemas integradores con
retardo propuesto por Poulin y Pormeleau [68], el cual se basa en el uso de los diagramas de Nichols para
encontrar una relaci
on optima entre el margen de fase y m
aximo sobreimpulso.
La evaluaci
on particular del desempe
no de cada proceso se lleva a cabo con los siguientes ndices de
desempe
no
La integral del valor absoluto de error (IAE)
93
Caso continuo
IAE =
Caso discreto
IAE =
n
X
t=1
|e (t)| dt
(5.62)
|e (t)| dt
(5.63)
La integral del valor absoluto de error por el tiempo (ITAE)

Caso continuo
IT AE =
t |e (t)| dt
Caso discreto
n
X
IT AE =
t |e (t)| dt
(5.64)
(5.65)
t=1
Esfuerzo del controlador

Caso continuo
IAC =
Caso discreto
IAC =
n
X
t=1
|u (t)| dt
(5.66)
|u (t)| dt
(5.67)
El IAE se emplea para evaluar el seguimiento a la referencia, mientras que el ITAE, se utiliza para evaluar
la capacidad de un controlador determinado para sobreponerse ante un cambio de carga, la multiplicaci
on
por el tiempo t, acent
ua en el resultado el tiempo que le toma al sistema de control superar dicho cambio.
Por su parte el IAC es la integral del valor absoluto de la se
nal de control y es representativa del esfuerzo
de control. El IAC est
a ligado con la capacidad de operaci
on de un actuador, as como con el tiempo de
vida del mismo. Cuando un proceso es perturbado con un cambio de carga, esta puede modelarse como
un escalon aplicado en la salida del sistema, si se aplica el teorema del valor final al circuito serie, el
efecto del cambio de carga puede observarse como una ganancia adicional [17], por lo cual se proprone
en este texto una aproximaci
on a un cambio de carga escal
on.
En particular, para medir el ITAE se simula un cambio de carga en un tiempo dado t, modificando la
ganancia del polinomio B(z) como:
Bcarga (z) = Kcarga B(z)
(5.68)
para Kcarga < 1 (ver anexo A), lo cual puede interpretarse como que la dinamica de la carga es mucho
mas rapida que la del sistema perturbado.
5.5.3.
Evaluaci
on del desempe
no por proceso
En esta secci
on se revisa a partir de la informaci
on adjunta en el Anexo A el desempe
no de cada proceso
del lote, considerando como rubros a evaluar, el seguimiento a la referencia, el esfuerzo de control y la
respuesta ante cambios de carga.
94
5.5 Evaluaci
no
- Proceso G1
En este proceso de segundo orden, se realizan pruebas para 3 valores diferentes de Tx , cuya variaci
on
provoca en primer lugar una variacion sobre el tiempo de respuesta del sistema, el interes de este experimento recae en el hecho de que el retardo del proceso se mantiene constante, generando diferentes
relaciones entre el retardo y el tiempo de respuesta, siendo en casos extremos el retardo muy grande o
muy peque
no en relacion con el tiempo de establecimiento, siendo ambos casos difciles de afrontar por
la sintonizacion de Ziegler Nichols (al grado de que la variacion de este metodo en lazo abierto no logra
on
proveer ganancias que estabilicen el controlador cuando Tx = 1 y Tx = 10, mientras que esta situaci
se repite para el Ziegler Nichols lazo cerrado cuando Tx =0.1 ).
En terminos generales, el mejor desempe
no de control lo tiene para este proceso el STPAC, seguido
muy de cerca por el GMVDPAC, resaltando el desempe
no de este u
ltimo cuando la magnitud de la
perturbacion es mayor y en la respuesta cuando existen cambios de carga. La dinamica descrita por G1
puede hallarse en procesos que involucran la regulaci
on de nivel.
- Proceso G2
En realidad el barrido de n en el proceso G2 genera dos procesos sin retardo, uno de tercer orden y
otro de cuarto orden, para el control adaptable ambos sistemas usan un modelo interno de tercer orden,
observandose en las tablas relacionadas del Anexo A, un mejor desempe
no en general del GMVDPAC
cuando n = 4. El GMVDPAC presenta un mejor desempe
no nuevamente cuando la amplitud de la
perturbacion es la maxima empleada y cuando se aplican los cambios de carga programados.
La estructura del modelo G4 puede usarse en la representacion de procesos de reaccion qumica [47].
- Proceso G3
El principal interes sobre el proceso G3 , consiste en que al realizar el barrido del par
ametro x , se
obtienen diversas combinaciones de ubicaci
on de polos, manteniendo una respuesta temporal similar.
Esta situaci
on provoca diferentes respuestas al cerrar al lazo de control.
El STPAC presenta el mejor comportamiento para x =0.2, teniendo el GMVDPAC un buen desempe
no,
mejorando cuando hay cambios de carga o mayor amplitud de la perturbaci
on. Cuando x =0.5 la
sintonizacion de Ziegler Nichols en lazo cerrado muestra el mejor seguimiento a la referencia (seguido de
cerca por el GMVDPAC) con un esfuerzo de control moderado.
Cuando x =0.7 el GMVDPAC presenta el mejor seguimiento a la referencia y la mejor respuesta a
cambios de carga. Puede observarse tambien que cuando x =0.7 y la amplitud de la perturbacion es
maxima la respuesta de control PID sufre un gran deterioro.
Para G3 , puede decirse que la mayor virtud del GMVDPAC es la regularidad en su desempe
no ante
diversas condiciones de operaci
on.
- Proceso G4
El proceso G4 es muy u
til para ejemplificar algunas situaciones relacionadas con el desempe
no de los
controladores. La dinamica de las funciones de transferencia con barrido del par
ametro x estan vinculadas entre si, puesto que x , en G4 modifica la posici
on del u
nico cero en la funcion de transferencia.
on es por demas demandante en
A medida que x aumenta, dicho cero se acerca al origen, esta situaci
aquellos controladores que basan su dise
no en la asignaci
on de polos en lazo cerrado [17] como es el caso
del STPAC, GMVPAC y GMVDPAC.
En la Figura 5-7 se sintetiza el desempe
no de los controladores en el rubro de seguimiento a la referencia,
evaluado con ayuda del IAE promedio (el promedio del IAE medido para todos los niveles de perturbaci
on
considerados).
95
Figura 5-7: Comportamiento del IAE promedio en funcion de
En la Figura 5-7 se presenta en forma de x el IAE promedio de cada controlador para una x determinada. A partir de tales puntos, se realizo un ajuste de curva con mnimos cuadrados para un polinomio
de tercer orden, con la finalidad de mostrar posibles tendencias. En la gr
afica puede observarse que en
general el seguimiento a la referencia se ve perjudicado en todos los controladores con el acercamiento del
cero al origen; sin embargo, es interesante observar que el mayor IAE a mayor x se da con el controlador
PID sintonizado con el metodo de Ziegler-Nichols lazo cerrado y no con los controladores adaptables
que basan su funcionamiento en la asignacion de polos. Para esta planta podemos observar que el mejor
seguimiento se da para el menor IAE del controlador de Clarke; sin embargo, hay que hacer hincapie que
para este controlador se requiere cierto nivel de conocimiento sobre el proceso a controlar, para poder
as proponer fuera de lnea los polinomios P, Q y R, adem
as de tener la inconveniencia a ser susceptible
a un deterioro en el desempe
no cuando existe perturbacion parametrica en el proceso.
Con respecto al GMVDPAC se puede mencionar que es el segundo mejor desempe
no ademas de mostrar
la mayor regularidad al tener el ajuste de curva mas notorio.
En la Figura 5-8 se presenta la relacion entre el esfuerzo de control (medido con el IAC promedio) y la
variaci
on de x .Como puede observarse en la Figura 5-8, el comportamiento del IAC para el GMVPAC
y el STPAC es bastante irregular. Por su parte las curvas sintetizadas a partir del comportamiento del
PID y del GMVDPAC muestran un desarrollo monotono, sntoma de un mejor nivel de confiabilidad
para este tipo de pruebas.
Finalmente en la Figura 5-9 se presentan las curvas que relacionan el desempe
no ante cambios de carga
(medido con ITAE) y x .
96
5.5 Evaluaci
no
Figura 5-8: Comportamiento del IAC promedio en funcion de
Figura 5-9: Comportamiento del ITAE promedio en funcion de

