Académique Documents
Professionnel Documents
Culture Documents
Departamento de Electrnica
TESIS DOCTORAL
Anlisis, Sntesis y Construccin de un Controlador Adaptable
Genrico con Supervisin Inteligente
presentada por
Director de tesis:
Dr. Enrique Quintero-Mrmol Mrquez
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
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
din
amica de
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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. . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
20
22
23
25
25
3-1.
3-2.
3-3.
3-4.
3-5.
38
40
40
42
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
. . . . . . . . . . . . . . . . . . . .
59
v
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
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
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
xii
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.
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
1. Introducci
on
A
no
1983
4,368,510
1986
4,602,326
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
1992
5,153,807
Hitachi Ltd.
1992
5,170,341
Honeywell Inc,
1994
5,335,164
1994
5,355,305
1995
5,394,322
1995
1996
1997
5406474
5587896
5,687,077
2004
6,760,716
2006
7,024,253
Honeywell Inc.
A
no
1986
4,585,985
1987
4,677,542
1987
4,698,745
1990
4,930,517
1992
5,135,186
1994
1997
5,347,446
5,692,485
2000
6,076,951
2000
2001
6,125,831
6,229,898
2003
6,564,110
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
2006
7,050,864
1. Introducci
on
A
no
1.4.
1995
5,418,858
1997
5,629,986
2000
6,122,557
2001
6,263,355
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.
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.
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.
1.5.4.
Organizaci
on del documento
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.
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
n
s + a0 sn1 + ... + an Y (s) = b0 sm + b1 sm1 + ... + bm U (s)
(2.2)
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
2. Control Adaptable
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:
(2.4)
demostracion en [38].
2.2.
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)
2.3.
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
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
T
0 =
01 02 ... 0n
13
2. Control Adaptable
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)
(2.11)
T (1)
(t) =
:
T
(t)
t
1
T
1
P
T
(t) (t)
=
(i) (i)
Px (t) =
i=1
(2.12)
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)
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
Teorema 2.2. Estimaci
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
(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].
Teorema 2.3. Estimaci
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
2. Control Adaptable
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].
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)
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
(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)
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
2. Control Adaptable
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.
Considerando la ecuaci
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
2. Control Adaptable
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
M =
n1
n2
:
0
n1
n2
:
0
(2.31)
(2.32)
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.
1
s2 + 0.3s + 1
(2.35)
(2.36)
4.6
n
(2.37)
G1 (z) =
0.04696z + 0.04551
z 2 1.818z + 0.9105
(2.38)
(2.39)
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
2. Control Adaptable
Figura 2-3: Respuesta al escalon del sistema en lazo abierto y del sistema en lazo cerrado deseado
0.999
M =
0.785
0.003126
(2.41)
(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
2.6.
Dise
no de la asignaci
on de polos
(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)
(2.46)
(2.47)
23
2. Control Adaptable
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)
(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
2. Control Adaptable
Figura 2-7: a) Maxima senal de control contra constante de tiempo deseada, b) Esfuerzo de control contra constante
de tiempo deseada.
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)
(2.53)
(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 =
(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)
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) =
(2.61)
(2.62)
(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
2. Control Adaptable
como puede observarse en la Figura 2-8b), el lazo cerrado para (2.64) no tiene sobreimpulso negativo.
2.7.
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)
(2.67)
(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)
(2.70)
(2.71)
+ ... + gng z
E = e0 + e1 z
+ ... + ene z ne
(2.72)
ng
29
2. Control Adaptable
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)
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)
(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.
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)
2. Control Adaptable
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
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),
(2.91)
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)
(2.95)
(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)
2. Control Adaptable
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
(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)
2. Control Adaptable
2.9.
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
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
(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.
3.2.
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.
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
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)
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 %,
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)
(3.6)
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
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
(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.
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)
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)
(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).
(3.14)
(3.15)
Q(s) = q0 s + q1
45
(3.16)
(3.17)
entonces:
(3.18)
(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)
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
(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)
(3.27)
Q (s) = 1
(3.28)
(3.29)
Q (z) = 1.25784
47
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
A continuaci
on se revisa la zona de estabilidad asociada al algoritmo propuesto GMVDPAC.
3.5.
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)
(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
a1 = a1 t1
a2 =
a2
(3.32)
t2
(3.33)
(3.34)
(3.35)
(3.36)
(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
(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)
a1 = p0 K y
(3.42)
a2 = p1 K
1
a1 = a1 +
K
1
a2 = a2 +
K
1
t1 K
K
1
t2 K
K
(3.43)
a1 = a1 t1
a2 =
a2
(3.44)
t2
estabilidad del GMVDPAC envuelven a la coordenada (a1 , a2 ), tal como puede apreciarse en la Figura
3-13.
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)
(3.46)
(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
53
54
Captulo 4
Introducci
on
4.2.
Inicializaci
on
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)
m
Q
i=1
n
Q
i=1
(z ci )
(z pi )
,m n
(4.3)
57
(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)
(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 4-3: 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
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.