Como puede observarse el menor ITAE lo presenta el GMVDPAC, significando un mejor desempe
no ante
la perturbacion parametrica, lo cual es congruente con lo expuesto en el Captulo 3.
Es importante recalcar que el GMVPAC, por su parte presenta el segundo peor comportamiento en este
rubro, por lo que su modificaci
on en GMVDPAC cobra relevancia en estos casos.
En las graficas presentadas para esta planta, no se incluye una curva relacionada con la sintonizacion
de Ziegler Nichols en lazo abierto, puesto que esta solo puedo realizarse para x = 0,1 y x = 0,2 (ver
97
on presenta sobreimpulso
Anexo A), ya que para los subsecuentes barridos de x , la respuesta al escal
negativo, y se consider
o que dos puntos no eran suficientes para la sntesis de una curva.
La din
amica descrita por G4 puede hallarse en procesos de temperatura relacionados con la presion, como
podra darse en el manejo de vapor en turbinas.
- Proceso G5
El proceso G5 es un proceso integrador con retardo, para este caso no es posible aplicar la sintonizacion
Ziegler y Nichols, por lo cual se emplean los metodos de sintonizaci
on propuestos por Visioli [80] y
Poulin y Pormeleau [68]. Como puede observarse, en la tabla relacionada en el Anexo A, el GMVDPAC
presenta el mejor comportamiento din
amico en todos los rubros, haciendo hincapie en que el GMVPAC
y el STPAC siguen los mismos criterios de desempe
no.
alvulas actuadas por motor.
La estructura de G5 puede encontrarse en la representacion de v
- Proceso G6
El proceso G6 es un sistema inestable de primer orden. El GMVDPAC presenta el mejor desempe
no
tanto en seguimiento a la referencia, esfuerzo de control y respuesta a cambios de carga.
5.5.4.
Resultados generales
A continuacion se presentan algunos gr

aficos de pastel que representan el porcentaje del total de las
pruebas en que un controlador dado, logra el mejor desempe
no para un criterio de evaluacion (ver
Anexo A). Como podr
a observarse no todos los controladores involucrados en las pruebas comparativas
aparecen en los gr
aficos, lo cual se debe a que en ninguna oportunidad dichos controladores tuvieron la
mejor evaluaci
on para un rubro en particular.
En la Figura 5-10 se presenta una gr
afica de pastel que representa el porcentaje del total de ocasiones en
que un controlador dado tiene el mejor seguimiento a la referencia a lo largo de las pruebas. Como puede
observarse el controlador GMVPAC fue en este rubro el mejor en el 40 % de las pruebas seguido por un
27 % del GMVDPAC. Es importante recalcar que en las simulaciones (salvo en las perturbaciones que
simulan cambios de carga) los procesos se asumen LTI, y que para el caso del GMVPAC los par
ametros
determinantes para el desempe
no del controlador son dise
nados fuera de lnea.
Figura 5-10: Grafica de pastel que representa el porcentaje en que cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE)
98
5.5 Evaluaci
no
En la Figura 5-11 se presenta una gr
afica de pastel que representa el porcentaje total de ocasiones en
que un controlador dado realiza el menor esfuerzo de control. En esto caso el STPAC realiza el menor
esfuerzo de control en el 40 % de las pruebas, seguido por el GMVDPAC y el PID sintonizado por Ziegler
y Nichols lazo cerrado con un 20 %.
Figura 5-11: Grafica de pastel que representa el porcentaje total de ocaciones en que un controlador dado realiza
el menor esfuerzo de control.
Como ya fue comentado anteriormente, el disturbio por cambio de carga es aproximado mediante una
alteracion de la ganancia del polinomio B(z), lo cual en ecuaciones diferencia, representa tambien una
perturbacion parametrica. En la Figura 5-12 se puede observar que en el 60 % de las pruebas, el menor
ITAE fue obtenido con el GMVDPAC.
Figura 5-12: Grafica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE)
Como ya fue comentado, se observ

o que el desempe
no del GMVDPAC mejoraba con respecto al desempe
no general en los casos en que la varianza de la perturbaci
on era mayor. En la Figura 5-13 se puede
observar que el porcentaje de casos donde el GMVDPAC obtuvo el menor IAE no tuvo variaci
on con
respecto a la Figura 5-10.
99
largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de la perturbacion fue
la m
axima probada.
Sin embargo, puede observarse en la Figura 5-14 que el GMDPAC aumenta su participaci
on en siete
puntos porcentuales con respecto a lo mostrado en la Figura 5-11.
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbacion fue la maxima
probada.
Finalmente en la Figura 5-15 puede observarse que en m

as de las 2/3 partes de las pruebas que involucraron la maxima amplitud de la perturbaci
on el GMVDPAC arrojaron el menor ITAE.
100
5.5 Evaluaci
no
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbacion fue la maxima
probada.
Las graficas de pastel presentadas a lo largo de esta seccion, son herramientas u

tiles que proporcionan
informaci
on relevante del desempe
no de un controlador a lo largo de un conjunto de pruebas; sin embargo,
no proporcionan informacion del desempe
no general del controlador, cuando este no obtiene el mejor
resultado (como puede observarse en la Tabla 5.4 el u
nico controlador que obtiene el mejor resultado en
todos los rubros de evaluaci
on para un proceso dado, es el GVMVDPAC para el proceso integrador de
primer orden G5 y para el proceso inestable con retardo de primer orden con retardo G6 ). Por su parte,
el esquema de evaluaci
on por puntaje descrito en la seccion 5.5.2 permite tener una idea mas precisa del
desempe
no general de una estrategia de control, usada con el lote de plantas de la secci
on 5.5, ya que un
buen resultado en dicha evaluaci
on representa regularidad en el desempe
no.
La Tabla 5.4 sintetiza los puntajes acumulados bajo dicho esquema de pruebas.
101
Tabla 5.4. Evaluaci

on del desempe
no de los controladores.
PID LA
PID LC
PID Visioli
PID Poulin
STPAC
GMVPAC
GMVDPAC
IAE
IAC
ITAE IAE
IAC
ITAE IAE
IAC
ITAE IAE
IAC
ITAE IAE
IAC
ITAE IAE
IAC
ITAE IAE
IAC
ITAE
100
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
100
268
100
182
255
295
259
292
N.A.
N.A.
N.A.
200
165
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
16.338
300
300
171
281
3.98
293
293
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
273.92
300
294
300
299
237
247
298
298
163
199
127
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
270.97
300
273
294
218
66
297
226
300
86.1
244
273
204
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
241.58
264
251
299
294
10.5
266
273
295
N.A.
N.A.
N.A.
191
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
282.66
300
171
255
237
136
201
271
267
162
300
242
300
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
247.08
300
250
249
297
264
295
256
50.9
294
271
286
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
291.61
282
289
264
300
300
248
300
100
234
238
165
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
263
289
225
300
234
159
280
284
247
44.5
172
295
195
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
244.42
288
219
300
18.4
140
271
272
248
N.A.
N.A.
N.A.
74.5
300
190
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
100
76.2
217
296
151
172
129
207
N.A.
N.A.
N.A.
152
300
97.1
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
100
22.2
160
286
103
137
228
78.6
205
N.A.
N.A.
N.A.
300
100
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
264.78
114
164
227
117
70.8
198
25
224
G5
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
160
220
107
297.9
286
299
271
278
264
299
300
300
G6
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
N.A.
299.4
297
300
285
297
300
300
300
Total
144.5
399
1835
2418
2020
160
220
107
3293.65 3684
3512
3979
3124
1476
3623
3551
4032
G1
T=0.1
G1
T=1
G1
T=10
G2
n=3
G2
n=4
G3
a=0.2
G3
a=0.5
G3
a=0.7
G4
a=0.1
G4
a=0.2
G4
a=0.5
G4
a=1
G4
a=2
De la tabla se pueden deducir a su vez ciertos resultados generales.

Con respecto al criterio IAE, que es representativo del seguimiento a la referencia en la Figura 5-16,
puede observarse un gr
afico de barras que sintetiza los resultados generales obtenidos por los diferentes
controladores en este rubro.
102
5.5 Evaluaci
no
Figura 5-16: Puntaje acumulado para seguimiento a la referencia
Por su parte la evaluaci

on general de los controladores para la medici
on del esfuerzo (Figura 5-17).
Figura 5-17: Puntaje acumulado para el esfuerzo de control

103
Figura 5-18: Puntaje acumulado para el cambio de carga.

En la Figura 5-18 se muestra la evaluaci
on general numerica para el cambio de carga.
El buen desempe
no del GMVDPAC a lo largo de las pruebas se debe fundamentalmente a tres razones:
La reestructuraci
on explcita del algoritmo,
El rec
alculo en lnea de los polinomios costo,
La minimizaci
on permanente de la varianza de la funci
on de salida generalizada (t) .
5.6.
Control de velocidad
Utilizando el control GMVDPAC, se llev

o a cabo el control pr
actico de un motor Minertia T03 manufacturado por Yaskawa, el cual se utiliza frecuentemente en perifericos computacionales como:
Bobinado y rebobinado de cintas magneticas,
Alimentaci
on de papel para impresoras,
Graficadores X-Y,
Maquinaria peque
na de proposito general.
El experimento consiste en el control de velocidad del motor mencionado. La salida del proceso es la
variable velocidad, medida en revoluciones por minuto (rpm). La referencia fue desarrollada de tal forma
que involucra rampas con la finalidad de observar tanto el seguimiento como la regulacion en el mismo
experimento.
En la Figura 5-19 se puede observar que la velocidad del motor sigue la referencia de forma muy cercana.
104
5.6 Control de velocidad
Figura 5-19: Control de velocidad usando el GMVDPAC.
En la Figura 5-20a) se presenta el comportamiento de los par

ametros de estimaci
on cuando el proceso se
estima como uno lineal de primer orden, como puede observarse los parametros denotan una variaci
on
dependiendo de la zona de operacion.
En la Figura 5-20b) se presenta el desempe
no de la funci
on de salida generalizada para este caso, que como
puede observarse tiene una amplitud muy peque
na, significando un proceso de optimizaci
on altamente
satisfactorio.
Figura 5-20: Comportamiento de la estimacion, a) Parametros de la estimacion, b) Funcion de salida generalizada.

105
5.7.
Control de posici
on
Para este experimento, se seleccion

o una banda transportadora prototipo actuada por un motor de
DC con imanes permanentes, el cual incluye un mecanismo de reduccion de velocidad modelo 1.61.046
manufacturado por Buehler (ver Figura 5-21). La entrada del proceso es la alimentaci
on en volts del
motor, mientras que la salida del proceso es el desplazamiento de la banda en centmetros. Para este
ejemplo se usa la misma forma de la referencia del control de velocidad. Usualmente para control de
posici
on se usa un control PD; cuando el sistema ha alcanzado el valor de la referencia, la se
nal de control
se vuelve nula. En este caso pr
actico, el motor tiene una zona muerta entre -3V y 3V en la entrada del
proceso. El GMVDPAC ubica la se
nal de control justo abajo de la frontera de la zona muerta, lo cual
permite una respuesta mas rapida ante un cambio de referencia s
ubita
Figura 5-21: Motor de CD Buehler con reduccion de velocidad.

En la Figura 5-22 se observa el control de posicion cuando se usa una se
nal de referencia compuesta
de escalones y rampas como las usadas en el control de velocidad. La Figura 5-23 presenta el mismo
control pero con una referencia cuadrada, para apreciar la respuesta del sistema ante cambios s
ubitos de
referencia (la variable posici
on en este caso esta medida directamente del sensor en volts). La inicializaci
on
para este sistema es arbitraria consistiendo en los siguientes par
ametros: n = 1, h =0.1, 0 = [0.5,0.5]
(asumiendo c = z) Px0 = 100I, =0.99 y T = z0.8 lo cual implica una constante de tiempo en lazo
cerrado =0.5 seg.
Figura 5-22: Control de posicion de una banda transportadora usando GMVDPAC (seguimiento).
106
5.8 Control de temperatura
Figura 5-23: Control de posicion de una banda transportadora usando GMVDPAC (regulacion).
En la Figura 5-24 se presenta el comportamiento de la estimaci
on cuando la referencia es cuadrada.
Figura 5-24: Comportamiento de la estimacion, a) Parametros de estimacion, b) Traza de la matriz de covarianza.
5.8.
Control de temperatura
En esta secci
on se presenta una comparacion del seguimiento a una referencia dada por un controlador
PID autosintonizable DC1020 de Honeywell y un GMVDPAC corriendo sobre LabVIEW y Matlab simultaneamente con una tarjeta de adquisicion de datos National Instruments PCI 6014.
107
El controlador DC1020 es un controlador de temperatura perteneciente a la familia DC1000 de Honeywell
[35], el cual incluye control PID con autosintonizaci
on. El controlador PID se conect
o directamente al
elemento sensor, que para este caso es un termopar tipo K, ya que el controlador incluye compensaci
on
de punta fra. Una imagen de este controlador puede observarse en la Figura 5-25.
Figura 5-25: Controlador de temperatura Honeywell DC1020

Con el fin de realizar la comparaci
on se eligi
o un proceso de temperatura, el cual consiste de dos c
amaras.
En la primera c
amara el aire es calentado con una fuente constante de calor (l
ampara incandescente),
en la uni
on entre las dos c
amaras existe un ventilador que impulsa el aire caliente de la primera camara
hacia la segunda c
amara. En la segunda camara se encuentra alojado el sensor de temperatura cerca de
la ventilaci
on de esta (ver Figura 5-26).
Figura 5-26: Figura 5.26. Proceso de temperatura

La velocidad del ventilador puede regularse con un voltaje variable de 0 V a 10 V (la velocidad aumenta
en relaci
on directa al voltaje), de tal forma que la temperatura en la c
amara 2 puede elevarse de forma
proporcional a la velocidad de giro del ventilador. En este sistema el elemento primario de medici
on es el
termopar, mientras que el ventilador es el elemento final de control, en particular el ventilador tiene una
zona muerta entre 0 V y 3 V, por lo que una se
nal de control debe superar este umbral para tener un
impacto en la temperatura de la c
amara 2. En este proceso, el enfriamiento sucede cuando el ventilador
no es actuado y depende primordialmente de la transferencia de calor entre la c
amara 2 y el medio
ambiente a traves de la ventilacion de la misma c
amara. Debido a la naturaleza del sistema, s
olo puede
aspirarse a temperaturas de consigna superiores a la temperatura ambiental; es importante remarcar que
para realizar la comparaci
on en circunstancias igualitarias, el proceso es considerado como una caja negra
cuando se aplica el GMVDPAC.
108
5.8 Control de temperatura
Figura 5-27: Control del DC1020 a) Regulacion, b) Senal de control.

El DC1020 fue conectado al proceso de la Figura 5-26 y se ejecuto la autosintonizaci
on comprendida por
este sistema particular (este sistema realiza una excitaci
on inicial, con la cual ajusta las ganancias del
controlador PID). Con ayuda de la tarjeta PCI 6014 se adquirieron las se
nales anal
ogicas correspondientes
a la salida de temperatura y a la se
nal de control enviada por el controlador. Para este caso particular
la referencia fue elegida como 38 C. La respuesta del sistema se aprecia en la Figura 5-27.
En la Figura 5-27a se observa que la temperatura del sistema vara alrededor de la referencia. Dicha
variaci
on depende de la accion de control (Figura 5-27b) pero ademas guarda cierta relacion con la zona
muerta del actuador. La se
nal de control es bastante irregular debido a la naturaleza del mecanismo de
autosintonizaci
on de este sistema.
Es importante mencionar que el desempe
no del control PID, puede mejorarse con una cuidadosa eleccion
de ganancias por parte del usuario, pero la intensi
on central de esta prueba es comparar la sintonizaci
on
aut
onoma de un controlador PID comercial, y el arranque inicializado del GMVDPAC.
En este sentido, se realiz
o el proceso de inicializaci
on cuyo resultado principal fue la elecci
on de una
estructura interna de estimacion de primer orden.
En la Figura 5-28a) se presenta la regulaci
on del proceso a la temperatura de consigna, y se puede
observar un mejor desempe
no que con el controlador comercial. La se
nal de control es mas regular y se
equilibra por encima de la zona muerta (Figura 5-28b).
109
Figura 5-28: Control GMVDPAC, (a) Regulacion, (b) Senal de Control.
5.9.
Plataforma de aplicaci
on
La plataforma de aplicacion, es la herramienta dise

nada para llevar a cabo las pruebas pr
acticas del
sistema de control desarrollado. Las partes de la plataforma de aplicaci
on se presentan en la Figura 5-29.
Figura 5-29: Figura 5.29. Plataforma de aplicacion.

De la Figura 5-29 se observa que la totalidad de los algoritmos de control se ejecutan sobre Matlab, a la
vez la interfaz gr
afica se ejecuta sobre LabVIEW, junto con la comunicaci
on entrada salida a la tarjeta
de adquisicion de datos, que para este caso es una PCI modelo 6014 de National Instruments.
Las ventajas de la plataforma de aplicaci
on son varias, entre ellas la posibilidad de explotar al mismo tiempo las herramientas de LabVIEW y Matlab, configuracion flexible del periodo de muestreo y
resoluci
on de 16 bits.
110
5.10 Interfaz de usuario

La plataforma de aplicaci
on incorpora las tres etapas involucradas en el desarrollo, inicializacion, control y
supervision, implementados como SubVIs (subprogramas) de LabVIEW [55]. A continuacion se describe
la secuencia de operaci
on del sistema.
1. Al activar la inicializaci
on, el sistema manda una se
nal de excitaci
on al proceso en lazo abierto,
consistente de un tren de pulsos durante un n
umero determinado de ciclos. Se guardan tanto el
vector de datos de entrada como el de salida.
2. Con los vectores de entrada y de salida, se llevan a cabo estimaciones recursivas de primero, segundo
y tercer orden
3. Con la informacion recolectada se realiza el procedimiento de inicializaci
on descrito en el Captulo
4
4. Una vez obtenido el orden del modelo interno, se sintoniza un control PID con el metodo basado
en algoritmos geneticos descrito en el Captulo 4
5. Con toda la informaci
on de la inicializaci
on disponible y con el controlador de respaldo ajustado,
se procede a encender el control adaptable
6. Una vez que el controlador est
a funcionando se habilita el supervisor. El supervisor a su vez consta
de 2 etapas. La primera etapa es la supervisi
on activa que es la parte del supervisor que toma
decisiones de forma independiente al usuario, para modificar el desempe
no del sistema. La otra
etapa es la supervisi
on pasiva, la cual provee de la informaci
on necesaria para que un usuario pueda
tomar decisiones a traves de la interfaz de usuario. La variables de supervision mas importantes se
derivan de las se
nales de error, se
nal de control y la matriz de covarianza
7. A traves de la interfaz de usuario, el usuario tiene acceso a todas las etapas descritas anteriormente.
5.10.
Interfaz de usuario
En la Figura 5-30 se presenta un esquema donde se asocian los elementos de la interfaz gr

afica con la
secuencia dise
nada para el controlador
Figura 5-30: Interfaz grafica del controlador.