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
c)
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)
x
P
t=1
| (t)|
(4.10)
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
i = 0, 1, ..., 2n + 1
(4.13)
i = w1 , w2 , ..., wx/v
(4.14)
(4.15)
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
4.2 Inicializaci
on
4.2.4.
Selecci
on del periodo de muestreo
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
(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).
(4.22)
67
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.
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
P |e (t)| ,
mn (u) > Sl m
ax (u) < Sh
f.a.
(4.26)
t=1
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
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
4.3.2.
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
4.4.1.
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)
(4.29)
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:
=
+ 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
k=1
4.4.4.
(4.33)
4.4.5.
Simulaci
on
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 4-24: 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.
79
80
Captulo 5
Resultados y Aplicaciones
5.1.
Introducci
on
5.2.
Implementaci
on y evaluaci
on general
5.2.1.
Implementaci
on del GMVDPAC
b0
z + a1
(5.1)
(5.2)
5. Resultados y Aplicaciones
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)
= 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)
(5.7)
(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)
(5.12)
o bien:
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
Cuando el modelo del proceso tiene la forma:
G (z) =
z2
b0 z + b1
+ a1 z + a2
(5.14)
(5.15)
q1
t3
q0
t2
=
t1 p1
t0
p0
(5.16)
= 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)
(5.19)
cuando nc nA .
83
5. Resultados y Aplicaciones
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)
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
(5.23)
La expansi
on puede estar dada a su vez por:
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
Cuando el modelo del proceso tiene la forma:
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
q2
q1
q0
p2
p1
p0
= p0 z 2 + p1 z + p2
(5.27)
(5.28)
Q = q0 z + q1 z + q2
Considerando la ecuaci
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
5. Resultados y Aplicaciones
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)
(5.33)
u (t) =
(5.34)
(5.35)
(5.36)
(5.37)
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.
5.4.
Ejemplo num
erico de implementaci
on del GMVDPAC
5. Resultados y Aplicaciones
En la Figura 5-2 se presenta un diagrama a bloques simplificado del control del proceso de intercambio
de calor.
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)
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)
sintonizaci
on
Ti Td
23.9
14.3 3.6
5. Resultados y Aplicaciones
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)
(5.46)
(5.47)
= 1920.12z 2
(5.48)
(5.49)
E = 3.79
(5.50)
mientras que:
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
5. Resultados y Aplicaciones
(5.51)
siendo verdadera,
(5.52)
5.5.
(5.53)
Evaluaci
on general del desempe
no
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
on general del desempe
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
(5.56)
(5.57)
G5 (s) =
0.0506 6s
e
s
(5.58)
G6 (s) =
1 0.2s
e
s1
(5.59)
Criterios de evaluaci
on
Z
de (t)
1 t
u (t) = Kc e (t) +
e (t) dt + Td
Ti 0
dt
(5.60)
u (k) = Kc
Td
hX
[e (k) e (k 1)]
e (k) dt +
e (k) +
Ti
h
t=0
(5.61)
5. Resultados y Aplicaciones
Caso continuo
IAE =
Caso discreto
IAE =
n
X
t=1
|e (t)| dt
(5.62)
|e (t)| dt
(5.63)
t |e (t)| dt
Caso discreto
n
X
IT AE =
t |e (t)| dt
(5.64)
(5.65)
t=1
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
on general del desempe
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
5. Resultados y Aplicaciones
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
on general del desempe
no
5. Resultados y Aplicaciones
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
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
on general del desempe
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)
5. Resultados y Aplicaciones
Figura 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 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.
Figura 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 perturbacion fue la maxima
probada.
5.5 Evaluaci
on general del desempe
no
Figura 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. Resultados y Aplicaciones
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
102
5.5 Evaluaci
on general del desempe
no
5. Resultados y Aplicaciones
5.6.
Control de velocidad
5. Resultados y Aplicaciones
5.7.
Control de posici
on
Figura 5-22: Control de posicion de una banda transportadora usando GMVDPAC (seguimiento).
106
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.
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
5. Resultados y Aplicaciones
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.
109
5. Resultados y Aplicaciones
5.9.
Plataforma de aplicaci
on
5.10.
Interfaz de usuario
5. Resultados y Aplicaciones
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.
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
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
5. Resultados y Aplicaciones
Figura 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
Figura 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. Resultados y Aplicaciones
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
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)
(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.
5. Resultados y Aplicaciones
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.
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
5. Resultados y Aplicaciones
Figura 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.
Figura 5-41: Conmutacion entre controladores GMVDPAC y PID genetico directo en el segundo 100,
a) Seguimiento a la referencia, b) Se
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
6.1 Contribuciones
6. Selecci
on del polinomio de ubicaci
on deseada de los polos,
7. Selecci
on de los polinomios costo,
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
on de los polinomios costo,
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.
Paz-Ramos M.A., Quintero-M
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.
Paz-Ramos M.A., Quintero-M
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
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
REFERENCIAS BIBLIOGRAFICAS
[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
REFERENCIAS BIBLIOGRAFICAS
[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
REFERENCIAS BIBLIOGRAFICAS
[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