111
Como puede observarse en la Figura 5-30, la pantalla principal de la interfaz grafica esta dividida en las
3 etapas del sistema.
A Cuando inicializa el controlador y se calcula la informaci
on necesaria, el indicador de inicializando
parpadea. Una vez que se ha terminado el proceso de excitaci
on inicial, el indicador de respaldo
listo se activa, a su vez cuando se concluye la inicializaci
on genetica y finalmente los espacios de
variables son llenados con la informaci
on obtenida.
B Mientras el control adaptable opera se grafican en lnea las variables del proceso: se
nal de control, salida del proceso, par
ametros de estimaci
on (si el controlador de respaldo estuviera en funcionamiento, la gr
afica de estimacion de parametros es desactivada), en esta secci
on se incluyen 2
controles para iniciar y detener el controlador
C Tanto la traza de la matriz de covarianza, como la magnitud de la se
nal de control son usadas
como un criterio para conmutacion automatica entre el control adaptable y el control de respaldo.
Tambien se monitorea el error de seguimiento a la referencia, que es un criterio de desempe
no al
igual que el esfuerzo de control, este u
ltimo al alcanzar ciertas cotas conmuta al control de respaldo.
5.11.
Pruebas con el sistema integrado
En esta seccion se presenta un experimento completo de inicializacion, supervision y control sobre el

prototipo de la banda transportadora descrito en la seccion 5.7, como ya se explic
o anteriormente el
primer paso del sistema, es la excitaci
on del proceso.
Figura 5-31: Excitacion del sistema durante la inicializacion, a) Respuesta del proceso, b) Senal de excitacion.
En la Figura 5-31b) podemos observar la se
nal cuadrada usada para excitar el motor de C.D. En la
Figura 5-31a) por su parte podemos observar la respuesta del sistema (medida directamente del sensor
de posicion en volts). El comportamiento de la posicion angular en un motor de C.D. en lazo abierto,
puede modelarse usualmente como un integrador. En una banda transportadora la dinamica dominante
sigue siendo integradora, sin embargo intervienen otros factores como la elasticidad de la banda y la
112
5.11 Pruebas con el sistema integrado

fricci
on de la misma con los elementos actuadores, por lo que en la Figura 5-31a) puede apreciarse un
comportamiento desviado de la respuesta lineal propia de un integrador puro. El siguiente paso dado
por el inicializador, consiste en que una vez almacenados los vectores de entrada y salida, se ejecutan los
algoritmos de estimacion RLS para los sistemas de primero, segundo y tercer orden. En la Figura 5-32
se presenta el comportamiento de la estimaci
on recursiva para el modelo interno de primer orden.
Figura 5-32: Estimacion recursiva para el modelo interno de primer orden, a) Comportamiento de los parametros
de estimacion, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.
En la Figura 5-32a) se puede observar un comportamiento de los par
ametros bastante regular (consistente), en la Figura 5-32b) se observa que la traza de la matriz de covarianza decrece, lo cual denota que
la estimacion recursiva se esta desarrollando adecuadamente, como un indicador del desempe
no se mide
la varianza de la traza y se tiene 5.532x103 . Si el determinante de la matriz inversa de covarianza es 0,
el sistema no es identificable como ya se mencion
o en secciones anteriores, ya que existe dependencia
lineal en la solucion de la identificaci
on. Mientras este u
ltimo indicador se acerque a cero, implica el
riesgo de la perdida de la identificabilidad. Para el caso de la identificaci
on con modelo interno de primer
9
orden, la varianza de este indicador es 9.457x10 , lo cual implica que el sistema no tiene problemas de
identificabilidad.
En la Figura 5-33 se presenta el comportamiento de la estimaci
on recursiva cuando el modelo interno es
de segundo orden. En la Figura 5-33a) puede observarse un comportamiento variable en la estimaci
on;
no hay un patron que pudiera delatar perturbacion parametrica y en su lugar puede observarse una
inconsistencia en la estimacion. Una situaci
on que permite sospechar del sobredimensionamiento de la
estimaci
on es el desempe
no en espejo que puede apreciarse en los puntos a y b, y en los puntos c y d en la
Figura 5-33a). El comportamiento de la traza de Px se observa erratico en la Figura 5-33b); la varianza
es para este caso 1.0995x108 , lo cual es un aumento significativo con respecto al caso de primer orden,
incluso considerando el aumento en la dimensi
on de la matriz de covarianza causado por el aumento
dimensional del modelo interno. Finalmente la varianza del determinante de la inversa de la matriz de
covarianza durante la estimaci
on es 1.595x106 .
113
Figura 5-33: Estimacion recursiva para el modelo interno de segundo orden, a) Comportamiento de los parametros
En la Figura 5-34a se observa que la estimaci

on cuando el modelo interno es de tercer orden, tiene una
mayor variaci
on. Se puede observar que los par
ametros no parecen converger, la varianza de la traza para
este caso es 2.447x108 y la varianza del determinante de la inversa de la matriz de covarianza es de 12.919,
lo cual dados los niveles parametricos para este indicador obtenidos durante la identificaci
on tanto de
primer como de segundo orden, es peligrosamente cercano a cero, delatando el sobredimensionamiento.
De lo analizado grafica por grafica de la estimacion para los diferentes ordenes se pueden obtener conclusiones basadas en la experiencia de dise
no, y la interpretaci
on cualitativa del proceso de estimaci
on. El
procedimiento de selecci
on del orden n para el modelo interno del estimador RLS usado por el GMVDPAC
descrito en el Captulo 4 es un esfuerzo para capturar la experiencia del dise
nador para la interpretacion
de las gr
aficas de estimacion recursiva.
114
Figura 5-34: Estimacion recursiva para el modelo interno de tercer orden, a) Comportamiento de los parametros
Considerando la metodologa de selecci

on de orden descrita en el Captulo 4, para el caso de la banda transportadora se obtiene la informaci
on presentada en las tablas 5.5, 5.6 y 5.7. En la Tabla 5.5
se presentan los modelos discretos identificados por RLS para cada orden, con los u
ltimos valores de
identificaci
on.
Tabla 5.5. Modelos identificados
Orden del Funci
on de transferencia discreta h=0.1
modelo
0.005439
1er orden
G1 (z) = z0.9973
0.0004z0.005985
er
2 orden
G2 (z) = z2 0.8224z0.1744
2 +0.002636z+0.004061
er
3 orden
G3 (z) = 0.0004554z
z 3 0.8001z 2 0.07889z0.1174
De las funciones de transferencia discretas puede decirse que todas tienen polinomios coprimos; es decir,
no hay redundancia de polos y ceros, en el sentido pr
actico la distancia entre polos y ceros impide inferir el
sobredimensionamiento, ya que la respuesta del sistema presentada en la Figura 5-31 tiene un contenido
arm
onico mucho m
as rico que un primer orden, y aunque una alternativa basada en la experiencia es
modelar estos sistemas como integradores puros, podemos observar que el criterio de asignaci
on de polos
no es concluyente en este sentido. Para este caso particular la banda del prototipo es el
astica, lo cual
introduce otras dinamicas adicionales a la integradora dominante. Si la elasticidad de la banda fuera
despreciable; es decir, la transmisi
on tuviera una relaci
on uno a uno, la din
amica dominante sera m
as
evidente para este criterio, pero por los resultados se requiere revisar los otros dos criterios de decisi
on.
En la Tabla 5.6 se presenta el comportamiento de la integral de los residuos de la estimaci
on.
115
Tabla 5.6. Residuos integrados
x
P
Orden del
| (t)|
t=1
modelo
1er orden
4.6231038
2er orden
2.246151
er
3 orden
2.120186
Como se mencion
o en el Captulo 4, este criterio s
olo es empleado como criterio de desempate si no se
pueden tener resultados del criterio de asignaci
on de polos y el de convergencia heurstica, por lo que se
proceder
a a revisar el criterio de convergencia heurstica, cuyos resultados se exponen en la Tabla 5.7 (la
varianza es medida en 1 ).
Orden
del
modelo
1er orden
2er orden
3er orden
Tabla 5.7. Convergencia heurstica

Varianza de los par
ametros de estimaci
on por ventana
Ventana 1
Ventana 2
Ventana 3
Ventana 4
0.003790
0.009126
0.02379
0.0000001782(< V 1)
0.03455(>> V 1)
0.01867(< V 1)
0.000001244(< V 2)
0.01143(< V 2)
0.01143(< V 2)
0.000005033( V 2)
0.05760(> V 3)
0.03394(> V 3)
Este criterio arroja resultados suficientes para la elecci

on de orden, pues se puede observar la falta de
consistencia para estructuras internas, tanto de segundo como de tercer orden. Por lo cual y del algoritmo
de seleccion de orden descrito en el Captulo 4 se deduce que el modelo es n = 1.
De la excitacion para este caso puede medirse un retardo k=0 (ver Figura 5.31). Para el dise
no de la
ubicaci
on de polos, la din
amica dominante es integradora y la tarea fundamental es desplazar el polo
dominante en las cercanas de 1 al interior del crculo unitario. Para establecer que tanto se puede
desplazar el polo hacia el interior del crculo unitario, se hace la siguiente consideracion pr
actica con
respecto a los actuadores: se calcula como el 10 % del tiempo necesario para alcanzar el 50 % del rango
entre los lmites de saturacion de la variable. Por lo cual se tiene una deseada en lazo cerrado equivalente
a 2 seg., lo cual determina T como cuando h =0.1 seg., como:
T = z 0.9512
(5.69)
resultado de la estimaci
on inicial, se ajustan como valores iniciales del GMVDPAC, los finales de la
estimaci
on de primer orden
(5.70)
0 = (0.99727053,0.00543861,1)
donde el tercer par
ametro corresponde a Co (la estructura de este polinomio, se elige a partir de la
recomendaci
on de [8]), ya que se tiene cierta certeza sobre los parametros de arranque que la matriz de
covarianza inicial es ajustada como:
(5.71)
Px0 = 10I
Finalmente el factor de olvido es fijo durante la estimacion como =0.99.
En la Figura 5-35a) puede apreciarse el comportamiento del desplazamiento de la banda transportadora
(medido del sensor en volts). La acci
on de control esta menos tiempo en saturaci
on que el control ajustado
arbitrariamente presentado en la Figura 5-23, ademas el sobreimpulso inicial es mucho menor en la Figura
5-35a) que en la Figura 5-23a). En la Figura 5-36 se presenta el proceso de estimacion llevado a cabo
durante el control GMVDPAC.
116
Figura 5-35: Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Senal de control.
Figura 5-36: Estimacion recursiva durante el control adaptable, a) Parametros de estimacion, b) Traza de la
matriz de covarianza.
En la Figura 5-36a) puede observarse que uno de los par

ametros de estimacion presentado en la Figura 534 ronda la unidad, lo cual es congruente con la dinamica integradora dominante del sistema. En terminos
generales se puede observar una estimacion consistente, lo cual es validado por el comportamiento de la
traza de la matriz de covarianza presentado en la Figura 5-36b).
En la Figura 5-37 se presenta el resultado de una prueba que involucra cambio de carga, como puede
observarse estos se realizan en los segundos 100 y 110 como desplazamientos axiales arbitrarios en la
banda, para sacar al sistema de su posici
on de control. La duracion de la carga en tiempo esta restringida
117
a solo lograr el desplazamiento de la banda para quedar fuera de la referencia. En la Figura 5-37b) se
observa la correcci
on realizada por la se
nal de control para regresar al sistema a su posici
on original. En
la Figura 5-38 se presenta el proceso de estimacion relacionado.
Figura 5-37: Control GMVDPAC aplicando al control de posicion de una banda transportadora prototipo durante
cambios de carga, a) Seguimiento a la referencia, b) Se
nal de control.
Figura 5-38: Estimacion recursiva durante el control adaptable cuando existen cambios de carga, a) Parametros
de estimacion, b) Traza de la matriz de covarianza.
El control de respaldo (el PID genetico directo), descrito en la secci

on 4.3 es probado por separado para
el mismo sistema. Una vez que se ha elegido el orden del modelo interno, se utilizaron los par
ametros
118

de estimacion de dicha estructura para construir un modelo interno usado para computar la funcion de
aptitud dentro del algoritmo genetico. Las especificaciones particulares para el algoritmo genetico son:
tama
no de poblacion = 50, longitud del cromosoma = 3 para genes de 8 bits. La reproducci
on es realizada
a partir de un torneo, donde participa el 10 % de la poblacion por generaci
on. El PID genetico incluye
un proceso de mutacion del 10 % con el fin de disminuir las posibilidades de la convergencia prematura.
Figura 5-39: Simulacion del controlador PID para el individuo mas apto, a) Seguimiento a la referencia, b)Proceso
evolutivo.
Como ya se mencion
o en la secci
on 4.3, el individuo (cromosoma) est
a compuesto como las ganancias
PID para la ecuaci
on (4.25). El proceso evolutivo esta realizado para un n
umero fijo de generaciones,
25, que le llevan al sistema de c
omputo particular 60.367 segundos. Los valores obtenidos a partir del
individuo mas apto al finalizar la evoluci
on controlada se exponen en la Tabla 5.8.
Tabla 5.8. Ganancias del PID genetico
Ganancia
Valor
Kc
9.355351
Ti
3.789035
Td
0.156860
En la Figura 5-40 se presenta la prueba practica del control PID genetico en la banda transportadora,
puede observarse un comportamiento adecuado ya que el control s
olo tiene un error en estado estacionario
muy peque
no, pues llega a 3.93 volts cuando la referencia de 4 volts, lo cual equivale al 1.75 % de error
en estado estacionario. En la Figura 5-40b) se observa el comportamiento de la se
nal del control el cual
es diferente a la generada por el GMVDPAC. En la Figura 5-41 se realiza un cambio forzado entre el
GMVDPAC y el control de respaldo en el tiempo t = 100 seg para observar la continuidad de desempe
no
de los controladores para un proceso real.
119
Figura 5-40: Control PID genetico directo aplicado al control de posicion de una banda transportadora prototipo,
nal de control.
Figura 5-41: Conmutacion entre controladores GMVDPAC y PID genetico directo en el segundo 100,
nal de Control.
120
Captulo 6
Conclusiones
Este trabajo de tesis condujo a una modificaci
on sobre el algoritmo del controlador de varianza mnima
generalizado (GMVC), para lacanzar mejores niveles de desempe
no y confiabilidad en aplicaciones practicas. Al resultado de la modificaci
on del GMVC se le denomin
o controlador de varianza mnima generalizado con asignaci
on dinamica de polos (GMVDPAC). Las modificaciones realizadas al GMVC, reestructuraron el algoritmo implcito como uno explcito, permitiendo as, la actualizaci
on de los parametros
asociados a la funci
on costo en cada iteraci
on, con el fin de mejorar la respuesta del sistema ante perturbaciones parametricas.
Los principales beneficios del GMVDPAC son:
Extension de la zona de estabilidad con respecto al algoritmo original.
En el Captulo 3 se demostro que la zona de estabilidad del controlador GMVDPAC se modifica para
envolver a las coordenadas de los par
ametros perturbados, por lo que supera al algoritmo original de
Clarke en el rubro de estabilidad.
Mejor repetibilidad
Debido a la estructura del controlador, el sistema tiene una mejor interaccion con el procedimiento de
identificaci
on (ver Captulos 3 y 4), lo cual facilita que el sistema pueda comportarse de manera muy
similar en cada oportunidad de uso.
Mayor confiabilidad
El sistema tiene un perfil para encarar perturbaciones en los par
ametros del proceso (ver los Captulos 3
1
y 5), lo cual brinda un mayor nivel de confiabilidad.
Mayor maleabilidad de la respuesta din
amica.
La estructura explcita incorporada por el GMVDPAC y el rec
alculo de los polinomios costo hace posible
garantizar la ubicaci
on de polos, con lo que se facilita alcanzar una respuesta din
amica determinada ante
diversas condiciones de operaci
on (ver Captulo 4).
Eficiencia algortmica
El algoritmo esta dise
nado de tal forma, que realiza la actualizacion de parametros en lnea con un
s
olo procedimiento RLS, y un incremento computacional moderado para calcular permanentemente los
polinomios costo.
1
En el Captulo 5 se observ
o que en terminos generales cuando la amplitud de la perturbaci
on aumenta, el GMVDPAC
muestra un mejor desempe
no. Tambien en las pruebas de dicho captulo se observ
o que cuando hay perturbaci
on en los
par
ametros el menor ITAE se tiene con GMVDPAC.
121
6. Conclusiones
Flexibilidad
El GMVDPAC es un algoritmo flexible ya que para operar, la informaci
on necesaria del proceso es
reducida y puede ser recopilada por un sistema automatico (inicializador), lo que facilita su uso en posibles
aplicaciones industriales. Con el fin de recopilar la informaci
on mnima necesaria para la operaci
on del
control adaptable, se desarroll
o un sistema de inicializaci
on que dio muy buenos resultados, tanto en
simulaci
on como en experimentos pr
acticos. Las capacidades del GMVDPAC permitieron minimizar las
necesidades del sistema en su conjunto, simplificando as varios aspectos del desempe
no del control en
lazo cerrado.
Por su parte la etapa de supervisi
on desarrollada, extiende la autonoma del controlador, pues le permite
operar bajo un modo de respaldo en caso necesario, proveyendo al sistema en su conjunto de un mayor
grado de independencia.
El sistema desarrollado integrado, permite la operaci
on dentro de un buen nivel de confiabilidad y autonoma. Aunque el controlador individualmente es capaz de controlar sistemas de fase mnima e inestables, el sistema integrado en su conjunto solo contempla la operaci
on aut
onoma con sistemas asint
oticamente estables, marginalmente estables e integradores.
En general la estructura de control desarrollada tiene una enorme potencialidad para su aplicaci
on pr
actica en el contexto industrial, adem
as de que las ventajas expuestas en el trabajo pueden hacerla atractiva
en sistemas donde existan perturbaciones parametricas y se requiera un seguimiento de la referencia
estrecho.
6.1.
Contribuciones
El desarrollo de la tesis parti

o de la premisa que para aumentar los niveles de confiabilidad y autonoma
de un controlador adaptable del tipo STR (y de esta forma facilitar su insercion en el contexto industrial),
se requiere que el sistema de control adaptable contemple una estructura de soporte, conformada por un
inicializador autom
atico y un sistema de supervisi
on, capaz de tomar acciones pertinentes en caso de un
desempe
no poco satisfactorio.
Como fue comentado al inicio del documento en [46] se describe un procedimiento de inicializaci
on ligado
a la estructura de supervisi
on descrita en [31], ambos procedimientos est
an basados en el analisis de la
respuesta a la frecuencia, particularmente en el uso del relevador realimentado [2] y son empleados en el
controlador de campo adaptable ABB ECA600. La principal limitante es que el relevador realimentado
solo puede emplearse con procesos asntoticamente estables. Ya que el controlador involucrado en la
propuesta original, puede nominalmente manejar indistintamente sistemas de fase mnima y no mnima,
debiera esperarse que el inicializador desarrollado tuviera rangos de operaci
on mas amplios.
En la propuesta de tesis doctoral presentada en el documento del seminario predoctoral, se propusieron
como opciones para el controlador del sistema, el GMVC [19], [20] y el GMVPAC [1]. Posterior al seminario predoctoral se encontro que el GMVPAC de Allidina tena problemas algortmicos y de convergencia
por lo que se descart
o como opci
on, la propuesta original del inicializador y supervisor descrita en el documento del seminario predoctoral estaba en funcion de las necesidades de dicho controlador, siendo las
variables de inicializaci
on requeridas para dicho controlador:
1. Par
ametros de estimaci
on iniciales,
2. Matriz de covarianza inicial,
3. Detecci
on del retardo del proceso,
4. Selecci
on,
5. Selecci
on del periodo de muestreo,
122
6.1 Contribuciones
6. Selecci
on del polinomio de ubicaci
on deseada de los polos,
7. Selecci
8. Inicializaci
on del control de respaldo.
Mientras que las variables involucradas en la supervision eran:
1. Variables relacionadas a la respuesta din
amica como el error y algunas de sus relaciones estadsticas,
2. Identificabilidad y calidad de la estimaci
on (a traves de la matriz de covarianza y los residuos),
3. Estabilidad del sistema de control a traves del monitoreo de la se
nal de control y la ubicaci
on de
polos,
4. Conmutador entre el controlador de respaldo y el control adaptable,
5. La comunicaci
on con el usuario a traves de la interfaz de usuario.
Bajo este esquema, sera necesario proponer los polinomios costo (punto 7 de la inicializaci
on) y verificar
que los polos alcanzaran la asignacion deseada (punto 3 de la supervision), para que en caso de que esto
no sucediera, redise
nar los polinomios costo.
La particularidad de las necesidades expresadas motivaron la sntesis de un algoritmo de control que
satisfaciera dichas necesidades: el GMVDPAC. El uso del GMVDPAC elimina la necesidad del punto 7
de inicializaci
on y simplifica el punto 3 de la supervision, al suprimir la necesidad de verificar la ubicaci
on
de polos ya que esta se asegura, si la estimaci
on converge (ver Captulo 3), por lo que se centro el desarrollo
en el punto 2 de la supervisi
on, ya que si el supervisor garantiza la consistencia estructural se pueden
esperar buenos niveles de desempe
no en el controlador.
Las principales aportaciones del trabajo se pueden establecer en relacion a las etapas del sistema. Con
respecto al algoritmo de control adaptable propuesto, las aportaciones son:
El algoritmo propuesto no requiere de una inicializaci
El algoritmo propuesto contempla una actualizaci
on permanente de los polinomios costo (relativamente con poco aumento de costo computacional) lo cual permite garantizar una asignaci
on de
polos ante perturbaciones parametricas,
El algoritmo presenta un mayor rango de estabilidad que el algoritmo original ante perturbaciones
parametricas arbitrarias.
El algoritmo de control desarrollado en la tesis se ha reportado en [64] y en [59] donde se aborda como
tema la eficiencia computacional, mientras que en [61] se aborda el desempe
no de los polos en lazo
cerrado. En [67] se revisa a partir de una aplicacion el desempe
no dinamico del controlador, y en [60] se
estudia la estabilidad del algoritmo ante perturbaciones parametricas.
Por su parte para el control de respaldo se desarroll
o un sistema de sintonizaci
on por modelo interno
(para n 3) que permite la sintonizacion del controlador PID, sin importar si el sistema es estable,
marginalmente estable o inestable. El control aprovecha un procedimiento de inicializaci
on com
un con el
control adaptable, del cual se genera un modelo interno y con ayuda de un algoritmo genetico se obtienen
las ganancias necesarias.
Esta propuesta de sintonizaci
on fue denominada PID genetico directo y ha sido reportada en [62] y en
[63], tambien se hace referencia a ella en [64].
En lo referente al sistema de soporte se desarrollo un proceso de inicializaci
on que se basa en una excitaci
on
en lazo abierto y la estimaci
on RLS.
123
6. Conclusiones
Para el desarrollo de la inicializaci
on se propuso un metodo original para elegir el orden del modelo
interno e inicializar las variables del controlador autosintonizable. Dicho metodo fue reportado en [64].
Finalmente para la estructura de supervision en lnea se desarrollo un sistema experto, que sintetiza el
conocimiento heurstico generado en este rubro, a lo largo del trabajo.
A continuaci
on se enumeran las publicaciones, producto del trabajo de tesis.
Paz-Ramos M.A., Torres-Jimenez J., Quintero-M
armol-Marquez E., Proportional-Integral-Derivative
Controllers Tuning for Unstable and Integral Processes Using Genetic Algorithms, ICCS 2004 (International Conference on Computational Science 2004, Krakow, Poland), publicado en el n
umero
especial de la revista Lecture Notes in Computer Science, 3037, pp. 532-539, Springer-Verlag 2004.
Paz-Ramos M.A., Torres-Jimenez J., Quintero-M
armol-Marquez E., PID Controller Tuning for
Stable and Unstable Processes Applying GECCO 2004 (Genetic and Evolutionary Computation
Conference 2004, Seattle, Washington), publicado en el n
umero especial de la revista Lecture Notes
in Computer Science, 3103, pp. 1-10, Springer-Verlag 2004.
Paz-Ramos M.A., Quintero-M
armol-Marquez E., Torres-Jimenez J., Automatic Intelligent Initialization for a Modified Generalized Minimum Variance Controller, Proceedings of the 5th Asian
Control Conference, pp.1231-1238, Melbourne 20-23 July 2004.
armol-M
arquez E., Fern
andez del Busto R., Generalized Minimum
Variance with Pole Assignment Controller Modified for Practical Applications, Proceedings of
the 2004 IEEE International Conference on Control Applications, pp. 1347-1352, September 2-4,
Taipei, Taiwan.
Ponce Cruz P., Paz Ramos M.A., Fern
andez del Busto R., Quintero-M
armol E., DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment,
IEEE International Symposium on Industrial Electronics, pp. 957-962, Junio 20-23 2005, Dubrovnik,
Croacia.
armol-Marquez E., Fernandez del Busto R., Olguin E., Santos O. J.,
Ponce P., Improving Stability and Performance in a Generalized Minimum Variance Controller
using Dynamic Pole Assignment, 2nd International Conference on Electrical and Electronics Engineering and XI Conference on Electrical Engineering, pp. 370-373, Mexico City, September 7-9
2005.
Paz Ramos M. A., Fernandez del Busto R., Quintero Marmol E., Generalized Minimum Variance
with Pole Assigment Controller, Memorias del congreso nacional de Control Autom
atico 2005 de la
Asociaci
on de Mexico de Control Autom
atico (AMCA), artculo 77. Cuernavaca Morelos, Mexico,
19-21 de Octubre del 2005.
6.2.
Trabajos futuros
Durante el desarrollo de tesis se encontraron algunas vertientes de investigacion, que por diversas razones
no pudieron ser exploradas o explotadas. Algunas de estas vertientes pueden presentar un interes suficiente
como para permitir trabajos futuros relacionados. Dichos trabajos pueden asociarse principalmente a los
siguientes t
opicos:
Estabilidad: En este trabajo se exploraron algunos aspectos relacionados a la estabilidad del algoritmo
propuesto (GMVDPAC), y se mostraron las capacidades del algoritmo para sobreponerse a perturbaciones parametricas durante su operaci
on. Los casos revisados en el documento no contemplan
124
6.2 Trabajos futuros

retardo en el transporte. En alg
un momento del desarrollo de la tesis, se revisaron algunos casos
con retardo con la ayuda del metodo D particiones [36], sin embargo no se pudo generalizar un
resultado, a pesar de lo cual se observaron situaciones sumamente interesantes, las cuales requieren
mayor trabajo en la b
usqueda de una interpretacion acertada.
Supervisi
on: Un aspecto que requiere la mayor atenci
on en el control de procesos es el manejo de las
oscilaciones, pues la existencia de estas en un lazo, representa un riesgo de consideraci
on, para
la operaci
on del proceso. En particular las estructuras de control adaptable son mas susceptibles
a la disfunci
on a causa de las oscilaciones [72] y de hecho en la practica, cuando las oscilaciones
se presentan se recomienda detener el proceso de adaptaci
on [29]. Un trabajo de interes podra
ser el desarrollo de una herramienta que trabaje de forma coordinada con el control adaptable y
que permita la detecci
on oportuna de dichas oscilaciones para tener otras alternativas diferentes
a detener la adaptaci
on. El estudio de la interacci
on entre la herramienta y el control adaptable
ameritaran especial cuidado.
Implementaci
on: Durante el desarrollo del trabajo, siempre se mantuvo el objetivo de que el trabajo
pudiera implementarse en la practica, por lo cual fueron llevados a cabo varios experimentos con
el fin de evaluar el desempe
no del sistema en su conjunto. Por otro lado siempre se tuvieron como
referencia algunos controladores comerciales de campo, por lo que un paso logico podra ser la
implementaci
on del sistema en un sistema mnimo, bajo una estructura embebida o aprovechando
las posibilidades que brindan los controladores de automatizaci
on programables [79].
125
6. Conclusiones
126
ANEXO A
127
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
Referencias Bibliogr
aficas
[1] Allidina A.Y., Hughes F.M., Generalized self-tuning controller with pole assigment, IEE Proc.
Control Theory Appl., Vol. 127, No.127 . 1318. 1980.
[2]
Astrom K.J., Adaptive Control, Filtering and Signal Processing . Springer-Verlag, 1995.
[3]
Astrom K.J., Adaptive Control Around 1960, IEEE Control Systems Magazine , 4449, June
1996.
[4]
Astrom K.J., H
agglund T. PID controllers: theory, design and tuning (Second Edition). Research
Triangle Park, 1995.
[5]
Astrom K.J., H
agglund T., The future of PID Control, Control Engineering Practice No. 9 ,
11631175, 2001.
[6]
Astrom K.J., Wittenmark B., On Self Tuning Regulators, Automatica Vol. 9 , 185199, 1973.
strom K.J., Wittenmark B., Self-Tuning Controllers Based on Pole-Zero Placement, IEE Proc.
[7] A
Control Theory Appl., Vol. 127, No.3 , 120130, 1980.
[8]
Astrom K.J., Wittenmark B., Adaptive Control (Second Edition). Addison Wesley, 1995.
strom K.J., Wittermark B., Computer Control led Systems; Theory And Design . Prentice Hall,
[9] A
1997.
[10] Bartos F.J., Artificial Intelligence ...Within, Control Engineering , 2633, September 2003.
[11] Bennett S., Development of the PID Controller, IEEE Control Systems Magazine , 5864, December 1993.
[12] Bennett S., A Brief History of Automatic Control, IEEE Control Systems Magazine, Vol. 16, No.
3, 1725, June 1996.
[13] Bernaerts K., Van Impe J.F., Data-driven approaches to the modelling of bioprocesses Transactions of the Intitute of Measurement and Control No. 16 , 349372, 2004.
[14] Bernstein D. S., Feedback Control: An Invisible Thread in the History of Technology, IEEE
Control Systems Magazine, Vol.22 , 5368, April 2002.
[15] Butman S., Sivan R., On Cancellations, Controllability and Observability, IEEE Transactions on
Automatic Control , 317318, 1964.
[16] Chang W.A., Ramakrishna R.S., Elitism-Based Compact Genetic Algorithms, IEEE Transactions
on Evolutionary Computation , Vol. 7, No. 4, 367 385, Aug. 2003.
[17] Chen Ch-T., Linear System Theory and Design (3rd Edition). Oxford University Press, 1998.
145

REFERENCIAS BIBLIOGRAFICAS
[18] Chiu S., Developing Commercial Applications of Intelligent Control, IEEE Control Systems Magazine , 94100, April 1997.
[19] Clarke D.W., Gawthrop B.A., Self-tuning controller, IEE Proc. Control Theory Appl., Vol. 122,
No.9 122 , 929934, September 1975.
[20] Clarke D.W., Gawthrop B.A., Self-tuning control, IEE Proc. Control Theory Appl., Vol 126 ,
633640, 1979.
[21] Clarke D.W., Mohtadi C., Properties of Generalized Predictive Control, Automatica Vol. 25, No.
6, 859-875, 1989.
[22] Clarke D.W., Mohtadi C., Tus P. S., Generalized Predictive Control - Part I. The Basic Algorithm,
Automatica Vol. 23 , No. 2, 137148, 1987.
[23] Clarke D.W., Mohtadi C., Tus P. S., Generalized Predictive Control - Part II. Extensions and
Interpretations, Automatica Vol. 23, No. 2, 149160, 1987.
[24] Ender D.B., Process Control Performance Not as Good as You Think, Control Engineering ,
180190, September 1993.
[25] Estevez-Reyes L., Process Control Reliability: The Key to Investing in Your Infrastructure, ISA
Transactions, Vol. 39, No. 1 , 115121, 2000.
[26] Franklin G.F., Powel J.D., Workman M.L., Digital Control of Dynamic Systems (Second Edition).
Addison Wesley, 1990.
[27] Goldberg David, Genetic Algorithms in search, optimization and machine learning . Addison Wesley,
1989.
[28] Grimble M.J., Non-Linear Generalized Minimum Variance Feedback, Feedforward and Tracking
Control, Automatica No. 4, 957969, 2005.
[29] Hagglund T., Industrial Implementation of on-Line Performance Monitoring Tools, Control Engineering Practice , Vol. 13 , 13831390, 2005.
strom K.J., Industrial Adaptive Controllers Based on Frequency Response Tech[30] Hagglund T., A
niques, Automatica Vol. 27 , 599609, 1991.
[31] Hagglund T.,
Astrom K.J., Supervision of adaptive control algorithms, Automatica Vol. 36 , 1171
1180, 2000.
[32] Hagglund T.,
Astrom K.J., Method and on apparatus in tuning a PID-Regulator, U.S. Patent No.
4,549,123, Oct. 22 1985.
[33] Hang C.C., The Choice of Controller Zeros, IEEE Control Systems Magazine, January 1989.
[34] Holmberg U., Relay Feedback of Simple Systems . PhD dissertation, Department of automatic control,
Lund Institute of Technology, August 1991.
[35] Http://www.Honeywell.Com.Pl/, DC1000.Pdf.
[36] Hwang C., Hwang J.H., Stabilisation of First-Order Plus Dead-Time Unstable Processes Using PID
Controllers, IEE Proc.-Control Theory Appl., Vol. 151, No. 1, 8994, January 2004.
146

[37] Inoue A., Yanou A., Sato T. Hirashima Y., An Extension of Generalized Minimum Variance Control
for Multi-input Multi-output systems Using Coprime Factorization Approach, 41844188, 2000.
[38] Ioannou P.A., Sun J., Robust Adaptive Control . Prentice Hall, 1996.
[39] Isermann R., Lachmann K.H., Parameter-adaptive Control with Configuration Aids and Supervision
Functions , Automatica Vol. 21, No.6 , 625638, 1985.
[40] Jury E.I., On the History and Progress of Sampled-Data Systems, IEEE Control Systems Magazine , 1621, 1987.
[41] Kim Y.-S., (Samsung Electronics). Unit Method for Determining Gains a of PID Controller Using
a Genetic Algorithm U.S. Patent , No. 5,971,579, Oct. 26 1999.
[42] Lawrence D.A., Sethares W. A., Ren W., Parameter Drift Instability in Adaptive Systems, Proceedings of the IEEE Conference on Decision and Control , 32303235, December 1990.
[43] Li Z., Evans R.J., Generalised minimum variance control of linear time-varying systems, IEE Proc.
Control Theory Appl., Vol. 149 . 111116, 2002.
[44] Ljung L., System Identification, Theory for the User . Second edition Prentice Hall PTR, 1999.
[45] Ljung L., Glad T., Anderson T., Identidicability Implies Robust Identificability, Proceeding of the
32nd Conference on Decision and Control , 567569, 1993.
[46] Lundh M.,
Astrom K.J., Automatic Initialization of Robust Self-tuning Controllers, Automatica
Vol. 30 , No. 11, 16491662, 1994.
[47] Luyben W.L., Process Model ling, Simulation and Control for Chemical Engineers . Mc Graw Hill,
1990.
[48] Luyben W.L., Luyben M.L., Essentials of process control . Mc Graw Hill International Editions,
1997.
[49] Masayoshi D., Yasuchika M., Generalized Minimum Variance Control for Time Varying Systems
without Diophantine equation, Proceedings of American Control Conference , 32303235, 2002.
[50] Masayoshi D., Yasuchika M., A Study on Robust Asymptotic Tracking Property for Generalized
Minimum Variance Control, Proceedings of American Control Conference , 14721477, 2002.
[51] Mendes R.S., Amaral W.C., Latre L.G., Determination of weighting polynomials in generalized
minimum variance controllers, IEE Proc. Control Theory Appl., Vol. 135 , 2127, 1988.
[52] Mitsukura Y., Yamamoto T., Kaneda M., A Design of Self-Tuning PID Controllers Using a Genetic
Algorithm, Proceedings of American Control Conference , 13611365, 1999.
[53] Montmain J., Gentil S., Dynamic causal model diagnostic reasoning for online technical process
supervision, Automatica Vol. 36 , 11371152, 2000.
[54] Narendra K.S., Parameter Adaptive Control - The End... or the Beginning?, Proceedings of the
33rd Conference on Decision and Control , 21172125, 1994.
[55] National Instruments, User Manual, LabVIEW / Express, 2003.
[56] Niu S., Fisher D.G., Monitoring Parameter Identificability During on Line Identification, Proccedings of IEEE Conference on Control Applications , 17171722, 1994.
147

[57] Ogata K., Sistemas de Control en Tiempo Discreto . Segunda Edicion, Pearson Educaci
on, 1996.
[58] Oki T., Yamamoto T., Kaneda M., A Comparison of Self-Tuning Control Schemes in Applications,
SICE , 15931598, 1995.
[59] Paz Ramos M.A., Quintero-Marmol-Marquez E., Fern
andez Del Busto R., Generalized Minimum
Variance with Pole Assigment Controller Modified for Practical Applications, Proceedings of the
2004 IEEE International Conference on Control Applications , 13471352, 2004.
[60] Paz Ramos M.A., Quintero-M
armol E., Fern
andez Del Busto R. Olgun E. Santos O.J. Ponce P.,
Improving Stability and Performance in a Generalized Minimum Variance Controller Using Dynamic Pole Assignment, 2nd International Conference on Electrical and Electronics Engineering
and XI Conference on Electrical Engineering, Mexico City , 370373, September 2005.
[61] Paz Ramos M.A., Fernandez Del Busto R., Quintero-M
armol E., Generalized Minimum Variance
with Dynamic Pole Assignment Controller", Memorias del Congreso Nacional de Control Autom
atico
2005 de la Asociaci
on de Mexico de Control Autom
atico (AMCA), Cuernavaca Morelos, Mexico,
articulo 77, Octubre 2005.
[62] Paz Ramos M.A., Torres-Jimenez J., Quintero-Marmol-Marquez E., PID Controller Tuning for
Stable and Unstable Processes, GECCO 2004, Lecture Notes in Computer Science 3103 Springer
Verlag , 110, 2004.
[63] Paz Ramos M.A., Torres-Jimenez J., Quintero-M
armol-Marquez E.,
Proportional-IntegralDerivative Controllers Tuning for Unstable and Integral Processes Using Genetic Algorithms, ICCS
2004, Lecture Notes in Computer Science 3037 Springer Verlag , 110, 2004.
[64] Paz Ramos M.A., Quintero-Marmol-Marquez E., Torres-Jimenez J., Automatic Intelligent Initialization for a Modified Generalized Minimum Variance Controller, Procceding of the 5th Asian Control
Conference , 12311238, 2004.
[65] Pereira J.M. Dias., A Fieldbus Prototype for Educational Purposes, IEEE Instrumentation Measurement Magazine , 2431, 2004.
[66] Piedrafita R., Ingeniera de la Automatizaci
on Industrial . Alfaomega/Rama, 2004.
[67] Ponce Cruz P., Paz Ramos M.A., Fernandez Del Busto R. Quintero-M
armol E., DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment,
Proc. IEEE International Symposium on Industrial Electronics. Dubrovnik, Croatia , 957962, June
2005.
[68] Poulin E., Pormeleau A., PI Setting for Integrating Processes Based on Ultimate Cycle Information,
IEEE Transactions on Control Systems Technology, Vol. 7, No. 4 , 509511, July 1999.
[69] Reeve A., Auto-Tuning and Self-Tuning Controllers, C&I , 6769, October 1991.
[70] Reyes A., Producci
on Inteligente, Manufactura, An
o 10, Nu
mero 106 , 7381, Abril 2004.
[71] Rhinehart R.R., The centurys greatest contributions to control practice, ISA Transactions ,
Vol. 39, 313, 2000.
[72] Rohrs C. E., Valvani L., Athans M. Stein G., Robustness of Continuous-Time Adaptive Control
Algorithms in the Presence of Unmodeled Dynamics, IEEE Transactions on Automatic Control ,
AC-30, No. 9 , 881889, September 1985.
148

[73] Sazali Y., Faisal A.M., Mohamed F.A., On-line self-tuning controller for induction motor based on
generalized minimum variance method, SICE , 875878, 1998.
[74] Shoureshi R., Active Noise Control: A Marriage of Acoustics and Control, Proceedings of the
American Control Conference , 34443448, June 1994.
[75] Smith C. A., Corripio A. B., Control Autom
atico de Procesos. Teora Y Pr
actica . Editorial Noriega
Limusa, 2002.
[76] Strothman J., Leaders of the pack, InTech 50 , 2227, August 2003.
[77] Takatsu H., Itoh T., Future Needs for Control Theory in Industry - Report of Control Technology
Survey in Japanese Industry, IEEE Transactions on Control Systems technology, Vol. 7, No.3 ,
298305, May 1999.
[78] Thornhill N. F., Cox J. W., Paulonis M. A., Diagnosis of Plant-Wide Oscillation Through DataDriven Analysis and Process Understanding, Control Engineering Practice ,Vol. 11 ,14811490, 2003.
[79] Vazquez C.M., La Nueva Generaci
on de PLCs, PACs Controladores Autom
aticos Programables,
InTech Mexico Automatizaci
on, an
o 3, No. 2 , 1621, Abril-Junio 2004.
[80] Visioli A., Optimal Tuning of PID Controllers for Integral and Unstable Processes, IEE Proc.Control Theory Appl., Vol. 148, No. 2 , 181184, March 2001.
[81] Wellstead P.E., Prager F., Zanker P., Pole Assigment self-tuning regulators, IEE Proc. Control
Theory Appl., No. 126 , 781787, 1979.
[82] Wellstead P.E., Zarrop M.B., Self-Tuning Systems, Control and Signal Processing . John Wiley &
Sons, 1991.
[83] Wilbanks W.S., 50 Years of Progress in Measuring and Controlling Industrial Processes, IEEE
Control Systems Magazine Vol. 16, No.1 , 6266, 1996.
strom K.J., Practical Issues in the Implementation of Self-Tuning Control,
[84] Wittenmark B., A
Automatica Vol. 20 , 595605, 1984.
[85] Xia L., Moore J.B., Gevers M., On adaptive estimation and pole assigment of overparametrized
systems, International Journal of Adaptive Control and Signal Processing No.1 , 143160, 1987.
[86] Xia L., Moore J.B., Recursive Identification of Overparametrized Systems, IEEE Transactions on
automatic control, Vol. 34, No. 3 , 327331, 1989.
[87] Y.-Ang K. H., Chong G. C. Y., Patents, Software, and Hardware for PID Control, IEEE Control
Systems Magazine , February 2006.
[88] Yamamoto T., Fujii K., Kaneda M., Self-Tuning Temperature Control of a Polymerizing Reactor,
11101114, 1998.
[89] Yamamoto T., Inoue A., Shah S.L., Generalized Minimum Variance Self-Tuning Pole-Assigment
Controller with PID Structure, Proceedings of IEEE International Conference on Control Applications , 125130, 1999.
[90] Ziegler J.G., Nichols N. B., Optimum Settings for Automatic Controllers, Trans. ASME, No. 64 ,
7597687, November 1942.
149

'Tesis PID PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

'Tesis PID PDF

Transféré par

Droits d'auteur :

Formats disponibles

Centro Nacional de Investigacin y Desarrollo Tecnolgico

Marco Antonio Paz Ramos

como requisito para la obtencin del grado de:

Cuernavaca, Morelos, Mxico.

29 de Septiembre del 2006

3. Controlador de varianza mnima generalizado con asignaci

3.3. Estabilidad del controlador de varianza mnima generalizado con asignacion

4. Sistema de soporte al controlador

Diagrama a bloques de un regulador autosintonizable. . . . . . . . . . . . . . . . . . . . . . . .

GMVPAC modificado para enfrentar incertidumbres parametricas. . . . . . . . . . . . . . . . .

4-1. Bosquejo del algoritmo de inicializacion. . . . . . . . . . .

de la matriz de covarianza c) Deter-

4-4. Figura 4.4: LGR del modelo estimado de primer orden. . . . . . . . . . . . . . . . . . . . . . .

4-26. Conmutacion al modo respaldo por la falla provocada. . . . . . . . . . . . . . . . . . . . .

Simbologa utilizada en el documento

Orden del polinomio A

Orden del polinomio B

Polinomio de ubicacion de polos asociado al polinomio A

Kp Ganancia proporcional del PID ISA

Siglas utilizadas en el documento

por sus siglas en ingles

El control PID en la industria

1.3 Sistemas autosintonizables

El control adaptable es particularmente u

Tabla 1.1. Algunas patentes de controladores autosintonizables

Leeds & Northrup Company

The Foxboro Company

Fischer & Porter Company

Universal Dynamics Limited

Johnson Service Company

The Foxboro Company

The Foxboro Company

Fisher-Rosemount Systems, Inc.

Automatic identification system for

Las patentes presentadas en la Tabla 1.1, est

1.3 Sistemas autosintonizables

Tabla 1.2. Algunas patentes relacionadas con el uso

General Electric Company

Deere & Company

Kabushiki Kaisha Toshiba

Massachusetts Institute of Technology

Teijin Seiki Co., Ltd.

Kabushiki Kaisha Toshiba

National University of Singapore

Honda Motor Co.

Sumitomo Heavy Industries, Ltd.

Kabushiki Kaisha Yaskawa Denki

Honda Motor Co.

Method of real time operating point

En el presente trabajo se aborda tambien la sintonizaci

Tabla 1.3. Patentes relacionadas con el GMVC

Cooper Tire & Rubber Company

Cooper Tire & Rubber Company

Montell North America Inc.

Montell North America Inc

Method and apparatus for intelligent

1.5 El trabajo de tesis desarrollado

El trabajo de tesis desarrollado

La estructura de la propuesta de soluci

El control autosintonizable utilizado, es una contribuci

Figura 1-1: Estructura jerarquica del sistema desarrollado.

1.5 El trabajo de tesis desarrollado

El presente documento se ha dividido en los siguientes captulos: